基于改进生成对抗网络的主变压器异常检测方法及装置

本发明属于电力系统设备状态监测与智能故障诊断，具体涉及基于改进生成对抗网络的主变压器异常检测方法及装置。

背景技术：

1、主变压器长期运行于高电压、大电流环境中，绝缘老化、局部放电、绕组变形等内部缺陷若未及时检出，可能发展为严重故障。当前主变压器故障诊断主要依赖油中溶解气体分析（dga）、局部放电（pd）检测及电气参量监测，现有方法存在以下不足：

2、（1）通常检测方法采用固定评分融合策略或人工设定判据（如iec三比值法、duval三角形法），无法适应运行工况变化导致的监测数据分布漂移，误报率及漏报率偏高。

3、（2）支持向量机、随机森林等监督方法需要大量标注故障样本，然而主变压器故障样本在实际工程中较为稀缺。

4、（3）现有的深度学习方法对多源异构信号的长程依赖建模能力有限，而且基于单一传感器的方案难以覆盖多模态故障类型，检测结果缺少可解释性。

5、生成对抗网络（gan）的异常检测方法可在仅使用正常样本的条件下学习数据分布，利用异常样本重构误差大的特性实现判别，但是应用于主变压器场景仍存在以下问题：

6、（1）标准gan训练存在梯度消失和模式崩溃问题，而且其全连接或简单卷积网络对多源异构时序特征的表达能力有限。

7、（2）固定阈值判决方式不适应工况变化导致的监测数据分布漂移，模型也缺少可解释性机制，无法定位异常来源。

8、因此，亟需一种能够在异常样本稀缺条件下稳定训练、适应运行工况变化且检测结果可解释的主变压器异常检测方法。

技术实现思路

1、本发明要解决的技术问题在于克服现有方法在多源信号关联建模能力不足、生成对抗网络训练稳定性差、固定阈值不适应工况变化以及检测结果缺乏可解释性等方面的问题，提供一种基于改进生成对抗网络的主变压器异常检测方法，以在异常样本稀缺场景下实现训练稳定、工况自适应且结果可解释的主变压器在线异常检测。

2、为解决上述技术问题，本发明提供一种基于改进生成对抗网络的主变压器异常检测方法，包括以下步骤：

3、步骤s1：实时采集主变压器运行过程中的油中溶解气体浓度数据、局部放电检测信号以及电气参量数据，构成多源原始监测数据集；

4、步骤s2：对所述多源原始监测数据集分别提取时域统计特征、频域谱特征及时频联合特征，并将提取结果进行融合，形成多维状态特征向量x；

5、步骤s3：构建改进生成对抗网络，所述改进生成对抗网络包括生成器和判别器d(·)，所述生成器采用编码器-解码器架构，所述生成器的编码器包括多头自注意力子层与跨模态注意力子层，编码器e(·)将所述多维状态特征向量x映射为潜在表征z，解码器g(·)将所述潜在表征z映射为重构特征向量；仅采用正常运行样本的多维状态特征向量，并采用含梯度惩罚项的wasserstein损失函数对所述改进生成对抗网络进行无监督训练；

6、步骤s4：将待检测样本的多维状态特征向量输入训练完成的改进生成对抗网络，分别计算重构误差评分r(x)与判别器中间层特征距离评分f(x)；根据主变压器当前运行工况状态，动态调整重构误差评分r(x)与判别器中间层特征距离评分f(x)的融合权重，得到工况感知综合异常分数s；

7、步骤s5：基于极值理论中的广义帕累托分布gpd构建工况感知自适应阈值模型，并将所述工况感知综合异常分数s与当前运行工况对应的自适应阈值进行比较；当所述综合异常分数s超过当前工况对应的自适应阈值时，判定主变压器存在异常状态，并通过解析所述多头自注意力子层与所述跨模态注意力子层的注意力权重，输出异常信号来源定位结果及分级警告信息。

8、优选的，所述油中溶解气体浓度数据包括h2、ch4、c2h2、c2h4、c2h6、co及co2的浓度值；所述局部放电检测信号包括超高频传感器（安装于高压套管末屏）采集的电磁波信号和超声波传感器（安装于变压器箱体外壁）采集的声压信号；所述电气参量数据包括绕组温升、负荷电流及端口电压有效值。

9、对多源原始监测数据集中的数据进行统一时间戳对齐、缺失值插值补全及z-score标准化预处理，得到归一化多源监测数据集。

10、优选的，所述时域统计特征包括均值、标准差、峰值、峰峰值、峭度、偏度及波形因子；所述频域谱特征包括功率谱密度各频带能量、重心频率及均方频率（对各信号施行快速傅里叶变换（fft）得到）；所述时频联合特征为对原始信号施行短时傅里叶变换和多尺度小波包分解获得的各节点能量系数。

11、将上述三类特征拼接后经全连接层映射至固定维度d的特征空间，得到多维状态特征向量x∈d。

12、优选的，所述生成器的编码器由多层多头自注意力模块与前馈网络交替堆叠构成，编码器中还包含跨模态注意力子层，所述跨模态注意力子层以油中溶解气体特征子向量为查询query、以局部放电特征子向量为键key与值value，对多源异构信号实施跨模态依赖建模；所述解码器由多层全连接网络与层归一化交替构成。

13、优选的，所述判别器的每一卷积层在权重矩阵上施行谱归一化处理，以约束判别器的lipschitz常数不超过1；所述判别器为深度残差卷积网络，包含不少于4个残差块，每个残差块由两层带谱归一化的卷积层及跳跃连接构成。

14、优选的，所述改进生成对抗网络的生成器损失函数含正交权重正则化项，其表达式为：

15、

16、其中，为原始重构损失，为潜在一致性损失，为基于wasserstein距离的生成器对抗损失项，为正交权重正则化项，α、β、γ、δ分别为重构损失系数、潜在一致性损失系数、生成器对抗损失系数和正交权重正则化系数，取值范围分别为：α,β,γ∈(0,10]，δ∈[0.001,0.1]。

17、优选的，所述改进生成对抗网络的判别器总损失在wasserstein对抗损失基础上引入梯度惩罚项和重构约束项，其表达式为：

18、

19、其中，为判别器wasserstein对抗损失项，表示取数学期望（式中以方括号标示），e(·)为编码器映射（式中以圆括号标示），g(·)为解码器映射，为真实样本与重构样本之间的随机线性插值点，λ为梯度惩罚系数，λ∈[1,20]，ε为判别器损失中的重构约束系数，ε∈[0,1]。

20、具体地，步骤s3的改进生成对抗网络构建与训练中，所述改进生成对抗网络包括生成器和判别器d(·)，并采用仅含正常样本的多维状态特征向量进行无监督训练。

21、（1）生成器的构建：生成器采用编码器-解码器架构。编码器e(·)的结构如图4所示，其由l层（l≥4）transformer模块顺序堆叠构成，每一层transformer模块内部采用预层归一化加残差连接的串行结构，依次包含以下三个子层：

22、a.多头自注意力（mhsa）子层：输入特征向量先经层归一化（layernorm），然后通过三组独立线性投影矩阵、、分别生成查询矩阵q、键矩阵k、值矩阵v；将q、k、v沿注意力头维度分割为h个头（h=8），每个头在=d/h维子空间内独立执行缩放点积注意力计算：

23、

24、其中，、、分别为第i个注意力头的查询矩阵、键矩阵和值矩阵，为每个注意力头的子空间维度。将各头输出拼接后经线性投影矩阵映射回原始维度，再通过残差连接得到mhsa子层输出。

25、b.跨模态注意力（cma）子层：以mhsa子层输出为基础，将输入特征向量中对应dga多组分浓度（h2、ch4、c2h2、c2h4、c2h6、co、co2共7维）的子向量作为查询矩阵，将对应局部放电超声信号和超高频信号的子向量作为键矩阵和值矩阵，执行跨模态注意力计算：

26、

27、其中，为油中溶解气体特征子向量构成的查询矩阵，、分别为局部放电特征子向量构成的键矩阵和值矩阵。dga特征的查询向量主动从局部放电特征中检索具有强共现关系的异常模式，实现dga气体组分与局部放电脉冲之间的跨模态关联建模。

28、c.位置前馈网络（pffn）：对cma子层输出施加两层线性变换与relu激活，隐层维度256维，通过残差连接完成第l层transformer模块的前向传播。编码器将mhsa对全维度的全局自相关性建模与cma对dga-pd的跨模态特异性关联有机结合，使模型同时具备模态内长程依赖捕捉与模态间因果关联推理的能力。

29、需要指出的是，当输入特征向量仅含单一模态数据（如仅油中溶解气体浓度数据）时，跨模态注意力子层因无跨模态键值对可供查询而退化为恒等映射，此时编码器退化为多头自注意力子层与位置前馈网络交替堆叠的结构，生成器其余构成及训练机制不变。

30、编码器顶层输出即为潜在表征z∈m（m

31、（2）判别器d(·)的构建：判别器的结构如图6所示，采用深度残差卷积网络，用于区分真实特征向量与生成器重构的特征向量。具体结构如下：

32、a输入二维重构：d维（d=128）特征向量x经可学习线性投影重构为二维特征图（=16，=8），使特征维度间隐含的空间排列关系显式化，其中为特征图通道数，为特征图长度；

33、b.残差块堆叠：串联4个残差块（残差块数量不少于4个），通道数依次为[64,128,256,512]，卷积核大小3×3。残差块的结构如图3所示，每个残差块内部采用卷积→leakyrelu（负斜率取0.2）→卷积的结构，通过跳跃连接相加；

34、c.谱归一化（sn）：在每个残差块的卷积操作前对权重矩阵w施加谱归一化约束：，其中为w的最大奇异值（谱范数），v为单位球面上的任意向量。谱归一化通过幂迭代法高效计算最大奇异值，将判别器每层映射的lipschitz常数限制在1以内，防止判别器权重矩阵谱范数无限增长导致的梯度爆炸，与梯度惩罚项协同稳定训练过程；

35、d.输出层：第4个残差块输出经全局平均池化后由全连接层映射为标量真实度评分d(x)；同时提取第4个残差块前卷积层的中间特征图作为判别器特征距离评分的计算依据。

36、（3）训练目标函数：为克服标准gan训练中梯度消失与模式崩溃问题，本发明在wasserstein gan框架下构建含梯度惩罚项、重构约束项以及正交权重正则化项的综合损失函数。生成器总损失的表达式为：

37、

38、其中，为原始重构损失，度量输入特征向量x与重构特征向量之间的l1差异；为潜在一致性损失，度量原始编码潜在表征与重构二次编码潜在表征间的l2距离，防止生成器在潜在空间记忆训练样本噪声；为生成器对抗损失项，基于wasserstein距离使重构样本分布逼近真实样本分布；为正交权重正则化项，用于防止生成器过拟合；α、β、γ、δ分别为重构损失系数、潜在一致性损失系数、生成器对抗损失系数和正交权重正则化系数，取值范围分别为：α,β,γ∈(0,10]，δ∈[0.001,0.1]；上述各式中表示对训练样本分布取数学期望（式中以方括号标示）。

39、判别器总损失在wasserstein对抗损失基础上引入梯度惩罚项和重构约束项，其表达式为：

40、

41、式中，为判别器wasserstein对抗损失项（即真实样本判别评分与重构样本判别评分之差的期望），表示取数学期望（式中以方括号标示），e(·)为编码器映射（式中以圆括号标示），g(·)为解码器映射，为真实样本与重构样本之间的随机线性插值点，λ为梯度惩罚系数（λ∈[1,20]），ε为判别器损失中的重构约束系数（ε∈[0,1]）；训练过程中判别器更新步数与生成器更新步数之比设为5:1。

42、正交权重正则化项：为防止生成器在仅含正常样本的无监督训练中过度拟合训练样本的噪声细节而丧失泛化能力，本发明在生成器损失中引入正交权重正则化（owr）项，对生成器网络内所有可学习权重矩阵（l=1,2,…,l，l为权重矩阵层数）施加近正交约束，正交权重正则化项的表达式为：

43、

44、其中，为生成器第l层可学习权重矩阵，为frobenius范数，i为单位矩阵。该正则化项迫使每层权重矩阵的列向量之间趋向正交，从而限制权重矩阵谱范数的增长速度，维持深层网络中的梯度传播稳定性，抑制生成器对训练样本噪声细节的过拟合，迫使生成器学习更具泛化性的特征表示。正交权重正则化与判别器侧的谱归一化形成双边约束：谱归一化从输入输出映射角度约束判别器，正交正则化从参数空间角度约束生成器，二者协同提升gan整体训练的稳定性与泛化性。

45、（4）改进生成对抗网络的训练：在步骤s3正式训练前，采用同型号变压器的常规正常运行数据对改进生成对抗网络进行预训练，以提升小样本场景下的收敛速度与泛化能力。

46、优选的，所述动态调整融合权重的过程为：根据当前运行工况状态计算对应工况敏感系数，并依据所述工况敏感系数按下式确定重构误差评分r(x)与判别器中间层特征距离评分f(x)的融合权重，进而得到综合异常分数：

47、

48、

49、其中，c表示当前运行工况状态；κ1(c)与κ2(c)为根据当前运行工况状态计算的对应工况敏感系数，且满足κ1(c)≥0，κ2(c)≥0，κ1(c)+κ2(c)>0，此时融合权重满足w1(c)+w2(c)=1，w1(c)≥0，w2(c)≥0。

50、具体地，步骤s4的工况感知动态异常评分计算中，将待检测样本的多维状态特征向量x输入训练完成的改进生成对抗网络，分别计算重构误差评分r(x)与判别器中间层特征距离评分f(x)：

51、

52、

53、式中，=g(e(x))为重构特征向量，表示判别器第k层的特征映射输出。

54、考虑到主变压器在不同负荷率、温升水平及电压波动条件下，各类监测信号统计分布及异常敏感性存在差异，本发明引入工况感知动态权重分配机制。根据当前运行工况状态c计算对应工况敏感系数，并依据工况敏感系数按下式确定重构误差评分与判别器特征距离评分的融合权重，进而得到综合异常分数：

55、

56、

57、其中，c表示当前运行工况状态；κ1(c)与κ2(c)为根据当前运行工况状态计算的对应工况敏感系数，且满足：，此时融合权重满足w1(c)+w2(c)=1，w1(c)≥0，w2(c)≥0。

58、在高负荷波动运行工况下，提高判别器特征距离评分f(x)的权重，以增强对局部异常模式变化的敏感性；在低负荷稳定运行工况下，提高重构误差评分r(x)的权重，以增强对微弱异常扰动的检测能力。工况敏感系数κ1(c)、κ2(c)通过历史正常运行数据统计建模或验证集优化方式确定，并据此归一化得到融合权重w1(c)、w2(c)。

59、优选的，所述工况感知自适应阈值模型采用工况感知分层阈值与极值理论相结合的方法构建：依据当前负荷率将变压器运行工况划分为轻载（<30%额定负荷）、正常（30%～80%）、重载（>80%）三档，对各工况维护独立的历史正常样本（长度为t）异常分数滑动窗口；在各工况窗口内，选取窗口内异常分数序列的高分位数（如90%分位数）作为初始阈值ui，对超过初始阈值ui的超出量序列拟合广义帕累托分布gpd，根据目标误报率α0由gpd分位数函数确定对应工况下的动态阈值thi，i∈{轻载，正常，重载}；thi的表达式为：

60、

61、其中，ui为第i档工况的初始阈值，α0为目标误报率，σi与ξi分别为gpd的尺度参数与形状参数，ni为窗口内样本总数，nu,i为超过初始阈值ui的样本数；所述分级警告按综合异常分数s超出所属工况动态阈值thi的程度分级触发，具体为：当thi1.5thi时触发三级警告。

62、当待检测样本综合异常分数s>thi（其中i对应当前工况）时，判定变压器存在异常状态，并按s超出thi的程度触发分级警告；同时通过解析生成器编码器各层多头自注意力权重矩阵及跨模态注意力权重，生成面向各监测信号的异常信号定位结果及分级警告信息。

63、另一方面，本发明提供一种与上述方法对应的基于改进生成对抗网络的主变压器异常检测装置，包括：

64、数据采集模块，用于实时采集主变压器运行过程中的油中溶解气体浓度数据、局部放电检测信号以及电气参量数据，构成多源原始监测数据集；

65、特征提取模块，用于对所述多源原始监测数据集分别提取时域统计特征、频域谱特征及时频联合特征，并将提取结果进行融合，形成多维状态特征向量x；

66、模型训练模块，用于构建改进生成对抗网络，所述改进生成对抗网络包括生成器和判别器d(·)，所述生成器采用编码器-解码器架构，所述生成器的编码器包括多头自注意力子层与跨模态注意力子层，编码器e(·)将所述多维状态特征向量x映射为潜在表征z，解码器g(·)将所述潜在表征z映射为重构特征向量；并仅采用正常运行样本的多维状态特征向量，采用含梯度惩罚项的wasserstein损失函数对所述改进生成对抗网络进行无监督训练；

67、异常评分模块，用于将待检测样本的多维状态特征向量输入训练完成的改进生成对抗网络，分别计算重构误差评分r(x)与判别器中间层特征距离评分f(x)；根据主变压器当前运行工况状态，动态调整重构误差评分r(x)与判别器中间层特征距离评分f(x)的融合权重，得到工况感知综合异常分数s；

68、阈值判决与定位模块，用于基于极值理论中的广义帕累托分布gpd构建工况感知自适应阈值模型，并将所述工况感知综合异常分数s与当前运行工况对应的自适应阈值进行比较；当所述综合异常分数s超过当前工况对应的自适应阈值时，判定主变压器存在异常状态，并通过解析所述多头自注意力子层与所述跨模态注意力子层的注意力权重，输出异常信号来源定位结果及分级警告信息。

69、本发明的有益效果是，

70、（1）本发明采用改进生成对抗网络，仅需正常样本即可完成无监督训练，解决了主变压器运行状态异常样本稀缺条件下监督方法难以训练的问题；

71、（2）本发明将多头自注意力与跨模态注意力引入生成器编码器，有效捕捉多源异构信号不同维度间的长程依赖与跨模态相关性，克服了对多源信号关联建模能力不足的问题；同时通过解析注意力权重可定位异常信号来源，使检测结果具有可解释性；

72、（3）本发明在判别器中采用谱归一化约束并配合含梯度惩罚项的wasserstein损失，将判别器各层映射的lipschitz常数限制在1以内，抑制了gan训练中的梯度消失与模式崩溃问题，提高了训练稳定性；进一步在生成器损失中引入正交权重正则化项，有效防止生成器在无监督训练中的过拟合，提升了模型泛化能力；

73、（4）本发明采用工况感知动态评分融合机制，根据运行工况自适应调整重构误差评分与判别器特征距离评分的融合权重，并引入基于极值理论的工况自适应分层阈值，使判决阈值随负荷率变化自动调整，克服了固定阈值不适应工况变化导致的误报率、漏报率偏高问题；

74、（5）本发明从特征融合（跨模态注意力）、训练稳定性（谱归一化加梯度惩罚）、过拟合抑制（正交权重正则化）、异常评分（工况感知动态融合）和阈值判决（evt分层自适应）五个维度进行系统性改进，五项机制相互依赖而非简单叠加：跨模态注意力为双重评分提供可靠的多源特征表征，谱归一化和正交权重正则化保证特征提取过程不因gan训练不稳定性而退化，工况感知动态加权确保评分在不同运行条件下均保持物理意义，evt分层阈值则将评分转化为可量化的误报率控制。