基于机器学习的智能电能计量箱电气故障检测方法与流程

本发明涉及电能计量箱故障检测，具体为基于机器学习的智能电能计量箱电气故障检测方法。

背景技术：

1、智能电能计量箱作为低压配电系统的末端关键设备，其运行可靠性直接影响用电安全和计量准确性。现有的电能计量箱电气故障检测主要依赖定期人工巡检、红外热成像普查和简单的电气参数阈值比较方法。人工巡检效率低、主观性强，难以发现早期潜伏性绝缘缺陷。基于稳态电气量的阈值诊断方式仅能捕捉严重偏离额定范围的显性故障，无法从电压瞬态波形、谐波分量动态演变和零序电流时频特征中提取绝缘劣化和接触电阻变化的早期微弱征兆。深度学习等数据驱动方法近年来被引入电气设备故障诊断，但需要大量涵盖各类故障模式的标注样本进行监督训练。电能计量箱故障种类多、发生频率低，实际仅能积累极少量的故障样本，且负荷工况、环境温度等运行条件频繁变动，导致基于大量样本训练的传统深度学习模型在跨工况场景下的泛化能力显著下降。

2、如何从多维度电气量中获取能敏感表征绝缘劣化和接触电阻变化过程的隐性特征量，以及在标注样本稀缺、运行工况时变的条件下实现准确的故障模式辨识，是电能计量箱智能故障检测方法所需解决的关键问题。

技术实现思路

1、本发明提供一种基于机器学习的智能电能计量箱电气故障检测方法，旨在通过多物理场信号特征重构提取绝缘劣化和接触电阻变化的隐性特征，并结合深度稀疏自编码网络的非监督学习和元迁移卷积神经网络的小样本跨工况匹配，提升电能计量箱早期电气故障检测的灵敏度和变工况适应性。

2、为了实现上述目的，本发明提供如下技术方案：本发明涉及一种基于机器学习的智能电能计量箱电气故障检测方法，该方法能够对电能计量箱运行过程中产生的多种电气信号进行深度挖掘与智能分析，有效提升对绝缘劣化、接触电阻异常等早期潜伏性故障的识别能力和跨工况泛化性能。

3、该方法包括以下步骤：采集电能计量箱输入端和输出端的电压瞬态波形数据、电流谐波分量数据以及零序电流时域数据，生成多维电气特征原始矩阵。通过对多维电气特征原始矩阵进行多物理场信号特征重构，提取反映绝缘劣化和接触电阻变化的隐性特征，生成时频域融合特征图谱。具体而言，对电压瞬态波形数据执行基于完全自适应噪声集合经验模态分解的时域重构，分离出反映局部放电特征的高频模态分量；对电流谐波分量数据执行基于同步挤压小波变换的频域特征增强，提取各次谐波幅值的瞬时变化轨迹；对零序电流时域数据执行基于s变换的时频联合分析，生成泄漏电流的时间-频率-幅值三维矩阵；并将高频模态分量、瞬时变化轨迹以及三维矩阵在特征维度上进行对齐和拼接，形成时频域融合特征图谱。该图谱在单一数据域内融合了时域、频域和时频域的多尺度表征，能够从瞬态、谐波和漏电流层面综合揭示绝缘状态和接触特性的微弱变化。

4、基于时频域融合特征图谱，采用动态深度稀疏自编码网络进行非监督式异常表征学习，生成故障敏感特征张量。作为优选的技术方案，构建由输入层、三个稀疏编码隐藏层和输出层组成的深度稀疏自编码网络，设置各隐藏层的稀疏性约束参数，对时频域融合特征图谱进行逐层无监督预训练，学习重构误差最小的隐含层特征表示；在预训练完成后，冻结编码器部分的网络权重，利用解码器输出的重构信号与原始输入信号的残差计算每个特征维度的异常贡献度；将异常贡献度高于预设阈值的特征维度进行保留和重组，滤除冗余特征，构成故障敏感特征张量。通过逐层贪婪训练策略和稀疏性约束，网络能够自动学习出对故障具有高度敏感性和区分度的隐含表达，显著抑制背景噪声和环境干扰，使得提取的张量对微弱故障征兆具有更高响应。

5、基于故障敏感特征张量，利用小样本学习的元迁移卷积神经网络进行跨工况故障模式匹配，生成初始故障类别预测概率分布。优选的，将故障敏感特征张量输入至元迁移卷积神经网络的特征提取骨干网络，该骨干网络包含四个卷积块和一个全局平均池化层，输出表示故障类型初步识别的嵌入向量；在特征提取骨干网络之后连接一个关系推理模块，该模块由两个全连接层构成，接收嵌入向量并与支持集中各故障类型的原型向量计算相似度分数；对相似度分数执行softmax归一化，生成初始故障类别预测概率分布。上述过程通过元学习范式下的关系推理，能够在仅有少量故障样本的条件下实现准确的跨工况故障匹配，避免因负荷变化或环境差异导致的误判。

6、为提升检测结果的可靠性和环境适应性，所述方法还包括：基于初始故障类别预测概率分布，结合实时监测的环境温度数据和负荷波动数据，通过核密度估计贝叶斯修正模型进行置信度校准，生成最终电气故障检测结果。具体的，获取初始故障类别预测概率分布中的最大概率值及对应的故障类别标识，作为初步判断依据；利用实时监测的环境温度数据和负荷波动数据，构建该工况下的故障先验概率核密度估计函数；将初步判断依据作为观测证据，与故障先验概率核密度估计函数输入至贝叶斯修正模型，计算后验概率值；根据后验概率值动态调整故障判断阈值，当调整后的后验概率超过修正阈值时，将故障类别标识输出为最终电气故障检测结果。其中，构建故障先验概率核密度估计函数时，优选的，从历史故障数据库中筛选出与实时监测的环境温度数据和负荷波动数据处于相同数值区间的故障记录，构成工况匹配样本集，并采用高斯核函数对工况匹配样本集中各类故障的发生频次进行概率密度估计，生成故障先验概率核密度估计函数；在贝叶斯修正中，将故障类别标识作为随机事件，以初始故障类别预测概率作为该事件的先验似然值，依据贝叶斯定理将故障先验概率核密度估计函数作为先验概率分布，与先验似然值进行乘积运算并归一化，获得后验概率值。此方式融合了数据驱动的初步预测结果和基于历史工况分布的先验知识，有效降低了由于训练数据与现场环境失配造成的虚警率，使故障检测结果在多变运行条件下保持较高置信度。

7、通过上述多步骤协同，本发明实现了对电能计量箱电气故障的全链条智能检测，从多物理场信号采集、隐性特征重构、异常表征学习到小样本故障匹配和贝叶斯置信度校准，各环节相互配合，整体上具备对绝缘劣化和接触电阻变化等早期故障的高灵敏度、强鲁棒性和跨工况泛化能力，满足智能电能计量箱在线监测的实际需求。

8、在上述技术方案中，本发明提供的技术效果和优点：

9、通过对电压瞬态波形数据执行完全自适应噪声集合经验模态分解，分离出反映局部放电特征的高频模态分量；对电流谐波分量数据执行同步挤压小波变换，提取各次谐波幅值的瞬时变化轨迹；对零序电流时域数据执行s变换，生成泄漏电流的时间-频率-幅值三维矩阵；将上述三种不同物理场域的信号特征在维度上对齐拼接，形成时频域融合特征图谱。该特征图谱融合了局部放电高频分量、谐波动态变化和零序电流时频分布等多尺度信息，能够同步捕捉绝缘劣化产生的瞬态放电征兆和接触电阻变化引起的非线性谐波调制现象，克服了单一电气量或常规频谱分析对隐性故障特征表征不充分、特征维度单一的局限，使绝缘劣化和接触电阻渐变过程在特征空间中具有更显著的可分性。

10、采用由输入层、三个稀疏编码隐藏层和输出层组成的深度稀疏自编码网络，对时频域融合特征图谱进行逐层无监督预训练，通过kl散度惩罚项约束隐藏层神经元的激活概率，迫使网络学习重构误差最小的隐含层特征表示；在预训练后计算每个特征维度的异常贡献度，保留并重组高贡献度特征，滤除冗余信息，生成故障敏感特征张量。该过程无需故障类别标签，仅利用正常运行状态数据即可构建异常表征空间，有效缓解电能计量箱故障样本难以大量获取的问题。在此基础上，利用元迁移卷积神经网络的特征提取骨干网络将故障敏感特征张量映射为嵌入向量，通过关系推理模块将嵌入向量与支持集中各故障类型的原型向量进行拼接、非线性映射和相似度计算，经softmax归一化生成初始故障类别预测概率分布。元迁移卷积神经网络在小样本条件下通过度量学习和迁移特征表示实现跨工况故障模式匹配，避免了对大规模标注数据的依赖，在不同负荷工况和环境温度下均能保持稳定的故障辨识能力。