一种时序预测模型的训练方法、检测方法、装置及设备与流程

本发明涉及电力变压器故障检测，尤其涉及一种时序预测模型的训练方法、检测方法、装置及设备。

背景技术：

1、电力变压器是电力系统中承担电能传输和分配任务的核心设备，其安全稳定运行直接影响电网可靠性。随着配电网中分布式光伏、风电、电动汽车充电桩等具有高度随机性与间歇性的新型能源与负荷规模化接入，电力系统的运行工况日趋复杂多变，对变压器的可靠性和安全性提出了更高的要求。一旦变压器发生故障，可能导致大面积停电事故，造成巨大的经济损失和社会影响。因此，实现变压器故障的早期、精准检测，对于保障电力系统安全运行具有重要意义。

2、传统的变压器故障检测主要依靠人工巡检和定期预防性试验，通过分析变压器油中溶解气体的组分和含量来判断故障类型，如iec三比值法、rogers比值法等。这类方法严重依赖人工经验，检测周期长，难以实时捕捉突发性故障，且在面对复杂多变的运行工况时，仅依靠单一气体数据源的简单比值规则难以实现高精度的故障判别。随着人工智能技术的快速发展，基于深度学习的变压器故障检测方法逐渐成为研究热点，通过构建深度神经网络模型自动提取故障特征并进行分类，在一定程度上提升了故障检测的自动化水平和准确率。

3、然而，现有的基于深度学习的变压器故障检测方法仍然面临以下关键挑战。首先，变压器故障数据呈现出显著的时序长短依赖共存特性——突发性故障（如局部放电、电弧放电）对应油中溶解气体浓度的瞬时突变，表现为短时依赖关系，而设备长期老化（如绝缘材料缓慢劣化）对应气体浓度的长期缓慢趋势变化，表现为长期依赖关系。现有方法大多采用单一的卷积神经网络或单一的循环神经网络结构，卷积神经网络受限于局部感受野，难以捕捉长距离时序依赖，而单一循环神经网络在序列较长时存在梯度消失和长期记忆衰减的问题，两者均难以同时兼顾两种尺度的时序特征提取，导致对复杂故障模式的识别能力有限。其次，现有方法大多仅利用变压器油中溶解气体的分析数据进行故障诊断，而对负载电流、顶层油温、绕组温度、环境温湿度等非气体辅助数据的利用严重不足，这些辅助数据蕴含了变压器运行工况和外部环境的关键信息，在复杂工况下对提高诊断的鲁棒性和准确性至关重要，但现有模型缺乏有效融合此类多源异构数据的机制。此外，现有方法在特征融合阶段通常采用简单的向量拼接或固定门控方式进行局部特征和时序特征的融合，未能根据特征的实际内容进行动态的、基于内容的智能交互融合，导致融合后的特征判别性不足。

技术实现思路

1、本技术提供的一种时序预测模型的训练方法、检测方法、装置及设备，解决了现有深度学习模型难以同时兼顾变压器故障数据的短期突变特征和长期趋势依赖的问题。

2、第一方面，本技术提供了一种时序预测模型的训练方法，包括：

3、获取包含气体数据和非气体辅助数据的变压器的多源运行数据，构建原始特征集，并对所述原始特征集进行降维处理，得到特征向量；

4、将所述特征向量输入预设时序预测模型进行迭代训练，直至满足预设收敛条件，获得训练后的时序预测模型；其中，每次迭代时，通过并行的多尺度卷积网络对输入的特征向量提取多尺度局部特征，将所述多尺度局部特征依次经过门控循环单元和门控残差连接后输入编码器，得到时序特征，对所述多尺度局部特征和所述时序特征进行交叉注意力融合，得到综合特征向量，并基于所述综合特征向量进行分类预测，输出故障类型预测结果，根据所述故障类型预测结果与真实故障标签的差异更新所述多尺度卷积网络、所述门控循环单元和所述编码器的参数。

5、本技术通过变压器的多源运行数据作为输入，相比于单一气体数据源能够为故障诊断提供更全面的判断依据；通过多尺度卷积网络与门控循环单元、编码器的配合，使得模型能够同步捕捉故障数据的短期突变特征和长期趋势特征，解决了现有深度学习模型难以同时兼顾两种尺度时序依赖的问题；通过交叉注意力融合机制，使得局部特征与时序特征能够进行基于内容的交互融合，提升了特征融合的有效性；通过迭代训练过程中基于分类预测与真实标签的差异反向更新模型参数，实现了模型训练过程的端到端闭环优化。

6、进一步地，所述将所述多尺度局部特征依次经过门控循环单元和门控残差连接后输入编码器，包括：由所述门控循环单元对所述多尺度局部特征进行短期时序编码，得到所述门控循环单元的输出序列；将所述门控循环单元的输出序列与所述门控循环单元的输入序列进行维度对齐后，计算门控信号，通过所述门控信号对所述门控循环单元的输出序列与所述门控循环单元的输入序列进行加权融合，将融合后的序列输入所述编码器。

7、本技术通过门控循环单元先对多尺度局部特征进行短期时序编码，再通过可学习的门控信号动态控制门控循环单元的输出与原始输入的信息融合比例，使得模型能够根据当前时序数据的实际特征自适应地决定保留多少短期编码信息和多少原始输入的长期信息，既解决了传统门控循环单元难以处理长序列依赖的问题，又保留了其在短时建模上的效率优势。

8、进一步地，所述对所述多尺度局部特征和所述时序特征进行交叉注意力融合，得到综合特征向量，包括：对所述多尺度局部特征和所述时序特征分别进行全局平均池化，得到局部特征向量和时序特征向量；以所述局部特征向量为查询、所述时序特征向量为键和值，通过可学习权重矩阵投影后进行注意力计算，得到门控局部特征；将所述门控局部特征与所述时序特征向量进行拼接，得到融合向量；对所述融合向量进行自适应加权，得到所述综合特征向量。

9、本技术通过替代传统的简单拼接或固定门控方式，实现了基于内容的智能特征交互融合，并在输出分类前对融合向量进行自适应加权，能够抑制简单拼接可能带来的冗余和噪声，突出与故障类型判别相关性更高的关键特征模式，提升所述综合特征向量的判别能力和分类结果的准确性。

10、进一步地，所述通过并行的多尺度卷积网络对输入的特征向量提取多尺度局部特征，包括：分别以第一尺度、第二尺度和第三尺度对所述特征向量进行特征提取，所述第一尺度用于提取短期局部特征，所述第二尺度用于提取中期局部特征，所述第三尺度用于提取长期局部特征，将所述三种尺度的局部特征在通道维度进行合并。

11、本技术通过三种不同尺度的多尺度卷积网络进行特征提取，能够分别捕捉输入数据中的短期局部突变特征、中期局部变化特征和长期局部趋势特征，使得模型在特征提取阶段就能同步获得多时间尺度的局部信息。

12、进一步地，在将所述多尺度局部特征输入所述门控循环单元之前，还包括：对所述多尺度局部特征依次应用通道注意力机制和空间注意力机制进行加权筛选，将加权筛选后的所述多尺度局部特征输入所述门控循环单元。

13、本技术通过在进入时序编码前对多尺度局部特征进行通道和空间两个维度的注意力筛选，使得模型能够自适应地评估和增强与故障判别更相关的特征，过滤无关信息，提高后续时序编码的输入质量。

14、进一步地，所述获取包含气体数据和非气体辅助数据的变压器的多源运行数据，构建原始特征集，并对所述原始特征集进行降维处理，得到特征向量，包括：采集变压器的多源运行数据，所述气体数据包括油中溶解的多种气体的浓度数据，所述非气体辅助数据包括负载电流、电压波动率、顶层油温、绕组温度、环境温度和环境湿度，每种气体的浓度和每种非气体辅助数据各作为一维特征，构成第一特征集；根据气体比值法，将所述多种气体中每两种气体的浓度比值构成一维特征，将得到的若干维气体比值特征并入所述第一特征集，获得所述原始特征集；对所述原始特征集的每一维特征进行标准化处理后，基于协方差矩阵的特征值分解结果确定各维特征的综合贡献度，按所述综合贡献度排序后选取预设数量维的特征作为所述特征向量。

15、本技术通过同时采集气体数据和非气体辅助数据，能够从变压器内部化学状态和外部运行工况两个维度获取多源信息；通过引入气体比值法扩展特征并结合主成分分析降维，能够从更全面的维度挖掘故障特征信息，同时降低模型的输入复杂度，避免低贡献或噪声特征对故障诊断模型造成干扰，并能够在降维的同时保留原始特征的物理含义。

16、进一步地，在将所述特征向量输入所述预设时序预测模型进行迭代训练之前，还包括：采用预设的启发式优化算法对所述预设时序预测模型的超参数进行全局优化，确定最优超参数组合；使用所述最优超参数组合配置所述预设时序预测模型。

17、本技术通过对所述预设时序预测模型的关键超参数进行全局寻优，克服了传统人工经验和网格搜索方法容易陷入局部最优的局限，确保所述预设时序预测模型的性能得到充分发挥。

18、本技术还提供了一种变压器故障检测方法，包括：获取待测变压器的多源运行数据；将所述多源运行数据输入根据上述训练方法而获得的时序预测模型；根据所述时序预测模型的输出确定变压器故障类型，所述故障类型包括正常、中低温过热、高温过热、局部放电、低能放电和高能放电。

19、本技术通过将训练好的时序预测模型应用于实际的变压器故障检测，能够利用所述时序预测模型在训练阶段学到的多尺度局部特征提取能力、短期突变与长期趋势同步捕捉能力以及基于内容的智能特征融合能力，对待测变压器进行上述六种故障类型的快速、准确判断。

20、本技术还提供了一种时序预测模型的训练装置，包括：数据获取模块，用于获取包含气体数据和非气体辅助数据的变压器的多源运行数据，构建原始特征集，并对所述原始特征集进行降维处理，得到特征向量；模型训练模块，用于将所述特征向量输入预设时序预测模型进行迭代训练，直至满足预设收敛条件，获得训练后的时序预测模型；其中，每次迭代时，通过并行的多尺度卷积网络对输入的特征向量提取多尺度局部特征，将所述多尺度局部特征依次经过门控循环单元和门控残差连接后输入编码器，得到时序特征，对所述多尺度局部特征和所述时序特征进行交叉注意力融合，得到综合特征向量，并基于所述综合特征向量进行分类预测，输出故障类型预测结果，根据所述故障类型预测结果与真实故障标签的差异更新所述多尺度卷积网络、所述门控循环单元和所述编码器的参数。

21、本技术还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述时序预测模型的训练方法，或实现上述变压器故障检测方法。