基于TabPFN与因果关联的可解释变压器故障诊断方法

本发明涉及变压器故障诊断，具体涉及一种基于tabpfn与因果关联的可解释变压器故障诊断方法。

背景技术：

1、油中溶解气体分析（dissolved gas analysis，dga）是油浸式变压器故障诊断的重要手段之一。当变压器内部发生热性故障或放电性故障时，绝缘油及固体绝缘材料会发生分解，产生氢气（h2）、甲烷（ch4）、乙烷（c2h6）、乙烯（c2h4）、乙炔（c2h2）等特征气体。通过检测这些气体的组分与含量，能够有效识别设备内部的潜伏性故障，保障电力系统的安全稳定运行。

2、目前，基于dga的变压器故障诊断方法主要分为两类：一类是传统比值法，如iec三比值法、罗杰斯比值法、杜瓦尔三角形法等。这些方法通过计算特征气体之间的比值，对照编码规则判断故障类型，具有物理意义明确、易于理解的优点。然而，传统比值法存在诊断边界模糊、编码覆盖不全等问题，当气体浓度接近阈值边界时容易出现误判。

3、另一类是基于机器学习的智能诊断方法，如支持向量机、随机森林、极限梯度提升等。这类方法通过构建特征与故障类型之间的映射关系，能够自动学习数据中的复杂模式，在一定程度上提高了诊断准确率。然而，现有智能诊断方法仍存在以下不足：

4、（1）小样本适应性不足且超参数调优困难：变压器故障属于稀发事件，实际工程中难以获取大量带标签的故障样本。传统机器学习模型不仅依赖大规模训练数据，其诊断性能还高度依赖于超参数的选择，往往需要反复调试才能达到理想效果，在样本稀缺场景下诊断稳定性较差。

5、（2）可解释性局限于关联分析层面，缺乏因果推断能力。现有方法多采用shap等事后解释技术进行特征重要性分析，能够有效回答哪些特征对诊断结果贡献较大的问题，为模型决策提供了有价值的局部解释。然而，这类方法主要聚焦于特征与故障类型之间的统计关联分析，难以进一步揭示气体变量之间深层次的因果演化关系，无法从机理层面完整解释故障发生的内在过程。

技术实现思路

1、针对现有技术中小样本条件下诊断稳定性不足以及可解释性局限于相关性分析的问题。本发明提供一种融合表格先验数据拟合（tabular prior-data fitted network，tabpfn）与因果关联的可解释变压器故障诊断方法，该方法利用tabpfn在小样本条件下的稳定诊断能力，克服传统方法对大规模标注数据的依赖；同时构建从关联解释到因果解释的多层次可解释框架，其中kernelshap用于量化特征贡献、提供局部决策解释，notears算法进一步挖掘气体变量间的因果演化网络、揭示故障机理的内在关联，从而为诊断结果提供从特征贡献到因果链条的完整可追溯依据。

2、本发明采取的技术方案为：

3、基于tabpfn与因果关联的可解释变压器故障诊断方法，包括以下步骤：

4、s1：采集油浸式变压器油中溶解气体浓度数据，构建包含特征气体及对应故障类型标签的初始样本集，并将该初始样本集划分为训练集和测试集；

5、s2：基于所述训练集，采用表格先验数据拟合网络tabpfn构建故障诊断模型，并在多种小样本不平衡验证场景下，评估该故障诊断模型的诊断稳定性；

6、s3：对所述测试集的特征气体数据进行t-sne降维，并结合轮廓系数分析不同故障类型在特征空间中的分布规律与可分离程度；

7、s4：引入kernelshap方法对所述故障诊断模型的诊断结果进行局部可解释性分析，量化各特征气体对故障类型判定的贡献度；

8、s5：采用notears算法构建不同故障类型下各特征气体变量之间的因果关联网络，并通过特征移除实验验证该因果关联网络中关键因果节点对故障诊断的主导作用。

9、所述s1包括：

10、s1.1：采集油浸式变压器油中溶解气体监测数据，所述特征气体包括氢气h2、甲烷ch4、乙烷c2h6、乙烯c2h4和乙炔c2h2；

11、s1.2：对采集的数据进行清洗以剔除异常值，并按照预设的故障类型进行标注，所述故障类型包括中低温过热故障（t1）、高温过热故障（t2）、局部放电（pd）、低能放电（d1）、高能放电（d2）和正常（n）六类；

12、s1.3：将标注完成的数据集按照预设比例划分为训练集和测试集，构建初始样本集。

13、所述s2中，所述故障诊断模型的构建与推理过程包括：

14、s2.1：基于包含多种数据分布形式的先验分布生成表格数据训练任务，利用transformer模型进行离线预训练，以学习从训练数据集到预测结果的映射关系，从而对贝叶斯后验分布进行近似建模，所述贝叶斯后验分布表示为：

15、；

16、式中，为训练数据集，为待预测样本，为对应标签，表示潜在模型参数；

17、s2.2：在实际诊断时，将训练集与待测样本共同作为上下文输入预训练完成的transformer模型，基于自注意力机制直接输出条件概率分布，其推理过程表示为：

18、；

19、式中，表示预训练完成的transformer模型，为transformer模型经预训练后的参数。

20、并根据最大后验概率原则得到最终预测结果：

21、。

22、所述s2中，评估故障诊断模型的诊断稳定性所采用的评价指标包括准确率accuracy、精准率precision、召回率recall及f1分数，各指标定义如下：

23、；

24、；

25、；

26、；

27、上式中，tp为实际为正类且被正确预测为正类的样本数，tn为实际为负类且被正确预测为负类的样本数，fp为实际为负类但被错误预测为正类的样本数，fn为实际为正类但被错误预测为负类的样本数。

28、所述s2中：多种小样本不平衡验证场景包括轻度不平衡场景、中度不平衡场景和高度不平衡场景，各场景下训练集中不同故障类型样本的比例不同。

29、所述s3包括：

30、s3.1：采用t-sne方法对测试集的原始特征气体数据进行非线性降维，通过最小化高维空间样本相似性概率分布与低维空间对应概率分布之间的kullback-leibler散度，将样本投影至低维空间，其优化目标为：

31、；

32、式中，表示高维空间中样本与样本的相似性概率，表示低维嵌入空间中样本与样本的对应概率；

33、s3.2：引入轮廓系数对降维后的类别结构进行定量评估，所述轮廓系数定义为：

34、；

35、式中，表示样本与同类别其他样本之间的平均距离，表示样本与最近邻异类别所有样本之间的平均距离，轮廓系数取值范围为[-1,1]，其值越大表示分类结果的类间分离度越高、类内紧凑性越好。

36、所述s4包括：

37、s4.1：基于故障诊断模型的预测结果，构建以单个样本为单位的局部解释模型，通过kernelshap方法对特征子集进行加权采样，建立输入特征与模型输出之间的线性近似关系，其解释模型表示为：

38、；

39、式中，为解释模型，为指示特征是否存在的二元向量，为特征气体的总数，为基线值，为第个特征气体对预测结果的边际贡献；

40、s4.2：各特征气体的边际贡献满足shapley值分配原则，其计算形式为：

41、；

42、式中，为全体特征气体集合，，为不包含特征气体的特征子集，为所述故障诊断模型在给定特征子集下的预测函数。

43、所述s4还包括：对不同故障类型样本的特征气体贡献值分布进行统计分析，识别各故障模式下具有正向贡献和负向贡献的关键特征气体，并通过shap依赖图识别关键特征气体对模型输出的阈值效应。

44、所述s5包括：

45、s5.1：基于s1获取的特征气体数据构建变量集合，采用notears算法学习变量之间的结构关系，建立有向无环图形式的因果模型，其结构由加权邻接矩阵表示，并通过优化以下目标函数求解：

46、；

47、式中，为基于数据的拟合损失函数，为稀疏约束项，为正则化系数，用于控制网络结构的稀疏性；

48、s5.2：引入连续可微的无环性约束函数以保证所学习的图结构为有向无环图，所述无环性约束函数为：

49、；

50、式中，表示矩阵的迹，为矩阵指数运算，表示hadamard积，为变量个数。

51、所述s5还包括：

52、s5.3: 分析因果关联网络中边的权重与方向，识别不同故障类型下的关键因果作用关系链；

53、s5.4: 通过特征移除实验验证关键因果节点的主导作用；

54、所述特征移除实验包括：从训练集中移除因果关联网络中识别的关键因果节点所对应的特征气体数据，重新训练并评估故障诊断模型的诊断准确率变化，诊断准确率下降幅度越大，表明该关键因果节点对故障诊断的主导作用越强。

55、本发明一种基于tabpfn与因果关联的可解释变压器故障诊断方法，技术效果如下：

56、1）在小样本及类别不平衡场景下实现高稳定性与高准确率的变压器故障诊断：

57、本发明s2采用tabpfn构建故障诊断模型，该模型通过离线预训练获得通用推理能力，无需针对具体数据集进行重复训练和复杂超参数调优。在多种小样本不平衡验证场景下，模型能够充分利用有限样本信息，保持较高的诊断精度和稳定性，克服了传统机器学习方法在稀见故障样本下易过拟合、泛化能力不足的问题。实施例中整体准确率达89.29%，roc曲线下面积（auc）达0.978，多项指标均优于对比模型，验证了该方法在数据稀缺场景下的优越性能。

58、2）建立了从关联解释到因果解释的多层次可解释框架，实现诊断结果完整可追溯：

59、本发明s4和s5的有机结合，形成了“特征贡献—因果结构”的递进式解释体系。s4基于kernelshap量化各特征气体对单个样本诊断结果的边际贡献，回答“哪些气体影响了本次判断”的问题，属于局部关联解释；s4进一步基于notears算法构建气体变量间的有向无环因果网络，揭示气体演化过程中“谁导致谁”的深层因果关系，并通过特征移除实验验证关键因果节点的主导作用。该框架将模型的解释能力从相关性层面提升至因果推断层面，为运维人员提供了从决策依据到故障机理的完整可追溯证据链，显著增强了诊断结果的可信度。

60、3）提供了故障特征空间分布的可视化与定量验证手段，增强模型可靠性的直观判断：

61、本发明s3通过t-sne降维将高维特征气体数据投影至低维空间，并结合轮廓系数对不同故障类别的聚类紧凑性和分离度进行定量评估。该步骤能够直观展示不同故障类型在特征空间中的决策边界与分布聚集状态，从空间可分离性角度验证模型所学习特征结构的合理性，为诊断模型的有效性提供可视化与定量化的双重支撑，有助于运维人员理解和信任模型判别逻辑。

62、4）实现了关键特征气体的阈值效应识别，为设备状态检修提供精准决策依据：

63、本发明s4不仅给出了各特征气体的shapley值贡献大小，还进一步通过shap依赖图识别出关键特征对模型输出的阈值效应。例如，可以明确当乙烯（c2h4）浓度超过某一阈值时，其对中低温过热故障判定的正向贡献显著增加。这种阈值发现能力能够帮助运维人员精确把握特征气体的预警边界，将“黑箱”模型输出转化为可操作的状态监测规则，提升故障早期预警的精准度与及时性。

64、5）揭示了气体演化过程的因果拓扑结构，为变压器故障机理分析提供结构化依据：

65、本发明s5利用notears算法学习到满足有向无环图约束的加权邻接矩阵，从而构建出不同故障类型下特征气体之间的因果关联网络。通过分析网络中边的权重和方向，可以挖掘出诸如“甲烷（ch4）与乙烷（c2h6）的变化是乙烯（c2h4）变化之因，进而驱动故障状态”的因果演化链。这一结构化的因果模型从物理过程层面解释了故障发生时油中溶解气体的内在生成与转化关系，克服了传统相关性分析无法判别因果方向的缺陷，为变压器的故障根因分析和运维策略制定提供了深入的机理层面支持。