一种基于机器学习的变压器组件故障诊断方法与流程

本发明涉及电力设备监测与故障诊断技术，尤其涉及一种基于机器学习的变压器组件故障诊断方法。

背景技术：

1、随着电力系统规模的不断扩大和智能运维需求的提升，变压器作为电力系统核心设备，其安全运行直接关系到供电可靠性。传统的变压器状态监测主要依赖人工巡检或单一传感器数据采集，包括电气信号、温度、机械振动及局部放电检测等，通常通过经验或固定阈值判断设备运行状态。这类方法在处理多源时序数据时缺乏对时间连续性和跨组件关联关系的深入建模，导致特征表达能力不足、故障预测精度低，同时难以对复杂工况下的组件潜在风险进行有效量化。现有方法对多源时序数据的特征处理多依赖统计量或传统信号处理技术，缺少长期趋势与局部波动的分离建模，无法充分反映组件运行状态的动态变化。

2、现有基于数据驱动的变压器故障诊断方法多依赖浅层机器学习模型或传统信号处理方式，对长期趋势与局部波动特征区分不足，故障概率和风险评分计算缺乏嵌入表示驱动的智能优化机制，早期预警信号和高风险组件标注精度有限。此外，现有模型缺乏增量训练和实时优化能力，无法根据最新采集数据动态更新预测结果，使得故障诊断结果易出现误差和滞后，限制了诊断的准确性与可用性。现有技术在故障预警和组件状态评估过程中仍存在信息利用不充分、多维特征融合能力弱以及模型适应性不足的问题，这些缺陷表明现有技术难以满足高精度、实时化和动态适应的变压器组件故障诊断需求。

3、因此，如何提供一种基于机器学习的变压器组件故障诊断方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于机器学习的变压器组件故障诊断方法，本发明利用多源变压器运行状态数据采集、序列嵌入表示构建、改进n-beats模型及对比表示蒸馏进行故障预测和优化嵌入生成、组件故障概率及风险评分计算，以及早期预警信号生成和高风险组件标注技术，详细描述了变压器组件运行状态数据处理、连续预测嵌入表示生成、趋势与残差特征切片对比、联合损失优化、增量训练更新以及最终故障诊断结果生成的实现过程，实现了对变压器组件的运行状态精确建模、故障概率和风险评分动态更新以及早期高风险组件识别。相比传统基于单一传感器或经验阈值的故障诊断方法，本发明具备多源数据特征表达全面、趋势与局部波动分离建模准确、故障预测精度高、早期预警可靠性强以及模型可增量更新和动态适应运行状态变化的优点。

2、根据本发明实施例的一种基于机器学习的变压器组件故障诊断方法，包括：

3、采集变压器组件的运行状态数据，并对运行状态数据进行标准化处理，生成多源标准化时序数据集；

4、基于多源标准化时序数据集划分时间序列窗口，对每个时间步的数据执行特征编码，生成序列嵌入表示集合；

5、基于序列嵌入表示集合构建改进n-beats模型，通过条件自适应基函数块选择基函数、块间嵌入交互及映射-重构操作生成趋势嵌入、残差嵌入和预测嵌入向量，组合形成连续预测嵌入表示集合；

6、基于连续预测嵌入表示集合执行对比表示蒸馏，构建双分支嵌入流并对趋势嵌入和残差嵌入划分切片计算对比损失，将对比损失与预测嵌入向量的预测误差联合优化，生成优化嵌入表示集合；

7、基于优化嵌入表示集合及预测嵌入向量计算各组件的故障概率及风险评分，形成风险评分矩阵，并根据风险评分矩阵生成早期预警信号集合，标注高风险组件；

8、基于标注的高风险组件对应的原始多源标准化时序数据，生成输入序列嵌入表示，对改进n-beats模型和对比表示蒸馏进行增量训练，更新模型参数，计算各组件的更新故障概率和风险评分；

9、基于更新故障概率和风险评分生成最终故障诊断结果，输出故障诊断数据。

10、可选的，所述生成运行状态数据具体包括电气信号数据、温度信号数据、机械振动信号数据、局部放电信号数据、传感器标识数据、采集时间戳数据以及采集频率数据。

11、可选的，所述对运行状态数据进行标准化处理，包括：

12、对运行状态数据执行滤波处理，包括低通滤波和高通滤波操作；

13、对滤波处理后的运行状态数据进行异常值检测，将异常值替换为邻近时间步的均值；

14、对异常值处理后的运行状态数据进行归一化处理，将每个数据通道线性映射至0至1区间，并对缺失值进行插值填补，生成多源标准化时序数据集。

15、可选的，所述生成序列嵌入表示集合，包括：

16、将多源标准化时序数据集按照采集时间顺序划分为固定长度的时间序列窗口，每个窗口包含连续时间步的数据；

17、对每个时间序列窗口内的每个时间步的数据执行特征编码，将时序值、频域特征、统计特征及传感器信息组合形成特征向量；

18、按照时间顺序将每个时间步的特征向量排列，形成序列嵌入表示，并将各序列嵌入表示组合生成序列嵌入表示集合。

19、可选的，所述形成连续预测嵌入表示集合，包括：

20、构建改进n-beats模型，所述改进n-beats模型在每个预测块内包括条件自适应基函数计算层、块间嵌入交互层及嵌入映射-重构层，初始化各预测块的权重、偏置及基函数系数；

21、条件自适应基函数层接收序列嵌入表示集合，将每个预测块的输入嵌入向量划分为若干子向量，在每个子向量中选择基函数并计算对应系数，将基函数与系数进行组合形成基函数嵌入向量集合，记录每个时间步的基函数选择和系数组合信息；

22、块间嵌入交互层接收每个预测块的基函数嵌入向量集合，将当前预测块的基函数嵌入向量与相邻预测块的基函数嵌入向量按照时间步顺序进行组合加权组合和线性映射，形成交互嵌入表示集合，保留每个时间步的序列顺序信息；

23、嵌入映射-重构层接收交互嵌入表示集合，将交互嵌入表示集合映射到预测向量空间，分别生成趋势嵌入、残差嵌入和预测嵌入向量，其中趋势嵌入和残差嵌入的维度与输入嵌入向量相同，预测嵌入向量维度与组件特征数相同；

24、将生成的趋势嵌入、残差嵌入及预测嵌入向量按照时间步顺序排列，并按预测块顺序组合形成连续预测嵌入表示集合；

25、对改进n-beats模型进行训练，采用预测误差、残差误差以及基函数系数误差组合作为联合优化目标，持续更新条件自适应基函数计算层、块间嵌入交互层及嵌入映射-重构层中的权重和系数，当连续5个训练轮次中联合损失变化幅度小于0.001时，确定改进n-beats模型完成收敛训练。

26、可选的，所述生成优化嵌入表示集合，包括：

27、基于连续预测嵌入表示集合，将趋势嵌入和残差嵌入分别划分至双分支嵌入流，构建趋势分支嵌入流和残差分支嵌入流，记录每个时间步及预测块索引信息；

28、在趋势分支嵌入流中，将每个趋势嵌入向量按照嵌入维度划分为若干切片，形成趋势切片集合，在每个切片中计算时间步均值向量和累积趋势向量矩阵，并对切片内时间步顺序进行归一化处理，记录每个切片对应的时间步索引、预测块索引及切片维度位置；

29、在残差分支嵌入流中，将每个残差嵌入向量按照嵌入维度划分为若干切片，形成残差切片集合，在每个切片中计算各维度相邻时间步差异向量，并对切片进行局部标准化处理，记录每个切片对应的时间步索引、预测块索引及切片维度位置；

30、对趋势切片集合和残差切片集合分别执行切片间对比损失计算，依据切片之间的向量相似性、维度距离及序列顺序生成趋势切片对比损失矩阵和残差切片对比损失矩阵，保留每个切片的时间步索引、预测块索引及维度位置信息；

31、基于连续预测嵌入表示集合，将每个预测块的预测嵌入向量与对应真实值进行差值计算，形成连续预测嵌入向量的预测误差矩阵，记录每个时间步及预测块索引信息；

32、将趋势切片对比损失矩阵和残差切片对比损失矩阵与连续预测嵌入向量的预测误差矩阵联合计算，形成联合损失矩阵，在联合损失矩阵中保留时间步索引、预测块索引和切片维度索引信息；

33、依据联合损失矩阵对连续预测嵌入表示集合执行优化处理，将趋势嵌入、残差嵌入和预测嵌入向量更新为优化后的嵌入表示集合，在集合中保留每个时间步及预测块的嵌入索引信息，生成最终优化嵌入表示集合。

34、可选的，所述标注高风险组件，包括：

35、基于优化嵌入表示集合和预测嵌入向量，将每个组件对应的预测嵌入向量与优化嵌入表示组合形成组件嵌入特征矩阵，并记录组件编号和时间步索引信息；

36、基于组件嵌入特征矩阵对每个组件计算故障概率，将各变压器组件故障概率按照组件编号和时间步顺序排列，形成组件故障概率矩阵；

37、依据组件故障概率矩阵和组件嵌入特征矩阵，计算各组件的风险评分，将计算结果按照组件编号和时间步顺序排列，形成风险评分矩阵，并记录每个组件的故障概率与风险评分对应关系；

38、根据风险评分矩阵，对每个组件在各时间步的风险评分进行比较，将风险评分高于相应组件平均风险评分加上标准差的组件，记录其组件编号、对应时间步索引及风险评分至早期预警信号集合；

39、对早期预警信号集合中的每个组件，将其状态标注为高风险组件。

40、可选的，所述计算各组件的更新故障概率和风险评分，包括：

41、基于标注的高风险组件及其对应的原始多源标准化时序数据，将各高风险组件的时间序列划分为固定长度的时间序列窗口，对每个时间步的数据执行特征编码，生成输入序列嵌入表示；

42、将输入序列嵌入表示与之前生成的优化嵌入表示集合组合形成增量训练数据集；

43、将增量训练数据集输入改进n-beats模型和对比表示蒸馏，按照预测块顺序执行条件自适应基函数计算、块间嵌入交互及嵌入映射-重构操作，更新模型中各预测块的权重、偏置及基函数系数；

44、在模型更新过程中，依据输入序列嵌入表示与对应预测嵌入向量计算预测误差矩阵，将切片对比损失与预测误差矩阵联合进行增量优化，更新连续预测嵌入表示集合及优化嵌入表示集合；

45、基于更新后的优化嵌入表示集合及连续预测嵌入表示集合，计算每个高风险组件在各时间步的更新故障概率，依据更新故障概率及更新优化嵌入表示计算更新风险评分，形成更新风险评分矩阵。

46、可选的，所述生成最终故障诊断结果，包括：

47、基于更新后的优化嵌入表示集合、更新故障概率及更新风险评分，按照组件编号和时间步顺序将各数据组合形成组件诊断特征矩阵；

48、基于组件诊断特征矩阵，将每个组件的更新故障概率和更新风险评分与历史故障记录进行比对，生成最终故障诊断向量；

49、将最终故障诊断向量按照组件编号和时间步顺序汇总，形成最终故障诊断结果，将各组件的状态标注为正常、潜在故障或高风险故障类别；

50、将最终故障诊断结果及各组件状态组合形成故障诊断数据，输出故障诊断数据，记录组件编号、时间步索引、诊断值及状态信息。

51、本发明的有益效果是：

52、本发明提出的一种基于机器学习的变压器组件故障诊断方法，通过构建多源运行状态数据采集、序列嵌入表示生成、改进n-beats模型预测、对比表示蒸馏优化、故障概率及风险评分计算以及早期预警信号生成与高风险组件标注的完整流程，有效提升了变压器组件故障预测和风险识别的精度与可靠性。相比传统依赖单一传感器数据或固定阈值判断的故障诊断方法，本发明通过对多源时序数据进行标准化处理与特征编码，结合趋势嵌入和残差嵌入的双分支切片对比损失优化，使组件运行状态特征表达更全面，长期趋势与局部波动得到准确分离，增强了模型对复杂工况下变压器组件状态的敏感性和预测能力。

53、本发明通过优化嵌入表示集合与连续预测嵌入向量的联合计算，对各变压器组件生成高精度故障概率和风险评分，并构建早期预警信号集合，能够标注高风险组件，实现对潜在故障的提前识别。增量训练机制使改进n-beats模型能够根据最新采集数据持续更新模型参数和预测嵌入向量，提高模型动态适应能力和故障预测实时性。本发明具备多源数据特征表达全面、故障预测精度高、早期预警可靠、模型可增量更新和动态适应运行状态变化的优点，可广泛应用于电力系统中变压器的智能运维与预测性维护场景，实现对变压器组件的精准状态评估和可靠故障预警。