电流互感器运行状态智能监测方法、系统及存储介质与流程
本技术属于监测领域,尤其涉及一种电流互感器运行状态智能监测方法、系统及存储介质。
背景技术:
1、电流互感器是智能电网中重要的测量与保护设备,主要用于将电网中的高压大电流转换为二次设备可采集、可处理的标准低压小电流,其运行稳定性直接影响电力系统计量、监测及继电保护装置的可靠性。在长期运行过程中,电流互感器易受到内部绝缘老化、外部环境应力、电磁干扰以及电网负荷波动等因素影响,运行状态可能出现逐步退化或突发异常。由于电流互感器的内部健康状态通常难以直接观测,其状态变化往往隐含在二次侧输出的时序电流信号中,而该类信号在复杂工况下通常具有非线性、非平稳及动态演化特征,因此,及时、准确地监测电流互感器运行状态,对于预防故障扩大、制定运维检修策略以及保障电网安全运行具有重要意义。
2、现有监测方法多依赖一维时序信号的直接分析或频域变换,难以充分挖掘电流信号在多维相空间中的演化规律;同时,电流互感器在不同退化阶段或异常状态下,其二次侧电流信号可能同时包含微弱瞬态突变特征和周期畸变特征,传统单一尺度特征提取方式难以兼顾多尺度异常信息,影响早期隐患及复杂故障特征的识别效果。此外,现有状态评估模型通常侧重于对当前监测数据进行孤立分类,较少结合设备运行状态在时间序列上的转移规律和前后关联关系,容易受到偶然噪声或瞬态电磁干扰影响,导致监测结果出现跳变、误报或漏报。因此,如何有效提取时序电流信号中的非线性多尺度特征,并结合状态动态转移逻辑实现更稳定、更准确的运行状态监测,成为电力设备智能运维领域需要解决的技术问题。
技术实现思路
1、为了解决现有技术中对电流时序信号非线性演化规律挖掘不足、多尺度异常特征融合能力弱,以及缺乏状态转移约束导致判定结果易跳变的问题,本发明提供了一种电流互感器运行状态智能监测方法、系统及存储介质。
2、第一方面,本发明提供了一种电流互感器运行状态智能监测方法,包括以下步骤:
3、获取电流互感器的原始时序电流信号,利用相空间重构方法将所述原始时序电流信号变换为多维相空间轨迹;
4、基于所述多维相空间轨迹中数据点对的马氏距离,通过径向基函数核计算模糊递归概率,构建二维模糊递归图矩阵;通过图卷积网络学习滤波器交互图中节点的嵌入向量,利用所述嵌入向量生成二维对称核卷积模块的权重参数;
5、所述二维对称核卷积模块的第一卷积支路采用第一预设尺寸卷积核提取瞬态突变特征,所述二维对称核卷积模块的第二卷积支路采用第二预设尺寸卷积核提取周期畸变特征,所述第一预设尺寸卷积核与所述第二预设尺寸卷积核为尺寸不同的奇数方阵;通过所述二维对称核卷积模块对所述二维模糊递归图矩阵进行卷积处理得到深度融合特征;
6、将所述深度融合特征分别输入状态分类器和动态转移矩阵生成器,输出当前时刻的初步状态概率分布和状态转移约束矩阵;结合前一时刻最终状态、所述状态转移约束矩阵和所述初步状态概率分布,基于贝叶斯推理计算当前时刻各运行状态的后验概率,将最大后验概率对应的运行状态作为当前最终运行状态。
7、可选地,所述获取电流互感器的原始时序电流信号,包括:
8、按照预设采样频率对电流互感器的二次侧电流进行同步采样;
9、采用固定时间窗口对采样后的电流数据进行滑动截取,确保每个时间窗口内至少包含一个完整的工频周期;
10、对截取后的电流数据进行小波阈值去噪处理,生成所述原始时序电流信号。
11、可选地,所述利用相空间重构方法将所述原始时序电流信号变换为多维相空间轨迹,包括:
12、采用互信息法计算所述原始时序电流信号的延迟时间;
13、采用虚假最近邻点法计算所述原始时序电流信号的嵌入维数;
14、基于计算得到的所述延迟时间和所述嵌入维数,对所述原始时序电流信号进行相空间重构,生成包含多个状态向量的所述多维相空间轨迹。
15、可选地,所述基于所述多维相空间轨迹中数据点对的马氏距离,通过径向基函数核计算模糊递归概率,构建二维模糊递归图矩阵,包括:
16、计算所述多维相空间轨迹中所有状态向量构成的全局协方差矩阵的逆矩阵;
17、基于所述逆矩阵计算任意两个状态向量之间的马氏距离;
18、将所述马氏距离输入中心点固定为零距离且宽度参数可学习的径向基函数核中进行映射,得到所述任意两个状态向量之间的模糊递归概率;
19、将所有状态向量对的模糊递归概率按照时间序列顺序排列,生成初始模糊递归概率矩阵,并对所述初始模糊递归概率矩阵进行固定分辨率处理,构建得到所述二维模糊递归图矩阵。
20、可选地,所述通过图卷积网络学习滤波器交互图中节点的嵌入向量,利用所述嵌入向量生成二维对称核卷积模块的权重参数,包括:
21、构建所述滤波器交互图,将多种不同尺寸的基础卷积核作为图节点,将基础卷积核之间的对称尺寸比值作为图的边权重;
22、将所述图节点的初始特征输入多层图卷积网络中,通过聚合邻居节点信息更新各节点的所述嵌入向量;
23、通过多层感知机将所述嵌入向量映射为权重张量,对所述权重张量进行中心对称约束处理后,分配给所述第一卷积支路和所述第二卷积支路,作为所述二维对称核卷积模块的权重参数。
24、可选地,所述将所述深度融合特征分别输入状态分类器和动态转移矩阵生成器,输出当前时刻的初步状态概率分布和状态转移约束矩阵,包括:
25、将所述深度融合特征输入由全连接层和softmax激活层组成的状态分类器,输出当前时刻各类运行状态的初步状态概率分布;
26、将所述深度融合特征输入由多层感知机组成的动态转移矩阵生成器,输出预设维度的原始转移矩阵;
27、对所述原始转移矩阵的每一行进行softmax归一化处理,使得每一行的元素之和为1,得到所述状态转移约束矩阵。
28、可选地,所述结合前一时刻最终状态、所述状态转移约束矩阵和所述初步状态概率分布,基于贝叶斯推理计算当前时刻各运行状态的后验概率,将最大后验概率对应的运行状态作为当前最终运行状态,包括:
29、将前一时刻最终状态表示为独热编码向量;
30、将所述独热编码向量与所述状态转移约束矩阵相乘,得到当前时刻的预测先验分布;
31、根据训练数据集中各运行状态的类别先验概率对所述初步状态概率分布进行先验校正,得到观测似然因子;
32、将所述预测先验分布与所述观测似然因子进行逐元素相乘,并对相乘结果进行归一化处理,得到当前时刻各运行状态的后验概率;
33、选取所述后验概率中数值最大的元素所对应的运行状态,作为当前最终运行状态。
34、另一方面,本发明还提供了一种电流互感器运行状态智能监测系统,包括以下模块:
35、获取模块,用于获取电流互感器的原始时序电流信号,利用相空间重构方法将所述原始时序电流信号变换为多维相空间轨迹;
36、构建模块,用于基于所述多维相空间轨迹中数据点对的马氏距离,通过径向基函数核计算模糊递归概率,构建二维模糊递归图矩阵;通过图卷积网络学习滤波器交互图中节点的嵌入向量,利用所述嵌入向量生成二维对称核卷积模块的权重参数;
37、提取模块,用于所述二维对称核卷积模块的第一卷积支路采用第一预设尺寸卷积核提取瞬态突变特征,所述二维对称核卷积模块的第二卷积支路采用第二预设尺寸卷积核提取周期畸变特征,所述第一预设尺寸卷积核与所述第二预设尺寸卷积核为尺寸不同的奇数方阵;通过所述二维对称核卷积模块对所述二维模糊递归图矩阵进行卷积处理得到深度融合特征;
38、计算模块,用于将所述深度融合特征分别输入状态分类器和动态转移矩阵生成器,输出当前时刻的初步状态概率分布和状态转移约束矩阵;结合前一时刻最终状态、所述状态转移约束矩阵和所述初步状态概率分布,基于贝叶斯推理计算当前时刻各运行状态的后验概率,将最大后验概率对应的运行状态作为当前最终运行状态。
39、优选地,所述获取电流互感器的原始时序电流信号,包括:
40、按照预设采样频率对电流互感器的二次侧电流进行同步采样;
41、采用固定时间窗口对采样后的电流数据进行滑动截取,确保每个时间窗口内至少包含一个完整的工频周期;
42、对截取后的电流数据进行小波阈值去噪处理,生成所述原始时序电流信号。
43、优选地,所述利用相空间重构方法将所述原始时序电流信号变换为多维相空间轨迹,包括:
44、采用互信息法计算所述原始时序电流信号的延迟时间;
45、采用虚假最近邻点法计算所述原始时序电流信号的嵌入维数;
46、基于计算得到的所述延迟时间和所述嵌入维数,对所述原始时序电流信号进行相空间重构,生成包含多个状态向量的所述多维相空间轨迹。
47、优选地,所述基于所述多维相空间轨迹中数据点对的马氏距离,通过径向基函数核计算模糊递归概率,构建二维模糊递归图矩阵,包括:
48、计算所述多维相空间轨迹中所有状态向量构成的全局协方差矩阵的逆矩阵;
49、基于所述逆矩阵计算任意两个状态向量之间的马氏距离;
50、将所述马氏距离输入中心点固定为零距离且宽度参数可学习的径向基函数核中进行映射,得到所述任意两个状态向量之间的模糊递归概率;
51、将所有状态向量对的模糊递归概率按照时间序列顺序排列,生成初始模糊递归概率矩阵,并对所述初始模糊递归概率矩阵进行固定分辨率处理,构建得到所述二维模糊递归图矩阵。
52、优选地,所述通过图卷积网络学习滤波器交互图中节点的嵌入向量,利用所述嵌入向量生成二维对称核卷积模块的权重参数,包括:
53、构建所述滤波器交互图,将多种不同尺寸的基础卷积核作为图节点,将基础卷积核之间的对称尺寸比值作为图的边权重;
54、将所述图节点的初始特征输入多层图卷积网络中,通过聚合邻居节点信息更新各节点的所述嵌入向量;
55、通过多层感知机将所述嵌入向量映射为权重张量,对所述权重张量进行中心对称约束处理后,分配给所述第一卷积支路和所述第二卷积支路,作为所述二维对称核卷积模块的权重参数。
56、优选地,所述将所述深度融合特征分别输入状态分类器和动态转移矩阵生成器,输出当前时刻的初步状态概率分布和状态转移约束矩阵,包括:
57、将所述深度融合特征输入由全连接层和softmax激活层组成的状态分类器,输出当前时刻各类运行状态的初步状态概率分布;
58、将所述深度融合特征输入由多层感知机组成的动态转移矩阵生成器,输出预设维度的原始转移矩阵;
59、对所述原始转移矩阵的每一行进行softmax归一化处理,使得每一行的元素之和为1,得到所述状态转移约束矩阵。
60、优选地,所述结合前一时刻最终状态、所述状态转移约束矩阵和所述初步状态概率分布,基于贝叶斯推理计算当前时刻各运行状态的后验概率,将最大后验概率对应的运行状态作为当前最终运行状态,包括:
61、将前一时刻最终状态表示为独热编码向量;
62、将所述独热编码向量与所述状态转移约束矩阵相乘,得到当前时刻的预测先验分布;
63、根据训练数据集中各运行状态的类别先验概率对所述初步状态概率分布进行先验校正,得到观测似然因子;
64、将所述预测先验分布与所述观测似然因子进行逐元素相乘,并对相乘结果进行归一化处理,得到当前时刻各运行状态的后验概率;
65、选取所述后验概率中数值最大的元素所对应的运行状态,作为当前最终运行状态。
66、本发明通过相空间重构将一维时序电流信号转换为多维相空间轨迹,以提取信号中的非线性动态特征;并基于马氏距离与径向基函数核构建二维模糊递归图矩阵,将时序变化关系转化为具有结构信息的二维表达。进一步地,利用图卷积网络生成二维对称核卷积模块的权重参数,通过双支路不同尺寸卷积核分别提取瞬态突变特征和周期畸变特征,实现多尺度特征融合。最后,结合状态分类结果、状态转移约束矩阵及经先验校正的观测似然因子进行贝叶斯推理,得到当前运行状态的后验概率,从而提高电流互感器运行状态监测的稳定性和准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com