基于机理化双图与时频分层融合的分接开关故障诊断方法及系统与流程
本发明主要涉及电力设备状态监测与智能故障诊断,具体涉及一种基于机理化双图与时频分层融合的分接开关故障诊断方法及系统。
背景技术:
1、特高压变压器有载分接开关(oltc)是特高压输电系统中动作最频繁的核心组件,油中溶解气体分析(dga)是其内部故障在线监测的有效手段。但oltc正常调压动作产生的“动作产气”与故障产气相互叠加,加之特高压场景电磁干扰强、有效故障样本稀缺,故障诊断难度大。
2、现有诊断方法中,iec三比值法等经验规则方法准确率低,svm等传统机器学习方法难以捕捉时序动态特性,cnn/lstm等深度学习方法虽提升了精度,但存在以下不足:(1)未结合oltc故障产气物理机理,模型缺乏可解释性且小样本泛化不足;(2)时频特征融合采用固定权重,无法自适应调整;(3)图结构静态化,无法适配故障动态演化;(4)缺乏针对oltc动作产气的干扰抑制机制,强干扰条件下准确率显著下降。
技术实现思路
1、针对现有技术存在的技术问题,本发明提供一种在小样本、高干扰场景下鲁棒性显著提升的基于机理化双图与时频分层融合的分接开关故障诊断方法及系统。
2、为解决上述技术问题,本发明提出的技术方案为:
3、一种基于机理化双图与时频分层融合的分接开关故障诊断方法,包括以下步骤:
4、s1、采集变压器有载分接开关的油中溶解气体时序数据并进行预处理,得到标准化的多源时序数据集;
5、s2、基于变压器有载分接开关的故障产气机理,对标准化的多源时序数据集进行时频特征分层提取,并结合基于故障辨识度的动态加权融合策略,对提取的各类时频特征进行融合,得到机理化多尺度特征集;
6、s3、以机理化多尺度特征集为输入,构建融合产气机理权重与绝缘状态约束的特征关联图,以及由故障演化速率驱动的时序演化图,形成机理化动态双图结构数据;
7、s4、构建双图注意力网络诊断模型,诊断模型以所述机理化动态双图结构数据为输入,并通过改进正弦余弦算法优化所述诊断模型的超参数,得到训练完成的最优故障诊断模型;
8、s5、将待检测的变压器有载分接开关的油中溶解气体数据经步骤s1至步骤s3的处理后,输入至最优故障诊断模型,由最优故障诊断模型输出故障诊断结果;所述故障诊断结果包括故障类型、识别置信度及关键节点贡献度。
9、优选地,步骤s1中的预处理包括对有载分接开关动作干扰进行自适应剔除,并对剔除干扰后的数据进行多环节预处理;
10、其中对有载分接开关动作干扰进行自适应剔除,具体包括:通过油中溶解气体数据的时序突变点检测算法识别有载分接开关正常动作产生的产气干扰时段,对产气干扰时段的数据施加时频特征弱化系数λ,实现干扰特征的自适应抑制;
11、其中多环节预处理包括:采用结合滑动窗口阈值自适应调整的改进拉依达准则剔除异常时序样本;通过z-score标准化消除数据量纲差异;采用基于时序趋势的自适应插值法补充缺失数据;通过小波阈值降噪处理抑制环境噪声干扰。
12、优选地,步骤s2中的时频特征分层提取,具体包括:
13、选用db4小波基对预处理数据进行离散小波变换分解,得到一个低频分量和多个高频分量,保留所述低频分量与部分所述高频分量;
14、针对过热故障,提取所述低频分量的趋势型时频特征,所述趋势型时频特征包括低频能量熵和趋势斜率;
15、针对放电故障,提取基于希尔伯特黄变换分解的突变型时频特征,所述突变型时频特征包括瞬时幅值突变率和高频能量占比;
16、针对复合故障,提取跨尺度耦合特征,所述跨尺度耦合特征包括高低频能量比和时频特征协方差。
17、优选地,步骤s2中的基于故障辨识度的动态加权融合策略,具体包括:
18、计算不同时频特征对变压器有载分接开关各类故障的辨识度,所述辨识度基于类间距离与类内距离的比值确定;基于各时频特征的辨识度计算对应的动态融合权重,采用动态融合权重对趋势型时频特征、突变型时频特征和跨尺度耦合特征进行加权融合;
19、将融合后的机理化时频特征与原始数据的统计特征、气体比值特征进行进一步融合得到多维特征集,并通过主成分分析剔除多维特征集中的冗余特征,保留累计贡献率达到预设比例的核心特征,得到机理化多尺度特征集。
20、优选地,步骤s3中,构建融合产气机理权重与绝缘状态约束的特征关联图,具体包括:
21、以步骤s2提取的核心特征为基础节点,增加绝缘参数作为绝缘状态约束节点,形成所述特征关联图的节点集;
22、节点间边权重融合数据相关性与故障产气机理,计算公式为:
23、
24、其中,为皮尔逊相关系数,为互信息值,为机理权重系数,为基于特高压oltc故障产气机理的先验权重;
25、通过交叉验证自适应确定权重阈值,剔除关联强度低于权重阈值的边,形成特征关联图。
26、优选地,步骤s3中,由故障演化速率驱动的时序演化图,具体包括:
27、以每个时间步的机理化多尺度特征集合为节点,节点特征为对应时间步的核心特征向量;
28、边定义为相邻时间步节点间的时序转移关系,边权重基于故障演化速率与特征变化量动态计算,计算公式为,其中为故障演化速率系数,为相邻时间步的特征变化量,实现不同演化速率故障的时序特征差异化强化;
29、其中,所述特征关联图与所述时序演化图支持在线动态更新:当特征关联度变化量超过预设关联度变化阈值,或时序演化速率超过预设演化速率阈值时,自动更新所述特征关联图与所述时序演化图的节点权重和/或边权重。
30、优选地,步骤s4中,所述双图注意力网络诊断模型包括空间注意力模块、时间注意力模块、特征融合层与自适应节点选择池化层;
31、所述空间注意力模块以所述特征关联图为输入,通过多头注意力机制自适应学习各节点的注意力权重,强化核心故障特征节点与绝缘状态约束节点的贡献度,抑制冗余特征与干扰节点;
32、所述时间注意力模块以所述时序演化图为输入,通过多头注意力机制聚焦故障演化的关键时间步节点,捕捉不同速率故障的长时序依赖关系;
33、所述特征融合层采用加权拼接策略融合所述空间注意力模块与所述时间注意力模块的输出特征,并通过全连接层将融合特征映射为高维特征向量,为故障分类提供支撑;
34、所述自适应节点选择池化层基于节点对故障分类的贡献度评分,筛选关键节点并剔除噪声节点,结合局部最大池化与全局均值池化提取多尺度图特征。
35、优选地,步骤s4中,所述空间注意力模块和所述时间注意力模块的注意力权重计算公式为:
36、
37、节点特征更新计算公式为:
38、
39、其中,为节点i对节点j的注意力权重,a为注意力权重向量,w为可学习权重矩阵,和分别为节点i和节点j的特征向量,为节点i的邻域集合中的任意邻居节点k的特征向量,k为遍历中所有邻居节点的索引变量;||表示特征拼接操作,为节点i的邻域节点集合,σ为激活函数;为更新后的节点特征。
40、本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述方法的步骤。
41、本发明进一步公开了一种基于机理化双图与时频分层融合的分接开关故障诊断系统,包括相互连接的存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述方法的步骤。
42、与现有技术相比,本发明的优点在于:
43、本发明在数据层面通过λ系数自适应抑制oltc动作产气干扰并结合改进拉依达准则与小波降噪消除多源噪声,提升了特高压强干扰场景下的抗干扰能力;在特征层面依据故障产气机理分层提取趋势型、突变型和跨尺度耦合三类时频特征,以故障辨识度设计动态融合权重替代固定权重策略,实现了多类型故障的差异化敏感度增强;在图结构层面构建了融合产气机理权重与绝缘状态约束节点的特征关联图、以及以故障演化速率系数驱动动态边权重的时序演化图,并通过双图在线更新机制适配故障从早期到劣化的完整动态演化过程;在模型层面,dualgat的空间与时间注意力模块分别建模节点空间关系和时序依赖,经加权拼接实现时空特征深度协同融合,配合isca全局优化超参数突破单一模型局限;此外,基于注意力权重量化输出核心特征节点与关键时间步节点的贡献度使诊断结果具备物理可解释性,且将产气机理、绝缘约束、演化速率等物理先验嵌入各学习环节,在特高压样本稀缺条件下显著提升了模型的泛化能力。
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