一种配电柜故障诊断方法及系统与流程

本技术涉及配电设备智能运维的，尤其涉及一种配电柜故障诊断方法及系统。

背景技术：

1、配电柜作为电力分配系统的关键节点设备，其运行可靠性直接关系到供电安全与连续性。随着智能电网建设的深入推进，配电柜的数量规模与智能化要求同步提升，对其运行状态的实时监测与故障快速诊断提出了更高要求。电流、电压、温度、局部放电等多元传感技术的成熟，为配电柜状态感知提供了丰富的数据基础，如何有效利用这些多源信息实现精准故障诊断，成为该领域的研究重点。

2、目前，配电柜故障诊断的主流技术路线包括基于阈值规则的报警方法、基于信号处理的特征提取与分类方法、以及基于数据驱动的机器学习诊断方法。其中，基于信号处理的方法通过对电流、电压波形进行时频域分析提取故障特征，再利用支持向量机、神经网络等分类器进行故障识别；基于数据驱动的方法则直接利用大量标注样本训练端到端的深度学习模型，实现从原始信号到故障类型的映射。此外，部分方案引入了数字孪生技术，通过构建配电柜的机理模型进行仿真推演，将实际数据与仿真数据进行比对以发现异常。

3、然而，上述现有技术均存在以下不足：第一，传统方法将运行状态监测与物理参数辨识割裂为两个独立环节，无法利用两者的耦合关系提升诊断精度，且运行状态的变化与物理参数的退化之间的内在关联未被充分利用；第二，基于数据驱动的方法缺乏物理规律约束，在样本稀缺或工况变化时诊断可靠性显著下降，且诊断结果缺乏物理可解释性；第三，现有方法未能利用配电柜拓扑结构中蕴含的空间约束信息，各监测节点的诊断相互独立，无法通过邻域信息抑制噪声引起的虚假定位。此外，边缘端实时性需求与云端高精度计算需求之间缺乏有效的协同机制，难以兼顾快速响应与精准诊断。

技术实现思路

1、本技术提供了一种配电柜故障诊断方法及系统，其能够通过将物理参数与运行状态统一为扩展状态向量进行联合序贯估计，并结合拓扑空间约束与边缘-云协同架构，实现配电柜故障的精准定位与高效诊断。

2、第一方面，本技术提供了一种配电柜故障诊断方法。所述方法应用于终端感知层、边缘计算层和云端智能层三层硬件系统，所述方法包括：获取终端感知层中部署于配电柜内部各监测节点的传感器实时采集的原始传感数据，所述原始传感数据至少包括电流波形、电压波形、温度值和局部放电信号；以所述边缘计算层中部署的边缘节点作为执行主体，构建用于统一表达配电柜运行状态与物理参数的扩展状态向量，所述扩展状态向量由运行状态子向量和物理参数子向量纵向拼接构成；建立包含状态转移函数和观测函数的状态空间模型，其中所述状态转移函数嵌入配电柜的物理规律约束，所述观测函数将扩展状态向量映射到传感器测量空间；以扩展卡尔曼滤波作为序贯估计框架，结合所述原始传感数据和所述状态空间模型，递归估计所述扩展状态向量的后验估计值及其对应的估计协方差矩阵；在每一递归估计步中，获取配电柜的拓扑邻接矩阵，根据所述拓扑邻接矩阵构建图拉普拉斯矩阵，利用所述图拉普拉斯矩阵对所述预测协方差矩阵施加空间正则化约束，以正则化后的预测协方差矩阵执行所述扩展卡尔曼滤波的更新步骤；基于所述物理参数子向量的当前估计值与预设参考值之间的差异，判定配电柜是否发生故障；当判定为发生故障时，根据所述物理参数子向量中超出预设阈值的分量所对应的物理参数类型和监测节点位置，确定故障类型与故障位置；输出包含所述故障类型和所述故障位置的诊断结果。

3、通过采用上述技术方案，将配电柜的运行状态与物理参数在同一个扩展状态向量中统一表达并采用序贯滤波方法进行联合估计，使运行状态观测信息通过交叉协方差矩阵作用于物理参数的更新，增强了状态估计与参数辨识的相互约束。物理规律约束以状态转移函数的结构形式嵌入滤波框架，无需外部约束优化迭代，降低了计算开销。图拉普拉斯空间正则化将配电柜拓扑结构直接耦合于滤波器的协方差更新中，使相邻节点的估计结果具有空间一致性，从根源上抑制了孤立噪声引起的虚假定位，提升了故障定位的准确性。

4、进一步地，所述运行状态子向量包含各监测节点的电流幅值、电压幅值、温度值和局部放电强度，所述物理参数子向量包含各监测节点的接触电阻、绝缘阻抗、热容系数和热阻，所述扩展状态向量的维数等于所述运行状态子向量的维数与所述物理参数子向量的维数之和。

5、通过采用上述技术方案，所选取的运行状态参数完整表征了配电柜的电气与热学运行工况，所选取的物理参数覆盖了导致配电柜故障的最常见诱因维度，两者组合形成的扩展状态向量为后续滤波估计提供了完整的系统状态描述基础。

6、进一步地，所述状态转移函数对所述运行状态子向量和所述物理参数子向量分别进行更新；对于所述运行状态子向量，所述状态转移函数采用离散化的物理方程进行更新，所述物理方程基于基尔霍夫定律和热平衡微分方程导出，所述物理方程的输入为当前时刻的运行状态、物理参数和外施激励，输出为下一时刻的运行状态；对于所述物理参数子向量，所述状态转移函数采用稀疏随机游走模型进行更新，当前时刻的物理参数等于前一时刻的物理参数叠加稀疏过程噪声。

7、通过采用上述技术方案，运行状态更新遵循基尔霍夫定律和热平衡微分方程，使状态预测值天然满足物理一致性；物理参数更新采用稀疏随机游走模型，精准刻画了配电柜物理参数“长期稳定、故障时稀疏突变”的本质特性，两者分离建模的策略使状态转移函数的结构与配电柜的实际物理演化机理精确匹配。

8、进一步地，所述扩展卡尔曼滤波的递归估计包括预测步骤和更新步骤；在所述预测步骤中，根据上一时刻的后验估计值和所述状态转移函数计算当前时刻的状态预测值，并根据所述状态转移函数的雅可比矩阵和上一时刻的估计协方差矩阵计算当前时刻的预测协方差矩阵；在所述更新步骤中，根据所述观测函数的雅可比矩阵和所述预测协方差矩阵计算卡尔曼增益，根据所述卡尔曼增益和所述原始传感数据相对于所述观测函数的残差对所述状态预测值进行修正，得到当前时刻的后验估计值，并根据所述卡尔曼增益更新所述估计协方差矩阵。

9、通过采用上述技术方案，标准扩展卡尔曼滤波的预测-更新递归结构为扩展状态向量提供了最优序贯估计框架，预测步骤与更新步骤的分离使传感器数据到达后能够即时修正状态估计，满足在线实时诊断的需求。

10、进一步地，所述拓扑邻接矩阵表征各监测节点之间的电气连接关系，所述图拉普拉斯矩阵等于度对角矩阵减去所述拓扑邻接矩阵；所述利用所述图拉普拉斯矩阵对所述预测协方差矩阵施加空间正则化约束，具体包括：所述正则化后的预测协方差矩阵等于所述预测协方差矩阵加上正则化权重与所述图拉普拉斯矩阵的克罗内克积之和；以所述正则化后的预测协方差矩阵替代所述预测协方差矩阵执行所述更新步骤。

11、通过采用上述技术方案，将配电柜的拓扑邻接矩阵构建为图拉普拉斯矩阵，并直接将其以克罗内克积形式叠加至预测协方差矩阵中，实现了空间约束与滤波估计的紧耦合，使正则化后的协方差矩阵在后续卡尔曼增益计算中自然引导估计结果满足拓扑空间一致性，无需增加独立的平滑后处理环节。

12、进一步地，所述基于所述物理参数子向量的当前估计值与预设参考值之间的差异判定配电柜是否发生故障，具体包括：计算所述物理参数子向量的当前估计值与预设参考值之间的差值向量；根据所述差值向量、所述估计协方差矩阵中对应于所述物理参数子向量的分块矩阵以及物理参数子向量的先验协方差矩阵，构建故障检测统计量，所述故障检测统计量等于所述差值向量的转置乘以所述分块矩阵与所述先验协方差矩阵之和的逆矩阵再乘以所述差值向量；当所述故障检测统计量大于预设的卡方分布阈值时，判定为发生故障。

13、通过采用上述技术方案，故障检测统计量通过物理参数子向量的估计协方差矩阵和先验协方差矩阵对差值向量进行归一化，使不同量纲和不同置信度的物理参数在同一统计尺度下进行联合判定，卡方分布阈值为统计显著性提供了理论依据，避免了人为设定固定阈值的随意性。

14、进一步地，所述边缘节点运行降维扩展卡尔曼滤波器，所述降维扩展卡尔曼滤波器仅对所述运行状态子向量和所述物理参数子向量中的接触电阻进行实时估计，并以第一更新频率输出边缘端状态估计结果；所述边缘节点将边缘端状态估计结果及其对应的估计协方差矩阵周期性上传至云端智能层；所述云端智能层以低于所述第一更新频率的第二更新频率运行高维扩展卡尔曼滤波器，所述高维扩展卡尔曼滤波器对全维扩展状态向量进行估计，得到云端状态估计结果及其对应的估计协方差矩阵；所述云端智能层按照贝叶斯信息融合准则将所述云端状态估计结果与所述边缘端状态估计结果进行融合，得到融合状态估计结果；所述云端智能层将融合状态估计结果回传至所述边缘节点，所述边缘节点根据所述融合状态估计结果对所述降维扩展卡尔曼滤波器的当前状态估计值进行校正。

15、通过采用上述技术方案，边缘端降维滤波器以高频输出满足实时预警需求，云端高维滤波器以低频输出保证全参数量下的估计精度，两者通过贝叶斯最优融合准则进行加权合并，融合结果回传校正边缘滤波器状态估值，形成了“边缘高频追踪、云端低频精校”的闭环协同机制，在有限边缘算力条件下实现了实时性与精度的最优平衡。

16、进一步地，所述贝叶斯信息融合准则为，融合后的协方差矩阵等于所述云端状态估计结果对应的协方差矩阵的逆矩阵与所述边缘端状态估计结果对应的协方差矩阵的逆矩阵之和的逆矩阵；融合后的状态估计值等于所述融合后的协方差矩阵乘以所述云端状态估计结果对应的协方差矩阵的逆矩阵与所述云端状态估计结果的乘积、加上所述边缘端状态估计结果对应的协方差矩阵的逆矩阵与所述边缘端状态估计结果的乘积之和。

17、通过采用上述技术方案，贝叶斯信息融合准则以协方差矩阵的逆矩阵为权重对云端估计和边缘端估计进行加权融合，协方差矩阵较小的估计结果在融合中占据更高权重，从理论上保证了融合后的估计精度优于任一单一估计器。

18、进一步地，所述边缘节点根据所述融合状态估计结果对所述降维扩展卡尔曼滤波器的当前状态估计值进行校正之后，还根据长期累积的云端状态估计结果与边缘端状态估计结果之间的差异的滑动平均，计算偏置补偿量，并将所述偏置补偿量叠加至所述降维扩展卡尔曼滤波器的状态转移函数中。

19、通过采用上述技术方案，偏置补偿量基于长期差异的滑动平均估计降维模型截断误差的系统性偏差，并将其反馈至状态转移函数中进行模型级修正，使边缘滤波器的预测模型在持续运行中不断逼近降维后的最优等效模型，实现从状态值校正到模型参数校正的深化协同。

20、第二方面，本技术提供了一种配电柜故障诊断系统。所述系统包括终端感知层、边缘计算层和云端智能层；所述终端感知层包括部署于配电柜内部各监测节点的传感器，用于实时采集原始传感数据，所述原始传感数据至少包括电流波形、电压波形、温度值和局部放电信号；所述边缘计算层包括部署于配电柜本地的边缘节点，所述边缘节点用于执行如第一方面所述的方法中的边缘端处理步骤；所述云端智能层包括云服务器，所述云服务器用于执行如第一方面所述的方法中的云端处理步骤。

21、通过采用上述技术方案，终端感知层、边缘计算层和云端智能层三者之间形成完整的数据采集、边缘实时处理与云端高精度协同诊断的硬件闭环，边缘节点和云服务器分别执行不同粒度的滤波估计任务，并通过双向通信实现估计结果的融合与校正，为上述方法提供了完整的硬件部署架构。

22、综上所述，本技术至少包含以下有益效果：

23、提供了一种配电柜故障诊断方法及系统，通过运行状态与物理参数的联合序贯估计将故障诊断转化为物理参数突变检测问题，实现了诊断框架的数学统一；

24、通过图拉普拉斯空间正则化将配电柜拓扑约束嵌入滤波协方差更新中，有效抑制了孤立噪声引起的虚假定位，提升了故障定位的准确性；

25、通过边缘降维滤波与云端高维滤波的贝叶斯最优融合协同架构，兼顾了工业部署中的实时响应需求与高精度诊断需求，实现了通信开销与诊断性能的协同优化。

26、应当理解， 技术实现要素： 部分中所描述的内容并非旨在限定本技术的实施例的关键或重要特征，亦非用于限制本技术的范围。本技术的其它特征将通过以下的描述变得容易理解。