基于多物理场仿真的电力设备异常数据构建方法及装置与流程

本发明涉及数据处理，尤其涉及一种基于多物理场仿真的电力设备异常数据构建方法及装置。

背景技术：

1、目前，对于电力设备故障诊断与智能运维领域，电力设备异常样本数据获取困难一直是限制智能诊断模型性能提升的重要因素。由于电力设备在实际运行过程中处于高可靠性状态，真实故障发生概率较低，同时故障类型复杂且发生条件具有随机性，导致可用于算法训练和评估的异常样本数据严重不足。因此，如何构建具有代表性和真实性的异常数据集，成为电力设备智能运维领域的重要研究方向。

2、目前，对于电力设备异常数据构建，主要采用两类技术：一种是基于历史监测数据的数据增强技术，另一种是基于物理机理的仿真建模技术。在数据增强技术中，通常通过对已有运行数据进行扰动、重采样或生成式模型扩展等方式生成新的数据样本这类方法实现简单，但由于生成过程缺乏对设备物理运行机理的约束，生成的数据往往难以真实反映设备故障演化过程，导致生成样本的物理一致性和可信度不足。

3、在基于仿真的方法中，通常通过构建电磁场、热场、振动场等物理模型，对设备在不同故障条件下的运行状态进行仿真计算，从而获得故障数据。例如，专利文本cn116432132a公开了一种异常数据生成方法、装置、电子设备及存储介质，方法包括：获取目标设备在设备运行正常工况下的第一运行数据；基于所述第一运行数据，模拟生成所述目标设备在设备运行异常工况下的第二运行数据；基于所述第二运行数据，模拟数据传输异常工况，得到所述目标设备的异常运行数据。该方法通过模拟生成目标设备在设备运行异常工况下的第二运行数据，并模拟数据传输异常工况传输第二运行数据。然而，这种方法往往依赖理想化的设备模型参数，难以充分考虑实际设备运行过程中存在的制造差异、老化效应以及复杂运行环境的影响，从而导致仿真结果与真实监测数据之间存在较大偏差。此外，在多物理场协同建模过程中，各物理场数据之间的重要程度通常需要人工设定权重，难以根据实际数据质量进行动态调整，从而影响故障参数反演的准确性。因此，现有技术存在以下问题：一方面，数据驱动方法生成的数据缺乏物理真实性；另一方面，传统仿真方法难以有效融合多源监测数据并准确反映设备实际运行状态，从而导致构建的异常数据与真实故障数据之间仍存在较大差异。

技术实现思路

1、本发明提供了一种基于多物理场仿真的电力设备异常数据构建方法及装置，能够获得反映设备真实运行状态的大规模异常数据。

2、一种基于多物理场仿真的电力设备异常数据构建方法，包括：

3、基于目标电力设备获取多源传感器数据并进行预处理，生成多物理场观测向量；

4、构建关于目标电力设备的多物理场仿真模型，所述多物理场仿真模型中引入可调故障参数向量；

5、迭代执行如下步骤，直到满足停止条件，获得最优可调故障参数向量：基于扰动下的当前的可调故障参数向量运行多物理场仿真模型，获得扰动仿真输出，根据扰动仿真输出计算多物理场仿真模型对于故障参数的灵敏度矩阵；基于非扰动下的当前的可调故障参数向量运行多物理场仿真模型，获得当前仿真输出，计算当前仿真输出与所述多物理场观测向量的残差，根据残差计算各物理场的自适应权重，基于所述自适应权重和所述残差构建协同反演目标函数，根据所述协同反演目标函数和所述灵敏度矩阵，更新当前的可调故障参数向量，并判断是否满足停止条件；

6、根据最优可调故障参数向量生成异常数据集。

7、进一步地，对所述多源传感器数据进行预处理，生成多物理场观测向量，包括：

8、将所述多源传感器数据进行降噪处理和时间对齐；

9、将降噪处理和时间对齐后的多源传感器数据映射至目标电力设备的空间场内，获得连续场数据；

10、将所述连续场数据进行标准化处理和向量化处理，获得多物理场观测向量。

11、进一步地，所述多物理场仿真模型包括电磁场模块、流体与传热模块、结构力学模块；

12、所述电磁场模块计算获得电流密度和电场强度，根据所述电流密度和电场强度计算电磁损耗，所述电磁损耗作为热源传递至所述流体与传热模块，所述流体与传热模块计算获得温度场，根据所述温度场计算导电率，将所述导电率作为电磁场模块的输入；根据温度场计算热应力，将热应力作为结构力学模块的输入；

13、所述可调故障参数向量包括电磁故障、机械故障和热故障。

14、进一步地，基于扰动下的当前的可调故障参数向量运行多物理场仿真模型，获得扰动仿真输出，根据扰动仿真输出计算多物理场仿真模型对于故障参数的灵敏度矩阵，包括：

15、对当前的可调故障参数向量中的每个故障参数施加扰动，获取每个扰动下多物理场仿真模型的扰动仿真输出；

16、计算每个物理场的扰动仿真输出对应扰动下故障参数的偏导数；

17、将每个物理场在各个扰动下计算获得的偏导数进行组合，获得所述灵敏度矩阵。

18、进一步地，所述残差为多物理场观测向量与当前仿真输出的欧氏距离的平方；

19、根据残差计算各物理场的自适应权重，包括：

20、对同一个物理场，获取所有采样点下的残差序列并进行归一化处理，获得每个采样点的残差能量占比；

21、根据所述残差能量占比，基于香农熵的定义计算物理场的残差信息熵；

22、根据所述残差信息熵，基于玻尔兹曼分布计算获得物理场的自适应权重。

23、进一步地，基于所述自适应权重和所述残差构建协同反演目标函数，包括：

24、基于自适应权重对每个物理场的残差进行加权求和，获得多物理场加权求和项；

25、根据目标电力设备的正常状态参数和当前的可调故障参数向量中的故障参数，引入调节参数获得正则化约束项；

26、将所述多物理场加权求和项和正则化约束项相加获得协同反演目标函数。

27、进一步地，根据所述协同反演目标函数和所述灵敏度矩阵更新当前的可调故障参数向量，包括：

28、在所述协同反演目标函数中引入所述灵敏度矩阵，根据当前的可调故障参数向量计算当前下降梯度；

29、根据上一轮获得的搜索方向和当前下降梯度，计算获得当前搜索方向；

30、确定当前搜索步长，基于当前搜索方向和当前搜索步长对当前的可调故障参数向量进行更新，获得更新的可调故障参数向量。

31、进一步地，根据最优可调故障参数向量生成异常数据集，包括：

32、生成先验协方差矩阵；

33、根据所述先验协方差矩阵、灵敏度矩阵以及多传感器的噪声协方差矩阵，计算卡尔曼增益；

34、基于最优可调故障参数向量运行多物理场仿真模型，并计算对应的最优残差；

35、根据最优残差和卡尔曼增益对最优可调故障参数向量进行修正，获得后验均值；

36、根据所述先验协方差矩阵、卡尔曼增益以及灵敏度矩阵，生成后验协方差矩阵，并生成关于后验均值和后验协方差矩阵的多维高斯分布数据；

37、根据多维高斯分布数据生成异常数据集。

38、进一步地，根据后验多维高斯分布生成异常数据集，包括：

39、从多维高斯分布数据中，利用蒙特卡洛方法随机抽取故障参数样本；

40、将故障参数样本赋值给所述多物理场仿真模型，并运行多物理场仿真模型，获得多物理场响应序列；

41、基于多传感器的噪声协方差矩阵生成随机背景噪声，将随机背景噪声叠加到多物理场响应序列中并进行标注，生成异常数据集。

42、一种基于多物理场仿真的电力设备异常数据构建装置，包括：

43、预处理模块，基于目标电力设备获取多源传感器数据并进行预处理，生成多物理场观测向量；

44、模型构建模块，用于构建关于目标电力设备的多物理场仿真模型，所述多物理场仿真模型中引入可调故障参数向量；

45、迭代模块，用于迭代执行如下步骤，直到满足停止条件，获得最优可调故障参数向量：基于扰动下的当前的可调故障参数向量运行多物理场仿真模型，获得扰动仿真输出，根据扰动仿真输出计算多物理场仿真模型对于故障参数的灵敏度矩阵；基于非扰动下的当前的可调故障参数向量运行多物理场仿真模型，获得当前仿真输出，计算当前仿真输出与所述多物理场观测向量的残差，根据残差计算各物理场的自适应权重，基于所述自适应权重和所述残差构建协同反演目标函数，根据所述协同反演目标函数和所述灵敏度矩阵更新当前的可调故障参数向量，并判断是否满足停止条件；

46、数据生成模块，用于根据最优可调故障参数向量生成异常数据集。

47、进一步地，预处理模块对所述多源传感器数据进行预处理，生成多物理场观测向量，包括：

48、将所述多源传感器数据进行降噪处理和时间对齐；

49、将降噪处理和时间对齐后的多源传感器数据映射至目标电力设备的空间场内，获得连续场数据；

50、将所述连续场数据进行标准化处理和向量化处理，获得多物理场观测向量。

51、进一步地，所述多物理场仿真模型包括电磁场模块、流体与传热模块、结构力学模块；

52、所述电磁场模块计算获得电流密度和电场强度，根据所述电流密度和电场强度计算电磁损耗，所述电磁损耗作为热源传递至所述流体与传热模块，所述流体与传热模块计算获得温度场，根据所述温度场计算导电率，将所述导电率作为电磁场模块的输入；根据温度场计算热应力，将热应力作为结构力学模块的输入；

53、所述可调故障参数向量包括电磁故障、机械故障和热故障。

54、进一步地，迭代模块基于扰动下的当前的可调故障参数向量运行多物理场仿真模型，获得扰动仿真输出，根据扰动仿真输出计算多物理场仿真模型对于故障参数的灵敏度矩阵，包括：

55、对当前的可调故障参数向量中的每个故障参数施加扰动，获取每个扰动下多物理场仿真模型的扰动仿真输出；

56、计算每个物理场的扰动仿真输出对应扰动下故障参数的偏导数；

57、将每个物理场在各个扰动下计算获得的偏导数进行组合，获得所述灵敏度矩阵。

58、进一步地，所述残差为多物理场观测向量与当前仿真输出的欧氏距离的平方；

59、迭代模块根据残差计算各物理场的自适应权重，包括：

60、对同一个物理场，获取所有采样点下的残差序列并进行归一化处理，获得每个采样点的残差能量占比；

61、根据所述残差能量占比，基于香农熵的定义计算物理场的残差信息熵；

62、根据所述残差信息熵，基于玻尔兹曼分布计算获得物理场的自适应权重。

63、进一步地，迭代模块基于所述自适应权重和所述残差构建协同反演目标函数，包括：

64、基于自适应权重对每个物理场的残差进行加权求和，获得多物理场加权求和项；

65、根据目标电力设备的正常状态参数和当前的可调故障参数向量中的故障参数，引入调节参数获得正则化约束项；

66、将所述多物理场加权求和项和正则化约束项相加获得协同反演目标函数。

67、进一步地，迭代模块根据所述协同反演目标函数和所述灵敏度矩阵更新当前的可调故障参数向量，包括：

68、在所述协同反演目标函数中引入所述灵敏度矩阵，根据当前的可调故障参数向量计算当前下降梯度；

69、根据上一轮获得的搜索方向和当前下降梯度，计算获得当前搜索方向；

70、确定当前搜索步长，基于当前搜索方向和当前搜索步长对当前的可调故障参数向量进行更新，获得更新的可调故障参数向量。

71、进一步地，数据生成模块根据最优可调故障参数向量生成异常数据集，包括：

72、生成先验协方差矩阵；

73、根据所述先验协方差矩阵、灵敏度矩阵以及多传感器的噪声协方差矩阵，计算卡尔曼增益；

74、基于最优可调故障参数向量运行多物理场仿真模型，并计算对应的最优残差；

75、根据最优残差和卡尔曼增益对最优可调故障参数向量进行修正，获得后验均值；

76、根据所述先验协方差矩阵、卡尔曼增益以及灵敏度矩阵，生成后验协方差矩阵，并生成关于后验均值和后验协方差矩阵的多维高斯分布数据；

77、根据多维高斯分布数据生成异常数据集。

78、进一步地，数据生成模块根据多维高斯分布数据生成异常数据集，包括：

79、从多维高斯分布数据中，利用蒙特卡洛方法随机抽取故障参数样本；

80、将故障参数样本赋值给所述多物理场仿真模型，并运行多物理场仿真模型，获得多物理场响应序列；

81、基于多传感器的噪声协方差矩阵生成随机背景噪声，将随机背景噪声叠加到多物理场响应序列中并进行标注，生成异常数据集。

82、本发明提供的基于多物理场仿真的电力设备异常数据构建方法及装置，至少包括如下有益效果：

83、（1）采用基于多物理场耦合模型的仿真方法，通过融合电磁场、热场以及机械振动等多种物理过程，实现对电力设备运行状态的综合建模，使生成的异常数据能够更真实地反映设备在故障条件下的物理行为；

84、（2）采用基于残差分布特征的自适应权重分配机制，通过分析不同物理场观测数据与仿真结果之间的误差特征，自动确定各物理场在故障参数反演中的权重，从而避免传统方法中依赖人工经验设定权重的问题，提高多源数据融合的可靠性和准确性；

85、（3）采用基于物理约束的故障参数反演方法，在保证仿真结果与实际观测数据一致性的同时，约束反演结果满足设备物理机理模型，从而有效提高故障参数估计的稳定性和可信度；

86、（4）通过引入数据同化技术，将反演得到的最优故障参数从单一最优解扩展为概率分布形式，并通过采样生成多组异常参数组合，使构建的异常数据能够反映真实故障的不确定性特征，从而提高数据集的多样性。