一种基于因果图谱的电力设备故障演化世界模型推演方法和系统

摘要: 本发明属于电力设备故障预测,特别是涉及一种基于因果图谱的电力设备故障演化世界模型推演方法和系统。背景技术:1、近年来,随着在线监测、智能巡检、状态评估和风险预警...
一种基于因果图谱的电力设备故障演化世界模型推演方法和系统

本发明属于电力设备故障预测,特别是涉及一种基于因果图谱的电力设备故障演化世界模型推演方法和系统。

背景技术:

1、近年来,随着在线监测、智能巡检、状态评估和风险预警技术的发展,电力设备故障检测逐步由人工经验判断和单点告警,向基于多源数据融合与智能模型分析的自动化诊断发展。变压器、开关柜、gis设备、断路器、电缆、绝缘子及输电线路等设备在长期运行过程中,易受负荷波动、环境温湿度、污秽、雷雨、盐雾、谐波、电压波动、机械振动、材料老化及外部作业等因素影响,逐渐出现绝缘劣化、局部放电、接触不良、异常温升、机械松动和污闪风险等故障征兆。实际运维不仅需要识别设备当前是否异常,还需要判断异常是否会持续发展、外部工况是否会加速故障演化,以及机器人执行复测、检测或处置动作后,未来观测结果和风险状态将如何变化。因此,电力设备故障分析正由当前状态识别向故障演化推演和机器人作业决策预判发展。

2、现有技术主要包括基于监测或巡检数据的故障检测、基于历史序列或数字孪生的故障预测、基于电力机器人多模态巡检的故障识别,以及基于故障知识、专家规则或因果关系的辅助分析。故障检测方法通常利用运行数据、红外或可见光图像、局部放电、油色谱、振动及声学信号,对当前缺陷进行识别、分类或风险评分,但多数以单时刻检测为目标,缺少对故障连续演化过程的显式建模。历史序列和数字孪生方法能够根据设备历史状态序列、在线监测数据、退化指标、健康度指标或数字孪生模型预测设备状态趋势、健康度或剩余寿命,但通常属于基于既有观测的被动预测,难以推演湿度、负荷等外部工况变化,以及机器人复测、清扫、紧固或隔离等动作对未来状态的影响。现有机器人巡检方法通常搭载可见光、红外、紫外、声学、局部放电、激光雷达、点云和定位导航等传感器,用于巡检路径执行、设备状态采集、缺陷识别、仪表读数、红外测温和局部放电检测,主要将机器人作为多模态数据采集平台,未充分建模机器人动作对未来观测质量、故障确认置信度、设备局部状态及作业风险的作用。故障知识、专家规则和因果关系通常利用设备结构知识、故障机理、历史案例、专家规则或知识图谱,描述设备部件、故障征兆、故障原因和处置措施之间的关系,以提高故障诊断的解释性和处置建议生成能力,多用于故障解释、案例检索和处置建议,较少直接参与预测模型的状态转移过程。

3、综上,现有电力设备故障检测与预测技术虽然在当前故障识别、缺陷检测、状态评分、趋势预测、多模态巡检和故障解释方面取得了一定进展,但在面向未来演化和机器人作业决策的场景中仍存在以下不足。一是现有故障检测方法偏重当前状态识别,缺少对故障未来多步演化过程的建模能力,难以描述故障从环境载荷作用、运行状态变化、结构状态劣化、故障征兆显现到风险结果形成的连续过程。二是现有故障预测方法多属于被动预测,缺少外部工况和机器人动作干预下的推演能力,难以比较不同工况变化或不同机器人动作对未来故障风险和观测结果的影响。三是现有电力机器人巡检方法主要将机器人作为多模态数据采集平台,未充分利用机器人动作对未来观测、故障确认、设备状态和作业风险的影响,难以支撑主动复测、避险、处置和作业策略选择。四是现有故障知识或因果关系多用于诊断解释和处置建议,尚未有效转化为故障预测模型内部的状态转移约束,导致模型容易学习非因果相关性,影响长尾故障、复杂耦合故障和极端工况故障的预测可靠性。

4、因此,现有技术尚不能充分满足电力设备运维场景下对故障未来演化推演、外部工况干预、机器人动作干预、多模态未来观测预测和故障因果解释路径输出的需求。为解决上述问题,有必要提出一种新的电力设备故障演化推演方法,将电力设备故障机理中的因果关系与故障预测模型中的状态变量进行对应,使模型在进行未来状态转移时受到因果关系约束;同时,将外部工况和机器人动作作为可干预变量,推演不同干预条件下的故障状态、风险状态和机器人多模态观测结果的未来演化过程。基于此,本发明提出一种基于因果图谱的电力设备故障演化世界模型推演方法和系统,用于提高故障预测、风险预判和机器人作业决策的因果一致性与可解释性。

技术实现思路

1、针对以上技术问题,本发明提供一种基于因果图谱的电力设备故障演化世界模型推演方法和系统。

2、本发明解决其技术问题采用的技术方案是:

3、一种基于因果图谱的电力设备故障演化世界模型推演方法,方法包括以下步骤:

4、s100:获取目标电力设备的多源输入数据,并对多源输入数据进行时间对齐预处理,得到经时间对齐的多源输入数据;

5、s200:获取电力故障因果图谱,并对电力故障因果图谱进行规范化处理和因果约束化处理,生成因果约束信息,用于约束世界模型潜空间状态转移过程;

6、s300:获取世界模型,世界模型包含预定义的变量级潜空间状态变量结构,将电力故障因果图谱中的因果节点与世界模型中的变量级潜空间状态变量进行对齐,建立因果节点与变量级潜空间状态变量之间的语义映射关系;

7、s400:将经时间对齐的多源输入数据分别进行编码,获得对应的输入数据编码后潜变量,根据多源输入数据与因果节点之间的关联关系,将输入数据编码后潜变量分配至相应的因果节点,对属于同一因果节点的输入数据编码后潜变量进行聚合处理,生成对应的节点级潜状态观测表征;根据语义映射关系,利用节点级潜状态观测表征更新对应的变量级潜空间状态变量,形成当前时刻的变量级潜空间状态变量集合,其中,各变量级潜空间状态变量分别对应相应的因果节点语义;

8、s500:基于因果约束信息,对当前时刻的变量级潜空间状态变量集合进行因果约束状态转移,推演得到未来时刻的潜空间状态序列,并根据未来时刻的潜空间状态序列获得目标电力设备的未来故障演化结果。

9、优选地,s100中,多源输入数据包括电力设备运行状态数据、电力机器人多模态观测数据、机器人动作数据和外部工况数据中的至少一种;

10、时间对齐预处理包括:对于高频信号,提取统计特征、频域特征、时频特征或事件特征;对于低频数据,进行插值、保持或窗口聚合;对于机器人多模态观测数据,按照机器人位姿、时间戳和设备对象进行关联;

11、经时间对齐后的第t时刻的多源输入数据集合表示为:

12、

13、其中,表示第时刻的多源输入数据集合,表示电力设备运行状态数据,表示机器人多模态观测数据,表示机器人动作数据,表示外部工况数据。

14、优选地,s200中电力故障因果图谱表示为:

15、

16、其中,表示电力故障因果图谱,表示因果节点集合,表示因果边集合,表示节点属性和边属性集合;

17、因果节点包括环境载荷节点、设备运行状态节点、设备结构状态节点、故障征兆节点、风险结果节点、机器人动作节点和机器人观测节点中的至少一种;

18、对任一因果边表示为:

19、

20、其中,表示由节点指向节点的因果边,表示因果边类型,表示时间滞后,表示正向或负向作用符号,表示边置信度或作用强度,表示当前因果边是否涉及可干预变量;

21、规范化处理包括:将语义相近的因果节点映射为统一变量标识,并对因果节点进行类型标注;

22、因果约束化处理包括:对因果边进行属性补全和规范化,对可干预变量和可干预边进行标注,并根据规范化后的因果节点和因果边生成因果约束信息;因果约束信息包括变量标识、变量类型、变量所属设备部件、变量对应观测模态、因果父变量集合、因果子变量集合、边类型、时间滞后、作用方向、作用符号、边置信度和可干预标识中的至少一种。

23、优选地,s200中电力故障因果图谱通过文本因果关系抽取生成:从电力设备故障报告、检修记录、缺陷记录、机器人巡检报告、标准规程和专家经验文本中,利用因果表达模式库抽取候选因果事件对,表示为:

24、

25、其中,表示电力设备故障报告、检修记录、缺陷记录、机器人巡检报告或标准规程文本集合,表示因果表达模式库,表示第个候选原因事件,表示第个候选结果事件,表示触发当前因果关系的模式或置信度,表示候选因果事件对数量;

26、对候选因果事件进行规范化、融合和专家校验后可得到候选因果边;对于候选因果边,结合专家校验、历史运行数据统计、物理机理规则或仿真结果确定边类型、作用方向、时间滞后、作用符号、作用强度、边置信度和可干预属性,形成用于世界模型状态转移约束的电力故障因果图谱。

27、优选地,s300中因果图谱节点到变量级潜空间状态变量的映射表示为:

28、

29、其中,表示因果节点到世界模型变量级潜空间状态变量的映射函数,表示电力故障因果图谱中的第个因果节点,表示与节点对应的第时刻观测数据或状态数据,表示与节点对齐后的第时刻变量级潜空间状态变量,表示第时刻的变量级潜空间状态变量集合,表示参与故障演化推演的潜空间状态变量数量;

30、每个变量级潜空间状态变量对应有变量描述信息,变量描述信息包括变量标识、变量类型、变量所属设备部件、变量对应观测模态、变量是否可被干预、变量的因果父变量集合和变量的因果子变量集合中的至少一种;映射用于确定因果节点与变量级潜空间状态变量之间的对应关系,变量级潜空间状态变量在各时刻的状态值由s400依据对应节点的输入数据编码后潜变量进行更新。

31、s400包括:

32、s410:对于电力设备运行状态数据,采用状态特征提取、时序建模或二者结合的运行状态编码方式,获取电力设备运行状态编码表示;

33、对于电力机器人多模态观测数据,采用融合图像、传感信号与空间信息的多模态感知编码方式,获得电力机器人多模态观测编码表示;

34、对于机器人动作数据,采用离散动作属性嵌入与连续动作参数标准化融合的动作编码方式,经动作编码器生成机器人动作潜变量;

35、对于外部工况数据,采用连续工况量标准化、离散工况事件嵌入与时间窗口特征融合的工况编码方式,经工况编码器生成外部工况潜变量;

36、s420:将s410得到的各类编码表示与潜变量统一作为各数据源的编码后潜变量,建立多源输入数据与因果节点之间的关联关系,将编码后潜变量分配至相应因果节点并进行聚合,生成对应的节点级潜状态观测表征;

37、s430:根据上述语义映射关系,利用各因果节点对应的节点级潜状态观测表征,填充或更新相应的变量级潜空间状态变量,形成当前时刻的变量级潜空间状态变量集合,具体为:

38、

39、其中,表示第时刻填充或更新后的变量级潜空间状态变量集合,表示第个变量在第时刻的变量级潜空间状态变量,,表示参与故障演化推演的潜空间状态变量数量。

40、优选地,s500中基于因果约束信息,对当前时刻的变量级潜空间状态变量集合进行因果约束状态转移,推演得到未来时刻的潜空间状态序列,包括:

41、s510:根据因果约束信息,生成因果约束矩阵,当因果约束信息中存在节点指向节点的因果边时,令矩阵元素,表示变量允许向变量传递状态信息;当因果约束信息中不存在对应因果边时,令矩阵元素,表示变量不允许直接参与变量的状态更新;

42、s520:对于任一目标潜空间状态变量,仅允许其自身历史状态、满足的因果父变量集合、允许的外部工况变量和允许的机器人动作变量参与下一时刻状态更新;对于不满足因果约束关系的变量对,在状态转移过程中依据因果约束矩阵,采用信息传递控制机制抑制或屏蔽其信息传递;

43、s530:目标潜空间状态变量的下一时刻状态序列表示为:

44、

45、其中,表示变量对应的状态转移函数,表示目标变量自身的当前状态,表示允许参与目标变量状态更新的因果父变量集合,表示因果作用的时间滞后,表示外部工况变量,表示机器人动作变量;状态转移函数采用基于数据驱动的时序状态转移模型实现;

46、s540:遍历所有潜变量,聚合各变量的得到下一时刻的完整潜空间状态集合,并迭代执行s520至s530,推演得到未来多个时刻的潜空间状态序列。

47、优选地,s540还包括:在外部工况干预或机器人动作干预条件下,对世界模型中的相应变量执行干预操作,并基于干预后的因果约束状态转移关系进行多步故障演化推演,得到未来多个时间步的潜空间状态序列;

48、其中,干预操作包括:对未来外部工况序列和机器人动作序列采用条件设定或输入替换,对目标变量的直接状态干预采用状态设定或状态重置并截断相应因果入边,对因果作用机制的调整采用边权调整;

49、干预操作表示为:

50、

51、其中,表示对变量执行干预操作,表示设定的干预状态,表示变量的因果父变量集合,表示切断所有因果父变量对的信息传递;

52、在给定未来外部工况序列和机器人动作序列后,基于因果约束世界模型进行多步递推,得到未来个时间步的潜空间状态序列:

53、

54、其中,表示在干预条件下推演得到的第时刻潜空间状态,表示在因果约束下的第步世界模型状态转移函数,表示外部工况干预序列,表示机器人动作干预序列,表示电力故障因果图谱约束条件。

55、优选地,s500中根据未来时刻的潜空间状态序列获得目标电力设备的未来故障演化结果,包括:将未来多个时间步的潜空间状态序列输入解码模块,输出电力设备故障状态的未来演化结果;未来演化结果包括故障演化序列、风险状态序列和电力机器人多模态观测预测结果;其中,故障演化序列用于表示目标电力设备在未来多个时间步内的状态变化过程,包括正常状态、异常征兆状态、早期故障状态、故障发展状态、严重风险状态,或者故障类型概率序列;风险状态序列用于表示未来各时刻的风险概率、风险等级、健康度评分、故障扩散状态、停运风险或作业风险;电力机器人多模态观测预测结果用于表示在给定机器人动作条件下,机器人在未来获得的观测结果,包括可见光图像预测结果、红外温度分布预测结果、紫外放电预测结果、声学异常预测结果、局部放电信号预测结果、点云变化预测结果、接触反馈预测结果或观测置信度预测结果中的一种或多种;

56、故障演化、风险状态、电力机器人多模态观测预测结果表示为:

57、

58、

59、

60、其中,表示第时刻的故障演化预测结果,表示第时刻的风险状态预测结果,表示第时刻机器人多模态观测预测结果,、和分别表示故障状态解码器、风险状态解码器和机器人观测解码器。

61、优选地,s500之后还包括:

62、s600:根据多步推演过程中各潜空间状态变量的状态变化幅度、因果边激活强度、变量贡献度和时间顺序,生成故障因果解释路径,作为未来演化结果的补充解释信息;

63、故障因果解释路径用于表示导致故障演化和风险变化的主要因果链条,包括外部工况变量、设备运行状态变量、设备结构状态变量、故障征兆变量、风险结果变量和机器人动作变量;

64、故障因果解释路径表示为:

65、

66、其中,表示从第时刻至第时刻的故障因果解释路径集合,表示候选因果路径,表示第时刻因果边的激活强度或贡献度,表示选取得分较高的前条路径;

67、还包括:

68、s700:根据故障演化序列、风险状态序列和机器人多模态观测预测结果,比较不同动作方案的风险变化、观测信息增益、动作成本和作业安全性,生成电力机器人的巡检、复测、避让、处置或人工接管建议。

69、一种基于因果图谱的电力设备故障演化世界模型推演系统,用于执行一种基于因果图谱的电力设备故障演化世界模型推演方法,包括:

70、数据获取模块,用于获取目标电力设备的多源输入数据,并对多源输入数据进行时间对齐预处理,得到经时间对齐的多源输入数据;

71、因果图谱构建模块,用于获取电力故障因果图谱,并对电力故障因果图谱进行规范化处理和因果约束化处理,生成因果约束信息,用于约束世界模型潜空间状态转移过程;

72、映射关系建立模块,用于获取世界模型,世界模型包含预定义的变量级潜空间状态变量结构,将电力故障因果图谱中的因果节点与世界模型中的变量级潜空间状态变量进行对齐,建立因果节点与变量级潜空间状态变量之间的语义映射关系;

73、编码映射模块,用于将经时间对齐的多源输入数据分别进行编码,获得对应的输入数据编码后潜变量,根据多源输入数据与因果节点之间的关联关系,将输入数据编码后潜变量分配至相应的因果节点,对属于同一因果节点的输入数据编码后潜变量进行聚合处理,生成对应的节点级潜状态观测表征;根据语义映射关系,利用节点级潜状态观测表征更新对应的变量级潜空间状态变量,形成当前时刻的变量级潜空间状态变量集合,其中,各变量级潜空间状态变量分别对应相应的因果节点语义;

74、因果约束推演模块,用于基于因果约束信息,对当前时刻的变量级潜空间状态变量集合进行因果约束状态转移,推演得到未来时刻的潜空间状态序列;

75、结果输出模块,用于根据未来时刻的潜空间状态序列获得目标电力设备的未来故障演化结果。

76、本发明将多源输入数据编码为具有因果语义的变量级潜空间状态变量集合,并通过因果约束状态转移进行多步推演,能够从当前时刻状态推演出未来时刻的潜空间状态序列,将故障检测从当前是否异常的判别扩展为故障未来演化趋势的主动推演。通过获取电力故障因果图谱并生成因果约束信息,在世界模型状态转移过程中以约束限定变量间的信息传递,使状态转移遵循设备故障物理机理而非数据统计相关性,避免非因果相关性导致的错误推演,提高预测结果的因果一致性。