一种隔离开关多尺度功率信号特征融合与故障检测方法、系统、设备及介质与流程

本发明涉及信号检测，尤其涉及一种隔离开关多尺度功率信号特征融合与故障检测方法、系统、设备及介质。

背景技术：

1、气体绝缘金属封闭开关设备（gis）以其结构紧凑以及受环境影响小等优点，在高压、超高压和特高压电网中得到广泛应用，；也是gis中的关键设备之一，核心功能是实现电路的隔离与导通。然而，gis的全封闭结构使得隔离开关的机械状态难以通过常规巡检发现，故障隐蔽性强。一旦发生故障，可能导致设备损坏、供电中断甚至引发更严重的电网事故。目前，主要通过测量主回路接触电阻或回路电阻等电气参数，能够直接判断触头的静态接触状况，但这类方法依赖停电试验，无法感知操作过程中的动态机械特性，对由磨损或润滑不良引发的轻微卡涩缺乏响应。为获取动态信息，振动信号分析法在设备外壳加装加速度传感器来采集操作引起的机械振动波，然而振动在由内部机构向外壳传递时会经历复杂的反射折射与衰减，使信号畸变严重、信噪比降低，特征提取的难度增加。另一类思路是利用操动机构电机的驱动功率信号进行诊断，该信号信噪比高且便于采集，能够间接反映传动链的力学状态。

2、但现有功率信号分析方法通常停留在对整条功率曲线进行阈值比较或提取平均值、峰值、能量等全局统计量，较少关注触头刚分与刚合瞬间所隐含的局部瞬态变化，导致对早期微弱异常的刻画能力不足。且，方案普遍未对刚分、刚合等关键事件处的瞬态特征进行精细化利用，难以有效区分不同故障模式，尤其对操作卡涩等早期轻微故障的识别灵敏度较低。同时，工业现场故障样本数量稀少且类别分布不均，使得基于数据驱动的诊断模型在训练过程中无法充分学习各类故障的分布规律，模型泛化能力受到制约，容易在应用中产生漏报或误报。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种隔离开关多尺度功率信号特征融合与故障检测方法及系统解决目前隔离开关早期轻微故障识别灵敏度低，以及故障样本不平衡导致诊断模型泛化能力差的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了一种隔离开关多尺度功率信号特征融合与故障检测方法，包括：获取隔离开关操动机构的功率信号并进行预处理，得到预处理功率信号；

5、将所述预处理功率信号输入预训练的多尺度特征提取网络，获得多尺度时序特征，并从所述预处理功率信号中提取多域辅助特征，所述多域辅助特征至少包括时域统计特征、频域能量特征和非线性动力学特征；

6、利用注意力机制对所述多尺度时序特征与所述多域辅助特征进行加权融合，生成融合特征；

7、将所述融合特征输入多任务诊断网络，输出故障类别预测结果和故障严重程度估计结果。

8、作为本发明所述的一种隔离开关多尺度功率信号特征融合与故障检测方法的一种优选方案，其中：所述多尺度特征提取网络和所述多任务诊断网络，利用包含真实功率信号样本以及由条件生成对抗网络生成的合成功率信号样本的训练集，通过联合优化分类损失和回归损失进行训练得到。

9、作为本发明所述的一种隔离开关多尺度功率信号特征融合与故障检测方法的一种优选方案，其中：将所述预处理功率信号输入预训练的多尺度特征提取网络，获得多尺度时序特征，包括：

10、将预处理功率信号输入至多尺度特征提取网络；

11、通过多个包含膨胀因果卷积和残差连接的残差块，在多个网络深度上分别提取具有不同感受野的浅层特征、中层特征和深层特征；

12、所述浅层特征、中层特征和深层特征分别表征触头动作瞬态的局部细节、传动过程的趋势变化以及整个操作过程的全局动态特性；

13、将不同层特征进行拼接，形成所述多尺度时序特征。

14、作为本发明所述的一种隔离开关多尺度功率信号特征融合与故障检测方法的一种优选方案，其中：所述多域辅助特征中：

15、所述时域统计特征，包括：功率信号的均值、标准差、偏度和峰度，用于反映信号整体分布形态；

16、所述频域能量特征，通过对所述预处理功率信号进行分解至多个频带，并计算各频带的小波能量占比，用于表征不同频率成分对信号能量的贡献；

17、所述非线性动力学特征，通过计算功率信号的熵，获得复杂度特征，用于捕获信号随机波动。

18、作为本发明所述的一种隔离开关多尺度功率信号特征融合与故障检测方法的一种优选方案，其中：所述利用注意力机制对所述多尺度时序特征与所述多域辅助特征进行加权融合，生成融合特征，包括：

19、为每个待融合的特征向量分配可学习权重向量，通过归一化指数函数计算各特征向量对应的注意力权重；

20、根据所述注意力权重对所有特征向量进行加权求和，得到所述融合特征，以使融合特征动态聚焦于对当前隔离开关机械状态判别贡献最大的特征维度。

21、作为本发明所述的一种隔离开关多尺度功率信号特征融合与故障检测方法的一种优选方案，其中：所述多任务诊断网络，包括：共享的特征处理层、分类分支和回归分支；

22、所述分类分支以所述融合特征为输入，通过归一化指数函数输出所述隔离开关属于各预设故障类别的概率向量，作为故障类别预测结果；

23、所述回归分支以所述融合特征为输入，通过s型激活函数输出位于预设连续区间内的数值，作为表征故障劣化程度的故障严重程度估计结果。

24、作为本发明所述的一种隔离开关多尺度功率信号特征融合与故障检测方法的一种优选方案，其中：所述训练集的构建及网络的训练，包括：

25、获取隔离开关在不同机械状态下操作时的真实有功功率信号样本，并标注故障类别标签；

26、以随机噪声和对应的故障类别标签作为条件，通过条件生成对抗网络的生成器生成模拟的合成功率信号样本，由判别器进行真伪判别，通过对抗训练使所述生成器生成的合成功率信号样本符合相应故障类别下功率曲线的特征分布；

27、将经过质量评估的合成功率信号样本与所述真实有功功率信号样本共同构成平衡训练集，以弥补故障样本稀缺导致的数据不平衡；

28、基于所述平衡训练集，以故障分类的交叉熵损失和故障程度回归的均方误差损失的加权和作为总损失，联合优化所述多尺度特征提取网络和所述多任务诊断网络的参数。

29、第二方面，本发明提供了一种隔离开关多尺度功率信号特征融合与故障检测系统，包括：

30、获取模块，用于获取隔离开关操动机构的功率信号并进行预处理，得到预处理功率信号；

31、特征提取模块，用于将所述预处理功率信号输入预训练的多尺度特征提取网络，获得多尺度时序特征，并从所述预处理功率信号中提取多域辅助特征，所述多域辅助特征至少包括时域统计特征、频域能量特征和非线性动力学特征；

32、融合模块，用于利用注意力机制对所述多尺度时序特征与所述多域辅助特征进行加权融合，生成融合特征；

33、故障输出模块，用于将所述融合特征输入多任务诊断网络，输出故障类别预测结果和故障严重程度估计结果。

34、第三方面，本发明提供了一种计算机设备，包括：

35、存储器和处理器；

36、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现一种隔离开关多尺度功率信号特征融合与故障检测方法的步骤。

37、第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述一种隔离开关多尺度功率信号特征融合与故障检测方法的步骤。

38、与现有技术相比，本发明的有益效果：本发明通过多尺度特征提取策略，从宏观趋势和微观瞬态刻画功率信号包含的机械状态信息，使原本在全局曲线中的早期轻微卡涩特征能够被精确捕获。并通过条件生成对抗网络有针对性地扩充故障样本，缓解工业现场数据不平衡对模型训练的制约，提升诊断模型在少数类故障上的识别精度和泛化能力。结合多任务学习框架在给出故障类别的同时提供连续的程度估计，实现对设备劣化过程的细粒度量化描述；整体上，能够减少对人工经验的依赖，具备更好的适应性和可推广性。