智能电气设备维护诊断方法及系统与流程

本发明涉及电气设备异常诊断，尤其涉及一种智能电气设备维护诊断方法及系统。

背景技术：

1、随着电力系统及工业自动化水平的不断提升，变压器、开关柜、电缆系统、电机等智能电气设备在电网及工业生产中的应用日益广泛。此类设备通常集成温度传感器、局部放电监测装置、振动监测单元以及电流采集模块等多种在线监测系统，通过多源运行数据实时反映设备运行状态。在实际运行过程中，电气设备各项运行参数之间往往存在复杂的耦合关系。例如，负载电流的变化可能引起温度升高，温度升高又可能加速绝缘老化并增强局部放电活动；机械结构松动可能导致振动幅值变化，并与电流波动产生联动效应。同时，不同参数之间还可能存在时间滞后响应及反馈放大现象，其关联强度会随设备老化程度及运行工况变化而发生改变。因此，设备劣化通常表现为多参数之间动态关联关系的逐步演变，而非单一参数的突变。

2、然而，现有智能电气设备维护诊断方法多采用固定阈值判断或简单相关分析方式，对各参数进行独立监测，当某一参数超过设定阈值时触发报警。该类方法未能充分考虑多源数据之间的时变关联特性及动态依赖关系，难以准确刻画参数间随时间变化的动态耦合结构，容易导致误判或漏判。此外，设备运行过程中还会受到环境温度变化、负载周期波动等外部因素影响，产生周期性或阶段性扰动。现有方法难以有效区分环境周期性波动与设备持续累积劣化趋势，容易出现误报警频繁或劣化信号识别滞后的问题。

3、因此，亟需一种智能电气设备维护诊断方法及系统，能够对多源时序数据进行融合处理，动态分析参数之间的关联关系，识别偏离正常运行模式的趋势性异常，并区分周期性环境扰动与持续性劣化信号，从而提高设备维护诊断的准确性与可靠性。

技术实现思路

1、本发明提供了一种智能电气设备维护诊断方法及系统，用于通过多源数据融合与动态建模机制，实现对智能电气设备运行状态的全过程精细化监测与趋势性劣化识别。

2、第一方面，本发明提供了一种智能电气设备维护诊断方法，所述方法包括：

3、步骤s1：获取包括温度、局部放电量、振动加速度有效值、负载电流有效值的多源序列；对所述多源序列进行预处理、归一化与标准化处理，得到标准化多源序列；

4、步骤s2：计算所述标准化多源序列中各参数间的相关系数，结合时延互信息对所述相关系数进行筛选，并根据筛选的高相关参数对确定时变关联矩阵；

5、步骤s3：根据所述时变关联矩阵确定超过动态相关性阈值的参数对；提取参数对对应时间段的同步变化片段；并拼接为动态特征向量序列；将所述动态特征向量序列输入长短期记忆网络获取预测序列；基于所述预测序列与实际标准化多源序列获取残差序列；

6、步骤s4：根据所述残差序列与自适应偏差阈值进行比较确定异常趋势片段集合；对所述异常趋势片段集合基于对应的局部离群点密度和幅度谱主频分量进行聚类分析，区分出设备劣化片段；

7、步骤s5：根据所述设备劣化片段更新历史劣化模式库并生成诊断报告。

8、第二方面，本发明还提供一种智能电气设备维护诊断系统，用于实现上述的方法，所述系统包括：

9、多源序列获取单元，用于获取包括温度、局部放电量、振动加速度有效值、负载电流有效值的多源序列；对所述多源序列进行预处理、归一化与标准化处理，得到标准化多源序列；

10、相关分析单元，用于计算所述标准化多源序列中各参数间的相关系数，结合时延互信息对所述相关系数进行筛选，并根据筛选的高相关参数对确定时变关联矩阵；

11、残差计算单元，用于根据所述时变关联矩阵确定超过动态相关性阈值的参数对；提取参数对对应时间段的同步变化片段；并拼接为动态特征向量序列；将所述动态特征向量序列输入长短期记忆网络获取预测序列；基于所述预测序列与实际标准化多源序列获取残差序列；

12、劣化分析单元，用于根据所述残差序列与自适应偏差阈值进行比较确定异常趋势片段集合；对所述异常趋势片段集合基于对应的局部离群点密度和幅度谱主频分量进行聚类分析，区分出设备劣化片段；

13、诊断结果生成单元，用于根据所述设备劣化片段更新历史劣化模式库并生成诊断报告。

14、第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述的方法。

15、本发明的有益效果如下：

16、本发明通过对温度、局部放电量、振动加速度有效值及负载电流有效值进行中值滤波、异常剔除及双重标准化处理，构建稳定一致的标准化多源序列，为后续分析提供高质量数据基础，降低现场噪声与量纲差异对模型的干扰；通过滚动窗口相关分析与时延互信息联合筛选机制，构建能够随时间动态更新的时变关联矩阵，准确刻画多参数之间的线性与动态耦合关系及其随工况变化的演变特征，使设备内部复杂关联结构得到结构化表达；基于时变关联矩阵提取高相关同步变化片段，形成融合的动态特征向量序列，并利用长短期记忆网络建立健康状态预测模型，通过预测值与实际值的残差量化运行偏离程度，实现对潜在异常趋势的前瞻性捕捉；在残差层面引入自适应阈值与连续性判定机制，识别持续性异常趋势，并结合动态时间规整距离与频域主频特征进行聚类区分，有效区分环境周期性扰动与设备内部渐进式劣化，避免误报警；进一步通过历史劣化模式库的匹配与自学习更新机制，实现诊断经验的持续积累与优化，并生成包含劣化类型、劣化程度及维护建议的预警报告，形成从数据获取、关联建模、趋势识别、劣化判定到决策支持的闭环诊断流程；通过上述技术方案之间的相互配合，显著提升了智能电气设备在复杂工况下的异常识别准确性、趋势判断能力及运维决策精准性。

1.一种智能电气设备维护诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，步骤s1中，得到标准化多源序列，包括：

3.根据权利要求1所述的方法，其特征在于，步骤s2中，根据所述标准化多源序列确定时变关联矩阵，包括：

4.根据权利要求1所述的方法，其特征在于，步骤s3中，根据所述时变关联矩阵提取动态特征向量序列，包括：

5.根据权利要求4所述的方法，其特征在于，步骤s3中，获取残差序列，包括：

6.根据权利要求1所述的方法，其特征在于，步骤s4中，根据所述残差序列确定异常趋势片段，包括：

7.根据权利要求6所述的方法，其特征在于，步骤s4中，区分出设备劣化片段，包括：

8.根据权利要求1所述的方法，其特征在于，步骤s5中，更新历史劣化模式库，并生成预警报告，包括：

9.一种智能电气设备维护诊断系统，用于实现如权利要求1-8中任一项所述的方法，其特征在于，所述系统包括：

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-8中任一项所述的方法。