一种基于TabPFN分类和频域介电响应的电缆绝缘状态评估方法

本发明属于电力设备绝缘状态检测，具体涉及一种基于tabpfn分类和频域介电响应的电缆绝缘状态评估方法

背景技术：

1、在电力传输与配电系统中，电缆作为能量传输的核心载体，其绝缘状态直接决定电力系统运行的安全性与供电可靠性，准确评估电缆绝缘老化程度，对提前排查绝缘隐患、预防故障停机、优化运维更换策略具有重要工程价值。频域介电谱技术作为一种典型的无损检测手段，可通过分析不同频率下电缆介电特性的变化规律反映绝缘内部状态，无需破坏电缆结构，在电缆绝缘状态评估领域得到广泛应用。

2、现有技术中，频域介电谱评估方法仍存在以下问题：采用单一或少量特征参数表征介电响应信号，难以同时覆盖电压分层效应、非线性特性、频率变化趋势等多维度信息，对不同老化程度的区分能力有限；现有智能评估模型需依赖大量样本从零训练参数，而电缆老化试验周期长、样本制备成本高，实际可用样本数量较少，易导致模型过拟合，泛化能力与分类稳定性不足，难以满足小样本场景下的绝缘状态精准评估需求。

技术实现思路

1、本发明的目的在于，为解决现有技术中电缆评估方法在频域介电谱特征表征与小样本绝缘状态分类方面的技术难题，提供一种基于tabpfn分类和频域介电响应的电缆绝缘状态评估方法，基于fpga的高速数据采集技术获取fds测量数据、基于多维特征提取方法构建12维绝缘状态特征向量，并利用tabpfn模型进行正常、轻度老化、中度老化和重度老化四分类，实现电缆绝缘状态的智能化、宽频域和高效评估。

2、第一方面，本发明实施例提供一种基于tabpfn分类和频域介电响应的电缆绝缘状态评估方法，该方法包括以下步骤：

3、s1.采集待测电缆的电压信号和电流信号；

4、s2.根据电压信号和电流信号，计算各测试频率点对应的介质损耗角正切值，构建各电压等级对应的频域介电谱；

5、s3.对各电压等级的频域介电谱进行多维特征提取，生成包含分层度、非线性度、对数频率斜率及低频和高频介损比的12维特征向量；

6、s4.将已知老化状态电缆样本的12维特征向量及对应老化标签作为上下文数据，将待测电缆的12维特征向量作为查询样本，输入预训练的tabpfn分类模型进行推理，输出待测电缆的绝缘老化状态。

7、可选地，步骤s1的具体步骤包括：

8、s11.通过fpga控制变频交流电源，向待测电缆施加不同频率、不同电压等级的交流电压；

9、s12.通过分压电路将电缆侧高电压信号按比例衰减为适配采集范围的低电压信号；

10、s13.通过微电流检测单元采集电缆屏蔽层的电流信号，完成放大与电平转换；

11、s14.通过高速双通道adc同步采集处理后的电压信号和电流信号并传输至fpga。

12、可选地，步骤s2的具体步骤包括：

13、s21.由电压信号和电流信号分别对应的电压相量和电流相量计算电缆的阻抗

z：

14、；

15、其中，为电压相量，为电流相量，

r为电阻，

x为电抗；

16、s22.根据阻抗中电阻分量与电抗分量的比值计算介质损耗角正切值tan

δ；

17、；

18、s23.以测试频率为横坐标、介质损耗角正切值为纵坐标，分别构建0.25

u0、0.5

u0、0.75

u0和

u0四个电压等级下的频域介电谱，其中，

u0为电缆额定电压。

19、可选地，步骤s3中，所述12维特征向量具体包括相邻电压等级之间的3个分层度，1个整体非线性度，四个电压等级分别对应的4个对数频率斜率，以及四个电压等级分别对应的4个低频和高频介损比，总计12维特征参数；步骤s3的具体步骤包括：

20、s31.分别采集第

i个电缆试样在0.25

u0、0.5

u0、0.75

u0和

u0四个电压等级下、各测量频率点对应的介损值；

21、s32.分别计算分层度

l1,i

、l2,i

、l3,i和非线性度

ηi，公式为：

22、

23、；

24、其中，

u0为电缆额定电压，

l1

,i

、l2

,i

、l3

,i分别表示第

i个电缆试样在相邻电压等级之间的分层度；

ηi表示第

i个电缆试样的非线性度，用于为0.5

u0

、0.75

u0和

u0三个电压等级相对于0.25

u0介损比值在全部频率点上的平均结果；

dj

,i

(fk

)表示第

i个试样在

ju0电压、频率

fk处测得的介损值；

j取0.25、0.50、0.75或1.00；j

,i表示第

i个试样在

ju0电压下全部

n个频率点介损值的算术平均值；

n表示频率测量点总数；

k表示频率点序号，

k=1

,2

,…,n；0.25

u0

、0.5

u0

、0.75

u0和

u0分别表示四个试验电压等级；

25、s33.计算对数频率斜率

kj,i：

26、；

27、

kj,i表示第

i个试样在

ju0电压等级下的对数频率斜率；表示第

k个测量频率

fk的以10为底的对数；表示全部

n个频率点对数值的平均值；

28、s34.采用最小二乘直线拟合，利用整条频域介电谱的全部频率点计算低频和高频介损比

rj,i：

29、；

30、；

31、其中，

rj,i表示第

i个试样在

j电压等级下的低频和高频介损比，用于描述频谱低频端与高频端之间的相对差异；j={0.25,0.50,0.75,1.00}，表示四个电压等级系数的集合；

fl表示全部测量频率中的最低频率，

fh表示全部测量频率中的最高频率；

xi表示第

i个电缆试样最终形成的12维特征向量；

t表示转置；r12表示12维实数向量空间；

32、s35.对

n个已知老化状态的电缆试样重复执行多维特征提取，将各试样的12维特征向量按行排列形成特征矩阵，并依据试样实际老化状态建立类别标签，公式为：

33、；

34、其中，

x表示由全部已知电缆试样构成的训练样本特征矩阵；矩阵的每一行对应一个电缆试样，每一列对应一个特征参数；

n表示已知老化状态的电缆试样总数；

xi表示第

i个试样的12维特征向量；表示

n行、12列的实数矩阵空间；

35、s36.构建真实老化标签以及标签向量：

36、；

37、；

38、其中，

yi表示第

i个已知样本的真实老化状态标签；0、1、2、3分别表示正常、轻度、中度和重度老化状态；

y表示全部

n个训练样本对应的标签向量；标签由试样已知的老化状态确定。

39、可选地，步骤s4具体包括：

40、s41.将已知老化状态样本的12维特征向量与对应的正常、轻度老化、中度老化、重度老化四类标签构建为上下文数据集，将待测电缆的12维特征向量作为查询样本，输入至预训练的tabpfn分类模型；

41、s42.预训练的tabpfn分类模型依次执行特征维注意力计算、样本维注意力计算与多层transformer推理，输出待测电缆对应四类老化状态的预测概率；

42、s43.选取预测概率最大的类别作为待测电缆的最终绝缘老化状态。

43、可选地，步骤s41的具体步骤包括：

44、s411.将已知样本和待识别样本输入预训练的tabpfn分类模型，构建上下文分类任务：

45、；

46、；

47、其中，

dctx表示tabpfn的上下文数据集，由

n个已知样本的特征向量

xi及其标签

yi组成；

q表示待识别的查询样本编号；

xq表示待识别电缆经多维特征提取得到的12维特征向量；

48、s412.预训练的tabpfn分类模型输出针对待识别电缆输出类别概率分布：

49、；

50、其中，

pq表示tabpfn针对待识别电缆输出的类别概率分布；

yq表示待识别电缆的未知老化类别；

θ表示tabpfn在预训练阶段已经确定的模型参数；

51、s413.预训练的tabpfn分类模型对输入表格数据进行内部预处理与编码：

52、；

53、其中，

e表示tabpfn内部预测器或集成成员的编号；表示处理后的上下文特征矩阵；表示处理后的查询样本特征；

54、；

55、其中，

encx(·)表示tabpfn的数值特征编码映射，用于将经过预处理的表格特征转换到模型内部表示空间；

ency(·)表示标签编码映射；

y为已知上下文标签；

ymask表示查询样本类别未知时使用的掩码或未知标签表示；

h(0,e)表示第

e个内部预测器进入transformer推理模块之前的初始嵌入表示。

56、可选地，步骤s42的具体步骤包括：

57、s421.预训练的tabpfn分类模型在同一电缆试样内部对不同特征进行注意力计算，对每个分层度、非线性度、四个对数频率斜率以及四个低频和高频介损比之间进行信息交互，获得反映电压分层、非线性响应和频率变化特征之间联合关系的内部表示：

58、；

59、；

60、其中，

l表示transformer处理层编号；

h(l)表示第

l层输入的内部表示；

qf

、kf

、vf分别表示特征维查询矩阵、键矩阵和值矩阵；上标或下标

f表示特征方向；

wqf

、wkf

、wvf表示tabpfn预训练得到的特征维注意力映射参数；

dk表示查询向量和键向量的维数；为缩放因子；softmax(·)用于将不同特征之间的相关性得分转换为归一化注意力权重；

hf(l)表示完成第

l层特征维注意力计算后的特征融合表示；

61、s422.在完成同一试样内部的特征维信息融合后，预训练的tabpfn分类模型进一步沿样本方向进行注意力计算，待识别电缆根据已知正常、轻度、中度和重度样本在12维特征空间中呈现的联合规律进行上下文推断：

62、；

63、；

64、其中，

qs

、ks

、vs分别表示样本维查询矩阵、键矩阵和值矩阵；下标

s表示样本方向；

wqs

、wks

、wvs表示tabpfn预训练得到的样本维注意力映射参数；

m表示注意力掩码矩阵，用于限制上下文样本和查询样本之间允许的信息传递关系；

hs(l)表示完成第

l层样本维注意力计算后的内部表示，包括待识别样本与已知训练样本之间的上下文关联信息；

65、s423. 将特征融合表示和内部表示通过残差连接、层归一化和前馈神经网络进行非线性变换，在多个transformer处理层之间迭代传播，形成待识别电缆的综合高维表示：

66、；

67、；

68、；

69、其中，

ha(l)表示第

l层注意力处理后的中间表示；

attnf

,s(·)表示由特征维注意力和样本维注意力共同构成的信息交互过程；

ln(·)表示层归一化操作；

w1

、w2表示前馈神经网络的权重矩阵；

b1

、b2表示对应偏置向量；

φ(·)表示非线性激活函数。

l_t表示transformer处理层的总层数；

hq(l_t)表示查询样本经过最后一层transformer后的内部状态；

readout(·)表示从最终内部状态中提取用于分类的查询样本表示；

hq表示待识别电缆最终的综合高维特征表示；

70、s424.将综合高维特征表示输入分类输出端，计算四个老化类别对应的分类得分，采用softmax函数转换为概率；当tabpfn采用多个内部预测器进行集成时，对每个内部预测器输出的类别概率进行汇总：

71、；

72、；

73、；

74、其中，

zq,c(e)表示第

e个内部预测器对查询样本属于类别

c所给出的未归一化分类得分；

c=0、1、2、3分别对应正常、轻度、中度和重度老化状态；

wc和

bc分别表示类别

c对应的分类输出权重向量和偏置；

hq(e)表示第

e个内部预测器得到的查询样本综合表示；

pq,c(e)表示第

e个内部预测器输出的类别

c概率；

exp(·)表示自然指数函数；

k为softmax分母中的类别求和索引；

t表示softmax温度参数，用于调节输出概率分布的平滑程度，在不进行额外温度调整时取

t=1；

e表示参与最终集成的内部预测器数量；

e为预测器编号；

pq,c表示汇总后待识别样本属于类别

c的最终预测概率；

75、四类最终预测概率满足

pq,0

+pq,1

+pq,2

+pq,3

=1，且每个概率均位于0至1之间。

76、可选地，步骤s43的具体为：

77、根据四类老化状态的预测概率，选择概率最大的类别作为待识别电缆的最终识别类别，并将类别编号映射为正常、轻度、中度或重度绝缘老化状态：

78、；

79、其中，

pq,c表示待识别电缆属于类别c的最终预测概率；

arg max表示在全部候选类别中寻找预测概率最大的类别；q表示待识别电缆的最终预测类别编号；类别0、1、2、3分别映射为正常、轻度、中度和重度老化状态；最终输出状态为待识别电缆的绝缘老化等级，所述老化等级包括正常状态、轻度老化状态、中度老化状态或重度老化状态。

80、第二方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于tabpfn分类和频域介电响应的电缆绝缘状态评估方法。

81、第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于tabpfn分类和频域介电响应的电缆绝缘状态评估方法。

82、本发明采集待测电缆多频率、多电压等级下的电压、电流信号，计算介质损耗角正切值并构建对应频域介电谱；从频域介电谱中提取分层度、非线性度、对数频率斜率、低频和高频介损比，组合得到12维特征向量，从电压分层、非线性响应、频率变化趋势、频谱端部差异多维度表征绝缘老化特征。将已知老化样本的12维特征和标签作为上下文数据，待测电缆特征作为查询样本输入预训练的tabpfn模型推理，判定电缆正常、轻度、中度、重度老化状态。本发明了提升老化等级区分能力，增强了小样本场景下分类稳定性与泛化能力。