基于人工智能的环网柜绝缘缺陷预警系统的制作方法

摘要: 本发明涉及输配电设备绝缘状态在线监测与预警,尤其涉及一种基于人工智能的环网柜绝缘缺陷预警系统。背景技术:1、在配电网中,环网柜作为环网供电节点的关键设备,其进线...
基于人工智能的环网柜绝缘缺陷预警系统的制作方法

本发明涉及输配电设备绝缘状态在线监测与预警,尤其涉及一种基于人工智能的环网柜绝缘缺陷预警系统。

背景技术:

1、在配电网中,环网柜作为环网供电节点的关键设备,其进线端上游连接变电站出线开关柜,出线端向下游箱式变压器或终端用户供电,柜体内集成了负荷开关、熔断器、母线及电缆接头等核心组件。环网柜长期运行于高电压、大电流及户外封闭环境下,其绝缘系统持续承受电、热、环境应力的联合作用。对环网柜的绝缘状态监测,主要是对其内部绝缘结构在运行工况下产生的局部放电信号、伴随绝缘劣化过程释放的微量分解气体、以及柜体内温湿度等多源时序参数进行持续性采集与分析,从中判别早期绝缘劣化征兆并评估其严重程度。

2、在工程实践中,获取环网柜绝缘状态的主要手段是周期性停电预防性试验。运维人员按既定检修周期对环网柜进行断电操作,通过外加试验电压测量绝缘电阻、介质损耗因数及局部放电起始电压等电特征参量,将实测值与规程规定的注意值或历史数据比对后做出合格与否的判断。这种方式下,绝缘状态的评估依赖于试验瞬间的断面数据,两次试验之间的运行时段构成监测盲区。绝缘系统从初始劣化发展到贯穿性击穿,通常经历一个持续演进的物理化学过程--在电应力集中点或受潮部位首先产生间歇性、微弱幅值的局部放电,随着材料降解与放电路径延伸,放电幅值与重复率逐步升高,同时伴随绝缘油或固体绝缘材料分解产气。周期性停电试验的采样间隔远大于缺陷演化的时间尺度,待下一次试验采集到异常数据时,绝缘劣化可能已进入加速发展阶段,早期干预窗口被错失。此外,停电试验是在设备退出运行、温度回落至环境水平的状态下进行的,而运行中绝缘系统承受的真实应力条件--包括负荷电流致热、运行电压波动及机械振动--无法在停电状态下复现,试验结果与设备实际运行工况下的绝缘状态之间存在固有差异。

3、为填补周期性停电试验在时间维度上的监测空缺,业内引入了在线监测方案,即在环网柜不停电状态下连续采集局放传感器、温湿度探头及气体压力变送器的输出信号。现场部署的传感器将绝缘缺陷产生的放电脉冲转换为电信号,经放大、滤波及检波处理后,由数据采集单元提取放电幅值、脉冲计数率、相位分布统计特征等参数;温湿度与气体压力数据作为辅助判据一并回传至上位监测平台。目前通用的预警逻辑是对各监测量设定单参数报警阈值--例如局放幅值超过某一毫伏级门限、柜内湿度逾越凝露临界点、或气压偏差超出额定充气压力容差带时触发告警--阈值设定多依据设备出厂参数、型式试验数据或运行经验取值。

4、然而,局放传感器的输出不仅响应绝缘缺陷产生的真实放电,也对环境中进入的移动通信、变频器谐波等电磁干扰信号产生响应,干扰脉冲在时域波形与幅值分布上与真实局放信号呈现相似性;同时,环网柜运行中负荷投切、开关操作产生的瞬态过电压也会引发非损伤性的间歇性放电。单参数阈值比较器难以区分干扰放电与真实劣化放电,任一瞬时工况扰动使监测量超过固定门限即触发报警,真正的异常信号反而淹没在大量无效告警中,故障隐患排查仍依赖人工经验逐段逐点确认。

技术实现思路

1、有鉴于此,本发明旨在提供一种基于人工智能的环网柜绝缘缺陷预警系统,以解决传统方法难以捕捉早期绝缘劣化征兆、难以区分干扰信号与真实劣化信号而导致误报率高的问题。

2、一种基于人工智能的环网柜绝缘缺陷预警系统,包括:

3、多源数据采集与预处理模块:采集局放脉冲信号、绝缘气体压力值与柜内环境温、湿度数据并分别进行预处理,得到预处理后的局放时序序列、预处理后的辅助参量时序序列;

4、局放特征提取模块:根据预处理后的局放时序序列,依次提取增强时序特征、包络权重图、相位-包络联合依赖特征、局放劣化特征;

5、跨尺度融合模块:根据预处理后的辅助参量时序序列、局放劣化特征,依次提取多参量融合时序特征、异源门控融合特征、跨尺度融合预警特征;

6、多维特征判别模块:根据局放劣化特征、跨尺度融合预警特征,依次提取双支路协同交互特征、增强判别特征、多维判别向量、最终的多维判别向量;

7、预警模块:根据最终的多维判别向量,依次得到趋势校验特征、预警等级。

8、进一步的,所述多源数据采集与预处理模块的计算流程,还包括:

9、a11:通过部署于环网柜的超高频局放传感器,连续同步采集局放脉冲信号,数据类型为时序波形数据;对所述局放脉冲信号依次采用基于短时能量的背景噪声分段截断方法剔除无局放活动的静默段、采用三倍标准差法剔除脉冲幅值异常值、采用线性插值法补全因剔除操作产生的缺失值,得到清洗后的局放时序序列;

10、a12:通过部署于环网柜的温、湿度探头采集柜内环境温、湿度数据,数据类型为时序数值数据;通过气体压力变送器采集绝缘气体压力值,数据类型为时序数值数据;对所述柜内环境温、湿度数据与绝缘气体压力值分别采用基于四分位距的异常值剔除方法滤除离群值、采用线性插值法补全缺失值,得到清洗后的温、湿度时序序列与清洗后的气体压力时序序列;

11、a13:对清洗后的局放时序序列与清洗后的温、湿度时序序列以及清洗后的气体压力时序序列,采用统一的系统时间戳进行时间轴对齐,再采用等长时间窗口进行滑动分帧处理,对不同采样率的通道数据进行离散化对齐,得到预处理后的局放时序序列、预处理后的辅助参量时序序列;所述预处理后的辅助参量时序序列包括预处理后的温、湿度序列与预处理后的气体压力序列。

12、进一步的,所述局放特征提取模块的计算流程,还包括:

13、a21:根据预处理后的局放时序序列,通过双向长短期记忆网络捕获脉冲序列的时序双向依赖,经多头自注意力机制强化对局放脉冲幅值瞬变关键位置的感知,并采用残差连接与层归一化保留原始波形中的微弱放电特性,得到增强时序特征、针对局放脉冲关键位置的注意力权重矩阵;

14、a22:根据增强时序特征,针对局放脉冲关键位置的注意力权重矩阵,通过注意力加权矩阵乘法进行加权聚合,经门控线性单元进行信息筛选,再经多个不同膨胀率的一维膨胀卷积在多个时间感受野下捕获局放脉冲包络的跨尺度形态特性,并将其输出在通道维度上进行拼接,最后通过s型激活得到包络权重图;

15、a23:根据包络权重图与增强时序特征,通过希尔伯特变换提取局放脉冲的瞬时相位特征,经多层感知机投影后与经包络权重图加权的增强时序特征进行拼接,再通过多头自注意力机制计算相位-包络联合依赖特征;

16、a24:根据相位-包络联合依赖特征、增强时序特征,通过门控循环单元融合相位信息建模局放脉冲幅值的时间演化规律,再通过多层感知机压缩至高维特征空间,得到局放劣化特征。

17、进一步的,所述局放特征提取模块的计算流程,还包括:

18、根据预处理后的局放时序序列,计算增强时序特征、针对局放脉冲关键位置的注意力权重矩阵,计算方式为:

19、;

20、;

21、其中,为增强时序特征,为层归一化操作,为多头自注意力操作,为双向长短期记忆网络,为预处理后的局放时序序列,为针对局放脉冲关键位置的注意力权重矩阵,为softmax函数,为矩阵转置符号,为缩放因子维度;

22、根据增强时序特征计算包络权重图,计算方式为:

23、;

24、;

25、;

26、其中,为门控筛选后特征,为门控线性单元,为卷积核大小为3的一维卷积操作,为s型线性单元激活函数,为门控拼接特征,为通道维度上的特征拼接操作,为包络权重图,为s型激活函数,分别为膨胀率的一维膨胀卷积操作;

27、根据包络权重图与增强时序特征,计算相位-包络联合依赖特征,计算方式为:

28、;

29、;

30、其中,为瞬时相位特征,为参数为的多层感知机,为复数相位角提取操作,为希尔伯特变换操作,为哈达玛积,为相位-包络联合依赖特征;

31、根据相位-包络联合依赖特征、增强时序特征,计算局放劣化特征,计算方式为:

32、;

33、;

34、其中,为时序演化隐状态,为门控循环单元操作,为局放劣化特征,为参数为的多层感知机,为线性投影操作。

35、需要进一步说明的是,环网柜运行于高电压、大电流的封闭环境中,其绝缘系统在缺陷早期产生的局部放电脉冲幅值微弱、间歇性发作且重复率低,这类信号在沿监测回路传播途中与移动通信、变频器谐波等电磁干扰混叠;真实放电源在绝缘缺陷处引起局部电场畸变,干扰信号则经空间辐射或传导路径侵入监测回路,两者在波形形态、包络走向和相位分布上的差异较为细微;早期缺陷的放电间歇性发作,采集窗口内可用的有效脉冲数量稀少,对特征提取方法的灵敏度和信息利用率要求较高;

36、在预处理后的局放时序序列上,双向长短期记忆网络从正向和反向两个方向扫描整个序列--正向扫描捕获放电脉冲的上升沿及其带来的幅值突变,反向扫描则回溯脉冲衰减尾部的残余信息,使每个时间点上的特征既包含历史上下文又包含未来趋势,从而呈现较为完整的脉冲前后形态;多头自注意力机制在此基础上对各时间位置之间的关联强度进行动态评估,幅值瞬变最为剧烈的关键位置获得更高的权重分配,使网络自动聚焦于放电脉冲发生的时刻--采集窗口内有效脉冲数量稀少,该机制避免对整个序列均匀扫描而将有限的有效信息稀释在漫长背景噪声中;残差连接将原始波形直接传递到更深层的特征空间,层归一化对特征分布进行稳定化处理,两者配合使幅值微弱的早期放电脉冲在经过多层非线性变换后仍能被保留并辨识,最终得到增强时序特征;

37、增强时序特征携带了相对完整的脉冲形态信息,但要进一步区分真实放电与干扰,还需刻画脉冲包络的跨尺度形态特征--不同缺陷类型产生的放电包络在宽度、陡峭程度和工频周期内的重复模式上各不相同,单一时间感受野上的卷积难以同时覆盖这些差异;注意力权重矩阵对增强时序特征进行加权聚合,使脉冲关键位置的贡献在后续处理中得到延续;门控线性单元据此进行信息筛选,有选择地抑制与放电形态无关的背景扰动分量;随后多个不同膨胀率的一维膨胀卷积并行工作,膨胀率较小的时间感受野捕获包络中变化剧烈的局部细节,膨胀率较大的时间感受野覆盖包络的整体走向--多组输出在通道维度上拼接后经s型激活函数生成包络权重图;该权重图依据当前时间位置的实际包络形态自适应调整各尺度特征的重要性,使工频周期内仅出现少数脉冲的早期稀疏放电、放电发展阶段的密集放电场均能获得恰当的表征强度,而不是被统一处理方式所平均化;

38、仅凭包络形态仍不足以将真实放电与干扰区分开来--真实放电脉冲在工频周期内具有较为稳定的相位聚集规律,而移动通信干扰与开关操作引发的瞬态放电往往在相位上离散分布,这一差异需借助瞬时相位来捕捉;希尔伯特变换从增强时序特征中提取每个时间点的瞬时相位信息,刻画放电脉冲在工频周期内的相对位置及其随时间的漂移趋势;多层感知机将瞬时相位映射至与增强时序特征相匹配的特征维度,与经包络权重图加权的增强时序特征在通道维度上拼接,使包络幅值信息和相位位置信息在同一特征表示中相互印证;多头自注意力机制对拼接结果进行联合建模,得到相位与包络之间的联合依赖特征;该特征反映特定的相位区间内是否出现了与真实放电包络形态相匹配的脉冲变动,从而抑制相位随机散布的干扰成分,使后续处理对相位聚集的真实放电保持较高的敏感度;

39、局部放电的劣化并非静止不变,单次脉冲的静态特征难以承载这类时间维度上的信息;本发明利用门控循环单元对相位-包络联合依赖特征进行时序处理,对较长跨度内放电脉冲的幅值变化趋势进行记忆与筛选--当连续多次出现形态相似、相位集中的放电脉冲时,门控循环单元倾向于持续积累放电证据,对偶发的单次干扰脉冲给予较低的记忆权重;之后将时序演化隐状态与经线性投影的包络权重图作逐元素相加,再与增强时序特征拼接,经多层感知机压缩至高维特征空间,得到局放劣化特征,以整合脉冲波形形态、包络走向、瞬时相位分布与时间演化趋势四类信息,使真实放电在特征空间中的分布与干扰信号之间的差距得以拉大,为放电类型识别和劣化程度判断提供了较为稳健的输入;

40、现有技术中,传统单参数幅值阈值法仅比较采样点幅值与固定阈值,真实放电脉冲幅值低于阈值即被当作背景噪声丢弃,而高幅值干扰瞬态轻易越过阈值被判为放电事件;相位分辨局部放电图谱方案虽引入相位信息,但仅统计脉冲幅值与相位位置的对应关系,难以刻画波形形态与包络走向的细微差异,当干扰脉冲与真实放电在相位区间上重叠时仍无法有效区分;本发明的各级处理分别从时序上下文、包络跨尺度形态、瞬时相位分布和劣化时间演化四个维度逐层提取并保留真实放电的结构性特征,同时弱化干扰信号在相位离散性和形态随机性上的无关成分,最终形成统一的劣化表征--相较于现有技术依赖单一幅值或单一相位分布的判别逻辑,能够较为准确地区分真实放电与干扰信号,为环网柜绝缘早期缺陷识别提供更充分的依据。

41、进一步的,所述跨尺度融合模块的计算流程,还包括:

42、a31:根据预处理后的辅助参量时序序列,通过双向长短期记忆网络捕获温、湿度及气体压力的双向时序依赖关系,经多头自注意力机制建模辅助参量时序的长程依赖,再通过时间卷积网络进行融合,得到多参量融合时序特征;

43、a32:根据多参量融合时序特征与局放劣化特征,通过多尺度时间卷积网络在多个时间感受野下分别提取局放劣化特征与多参量融合时序特征的局部上下文模式,再进行动态加权整合,得到异源门控融合特征;

44、a33:根据异源门控融合特征构建时序图,将异源门控融合特征的每个时间步作为图节点,节点特征直接取对应时间步的特征向量,并通过注意力机制学习节点间的跨尺度依赖关系,再经多层感知机将图结构跨尺度特征与异源门控融合特征的残差连接投影至统一高维空间,得到跨尺度融合预警特征。

45、进一步的,所述跨尺度融合模块的计算流程,还包括:

46、根据预处理后的辅助参量时序序列计算多参量融合时序特征,计算方式为:

47、;

48、;

49、其中,为辅助参量自注意力特征,为多头自注意力操作,为预处理后的辅助参量时序序列,为多参量融合时序特征,为卷积核大小分别为和的时间卷积网络操作;

50、根据多参量融合时序特征与局放劣化特征,计算异源门控融合特征,计算方式为:

51、;

52、;

53、;

54、其中,为局放劣化特征的多尺度时态表示,为卷积核大小分别为的时间卷积网络操作,为多参量融合时序特征的多尺度时态表示,为异源门控融合特征,为参数为的多层感知机,为参数为的多层感知机,为参数为的多层感知机;

55、根据异源门控融合特征构建时序图计算跨尺度融合预警特征,计算方式为:

56、;

57、;

58、其中,为图结构跨尺度特征,为图卷积网络操作,为时序图节点维度重排操作,为邻接矩阵生成操作,基于节点特征两两计算余弦相似度,生成软加权邻接矩阵;为跨尺度融合预警特征,为参数为的多层感知机,为卷积核大小为的一维卷积操作。

59、需要进一步说明的是,局部放电脉冲往往淹没在强电磁干扰背景下--干扰脉冲在时域波形形态和幅值分布上与真实局放相似,仅凭单一局放信号源提取特征判断,存在把伪放电误判为劣化放电的风险;绝缘劣化也并非孤立发生,柜内温湿度上升、凝露形成以及绝缘气体压力异常等多源物理量随劣化进程同步演化;然而辅助参量的变化节奏与局放脉冲差异显著--温湿度与气压的漂移是缓慢渐进的,局放劣化特征却往往表现为突发性的暂态脉冲,两类信号在时间尺度、变化速度和表征粒度上的异构性给多源融合带来困难;

60、对于辅助参量时序序列的建模,本发明将预处理后的温湿度及气体压力时序序列首先送入双向长短期记忆网络,从正反两个方向捕获辅助参量演化的双向时序依赖关系--环网柜内温度爬升通常早于局放数据变化,气压异常回落滞后于绝缘损伤出现,单向建模只能捕捉单一方向的因果线索,双向建模使得超前性和滞后性两类关联模式都能被编码;随后经多头自注意力机制在整条序列内建模长程依赖--辅助参量的劣化漂移往往跨越较长的时间窗口,早期出现的轻微气压波动若缺乏跨长时间距离的连接,容易在逐层传递中被后续信息稀释,多头自注意力使早期缓慢出现的异常痕迹能够直接参与后期状态的综合判别;最后由时间卷积网络将多路特征在时序维度上融合对齐,得到多参量融合时序特征;该特征将温湿度与气体压力三个物理通道的演变模式统一编码进同一时序表征中,且保留了各物理量自身的原始变化节奏--不会被统一重采样至局放脉冲的时间尺度而丢失缓变量中蕴含的早期劣化信息,使得后续融合环节能够以同质化表示对两类异构信号进行处理;

61、对于局放劣化特征与多参量融合时序特征进行融合时,二者在时间特性上的异构性为主要障碍--多尺度时间卷积网络以三种不同大小的卷积核在多个时间感受野下分别提取两类特征的局部上下文模式,小感受野捕获局放脉冲临近时刻的瞬态突变细节,大感受野感知辅助参量的长周期演化轮廓;在劣化中后期局放脉冲逐渐密集时,较大感受野分支能够同时覆盖连续多个脉冲组成的簇状放电模式,使得放电强度的累积趋势被纳入局部上下文;门控系数由多层感知机根据两类特征的多尺度时态表示动态计算,对两个分支进行逐元素加权整合--门控系数随输入数据的状态自适应调整:当干扰脉冲与真实局放在波形上相似而难以区分时,温湿度及气压等佐证信息在融合结果中的贡献被自动抬高,弱化单一局放源在干扰场景下的误判倾向;在凝露形成初期,柜内湿度快速跃升而局放仍处于间歇性出现阶段,门控机制自动增加湿度分支的证据权重;当高湿环境持续存在导致湿度特征区分度下降时,判断重心相应移回局放分支;由此得到的异源门控融合特征在劣化全周期的不同阶段均保持较为均衡的证据支撑;

62、对于跨尺度时间依赖的建模,异源门控融合特征中每个时间步被构造为图结构中的一个节点,节点特征直接采用对应时间步的特征向量;节点间连接强度通过两两计算余弦相似度生成软加权邻接矩阵--时间步状态越相似,图中的连接权重越大;该构造方式指向绝缘劣化演化中的非局部重复性:早期劣化阶段出现过的温湿耦合模式可能在数月后的特定工况下再度浮现;降雨过后柜内凝露快速蒸发的状态也可能与此前某段相似工况相关;此类跨越较长时间间隔的状态相似性无法被卷积网络固定窗口内的局部感受野捕捉,而图卷积网络通过软加权邻接矩阵建立节点间的非局部连接路径,使历史相似状态能够直接参与当前时刻的判别;图结构跨尺度特征与一维卷积分支拼接后经残差连接投影至统一高维空间,图结构的全局聚合操作不会淹没原始特征中的短时突变细节,最终得到跨尺度融合预警特征--该特征既包含时序上的局部演化信息,又纳入跨越时间间隔的相似性关联,后续劣化状态判定能够同时依托短期动态变化与长期状态回归两种互补证据;

63、现有技术中,基于单一局放信号源的阈值判定方案在环网柜运行环境中较为常见,该类方案预先设定幅值或能量阈值,局放特征超限即触发劣化告警;但在强电磁干扰背景下,干扰脉冲的幅值与能量分布可与真实局放高度重合,阈值判定缺乏辅助物理量的交叉佐证通道,误报率较高;本发明以门控机制动态计算两类特征分支的融合权重,使证据侧重随输入数据的状态自适应调整,规避固定权重在劣化阶段迁移时的不适配问题;并以图结构对时间步间非局部的相似性依赖进行显式建模,弥补现有方法仅依赖相邻时刻时序窗口而难以捕获跨时距状态关联的局限性--两者协同,使得预警特征在干扰脉冲形态逼近真实局放、辅助参量漂移、劣化阶段跨越等多种不利工况下均能保持较为稳健的判别能力。

64、进一步的,所述多维特征判别模块的计算流程,还包括:

65、a41:根据局放劣化特征、跨尺度融合预警特征,通过双向交叉注意力机制分别以局放劣化特征作为查询、跨尺度融合预警特征作为键值对,以及以跨尺度融合预警特征作为查询、局放劣化特征作为键值对,对两个支路的特征进行双向语义交互,再经门控线性单元进行信息整合,并通过多层感知机进行映射,得到双支路协同交互特征;

66、a42:根据双支路协同交互特征,通过多尺度时间卷积网络在多个时间感受野下捕获局部与全局上下文模式,再进行残差连接后经多层感知机压缩至判别特征空间,得到增强判别特征;

67、a43:根据增强判别特征、双支路协同交互特征,通过多头自注意力机制对增强判别特征的各时间步之间长程依赖进行建模,经层归一化后与线性投影后的双支路协同交互特征进行门控融合,再通过多层感知机将融合特征映射为多维判别向量;

68、a44:根据多维判别向量,通过多层感知机对多维判别向量进行非线性变换,再通过多层感知机得到最终的多维判别向量。

69、进一步的,所述多维特征判别模块的计算流程,还包括:

70、根据局放劣化特征、跨尺度融合预警特征,计算双支路协同交互特征,计算方式为:

71、;

72、;

73、;

74、其中,为第一方向交叉注意力特征,为交叉注意力操作,为第二方向交叉注意力特征,为双支路协同交互特征,为参数为的多层感知机;

75、根据双支路协同交互特征计算增强判别特征,计算方式为:

76、;

77、;

78、其中,为多尺度协同特征,为卷积核大小分别为的时间卷积网络操作,为增强判别特征,为参数为的多层感知机,为压缩激励通道注意力操作;

79、根据增强判别特征、双支路协同交互特征计算多维判别向量,计算方式为:

80、;

81、;

82、其中,为自注意力增强特征,为多维判别向量,为参数为的多层感知机,为参数为的多层感知机;

83、根据多维判别向量计算最终的多维判别向量,计算方式为:

84、;

85、;

86、其中,为联合判别特征,为最终的多维判别向量,为参数为的多层感知机,为参数为的多层感知机。

87、需要进一步说明的是,局放信号具有较强的随机性与多样性--不同缺陷类型产生的放电脉冲在波形形态、重复频率和相位分布上差异显著,同一缺陷在不同劣化阶段也会呈现不同的放电烈度;同时,环境温度、湿度和气压的变化会改变放电的起始电压与传播路径,使得同一类型的缺陷在不同工况条件下表现出差异明显的放电特征;局放劣化特征与跨尺度融合预警特征各自掌握对方缺失的判别线索--局放支路凭借放电波形细节能够捕捉劣化形态的发展趋势,但对环境因素如何影响绝缘状态缺乏感知,而融合支路虽能反映温湿度、气压等外部佐证的整体演变,却难以分辨这些外部变化究竟对应哪一类缺陷--两条支路在特征空间中的分布规律与量纲尺度均有差异,若仅做简单拼接或单向加权,相互冲突的特征分量会使判别信息湮没,难以得出可靠的预警等级依据;

88、针对上述两条支路信息分离的问题,本发明先以双向交叉注意力机制让局放劣化特征与跨尺度融合预警特征互为查询向量与键向量--局放支路作为查询向量时主动从融合支路中检索与其放电形态相关的环境佐证,融合支路作为查询向量时反向从局放支路中寻找与外部工况对应的放电现象印证--使两条支路在交互过程中各自从对方补充自身缺失的判别线索;交互后的两组特征经门控线性单元有选择地整合,再由多层感知机映射至统一空间,得到双支路协同交互特征;这一处理方式使得放电特征与环境特征在语义层面建立起对应关系,局放波形细节与温湿度气压变化相互印证,避免了单向交互中信息流向不对称造成的判别线索遗漏;获得双支路协同交互特征后,再以多尺度时间卷积网络在不同的时间感受野下并行捕获上下文模式--卷积核尺寸较小的支路着重捕捉放电脉冲的瞬时突变细节,卷积核尺寸较大的支路侧重提取绝缘劣化趋势的全局演变规律--这一多尺度机制使后续判别能够同时依据放电事件的局部细节与绝缘状态的总体走向做出判断,当局部放电短暂加剧而整体趋势平稳时,小感受野支路捕捉到突变,大感受野支路识别出并未发生全局劣化,从而避免将一次随机扰动误判为缺陷加深;反之,当绝缘持续劣化但当前时刻放电并不剧烈时,大感受野支路也能从长时间演变中提取趋势信息,使得长时间漂移掩盖瞬时突变的情形能被较为准确地辨识;

89、增强判别特征在时间维度上存在跨时间步的长程依赖--当前时刻的放电状态往往与数十个时间步之前的事件演变相关,若仅依赖局部感受野则难以刻画这种关联;此处以多头自注意力机制对增强判别特征的各时间步之间进行全局建模,使任意两个时间步之间均能建立直接的信息交互通道,并通过层归一化稳定自注意力输出后的特征分布;随后将由自注意力得到的增强特征与线性投影后的双支路协同交互特征进行门控融合--门控机制依据两者在每一位置上的语义相关性自适应地决定各自保留的比例,使互补信息得到整合而冲突信息受到抑制,再经多层感知机将融合结果映射为多维判别向量;

90、这一建模方式使相隔较长时间的两个放电事件之间即使形态差异较大,其内在的劣化演变关联也不会因距离衰减而丢失,当绝缘缺陷呈间歇性发展时,分散在多个时间段的放电脉冲仍能被关联起来以形成完整的劣化轨迹;多维判别向量仍需进一步提炼特征--本发明以多层感知机将其映射至更高维的表示空间,以拟合由放电形态、环境佐证和时序上下文共同决定的复杂决策边界,再经层归一化与残差连接将变换结果与线性投影后的原向量结合,最后经多层感知机映射得到最终的多维判别向量;残差连接使深层非线性变换在增强表征能力的同时不至于丢失原始判别向量的有效信息,最终输出兼顾了非线性拟合能力与原始信息的完整性,使得缺陷类型与劣化程度的判定结果在不同工况条件下均具有较为稳定的可信度;

91、通过以上步骤,本发明通过双向交叉注意力令两条支路在特征层面互为补充与印证,以多尺度时间卷积和自注意力分别建模时序上下文与长程依赖,配合门控融合与多层感知机逐级压缩判别表征,使最终输出的多维判别向量汇聚了局放形态线索、环境佐证信息和时序演变规律--不同来源的判别信息在逐级交互与融合过程中相互校准,使得缺陷类型与劣化程度的判定结果在不同工况条件下均具有较为稳定的可信度,为预警等级判别提供了兼顾互补性与鲁棒性的特征基础。

92、进一步的,所述预警模块的计算流程,还包括:

93、a51:根据最终的多维判别向量,进行趋势校验,结合历史隐状态生成趋势校验特征,计算方式为:

94、;

95、;

96、;

97、其中,为历史隐状态更新值,为前一时间步的历史隐状态,为趋势门控权重,为参数为的多层感知机,为趋势校验特征;

98、a52:根据趋势校验特征,进行预警等级映射,再经温度参数调节,得到预警等级,计算方式为:

99、;

100、;

101、;

102、其中,为预警等级对数概率向量,为时间维度全局平均池化操作,为参数为的多层感知机,为各预警等级的归一化概率分布,为温度缩放参数,为预警等级,为取最大值索引操作,为预警等级索引。

103、与现有技术相比,本发明的有益效果在于:

104、(1)针对现有技术难以捕捉早期绝缘劣化征兆、难以区分干扰信号与真实劣化信号而导致误报率高的问题,本发明对环网柜局放信号、绝缘气体压力与柜内温湿度等多源数据进行采集与预处理,进而依次完成特征提取、跨尺度融合与多维判别,使气体压力、温湿度等辅助信息与局放特征相互印证、协同判读,从而在绝缘劣化尚处于间歇、微弱阶段时捕捉早期劣化征兆,避免早期干预窗口错失;同时借助多维度协同判别与趋势校验,有效抑制环境干扰与工况扰动诱发的非真实放电,准确区分干扰信号与真实劣化信号,降低误报率;在此基础上输出分级预警,运维人员可及时、有针对性地开展排查处置,实现从被动检修向主动预警的转变,切实提升环网柜绝缘状态监测的可靠性与智能化水平。

105、(2)针对环网柜运行于高电压大电流封闭环境中、早期绝缘缺陷产生的局放脉冲幅值微弱、间歇性发作易与电磁干扰混叠的问题,本发明对局放时序序列进行双向建模以聚焦放电脉冲发生时刻,并据此刻画包络的跨尺度形态与相位聚集规律,进一步融合时间演化趋势,得到局放劣化特征,使微弱、稀疏的早期放电信息被充分保留与辨识,提升了对早期劣化征兆的捕捉灵敏度,并初步拉大真实放电与干扰信号在特征空间中的差距,为后续判别奠定基础。

106、(3)针对干扰脉冲在时域波形与幅值分布上与真实局放相似、仅凭单一局放源存在误判风险,且温湿度、气压等辅助参量与局放特征在时间尺度和变化节奏上显著异构、直接融合易丢失早期劣化信息的问题,本发明将辅助参量序列与局放劣化特征统一编码为同质化表示,并依据输入状态自适应调节局放证据与佐证信息的权重,使干扰场景下佐证贡献自动抬高、判断重心随劣化进程动态切换,同时纳入跨越时间间隔的状态相似性关联,得到跨尺度融合预警特征,实现多源证据的协同印证,使劣化全周期各阶段均保持均衡的证据支撑,降低了误报率。

107、(4)针对局放支路与融合支路各自掌握对方缺失的判别线索、两分支分布规律与量纲尺度存在差异,且当前放电状态与长时间之前的事件演变相关、仅依赖局部感受野难以刻画长程依赖的问题,本发明以双向交互令两分支互为补充印证,并兼顾放电脉冲的瞬时突变与劣化趋势的全局演变,进而建立跨时间步的关联,将不同来源的判别信息逐级整合,得到最终的多维判别向量,使分散于多个时间段的间歇放电得以关联形成完整劣化轨迹,避免将随机扰动误判为缺陷加深,使缺陷类型与劣化程度的判定在不同工况下均保持稳定可信,为预警等级判别提供了兼顾互补性与鲁棒性的特征基础。