变压器油中溶解气体预测方法、装置、设备及存储介质与流程

摘要: 本发明涉及变压器油中气体预测,尤其涉及一种变压器油中溶解气体预测方法、装置、设备及存储介质。背景技术:1、电力变压器是电力系统的核心设备,其运行稳定性直接决定电...
变压器油中溶解气体预测方法、装置、设备及存储介质与流程

本发明涉及变压器油中气体预测,尤其涉及一种变压器油中溶解气体预测方法、装置、设备及存储介质。

背景技术:

1、电力变压器是电力系统的核心设备,其运行稳定性直接决定电网的安全可靠运行,油中溶解气体分析是判断变压器绝缘老化程度、识别早期潜伏性故障的重要技术手段。

2、当前主流的油中溶解气体预测方法多依赖特征与目标变量的两两关联分析,仅能衡量单一特征与气体浓度的线性或非线性相关关系,难以刻画多特征间的复杂高阶交互作用,不仅易遗漏具有联合影响的关键组合特征,还会引入大量伪相关特征,造成预测模型精度下降且决策依据缺乏合理性。同时,现有技术普遍将特征筛选与模型参数优化拆分为相互独立的环节,二者缺少双向反馈与协同迭代机制,使得优化过程缺乏针对性,整体寻优效率偏低,难以获得全局最优的模型配置。此外,多数预测模型侧重拟合精度而忽略可解释性,无法量化各特征对预测结果的实际贡献,难以支撑工程现场的故障诊断与决策分析。针对上述技术缺陷,亟需构建兼顾特征交互建模、因果特征筛选与协同优化的预测方法,以提升变压器油中溶解气体预测的准确性、鲁棒性与实用价值。

技术实现思路

1、为了克服现有技术的不足,本发明的目的在于提供一种变压器油中溶解气体预测方法、装置、设备及存储介质,旨在实现高效特征筛选与协同寻优,提升气体预测精度与模型可解释性。

2、本发明第一方面提供了一种变压器油中溶解气体预测方法,包括:获取原始特征集,基于所述原始特征集构建异构网络;对所述异构网络进行特征交互建模处理,得到目标节点嵌入;基于所述目标节点嵌入计算所述原始特征集中所有特征的因果重要性指数,并基于所述因果重要性指数从所述原始特征集中筛选出多个关键特征;将每个所述关键特征输入预构建的双通道协同进化架构进行协同进化优化处理,得到多目标优化结果;对所述多目标优化结果进行非支配排序处理,得到前沿非支配解集,并从所述前沿非支配解集中筛选出目标权衡模型;将每个所述关键特征输入所述目标权衡模型进行气体预测,得到气体浓度数据。

3、可选的,在本发明第一方面的第一种实现方式中,所述获取原始特征集,包括:获取历史数据集,采用k近邻算法对所述历史数据集进行缺失值插值处理,得到插值数据集;采用3σ准则算法对所述插值数据集进行异常值修正处理,得到修正数据集;采用归一化算法对所述修正数据集进行归一化处理,得到归一化数据集;采用特征向量化算法对所述归一化数据集进行特征提取处理,得到所述原始特征集。

4、可选的,在本发明第一方面的第二种实现方式中,所述基于所述原始特征集构建异构网络,包括:获取多个气体节点,并将所述原始特征集中的各特征作为特征节点;基于所述气体节点和所述特征节点构建第一特征边集,并基于所述特征节点构建第二特征边集;采用皮尔逊相关系数算法计算所述第一特征边集的边权重,得到第一权重集合;采用互信息算法计算所述第二特征边集的边权重,得到第二权重集合;基于所述第一权重集合和所述第二权重集合构建异构网络的权重矩阵,以完成异构网络构建。

5、可选的,在本发明第一方面的第三种实现方式中,所述对所述异构网络进行特征交互建模处理,得到目标节点嵌入,包括:获取预设的投影矩阵,采用所述投影矩阵对所述异构网络中的各节点进行特征投影处理,得到初始节点嵌入;采用注意力单层网络对所述初始节点嵌入进行注意力得分计算,得到原始注意力分数;采用softmax函数对所述原始注意力分数进行归一化处理,得到标准化注意力系数;基于所述标准化注意力系数对所述异构网络中各节点的邻居节点嵌入进行加权聚合处理,得到聚合节点嵌入;采用多层图注意力网络对所述聚合节点嵌入进行迭代更新,得到所述目标节点嵌入。

6、可选的,在本发明第一方面的第四种实现方式中,所述基于所述目标节点嵌入计算所述原始特征集中所有特征的因果重要性指数,并基于所述因果重要性指数从所述原始特征集中筛选出多个关键特征,包括:将所述目标节点嵌入和所述原始特征集输入预训练的梯度重要性计算模型进行梯度重要性计算,得到多个梯度重要性值;采用反事实推理策略对所述原始特征集中所有特征进行反事实干预处理,得到与每个所述梯度重要性值对应的反事实重要性值;采用预设的平衡系数对每个所述梯度重要性值和对应的所述反事实重要性值进行加权融合,得到多个因果重要性指数;对多个所述因果重要性指数进行排序,将排序靠前的预设数量的特征作为所述关键特征。

7、可选的,在本发明第一方面的第五种实现方式中,所述双通道协同进化架构包括种群初始化模块、双通道并行优化模块和协同评估迭代模块,所述种群初始化模块、所述双通道并行优化模块和所述协同评估迭代模块依次连接;所述将每个所述关键特征输入预构建的双通道协同进化架构进行协同进化优化处理,得到多目标优化结果,包括:基于所述种群初始化模块对每个所述关键特征进行双层编码处理,得到初始优化种群;基于所述双通道并行优化模块对所述初始优化种群进行并行优化处理,得到优化特征参数组合;基于所述协同评估迭代模块对所述优化特征参数组合进行迭代更新处理,得到所述多目标优化结果。

8、可选的,在本发明第一方面的第六种实现方式中,所述对所述多目标优化结果进行非支配排序处理,得到前沿非支配解集,并从所述前沿非支配解集中筛选出目标权衡模型,包括:获取预设的非支配排序规则以及所述多目标优化结果中的所有优化个体;采用所述非支配排序规则对所有所述优化个体进行支配关系判断筛选处理,得到所述前沿非支配解集;采用综合评估算法计算所述前沿非支配解集中所有优化个体的综合性能得分,并选取所述综合性能得分最高的优化个体对应的模型作为所述目标权衡模型。

9、本发明第二方面提供了一种变压器油中溶解气体预测装置,包括:异构网络构建模块:用于获取原始特征集,基于所述原始特征集构建异构网络;特征交互建模模块:用于对所述异构网络进行特征交互建模处理,得到目标节点嵌入;关键特征获取模块:用于基于所述目标节点嵌入计算所述原始特征集中所有特征的因果重要性指数,并基于所述因果重要性指数从所述原始特征集中筛选出多个关键特征;优化结果获取模块:用于将每个所述关键特征输入预构建的双通道协同进化架构进行协同进化优化处理,得到多目标优化结果;目标模型获取模块:用于对所述多目标优化结果进行非支配排序处理,得到前沿非支配解集,并从所述前沿非支配解集中筛选出目标权衡模型;气体预测模块:用于将每个所述关键特征输入所述目标权衡模型进行气体预测,得到气体浓度数据。

10、本发明第三方面提供了一种变压器油中溶解气体预测设备,所述变压器油中溶解气体预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;至少一个所述处理器调用所述存储器中的所述指令,以使得所述变压器油中溶解气体预测设备执行上述任一项所述的变压器油中溶解气体预测方法的各个步骤。

11、本发明的第四方面提供了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任一项所述变压器油中溶解气体预测方法的各个步骤。

12、本发明的技术方案中,首先获取原始特征集,基于原始特征集构建异构网络,对异构网络进行特征交互建模处理,得到目标节点嵌入,基于目标节点嵌入计算原始特征集中所有特征的因果重要性指数,并基于因果重要性指数从原始特征集中筛选出多个关键特征,将每个关键特征输入预构建的双通道协同进化架构进行协同进化优化处理,得到多目标优化结果,接着对多目标优化结果进行非支配排序处理,得到前沿非支配解集,并从前沿非支配解集中筛选出目标权衡模型,最后将每个关键特征输入目标权衡模型进行气体预测,得到气体浓度数据,旨在实现高效特征筛选与协同寻优,提升气体预测精度与模型可解释性。