一种主变压器运行多模态数据的异常鉴别方法与流程

摘要: 本发明涉及电力设备运行监测领域,尤其涉及一种主变压器运行多模态数据的异常鉴别方法。背景技术:1、在电力设备运行监测领域内,主变压器运行多模态数据的异常鉴别现有方...
一种主变压器运行多模态数据的异常鉴别方法与流程

本发明涉及电力设备运行监测领域,尤其涉及一种主变压器运行多模态数据的异常鉴别方法。

背景技术:

1、在电力设备运行监测领域内,主变压器运行多模态数据的异常鉴别现有方案通常获取运行数据、历史工况数据、维护记录和传感器状态信息,并通过时间戳对齐、缺失值识别、异常值处理、去除噪声、归一化、多模态数据融合和风险评估完成异常判断,存在质量置信度记录未作为流程控制依据、预处理路径与诊断路径缺少分流关系、人工确认结果和检修记录难以反向调整分流规则等限制。现有方法多依赖统一预处理、统一特征提取和统一异常识别模型筛查的问题。

2、在主变压器长期运行、多模态数据来源不同、采集窗口和采集频率不一致的场景下,易出现运行数据质量差异被弱化与传感器状态信息未被充分关联的问题,难以满足主变压器运行多模态数据异常鉴别稳定实现的需求。

3、针对质量置信度记录、预处理路径、诊断路径和分流规则的联合处理,现有技术普遍将完整性评分、同步一致性评分、噪声评分、漂移评分和跨模态一致性评分作为数据整理或告警参考,未将高置信数据、中置信数据和低置信数据分别关联至轻量预处理、增强清洗、降权使用、旁路标注、重新采样和传感器状态提示等处理链路,难以在主变压器运行多模态数据异常鉴别场景形成获取、对齐、分流、筛查、诊断、记录的一致流程,导致异常识别模型筛查、云端诊断报告和调优记录之间缺少连续反馈关系。

技术实现思路

1、为了解决上述技术问题,本发明提供了一种主变压器运行多模态数据的异常鉴别方法,包括:

2、s100、获取主变压器的多模态运行数据、历史工况数据、维护记录及传感器状态信息,经通道绑定、时间记录与模态类型整理,生成多模态数据记录;

3、s200、基于所述多模态数据记录执行时间戳对齐、缺失值识别、异常值处理、去噪、归一化及跨模态一致性检查,计算质量置信度并生成质量置信度记录;

4、s300、根据所述质量置信度记录将数据划分为高置信、中置信、低置信数据,完成预处理路径与诊断路径分流,得到质量分流结果;

5、s400、依据所述质量分流结果对高置信及经增强清洗的中置信数据进行边缘侧特征提取与异常识别模型筛查,输出边缘侧快速筛查结果;

6、s500、将所述边缘侧快速筛查结果中的异常及可疑数据上传云端诊断中心,经跨模态特征对齐、动态权重分配、多模态数据融合、可解释性分析与风险评估,生成云端诊断报告;

7、s600、根据所述云端诊断报告执行告警、维护策略匹配、人工确认与检修记录绑定,并完成增量学习及相关参数与规则调整,生成调优记录。

8、进一步地,经通道绑定、时间记录与模态类型整理,生成多模态数据记录的过程包括:

9、所述通道绑定处理包含:将主变压器的绕组、套管、电流测量点、温度测量点、振动测量点和噪声采集点分别关联对应的传感器编号,每一传感器编号绑定一个模态类型并同步登记对应的采集窗口和采集频率;

10、所述时间记录处理包含:在每一采集窗口开始时记录开始时间、结束时记录结束时间,将同一采集窗口内的数据分别登记时间戳,未产生运行数据的位置记录为待缺失值识别数据,产生重复运行数据时保留原始数据片段并记录重复采集状态;

11、所述模态类型整理处理包含:将电流数据和电压数据归入电气运行数据,温度数据归入温度运行数据,振动数据归入机械振动运行数据,噪声数据归入噪声运行数据,并为运行数据增加模态类型、传感器编号、采集窗口和采集频率字段,同时将历史工况数据按采集窗口和模态类型关联、维护记录按部件和采集窗口关联、传感器状态信息按传感器编号关联。

12、进一步地,执行时间戳对齐、缺失值识别、异常值处理、去噪的过程包括:

13、所述时间戳对齐处理包含:将电流数据、电压数据、温度数据、振动数据和噪声数据按采集窗口内的时间戳顺序整理,将时间戳超出窗口范围的记录标记为同步待检查数据,将重复时间戳的重复状态写入质量置信度记录的同步一致性评分来源字段;

14、所述缺失值识别处理包含:检查每一采集窗口内各传感器编号下是否存在运行数据空缺,若空缺则记录为缺失值位置,若仅单一窗口缺失且前后窗口均有数据则登记为可填充状态,若连续多窗口缺失则登记为传感器状态提示候选;

15、所述异常值处理包含:对完成时间戳对齐后的运行数据进行范围检查和连续性检查,将偏离历史工况数据取值范围的片段标记为异常值候选,将短时突变且传感器状态正常的片段标记为异常脉冲候选;

16、所述去噪处理包含:对电流数据和电压数据检查尖峰波动和短时扰动,对温度数据检查与采集频率不匹配的跳变片段,对振动数据和噪声数据检查短时高幅值片段和背景扰动片段,并记录噪声状态。

17、进一步地,归一化及跨模态一致性检查,计算质量置信度并生成质量置信度记录的过程包括:

18、归一化处理包含:按照模态类型分别建立归一化记录,保留原始数据片段对应关系,调用调优记录中的预处理参数或预设预处理参数;

19、跨模态一致性检查处理包含:在同一采集窗口内对电流、电压、温度、振动和噪声数据的变化方向、变化时间和变化强度进行关联检查,当多模态同步变化时登记为跨模态一致性较高状态,当单一模态异常而其他模态未变化时登记为跨模态一致性待复核状态,当传感器状态异常且数据与其他模态不一致时登记为低置信候选;

20、质量置信度计算处理包含:基于完整性评分、同步一致性评分、噪声评分、漂移评分和跨模态一致性评分生成综合质量级别,上述评分分别来自缺失值识别结果、时间戳对齐结果、去噪处理结果、异常值处理及传感器状态信息、跨模态一致性检查结果。

21、进一步地,划分为高置信、中置信、低置信数据的过程包括:

22、当运行数据完整、时间戳对齐正常、噪声轻微、无持续漂移且跨模态一致性评分高时登记为高置信数据;当存在单一窗口缺失值、短时噪声、轻微时间戳偏差或跨模态一致性待复核状态且传感器无持续异常时登记为中置信数据;当存在连续窗口缺失、持续噪声、明显漂移、传感器状态异常或跨模态一致性低时登记为低置信数据。

23、进一步地,完成预处理路径与诊断路径分流,得到质量分流结果的过程包括:

24、将高置信数据匹配至轻量预处理和边缘侧快速筛查路径;将中置信数据匹配至增强清洗、缺失值填充、时间戳重新对齐和云端复核路径;将低置信数据匹配至降权使用、旁路标注、重新采样和传感器状态提示路径;

25、所述质量分流结果包含传感器编号字段、模态类型字段、采集窗口字段、综合质量级别字段、路径标识字段以及各路径对应的处理字段。

26、进一步地,依据所述质量分流结果对高置信及经增强清洗的中置信数据进行边缘侧特征提取与异常识别模型筛查,输出边缘侧快速筛查结果的过程包括:

27、边缘侧特征提取处理包含:在同一采集窗口内提取运行数据的统计特征、频域特征、时域特征和模态特征;所述统计特征包含大小状态、变化状态、连续状态和缺失状态;所述频域特征提取自振动数据和噪声数据的频域变化段;所述时域特征按时间戳顺序记录变化先后关系并关联同步一致性评分;所述模态特征由运行数据与模态类型、综合质量级别、路径标识组合形成;

28、异常识别模型筛查处理包含:读取高置信数据对应的统计特征、频域特征、时域特征和模态特征,读取经增强清洗的中置信数据对应的统计特征、时域特征和模态特征;将特征与历史工况数据、维护记录比对,若特征对应且未偏离则输出明显正常结果,若多模态同时明显偏离则输出明显异常结果,若仅单一模态偏离或伴随中置信数据、云端复核字段则输出可疑结果;

29、所述边缘侧快速筛查结果包含传感器编号字段、模态类型字段、采集窗口字段、统计特征字段、频域特征字段、时域特征字段、模态特征字段、明显正常结果字段、明显异常结果字段、可疑结果字段、路径标识字段、综合质量级别字段和云端上传标记字段。

30、进一步地,经跨模态特征对齐、动态权重分配、多模态数据融合、可解释性分析与风险评估,生成云端诊断报告的过程包括:

31、跨模态特征对齐处理包含:将电流、电压、温度、振动和噪声数据对应的统计特征、频域特征、时域特征和模态特征按同一主变压器、同一采集窗口和同一时间戳对齐结果进行重排和绑定,对高置信数据保持原路径标识,对中置信数据保留增强清洗字段和云端复核字段,对低置信数据仅进行旁路标注关联;

32、动态权重分配处理包含:基于质量置信度记录中的完整性评分、同步一致性评分、噪声评分、漂移评分、跨模态一致性评分和综合质量级别确定归一化权重,高置信数据对应较高权重,中置信数据对应中等权重,低置信数据对应低权重并保留旁路标注,并读取前一采集窗口或上一运行周期的调优记录中的动态权重分配参数;

33、多模态数据融合处理包含:生成融合特征向量,该融合特征向量包括传感器编号、模态类型、采集窗口、统计特征、频域特征、时域特征、模态特征、归一化权重、路径标识和综合质量级别;

34、可解释性分析处理包含:基于融合特征向量、历史工况数据、维护记录和质量置信度记录提取异常主导特征,登记模态贡献,推断可能原因,判定故障类型;

35、风险评估处理包含:基于故障类型、异常主导特征、模态贡献、综合质量级别、明显异常结果和可疑结果进行严重级别判断,若多模态高置信数据异常主导特征集中于电流、电压、温度则登记为高等级,若异常主导特征来自中置信数据且存在云端复核字段则登记为中等级或复核等级,若来自低置信数据或传感器状态提示则登记为传感器状态相关等级。

36、进一步地,执行告警、维护策略匹配、人工确认与检修记录绑定的过程包括:

37、告警处理包含:读取云端诊断报告中的严重级别字段、故障类型字段和可能原因字段,若严重级别对应持续监测则生成预警信号和持续监测指令,若对应计划停机检查则生成报警信息、修理通知和计划停机检查指令,若对应紧急维护则生成报警信息、修理通知和紧急维护指令;

38、维护策略匹配包含:按照严重级别与故障类型的对应关系将云端诊断报告映射为持续监测指令、计划停机检查指令或紧急维护指令;

39、人工确认与检修记录绑定包含:接收运维人员录入的人工确认结果和检修记录,将人工确认结果中的故障类型确认结果、误报结果、漏报结果以及检修记录中的维护策略执行结果生成反馈标签数据,并与质量置信度记录、边缘侧快速筛查结果和云端诊断报告按照传感器编号、模态类型和采集窗口进行绑定。

40、进一步地,完成增量学习及相关参数与规则调整,生成调优记录的过程包括:

41、增量学习包含:在不删除原异常识别模型历史记录的情况下将反馈标签数据加入训练记录,并对明显正常结果、明显异常结果和可疑结果的判定边界进行更新;

42、相关参数与规则调整包含:若误报结果主要来源于低置信数据或传感器状态提示,则提高对应模态类型的质量置信度阈值并调整降权使用、旁路标注和重新采样的分流规则;若漏报结果主要来源于高置信数据,则调整边缘侧快速筛查的特征选择策略;若漏报结果主要来源于经增强清洗的中置信数据,则调整预处理参数并修改增强清洗、缺失值填充和时间戳重新对齐的触发条件;

43、所述调优记录包含传感器编号字段、模态类型字段、采集窗口字段、反馈标签数据字段、异常识别模型更新字段、质量置信度阈值字段、预处理参数字段、特征选择策略字段、动态权重分配参数字段、分流规则字段和维护策略执行结果字段。

44、本发明的关键创新点包括:

45、(1)基于所述质量置信度记录进行高置信数据、中置信数据、低置信数据划分,并将不同质量级别分别关联至预处理路径和诊断路径,形成质量分流结果。

46、(2)基于所述质量分流结果进行边缘侧特征提取和异常识别模型筛查,并将边缘侧快速筛查结果作为云端诊断中心上传、跨模态特征对齐和多模态数据融合的输入依据。

47、(3)基于所述云端诊断报告进行报警信息、维护策略匹配、人工确认结果和检修记录绑定,并通过增量学习调整质量置信度阈值、预处理参数、特征选择策略和分流规则,形成调优记录。

48、以下为其主要的有益效果:

49、(1)针对现有方案中质量置信度记录未作为流程控制依据的问题,通过高置信数据、中置信数据、低置信数据划分,并关联预处理路径和诊断路径,使运行数据、历史工况数据、维护记录和传感器状态信息在进入异常鉴别前形成可区分的数据去向,减少统一预处理导致的质量差异弱化。

50、(2)针对现有方案中预处理路径与诊断路径缺少分流关系的问题,通过质量分流结果驱动边缘侧特征提取和异常识别模型筛查,使边缘侧快速筛查结果能够承接前序质量置信度记录,并为云端诊断中心上传提供明确输入,形成从质量分流到边缘侧快速筛查的连续处理链路。

51、(3)针对现有方案中人工确认结果和检修记录难以反向调整分流规则的问题,通过将云端诊断报告与报警信息、维护策略匹配、人工确认结果和检修记录绑定,并进行增量学习、质量置信度阈值、预处理参数、特征选择策略和分流规则调整,使调优记录能够回到后续异常鉴别过程。

52、(4)针对多模态数据来源不同、采集窗口和采集频率不一致的问题,通过时间戳对齐、跨模态一致性检查、跨模态特征对齐、动态权重分配和多模态数据融合,使云端诊断报告能够同时反映边缘侧快速筛查结果、质量置信度记录和融合后的异常信息。

53、(5)针对异常识别模型筛查、云端诊断报告和调优记录之间缺少连续反馈关系的问题,通过边缘侧快速筛查结果、云端诊断报告、人工确认结果、检修记录和调优记录的顺序衔接,使主变压器运行多模态数据的异常鉴别形成获取、对齐、分流、筛查、诊断和记录的一致流程。