变电站电力设备的异常诊断方法、装置、设备和存储介质与流程

摘要: 本技术涉及电力设备状态监测,特别是涉及一种变电站电力设备的异常诊断方法、装置、设备和存储介质。背景技术:1、随着变电站智能化状态监测技术的发展,电力设备在线监测...
变电站电力设备的异常诊断方法、装置、设备和存储介质与流程

本技术涉及电力设备状态监测,特别是涉及一种变电站电力设备的异常诊断方法、装置、设备和存储介质。

背景技术:

1、随着变电站智能化状态监测技术的发展,电力设备在线监测系统通常需要采集声纹、红外和工况等多源数据,并对其进行融合分析以实现设备异常诊断。因此出现了基于声纹与红外跨模态融合的电力设备异常诊断技术。该技术通过分别提取声纹异常特征和红外热异常特征,并将两类特征进行跨模态关联,以确定设备的异常状态。

2、现有技术主要采用时间同步与独立诊断相结合的方式,即将声纹数据和红外数据按统一时间轴进行对齐,随后分别对声纹数据和红外数据独立进行异常检测,再将两者的检测结果按时间戳进行匹配,以确定设备是否存在异常。

3、然而,该方法要求声纹数据与红外数据在时间上严格同步,而声纹为高频连续信号,红外为低帧率图像,两者采样率差异大,因此时间对齐十分困难,容易造成数据错位,进而严重影响设备异常诊断的准确性。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种变电站电力设备的异常诊断方法、装置、设备和存储介质。

2、第一方面,本技术提供了一种变电站电力设备的异常诊断方法,包括:

3、获取目标电力设备的运行数据,在检测到运行数据出现异常特征的情况下,以异常特征对应的异常时刻为基准,提取预设时间段内的运行数据集;运行数据包括声纹数据和红外数据;

4、将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,并根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果。

5、在其中一个实施例中,诊断模型包括正常响应模型、预测模型、匹配模型以及替换模型,将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果,包括:

6、将运行数据集中的声纹数据和红外数据分别输入至正常响应模型中,由正常响应模型生成声学残差和红外残差,并从声学残差和红外残差中提取声学异常事件和热异常事件;

7、将声学异常事件输入至预测模型中,得到预测结果,并结合预测结果、热异常事件和预先确定的分层可信度得到声学事件总质量和热事件总质量;

8、将声学事件总质量和热事件总质量分别输入至匹配模型中,由匹配模型根据匹配算法进行跨模态匹配,得到已匹配事件对、未匹配声学事件质量、未匹配热事件质量及跨模态关联可信度;

9、将已匹配事件对、未匹配声学事件质量、未匹配热事件质量及跨模态关联可信度输入至替换模型中,由替换模型分别将声学残差替换为当前工况下的正常声学响应,将红外残差替换为当前工况下的正常红外响应,并分别计算替换前后诊断结论的变化量得到声纹证据贡献和红外证据贡献,以及对已匹配事件对、未匹配声学事件质量、未匹配热事件质量、跨模态关联可信度、分层可信度、声纹证据贡献和红外证据贡献进行融合处理,得到异常演化状态和诊断结果。

10、在其中一个实施例中,根据匹配算法进行跨模态匹配,得到已匹配事件对、未匹配声学事件质量、未匹配热事件质量及跨模态关联可信度,包括:

11、根据时间延迟分布、声学异常事件与热异常事件之间的特征距离、声学异常事件与热异常事件对应设备部件之间的拓扑关系,以及声学异常事件和热异常事件的局部可靠度,确定匹配代价;

12、根据匹配算法和匹配代价对声学事件总质量和热事件总质量进行跨模态匹配,得到已匹配事件对、未匹配声学事件质量、未匹配热事件质量及跨模态关联可信度。

13、在其中一个实施例中,根据匹配算法和匹配代价对声学事件总质量和热事件总质量进行跨模态匹配,得到已匹配事件对、未匹配声学事件质量、未匹配热事件质量及跨模态关联可信度,包括:

14、基于匹配算法,以匹配代价为目标,对声学事件总质量和热事件总质量进行匹配,得到声学异常事件与热异常事件之间的匹配矩阵;匹配矩阵中的每一个元素表示各声学异常事件与热异常事件之间的匹配质量,未分配匹配质量的声学异常事件和热异常事件保持未匹配状态;

15、根据匹配矩阵,将未匹配的声学异常事件对应的声学事件质量确定为未匹配声学事件质量,将未匹配的热异常事件对应的热事件质量确定为未匹配热事件质量,将匹配质量高于预设阈值的声学异常事件和热异常事件确定为已匹配事件对;

16、根据所有已匹配事件对中各事件对的匹配质量以及对应的匹配代价,确定跨模态关联可信度。

17、在其中一个实施例中,分层可信度包括声纹模态可信度、红外模态可信度、声学事件局部可靠度和热事件局部可靠度;分层可信度的确定方法包括:

18、根据声纹数据的质量指标,确定声纹模态可信度;

19、根据红外数据的质量指标,确定红外模态可信度;

20、根据声学异常事件的事件质量指标,确定声学事件局部可靠度;

21、根据热异常事件的事件质量指标,确定热事件局部可靠度。

22、在其中一个实施例中,将声学异常事件输入至预测模型中,得到预测结果,并结合预测结果、热异常事件和预先确定的分层可信度得到声学事件总质量和热事件总质量,包括:

23、将声学异常事件输入至预测模型进行预测,得到声学异常事件对应的时间延迟分布和等待概率;等待概率用于表征声学异常事件在当前时刻之后出现对应热异常事件的概率;

24、根据时间延迟分布、等待概率和分层可信度,确定声学事件总质量;

25、根据分层可信度的红外模态可信度和热异常事件的热事件局部可靠度,确定热事件总质量。

26、在其中一个实施例中,对已匹配事件对、未匹配声学事件质量、未匹配热事件质量、跨模态关联可信度、分层可信度、声纹证据贡献和红外证据贡献进行融合处理,得到异常演化状态和诊断结果,包括:

27、根据已匹配事件对,对已匹配的声学异常事件和热异常事件进行加权聚合,得到匹配事件对特征;

28、根据未匹配声学事件质量和未匹配热事件质量分别对未匹配的声学异常事件和热异常事件进行加权聚合,得到未匹配单模态特征;

29、将匹配事件对特征、未匹配单模态特征、分层可信度、跨模态关联可信度、声纹证据贡献以及红外证据贡献进行拼接处理,得到融合特征;

30、对融合特征进行状态判别处理,得到异常演化状态和诊断结果。

31、第二方面,本技术还提供了一种变电站电力设备的异常诊断装置,包括:

32、获取模块,用于获取目标电力设备的运行数据,在检测到运行数据出现异常特征的情况下,以异常特征对应的异常时刻为基准,提取预设时间段内的运行数据集;运行数据包括声纹数据和红外数据;

33、输入模块,用于将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,并根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果。

34、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:

35、获取目标电力设备的运行数据,在检测到运行数据出现异常特征的情况下,以异常特征对应的异常时刻为基准,提取预设时间段内的运行数据集;运行数据包括声纹数据和红外数据;

36、将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,并根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果。

37、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:

38、获取目标电力设备的运行数据,在检测到运行数据出现异常特征的情况下,以异常特征对应的异常时刻为基准,提取预设时间段内的运行数据集;运行数据包括声纹数据和红外数据;

39、将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,并根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果。

40、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:

41、获取目标电力设备的运行数据,在检测到运行数据出现异常特征的情况下,以异常特征对应的异常时刻为基准,提取预设时间段内的运行数据集;运行数据包括声纹数据和红外数据;

42、将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,并根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果。

43、上述变电站电力设备的异常诊断方法、装置、设备和存储介质,通过获取目标电力设备的运行数据,在检测到运行数据出现异常特征的情况下,以异常特征对应的异常时刻为基准,提取预设时间段内的运行数据集;运行数据包括声纹数据和红外数据;将运行数据集输入至预先构建的诊断模型中,由诊断模型提取声学异常事件和热异常事件,基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,并根据已匹配事件对和未匹配事件质量进行融合处理,得到目标电力设备的异常演化状态和诊断结果。上述方法通过以异常特征对应的异常时刻为基准提取预设时间段内的运行数据集,使声纹数据和红外数据围绕异常事件对齐,避免了逐点对齐困难的问题;通过基于预设的匹配算法对声学异常事件和热异常事件进行匹配,得到已匹配事件对和未匹配事件质量,使得单模态异常证据不会被丢弃;通过根据已匹配事件对和未匹配事件质量进行融合处理,提高了变电站电力设备异常诊断的准确性和可解释性。