输电线路多参数集成监测与故障智能预测系统及方法

本发明涉及故障检测，更具体地说，本发明涉及一种输电线路多参数集成监测与故障智能预测系统及方法。

背景技术：

1、输电线路是电力系统输送电能的骨干，其长期暴露在复杂的自然环境中，易受微气象、地形地貌及自身老化等多因素影响而发生故障。

2、然而，现有的输电线路监测与故障预测方法在实际应用中仍存在显著不足，首先，现有系统大多针对单一参数设置独立的报警逻辑（如温度超限、风偏角过大等），忽略了输电线路故障往往是多参数时空耦合作用的结果，例如，覆冰故障不仅与温湿度相关，还与风向风速及导线张力动态交织，单一参数报警极易产生误报或漏报。其次，缺乏对多源异构数据深层关联特征的挖掘能力，监测数据包含一维时序传感器数据与二维图像数据，现有方法通常仅进行简单的数据拼接或特征串联，未能有效消除不同模态数据间的语义鸿沟，导致特征表达不充分，最后，纯数据驱动的预测模型缺乏物理机理的约束与引导，输电线路的运行状态遵循明确的力学与电气规律（如覆冰增长模型、风偏力学方程），现有深度学习模型仅依赖数据统计规律，当遇到未出现过的极端工况时，预测结果极易违背物理常识，导致模型泛化能力弱、预测可靠性差。

3、因此，有必要提出一种输电线路多参数集成监测与故障智能预测系统。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：输电线路多参数集成监测与故障智能预测系统，包括：

2、数据采集及融合模块，用于获取输电线路目标区段的多源异构监测数据；并在时空对齐后分别提取一维时序特征与二维视觉特征，通过跨模态融合，获得多模态融合表征；

3、线路拓扑构建及配置模块，用于基于输电线路杆塔拓扑连接关系与档距信息，构建线路拓扑图，并配置多模态融合表征；基于线路拓扑图，提取输电线路相邻节点间的空间拓扑依赖特征与节点自身的时间演化特征；

4、物理约束修正模块，用于引入输电线路物理机理模型作为先验约束，对空间拓扑依赖特征与时间演化特征进行物理一致修正，获得多参数演化趋势；

5、故障预测输出模块，用于基于多参数演化趋势进行多任务联合预测，输出目标区段的故障风险指数及故障类型。

6、优选地，所述在时空对齐后分别提取一维时序特征与二维视觉特征，通过跨模态融合，获得多模态融合表征，包括：

7、多源异构监测数据包括一维传感器时序数据与二维视觉图像数据；其中，一维传感器时序数据包括微气象参数、导线张力参数与绝缘子泄漏电流参数，二维视觉图像数据包括杆塔与导线覆冰图像及周围环境图像；

8、以监测时间戳为基准，对一维传感器时序数据与二维视觉图像数据进行时间维度的插值对齐；

9、将一维传感器时序数据输入长短期记忆网络，提取时序动态依赖特征作为查询向量；

10、将二维视觉图像数据输入卷积神经网络，提取空间语义特征作为键向量和值向量；

11、将查询向量与键向量的注意力分布作用于值向量，输出多模态融合表征。

12、优选地，所述基于输电线路杆塔拓扑连接关系与档距信息，构建线路拓扑图，并配置多模态融合表征，包括：

13、以输电线路上的各杆塔作为图节点，以相邻杆塔之间的导线连接关系作为边；

14、将相邻杆塔间的档距与高程差作为边的初始权重；

15、将每个杆塔节点对应的多模态融合表征映射为节点特征向量，完成线路拓扑图的构建。

16、优选地，所述空间拓扑依赖特征的获取方式：

17、在空间维度上，基于线路拓扑图的邻接矩阵与度矩阵，结合包含档距与高程差的边权重构建空间聚合权重矩阵；

18、将各杆塔节点对应的节点特征向量输入图卷积网络，依据空间聚合权重矩阵对相邻杆塔节点的节点特征向量进行加权聚合操作；

19、在聚合过程中，依据档距与高程差调节相邻节点间的信息传递贡献度，使得微气象参数、导线张力参数与视觉特征在线路拓扑图的边上进行空间交互与耦合传递，从而提取空间拓扑依赖特征。

20、优选地，所述时间演化特征的获取方式：

21、在时间维度上，将经过空间聚合后的各杆塔节点特征向量按时间步排列形成时空特征序列；

22、将时空特征序列输入时间卷积网络，沿时间轴进行一维扩张卷积操作，通过设置不同扩张率的卷积核捕捉多参数在不同时间尺度下的动态演化依赖，同时，引入因果卷积机制确保当前时刻的预测仅依赖历史时刻的状态；

23、从而，提取出微气象参数、导线张力参数与视觉特征的时间演化特征。

24、优选地，所述引入输电线路物理机理模型作为先验约束，对空间拓扑依赖特征与时间演化特征进行物理一致修正，获得多参数演化趋势，包括：

25、将空间拓扑依赖特征与时间演化特征输入至预测网络，输出初始预测参数；

26、基于初始预测参数中的气象相关参数，获取其对应的物理状态理论值；

27、计算初始预测参数与物理状态理论值之间的物理违背度；

28、基于物理违背度构建物理损失惩罚项，将物理损失惩罚项与数据驱动损失函数加权融合构成总损失函数，通过总损失函数对预测网络的权重参数进行反向传播梯度更新修正，生成多参数演化趋势。

29、优选地，所述计算初始预测参数与物理状态理论值之间的物理违背度，包括：

30、获取预测的覆冰厚度与风偏角，计算其与理论覆冰厚度、理论风偏角的差值，并识别差值的符号与绝对值；

31、将差值的符号与绝对值之积作为基础违背度，当预测值与理论值的变化趋势相反，即差值符号为负时，将基础违背度与趋势违背惩罚系数的乘积值记为物理违背度，其中，趋势违背惩罚系数大于1。

32、优选地，所述基于多参数演化趋势进行多任务联合预测，输出目标区段的故障风险指数及故障类型，包括：

33、将多参数演化趋势输入共享特征提取层，共享特征提取层由全连接层与批归一化层交替构成；

34、从共享特征提取层分路接入覆冰预测分支、风偏预测分支与污闪预测分支；

35、同步输出覆冰风险概率、风偏风险概率与污闪风险概率，结合各故障类型在当前工况下的权重系数，聚合生成故障风险指数及对应的故障类型。

36、优选地，所述结合各故障类型在当前工况下的权重系数，聚合生成故障风险指数及对应的故障类型，包括：

37、获取当前微气象条件，基于预设的气象阈值映射表动态调整各分支的权重系数；若当前温度低于预设低温阈值且湿度高于预设高湿阈值，则将覆冰预测分支的权重系数调整为第一预设高权重值；

38、若当前风速高于预设大风阈值，则将风偏预测分支的权重系数调整为第二预设高权重值；

39、基于动态调整后的权重系数对各分支风险概率进行加权求和，输出故障风险指数，并将风险概率最高的分支对应为故障类型。

40、输电线路多参数集成监测与故障智能预测方法，包括：

41、步骤s1、获取输电线路目标区段的多源异构监测数据；

42、步骤s2、对多源异构监测数据进行时空对齐，并分别提取一维时序特征与二维视觉特征，通过跨模态融合，获得多模态融合表征；

43、步骤s3、基于输电线路杆塔拓扑连接关系与档距信息，构建线路拓扑图，并配置多模态融合表征；

44、步骤s4、基于线路拓扑图，提取输电线路相邻节点间的空间拓扑依赖特征与节点自身的时间演化特征；

45、步骤s5、引入输电线路物理机理模型作为先验约束，对空间拓扑依赖特征与时间演化特征进行物理一致修正，获得多参数演化趋势；

46、步骤s6、基于多参数演化趋势进行多任务联合预测，输出目标区段的故障风险指数及故障类型。

47、本发明输电线路多参数集成监测与故障智能预测系统的技术效果和优点：

48、通过跨模态注意力机制进行深度融合，以时序动态依赖特征作为查询向量（q），以视觉空间语义特征作为键向量（k）和值向量（v），通过注意力分布计算，实现了视觉特征对时序特征的自适应增强，有效消除了不同模态数据间的语义鸿沟，使得模型能够自动聚焦于与当前力学和电气状态强相关的视觉区域，输出的多模态融合表征包含了更全面、更精准的线路状态信息。

49、通过构建融合档距与高程差的线路拓扑图，并采用图卷积网络与时间卷积网络提取时空特征，在空间维度上，依据档距与高程差调节相邻节点间的信息传递贡献度，真实还原了微气象与力学状态在相邻杆塔间的物理传递过程；在时间维度上，通过不同扩张率的卷积核捕捉多参数在不同时间尺度下的动态演化依赖，打破了单点、单参数的孤立监测局限，充分挖掘了温湿度、风向风速与导线张力动态交织的时空耦合特征，从根本上降低了复杂环境下的漏报和误报率。

50、通过计算预测参数与物理状态理论值之间的物理违背度，特别是对预测值与理论值变化趋势相反（即差值符号为负）的情况施加趋势违背惩罚系数，构建物理损失惩罚项与数据驱动损失融合的总损失函数，该物理一致修正机制强制模型在数据拟合的同时必须遵循力学与电气规律，有效避免了预测输出违背物理常识，极大增强了模型在未见极端工况下的泛化能力和预测结果的可靠性。

51、通过采用共享特征提取层与三分支（覆冰、风偏、污闪）独立预测的多任务架构，并基于气象阈值映射表动态调整权重系数，使得模型能够根据当前微气象条件自动聚焦主导风险，避免了均等化计算导致的薄弱环节被掩盖，从而输出的故障风险指数及故障类型更加贴合实际运行场景，显著提升了故障预警的精准度与实用性。