配电变压器匝间短路早期预警模型训练及预警方法、设备

本发明属于电力设备状态监测与智能故障预警，具体涉及一种基于多物理场特征与混合深度学习的配电变压器匝间短路故障早期预警模型训练及预警方法、设备。

背景技术：

1、配电变压器是配电网中实现电能变换与分配的关键设备，其运行状态直接影响配电网供电可靠性和终端用户用电质量。在配电变压器长期运行过程中，绕组绝缘会受到电应力、热应力、机械振动、短时过电压以及环境老化等因素的共同作用，逐渐出现局部劣化、绝缘强度下降甚至匝间击穿等问题。其中，绕组匝间短路故障具有发生频率高、隐蔽性强和发展速度快等特点，是配电变压器内部故障中危害较大的故障类型之一。

2、在匝间短路故障的早期阶段，故障点通常表现为高阻抗或间歇性导通状态，短路环流较小，外部端口三相电压和三相电流的畸变幅度不明显，配电变压器仍可能维持表面正常运行。然而，局部微弱短路电流会持续引起绕组局部损耗增加和温度升高，进一步加速绝缘材料热老化。当绝缘劣化由高阻状态快速过渡至低阻状态后，故障可能在较短时间内发展为严重匝间短路，进而引发绕组烧毁、绝缘油过热、设备停运甚至配电网供电中断等事故。因此，如何在匝间绝缘劣化的潜伏阶段及时识别微弱故障特征，是配电变压器状态监测和主动运维中的关键问题。

3、现有配电变压器故障监测方法主要包括基于电流、电压等电气量的保护方法，基于油中溶解气体分析的化学诊断方法，基于局部放电、振动、声学或红外热成像的状态检测方法，以及基于机器学习或深度学习的数据驱动诊断方法。传统过流保护、差动保护等电气量保护方法通常依赖宏观电流幅值或差动量阈值，只有在故障发展到一定严重程度后才能可靠动作，对高阻抗、微弱型匝间绝缘劣化存在动作死区。油中溶解气体分析虽然能够反映变压器内部绝缘劣化和过热情况，但通常具有离线检测、响应滞后和难以实时预警等不足。局部放电、声学、振动和红外检测等方法需要额外布设专用传感器，容易受到现场电磁噪声、环境噪声、安装位置和运行工况变化的影响，工程推广成本较高。

4、近年来，随着人工智能技术的发展，基于数据驱动的变压器故障诊断方法逐渐得到应用。该类方法能够从多维监测数据中自动学习故障特征，在一定程度上克服了人工阈值设定和专家经验依赖的问题。然而，配电变压器早期匝间短路故障样本在真实运行场景中极为稀缺，且故障早期特征微弱，容易被负载波动、三相不平衡和现场强电磁干扰掩蔽。单纯依赖实际运行数据训练的模型容易出现样本不足、泛化能力弱和误报漏报率较高等问题；单纯依赖仿真数据训练的模型又可能存在与实际设备运行特征不完全一致的问题。此外，浅层机器学习模型对高维时序电气信号中的局部瞬态畸变和长距离演变依赖关系提取能力有限，难以实现对匝间绝缘由正常状态、高阻潜伏状态、中低阻劣化状态至低阻击穿状态全过程的精细化识别。

5、因此，亟需一种新的配电变压器匝间短路故障早期预警技术，在强噪声、小样本和早期微弱故障条件下实现更加前置、准确且具有工程泛化能力的智能预警。

技术实现思路

1、针对现有技术中传统宏观保护阈值对早期微弱故障存在监测盲区，微弱特征信号易被现场强电磁噪声掩蔽，以及真实早期故障样本极度稀缺的缺陷，本发明提供一种基于多物理场特征与混合深度学习的配电变压器匝间短路早期预警模型训练及预警方法、设备，预警更加前置精准且工程泛化能力更强。

2、第一方面，本发明提出一种配电变压器匝间短路故障早期预警模型训练方法，包括：获取真实样本数据，所述真实样本数据包括配电变压器实际运行场景下的多通道电气量计算的零序分量以及实验故障数据；将所述真实样本数据作为物理标定参照，通过引入基于sigmoid函数的时变过渡电阻模型的变压器仿真模型，生成仿真补充数据；将所述真实样本数据与所述仿真补充数据进行融合处理，构建高维多通道电气特征矩阵；按照所述时变过渡电阻模型的动态演化轨迹将所述高维多通道电气特征矩阵划分为正常运行、极早期潜伏、加速劣化与完全击穿四个演变状态，并基于零序敏感多物理场的耦合劣化指数对阶段划分结果进行辅助校正和状态编码标签化，构建混合状态数据集；构建基于一维卷积神经网络、双向长短期记忆网络和贝叶斯优化算法的早期智能预警模型，利用所述混合状态数据集对所述早期智能预警模型进行训练并调优，得到最优网络模型。

3、在一些示例中，所述时变过渡电阻模型定义为：

4、

5、式中，表示时变过渡电阻，与分别代表绝缘正常时的高阻值与完全击穿时的极小阻值，为表征劣化速率的形状参数且大于0，为绝缘加速老化的时间偏移中心；将所述时变过渡电阻模型作为动态耦合变量代入配电变压器绕组的控制方程中，生成各微弱劣化阶段下的仿真高低压侧三相电压与电流信号，并同步提取对应的仿真零序分量作为仿真补充数据。

6、在一些示例中，所述高维多通道电气特征矩阵的通道包括高压侧三相电压、高压侧三相电流、低压侧三相电压、低压侧三相电流、高压侧零序电压、高压侧零序电流、低压侧零序电压和低压侧零序电流；在构建所述高维多通道电气特征矩阵时，对所述仿真补充数据叠加预设信噪比的高斯白噪声，并采用时序平移增强方式对所述高维多通道电气特征矩阵进行扩充，形成具有相同故障状态但不同起始时刻的特征矩阵子样本。

7、在一些示例中，按照所述时变过渡电阻模型的动态演化轨迹进行阶段划分的标准为：当时，判定为正常运行状态；当时，判定为极早期潜伏状态；当时，判定为加速劣化状态；当时，判定为完全击穿状态。

8、在一些示例中，所述辅助校正和状态编码标签化的规则包括：根据时变过渡电阻模型所处区间确定各时间窗对应的高维多通道电气特征矩阵的初始状态标签，并根据不同劣化阶段对应的高维多通道电气特征矩阵中零序敏感多物理场的耦合劣化指数的统计分布确定相邻状态判定阈值；当所述耦合劣化指数映射的状态与初始状态一致时，保持初始状态标签不变；当二者不一致时，结合辅助特征进行复核，所述辅助特征包括短路环流、绕组损耗、局部温升、端口电流畸变和零序敏感因子的变化趋势；若所述耦合劣化指数连续多个时间窗超过相邻状态判定阈值，且所述辅助特征中的至少两项呈现与绝缘劣化方向一致的持续变化趋势，则将初始状态向相邻的较严重劣化状态校正一级；若所述耦合劣化指数未连续超过相邻状态判定阈值，且所述辅助特征未呈现持续劣化趋势，则保持原状态标签；单次校正不跨越两个及以上状态等级。

9、在一些示例中，所述耦合劣化指数的计算方式为：从所述高维多通道电气特征矩阵中提取零序通道计算零序能量，并利用高低压侧三相电压与电流通道计算端口总能量，根据零序能量与端口总能量的比值确定零序敏感因子；根据短路环流、绕组损耗、局部温升和端口电流畸变中的一种或多种特征参量计算多物理场趋势耦合因子；将所述零序敏感因子与所述多物理场趋势耦合因子进行融合，得到所述耦合劣化指数。

10、在一些示例中，所述早期智能预警模型中，一维卷积神经网络用于对各电气通道的局部波形畸变和高频扰动进行卷积运算并降维降噪；双向长短期记忆网络用于通过正向与反向时序传播方向提取长距离时序依赖特征；贝叶斯优化算法以验证集分类准确率、损失函数值或宏平均f1值作为目标函数，通过高斯过程对所述早期智能预警模型的超参数进行自适应寻优。

11、第二方面，本发明提出一种配电变压器匝间短路故障早期预警方法，包括：实时采集待诊断配电变压器高低压侧的多通道电气量并计算零序分量；根据采集的电气量与零序分量构建待诊断高维多通道电气特征矩阵；将所述待诊断高维多通道电气特征矩阵输入至配电变压器匝间短路故障早期预警模型训练方法训练得到的最优网络模型中进行前向推理，映射分类至对应的演变状态，实现配电变压器绝缘劣化的在线监测与早期智能预警。

12、在一些示例中，早期智能预警包括：当最优网络模型输出结果为正常运行状态时，不触发预警；当输出结果为极早期潜伏状态时，发出一级预警信号；当输出结果为加速劣化状态时，发出二级预警信号；当输出结果为完全击穿状态时，发出三级预警信号；当连续多个时间窗的最优网络模型输出结果均指向同一异常状态，或异常状态概率超过预设阈值时，确认触发对应等级的预警信号；否则，继续保持监测状态。

13、第三方面，本发明提出一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述模型训练方法的步骤，或实现所述早期预警方法的步骤。

14、本发明能够充分结合实际运行数据、实验故障样本和多物理场仿真补充样本，利用零序分量增强对绕组局部非对称劣化的敏感性，并通过深度学习模型同时提取局部波形畸变特征和长距离时序演变特征，从而在强噪声、小样本和早期微弱故障条件下实现更加前置、准确且具有工程泛化能力的智能预警。

15、本发明通过真实运行数据、小样本实验故障数据和多物理场仿真补充数据的虚实融合，克服了配电变压器早期匝间短路故障样本稀缺的问题；通过引入高低压侧零序电压和零序电流特征，增强了模型对绕组局部非对称劣化的敏感性；通过高斯白噪声注入和时序平移增强，提高了模型对现场复杂电磁噪声和采样起点变化的鲁棒性；通过1d-cnn与bilstm联合建模，实现了局部波形畸变特征与长距离时序演变特征的协同提取；通过贝叶斯优化算法实现网络超参数自适应寻优，减少了人工经验设定带来的局部最优风险，从而能够在配电变压器匝间绝缘劣化的极早期阶段实现更前置、更准确的智能预警。