一种多特征协同研判的电力设备监测预警方法与流程

本发明属于电力设备智能检测预警，尤其是涉及一种多特征协同研判的电力设备监测预警方法。

背景技术：

1、电力变压器、高压开关柜、断路器、电力电缆、互感器等电力设备是电力系统输配电的核心载体，设备运行状态直接决定电网供电可靠性。在线监测预警是及时发现设备潜伏性故障、避免非计划停电事故的重要手段。

2、当前现有电力设备监测预警技术存在诸多不足：

3、1、监测维度单一：多数监测系统仅采集单一电气参量，缺少振动、温度、局部放电等多物理场异构信息，无法全面反映设备健康状态；

4、2、静态告警阈值缺陷：告警阈值长期固定不变，没有考虑设备负载变化、环境温湿度、季节因素、电网电压波动带来的工况影响，高负荷、高温环境下极易产生大量误报，低负荷潜伏故障时容易发生漏报；

5、3、特征提取层次简单，大多只使用原始监测数值直接告警，缺少时域-频域深度特征挖掘，无法捕捉设备渐进劣化与瞬时突变故障特征；

6、4、预测研判能力不足：一部分现有技术仅能够实现超限告警，只可发现已经发生的异常，缺少对设备未来故障风险的长期时序预测能力；

7、5、tcn-lstm算法的使用大多为独立使用，并未与工况自适应阈值系统进行双向闭环联动，算法输出结果无法反过来优化告警阈值，无实时优化机制；

8、6、预警-运维-优化链路没有形成闭环，且无双层嵌套优化结构，预警结果和现场运维处置信息相互独立，模型无法根据运维历史数据实现自迭代优化，预警精度难以随运行时间持续提升。

技术实现思路

1、本发明的目的是提供一种多特征协同研判的电力设备监测预警方法，将四层分层多维特征提取、负荷-环境双因子阈值补偿、规则引擎、tcn-lstm时序预测研判、实时内环反馈、长期外环运维迭代进行整体有机组合，通过实时内环微调+长期外环迭代的双层嵌套结构，大幅降低预警误报漏报，实现潜伏故障超前预判与系统自主优化。

2、为实现上述目的，本发明提供了一种多特征协同研判的电力设备监测预警方法，包括以下步骤：

3、s1、采集电力设备的多源异构数据，并进行预处理得到标准化时序数据集；

4、s2、对标准化时序数据集进行多维特征提取，构造四维时序特征矩阵；

5、s3、构建负荷-环境双因子阈值补偿模型，并计算工况自适应动态告警阈值；

6、s4、基于自适应动态告警阈值进行规则引擎初级判定，判定是否下发初级告警启动信号；

7、s5、接收初级告警启动信号后，通过tcn-lstm混合模型进行深度时序研判，得到故障趋势和故障概率结果；

8、s6、接收s5的预测结果，并对预测结果双向反馈闭环修正；

9、s7、读取s5的预测结果进行分级预警和处置。

10、优选的，s1的过程如下：

11、s11、在待监测电力设备周边布设边缘采集终端；

12、s12、通过边缘采集终端采集待监测电力设备的电气量、非电气量、环境参量和设备工况标签；

13、s13、对s12中的数据打上北斗/ntp统一时间戳，将传感器和网关的数据对齐至同一时序轴；

14、s14、对s13中处理之后的数据进行数据清洗去除脏数据，依次执行缺失值补全、粗大异常值剔除、传感器漂移校正和脉冲干扰滤除操作；

15、s15、对去除脏数据之后的数据进行归一化处理，实现量纲统一；

16、s16、处理完成之后对数据中的每一条监测样本打上工况标签，包括高负荷、低负荷、启停过渡和稳态，最终输出带工况标记的标准化时序数据集。

17、优选的，s2的过程如下：

18、s21、设置滑动窗口时长和滑动步长，采用滑动窗口对标准化时序数据集进行分段截取，得到若干个连续时序子序列；将每一个时序子序列作为单次特征提取的计算样本；

19、s22、从时序子序列中读取各监测参量窗口内的原始采样数值，得到原始物理特征；

20、s23、基于滑动窗口内的原始时序数值，计算窗口内信号的时域统计指标，得到时域统计特征；

21、s24、对滑动窗口内的时序信号做快速傅里叶变换，将时域信号转换至频域，并提取得到频域特征；

22、s25、结合待监测电力设备的负载率、季节标识和环境温度；结合预先查询的工况-特征修正权重表，获得对应工况下的加权修正系数；利用加权修正系数消除高负荷、高温环境带来的特征偏移干扰，得到剔除工况干扰后的工况融合特征量；

23、s26、将s22到s25中得到的所有特征进行合并，得到四维时序特征矩阵。

24、优选的，s3的过程如下：

25、s31、实时采集待监测电力设备运行工况与环境参数，包括：设备实时负载率、现场环境温度、环境湿度、季节工况标识和电网电压波动系数；同时调取设备出厂技术规范中固定不变的基准告警阈值；

26、s32、调取待监测电力设备近年的正常稳态运行数据集，并剔除历史故障数据、检修数据和异常扰动数据，构建纯净的模型训练样本集；

27、s33、通过多元线性回归拟合方式，训练模型训练样本集得到六维动态补偿系数、、、、和；

28、s34、基于s31和s33的相关数据计算动态告警阈值，过程如下：

29、；

30、其中、、、、和分别表示基准阈值系数、负载补偿系数、温度补偿系数、湿度补偿系数、季节补偿系数和电压波动补偿系数；

31、s35、设置告警阈值允许的最小边界和最大边界，并进行阈值有效性校验，当满足时进行s4。

32、优选的，s4的过程如下：

33、s41、读取s2四维时序特征矩阵中的关键监测特征量，并对特征量进行短时均值滤波处理，得到实时特征值；

34、s42、将实时特征值与动态告警阈值进行对比，执行两级分支判定；

35、s43、对每一次判定结果进行记录，包括动态阈值数值、实时特征值、工况标签、判定结果、触发状态和时间戳；

36、s44、设置连续n帧的确认机制，进行状态信号稳定度校验，仅在连续3~5个监测周期的特征值持续超限的情况下，会稳定触发s5的tcn-lstm混合模型，否则不触发深度研判，进行进一步过滤瞬时噪声干扰。

37、优选的，s42的两级分支判定过程如下：

38、当实时特征值时，进入疑似异常分支，判定待监测电力设备当前存在疑似异常工况，立即生成初级告警触发信号，唤醒处于休眠状态的tcn-lstm深度预测模型，同时标记当前时间、超限幅度和工况信息，流程进入s5深度时序研判环节；

39、当实时特征值时，进入正常运行分支，判定待监测电力设备运行状态正常，不触发初级告警，保持tcn-lstm模型的休眠状态，并返回s1继续下一轮数据采集与监测循环。

40、优选的，s5的过程如下：

41、s51、接收s4的初级告警触发信号，将唤醒后的tcn-lstm深度预测模型切换为工作状态，并将四维时序特征矩阵中的多维时序数据输入tcn-lstm深度预测模型；

42、s52、对输入的时序特征矩阵进行序列规整，过程为对缺失点进行时序插值补齐，对特征维度进行维度归一化对齐，统一模型输入序列长度与特征排布顺序；

43、s53、利用tcn时序卷积网络的空洞卷积、因果卷积特性，对长时序序列进行多层卷积运算，得到高级时序特征；

44、s54、将高级时序特征送入lstm记忆单元，得到长期趋势特征；

45、s55、对高级时序特征和长期趋势特征进行加权融合，构建时空联合高级特征表征；

46、s56、结合时空联合高级特征表征，通过tcn-lstm深度预测模型进行未来多时段状态预测与故障概率量化；通过全连接层输出两类研判结果，分别为多尺度设备状态时序预测曲线和故障发生概率值；

47、s57、基于多尺度设备状态时序预测曲线得到故障趋势序列，将故障趋势序列和故障发生概率值同步分为两路并行输出，分别进行s6和s7。

48、优选的，s6的过程如下：

49、s61、对故障趋势序列进行斜率分析、趋势拟合和风险分级，将待监测电力设备划分为风险持续恶化、瞬时扰动波动和状态平稳稳定三种状态；

50、s62、根据待监测电力设备的状态进行对应的动态阈值智能微调，过程如下：

51、若为风险持续恶化状态，设备处于劣化发展阶段，此时小幅下调下一周期的自适应阈值，并提高系统告警灵敏度；

52、若为瞬时扰动波动状态，判定存在短暂扰动，小幅上调下一周期阈值，并屏蔽瞬时超限干扰；

53、若为状态平稳稳定状态，此时设备状态稳定，阈值维持原有计算值；

54、s63、设置微调幅度约束机制，确保单次周期阈值微调量不超过基准阈值的；

55、s64、将微调后的阈值参数回传至负荷-环境双因子阈值补偿模型，覆盖下一监测周期的初始计算阈值；同时对更新后的阈值做一阶平滑滤波处理；

56、s65、记录每一轮微调参数，包括原始阈值、微调方向、微调幅度、预测故障概率、趋势类型和时间戳。

57、优选的，s61中三种状态的判断标准如下：

58、风险持续恶化：未来预测曲线持续上行，故障概率逐周期升高；

59、瞬时扰动波动：当前轻微超限，但未来趋势快速回落、概率下降；

60、状态平稳稳定：预测曲线平直、概率稳定无波动，设备运行状态无明显变化。

61、优选的，s7的过程如下：

62、s71、预设三段式概率阈值区间，基于故障发生概率值对设备运行风险进行标准化分级，过程如下：

63、正常等级，故障发生概率值处于：设备运行平稳，无劣化趋势，不生成告警与工单；

64、注意预警，故障发生概率值处于：设备存在潜在异常、轻微偏移、缓慢劣化，生成日常巡检工单；

65、紧急预警，故障发生概率值处于：设备存在明显故障演化趋势，短期内存在故障风险，生成紧急抢修工单；

66、s72、根据预警等级自动生成标准化运维工单，工单内容包含：设备编号、当前工况、超限特征量、动态阈值、故障概率、未来趋势曲线、风险等级、建议处置措施和发生时间戳；

67、s73、通过运维平台和移动端终端进行分级差异化推送，将普通预警推送巡检人员，将注意预警和紧急预警推送至运维负责人和抢修班组；

68、s74、相应的工作人员进行相应的处置，处置完成后，通过人工和系统的任一种方式回填真实运维结果；

69、s75、对真实运维结果进行数据清洗后，回流至系统历史训练数据集，完成预警过程。

70、因此，本发明采用上述的一种多特征协同研判的电力设备监测预警方法，具有以下优点：

71、1、进行了多源异构变频自适应采集，覆盖电气-振动-温度-环境多维度参量，克服传统监测维度单一、数据不全的缺陷，全面还原设备真实运行状态。

72、2、设置了负荷-环境-季节-电压多因子动态阈值补偿，摆脱了传统固定阈值的僵化判定模式，适配全工况运行场景，大幅降低高温高负荷误告警、低负荷潜伏故障漏报问题。

73、3、进行了四层分层多维特征提取，从物理、时域、频域、工况多维度深度挖掘设备状态特征，有效区分正常波动与故障劣化，研判精度远高于传统单一特征监测方案。

74、4、采用规则引擎按需触发tcn-lstm模型，规避模型长期不间断运算的高算力消耗，适配边缘终端部署场景；同时搭建预测模型与阈值系统的双向反馈链路，打破传统模型仅能单向预测、无优化联动的技术局限。

75、5、设置了双层嵌套闭环优化体系，通过实时内环微调实现瞬时工况精准适配，通过长期外环迭代实现模型持续升级，形成 “即时优化 + 长期迭代” 的全维度自主优化机制。

76、6、构建了完整的监测-研判-预警-运维-优化闭环链路，系统预警精度可随运行数据与运维经验积累持续提升，实现电力设备故障超前预警、精准预警，有效保障电网运行可靠性。

77、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。