[发明专利]一种基于多源异构数据的高压开关柜缺陷预测方法

权利要求书

1.一种基于多源异构数据的高压开关柜缺陷预测方法，包括同步获取围绕开关的温度信号、局放信号和开关动作机械信号，三种信号分别带有时序时间戳，其特征在于，对三种信号采用Z-score标准化处理形成具有各自属性的三种标准化数据，将三种标准化数据输入具有二阶注意力的神经网络模型得到高压开关柜缺陷预测；其中：所述模型顺序分为神经网络处理阶段、二阶注意力处理阶段和多任务分类处理阶段；

所述神经网络处理阶段：对输入的三种标准化数据进行神经网络处理得到三种标准化数据属性融合特征；

所述二阶注意力处理阶段：通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系，形成具有时序的属性融合特征；

所述多任务分类处理阶段：对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率。

2.根据权利要求1所述的高压开关柜缺陷状态监测方法，其特征在于，

所述温度信号的数据表达结构是：触头温度；触臂温度；开关柜内壁布点温度；时间戳；

所述局放信号的数据表达结构是：超声波检测信号、TEV暂态地电波信号、UHF特高频信号；时间戳；

所述开关动作机械信号的数据表达结构是：分合闸线圈电流；分合闸速度；分合闸行程；时间戳。

3.根据权利要求1或2所述的高压开关柜缺陷状态监测方法，其特征在于，所述对三种信号采用Z-score标准化处理：是基于原始数据的均值和标准差进行的，通过公式1将初始变量转换为统一的均值为0、标准差为1的数据；

其中：x_i为初始的属性特征，μ为初始属性的均值，σ为初始属性的标准差，为标准化之后的变量。

4.根据权利要求1所述的高压开关柜缺陷状态监测方法，其特征在于，所述三种信号包括原始采样数据和过采样数据，所述过采样是采用时序依赖的最近邻数据过采样方法对不同缺陷进行的过采样。

5.根据权利要求1或2所述的高压开关柜缺陷状态监测方法，其特征在于，所述缺陷类别分为发热缺陷、局放缺陷、机械故障缺陷；

所述发热缺陷对应的是开关动触头与触臂出现缺陷；

所述局放缺陷对应的是绝缘故障缺陷；

所述机械故障缺陷对应的是开关分合闸速度和分合闸行程出现缺陷。

6.根据权利要求1所述的高压开关柜缺陷状态监测方法，其特征在于，所述通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系是：建立层次化的时序特征融合结构神经网络，每一层首先使用二阶注意力对所述属性融合特征进行时序融合，使得不同的属性对时序信息有进一步的增强，通过层级的堆叠获取全局视角下属性融合特征与时序的关联关系。

7.根据权利要求6所述的高压开关柜缺陷状态监测方法，其特征在于，所述对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率是：对通过层次化神经网络对不同时间下增强的特征进行映射与激活根据公式2得到高压开关柜对应时间下不同缺陷发生的概率，

p＝sigmoid(ReLU((ReLU(Z·W₁))·W₂)·W₃)      公式2

其中，W₁∈R^q×q，W₂∈R^q×q，W₃∈R^q×s为线性映射参数，ReLU(·)为整流线性单位函数，q为特征维度，s为缺陷类型数；

当预测概率大于0.5时判断发生该缺陷，表明该开关柜存在潜在运行风险，需要进行针对性检修。