[发明专利]应用于智能高压开关柜传感器健康状态评估的方法

权利要求书

1.一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：包括下述步骤：

获取传感器数据，对数据进行数据清洗与处理；

根据传感器采集到的数据，使用无监督聚类算法区分不同健康状态数据，构建健康状态评估数据集；

根据处理后的传感器数据，使用张量融合网络进行多模态信息学习，得到不同模态数据之间的关联关系；

通过健康状态评估推理子网络对高压开关柜的历史工作状态的进行评估，以判断其是否可以继续健康运行。

2.根据权利要求1所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：

所述获取传感器数据，对数据进行数据清洗与处理的步骤中，包括：定时获取某一时间段内的传感器数据，数据清洗；

所述对数据进行数据清洗与处理后还包括数据归一化，并存储到子数据库中，在归一化时分别将每一类传感器的数据进行归一化，然后合并为一个向量。

3.根据权利要求1所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：所述使用无监督聚类算法区分不同健康状态数据具体为：通过对各类传感器数据的历史运行状态求和来融合各类传感器的时序信息，然后拼接各类传感器数据，使用主成成分分析算法进行数据维度归约得到高压开关柜的整体运行状态嵌入，使用K-means算法对温度、局部、机械类和气体传感器数据分别进行聚类，通过设计聚类类别分离出各种传感器数据中的类簇并进行专家打分。

4.根据权利要求3所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：其中K-means算法的具体过程如下：选取聚类的类别K＝100，分别代表不同的健康状态类簇，随机选取每个类的中心记作z1，z2,…,z100；然后对所有健康状态数据进行迭代，在每一次迭代中，计算每一个样本x到各个聚类中心的距离，并将x归于距离最近的聚类中心所在类别；遍历所有样本数据后，计算各个类别的聚类中心，并更新中心值；重复执行上述聚类算法直到聚类中心保持不变后，停止迭代，返回聚类结果。

5.根据权利要求4所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：所述专家打分得到每个传感器运行状态的评分，是使用众包技术结合专家知识进行运行状态标注，将所有类簇的数据分成0-20，20-40，40-60，60-80，80-100五种健康状态评分区间进行标注，构建健康状态评估数据集。

6.根据权利要求1所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：所述使用张量融合网络进行多模态信息学习，包括：得到每一类数据的嵌入特征向量；通过对向量进行笛卡尔积得到多模态融合张量。

7.根据权利要求6所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：所述张量融合网络的运算过程如下：在该网络中，每个模态的嵌入特征向量都作为笛卡尔空间的一个维度，具体计算过程如下：

z^lt、z^vt和z^at分别为温度传感器嵌入特征向量、局放传感器嵌入特征向量和机械特性传感器嵌入特征向量，由所有该类传感器求和得出，z^m∈R^l×v×a是由七个不同的子区域组成的三维立方体即多模态信息聚合张量，分别由三个不同模态传感器的嵌入特征向量、三个传感器间两两作用的二维向量以及融合后的三维立方体组合而成，融合多模态信息从而得到当前时刻的高压开关柜健康状态嵌入，最终计算每一时刻i段的健康状态嵌入z^mi。

8.根据权利要求1所述的一种基于多模态学习的高压开关柜健康状态评估方法，其特征在于：所述通过健康状态评估推理子网络对高压开关柜今为止的工作状态的进行健康评估，包括：通过循环神经网络聚合多模态时序数据，对高压开关柜状态进行预测；根据预测值判断高压开关柜健康状态。