本发明属于电抗器，具体而言，涉及一种干式空心电抗器户内运行故障预测方法、介质及系统。
背景技术：
1、干式空心电抗器是电力系统中常见的重要电力设备之一,广泛应用于电力传输、电机驱动、电力电子等领域。与液浸式电抗器相比,干式电抗器具有体积小、重量轻、无油冷却等优点,可以直接安装在室内或架空,在较恶劣的环境中也能稳定运行。
2、干式电抗器的核心部件包括铁芯、绕组、冷却系统等,在长期运行过程中,这些关键部件可能会出现由于绝缘老化、局部过热、轴承磨损等导致的各种故障问题,例如缺相故障、过载故障、绝缘击穿等。这些故障一旦发生,不仅会造成严重的设备损坏,还可能引发电力系统的级联故障,甚至威胁到电网的安全稳定运行。因此,如何准确有效地诊断和预测干式电抗器的运行状态,对于避免重大事故、确保电网安全性至关重要。
3、目前,干式电抗器的状态监测和故障诊断技术一般采用定期检查法:定期派人员对电抗器进行外观检查、绝缘测试、局部放电测试等,通过人工观察和简单测量手段发现故障隐患。这种方法依赖于检查人员的经验,存在一定的局限性和滞后性。
4、上述现有技术虽然都在一定程度上实现了对干式电抗器的状态监测和故障诊断,但仍存在故障判断依赖经验,难以实现故障自动预测的问题：现有方法通常依赖专业人员的经验判断故障,很难对未来的故障发展趋势进行预测。
技术实现思路
1、有鉴于此，本发明提供一种干式空心电抗器户内运行故障预测方法、介质及系统，能够解决现有方法通常依赖专业人员的经验判断故障,很难对未来的故障发展趋势进行预测的技术问题。
2、本发明是这样实现的：
3、本发明的第一方面提供一种干式空心电抗器户内运行故障预测方法，其中，包括以下步骤：
4、s10、实时获取待测干式空心电抗器户内运行状态下的输入电气参数、输出电气参数、红外热成像、声成像以及振动信号组，所述振动信号组包括所述待测干式电抗器表面检测点的多个振动传感器采集的振动信号；
5、s20、采用预先训练好的用于分析电气参数的第一特征提取模型提取输入电气参数、输出电气参数的特征，作为第一特征；
6、s30、采用预先训练好的用于分析热源的第二特征提取模型提取所述红外热成像的特征，记为第二特征；
7、s40、采用预先训练好的用于分析噪声的第三特征提取模型提取所述声成像的特征，记为第三特征；
8、s50、采用预先训练好的用于分析振动的第四特征提取模型提取所述振动信号组的特征，记为第四特征；
9、s60、将所述第一特征、第二特征、第三特征和第四特征输入到预先训练好的故障诊断模型中，得到包括故障类型、故障发生概率的故障向量；
10、s70、根据所述故障向量对所述待测干式空心电抗器的故障进行预测。
11、其中,所述步骤s10包括:从待测干式空心电抗器的户内运行状态下实时获取输入电气参数、输出电气参数、红外热成像、声成像以及振动信号组。其中,所述输入电气参数和输出电气参数由电压电流传感器采集,包括电压、电流、相位等参数；所述红外热成像通过红外热成像仪对电抗器表面进行扫描获得；所述声成像通过声波传感器对电抗器表面和内部进行声波探测获得；所述振动信号组由布置在电抗器表面的多个振动传感器采集而得。上述多模态运行数据全面反映了电抗器的运行状态,为后续的故障预测提供基础数据。
12、其中,所述步骤s20包括:采用预先训练好的第一特征提取模型,对所述输入电气参数和输出电气参数进行特征提取,得到作为第一特征的特征向量。所述第一特征提取模型包括:长短期记忆(lstm)网络、卷积神经网络(cnn)以及融合子网络。lstm网络学习输入电气参数和输出电气参数的时间序列特征,cnn网络提取局部特征和突变点,融合子网络采用注意力机制自适应地将lstm和cnn特征进行融合,形成最终的第一特征。该第一特征能够充分反映电抗器电气参数中的异常模式和时间序列特征。
13、其中,所述步骤s30包括:采用预先训练好的第二特征提取模型,对所述红外热成像数据进行特征提取,得到作为第二特征的特征向量。所述第二特征提取模型包括:低级特征提取子网络、高级特征提取子网络以及融合子网络。低级特征提取子网络基于浅层卷积网络,提取红外热成像的边缘、纹理等底层视觉特征；高级特征提取子网络基于深层卷积网络,提取红外热成像的高层语义特征,如温度分布区域的形状、分布等；融合子网络采用注意力机制自适应地将低级特征和高级特征进行融合,形成最终的第二特征。该第二特征能够全面捕获红外热成像数据中的异常温升特征。
14、其中,所述步骤s40包括:采用预先训练好的第三特征提取模型,对所述声成像数据进行特征提取,得到作为第三特征的特征向量。所述第三特征提取模型包括:低频特征提取子网络、高频特征提取子网络、瞬变特征提取子网络以及融合子网络。低频特征提取子网络提取声成像中的低频谐波信号,高频特征提取子网络提取高频放电噪声信号,瞬变特征提取子网络提取瞬时电气脉冲信号,融合子网络将上述三种频段特征进行融合,形成综合的声波特征表示。该第三特征能够全面反映声成像数据中各类电气异常的多频特征。
15、其中,所述步骤s50包括:采用预先训练好的第四特征提取模型,对所述振动信号组进行特征提取,得到作为第四特征的特征向量。所述第四特征提取模型包括:大幅振动特征提取子网络、小幅振动特征提取子网络、复合振动特征提取子网络以及融合子网络。大幅振动特征提取子网络提取电抗器表面出现的大幅度异常振动信号,小幅振动特征提取子网络提取微小的渐进性振动信号,复合振动特征提取子网络提取复杂的电磁-机械耦合振动信号,融合子网络将上述三种振动特征进行融合,形成综合的振动特征表示。该第四特征能够全面描述振动信号组中反映电抗器机械部件状态的多种振动特征。
16、其中,所述步骤s60包括:将提取的四种特征,即第一特征(电气参数)、第二特征(红外成像)、第三特征(声成像)和第四特征(振动)输入到预先训练好的故障诊断模型中,得到故障向量,包括故障类型和故障发生概率。所述故障诊断模型包括:多模态特征编码器、交互注意力模块、故障类型分类器和故障概率分类器。多模态特征编码器对四种模态数据分别进行特征编码,交互注意力模块通过注意力机制融合不同模态特征,故障类型分类器输出可能的故障类型,故障概率分类器输出各类故障的发生概率。通过故障向量的输出,可以全面预测待测电抗器的故障类型和故障概率。
17、其中，所述故障概率分类器能够输出每种可能故障类型的发生概率值。当某种故障类型的发生概率超过预设的概率阈值,例如10％,即可判定该故障类型可能发生。
18、具体的,所述第一特征提取模型中的lstm网络能够有效学习输入电气参数和输出电气参数的时间序列特征,捕获其中的长期依赖关系和时序模式；所述cnn网络能够提取局部特征和突变点,反映电气参数中的异常模式；融合子网络采用注意力机制自适应地组合lstm和cnn提取的特征,形成更富有区分度的第一特征。
19、具体的,所述第二特征提取模型中的低级特征提取子网络基于浅层卷积网络,主要提取红外热成像中的边缘、纹理等底层视觉特征；高级特征提取子网络基于深层卷积网络,能够提取红外热成像中的高层语义特征,如不同温度区域的形状、分布等；融合子网络采用注意力机制自适应地为低级特征和高级特征分配融合权重,形成综合的第二特征。
20、具体的,所述第三特征提取模型中的低频特征提取子网络主要提取声成像中的低频谐波信号,如电抗器绕组振动引起的低频声波；高频特征提取子网络主要提取高频放电噪声信号,如局部击穿引起的高频脉冲声波；瞬变特征提取子网络主要提取瞬时电气脉冲信号,如绝缘故障引起的瞬时放电声波；融合子网络将上述三种频段特征进行融合,形成综合的声波特征表示。
21、具体的,所述第四特征提取模型中的大幅振动特征提取子网络主要提取电抗器表面出现的大幅度异常振动信号,如严重故障引起的冲击振动；小幅振动特征提取子网络主要提取微小的渐进性振动信号,如部件磨损引起的微小振动；复合振动特征提取子网络主要提取复杂的电磁-机械耦合振动信号；融合子网络将上述三种振动特征进行融合,形成综合的振动特征表示。
22、具体的,所述故障诊断模型中的多模态特征编码器包含四个子编码器,分别对应四种输入模态,对每种模态数据进行特征编码；交互注意力模块通过注意力机制,对不同模态特征进行交互融合,使每种模态特征都能从其他模态特征中获取补充信息；故障类型分类器输出可能的故障类型,如缺相故障、过载故障、绝缘击穿等；故障概率分类器输出每种可能故障类型的发生概率值。
23、其中，所述第一特征提取模型,包括长记忆子网络、短记忆子网络以及第一融合子网络；其中,所述长记忆子网络基于长短期记忆网络结构,用于学习输入电气参数、输出电气参数的长期依赖关系和时序模式；所述短记忆子网络基于卷积神经网络和注意力机制,用于捕捉输入电气参数、输出电气参数的局部特征和突变点；所述第一融合子网络将长记忆子网络和短记忆子网络的输出进行融合,输出作为第一特征。
24、其中，所述第二特征提取模型,包括低级特征提取子网络、高级特征提取子网络以及第二融合子网络；其中,所述低级特征提取子网络基于浅层卷积神经网络,用于提取红外热成像的低级特征，包括边缘和纹理；所述高级特征提取子网络基于深层卷积神经网络,用于提取红外热成像的高级语义特征；所述第二融合子网络将低级和高级特征进行融合,采用注意力机制指导融合权重,输出作为第二特征。
25、其中，所述第三特征提取模型,包括低频特征提取子网络、高频特征提取子网络、瞬变特征提取子网络以及第三融合子网络；其中,所述低频特征提取子网络用于捕获声成像中的低频谐波信号；所述高频特征提取子网络用于捕获高频放电噪声；所述瞬变特征提取子网络用于捕获瞬时的电气脉冲信号；所述第三融合子网络将上述三种特征进行融合,得到声成像的综合特征表示。
26、其中，所述第四特征提取模型,包括大幅振动特征提取子网络、小幅振动特征提取子网络、复合振动特征提取子网络以及第四融合子网络；其中,所述大幅振动特征提取子网络捕获电抗器表面的大幅度振动信号；所述小幅振动特征提取子网络捕获微小振动；所述复合振动特征提取子网络捕获多种振动模式的组合；所述第四融合子网络将上述三种振动特征进行融合,得到振动信号组的综合特征表示。
27、其中，所述故障诊断模型的结构为基于注意力机制的多模态融合网络,包括多个模态特征编码器、交互注意力模块、故障类型分类器和故障概率分类器；其中，所述多个模态特征编码器分别对应电气参数、红外成像、声成像、振动信号四种模态数据,对每种模态数据的特征进行编码；所述交互注意力模块对编码后的不同模态特征进行交互,使不同模态之间的信息相互增强；所述故障类型分类器输出故障的具体类型；所述故障概率分类器输出每种故障的发生概率值。
28、长记忆子网络与短记忆子网络的输入区别:
29、长记忆子网络:输入时间序列长度:1小时-7天；采样间隔:1分钟-1小时；
30、短记忆子网络:输入时间序列长度:1秒-10分钟；采样间隔:1毫秒-1秒；
31、低频特征提取子网络与高频特征提取子网络的输入区别:
32、低频特征提取子网络:频率范围:0hz-1000hz；主要关注范围:50/60hz(电源频率)及其谐波；
33、高频特征提取子网络:频率范围:1khz-1mhz；主要关注范围:10khz-500khz(局部放电频率范围)；
34、大幅振动特征提取子网络与小幅振动特征提取子网络的输入区别:
35、大幅振动特征提取子网络:振幅范围:>100μm(微米)；典型范围:0.1mm-10mm；
36、小幅振动特征提取子网络:振幅范围:≤100μm(微米)；典型范围:0.1μm-100μm。
37、故障类型分类器可能输出的故障类型包括但不限于:绝缘老化；局部放电；过热；机械松动；短路；开路；铁心故障；线圈变形；接地故障；冷却系统故障；环境污染引起的故障；制造缺陷；过载；谐波干扰；雷击损伤。
38、优选的，长记忆子网络和短记忆子网络的输入来自步骤s10中提到的"输入电气参数、输出电气参数"。具体包括：
39、输入参数：输入电压(v)；输入电流(a)；输入频率(hz)；输入功率因数；
40、输出参数：输出电压(v)；输出电流(a)；输出频率(hz)；输出功率因数；
41、这些参数通常由安装在干式空心电抗器进出线路上的电压互感器(pt)和电流互感器(ct)测量，然后通过数据采集系统实时收集。
42、低频特征提取子网络和高频特征提取子网络的输入：来自步骤s10中提到的"声成像"数据。具体包括：声压级(db)；声强(w/m2)；声频谱数据；这些数据通常由专门的声成像设备采集。该设备可能包括声学摄像机或麦克风阵列，能够捕捉并可视化设备周围的声场分布。
43、大幅振动特征提取子网络和小幅振动特征提取子网络的输入：来自步骤s10中提到的"振动信号组"。具体包括：振动位移(m)；振动速度(m/s)；振动加速度(m/s2)；振动频谱数据；这些数据由安装在干式空心电抗器表面多个检测点的振动传感器采集。通常使用加速度传感器，通过积分可以得到速度和位移信息。
44、第二特征提取模型(用于红外热成像)的输入为热图像数据(通常为二维数组，表示每个像素点的温度值)，包括最高温度(℃)、平均温度(℃)、温度分布信息；这些数据由红外热像仪采集，能够捕捉设备表面的温度分布情况。
45、所有这些参数都是在干式空心电抗器的正常运行过程中实时采集的。数据采集系统会将这些信息整合并输入到相应的特征提取模型中进行处理。
46、所述故障诊断模型的训练步骤具体描述如下:
47、1)准备训练数据集：包括收集大量已知故障类型的干式电抗器运行数据,包括输入电气参数、输出电气参数、红外热成像、声成像以及振动信号等；对收集的数据进行标注,给出每个样本对应的故障类型和故障发生的概率；将数据集分为训练集、验证集和测试集。
48、2)数据预处理：包括对输入电气参数、输出电气参数等时序数据进行标准化处理；对红外热成像、声成像等图像/视频数据进行尺寸调整、数据增强等预处理；对振动信号等传感器数据进行滤波、分段等处理。
49、3)模型训练：包括初始化第一到第四特征提取模型的参数,在训练集上分别训练四个特征提取模型；初始化故障诊断模型的参数,将训练好的四个特征提取模型进行固定,在训练集上训练故障诊断模型,以一定的epoch为单位,在验证集上评估模型性能,选择验证集性能最优的模型参数。
50、4)模型评估：包括在测试集上测试故障诊断模型的性能指标,如故障类型分类准确率、故障概率预测的对数损失等；分析错误样本,探究模型的优缺点。
51、进一步的，所述多个模态特征编码器分别对应电气参数、红外成像、声成像、振动信号四种模态数据,对每种模态数据的特征进行编码的步骤中，包括对应第一特征的电气参数模态特征编码器、对应第二特征的红外成像模态特征编码器、对应第三特征的声成像模态特征编码器以及对应第四特征的振动信号模态特征编码器。
52、进一步的，当某种故障类型的发生概率超过预设的概率阈值，则判断所述故障类型的故障为发生。
53、可选的,所述故障概率分类器输出的发生概率值可以设定一个较低的概率阈值,例如10％,当某种故障类型的发生概率超过该阈值时,即判定该故障类型可能发生,为后续的故障预防提供依据。
54、可选的,所述第一特征提取模型中的lstm网络能够捕获输入电气参数和输出电气参数中的长期依赖关系和时序模式,cnn网络能够提取局部特征和突变点,两者结合能够全面反映电气参数的异常模式。
55、可选的,所述第二特征提取模型中的低级特征提取子网络和高级特征提取子网络,分别提取红外热成像中的底层视觉特征和高层语义特征,通过注意力机制自适应融合,能够充分利用红外热成像数据中反映电抗器温升异常的多尺度信息。
56、可选的,所述第三特征提取模型中的低频特征提取子网络、高频特征提取子网络和瞬变特征提取子网络,分别提取声成像中不同频段的特征,如低频振动、高频放电和瞬时脉冲,通过融合形成综合的声波特征,能够全面捕获声成像数据中蕴含的电气异常信息。
57、可选的,所述第四特征提取模型中的大幅振动特征提取子网络、小幅振动特征提取子网络和复合振动特征提取子网络,分别提取电抗器表面出现的大幅度异常振动、微小渐进性振动以及复杂耦合振动等特征,通过融合形成综合的振动特征,能够充分利用振动信号组中反映机械部件状态的多种振动信息。
58、可选的,所述故障诊断模型中的交互注意力模块能够通过注意力机制,有效地提升不同模态特征之间的相互增强作用,使得每种模态特征都能从其他模态特征中获取有价值的补充信息,从而提高故障诊断的性能。
59、可选的,所述故障诊断模型的训练数据集中,每个样本都附有相应的故障类型标注和故障发生概率标注,这为模型的监督学习提供了可靠的标签信息。
60、可选的,所述故障诊断模型在训练过程中,需要对验证集上的性能进行实时监控,选择验证集性能最优的模型参数,这能够有效避免过拟合,提高模型在新数据上的泛化能力。
61、可选的,所述故障诊断模型在测试集上的评估指标包括故障类型分类准确率和故障概率预测的对数损失,通过分析这些指标,可以全面了解模型的优缺点,为进一步优化提供依据。
62、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种干式空心电抗器户内运行故障预测方法。
63、本发明的第三方面提供一种干式空心电抗器户内运行故障预测系统，其中，包含上述的计算机可读存储介质。
64、与现有技术相比较，本发明提供的一种干式空心电抗器户内运行故障预测方法、介质及系统的有益效果是：
65、1.多模态融合诊断,全面提高故障诊断精度。本发明方法采集了电抗器运行过程中的电气参数、红外热成像、声波、振动等多种数据源,通过对这些互补性数据进行特征提取和融合,可以更加全面、准确地反映电抗器的运行状态,从而大幅提高故障诊断的精度。
66、2.自动故障预测,实现状态监测的前瞻性。本发明方法基于深度学习的故障诊断模型,不仅能够准确识别当前可能出现的故障类型,还能够预测未来一定时间内电抗器可能出现的故障及其发生概率,为预防性维护提供支撑,避免重大故障的发生。
67、3.持续在线监测,实现电抗器全生命周期管理。本发明方法将多种监测手段集成在一起,能够实现对电抗器全天候、实时的在线监测,及时发现潜在的故障隐患,为电抗器的全生命周期管理提供保障,大幅降低了维修成本和停机损失。
68、综上所述，本发明的方案解决了现有方法通常依赖专业人员的经验判断故障,很难对未来的故障发展趋势进行预测的技术问题。
1.一种干式空心电抗器户内运行故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第一特征提取模型,包括长记忆子网络、短记忆子网络以及第一融合子网络；其中,所述长记忆子网络基于长短期记忆网络结构,用于学习输入电气参数、输出电气参数的长期依赖关系和时序模式；所述短记忆子网络基于卷积神经网络和注意力机制,用于捕捉输入电气参数、输出电气参数的局部特征和突变点；所述第一融合子网络将长记忆子网络和短记忆子网络的输出进行融合,输出作为所述第一特征。
3.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第二特征提取模型,包括低级特征提取子网络、高级特征提取子网络以及第二融合子网络；其中,所述低级特征提取子网络基于浅层卷积神经网络,用于提取红外热成像的低级特征，包括边缘和纹理；所述高级特征提取子网络基于深层卷积神经网络,用于提取红外热成像的高级语义特征；所述第二融合子网络将低级和高级特征进行融合,采用注意力机制指导融合权重,输出作为第二特征。
4.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第三特征提取模型,包括低频特征提取子网络、高频特征提取子网络、瞬变特征提取子网络以及第三融合子网络；其中,所述低频特征提取子网络用于捕获声成像中的低频谐波信号；所述高频特征提取子网络用于捕获高频放电噪声；所述瞬变特征提取子网络用于捕获瞬时的电气脉冲信号；所述第三融合子网络将上述三种特征进行融合,得到声成像的综合特征表示。
5.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第四特征提取模型,包括大幅振动特征提取子网络、小幅振动特征提取子网络、复合振动特征提取子网络以及第四融合子网络；其中,所述大幅振动特征提取子网络捕获电抗器表面的大幅度振动信号；所述小幅振动特征提取子网络捕获微小振动；所述复合振动特征提取子网络捕获多种振动模式的组合；所述第四融合子网络将上述三种振动特征进行融合,得到振动信号组的综合特征表示。
6.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述故障诊断模型的结构为基于注意力机制的多模态融合网络,包括多个模态特征编码器、交互注意力模块、故障类型分类器和故障概率分类器；其中，所述多个模态特征编码器分别对应电气参数、红外成像、声成像、振动信号四种模态数据,对每种模态数据的特征进行编码；所述交互注意力模块对编码后的不同模态特征进行交互,使不同模态之间的信息相互增强；所述故障类型分类器输出故障的具体类型；所述故障概率分类器输出每种故障的发生概率值。
7.根据权利要求6所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述多个模态特征编码器分别对应电气参数、红外成像、声成像、振动信号四种模态数据,对每种模态数据的特征进行编码的步骤中，包括对应第一特征的电气参数模态特征编码器、对应第二特征的红外成像模态特征编码器、对应第三特征的声成像模态特征编码器以及对应第四特征的振动信号模态特征编码器。
8.根据权利要求6所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，当某种故障类型的发生概率超过预设的概率阈值，则判断所述故障类型的故障为发生。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种干式空心电抗器户内运行故障预测方法。
10.一种干式空心电抗器户内运行故障预测系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
