【技术实现步骤摘要】
本专利技术涉及电力工程，特别涉及多维监测数据融合下的变压器健康预测系统。
技术介绍
1、变压器的健康状况对整个电力系统的稳定性至关重要。现有的变压器监测技术主要依赖于对多个位置的独立监测数据，难以全面分析变压器的健康状况，且需分析的数据量大、计算负担重。存在预测延迟高、预测成本高、预测准确性低的技术问题。
技术实现思路
1、本专利技术提供多维监测数据融合下的变压器健康预测系统，以解决现有技术中预测延迟高、预测成本高、预测准确性低的技术问题，实现提高预测响应性与准确性，降低预测成本的技术效果。
2、本专利技术提供的多维监测数据融合下的变压器健康预测系统包括：
3、全局模型配置模块，所述全局模型配置模块用于根据多维初始监测指标集，构建全局预测模型，其中，所述全局预测模型配置于云平台。
4、简化模型构建模块，所述简化模型构建模块用于对所述全局预测模型进行蒸馏降维，构建简化预测模型，并分发所述简化预测模型至边缘预测设备，其中，所述简化预测模型包括多个分级简化预测模型。
5、监测数据采集模块，所述监测数据采集模块用于激活多源监测设备，进行目标变压器的常态多源监测采集，获取实时多源监测数据集。
6、分步预测模块，所述分步预测模块用于传输所述实时多源监测数据集至所述边缘预测设备，进行目标变压器的二值风险判别，并根据二值风险判别结果，调用所述全局预测模型进行全维度定位预测，输出健康预测结果。
7、在一种可行的实现方式中，根据多
8、确定多源监测点位，结合目标场景监测要求，定义多源监测路径。
9、基于所述多源监测路径，提取多维初始监测指标集。
10、获取目标变压器的变压器身份特征，并基于所述变压器身份特征获取历史健康异常记录数据，其中，所述历史健康异常记录数据包括本征健康异常记录数据与同源健康异常记录数据。
11、基于所述多维初始监测指标集，进行所述历史健康异常记录数据的数据轻化，并输出轻化结果为标准异常样本数据集。
12、根据所述标准异常样本数据集，构建并训练所述全局预测模型，其中，所述全局预测模型包括多个局部健康预测簇。
13、在一种可行的实现方式中，对所述全局预测模型进行蒸馏降维，构建简化预测模型之前，执行步骤包括：
14、获取多个边缘预测设备的边缘设备配置信息，并提取性能配置数据集，其中，所述性能配置数据集对应多类边缘预测设备。
15、根据所述性能配置数据集进行算力评估，并结合算力评估结果定义多级模型规模约束。
16、在一种可行的实现方式中，根据所述性能配置数据集进行算力评估，并结合算力评估结果定义多级模型规模约束，执行步骤包括：
17、交互目标场景，以所述多类边缘预测设备为统计维度，获取目标场景的边缘预测设备数量分布。
18、基于预设的成组分布约束，沿算力升高方向对所述边缘预测设备数量分布进行累积成组划分，每当n类边缘预测设备的累积设备数量占比大于所述成组分布约束时进行一次成组划分，输出多次成组划分结果。
19、根据多次所述成组划分结果，提取组内算力下限，输出为多级算力目标，并基于所述多级算力目标定义所述多级模型规模约束。
20、在一种可行的实现方式中，对所述全局预测模型进行蒸馏降维，构建简化预测模型，执行步骤包括：
21、进行算力匹配，建立基于所述算力评估结果与所述多级模型规模约束的规模映射表。
22、构建多个所述分级简化预测模型，并根据所述规模映射表，调用所述分级简化预测模型，获取目标分级简化预测模型。
23、基于所述多维初始监测指标集对所述简化预测模型进行功能枝剪，并对枝剪预测模型进行增强训练，获取边缘预测模型。
24、基于所述规模映射表，传输所述边缘预测模型至边缘预测设备。
25、在一种可行的实现方式中，构建多个所述分级简化预测模型，执行步骤还包括：
26、根据所述多级模型规模约束，定义多个标准简化预测模型，其中，多个所述标准简化预测模型的模型规模与结构各异。
27、基于所述全局预测模型软化所述标准异常样本数据集，获取软化预测标签集。
28、对所述软化预测标签集进行二值化精简，获取全局预测标签集，其中，所述全局预测标签集包括二值化预测结果与预测概率标记。
29、以所述全局预测标签集与所述标准异常样本数据集训练多个所述标准简化预测模型，获取多个所述分级简化预测模型。
30、在一种可行的实现方式中，根据所述标准异常样本数据集，构建并训练所述全局预测模型，执行步骤包括：
31、获取多个分类异常样本数据集，其中，多个所述分类异常样本数据集为根据健康异常类别对所述标准异常样本数据集进行聚类划分的聚类划分结果。
32、遍历多个所述分类异常样本数据集，基于集成学习方法，构建并训练多个局部健康预测簇，其中，多个局部健康预测簇特异性适配多类健康异常。
33、在一种可行的实现方式中，以所述全局预测标签集与所述标准异常样本数据集训练多个所述标准简化预测模型，之前，执行步骤包括：
34、根据所述多级模型规模约束，计算多级蒸馏系数，其中，所述多级蒸馏系数为所述多级模型规模约束与所述全局预测模型的规模比。
35、以所述多级蒸馏系数为融合权重，定义多级损失函数，所述多级损失函数为：
36、；
37、其中，表征所述多级损失函数；表征所述融合权重；表征所述标准简化预测模型训练中基于所述标准异常样本数据集的损失；表征所述标准简化预测模型训练中基于所述全局预测标签集的损失。
38、本专利技术公开了多维监测数据融合下的变压器健康预测系统，包括：根据多维初始监测指标集，构建配置于云平台的全局预测模型；对全局预测模型进行知识蒸馏与降维处理，生成简化预测模型，并将其分发至边缘预测设备，简化预测模型包含多个分级的简化预测模型；激活多源监测设备，对目标变压器进行常态化的多源监测数据采集，获得实时的多源监测数据集；将实时多源监测数据集传输至边缘预测设备，执行目标变压器的二值风险判别，根据二值风险判别结果，调用全局预测模型进行全维度的定位与健康状态预测，输出最终的健康预测结果。本专利技术公开的多维监测数据融合下的变压器健康预测系统解决了预测延迟高、预测成本高、预测准确性低的技术问题，实现了提高预测响应性与准确性，降低预测成本的技术效果。
本文档来自技高网...【技术保护点】
1.多维监测数据融合下的变压器健康预测系统，其特征在于，所述系统包括：
2.如权利要求1所述的多维监测数据融合下的变压器健康预测系统，其特征在于，根据多维初始监测指标集，构建全局预测模型，执行步骤包括：
3.如权利要求2所述的多维监测数据融合下的变压器健康预测系统，其特征在于，对所述全局预测模型进行蒸馏降维，构建简化预测模型之前，执行步骤包括：
4.如权利要求3所述的多维监测数据融合下的变压器健康预测系统，其特征在于，根据所述性能配置数据集进行算力评估，并结合算力评估结果定义多级模型规模约束，执行步骤包括：
5.如权利要求4所述的多维监测数据融合下的变压器健康预测系统，其特征在于，对所述全局预测模型进行蒸馏降维，构建简化预测模型，执行步骤包括：
6.如权利要求5所述的多维监测数据融合下的变压器健康预测系统，其特征在于，构建多个所述分级简化预测模型，执行步骤还包括：
7.如权利要求2所述的多维监测数据融合下的变压器健康预测系统，其特征在于，根据所述标准异常样本数据集，构建并训练所述全局预测模型，执行步骤包括：<...
【技术特征摘要】
1.多维监测数据融合下的变压器健康预测系统，其特征在于，所述系统包括：
2.如权利要求1所述的多维监测数据融合下的变压器健康预测系统，其特征在于，根据多维初始监测指标集，构建全局预测模型，执行步骤包括：
3.如权利要求2所述的多维监测数据融合下的变压器健康预测系统，其特征在于，对所述全局预测模型进行蒸馏降维，构建简化预测模型之前，执行步骤包括：
4.如权利要求3所述的多维监测数据融合下的变压器健康预测系统，其特征在于，根据所述性能配置数据集进行算力评估，并结合算力评估结果定义多级模型规模约束，执行步骤包括：
5.如权利要求4所述的多维...
【专利技术属性】
技术研发人员：李学钧，王晓鹏，蒋勇，何成虎，戴相龙，
申请(专利权)人：江苏濠汉信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。