【技术实现步骤摘要】
本专利技术涉及电力故障诊断的，特别是涉及一种基于多模态数据融合的电力故障诊断方法及系统。
技术介绍
1、随着电力系统的规模和复杂性不断增加，电力设备的可靠性和稳定性成为了电力行业的重要关注点，电力故障诊断作为确保电力系统安全运行的关键环节，其准确性和及时性直接关系到电力供应的质量和效率。
2、现有的电力设备故障诊断方法主要是对单一电力设备进行独立监测，并基于固定的监测阈值或固定的故障识别模型进行故障类型诊断；现有方法忽略了相同设备在相同运行条件中的同步性，无法根据电力设备的实际运行情况进行异常电力设备识别的动态调整。例如，台区内所有相同的电力设备的瞬时电流值均超过固定监测阈值，按以往的诊断方法，则会对所有的电力设备进行故障报警，而实际上，这种集体性的瞬时电流超标可能是由于系统级的暂态事件(如电网负荷突增、大型电机启动等)引起的，并非每台设备都真正存在故障；这种“一刀切”的诊断方式不仅会导致误报率上升，浪费运维资源，还可能掩盖真正的故障信号，影响台区电力系统的稳定性。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种通过多模态数据融合技术，全面收集并分析电力设备的电气、环境及机械参数，构建多模态参数特征矩阵，实现动态异常检测与个性化监测策略制定，提高故障诊断的准确性与时效性，减少误报和漏报，优化运维资源分配，确保电力系统的稳定运行与高效供电的基于多模态数据融合的电力故障诊断方法及系统。
2、第一方面，本专利技术提供了基于多模态数据融合的电力故障诊断方法
3、分别采集台区内所有相同电力设备的多模态数据信息；
4、针对每个电力设备的多模态数据信息，进行特征提取，获得多模态参数集合；所述多模态参数集合包括电气参数、环境参数以及机械参数；
5、将同时采集的所有多模态参数集合进行数据整合，获得能够表征台区内所有同型号电力设备运行状态的多模态参数特征矩阵；在所述多模态参数特征矩阵中，同一个电力设备的多模态参数位于同一列；不同电力设备对应的同一模态参数位于同一行；
6、将多模态参数特征矩阵输入至异常电力设备识别模型中，异常电力设备识别模型输出异常电力设备的异常向量；所述异常向量包括该电力设备的身份编号以及异常程度；
7、根据异常向量，生成该异常电力设备监测策略；所述异常电力设备监测策略包括监测目标参数以及目标参数的采集频率，所述目标参数包括电气参数、环境参数和机械参数中的至少一种；
8、基于异常电力设备监测策略对异常电力设备进行参数采集，获得能够表征该异常电力设备运行状态的目标参数时序画像；
9、将目标参数时序画像输入至电力故障识别模型中，电力故障识别模型输出该异常电力设备的故障类型。
10、进一步地，所述多模态参数特征矩阵为：
11、
12、其中，同一个电力设备的多模态参数位于同一列，不同电力设备对应的同一模态参数位于同一行；e1，e2，…，en表示所有电力设备的电气参数向量，h1，h2，…，hn表示所有电力设备的环境参数向量,m1，m2，…，mn表示所有电力设备的机械参数向量。
13、进一步地，所述多模态参数集合为：
14、
15、其中，xi表示多模态参数集合，ei、hi和mi分别是第i个电力设备的电气参数、环境参数和机械参数向量；其中ei、hi和mi进一步分解为：
16、
17、其中，vi,ii,pi,qi,si分别表示第i个电力设备的电压、电流、有功功率、无功功率和视在功率等电气参数；
18、
19、其中，ti,rhi,patm,i分别表示温度、相对湿度和大气压等环境参数；
20、
21、其中，ωi,xi,vi,ai分别表示转速、位移、速度和加速度的机械参数。
22、进一步地，所述多模态参数特征矩阵的获取方法，包括：
23、对收集到的多模态数据进行清洗，去除无效或异常的数据点；
24、对数据进行归一化或标准化处理，使来自不同传感器的不同类型的测量值能在同一个尺度上进行比较；
25、之后将每个电力设备的电气参数、环境参数和机械参数按矩阵组织起来；
26、构建多模态参数特征矩阵，通过上述整理构建出多模态参数特征矩阵。
27、进一步地，所述异常程度的计算方法，包括：
28、对每个电力设备i，基于电气参数、环境参数和机械参数来计算电力设备的异常程度asi；
29、当有ne个电气参数、nh个环境参数和nm个机械参数时，异常程度的计算公式为：
30、
31、其中，第i台设备的第j个电气参数的标准化值为：
32、
33、其中，表示第i台设备的第j个电气参数,μe,σe分别为电气参数的平均值和标准差；
34、第i台设备的第j个环境参数的标准化值为：
35、
36、其中，表示第i台设备的第j个环境参数,μh,σh分别为环境参数的平均值和标准差；
37、第i台设备的第j个机械参数的标准化值：
38、
39、其中，表示第i台设备的第j个机械参数,μm,σm分别为环境参数的平均值和标准差；
40、α，β和γ为电气参数、环境参数和机械参数对应的权重系数，用于平衡不同模态的重要性；
41、若则电力设备i被认为是异常的，其中为异常程度阈值。
42、进一步地，所述异常向量的获取方法，包括：
43、对生成的多模态参数特征矩阵中的数据进行清洗，包含该设备的所有多模态参数和所有设备在该参数上的测量值；
44、将清洗后的数据分为训练集和测试集；根据对异常电力设备的检测任务，选择支持向量机模型作为电力设备识别模型的基础模型，使用交叉验证调整模型参数；利用训练集数据训练选定的模型，并在验证集上评估模型性能；训练好的电力设备识别模型用于对每个设备的异常程度，反映设备偏离正常行为的程度；
45、将多模态参数特征矩阵输入至电力设备识别模型中，电力设备识别模型输出一个异常向量列表，异常向量列表包含异常电力设备的身份编号以及异常程度。
46、进一步地，所述多模态参数集合的获取方法，包括：
47、对收集的每个电力设备的多模态数据信息进行预处理，包括去除无效数据、去除异常值、数据校准和插补缺失数值；
48、对预处理后的多模态数据信息进行电气参数特征提取，包括：电压/电流波形分析、功率分析和瞬态事件检测；
49、对预处理后的多模态数据信息进行环境参数特征提取，包括：温湿度特征和气压特征；
50、对预处理后的多模态数据信息进行机械参数特征提取，包括：振动分析、位移与转速和模式识别；
51、对提取的电气参数特征、环境参数特征和机械参数进行归一化以及标准化处理；
本文档来自技高网...【技术保护点】
1.一种基于多模态数据融合的电力故障诊断方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数特征矩阵为：
3.如权利要求2所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数集合为：
4.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数特征矩阵的获取方法，包括：
5.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述异常程度的计算方法，包括：
6.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述异常向量的获取方法，包括：
7.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数集合的获取方法，包括：
8.一种基于多模态数据融合的电力故障诊断系统，其特征在于，所述系统包括：
9.一种基于多模态数据融合的电力故障诊断电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
...【技术特征摘要】
1.一种基于多模态数据融合的电力故障诊断方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数特征矩阵为：
3.如权利要求2所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数集合为：
4.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述多模态参数特征矩阵的获取方法，包括：
5.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述异常程度的计算方法，包括：
6.如权利要求1所述的基于多模态数据融合的电力故障诊断方法，其特征在于，所述异常向量的获取方法，包括：<...
【专利技术属性】
技术研发人员：陈维，陈振勇，王磊，付智鑫，王程，周龙，段尧，侯焱伦，吕桓，王松涛，王琦，安志崇，孙同，张智，
申请(专利权)人：国网甘肃省电力公司，
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。