本發(fā)明涉及電力系統(tǒng)領(lǐng)域，尤其涉及二次采樣回路隱性故障診斷領(lǐng)域，具體是指一種基于時(shí)頻域特征融合辨識(shí)實(shí)現(xiàn)針對二次采樣回路隱性故障進(jìn)行診斷處理的系統(tǒng)、方法、裝置、處理器及其計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著電網(wǎng)規(guī)模的迅速擴(kuò)展和新能源比例的持續(xù)攀升，電力系統(tǒng)的復(fù)雜性日益增加，其運(yùn)行穩(wěn)定性面臨前所未有的挑戰(zhàn)。作為電力系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵防線，繼電保護(hù)裝置在保障電力系統(tǒng)長期安全運(yùn)行中扮演著不可或缺的角色。據(jù)統(tǒng)計(jì)，超過75％的國內(nèi)外大規(guī)模停電事故與繼電保護(hù)裝置的不正確動(dòng)作存在直接或間接關(guān)系，這表明，繼電保護(hù)裝置的可靠性和準(zhǔn)確性對電力系統(tǒng)的穩(wěn)定性具有決定性作用。

2、在繼電保護(hù)裝置的工作中，二次采樣回路起著至關(guān)重要的作用。它通過傳感器采集電氣參數(shù)并轉(zhuǎn)換為數(shù)字信號(hào)，為繼電保護(hù)裝置的判斷和動(dòng)作提供數(shù)據(jù)支持，是繼電保護(hù)裝置的基礎(chǔ)組成部分，也是電力系統(tǒng)自動(dòng)化運(yùn)行的重要支撐。

3、二次采樣回路的隱性故障主要源于設(shè)計(jì)缺陷或人為因素(如接線錯(cuò)誤)，這些問題通常難以在日常運(yùn)行或常規(guī)檢查中被發(fā)現(xiàn)，往往只有在特定工況下，如電網(wǎng)擾動(dòng)、區(qū)外故障、潮流逆轉(zhuǎn)或電壓驟降等情況下才可能暴露。雖然隱性故障的觸發(fā)概率較低，但一旦觸發(fā)，可能導(dǎo)致繼電保護(hù)裝置的誤動(dòng)作或拒動(dòng)作，進(jìn)而擴(kuò)大事故影響范圍，甚至誘發(fā)電力系統(tǒng)的連鎖故障，造成大規(guī)模停電，帶來嚴(yán)重的經(jīng)濟(jì)損失和安全隱患。

4、目前，針對二次采樣回路隱性故障的診斷方法多集中于傳統(tǒng)的裝置檢驗(yàn)、動(dòng)作后分析或運(yùn)行狀態(tài)評估。這些手段往往以故障發(fā)生后的分析為主，屬于被動(dòng)應(yīng)對策略，缺乏主動(dòng)預(yù)防隱性故障的能力。若能在隱性故障被觸發(fā)前及時(shí)檢測并預(yù)警，提醒相關(guān)人員干預(yù)處理，將有效防止繼電保護(hù)裝置因故障誤動(dòng)而擴(kuò)大事故范圍，對于提升電力系統(tǒng)的安全性和可靠性具有重要意義。

5、目前，電力系統(tǒng)繼電保護(hù)裝置的隱性故障檢測已成為保障電網(wǎng)安全運(yùn)行的重要研究方向。金王磊等提出了一種基于多源信息的數(shù)字式繼電保護(hù)裝置隱性故障檢測方法，通過網(wǎng)格式部署結(jié)構(gòu)突破傳統(tǒng)故障檢測范圍的限制，結(jié)合數(shù)據(jù)預(yù)處理和差動(dòng)量核驗(yàn)實(shí)現(xiàn)故障檢測。實(shí)驗(yàn)表明，該方法能夠達(dá)到較高的誤動(dòng)識(shí)別次數(shù)，但其依賴于較大數(shù)據(jù)量，且數(shù)據(jù)處理過程復(fù)雜。邵慶祝等提出了一種基于深度學(xué)習(xí)的電流互感器隱性故障診斷方法，采用循環(huán)卷積塊網(wǎng)絡(luò)對電流時(shí)序數(shù)據(jù)進(jìn)行特征提取，通過softmax分類器進(jìn)行分類。該方法在電流互感器故障診斷上表現(xiàn)優(yōu)異，但在面對環(huán)境變化和多種故障模式時(shí)，仍需提升適應(yīng)性和魯棒性。朱林則研究了基于模糊支持向量機(jī)的智能站繼電保護(hù)設(shè)備隱性故障檢測方法，結(jié)合多小波變換去噪后，通過模糊支持向量機(jī)分類檢測隱性故障。實(shí)驗(yàn)結(jié)果表明，方法能有效降低誤動(dòng)率和拒動(dòng)率，但對于復(fù)雜故障模式的處理能力有限。曹祺的研究聚焦于基于開關(guān)量信息的電網(wǎng)故障診斷方法，采用貝葉斯網(wǎng)絡(luò)結(jié)合局部和全局信息進(jìn)行故障診斷，并提出先驗(yàn)概率修正策略，提高了故障診斷準(zhǔn)確性。然而，該方法仍依賴于高質(zhì)量的輸入數(shù)據(jù)和準(zhǔn)確的網(wǎng)絡(luò)推理，存在一定的局限性。王可等則研究了斷路器控制回路的隱性故障，尤其是溝通三跳接點(diǎn)引發(fā)的控制回路隱性故障，提出了針對性的改進(jìn)措施，強(qiáng)調(diào)了該問題對電網(wǎng)安全運(yùn)行的影響。雖然現(xiàn)有的隱性故障診斷技術(shù)取得了初步成效，但在面對復(fù)雜的故障模式、多維度數(shù)據(jù)融合和系統(tǒng)適應(yīng)性等問題時(shí)，仍存在一定局限。如何提升故障診斷的準(zhǔn)確性、實(shí)時(shí)性和普適性，仍是電力系統(tǒng)故障診斷領(lǐng)域亟待解決的挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服了上述現(xiàn)有技術(shù)的缺點(diǎn)，提供了一種滿足準(zhǔn)確性高、實(shí)時(shí)性好、適用范圍較為廣泛的基于時(shí)頻域特征融合辨識(shí)實(shí)現(xiàn)針對二次采樣回路隱性故障進(jìn)行診斷處理的系統(tǒng)、方法、裝置、處理器及其計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明的基于時(shí)頻域特征融合辨識(shí)實(shí)現(xiàn)針對二次采樣回路隱性故障進(jìn)行診斷處理的系統(tǒng)、方法、裝置、處理器及其計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)如下：

3、該基于時(shí)頻域特征融合辨識(shí)實(shí)現(xiàn)針對二次采樣回路隱性故障進(jìn)行診斷處理的系統(tǒng)，其主要特點(diǎn)是，所述的系統(tǒng)包括：

4、錄波數(shù)據(jù)預(yù)處理模塊，用于匹配錄波通道，對二次回路錄波進(jìn)行數(shù)據(jù)預(yù)處理；

5、二次回路隱患辨識(shí)模型，與所述的錄波數(shù)據(jù)預(yù)處理模塊相連接，用于從多個(gè)方面提取錄波潛在特征，通過特征交叉融合模塊進(jìn)行特征融合，構(gòu)建高維的特征空間，建立特征間的關(guān)聯(lián)關(guān)系，通過全連接層關(guān)聯(lián)特征與標(biāo)簽并進(jìn)行分類；

6、二次回路隱患辨識(shí)模型訓(xùn)練模塊，與所述的二次回路隱患辨識(shí)模型相連接，用于對二次回路隱患辨識(shí)模型進(jìn)行不斷訓(xùn)練對其調(diào)優(yōu)。

7、較佳地，所述的二次回路隱患辨識(shí)模型包括：

8、基于transformer的錄波時(shí)域特征提取模型，用于捕捉二次回路電壓電流波形的時(shí)序特性；

9、基于cnn的錄波頻域特征提取模型，用于將錄波數(shù)據(jù)經(jīng)過傅里葉變換后得到頻域特征；

10、基于全連接神經(jīng)網(wǎng)絡(luò)的輔助特征處理模塊，用于處理非時(shí)序數(shù)據(jù)的輔助信息；

11、特征交叉融合模塊，與所述的基于transformer的錄波時(shí)域特征提取模型、基于cnn的錄波頻域特征提取模型和基于全連接神經(jīng)網(wǎng)絡(luò)的輔助特征處理模塊相連接，用于將時(shí)域特征、頻域特征和輔助特征整合到一個(gè)高維特征空間中；

12、分類輸出層，與所述的特征交叉融合模塊相連接，用于通過全連接網(wǎng)絡(luò)，將融合特征映射到隱患診斷標(biāo)簽空間，實(shí)現(xiàn)分類任務(wù)。

13、較佳地，所述的基于transformer的錄波時(shí)域特征提取模型包括：

14、輸入嵌入層，用于接收模擬量時(shí)域數(shù)據(jù)；

15、位置編碼層，與所述的輸入嵌入層相連接，用于為輸入數(shù)據(jù)引入時(shí)序信息；

16、transformer編碼器，與所述的位置編碼層相連接，用于通過多頭注意力機(jī)制提取各通道波形特征的時(shí)間維度依賴性；

17、降維全連接層，與所述的transformer編碼器相連接，用于將編碼后的高維特征投影到固定的特征空間。

18、較佳地，所述的基于cnn的錄波頻域特征提取模型包括：

19、時(shí)域數(shù)據(jù)輸入層，用于接收輸入維度為頻譜的幅值或功率譜密度矩陣，通過多通道傅里葉變換轉(zhuǎn)換為頻域數(shù)據(jù)；

20、卷積層，與所述的時(shí)域數(shù)據(jù)輸入層相連接，用于利用多個(gè)一維或二維卷積核提取頻域特征；

21、池化層，與所述的卷積層相連接，用于通過最大池化或平均池化減少特征維度，保留頻域信息；

22、頻域激活層，與所述的池化層相連接，用于使用激活函數(shù)提升特征表達(dá)能力；

23、頻域全連接層，與所述的頻域激活層相連接，用于進(jìn)一步整合提取的頻域特征，輸出固定維度的特征向量。

24、較佳地，所述的基于全連接神經(jīng)網(wǎng)絡(luò)的輔助特征處理模塊包括：

25、輔助變量輸入層，用于接收輸入為輔助特征的向量；

26、全連接隱藏層，與所述的輔助變量輸入層相連接，用于通過多層全連接神經(jīng)網(wǎng)絡(luò)，逐步提取輔助特征的深層表示；

27、輔助特征激活層，與所述的全連接隱藏層相連接，用于使用非線性激活函數(shù)增強(qiáng)模型的表達(dá)能力；

28、輔助特征輸出層，與所述的輔助特征激活層相連接，用于輸出固定長度的特征向量，并與時(shí)域特征和頻域特征融合。

29、較佳地，所述的特征交叉融合模塊包括：

30、特征向量輸入層，與所述的基于transformer的錄波時(shí)域特征提取模型、基于cnn的錄波頻域特征提取模型和基于全連接神經(jīng)網(wǎng)絡(luò)的輔助特征處理模塊相連接，用于接收時(shí)域特征向量、頻域特征向量和輔助特征向量；

31、交叉注意力機(jī)制單元，與所述的特征向量輸入層相連接，用于計(jì)算各特征間的關(guān)聯(lián)性，生成融合特征；

32、高維特征空間構(gòu)建單元，與所述的交叉注意力機(jī)制單元相連接，用于通過多頭注意力機(jī)制和特征拼接操作，建立多源特征的高維表示；

33、融合輸出層，與所述的高維特征空間構(gòu)建單元相連接，用于將融合后的特征傳遞至分類層。

34、較佳地，所述的分類輸出層包括：

35、全連接層，與所述的特征交叉融合模塊相連接，用于逐步降維，并提取分類相關(guān)的特征表示；

36、激活層，與所述的全連接層相連接，用于使用非線性激活函數(shù)增強(qiáng)表達(dá)能力；

37、輸出層，與所述的激活層相連接，用于通過softmax函數(shù)輸出每個(gè)隱患類別的概率分布；

38、決策規(guī)則，與所述的輸出層相連接，用于根據(jù)最大概率對應(yīng)的類別，輸出最終診斷結(jié)果。

39、該利用上述系統(tǒng)實(shí)現(xiàn)基于時(shí)頻域特征融合辨識(shí)針對二次采樣回路隱性故障進(jìn)行診斷處理的方法，其主要特點(diǎn)是，所述的方法包括以下步驟：

40、(1)匹配錄波通道，對二次回路錄波進(jìn)行數(shù)據(jù)預(yù)處理；

41、(2)構(gòu)建二次回路隱患辨識(shí)模型；

42、(3)對二次回路隱患辨識(shí)模型進(jìn)行訓(xùn)練，并對其調(diào)優(yōu)；

43、(4)實(shí)時(shí)辨識(shí)錄波數(shù)據(jù)。

44、較佳地，所述的步驟(1)具體包括以下步驟：

45、(1.1)計(jì)算錄波的采樣頻率；

46、(1.2)如果采樣頻率小于10000，則對錄波進(jìn)行重采樣，

47、(1.3)設(shè)置錄波時(shí)間窗口。

48、較佳地，所述的步驟(1.1)具體為：

49、(1.1.1)使用錄波時(shí)間序列最大值減去最小值，得到總時(shí)間；

50、(1.1.2)使用總采樣點(diǎn)數(shù)除以總時(shí)間得到該錄波的采樣頻率。

51、較佳地，所述的步驟(2)具體包括以下步驟：

52、(2.1)通過基于transformer的錄波時(shí)域特征提取模型捕捉二次回路電壓電流波形的時(shí)序特性；通過基于cnn的錄波頻域特征提取模型將錄波數(shù)據(jù)經(jīng)過傅里葉變換后得到頻域特征；通過基于全連接神經(jīng)網(wǎng)絡(luò)的輔助特征處理模塊處理非時(shí)序數(shù)據(jù)的輔助信息；

53、(2.2)通過特征交叉融合模塊將時(shí)域特征、頻域特征和輔助特征整合到高維特征空間中；

54、(2.3)分類輸出層通過全連接網(wǎng)絡(luò)，將融合特征映射到隱患診斷標(biāo)簽空間，執(zhí)行分類任務(wù)。

55、較佳地，所述的步驟(2.1)中通過基于transformer的錄波時(shí)域特征提取模型捕捉二次回路電壓電流波形的時(shí)序特性，具體包括以下步驟：

56、(1-2.1.1)輸入嵌入層接收模擬量時(shí)域數(shù)據(jù)；

57、(1-2.1.2)位置編碼層為輸入數(shù)據(jù)引入時(shí)序信息；

58、(1-2.1.3)transformer編碼器通過多頭注意力機(jī)制提取各通道波形特征的時(shí)間維度依賴性；

59、(1-2.1.4)降維全連接層將編碼后的高維特征投影到固定的特征空間。

60、較佳地，所述的步驟(2.1)中通過基于cnn的錄波頻域特征提取模型將錄波數(shù)據(jù)經(jīng)過傅里葉變換后得到頻域特征，具體包括以下步驟：

61、(2-2.1.1)時(shí)域數(shù)據(jù)輸入層接收輸入維度為頻譜的幅值或功率譜密度矩陣，通過多通道傅里葉變換轉(zhuǎn)換為頻域數(shù)據(jù)；

62、(2-2.1.2)卷積層利用多個(gè)一維或二維卷積核提取頻域特征；

63、(2-2.1.3)池化層通過最大池化或平均池化減少特征維度，保留頻域信息；

64、(2-2.1.4)頻域激活層使用激活函數(shù)提升特征表達(dá)能力；

65、(2-2.1.5)頻域全連接層整合提取的頻域特征，輸出固定維度的特征向量。

66、較佳地，所述的步驟(2.1)中通過基于全連接神經(jīng)網(wǎng)絡(luò)的輔助特征處理模塊處理非時(shí)序數(shù)據(jù)的輔助信息，具體包括以下步驟：

67、(3-2.1.1)輔助變量輸入層接收輸入為輔助特征的向量；

68、(3-2.1.2)全連接隱藏層通過多層全連接神經(jīng)網(wǎng)絡(luò)，逐步提取輔助特征的深層表示；

69、(3-2.1.3)輔助特征激活層使用非線性激活函數(shù)增強(qiáng)模型的表達(dá)能力；

70、(3-2.1.4)輔助特征輸出層輸出固定長度的特征向量，并與時(shí)域特征和頻域特征融合。

71、較佳地，所述的步驟(2.2)具體包括以下步驟：

72、(2.2.1)特征向量輸入層接收時(shí)域特征向量、頻域特征向量和輔助特征向量；

73、(2.2.2)交叉注意力機(jī)制單元計(jì)算各特征間的關(guān)聯(lián)性，生成融合特征；

74、(2.2.3)高維特征空間構(gòu)建單元通過多頭注意力機(jī)制和特征拼接操作，建立多源特征的高維表示；

75、(2.2.4)融合輸出層將融合后的特征傳遞至分類層。

76、較佳地，所述的步驟(2.3)具體包括以下步驟：

77、(2.3.1)通過全連接層逐步降維，并提取分類相關(guān)的特征表示；

78、(2.3.2)激活層使用非線性激活函數(shù)增強(qiáng)表達(dá)能力；

79、(2.3.3)輸出層通過softmax函數(shù)輸出每個(gè)隱患類別的概率分布；

80、(2.3.4)決策規(guī)則根據(jù)最大概率對應(yīng)的類別，輸出最終診斷結(jié)果。

81、較佳地，所述的步驟(3)具體包括以下步驟：

82、(3.1)讀取錄波數(shù)據(jù)，并提取錄波信息以及時(shí)間序列；

83、(3.2)對齊錄波窗口；

84、(3.3)將訓(xùn)練集與驗(yàn)證集劃分為各占70％和30％；

85、(3.4)定義數(shù)據(jù)集類，對采樣的5個(gè)周波進(jìn)行快速傅里葉變換，提取每個(gè)周波內(nèi)的頻域特征；

86、(3.5)進(jìn)行前向傳播，計(jì)算輸出與標(biāo)簽的損失，并進(jìn)行反向傳播，調(diào)整網(wǎng)絡(luò)個(gè)節(jié)點(diǎn)權(quán)重及偏置；

87、(3.6)優(yōu)化器根據(jù)損失進(jìn)行迭代；

88、(3.7)判斷是否超過最大輪次，如果是，則繼續(xù)步驟(3.8)；否則，繼續(xù)步驟(3.5)；

89、(3.8)統(tǒng)計(jì)模型損失及準(zhǔn)確率，并保存模型權(quán)重。

90、該用于實(shí)現(xiàn)基于時(shí)頻域特征融合辨識(shí)針對二次采樣回路隱性故障進(jìn)行診斷處理的裝置，其主要特點(diǎn)是，所述的裝置包括：

91、處理器，被配置成執(zhí)行計(jì)算機(jī)可執(zhí)行指令；

92、存儲(chǔ)器，存儲(chǔ)一個(gè)或多個(gè)計(jì)算機(jī)可執(zhí)行指令，所述的計(jì)算機(jī)可執(zhí)行指令被所述的處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述的實(shí)現(xiàn)基于時(shí)頻域特征融合辨識(shí)針對二次采樣回路隱性故障進(jìn)行診斷處理的方法的各個(gè)步驟。

93、該用于實(shí)現(xiàn)基于時(shí)頻域特征融合辨識(shí)針對二次采樣回路隱性故障進(jìn)行診斷處理的處理器，其主要特點(diǎn)是，所述的處理器被配置成執(zhí)行計(jì)算機(jī)可執(zhí)行指令，所述的計(jì)算機(jī)可執(zhí)行指令被所述的處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述的實(shí)現(xiàn)基于時(shí)頻域特征融合辨識(shí)針對二次采樣回路隱性故障進(jìn)行診斷處理的方法的各個(gè)步驟。

94、該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其主要特點(diǎn)是，其上存儲(chǔ)有計(jì)算機(jī)程序，所述的計(jì)算機(jī)程序可被處理器執(zhí)行以實(shí)現(xiàn)上述的實(shí)現(xiàn)基于時(shí)頻域特征融合辨識(shí)針對二次采樣回路隱性故障進(jìn)行診斷處理的方法的各個(gè)步驟。

95、采用了本發(fā)明的基于時(shí)頻域特征融合辨識(shí)實(shí)現(xiàn)針對二次采樣回路隱性故障進(jìn)行診斷處理的系統(tǒng)、方法、裝置、處理器及其計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，在提升隱性故障診斷準(zhǔn)確率的同時(shí)，顯著提高了系統(tǒng)的適用性與實(shí)時(shí)性，有助于運(yùn)維與檢修人員快速排查隱性故障，減少人為誤判風(fēng)險(xiǎn)。本發(fā)明充分利用電力系統(tǒng)運(yùn)行數(shù)據(jù)的內(nèi)在特性，結(jié)合先進(jìn)的深度學(xué)習(xí)模型，實(shí)現(xiàn)對隱性故障的自動(dòng)檢測和預(yù)警，降低了人工依賴和經(jīng)濟(jì)成本，顯著提升了電力系統(tǒng)隱性故障排查的效率與準(zhǔn)確性，助力電力系統(tǒng)的安全、穩(wěn)定運(yùn)行。