本發(fā)明涉及局部放電檢測，具體地說是一種基于多源特征融合與深度網(wǎng)絡(luò)的電抗器局部放電診斷方法。

背景技術(shù)：

1、電抗器作為電力系統(tǒng)的關(guān)鍵設(shè)備，其內(nèi)部絕緣缺陷可誘發(fā)局部放電pd，加速絕緣老化并威脅設(shè)備安全。傳統(tǒng)離線檢測方法因周期長、實時性不足而受限，推動基于在線監(jiān)測的局部放電特征分析技術(shù)成為研究熱點。然而，pd信號的非線性、非平穩(wěn)特性及高維特征空間的復(fù)雜性，使傳統(tǒng)故障診斷方法面臨嚴(yán)峻挑戰(zhàn)。

2、目前針對電抗器局部放電監(jiān)測主要依賴單一物理量進(jìn)行模式識別，難以全面反映局部放電的本質(zhì)特征，且對噪聲和工況變化較為敏感，導(dǎo)致診斷精度受限。此外，基于統(tǒng)計特征的分析方法往往假設(shè)信號服從特定分布，難以應(yīng)對復(fù)雜的非線性、非平穩(wěn)特性。因此需要對多維物理量進(jìn)行深層次融合，以全面表征局部放電信號的時空演化特性。傳統(tǒng)降維技術(shù)主要依賴線性投影，難以捕捉不同特征模態(tài)間的非線性關(guān)聯(lián)，導(dǎo)致信息損失和模式區(qū)分度下降。此外，盡管深度學(xué)習(xí)方法具備強(qiáng)大的特征提取能力，但在多模態(tài)融合方面往往未能充分挖掘物理特征與統(tǒng)計特征的互補(bǔ)信息，限制了對復(fù)雜放電模式的精準(zhǔn)建模。另一方面，局部放電信號的分布受環(huán)境因素及設(shè)備老化影響，不同工況下的數(shù)據(jù)分布存在顯著偏移，而現(xiàn)有模型普遍依賴固定的特征提取方式，缺乏對域偏移的自適應(yīng)能力，導(dǎo)致跨工況泛化性較差，進(jìn)而影響診斷的穩(wěn)定性與工程適用性。因此，迫切需要構(gòu)建兼具多維特征融合能力與跨域適應(yīng)性的智能診斷方法，以提升局部放電監(jiān)測的精確性和魯棒性。

3、密度峰值聚類dpc作為一種基于密度的聚類算法，因其無需預(yù)設(shè)聚類數(shù)目，對非球形聚類結(jié)構(gòu)具有良好的適應(yīng)性，并能夠直觀地通過決策圖識別聚類中心，在眾多領(lǐng)域得到廣泛應(yīng)用。尤其在局部放電信號分析、異常檢測及高維數(shù)據(jù)聚類任務(wù)中，dpc依賴局部密度與相對距離的聯(lián)合測度，能夠較為有效地挖掘數(shù)據(jù)內(nèi)在結(jié)構(gòu)。然而，傳統(tǒng)dpc算法在處理高維數(shù)據(jù)時暴露出一系列局限性。首先，標(biāo)準(zhǔn)相似性度量，如歐幾里得距離，未能充分考慮不同特征對整體距離的不同貢獻(xiàn)，特別是特征尺度差異較大時，可能導(dǎo)致聚類結(jié)果的不準(zhǔn)確與不穩(wěn)定。其次，dpc算法對噪聲較為敏感，尤其在高維空間中，離群點會干擾局部密度計算，進(jìn)而影響聚類中心的識別。此外，當(dāng)數(shù)據(jù)特征之間差異較小時，dpc難以有效區(qū)分相似樣本，導(dǎo)致聚類精度下降。因此，針對這些問題，迫切需要對傳統(tǒng)dpc算法進(jìn)行改進(jìn)，以增強(qiáng)其在高維數(shù)據(jù)中的適應(yīng)性與魯棒性。并且現(xiàn)有深度學(xué)習(xí)模型在多模態(tài)特征處理與魯棒性提升方面仍存在顯著不足。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)cnn在面對多模態(tài)特征時，通常采用簡單的拼接或早期融合策略，這種方法未能充分挖掘特征之間的高階交互信息，從而限制了模型對復(fù)雜模式的表征能力。此外，當(dāng)前主流的注意力機(jī)制，如通道注意力，主要聚焦于單一層次的特征選擇，忽略了全局信息與局部信息的協(xié)同優(yōu)化，導(dǎo)致模型在處理復(fù)雜信號時的表達(dá)能力有限。更為重要的是，局部放電信號常常受到電磁干擾與噪聲污染，傳統(tǒng)的分類模型對這些對抗擾動的敏感性較高，難以有效應(yīng)對噪聲和分布偏移帶來的挑戰(zhàn)。因此，如何在保證高精度分類的前提下，提升模型對噪聲與環(huán)境變化的魯棒性，成為亟需解決的關(guān)鍵問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于多源特征融合與深度網(wǎng)絡(luò)的電抗器局部放電診斷方法，用于解決現(xiàn)有局部放電監(jiān)測算法存在的因缺乏兼具多維特征融合能力與跨域適應(yīng)性，導(dǎo)致的局部放電監(jiān)測的精確性和魯棒性較低的問題。

2、本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案是：基于多源特征融合與深度網(wǎng)絡(luò)的電抗器局部放電診斷方法，包括以下步驟：

3、s1、數(shù)據(jù)預(yù)處理與特征提取；

4、對采集的電抗器局部放電信號進(jìn)行min-max歸一化處理與缺失值填補(bǔ)；

5、s2、提取多維度的特征信息，包括相位特征、極性特征、幅值特征、時頻特征以及小波包特征；

6、s3、通過swfk-dpc聚類算法處理高維特征集；

7、s4、構(gòu)建深度多源自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)edmsacnn，實現(xiàn)局部放電信號的物理特征與統(tǒng)計特征的深度融合；

8、s5、引入跨域特征壓縮，提高模型的跨域適應(yīng)能力；引入聚類引導(dǎo)的雙路注意力機(jī)制，優(yōu)化空間和通道上的特征權(quán)重分配；

9、s6、引入對抗增強(qiáng)與分類模塊，提升模型的分類準(zhǔn)確性與抗干擾能力；

10、s7、模型優(yōu)化與迭代訓(xùn)練；

11、構(gòu)建完模型后，針對復(fù)雜工況下的電抗器局部放電模式進(jìn)行訓(xùn)練與優(yōu)化，通過超參數(shù)調(diào)優(yōu)、損失函數(shù)優(yōu)化及模型迭代訓(xùn)練，提高模型穩(wěn)定性和高識別度。

12、進(jìn)一步地，步驟s2中，對信號進(jìn)行3層小波包分解后，提取8個頻帶的能量占比，計算公式為：（1）；其中，epk表示第k個頻帶的能量占比，xpk為對應(yīng)頻帶的小波包系數(shù)序列，x(i)為原始信號序列。

13、進(jìn)一步地，步驟s3具體包括以下步驟：

14、s3.1、使用標(biāo)準(zhǔn)差加權(quán)距離度量計算數(shù)據(jù)點之間的相似性；

15、s3.2、計算每個數(shù)據(jù)點的局部密度，并根據(jù)局部距離構(gòu)建決策圖，識別出密度峰值點，將這些密度峰值點作為聚類中心；

16、s3.3、數(shù)據(jù)點i的最大鄰域半徑超出全體樣本的平均最大鄰域半徑時，該點被判定為離群點，否則為非離群點，將非離群點分配至最優(yōu)簇；針對未分配的非離群點，引入模糊加權(quán)k近鄰方法fk，提出dpc聚類分配策略。

17、進(jìn)一步地，步驟s3.1中，計算數(shù)據(jù)點i與j之間的標(biāo)準(zhǔn)差加權(quán)距離（2）；其中，為權(quán)重因子，m為每個樣本的特征數(shù)，xik為樣本i在第k個特征上的取值，xjk為樣本j在第k個特征上的取值。

18、進(jìn)一步地，步驟s3.2中，定義每個數(shù)據(jù)點i的局部密度（3），其中，knni為數(shù)據(jù)點i的k近鄰集合，局部距離定義為：（4），在此基礎(chǔ)上構(gòu)建決策圖來識別密度峰值，以x軸表示局部密度，y軸表示局部距離，通過觀察決策圖中點的位置，直觀識別出位于右上角的密度峰值。

19、進(jìn)一步地，步驟s3.3中，基于標(biāo)準(zhǔn)差加權(quán)距離dij度量提出離群點判定準(zhǔn)則，具體為：通過公式（5）定義離群點的判定標(biāo)準(zhǔn)，其中，為數(shù)據(jù)點i在其k近鄰集合內(nèi)的最大鄰域半徑，為數(shù)據(jù)集中所有樣本點的最大鄰域半徑的均值，（6），（7），n為數(shù)據(jù)集中樣本的總數(shù)；數(shù)據(jù)點i歸屬于聚類c的概率（8），其中，為加權(quán)相似性度量，（9）；為歸一化系數(shù)；（10）；

20、對于數(shù)據(jù)集，計算每個分配點i計算其對數(shù)量為c的簇的隸屬度，并構(gòu)造矩陣s，?（11），其中，r為待分配點的數(shù)量，c為簇的數(shù)量，選取隸屬度最高的數(shù)據(jù)點s并將其歸入對應(yīng)簇k，同時將其在所有簇中的隸屬度歸零，基于其k近鄰關(guān)系更新相鄰數(shù)據(jù)點的隸屬度，并迭代執(zhí)行該過程，直至所有數(shù)據(jù)點完成分配。

21、進(jìn)一步地，步驟s4的具體步驟包括：

22、s4.1、通過外積運(yùn)算、哈達(dá)瑪積及線性加權(quán)融合方法，將相位特征、極性特征和幅值特征進(jìn)行交互式融合；

23、s4.2、使用短時傅里葉變換stft和離散小波變換dwt對時頻特征進(jìn)行聯(lián)合編碼，從而表征局部放電信號的時頻域動態(tài)特征。

24、s4.3、針對小波包特征，采用樹狀圖卷積網(wǎng)絡(luò)gcn進(jìn)一步建模，捕捉不同能量節(jié)點間的關(guān)系。

25、進(jìn)一步地，步驟s4.1中，將swfk-dpc聚類輸出的五維特征向量重構(gòu)成三通道特征張量，針對相位信息φ、極性p以及幅值a，采用外積運(yùn)算、哈達(dá)瑪積及線性加權(quán)融合，數(shù)學(xué)表達(dá)為：（12）；其中，fphy為融合后的物理特征；wp為極性對應(yīng)的可學(xué)習(xí)參數(shù)矩陣；wφ為相位對應(yīng)的可學(xué)習(xí)參數(shù)矩陣；wa為幅值對應(yīng)的可學(xué)習(xí)參數(shù)矩陣；relu作為激活函數(shù)，引入非線性映射來增強(qiáng)模型表達(dá)能力。

26、進(jìn)一步地，步驟s4.2中，采用短時傅里葉變換stft結(jié)合時域卷積的方式進(jìn)行聯(lián)合編碼，計算公式為：（13）；其中，ftfr為融合后的時頻特征；tfr表示短時傅里葉變換后所得時頻矩陣；dwt為離散小波變換；tfrenvelope代表時頻包絡(luò)，用于提取信號的包絡(luò)信息；conv1d表示通過滑動窗口操作實現(xiàn)時序特征建模。

27、進(jìn)一步地，步驟s4.3中，采用樹狀圖卷積網(wǎng)絡(luò)gcn進(jìn)行建模，數(shù)學(xué)表達(dá)為：（14）；其中，fwpe為融合后的小波包特征，wpek為第k級的小波包特征，為小波包能量的權(quán)重系數(shù)，通過softmax機(jī)制自適應(yīng)計算：（15）；其中，q為可學(xué)習(xí)查詢向量，softmax函數(shù)實現(xiàn)權(quán)重歸一化，wpetk為經(jīng)過自適應(yīng)加權(quán)后的第k級小波包特征。

28、進(jìn)一步地，步驟s5中，跨域特征壓縮首先對特征進(jìn)行對齊，并計算swfk-dpc聚類中心ck與卷積特征fi之間的sinkhorn距離，?（16）；其中，m（）為馬氏距離，為熵正則項，為最優(yōu)傳輸映射矩陣，為正則化系數(shù)，是從計算得到的歸一化權(quán)重；在特征對齊完成后，引入基于通道注意力的動態(tài)通道壓縮策略，在高維特征空間中選擇具有關(guān)鍵判別信息的特征子集；依據(jù)歸一化權(quán)重γik計算通道注意力權(quán)重（17）；其中，mlp(?)?為多層感知機(jī)；采用張量縮并操作，對物理特征、時頻特征和小波包特征之間進(jìn)行深度融合，融合特征計算為：（18）；其中，wi,wj分別為不同特征模態(tài)的注意力權(quán)重。

29、進(jìn)一步地，雙路注意力機(jī)制包括局部注意力支路、全局注意力支路以及雙路融合；局部注意力支路利用空間聚類信息對特征表示進(jìn)行優(yōu)化，突出目標(biāo)區(qū)域的顯著特征并抑制背景噪聲；首先，基于swfk-dpc算法計算特征點的隸屬度矩陣u，以描述輸入特征在不同聚類中心上的歸屬程度，在此基礎(chǔ)上，通過計算空間注意力圖alocal調(diào)整特征圖的空間權(quán)重，計算方式為：（19）；其中，wl為可學(xué)習(xí)參數(shù)矩陣；全局注意力支路利用聚類整體的分布信息優(yōu)化通道注意力，引入聚類緊湊度指標(biāo)sk作為通道注意力調(diào)節(jié)因子，全局注意力權(quán)重（20）；其中，ck為對應(yīng)的聚類中心；雙路注意力融合階段的融合方式為：（21）；其中，λ為自適應(yīng)融合系數(shù)，由多層感知機(jī)mlp計算得到：（22）。

30、進(jìn)一步地，步驟s6的具體步驟包括：

31、s6.1、通過全連接層將融合后的特征映射至低維空間以增強(qiáng)判別能力，并使用約束對抗擾動提升模型在噪聲或數(shù)據(jù)分布偏移下的穩(wěn)定性；首先，將融合后的特征映射至低維空間，表達(dá)如下：（23）；其中，wd為降維矩陣；在降維特征fcls上引入受l2約束的對抗擾動δ，得到對抗增強(qiáng)特征表示：（24）；l2約束是在優(yōu)化過程中對模型參數(shù)施加l2范數(shù)的懲罰項，以防止模型參數(shù)過大，進(jìn)而提升泛化能力和穩(wěn)定性，bd為在特征降維過程中引入的偏置項，來調(diào)整降維后的特征分布，ffusion為經(jīng)過融合后的特征表示；

32、s6.2、基于對抗增強(qiáng)特征，采用softmax函數(shù)進(jìn)行類別概率分布計算，并通過交叉熵?fù)p失與對抗一致性約束共同優(yōu)化模型；

33、類別概率分布p通過下式計算，（25），其中，wc為分類權(quán)重向量，bc為分類器的偏置項，bk為聚類中心ck的偏置項，wct為分類權(quán)重向量的轉(zhuǎn)置矩陣，wkt為聚類中心ck的特征權(quán)重矩陣轉(zhuǎn)置；交叉熵?fù)p失與對抗一致性約束構(gòu)成損失函數(shù)：（26）；?為超參數(shù)，yc代表真實類別標(biāo)簽。

34、本發(fā)明的有益效果是：本發(fā)明通過張量縮并與注意力機(jī)制實現(xiàn)多源特征的非線性交互，突破傳統(tǒng)線性融合的局限性，并基于最優(yōu)傳輸?shù)奶卣鲗R技術(shù)有效緩解不同工況下的數(shù)據(jù)分布差異，顯著提升自適應(yīng)跨域能力。此外，結(jié)合對抗訓(xùn)練與聚類引導(dǎo)的注意力機(jī)制，增強(qiáng)模型在噪聲環(huán)境中的魯棒性，確保診斷可靠性。該技術(shù)為電抗器絕緣狀態(tài)評估提供智能化解決方案，對電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要的工程應(yīng)用價值。