本發(fā)明涉及電力系統智能監(jiān)控，尤其涉及一種輸變電設備傳感器異常檢測模型及其構建方法、裝置、設備及介質。

背景技術：

1、現代輸變電設備（如變壓器、斷路器、避雷器等）的智能監(jiān)控依賴于部署在站內的大量傳感器實時采集狀態(tài)數據，包括監(jiān)測油溫與繞組溫度的溫度傳感器、反映線路負載的電流/電壓傳感器、檢測機械松動或軸承損傷的振動傳感器，以及識別絕緣劣化的局部放電傳感器等。

2、然而，現有技術在實際應用中面臨以下挑戰(zhàn)：

3、首先，傳感器自身可靠性問題突出，具體表現為溫度漂移（溫漂）、信號噪聲干擾、斷線故障及精度下降等現象；

4、其次，分析方法存在數據關聯性不足，主要依賴單傳感器數據進行孤立分析，忽略了設備不同物理量之間的內在關聯；

5、再者，動態(tài)工況適應性差，采用固定閾值或簡單規(guī)則難以有效適應設備負載波動等復雜運行工況的變化；

6、最后，對緩慢發(fā)生的漸進性故障檢測能力不足，傳統方法難以有效識別和預警這類緩慢發(fā)展的異常。

7、上述問題制約了現有監(jiān)控系統的準確性與可靠性，導致監(jiān)測結果出現誤差，亟需更智能的異常檢測方法以保障數據質量與設備安全。因此，需要設計一種輸變電設備傳感器異常檢測模型及其構建方法、裝置、設備及介質以解決上述問題。

技術實現思路

1、本發(fā)明所要解決的技術問題在于解決現有技術中存在的不足，設計一種輸變電設備傳感器異常檢測模型，本發(fā)明主要針對電力系統智能監(jiān)控技術領域傳感器的可靠性、數據關聯性不足、動態(tài)工況適應性差和緩慢故障檢測不足等問題，通過對多源傳感器數據進行時空對齊，借助深度學習方法構建的一種基于多模態(tài)時空特征融合的輸變電設備傳感器異常檢測模型，通過輸變電設備傳感器異常檢測模型對傳感器運行狀態(tài)進行判定。

2、本發(fā)明解決其技術問題所采用的方案為：

3、一種輸變電設備傳感器異常檢測模型的構建方法，基于多模態(tài)時空特征融合技術，采用現有數據庫中的數據，

4、其特征在于，

5、包括以下步驟：

6、步驟s1：采集傳感器數據并對傳感器數據進行時空對齊，

7、步驟s2：構建并訓練雙通道模型，

8、步驟s3：利用雙通道模型對步驟s1中輸出的傳感器數據進行特征提取，并輸出異常概率值，

9、步驟s4：根據傳感器的動態(tài)負載率計算動態(tài)閾值，其中，閾值計算公式為：

10、threshold=α+β×loadrate，其中α為基礎閾值，β為負載敏感系數，loadrate為設備負載率，所述α=0.5，所述β=0.3，所述loadrate∈[0,1]，當雙通道模塊輸出的異常概率值大于閾值時，判定傳感器異常，報警并用冗余的同一時段的傳感器數據替換掉異常的傳感器數據。

11、作為本發(fā)明的一種優(yōu)選實施方式，

12、所述步驟s1包含以下步驟，

13、步驟s10：采集固定時間窗口長度的不同采樣率的傳感器數據，

14、步驟s11：利用zoomfft重采樣算法對傳感器數據重采樣到相同的目標長度，

15、步驟s12：對傳感器數據進行標準化處理，輸出對齊后的傳感器數據。

16、作為本發(fā)明的一種優(yōu)選實施方式，

17、所述步驟s2包含以下步驟：

18、步驟s20：通過卷積神經網絡、transformer和分類器構建雙通道模型，

19、步驟s21：根據數據庫中的數據構建數據樣本，每條樣本都包含傳感器對應類型的數據，其中數據樣本包含正樣本和負樣本，設定正樣本的標簽是0，負樣本的標簽是1，標簽是根據數據庫中記錄的某段時間內傳感器是否異常設置的，只要在一定時間內有一種傳感器是異常的，那這條數據樣本就是負樣本，反之是正樣本，

20、步驟s22：按比例拆分正負樣本成訓練集、驗證集和測試集，拆分后訓練集、驗證集和測試集均包含正樣本和負樣本，

21、步驟s23：使用損失函數bceloss，優(yōu)化器adam，設定批次大小和訓練輪數，每一輪訓練結束后用驗證集驗證雙通道模型分類準確率，不斷對雙通道模型進行調優(yōu)，保存分類效果最好的雙通道模型，

22、步驟s24：訓練完成后，用測試集測試保存的最好的模型分類準確率。

23、作為本發(fā)明的一種優(yōu)選實施方式，

24、所述步驟s20中所采用的分類器包含兩個線性層，第一個線性層的輸入特征維度是特征拼接后的總特征維度，輸出特征維度是128，第二個線性層的輸入特征維度是128，輸出維度是1，且兩個線性層中間為relu()激活函數，第二個線性層后邊為sigmoid()激活函數。

25、作為本發(fā)明的一種優(yōu)選實施方式，

26、所述步驟s3包含以下步驟，

27、步驟s30：將步驟s12中輸出的傳感器數據分別送入到卷積神經網絡和tranformer進行局部瞬態(tài)特征提取和長期依賴特征提取，

28、步驟s31：使用pytorch的cat方法在局部瞬態(tài)特征和長期依賴特征的最后一個維度拼接兩種特征，

29、步驟s32：進入分類器輸出異常概率值。

30、一種輸變電設備傳感器異常檢測模型，使用一種輸變電設備傳感器異常檢測模型的構建方法進行構建得到。

31、一種輸變電設備傳感器異常檢測模型的構建裝置，包括：

32、多源傳感器數據時空對齊模塊，用于對傳感器數據進行采集和時空對齊；

33、雙通道模塊，用于對對齊后的傳感器數據進行特征提取，輸出異常概率值；

34、動態(tài)閾值決策模塊，用于根據設備的動態(tài)負載率計算動態(tài)閾值，并對傳感器運行狀態(tài)進行判斷；

35、數據補償模塊，用于用冗余的同一時段的傳感器數據替換掉異常的傳感器數據。

36、作為本發(fā)明的一種優(yōu)選實施方式，

37、一種輸變電設備傳感器異常檢測模型的構建裝置還包括數據支持模塊，通過數據庫對輸變電設備傳感器異常檢測模型中的數據進行存儲和管理。

38、一種計算機設備，包括：

39、存儲器和處理器，

40、所述存儲器和所述處理器之間互相通信連接，

41、所述存儲器中存儲有計算機指令，

42、所述處理器通過執(zhí)行所述計算機指令，從而執(zhí)行權利要求7所述的一種輸變電設備傳感器異常檢測模型的構建方法。

43、一種計算機可讀存儲介質，

44、所述計算機可讀存儲介質上存儲有計算機指令，

45、所述計算機指令用于使計算機執(zhí)行權利要求7所述的一種輸變電設備傳感器異常檢測模型的構建方法。

46、與現有技術相比，本發(fā)明具有以下有益效果：

47、本發(fā)明一種輸變電設備傳感器異常檢測模型，基于多模態(tài)時空特征融合的輸變電設備傳感器異常檢測模型構建方法構建而成，其中輸變電設備傳感器異常檢測模型的構建方法包含采集傳感器數據并對傳感器數據進行時空對齊、構建并訓練雙通道模型、利用雙通道模型對傳感器數據進行特征提取并輸出異常概率值以及根據傳感器的動態(tài)負載率計算動態(tài)閾值，根據異常概率值和閾值，判定傳感器運行狀態(tài)，傳感器異常時報警并用冗余的同一時段的傳感器數據替換掉異常的傳感器數據。

48、對應的輸變電設備傳感器異常檢測模型構建裝置包含多源傳感器數據時空對齊模塊、雙通道模塊、動態(tài)閾值決策模塊和數據補償模塊。多源傳感器數據時空對齊模塊將傳感器數據進行時空對齊，對齊后的傳感器數據傳入雙通道模塊，雙通道模塊對對齊后的傳感器數據進行特征提取，輸出異常概率值送入動態(tài)閾值決策模塊，動態(tài)閾值決策模塊計算動態(tài)閾值并根據動態(tài)閾值和異常概率值對傳感器的運行狀態(tài)進行判斷，動態(tài)閾值決策模塊判定傳感器運行狀態(tài)異常時用同一時段的傳感器數據替換掉異常的傳感器數據。

49、具有以下優(yōu)點：

50、1.采用多模態(tài)時空融合機制。首次實現1hz-10khz異構數據的統一處理，是一種物理約束引導的特征對齊方法，提高了不同傳感器數據之間的關聯性，提高了傳感器的可靠性。

51、2.采用雙通道特征提取架構。卷積神經網絡cnn捕捉瞬態(tài)異常（電流尖峰、振動沖擊），transformer建模長期依賴（溫度漂移趨勢），更好的利用傳感器數據，提取特征。

52、3.采用負載自適應決策。動態(tài)閾值隨負載率線性調整，有效適應設備負載波動等復雜運行工況。

53、4.采用物理進行矛盾檢測。自動識別違反設備運行原理的組合：高電流+低溫→溫度傳感器故障，高溫+低振動→振動傳感器失效。