CN118882947B 用于开关柜的氦检漏方法和系统 （南京正锐电力科技有限公司）

本发明公开了一种用于开关柜的氦检漏方率和自适应检测，提高了检测的准确性和可靠2步骤S3、读取融合后的多模态表示，对多模态表示中的低维步骤S5、读取图拓扑异常检测结果并构建关键参数集34步骤S14、读取清洗后的数据张量并对每个传感器信号的每个分解层级使用降维算法时变最优参数集；将图拓扑异常检测结果和时变最优参数集组合成优化后的异常检测结4.如权利要求3所述的用于开关柜的氦检漏方法，其特征5步骤S125、读取特征张量和原始数据张量；使用粒子步骤S126、读取重构数据张量和原始数据张量；计算步骤S148、读取拓扑保持的嵌入矩阵和原始数据张量；计6步骤S216、读取正则化后的因子矩阵集和核心张量；步骤S217、读取融合权重矩阵和实时传入的新数据；所述存储器存储有可被所述处理器执行的指令，所述指令用于被所78检测结果和时变最优参数集组合成优化后的异常9检测结果和时变最优参数集组合成优化后的异常形成了一个闭环的智能检测框架。该方案能够有效处理开关柜氦检漏过程中的高维数据、[0035]步骤S14、读取清洗后的数据张量并对每个传感器信号的每个分解层级使用降维果邻接矩阵和时变信息流网络组合成融合后的多模合；对时间序列集合中每个时间序列构建Vietoris_Rips复形；计算复形的多维持续性同和缓慢演变的长期泄漏趋势。分形分析的引入使得方法能够识别出信号中的自相似结构，增强了方法对非线性关系的建模能力。动态秩估计技术能够自适应地选择最优的分解秩，术的协同作用，使得该方法能够从高维的开关柜检测数据中提取出低维但信息丰富的表性。引入谱聚类方法识别动态社区结构。使用Infomap算法分析信息流在网络中的扩散模[0102]步骤S239、读取动态社区结构序列和时变信息流网络。设计基于图注意力网络这个综合结果作为多尺度自适应动态信息流模态分解和自适应信息度量的结合，提供了对多尺度非平稳信号的深入分析能力。时变关柜氦检漏的时间序列数据中恢复出系统的内在动力学结构。特别是在处理复杂的非线长程依赖。使用跨模态Transformer融合不同类型的特征。应用对比学习增强特征的判别得复杂的数据分析结果能够被维护人员直观理解和应用。强化学习和主动学习策略的应[0176]步骤S5114、读取最终的非支配解集和决策建议报告。计算多目标优化的性能指综合结果作为自适应多目标协同优化框架的b(t)。从温度传感器网络获取温度分布数据c(t)。从声学传感器阵列获取声学信号数据d个传感器信号i的每个分解层级j，构建时间延迟嵌入向量V_ij(t)=[x_ij(t)，x_ij(t+后数据张量C中每个传感器信号i的每个分解层级j，使用Isomap算法将其嵌入到高维流形Shannon熵H(F_k)和特征间互信息I(F_ki。计算Tucker重构误差E_T=||A_G×1U_1×2U_2×3U_3×4U_4×5U_5×6U_6||_F/||A||_首次达到局部最小值的τ作为最优时间延迟τ_opt。使用错误预测法估计最优嵌入维度m_函数L_attr=Σ_i||Z_i_f(A_i)||2，其中f为属性转换函数。构建总体目标函数L=α*L_的社区归属C(v)。计算节点v的中心性指标，包括特征向量中心性EVC(v)和介数中心性BC[0194]步骤S52、读取步骤S51得到的非支配解集NS(P_opt)和步骤S4输出的图拓扑异常