CN119147914B Gis场-电融合实时状态感知与预警系统及方法 （合肥工业大学）

GIS场-电融合实时状态感知与预警系统及本发明公开了一种GIS场一电融合实时状态征监测GIS内部电磁场信号包含局部放电信号形图的全时域波形图；仿真器基于GIS局部放电据全时域波形图计算得到的实测放电强度与仿2所述信号同步采集与测量嵌入式装置，用于根据预先筛选得到的强关联特征监测GIS所述位置搜索器，用于将根据所述全时域波形图计算得到的实测放电所述预警器，用于基于所述全时域波形图和包含局部放电源实际所述仿真器包括仿真模块和增强模块，所述增强模块用于对仿真模块模块具体用于基于GraphSAGE算法对粗网格仿真结果进行增强处理，或用于采用差分深度信号处理前端，用于对信号采集模块传输的所述电磁场信号测量模块，用于基于预先筛选得到的强关联特征对所聚合更新单元，用于根据更新节点状态的局部转移3o,=g(h,x)0=G(H,X)其中，Ht表示H的第t次迭代，H't1=F(Ht,X)表示由特征向量和第t次迭代的状态向量通过全局转移函数得到第t+1次迭代的所有节点的状态向量，F(·)和G(·)分别为全局转移函数和全局输出函数，是所有节点的局部转移函在迭代过程中，确定状态相似的节点、状态互补的节点第一监测单元，用于对所述数字信号进行所述时域强关联第二监测单元，用于对所述数字信号进行所述频域强关联波形综合单元，用于基于所述第一时域波形图和所述频域波形图傅里叶变换子单元，用于将所述电磁场信号进行归一化子单元，用于对每个频段的频域数据进波形综合子单元，用于将所述第一时域波形图与所述第二时域波形图进4模块，用于将基于所述全时域波形图得到的局部放电源的粗定位结果作为GIS设备三维仿差分仿真单元，用于将粗定位结果作为初始注入点注入对应的空间网格以模拟GIS设n+3/4-n+1四个分步，对于每个分步采用半隐式差分格式计算关于网格节点场强数据利用所述自调节模块和所述差分卷积模块分别对所述粗网格结构数据和所述粗网格利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特5所述粗网格结构数据作为所述第一卷积层的输入，所述粗网格结构数所述粗网格场强数据作为所述差分卷积层的输入，所述差分卷积所述尺寸整合层用于对所述差分卷积层计算得到的不同一分支网络包括依次连接的卷积神经网络层CNN和批正则化操作，所述正则化操作之后接用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行"为所述细网格增强场强6利用所述细网格增强网格结构特征的特征信息和所述细网格增强场强特征的特征信特征的特征信息和所述细网格增强场强特征的特征分别基于所述粗网格结构数据、所述粗网格场强数据整化的细网格增强网格结构特征和规整化的基于所述规整化的粗网格结构数据和所述规整化的细网基于所述规整化的粗网格场强数据和规整化的细网格增强场强特征基于所述细网格增强网格结构特征、所述网格场强损失补偿和基于所述细网格增强场强特征、所述网格场强损失补偿和所状态转移模型构建模块，根据每个时刻的增强放电位置和增强放夫决策模型重构蚁群算法以局部放电源的粗定位结果为中心探索局部放电源实际放电位状态转移模型转换为受启发式度量影响且需图遍历的位迭代搜索模块，用于使用神经引导扰动交错的局部搜索算法对所述根据每个时刻的仿真放电位置和仿真放电强度，构建在仿7刻的仿真放电位置，Et表示第t个时刻的仿真放电强度，s1=[P,E重构蚁群算法以局部放电源的初步放电位置为中心探索局部放电源实际放电位置的真器中第t+1个时刻探索到局部放电源节在alloweds中的节点m对应的信息素浓度，7im表示由节点i转移到包含在alloweds中的节到节点j转移的奖励函数为，B:表示第t个时刻通过传感器采将所述状态转移模型转换为受启发式度量影响且需步图遍历的位置对应的状态，srr1表示在仿真器中第t+1个采用梯度策略对基于图神经网络的启发式学习器进行训练，训练过8式中：f(NLS(S,f,+O))表示使用神经引导扰动交错的局部搜索算法探索局部放电源在启发式度量no影响下探索局部放电源实际放电位置的期望值，s表示探索局部放电源实示使用神经引导扰动交错的局部搜索算法探索局部放电源实际放电位置的平均目标值，vlogp,。(s)表示在启发式度量7o影响下探索局部放电源实际放电位置的梯度；局部搜索单元，用于采用局部搜索算法对所述位扰动单元，用于对当前次迭代搜索获得局部最优解进行神经扰动交错的局部搜索得到当前次迭代局部放电源实际放电位置的信息素浓度更新单元，用于在所有局部放电源节点全部选探索单元，用于在迭代搜索达到迭代收敛条件时，确定局部放电源实动单元探索当前迭代局部放电源实际放电位置最优探索方式中：s'表示经过对局部最优解进行神经引导扰动获得的当前次迭代局部放电源实际征提取层包括依次连接的通道注意力模块和空间注9预警单元，基于所述最优GIS局部放电特征匹配结果和局部放电源实际放电位置生成根据预先筛选得到的强关联特征监测GIS内部电磁场信号包含局部放电信号时，得到基于GIS局部放电的所述全时域波形图对局部放电源进行粗定位，并以粗定位结果作将根据所述全时域波形图计算得到的实测放电强度与所述仿真增强结果进行迭代搜基于所述全时域波形图和包含局部放电源实际放电位置的预警[0004]在利用UHF信号进行放电检测时，UHF信号在GIS的复杂拓扑结构中多次反射不同[0005]为此设想提出一种UHF信号测量值与仿真模型融合计算快速迭代搜索最优匹配位[0006]（1）现有的局放信号采集装置大多采用PRPD（PhaseResolvedPartial术中缺乏高速高性能的局放信号实时采集/匹配/局放检测质量；因此在相关技术中缺乏适用多结构GIS设备的快速高精度电磁场分布仿真[0009]本发明所要解决的技术问题在于如何实现基于GIS场一电融合的高性能实时状态GIS内部电磁场信号包含局部放电信号时，得到包含局部放电信号时域波形图和频域波形[0013]所述仿真器，用于基于GIS局部放电的所述全时域波形图对局部放电源进行粗定[0021]信号测量模块，用于基于预先筛选得到的强关联特征对[0027]o,=g(h,x)[0034]其中，Ht表示H的第t次迭代，Hft1=F(Ht,x)表示由特征向量和第t次迭代的状态向量通过全局转移函数得到第t+1次迭代的所有节点的状态向量，F(·)和G(·)分别为全局转移函数和全局输出函数，是所有节点的局部转移函数f(·)和局部输出函数g(·)的堆对所述频域强关联特征进行分析和匹配后判断各频段的频域数据均超过第二放电阈值时，[0046]波形综合子单元，用于将所述第一时域波形图与所述第[0048]仿真模块，用于将基于所述全时域波形图得到的局部放电源的粗定位结果作为[0052]差分仿真单元，用于将粗定位结果作为初始注入点注入对应的空间网格以模拟[0054]矩阵重构子单元，用于将用于描述GIS电磁场的麦克斯韦方程转换为六阶矩阵形[0060][BX]为；n+3/4-n+1四个分步，对于每个分步采用半隐式差分格式计算关于网格节点场强数据[0066]利用所述自调节模块和所述差分卷积模块分别对所述粗网格结构数据和所述粗[0067]利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场卷积层的输出特征和所述第二卷积层的输出特征经第一相加操作后输[0073]所述尺寸整合层用于对所述差分卷积层计算得到的不同尺寸的场强特征进行求[0076]进一步地，所述第一分支网络包括依次连接的卷积神经网络层CNN和批正则化操[0077]所述第二分支网络包括第二多层感知机，所述第二多层感知机之后接有激活函[0080]f"=Re[0083]f;"=Rei"为所述细网格增强[0085]利用所述细网格增强网格结构特征的特征信息和所述细网格增强场强特征的特结构特征的特征信息和所述细网格增强场强特征的特[0096]基于所述细网格增强网格结构特征、所述网格场强损失尔可夫决策模型重构蚁群算法以局部放电源的粗定位结果为中心探索局部放电源实际放所述状态转移模型转换为受启发式度量影响且需图遍历的位置放电的全时域波形图得到的局部放电源的初步放电强度E以及初步放电位置P作为初始状[0110]重构蚁群算法以局部放电源的初步放电位置为中心探索局部放电源实际放电位在仿真器中第t+1个时刻探索到局部放电源节点j处对应的状态，Tj表示由节点i转移到节点j对应的信息素浓度，表示由节点i转移到节点j对应的启发函数，Tim表示由节点i转移到包含在alloweds中的节点m对应的信息素浓度，7im表示由节点i转移到包含在alloweds感器采集的时域全波形处理得到的实测放电强度，Et表示第t个时刻仿真得到的局部放电j个节点连接的边缘特征e',映射到启发式度量no；[0115]将所述状态转移模型转换为受启发式度量影响且需步图遍历的位置探索模型[0121]式中：f(NLS(S,f,+O))表示使用神经引导扰动交错的局部搜索算法探索局部放表示在启发式度量no影响下探索局部放电源实际放电位置的期望值，s表示探索局部放电表示使用神经引导扰动交错的局部搜索算法探索局部放电源实际放电位置的平均目标值，vlogp,。(s)表示在启发式度量no影响下探索局部放电源实际放电位置的梯度；[0125]当达到最大迭代次数TV或者未达到最大迭代次数TV但目标函数C(6)<8时，训练述特征提取层包括依次连接的通道注意力模块和空间注[0137]预警单元，基于所述最优GIS局部放电特征匹配结果和局部放电源实际放电位置[0139]根据预先筛选得到的强关联特征监测GIS内部电磁场信号包含局部放电信号时，得到包含局部放电信号时域波形图和频域波形图的全[0140]基于GIS局部放电的所述全时域波形图对局部放电源进行粗定位，并以粗定位结[0141]将根据所述全时域波形图计算得到的实测放电强度与所述仿真增强结果进行迭后基于GIS局部放电的全时域波形图对局部放电源进行粗定位，将粗定位结果注入到仿真快速高精度的GIS电磁场仿真；最后基于实时采集的全时域波形图与仿真增强数据进行迭实现额基于GIS场电融合的高性能实时状态[0159]图11是本发明实施例四中差分深度学习网络模型中结构相似性网络的结构示意[0166]图18是本发明实施例六中基于深度蚁群算法的GIS局部放电最优位置匹配原理框[0167]图19是本发明实施例六中基于深度蚁群算法的GIS局部放电最优位置搜索过程示[0168]图20是本发明实施例七中采用基于深度强化学习的GIS局部放电特征提取过程示[0169]图21是本发明实施例八提出的一种GIS场一电融合实时状态感知与预警方法的流所述系统包括信号同步采集与测量嵌入式装置100和工控机200，所述工控机200中部署有分别与所述仿真器201和所述位置搜索器202连接，所述仿真器201的输出与所述位置搜索[0173]所述信号同步采集与测量嵌入式装置100，用于根据预先筛选得到的强关联特征监测GIS内部电磁场信号包含局部放电信号时，得到包含局部放电信号时域波形图和频域[0175]所述位置搜索器202，用于将根据所述全时域波形图计算得到的实测放电强度与[0176]所述预警器203，用于基于所述时域全波形和包含局部放电源实际放电位置的预[0177]本实施例基于预先筛选得到的强关联特征为指标对电磁场信号转换的数字信号后基于GIS局部放电的全时域波形图对局部放电源进行粗定位，将粗定位结果注入到仿真快速高精度的GIS电磁场仿真；最后基于实时采集的全时域波形图与仿真增强数据进行迭实现额基于GIS场电融合的高性能实时状态[0179]所述信号采集位置确定模块，用于确定所述信号采集模块中各传感器的安装位[0184]本实施例通过设置多通道采集模块实现对GIS内部电磁场信号的多通道采集，并域波形图和频域波形图进行综合得到全时域波形图；因此本发明可以实现采集高精度的对所述频域强关联特征进行分析和匹配后判断各频段的频域数据均超过第二放电阈值时，[0206]波形综合子单元，用于将所述第一时域波形图与所述第[0208]需要说明的是，本实施例基于缓存单元buffer接收来自模数转换器ADC的采样数[0209]本实施例提出频域阵列化方法及实时数字匹配方式，研发基于超高速ADC与FPGA架构的GIS局放UHF信号同步采集与测量嵌入式装置，获取局放UHF信号的高精度全时域波[0211]本实施例设计通过特征筛选模块利用神经网络筛选出强关联特征用于后续的局[0222]o,=g(h,x)[0229]其中，Ht表示H的第t次迭代，Hft1=F(Ht,x)表示由特征向量和第t次迭代的状态向量通过全局转移函数得到第t+1次迭代的所有节点的状态向量，F(·)和G(·)分别为全局转移函数和全局输出函数，是所有节点的局部转移函数f(·)和局部输出函数g(·)的堆中不会改变，具体到本实施例中则为电磁场信号的时频域特征计算公式里的某些参数指[0232]本实施例利用图神经网络GNN可以计算某个节点及其相邻节点之间的联系，通过[0237]仿真模块，用于将基于所述全时域波形图得到的局部放电源的粗定位结果作为[0241]差分仿真单元，用于将粗定位结果作为初始注入点注入对应的空间网格以模拟[0243]矩阵重构子单元，用于将用于描述GIS电磁场的麦克斯韦方程转换为六阶矩阵形采用四步混合显_隐式时域有限差分(hybridimplicitexplicitfinite_differencetime_domain,HIE_FDTD)方法能够更好地处理这些复杂性。其精确的积分和数值方法可以n+3/4-n+1四个分步，对于每个分步采用半隐式差分格式计算关于网格节点场强数据[0289]通过NodeInterpolation组合现有节点来创建合成节点，这是一种生成增强策[0297]式中，(E,H)和(E,H)为相邻的两个网格节点的场强数据，(E,H)为新网格节点的[0302]仿真模块，用于将基于所述全时域波形图得到的局部放电源的粗定位结果作为件如COMSOLMultiphysics等建立三维数据的仿真模型，并通过有限元法将三维数据模型[0305]其中，所述增强模块具体用于基于GraphSAGE算法对粗网格仿真数据进行仿真增[0308]二次聚合单元，用于采用GraphSAGE算法对新增节点的邻居节点进行二次聚合处么这两个自由四面体所组成的片单元中的各节点即可作为该新增节点的邻居节点，采用[0313]（2）遍历各所述片单元中的每个节点，以每个节点的相邻的所有节点作为采样(i)，并使用聚合函数聚合节点i对应邻居集合中所有节点的点对应的基准特征h?，对于每一个片单元，在第一次聚合中遍历片单元中每个节点i((i)[0315]具体地，通过聚合器使用聚合函数聚合节点对应邻居集合中所有节点的初始基矩阵与第一联合特征进行矩阵相乘运算后通过一个非线性变换得到一次遍历后的节点特[0319]具体地，本实施例将每个节点一次遍历后的特征hf作为该节点新的特征向量表。[0331]具体地，本实施例将片单元中的所有节点作为该片单元所生成的新增节点的邻居集合p(i)，通过第二个聚合器来使用聚合函数聚合邻居集合里面所作原理如图8所示：所述差分深度学习网络模型包括依次连接的增强网络和结构相似性网[0347]所述粗网格结构数据作为所述第一卷积层Conv1的输入，所述粗网格结构数据的网格尺寸补充信息作为所述第二卷积层Conv2的输入，所述粗网格结构数据的偏差向量作[0348]需要说明的是，本实施例通过设计自调节模块实现粗网格结构数据的精细化增[0353]所述粗网格场强数据作为所述差分卷积层convnpr的输入，所述差分卷积层[0356]需要说明的是，本实施例通过设计差分卷积模块用于进积中的任一种。[0366]利用三维差分卷积核k3p对粗网格场强梯度信息提取（提取粗网格电磁场梯度变[0369]利用上采样对粗网格场强数据增强获得上采样细网格场强数据U（获得细化粗网[0378]进一步地，本实施例设置的差分卷积模块的功能是获取[0379]I"=conv[0385]具体而言，所述第一分支网络包括依次连接的卷积神经网络层CNN和批正则化操条GIS设备电磁场粗网格数的细网格增强网格结构特征与细网格增强场强特征的[0389]f"=Rea=c·f⃞"+B·f影别表示细网格增强网格结构特征提取信息与细网格增强场强特征提取信息的调[0394]作为进一步优选的技术方案，所述基于所述相似性特征，计算GIS细网格增强数[0396]需要说明的是，本实施例具体用过设置场强一致性模块对所述粗网格结构数据、[0397]利用下式计算得到第条GIS设备电磁场细网格增强网格结构特征和细网格增强场强特征与第K条GIS设备电磁场粗网格数据UX和粗网格场强数据In的综合补偿(sfg)："、和分别为规整化的电磁场细网格增强网格结构特[0403]（2）基于所述规整化的粗网格结构数据和所述规整化的细网格增强网格结构特fs为细网格增强结构数据。[0424]采用GIS电磁场粗网格历史仿真数据集，并利用所述历史仿真数据集对所述差分是细网格增强场强数据。函数通过结合电磁场理论和深度学习技术，不仅增强了模型对电磁场仿真数据的处理能[0450]所述结构相似模块用于计算增强细网格数据和仿真得到的所述真实细网格数据[0451]所述场强一致性模块用于计算增强细网格数据和仿真得到的所述真实细网格数[0452]所述精确度判别模块用于拉近增强细网格数据和仿真得到的所述真实细网格数[0457]所述特征提取与拓展网络包括依次连接的特征提取模块FeatuerExtraction和出与下一级所述特征提取与拓展网络中特征提取模块FeatuerExtract[0458]如图14所示，所述特征提取模块FeatuerExtraction包括依次连接的第一MLPs接后输出至所述最大池化层maxpooling，所述粗网格仿真结果与所述最大池化层maxpooling的输出拼接后作为所述数据压缩层compression的输入，所述数据压缩层compression的输出连接所述特征拓展[0459]所述特征拓展模块用于对所述特征提取模块输出的每一个特征后加入一个编码[0460]需要说明的是，本实施例设计生成器的作用是GIS增强粗网格数据，生成所需的空间坐标(x,y,z)和场强数值v组成的N×4维信息，通过第一MLPs层抽取为固定尺度的特征化得到G通道的特征。第二MLPs层输出的特征与第一MLPs层输出的特征合并后又得到新的度特征聚合将会馈入后续的模块中复用提高重建精度同时也提高了参数效率减小模型尺层感知机MLP将2N×(C+1)的特征回归为2N×征提取模块输出的特征复制到下一级所述特征提取与拓展网络中特征提取模块的输出时，述真实细网格数据包含的真实细结构信息分别作为所述第一结构分支网络和所述第二结细网格数据的结构特征，α、β分别、的调制权重，MLPS(表示多层感知机操作，述结构注意权重经多层感知机和所述全连接层后输出第一所述真实细网格数据包含的真实细场强信息分别作为所述第一增强分支网络和所述第二权重经多层感知机和所述全连接层后输出第二置信[0491]然后得到加权特征M，最后生成输出特征，输出特征是输入特征和加权特征的总[0499]本实施例所设置的总体优化损失函数综合考虑了生成细网格与真实细网格的结尔可夫决策模型重构蚁群算法以局部放电源的粗定位结果为中心探索局部放电源实际放所述状态转移模型转换为受启发式度量影响且需图遍历的位置放电的全时域波形图得到的局部放电源的初步放电强度E以及初步放电位置P作为初始状[0514]重构蚁群算法以局部放电源的初步放电位置为中心探索局部放电源实际放电位在仿真器中第t+1个时刻探索到局部放电源节点j处对应的状态，Tj表示由节点i转移到节点j对应的信息素浓度，表示由节点i转移到节点j对应的启发函数，Tim表示由节点i转移到包含在alloweds中的节点m对应的信息素浓度，7im表示由节点i转移到包含在alloweds传感器采集的时域全波形处理得到的实测放电强度，Et表示第t个时刻仿真得到的局部放[0520]利用多层感知机将提取图神经网络第l层的由第i个节点与第j个节点连接的边缘[0521]将所述状态转移模型转换为受启发式度量影响且需步图遍历的位置探索模型第l+1层的第i个节点的特征，e',表示第l层的由第i个节点与第j个节点连接的边缘特征，。[0533]式中：f(NLS(S,f,+O))表示使用神经引导扰动交错的局部搜索算法探索局部放表示在启发式度量no影响下探索局部放电源实际放电位置的期望值，s表示探索局部放电示使用神经引导扰动交错的局部搜索算法探索局部放电源实际放电位置的平均目标值，vlo