一种干式空心电抗器户内运行故障预测方法、介质及系统与流程

1.一种干式空心电抗器户内运行故障预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第一特征提取模型,包括长记忆子网络、短记忆子网络以及第一融合子网络；其中,所述长记忆子网络基于长短期记忆网络结构,用于学习输入电气参数、输出电气参数的长期依赖关系和时序模式；所述短记忆子网络基于卷积神经网络和注意力机制,用于捕捉输入电气参数、输出电气参数的局部特征和突变点；所述第一融合子网络将长记忆子网络和短记忆子网络的输出进行融合,输出作为所述第一特征。

3.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第二特征提取模型,包括低级特征提取子网络、高级特征提取子网络以及第二融合子网络；其中,所述低级特征提取子网络基于浅层卷积神经网络,用于提取红外热成像的低级特征，包括边缘和纹理；所述高级特征提取子网络基于深层卷积神经网络,用于提取红外热成像的高级语义特征；所述第二融合子网络将低级和高级特征进行融合,采用注意力机制指导融合权重,输出作为第二特征。

4.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第三特征提取模型,包括低频特征提取子网络、高频特征提取子网络、瞬变特征提取子网络以及第三融合子网络；其中,所述低频特征提取子网络用于捕获声成像中的低频谐波信号；所述高频特征提取子网络用于捕获高频放电噪声；所述瞬变特征提取子网络用于捕获瞬时的电气脉冲信号；所述第三融合子网络将上述三种特征进行融合,得到声成像的综合特征表示。

5.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述第四特征提取模型,包括大幅振动特征提取子网络、小幅振动特征提取子网络、复合振动特征提取子网络以及第四融合子网络；其中,所述大幅振动特征提取子网络捕获电抗器表面的大幅度振动信号；所述小幅振动特征提取子网络捕获微小振动；所述复合振动特征提取子网络捕获多种振动模式的组合；所述第四融合子网络将上述三种振动特征进行融合,得到振动信号组的综合特征表示。

6.根据权利要求1所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述故障诊断模型的结构为基于注意力机制的多模态融合网络,包括多个模态特征编码器、交互注意力模块、故障类型分类器和故障概率分类器；其中，所述多个模态特征编码器分别对应电气参数、红外成像、声成像、振动信号四种模态数据,对每种模态数据的特征进行编码；所述交互注意力模块对编码后的不同模态特征进行交互,使不同模态之间的信息相互增强；所述故障类型分类器输出故障的具体类型；所述故障概率分类器输出每种故障的发生概率值。

7.根据权利要求6所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，所述多个模态特征编码器分别对应电气参数、红外成像、声成像、振动信号四种模态数据,对每种模态数据的特征进行编码的步骤中，包括对应第一特征的电气参数模态特征编码器、对应第二特征的红外成像模态特征编码器、对应第三特征的声成像模态特征编码器以及对应第四特征的振动信号模态特征编码器。

8.根据权利要求6所述的一种干式空心电抗器户内运行故障预测方法，其特征在于，当某种故障类型的发生概率超过预设的概率阈值，则判断所述故障类型的故障为发生。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种干式空心电抗器户内运行故障预测方法。

10.一种干式空心电抗器户内运行故障预测系统，其特征在于，包含权利要求9所述的计算机可读存储介质。