多视角特征融合下的变电站设备故障诊断研究

摘 要：本文旨在通过多视角特征融合技术提高变电站设备故障诊断的准确性和效率。研究采用包括传感器数据、历史运行记录和维护日志在内的多种数据源。首先，对这些数据进行预处理和特征提取。其次，利用MPCA和STM进行特征融合与模式识别。试验结果表明，与传统的基于单一数据的故障诊断相比，采用多视角特征融合理念设计的系统在准确率上提升了约15%～20%，并且在响应时间和误报率方面也具有明显优势，特别是当面对复杂或未知类型的设备异常时，该系统能够更快速且精确地定位问题根源。

关键词：多视角特征；变电站设备；异常状态识别；故障诊断

中图分类号： TH 165 文献标志码：A

传统的故障诊断方法往往依赖单一的监测数据或特征，这在复杂多变的实际环境中可能无法提供足够的准确性和鲁棒性，研究者基于此探讨如何有效地融合多视角特征，以提高故障诊断的准确性。王进花等[1]研究了一种基于注意力机制的多级特征融合卷积神经网络（A2ML2F-CNN）故障诊断方法，该方法通过多级特征融合显著提高了风力发电机轴承的故障诊断准确率。包从望等[2]提出了一种多传感器信息融合的轴承故障迁移诊断方法，有效解决了单一传感器在复杂环境下故障识别率低的问题。陈秋菊等[3]开发了一种特征融合的电力机械设备过热故障红外检测方法，通过图像处理技术提高了过热故障检测的鲁棒性和效率。程志平等[4]讨论了多传感器融合的机械故障诊断课题。马卫东等[5]分析特征融合在故障诊断中的应用。王展等[6]探讨了多尺度加权融合特征学习模式下的故障诊断问题。基于此，本文旨在探讨基于多视角特征融合的变电站设备故障诊断方法。

1 算法设计

1.1 设计思路

在电力系统持续发展的背景下，变电站设备的稳定运行对整个电网的安全至关重要。设备故障诊断在电网等复杂系统中是一个关键且具有挑战性的任务。为了提高诊断的精准度和效率，本文提出了一种基于多视角特征融合的故障诊断方法。该方法利用扩展的主成分分析（MPCA）算法处理来自不同监测通道的数据张量，旨在从多个角度提取信息并有效降低数据维度。经过数据预处理和降维后，采用支持张量机（Support Tensor Machine，STM）进行特征分析和分类。STM通过寻找一系列超平面将张量数据样本划分为2个预定义类别，特别适用于处理高维度的多模态或跨视图数据集，因为它能够有效捕捉不同视角下的复杂模式和结构信息。该方法预期能够综合考虑多种信号源的信息，以提升故障识别的准确性和精度。

将不同监测通道的数据表示为张量形式，这有助于保留数据中的多维关系。然后，利用MPCA算法对这些数据张量进行处理，以便从各个视角提取关键特征。MPCA的扩展版本有助于更好地处理多维数据，提高数据表征的有效性，通过STM进行特征分析和分类，利用其能力来处理高维度数据并捕捉复杂的结构信息。这种方法的特点是它能够综合考虑来自不同视角的信息，从而增强故障诊断的能力。

1.2 多视角特征融合

由于环境因素的复杂性和电气设备监测指标的多样性，变电站设备的故障识别与诊断面临显著挑战。这些挑战不仅源于设备本身的异质性，还源于预测活动对时间跨度的敏感性，即不同设备设施之间存在显著差异。因此，为了提高故障预测的准确性和及时性，必须采用一种能够综合利用多源数据的方法来进行综合研判，本文提出了一种基于主成分分析（Principal Component Analysis，PCA）的扩展方法（MPCA），该方法可以融合多视角特征策略来解决这个问题。

假设传感器所获得的样本数据如公式（1）所示。

xi∈Ra×b " n=1，2，…，N （1）

式中：x为样本；xi为任意指定样本；R为样本矩阵；a为传感器数量；b为传感器记录时间跨度的样本数量，也即总记录时长与采样间隔之比；n为指定样本序号；N为样本总量。

基于这一定义，可以设置空间投影关系，如公式（2）所示。

A1=Ra1×b2 "A2=Ra2×b1 （2）

式中：A1、A2为投影矩阵；a1、a2为视角数量，应小于a；b1、b2为时间特征采样点，应小于b。

由此，原有样本数据得以降维投影于低维平面，如公式（3）所示。

yi∈Ra'×b' " n=1，2，…，N （3）

其仍需要经过中心化处理，且需要最大化样本散度，实现特征的提取与融合，这一过程又涉及基于张量数据散度水平的迭代优化，以实现特征提取的优化与故障诊断的识别。

1.3 张量数据故障诊断

本文使用STM方法进行分类，其平面结构下的决策优化函数如公式（4）所示。

sgn（（w*·x）+d*） （4）

式中：w*为理想直线的法方向；d*为理想直线的y轴截距。

其引入拉格朗日函数，如公式（5）所示。

（5）

式中：l为阿格朗日算子。

可以得到公式（6）。

a=（a1，...，a1）∈R+l （6）

其仍需要考虑张量数据的权值矢量，且其约束条件需要考虑张量外积，如公式（7）所示。

（7）

式中：m为模的数量；ω为权值矢量；c为惩罚因子；ξ为松弛变量，为正值；n为指定样本序号。

STM的目标是找到一组权值矢量ω和偏差项d*，能够通过以下优化问题定义的超平面正确分类这些样本，以识别异常状态，并由此具体定位故障。

2 性能测试

2.1 数据获取

本文通过收集和整理来自实际变电站的数据以及运维材料，构建了一组用于训练和预测的样本集。当处理变电站设备故障数据时，需要收集多方面信息，时间序列数据涵盖了故障前后的采样单位数据，包括各种监测通道，例如电流、电压、温度等。传感器监测中实时采集的信息可以帮助监测设备状态。

将其整理为xi∈Ra×b " n=1，2，…，N，相应处理过程包括清洗、归一化等数据预处理操作，将来自不同传感器通道的高维时间序列信息转换为低维空间表示，即yi∈Ra'×b' " n=1，2，…，N，利用STM算法对预处理后的特征进行分类，以发现并定位异常状态。

基于此，相应地进行材料的人工标记，区分标记不同类型的设备故障，以进行分类学习，使样本集包括故障样本与正常运行样本2个部分，旨在评估系统在不同状态下的表现。在处理过程中还需要考虑特征工程参数和预处理步骤，确保输入符合STM算法要求，能提取有用特征进行模型训练，而在降维过程中使用MPCA技术，则需要设置相应参数，将高维时间序列转换为低维表示。当应用STM分类器时，需要选择超参数和核函数等设置，确保对特征进行有效分类，以识别异常状态并进行预警或采取其他措施。

故障样本的选择特别关注捕捉异常情况下的数据特征。具体来说，每个故障样本包括故障发生时间点前后各500个采样单位的时间序列数据，共计1000个采样单位的数据长度，采样单位间隔为6s/轮，使模型能够从接近故障发生的时刻开始学习到导致异常的模式变化及其前兆信号。其中，70%作为训练样本，30%作为测试样本，模型训练完成后需要评估其在检测异常状态方面的有效性，并根据需要调整参数或尝试其他技术手段进一步优化结果，通过分析与处理这些关键时刻数据，可以更准确地识别潜在的风险因素并及时采取措施，以防止或减轻可能的事故影响。

2.2 异常状态识别分析

系统监控中，异常状态通常是指与正常运行模式显著不同的行为或性能指标变化。这些变化可能是由设备故障、外部干扰或其他未知因素引起的。因此，能够快速、准确地识别这些异常是保障系统安全和效率的关键环节之一。本文基于此考虑了不同测试条件下的预测准确率，分别对比了不同数据长度和数据开始位点的影响。

针对不同数据长度，其测试结果如图1所示。

由图1可知，性能测试考察了较短数据长度的样本（例如100轮～200轮）在异常状态识别中的表现，这些短数据的平均准确率约为98.5%。这一高水平的准确性表明，即使在有限的数据量下，现有的算法和技术已经能够较好地捕捉系统的正常与非正常行为模式差异。然而，这种高精度可能部分归因于短数据的特性，即其通常包括较少的信息量和变化点数目少于更长的序列，从而使模型更容易学习稳定的特征表示并做出判断决策，同时由于其相对简单的结构特点也降低了过拟合的风险，提高了泛化能力。更长样本数据则使异常状态识别准确率提升，例如900轮长度数据条件下异常状态识别准确性可达到99.5%，相应误差偏移较低，随着时间增长而积累起来的信息丰富度和多样性为提升模型的判别力提供了有利条件，此类较长序列时所得到的测试结果显示出了更高的准确率，说明增加观测窗口大小有助于改善预测性能，长时间跨度内的事件关联性和因果链条得以充分展现，有利于模型挖掘深层次的模式规律。但在最大数据长度1000轮条件下，异常状态识别准确性下降且误差偏移上升，提示可能的末端噪声干扰。

针对不同数据起始位置，其测试结果如图2所示。

由图2可知，随着数据起始位置逐渐接近故障发生时刻（500轮处），异常状态的识别准确性呈现先上升后下降再回升的非线性变化模式。具体来说，当提前500个采样单位开始监测时（即距离实际事件还有较长时间），模型的预判能力相对较低，正确率不足40%，这可能是由于此时系统仍处于正常运行阶段，潜在的问题尚未显现或者信号微弱不足以被有效捕捉。然而一旦缩短观测窗口至仅比事件早100轮时，检测精度跃升至70%以上。这种快速提升表明，临近问题爆发，系统内部已经积累了一些可被察觉的变化迹象，例如参数波动、性能退化等特征，使算法能够更敏锐地侦测即将来临的风险预警信息。进一步来说，恰好在事故发生的瞬间进行评估，即零延迟情形下，模型展现了极高的辨识力，达到了85%以上的成功率，说明在最直接相关的时刻提取的数据包括最丰富且最具指示意义的信息，有助于做出最精确、及时的判断决策，支持操作人员采取应对措施，避免损失扩大化。

随着数据起始点错过故障爆发时刻，部分关键的前期预警信号和动态变化信息未能被捕捉到。这些早期迹象对构建准确的预测模型至关重要，它们的缺失可能导致模型对后续数据的解读能力下降。异常状态识别的准确率有所下降，仍保持接近或者超过70%水平。与此同时，一旦故障发生并得到处理后（例如自动保护机制启动、人工干预等），系统可能会迅速回归到一个新的稳定状态或者开始自我修复过程；此时，原本与问题紧密相关的变量可能不再表现出显著的异常特征，从而使基于历史模式训练出来的算法难以继续有效地检测潜在风险点。当故障发生后400轮～500轮时，识别准确率再度上升，其可能来自各种应急措施实施及设备重启等原因造成的瞬态波动得到识别。

2.3 故障信息定位分析

故障定位的准确性是确保生产连续性和设备维护效率的关键因素，具体讨论对异常的识别结果，则其定位能力的预测情况依赖数据长度和数据开始位置的差异性。其中，基于数据长度的故障定位测试结果如图3所示。图3中展示了不同数据长度条件下的故障定位误差情况。结果显示，在不同数据长度条件下，故障定位误差并没有显著差异；同时，无论数据长度如何变化，对应的故障定位准确率均维持在94%左右。这表明即使增加或减少数据采集量，改变时间窗口对提高或降低错误判断的概率作用有限，该准确率明显低于其他相关技术，例如异常状态检测所能达到的水平。

依托数据开始位置的影响分析如图4所示。由图4可知，随着数据收集时间节点提前，即增加历史深度，预测精度显著提高。这表明更多的历史信息有助于模型捕捉更复杂的系统行为模式和潜在风险因子。然而，预测准确性与数据起始位置的直接关联不受故障发生时刻的影响，无论是在问题爆发前还是后进行分析都未显示出明显差异。相比之下，异常状态识别越靠近事件发生时间窗口内获取的信息价值越大。从理论角度考虑，异常状态识别通常依赖对即时数据的快速响应，因此故障点前后的数据包括最直接的异常信号。然而，对故障定位来说，模型可能需要更多的历史数据来建立设备或系统的正常行为基线。随着时间推移和数据积累，即使是从较晚的时间点开始，模型也能够更好地理解系统动态并预测潜在的故障模式。这种信息累积效应导致即使在最晚的数据起始位置也能达到较高的预测准确率。

3 结语

本文针对变电站设备故障诊断的挑战提出了一种基于多视角特征融合的方法。通过采用扩展的主成分分析（MPCA）算法处理来自不同监测通道的数据张量，并结合支持张量机（STM）进行特征分析和分类，该方法有效地提升了故障识别的准确性和效率。试验结果表明，即使在有限的数据长度下，该系统也能达到约98.5%的异常状态识别准确率。随着数据长度增加和观测窗口扩大以及历史信息深入利用，系统的预测性能得到显著提升，特别是在接近故障发生时刻获取的信息，对提高异常状态识别精度具有重要意义。然而，在最大数据长度1000s的条件下，异常状态识别准确性有所下降且误差偏移上升，提示可能存在末端噪声干扰问题，需要进一步优化处理策略，以减少其影响。此外，尽管增加或减少采集的数据量对提高或降低错误判断的概率作用有限，准确率维持在94%左右，但更多的历史信息有助于模型捕捉更复杂的系统行为模式和潜在风险因子，从而实现更准确的故障定位预测能力，不受时间节点提前与否的影响，具有较强的鲁棒性和泛化能力。

参考文献

[1]王进花，韩金玉，曹洁，等.基于AM和CNN的多级特征融合的风力发电机轴承故障诊断方法[J].太阳能学报，2024，45（5）：51-61.

[2]包从望，江伟，张彩红，等.多传感器信息融合的轴承故障迁移诊断方法[J].机电工程，2024，41（5）：878-885.

[3]陈秋菊，彭天昊，康万杰，等.特征融合的电力机械设备过热故障红外检测[J].机械设计与制造，2024（4）：337-341.

[4]程志平，王潞红，欧斌，等.基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究[J].机电工程，2024，41（5）：807-816.

[5]马卫东，刘子全，姚楠，等.AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用[J].机电工程，2024，41（5）：817-826.

[6]王展，鲁晨琪，星施宇，等.基于多尺度加权融合特征学习的转子故障诊断[J].组合机床与自动化加工技术，2023（11）：154-158.