【技术实现步骤摘要】
本专利技术属于电力设备故障诊断，涉及基于多粒度注意力机制的隔离开关故障诊断方法。
技术介绍
1、随着电力工业的不断发展，电力设备容量和电力网络规模不断扩大，但与此同时，电力设备可能发生的故障也会引发巨大的经济损失和社会影响；因此构建智能检测检修系统成为未来电力技术发展的重要趋势。
2、随着电网系统的不断扩展，高压交流隔离开关的数量将继续增加。这些高压隔离开关大部分工作在户外，直接受到大气环境和气候变化的影响。但由于一些原因，隔离开关可能存在疏于维护和维护过程复杂等问题，导致其故障率高达4％，严重影响了电网系统的安全稳定运行。
3、近年来，随着人工智能技术的不断发展，隔离开关的智能故障诊断方法受到广泛研究；其中，基于深度学习的故障诊断方法表现出色；然而，这些方法通常需要大量带标签的训练样本，并且要求训练样本与实际测试样本具有相似的特征分布，这在实际应用中往往难以满足；半监督学习方法的引入，通过利用未标记数据来训练深度学习模型，弥补了这一不足。
技术实现思路
1、本专利...
【技术保护点】
1.基于多粒度注意力机制的隔离开关故障诊断方法，其特征在于，具体半监督的多粒度注意力对比学习框架的建立和基于半监督学习诊断方法部分。
2.根据权利要求1所述的基于多粒度注意力机制的隔离开关故障诊断方法，其特征在于，所述半监督的多粒度注意力对比学习框架包括数据预处理、时间对比、多粒度语境对比三部分，所述半监督的多粒度注意力对比学习先进行故障样本数据预处理，数据预处理基于强增广和弱增广生成输入数据的两个不同但相关的视图，将视图传入动量编码器中，建立故障特征字典，通过字典初步将故障类型进行比对，随后，提出时间对比模块，通过两个编码器提取的时间序列特征进行对比学习...
【技术特征摘要】
1.基于多粒度注意力机制的隔离开关故障诊断方法，其特征在于，具体半监督的多粒度注意力对比学习框架的建立和基于半监督学习诊断方法部分。
2.根据权利要求1所述的基于多粒度注意力机制的隔离开关故障诊断方法，其特征在于，所述半监督的多粒度注意力对比学习框架包括数据预处理、时间对比、多粒度语境对比三部分，所述半监督的多粒度注意力对比学习先进行故障样本数据预处理，数据预处理基于强增广和弱增广生成输入数据的两个不同但相关的视图，将视图传入动量编码器中，建立故障特征字典，通过字典初步将故障类型进行比对，随后，提出时间对比模块，通过两个编码器提取的时间序列特征进行对比学习，一是两个编码器学习到更多的不同类别故障特征，二是将故障类型进行粗分类，最终使用多粒度语境对比模块，模块中mg-am对一个视图的过去不同粒度特征预测另一个视图的未来，从而执行跨试图的预测任务将故障类型进行细对比分类。
3.根据权利要求2所述的基于多粒度注意力机制的隔离开关故障诊断方法，其特征在于，所述数据预处理具体为抖动、伸缩、时间弯曲：
4.根据权利要求2或3所述的基于多粒度注意力机制的隔离开关故障诊断方法，其特征在于，所述时间对比具体为：
5.根据权利要求2所述的基于多粒度注意力机制的隔离开关故...
【专利技术属性】
技术研发人员：解骞，刘柏泽，唐海奕，李辉，杨晓萍，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。