融合慢信号时频表征的能源热力系统图嵌入故障推理方法技术方案

本发明专利技术公开了融合慢信号时频表征的能源热力系统图嵌入故障推理方法。该方法通过时频分析对热力系统中采样频率低、信号变化缓慢的热力学慢信号进行联合时域与频域表征，并构建参数间的知识图谱，利用图卷积网络GCN和时空图卷积网络STGCN对图结构数据进行学习，实现复杂能源热力系统的端到端故障推理。本发明专利技术通过采用数据插值加密和稀疏时频表征方法能够有效提取慢信号的时频域特征，扩展了热力学信号的表征维度；利用知识图谱整合参数间的关联关系，并结合CNN‑GCN和STGCN进行“时‑空‑频”跨模态融合决策，大幅提升了复杂能源热力系统的故障推理能力，增强了系统的诊断准确性与可靠性。

【技术实现步骤摘要】

本专利技术属于能源热力系统智能故障推理，具体涉及一种融合慢信号时频表征的能源热力系统图嵌入故障推理方法。

技术介绍

1、能源高效利用是当今国际社会研究的主要焦点。能源热力系统是能源利用领域的核心基础系统，是供热供冷和能量传输的基础载体。热力系统发生故障会严重影响能量传递的质量和效率，是阻碍能源利用过程提质增效的技术难点。

2、能源热力系统通常包含多种能流耦合传输，涉及复杂的热-质传递和功-热转换，使得对其故障实时诊断十分困难。传统诊断技术大多依赖于专家经验、规则推理、单一变量分析等手段，难以全面捕捉系统中的时空动态特性及多变量之间的复杂关系，故障诊断的准确性和实时性受到限制。

3、随着传感技术的快速发展，热力系统中大量运行数据，如压力、温度、流量等，被实时采集并保存。高质量地利用热力系统大数据，从数据中学习、解读、研判系统状态的高阶表征信息，从而更加精准的辨识复杂热力系统故障状态，已成为未来能源故障诊断领域的重要发展方向。

4、复杂的能源热力系统，如核电一回路、二回路及大型中央空调系统，具有显著的时滞与时变特性，导致故障本文档来自技高网...

【技术保护点】

1.融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，基于热力系统不同位置的传感参数信息及参数间的关联结构信息，建立并训练故障推理模型，融合模型特征并推断故障类型；具体包括以下步骤：

2.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，所述步骤S1中，切片处理基于统一时长原则进行时序切割，保证各时序切片对应的时长一致，允许各时序切片的数据点数不同。

3.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，所述步骤S1中，采用自适应核函数高斯回归插值法将多种核函数进行线性组合，并对各核...

【技术特征摘要】

1.融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，基于热力系统不同位置的传感参数信息及参数间的关联结构信息，建立并训练故障推理模型，融合模型特征并推断故障类型；具体包括以下步骤：

2.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，所述步骤s1中，切片处理基于统一时长原则进行时序切割，保证各时序切片对应的时长一致，允许各时序切片的数据点数不同。

3.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，所述步骤s1中，采用自适应核函数高斯回归插值法将多种核函数进行线性组合，并对各核函数设置可学习权重系数，利用水母搜索算法搜索最优权重系数，搜索的目标函数采用最大化边际对数似然函数；且寻优得到的权重系数为定值。

4.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法，其特征在于，所述步骤s1中，针对数据集d1，按照最长时序切片的数据序列长度，将其他时序切片插值增补到同长度；针对密集型高频响时序数据集d2，增加切片数据长度，使各切片数据序列长度不低于512，同时保证各切片同长度。...

【专利技术属性】
技术研发人员：孙哲，杨鹏，沈希，金华强，姚琪威，肖涵，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：