CN115900816A - 一种基于多源异构数据的高压开关柜缺陷预测方法 - Google Patents

Abstract

本发明公开了一种基于多源异构数据的高压开关柜缺陷预测方法，包括同步获取围绕开关的温度信号、局放信号和开关动作机械信号，三种信号分别带有时序时间戳，对三种信号采用Z‑score标准化处理形成具有各自属性的三种标准化数据，将三种标准化数据输入具有二阶注意力的神经网络模型得到高压开关柜缺陷预测；其中：所述模型顺序分为神经网络处理阶段、二阶注意力处理阶段和多任务分类处理阶段；本方法通过获取的多源异构数据，对不同数据源的信息，通过属性、时间双维度的特征融合模型，提高特征的全局鲁棒性，最终实现高可靠性、实时的高压开关柜的缺陷类别预测。

Description

一种基于多源异构数据的高压开关柜缺陷预测方法

技术领域

本发明涉及一种基于多源异构数据的高压开关柜缺陷预测方法，是一种基于多源异构数据与二阶注意力神经网络的高压开关柜缺陷预测方法。

背景技术

高压开关柜是变电站供配电网络中极其重要的一环，在发、输、配电等领域被广泛运用，成为使用极广、数量最多的开关设备。当前，各行各业对电能的需求量随着我国经济迅猛发展而不断增大，这也意味着对电能质量应提出更高要求。高压开关柜主要由绝缘材料及导电材料构成，其绝缘的电气、机械性能由于长期受热应力(短时过电流)、电应力(短时过电压及局部放电)、断路器机械应力(短时电动力和长时电磁振动)的影响而日趋恶化，使绝缘老化变化曲线呈指数衰减趋势，这加速了绝缘劣化的进程，使高压开关柜的使用寿命缩短。

传统高压开关柜主要采用带电检测作为运维手段，主要依靠人工或借助于机器人等辅助智能化设备实现，并且故障判断通常都是对单一测量对象进行的，例如，对运行中开关柜的放电现象进行采集和判断，然而随着放电现象的出现往往会影响到开关触头，尽管一些不会认为出现问题的放电一样都会对触头产生影响，如何综合考虑对可能出现的缺陷进行预测，目前还没有相关报道。

发明内容

本发明的目的是提出一种基于多源异构数据的高压开关柜缺陷预测方法，是一种基于多源异构数据与二阶注意力神经网络的高压开关柜缺陷预测方法，方法中通过采集围绕放电出现的相关信息量，为故障缺陷预测评估提供多源异构数据；然后采用基于二阶注意力网络的开关柜健康状态检测技术，分析传感器获得的原始数据，预测高压开关柜出现缺陷类别概率。

为了实现上述目的，本发明的技术方案是：

一种基于多源异构数据的高压开关柜缺陷预测方法，包括同步获取围绕开关的温度信号、局放信号和开关动作机械信号，三种信号分别带有时序时间戳，其中：对三种信号采用Z-score标准化处理形成具有各自属性的三种标准化数据，将三种标准化数据输入具有二阶注意力的神经网络模型得到高压开关柜缺陷预测；其中：所述模型顺序分为神经网络处理阶段、二阶注意力处理阶段和多任务分类处理阶段；

所述神经网络处理阶段：对输入的三种标准化数据进行神经网络处理得到三种标准化数据属性融合特征；

所述二阶注意力处理阶段：通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系，形成具有时序的属性融合特征；

所述多任务分类处理阶段：对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率。

方案进一步是：所述温度信号的数据表达结构是：触头温度；触臂温度；开关柜内壁布点温度；时间戳；所述局放信号的数据表达结构是：超声波检测信号、TEV暂态地电波信号、UHF特高频信号；时间戳；所述开关动作机械信号的数据表达结构是：分合闸线圈电流；分合闸速度；分合闸行程；时间戳。

方案进一步是：所述对三种信号采用Z-score标准化处理：是基于原始数据的均值和标准差进行的，通过公式1将初始变量转换为统一的均值为0、标准差为1的数据；

其中：x_i为初始的属性特征，μ为初始属性的均值，σ为初始属性的标准差，为标准化之后的变量。

方案进一步是：所述三种信号包括原始采样数据和过采样数据，所述过采样是采用时序依赖的最近邻数据过采样方法对不同缺陷进行的过采样。

方案进一步是：所述缺陷类别分为发热缺陷、局放缺陷、机械故障缺陷；

所述发热缺陷对应的是开关动触头与触臂出现缺陷；

所述局放缺陷对应的是绝缘故障缺陷；

所述机械故障缺陷对应的是开关分合闸速度和分合闸行程出现缺陷。

方案进一步是：所述通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系是：建立层次化的时序特征融合结构神经网络，每一层首先使用二阶注意力对所述属性融合特征进行时序融合，使得不同的属性对时序信息有进一步的增强，通过层级的堆叠获取全局视角下属性融合特征与时序的关联关系。

方案进一步是：所述对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率是：对通过层次化神经网络对不同时间下增强的特征进行映射与激活根据公式2得到高压开关柜对应时间下不同缺陷发生的概率，

p＝sigmoid(ReLU((ReLU(Z·W₁))·W₂)·W₃)  公式2

其中，W₁∈R^q×q，W₂∈R^q×q，W₃∈R^q×s为线性映射参数，ReLU(·)为整流线性单位函数，q为特征维度，s为缺陷类型数；

当预测概率大于0.5时判断发生该缺陷，表明该开关柜存在潜在运行风险，需要进行针对性检修。

本发明的有益效果是：

1.本方法通过温度传感器、局放传感器、机械故障特性传感器获取的多源异构数据，分析传感器获得的多源异构数据，对不同数据源的信息，通过属性、时间双维度的特征融合模型，提高特征的全局鲁棒性，最终实现高可靠性、实时的高压开关柜的缺陷类别预测，本发明将缺陷类别分为发热缺陷、机械故障缺陷、局放缺陷。相较于传统高压开关柜主要采用带电单一检测作为运维手段，可以大大提高检测预测准确性与可靠性。

2.由于存在故障隐患的设备比例较小，高压开关柜各种缺陷的数据相比于正常状态的数据较少，会带来样本不均衡的问题，从而导致模型训练出现偏见。通过时序依赖的最近邻数据过采样方法对小样本的缺陷类型进行扩充，缓解样本不均衡问题，同时利用均衡分类损失，解决模型训练偏见问题，大幅度提升检测预测的准确性。

在时序融合上，采用了二阶注意力机制，不仅可以实现长时间跨度上的信息融合交互，又可以避免传统注意力机制点对点计算相似性的局限，从而实现高鲁棒性的时序特征融合，保证模型的可靠性。

下面结合附图和实施例对本发明作一详细描述。

附图说明

图1为本发明模型阶段处理示意图；

图2为本发明过采样算法流程示意图；

图3为本发明神经网络处理架构示意图；

图4为本发明二阶注意力方法模型架构示意图；

图5为本发明二阶注意力编码器结构示意图；

图6为本发明多任务分类器架构示意图。

具体实施方式

一种基于多源异构数据的高压开关柜缺陷预测方法，是一种基于多源异构数据与二阶注意力神经网络的高压开关柜缺陷预测方法，包括同步获取围绕开关的温度信号、局放信号和开关动作机械信号，三种信号分别带有时序时间戳，其中：对三种信号采用Z-score标准化处理形成具有各自属性的三种标准化数据，将三种标准化数据输入具有二阶注意力的神经网络模型得到高压开关柜缺陷预测；其中：所述模型顺序分为神经网络处理阶段、二阶注意力处理阶段和多任务分类处理阶段；图1示意了模型阶段处理流程，其中：

所述神经网络处理阶段：对输入的三种标准化数据进行神经网络处理得到三种标准化数据属性融合特征；

所述二阶注意力处理阶段：通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系，形成具有时序的属性融合特征；

所述多任务分类处理阶段：对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率。

三种信号数据属于高压开关柜多源异构数据，其中传感器的种类包括：

温度传感器：温度传感器由螺丝固定在动触头与触臂上，此外还将高灵敏度温度传感器固定在手车室内壁的三个布点上，用以间接测量触头温升情况。

局放传感器：采用超声波局放传感器、TEV暂态地电波局放传感器、UHF特高频局放传感器测量开关柜内的局部放电信号。

机械故障传感器：分合闸线圈电流监测装置和开关机械特性传感器安装在仪表室二次线路和断路器操作轴上，从分合闸线圈电流监测装置采集分合闸线圈电流，从开关机械特性传感器采集分合闸速度、分合闸行程。

所述温度信号的数据表达x_t结构是：触头温度；触臂温度；开关柜内壁布点温度，例如：开关柜内壁布点1温度；开关柜内壁布点2温度；开关柜内壁布点3温度；时间戳；

所述局放信号的数据表达x_p结构是：超声波检测信号、TEV暂态地电波信号、UHF特高频信号；时间戳；

所述开关动作机械信号的数据表达x_m结构是：分合闸线圈电流；分合闸速度；分合闸行程；时间戳。

因此，终端用户结构化信息表达为11维属性特征，x＝{(触头温度；触臂温度；内壁布点1温度；内壁布点2温度；内壁布点3温度),(超声波检测信号、TEV暂态地电波信号、UHF特高频信号),(分合闸线圈电流；分合闸速度；分合闸行程)}。

例如，网络输入的多源异构时序特征为：

[{时间戳1；触头温度；触臂温度；内壁布点1温度；内壁布点2温度；内壁布点3温度；超声波检测信号；TEV暂态地电波信号；UHF特高频信号；分合闸线圈电流；分合闸速度；分合闸行程}，

{时间戳2；触头温度；触臂温度；内壁布点1温度；内壁布点2温度；内壁布点3温度；超声波检测信号；TEV暂态地电波信号；UHF特高频信号；分合闸线圈电流；分合闸速度；分合闸行程}，

…，

{时间戳N；触头温度；触臂温度；内壁布点1温度；内壁布点2温度；内壁布点3温度；超声波检测信号；TEV暂态地电波信号；UHF特高频信号；分合闸线圈电流；分合闸速度；分合闸行程}，]

多任务分类处理输出为：

[{时间戳1；缺陷1发生概率；缺陷2发生概率；缺陷3发生概率}，

{时间戳2；缺陷1发生概率；缺陷2发生概率；缺陷3发生概率}，

…，

{时间戳N；缺陷1发生概率；缺陷2发生概率；缺陷3发生概率}]。

典型时序信号样例

时间戳＝{1,2,3,4,5,6,7,8,9,10,11,12}s

触头温度＝{12.5,13.4,12.1,12.9,12.6,12.3,12.8,12.4,13.6,15.9,37.5,42.1}℃

触臂温度＝{10.2,10.6,10.5,10.9,10.9,11.2,11.4,10.2,25.6,24.9,52.3,56.1}℃

内壁布点1温度＝{15.6,15.2,15.9,15.4,15.3,15.8,16.2,19.8,35.6,42.3,58.9,62.1}℃

内壁布点2温度＝{15.8,15.9,16.2,17.1,16.3,15.9,16.2,16.3,15.8,34.5,49.5,58.6}℃

内壁布点3温度＝{15.2,15.9,15.3,14.5,15.9,16.2,15.8,16.8,16.4,48.9,45.6,49.2}℃

超声波检测信号＝{-3.2,-3.3,-3.5,-3.1,-3.3,-3.4,2.3,4.8,21.3,21.4,21.6,21.6}db

TEV暂态地电波信号＝{-35.6,-34.6,-39.5,-36.5,-34.6,-34.2,-34.8,-35.2,-28.9,-28.6,-28.4}db

UHF特高频信号＝{-48.2,-46.1,-45.8,-47.2,-48.4,-46.9,-47.2,-38.6,-38.4,-38.2,-38.5,-38.9}db

分合闸线圈电流＝{0,0,0,0,0,0.3,0.4,0.8,0.5,0.2,0,0}A

分合闸速度＝{0,0,0,0,0,6,6,6,0,0,0,0}mm/s

分合闸行程＝{0,0,0,0,0,6,12,18,18,18,18,18}mm。

由于来源于高压开关柜的多个传感器的检测属性不同，存在量纲、尺度、步长等数据的差异，要达到属性见的特征交互与融合，其难点在于如何统一各个属性的信息知识，其中温度传感器捕捉六个布点的时序温度信息，局放传感器捕获特高频、超声波、地波信号，开关机械特性捕获分合闸电流于分合闸行程、刚分刚合速度等。这其中涉及到温度、电信号、运动信号等不同量纲的数据。神经网络无法对不同量纲、不同分布的数据很好地融合，导致训练波动，精度受限，所以需要对不同量纲的数据进行统一的标准化。因此：所述对三种信号采用Z-score标准化处理：是基于原始数据的均值和标准差进行的，通过公式1将初始变量转换为统一的均值为0、标准差为1的数据；

其中：x_i为初始的属性特征，μ为初始属性的均值，σ为初始属性的标准差，为标准化之后的变量。

例如：给定某一属性集合

其中，x_i为某一属性初始的属性特征，为某一属性标准化之后的变量。例如，对于温度特征{x₁，x₂，x₃}＝{25.2，26.2，27.2}，设训练集全体温度均值为μ＝26.2，标准差为σ＝1.0，标准化后的对应温度特征为同理对于超声波特征{x₁，x₂，x₃}＝{4，5，6}，设其训练集全体超声波特征均值为μ＝5.0，标准差为σ＝2.0，则对应标准化hou的超声波特征为

由于各种缺陷出现的情况相比于高压开关柜正常情况要少很多，所以会出现样本不均衡问题。同时，由于时序特征对缺陷检测具有重要的作用，对缺陷样本进行过采样需要考虑到时序特征的过采样。因此，：所述三种信号包括原始采样数据和过采样数据，所述过采样是采用时序依赖的最近邻数据过采样方法对不同缺陷进行的过采样；从而可以扩充不同缺陷的样本。具体流程如图2所示：

第一步，给定采样倍率N，给定缺陷样本F_j及其时间前时序特征计算与其他所有同类型缺陷样本点的欧式距离同时计算其时间前时序特征与其他所有同类型缺陷样本点的时序特征的欧式距离

第二步，加权缺陷样本距离与时序特征的欧氏距离，作为缺陷样本之间的距离度量：

选择其中最近的N个缺陷样本作为该缺陷样本的邻近点。

第三步，对缺陷样本F_j与邻近缺陷样本分别做随机插值得到新的样本点

公式如下：

其中，α为0～1之间的随机数。

第四步，将缺陷样本插入到原始时序的缺陷样本位置得到新的缺陷样本时序特征。

第五步，遍历所有缺陷样本点，即可将缺陷样本扩充N倍。通过时序依赖的最近邻数据过采样算法可以有效提升正样本数量，缓解样本不均衡导致的模型学习偏见。

其中：所述缺陷类别分为发热缺陷、局放缺陷、机械故障缺陷；

局放缺陷：高压开关柜工作于高电压高场强的条件下，并且受到凝露、灰尘等环境的影响，使得绝缘介质局部发生绝缘劣化，从而导致局部电场分布不均匀。当电场强度增大到该处的击穿场强时，则发生局部放电。考虑开关柜实际工况中发生局部放电的主要原因是开关柜内存在的各种不均匀电场如毛刺、尖锐金属，以及柜内绝缘设备在制造运输过程中不可避免出现的介质内部气泡或杂质等。

发热缺陷：随着用电负荷提高，开关柜发热问题逐渐突出。梅花触头是大电流开关柜中需要温升监测的关键部位。在运行过程中，梅花触头最易发生磨损变形导致接触异常，在长期运行过程中容易发生热故障，甚至发生火灾事故。此外，由于母排螺丝松动接触不良而产生的异常温升也有可能造成开关柜的热故障。

机械故障缺陷：在开关柜的长期运行过程中，断路器机械结构将不可避免地出现疲劳和老化，储能弹簧等机械结构甚至可能出现疲软和断裂的现象。

因此：所述发热缺陷对应的是开关动触头与触臂出现缺陷；所述局放缺陷对应的是绝缘故障缺陷；所述机械故障缺陷对应的是开关分合闸速度和分合闸行程出现缺陷。

作为单一独立的传感器数据无法充分描述开关柜的运行状态，所以需要在属性维度上进行交互，另外，开关柜的运行数据为时序动态数据，包含时序上的特征，比如温度变化、电流上升沿等，所以需要建立特征在时序上的依赖。本方法提出的二阶注意力神经网络以标准化后的开关柜多源异构数据作为输入，通过深度神经网络在属性维度进行交互，通过二阶注意力编码器在时间维度上建立长距离时间维度上的特征依赖，获得涵盖开关柜的时序感知特征，并经过多任务分类器预测后，得到对应时间点下不同缺陷发生的概率。

因此，在所述神经网络处理阶段如图3所示，在得到标准化后的开关柜多源数据后，通过属性级的特征融合，可以得到深层次的开关柜状态感知特征，以增强多源数据特征的鲁棒性。其中高压开关柜属性向量集合X₀∈R^N×D，其中D是特征维数，N为其时序长度。设该深度神经网络共有L层，第l层隐藏层包含h_l个隐藏单元，则第l层隐藏层的权重及偏差可表示为设输出的维度为q，则输出层的权重及偏差参数分别为W_o∈R^{n ×q}，b_o∈R^1×q，则隐藏层的输出和输出层的输出通过以下公式计算：

Y＝X_LW_o+b_o

为了发挥多层架构的潜力，在仿射变换之后对每个隐藏单元应用非线性的激活函数σ，提高模型的表达能力：

Y＝X_LW_o+b_o

其中，X_l第l隐藏层的输出特征，Y为经过深度神经网络属性融合后的输出特征。

实施例中：所述通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系是：如图4所示，经过对高压开关柜标准化后的多源数据进行深度神经网络融合后，可以得到不同时刻下高压开关柜的多源融合特征。由于高压开关柜的健康状态与时序信息密切关联，如温度变化、分合闸的上升下降沿等，所以需要建立长时间尺度下的信息融合；本专利采用了基于二阶注意力机制的时间维度特征融合方法，进行特征增强。通过计算时序特征间的相关性，建立了不同时序特征间的关联，从而使得经过时序增强后的特征具有全局时间跨度的特征信息，实现对时序信息的感知。

对于一组时序的高压开关柜的融合特征Y∈R^t×q，其中，t为时间维度，q为属性维度。为了捕获长时间尺度下的特征关系，现对时序的高压开关柜融合特征进行全局的注意力计算，可以得到一阶的注意力矩阵，公式如下：

attn＝Y·Y^T，

然而，在传统的一阶注意力矩阵中，关联映射中每个元素的相关性是独立计算的，忽略了其他元素的相关性。这种相关计算过程可能会由于不完善的特征表示或时序噪声的存在而引入错误的相关。错误的相关性可能导致模糊的相关性。这可能会对自注意中的特征聚合和交叉注意中的信息传播产生不利影响，导致模型的次优性能。

为了解决一阶注意力矩阵的限制，本方法采用了二阶注意力矩阵进行相关关系建模，在一阶注意力矩阵的基础上，再进行相关性计算，这样保证二阶注意力矩阵中的每个元素代表着全局视角下的相关性，从而带来更稳定的依赖关系，公式如下：

attn²＝attn·attn^T

通过建立的长时间维度下的依赖关系，可以得到在时间维度上的融合特征，公式如下：

z＝attn²·Y

为了实现鲁棒性的时序、属性双维度的特征融合，如图5所示，本方法设计了层次化的时序特征融合结构，每一层首先使用二阶注意力对特征进行时序融合，获取全局视角下的时序特征，由于该时序特征单纯依赖于时序信息的融合，会导致属性层面特征发生变化，所以，在二阶注意力模块后使用浅层神经网络对属性特征进行组合调整，建立层次化的时序特征融合结构神经网络，每一层首先使用二阶注意力对所述属性融合特征进行时序融合，使得不同的属性对时序信息有进一步的增强，通过层级的堆叠获取全局视角下属性融合特征与时序的关联关系；通过层级的堆叠，可以完整实现属性与时间双维度的特征交互，为最终的缺陷感知分类提供鲁棒、有效的特征信息；公式表达如下：

Z＝encoder(Y)

通过时间、属性双维的混合交互，实现了对高压开关柜多源时序特征的感知增强，从而为最终的开关柜感知分类提供了有效特征。

所述对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率是：如图6所示：经过属性维度与时间维度增强后的属性特征，包含了高压开关柜多属性、长时间跨度的感知信息，对通过层次(浅层)化神经网络对不同时间下增强的特征进行映射与激活根据公式2得到高压开关柜对应时间下不同缺陷发生的概率，每层神经网络由线性映射与非线性激活函数组成。

p＝sigmoid(ReLU((ReLU(Z·W₁))·W₂)·W₃)  公式2

其中，W₁∈R^q×q，W₂∈R^q×q，W₃∈R^q×s为线性映射参数，ReLU(·)为整流线性单位函数，q为特征维度，s为缺陷类型数；

当预测概率大于0.5时判断发生该缺陷，表明该开关柜存在潜在运行风险，需要进行针对性检修。例如，当预测缺陷概率p＝0.85时，我们判定缺陷发生，需要检修。当预测缺陷概率p＝0.31时，我们判定缺陷未发生，不需要检修。

上述实施例改进了均衡损失设计，传统的损失再分配技术在类别均衡分布下表现良好，但在长尾情况下无法解决样本的不平衡问题。在经过时序依赖的最近邻数据过采样后，会缩小缺陷与非缺陷样本间的数据量差异。但不同缺陷间仍然会存在数据分布不均衡的问题，所以本发明提出使用改进的均衡分类损失进一步对数据不均衡问题进行优化。在损失中引入一个类别相关的调制因子。损失中具有两个解耦动态因子(聚焦因子和加权因子)的调制因子独立处理不同类别的正负不平衡。聚焦因子根据其对应类别的不平衡程度，决定了学习对硬正样本的集中程度。权重因子增加了稀有类别的影响，确保稀有样本的损失贡献不会被频繁样本所压倒。这两个因素的协同作用使改进的均衡损失在单级长尾数据中能够均匀地克服类别不平衡的影响。具体来说，第j类缺陷的损失表述为：

其中，参数γ^j是第j类的关注因子，不同的γ对应于不同程度的不平衡问题。在传统损失的基础上加入了权重因子避免了在增加对学习一个具有严重正负不平衡的类别注意力时，必须牺牲它在整个训练过程中做的部分损失贡献的问题，从而可以保证稀有缺陷类别获得良好的分类准确率。

上述实施例方法通过温度传感器、局放传感器、机械故障特性传感器获取的多源异构数据，分析传感器获得的多源异构数据，对不同数据源的信息，通过属性、时间双维度的特征融合模型，提高特征的全局鲁棒性，最终实现高可靠性、实时的高压开关柜的缺陷类别预测，本发明将缺陷类别分为发热缺陷、机械故障缺陷、局放缺陷。相较于传统高压开关柜主要采用带电单一检测作为运维手段，可以大大提高检测预测准确性与可靠性。

Claims (7)

1.一种基于多源异构数据的高压开关柜缺陷预测方法，包括同步获取围绕开关的温度信号、局放信号和开关动作机械信号，三种信号分别带有时序时间戳，其特征在于，对三种信号采用Z-score标准化处理形成具有各自属性的三种标准化数据，将三种标准化数据输入具有二阶注意力的神经网络模型得到高压开关柜缺陷预测；其中：所述模型顺序分为神经网络处理阶段、二阶注意力处理阶段和多任务分类处理阶段；

所述神经网络处理阶段：对输入的三种标准化数据进行神经网络处理得到三种标准化数据属性融合特征；

所述二阶注意力处理阶段：通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系，形成具有时序的属性融合特征；

所述多任务分类处理阶段：对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率。

2.根据权利要求1所述的高压开关柜缺陷状态监测方法，其特征在于，

所述温度信号的数据表达结构是：触头温度；触臂温度；开关柜内壁布点温度；时间戳；

所述局放信号的数据表达结构是：超声波检测信号、TEV暂态地电波信号、UHF特高频信号；时间戳；

所述开关动作机械信号的数据表达结构是：分合闸线圈电流；分合闸速度；分合闸行程；时间戳。

3.根据权利要求1或2所述的高压开关柜缺陷状态监测方法，其特征在于，所述对三种信号采用Z-score标准化处理：是基于原始数据的均值和标准差进行的，通过公式1将初始变量转换为统一的均值为0、标准差为1的数据；

其中：x_i为初始的属性特征，μ为初始属性的均值，σ为初始属性的标准差，

为标准化之后的变量。

4.根据权利要求1所述的高压开关柜缺陷状态监测方法，其特征在于，所述三种信号包括原始采样数据和过采样数据，所述过采样是采用时序依赖的最近邻数据过采样方法对不同缺陷进行的过采样。

5.根据权利要求1或2所述的高压开关柜缺陷状态监测方法，其特征在于，所述缺陷类别分为发热缺陷、局放缺陷、机械故障缺陷；

所述发热缺陷对应的是开关动触头与触臂出现缺陷；

所述局放缺陷对应的是绝缘故障缺陷；

所述机械故障缺陷对应的是开关分合闸速度和分合闸行程出现缺陷。

6.根据权利要求1所述的高压开关柜缺陷状态监测方法，其特征在于，所述通过二阶注意力编码器将得到的所述属性融合特征与时间戳时序建立相互关联关系是：建立层次化的时序特征融合结构神经网络，每一层首先使用二阶注意力对所述属性融合特征进行时序融合，使得不同的属性对时序信息有进一步的增强，通过层级的堆叠获取全局视角下属性融合特征与时序的关联关系。

7.根据权利要求6所述的高压开关柜缺陷状态监测方法，其特征在于，所述对具有时序的属性融合特征进行判断得到三种信号在对应时间点出现三种缺陷的概率是：对通过层次化神经网络对不同时间下增强的特征进行映射与激活根据公式2得到高压开关柜对应时间下不同缺陷发生的概率，

p＝sigmoid(ReLU((ReLU(Z·W₁))·W₂)·W₃)      公式2

其中，W₁∈R^q×q，W₂∈R^q×q，W₃∈R^q×s为线性映射参数，ReLU(·)为整流线性单位函数，q为特征维度，s为缺陷类型数；

当预测概率大于0.5时判断发生该缺陷，表明该开关柜存在潜在运行风险，需要进行针对性检修。

Images