本發(fā)明涉及電力設(shè)備，具體涉及一種gis場-電融合實時狀態(tài)感知與預(yù)警系統(tǒng)及方法。

背景技術(shù)：

1、高壓氣體絕緣開關(guān)設(shè)備（gas?insulated?switchgear，gis）的高性能和可靠性對于保證電力系統(tǒng)的穩(wěn)定運行、提高電網(wǎng)的傳輸效率以及確保電力供應(yīng)的安全性至關(guān)重要。

2、隨著gis設(shè)備的廣泛應(yīng)用，其引起的絕緣老化、器件松動等導(dǎo)致設(shè)備故障頻發(fā)，已嚴(yán)重威脅各級變電站的安全運行。其中，局部放電作為gis設(shè)備缺陷狀態(tài)的重要表征，其定位和測量技術(shù)研究是實現(xiàn)有效感知gis設(shè)備狀態(tài)和分析預(yù)警的重要途徑，一般是通過對gis內(nèi)部高頻率電磁波信號（ultra?high?frequency，uhf）進(jìn)行采集和放電監(jiān)測，在確定監(jiān)測到局部放電信號時，對局部放電源進(jìn)行定位，從而實現(xiàn)狀態(tài)感知與長期分析預(yù)警，保障gis設(shè)備安全穩(wěn)定運行。

3、在利用uhf信號進(jìn)行放電檢測時，uhf信號在gis的復(fù)雜拓?fù)浣Y(jié)構(gòu)中多次反射不同傳播路徑會對定位精確性產(chǎn)生影響，多徑效應(yīng)會導(dǎo)致信號到達(dá)uhf傳感器的時間延遲不同，從而引入定位誤差，使得定位系統(tǒng)無法準(zhǔn)確識別放電源位置，而先關(guān)技術(shù)中采用的高精度定位模型（如模糊神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)模型等）結(jié)構(gòu)復(fù)雜，訓(xùn)練和調(diào)優(yōu)過程需要大量計算資源，難以實時應(yīng)用。

4、為此設(shè)想提出一種uhf信號測量值與仿真模型融合計算快速迭代搜索最優(yōu)匹配位置方法，但存在的技術(shù)難點在于：

5、（1）現(xiàn)有的局放信號采集裝置大多采用prpd（phase?resolved?partialdischarge）放電圖譜等形式向上位機(jī)傳輸壓縮過的局部放電信號，并不能向上位機(jī)還原檢測到的高頻率、完整的全時域波形局部放點時域信號，無法滿足對gis內(nèi)部局部放電信號準(zhǔn)確定位的需求；另外現(xiàn)有進(jìn)行uhf信號的采集需要高采樣率的數(shù)據(jù)采集設(shè)備，由于采樣率與定位精度成正比，提高采樣精度勢必就要面臨芯片計算資源不足等問題，高采樣率帶來了大量數(shù)據(jù)，增加了處理和傳輸?shù)呢?fù)擔(dān)，傳輸延遲和數(shù)據(jù)同步問題會影響實時性；因此相關(guān)技術(shù)中缺乏高速高性能的局放信號實時采集/匹配/檢測手段。

6、（2）傳統(tǒng)數(shù)值方法在進(jìn)行電磁場非均勻網(wǎng)格仿真時，需面臨粗細(xì)網(wǎng)格之間耦合處理復(fù)雜，邊界條件難以確立等問題；同時，非均勻網(wǎng)格劃分仿真時計算資源要求高，在高網(wǎng)格劃分?jǐn)?shù)量與疏密度仿真時，計算時間長，仿真速度慢，在處理高頻的gis局放檢測問題時會嚴(yán)重影響檢測時間，若用粗網(wǎng)格仿真時，雖然可以降低時間成本，但仿真精度低，會影響局放檢測質(zhì)量；因此在相關(guān)技術(shù)中缺乏適用多結(jié)構(gòu)gis設(shè)備的快速高精度電磁場分布仿真技術(shù)，電磁場分布仿真難以為gis高性能實時感知提供理論基礎(chǔ)。

7、（3）由于實時測量的uhf信號通常需要進(jìn)行預(yù)處理和清洗，以降低噪聲的影響并盡可能提取有效信號，而快速電磁場仿真所需的輸入數(shù)據(jù)質(zhì)量和清晰度通常高于實際測量數(shù)據(jù)的能力，導(dǎo)致仿真結(jié)果與實測數(shù)據(jù)的匹配困難，快速電磁場仿真與有噪聲測量數(shù)據(jù)無法有機(jī)結(jié)合。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何實現(xiàn)基于gis場-電融合的高性能實時狀態(tài)感知與預(yù)警。

2、本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題的：

3、本發(fā)明提出了一種gis場-電融合實時狀態(tài)感知與預(yù)警系統(tǒng)，所述系統(tǒng)包括信號同步采集與測量嵌入式裝置和工控機(jī)，所述工控機(jī)中部署有仿真器、位置搜索器和預(yù)警器；

4、所述信號同步采集與測量嵌入式裝置，用于根據(jù)預(yù)先篩選得到的強(qiáng)關(guān)聯(lián)特征監(jiān)測gis內(nèi)部電磁場信號包含局部放電信號時，得到包含局部放電信號時域波形圖和頻域波形圖的全時域波形圖；

5、所述仿真器，用于基于gis局部放電的所述全時域波形圖對局部放電源進(jìn)行粗定位，并以粗定位結(jié)果作為初始注入點進(jìn)行仿真增強(qiáng)計算，得到局部放電源的仿真增強(qiáng)數(shù)據(jù)；

6、所述位置搜索器，用于將根據(jù)所述全時域波形圖計算得到的實測放電強(qiáng)度與所述仿真增強(qiáng)結(jié)果進(jìn)行迭代搜索，得到局部放電源的實際放電位置；

7、所述預(yù)警器，用于基于所述時域全波形和包含局部放電源實際放電位置的預(yù)警信息進(jìn)行預(yù)警。

8、進(jìn)一步地，所述信號同步采集與測量嵌入式裝置包括：

9、信號采集位置確定模塊，用于確定信號采集模塊中各傳感器的安裝位置；

10、信號采集模塊，用于采集gis內(nèi)部電磁場信號；

11、信號處理前端，用于對信號采集模塊傳輸?shù)乃鲭姶艌鲂盘栠M(jìn)行信號調(diào)理，調(diào)理后的信號傳輸至模數(shù)轉(zhuǎn)換器；

12、模數(shù)轉(zhuǎn)換器，用于將調(diào)理后的信號從模擬信號轉(zhuǎn)為數(shù)字信號后傳輸至信號測量模塊；

13、信號測量模塊，用于基于預(yù)先篩選得到的強(qiáng)關(guān)聯(lián)特征對所述數(shù)字信號進(jìn)行監(jiān)測，在確定監(jiān)測到局部放電信號時，得到包含局部放電信號時域波形圖和頻域波形圖的全時域波形圖，其中所述強(qiáng)關(guān)聯(lián)特征包括時域強(qiáng)關(guān)聯(lián)特征和頻域強(qiáng)關(guān)聯(lián)特征。

14、進(jìn)一步地，所述信號同步采集與測量嵌入式裝置還包括特征篩選模塊，用于將用于檢測局部放電信號的時頻域特征作為圖神經(jīng)網(wǎng)絡(luò)的節(jié)點進(jìn)行關(guān)聯(lián)強(qiáng)度篩選，得到所述時域強(qiáng)關(guān)聯(lián)特征和所述頻域強(qiáng)關(guān)聯(lián)特征，其中，節(jié)點之間的連線表示節(jié)點所代表特征之間的關(guān)系。

15、進(jìn)一步地，所述特征篩選模塊，包括：

16、特征圖構(gòu)建單元，用于在圖神經(jīng)網(wǎng)絡(luò)的完備特征圖中，為節(jié)點集合，為邊集合，設(shè)分別表示節(jié)點的特征向量，邊的特征向量，節(jié)點及其周邊節(jié)點的狀態(tài)向量和節(jié)點周邊節(jié)點的特征向量；

17、聚合更新單元，用于根據(jù)更新節(jié)點狀態(tài)的局部轉(zhuǎn)移函數(shù)將輸入節(jié)點和邊的信息進(jìn)行聚合更新，輸出節(jié)點標(biāo)簽，公式表示為：

18、

19、

20、式中，為更新節(jié)點狀態(tài)的局部轉(zhuǎn)移函數(shù)，為局部輸出函數(shù)，為經(jīng)過圖神經(jīng)網(wǎng)絡(luò)迭代學(xué)習(xí)到的狀態(tài)向量，為節(jié)點標(biāo)簽；

21、迭代單元，用于在圖神經(jīng)網(wǎng)絡(luò)的不斷迭代中，計算某個節(jié)點及其相鄰節(jié)點之間的關(guān)聯(lián)，得到時域強(qiáng)關(guān)聯(lián)特征和頻域強(qiáng)關(guān)聯(lián)特征。

22、進(jìn)一步地，所述迭代單元，具體用于：

23、設(shè)和分別為將所有節(jié)點的狀態(tài)向量、所有輸出標(biāo)簽、所有節(jié)點及邊的特征向量和所有節(jié)點特征向量疊加所構(gòu)造的向量，將公式寫成更緊湊的形式為：

24、

25、

26、其中，表示的第次迭代，表示由特征向量和第次迭代的狀態(tài)向量通過全局轉(zhuǎn)移函數(shù)得到第次迭代的所有節(jié)點的狀態(tài)向量，和分別為全局轉(zhuǎn)移函數(shù)和全局輸出函數(shù)，是所有節(jié)點的局部轉(zhuǎn)移函數(shù)和局部輸出函數(shù)的堆疊；

27、在迭代過程中，確定狀態(tài)相似的節(jié)點、狀態(tài)互補(bǔ)的節(jié)點以及各節(jié)點對圖神經(jīng)網(wǎng)絡(luò)整體的影響度，將狀態(tài)相似的節(jié)點選擇其中一個節(jié)點、狀態(tài)互補(bǔ)的節(jié)點合并為一個節(jié)點以及對圖神經(jīng)網(wǎng)絡(luò)整體影響最大的節(jié)點作為強(qiáng)關(guān)聯(lián)特征。

28、進(jìn)一步地，所述信號測量模塊包括：

29、緩存單元，用于對所述數(shù)字信號進(jìn)行緩存處理；

30、第一監(jiān)測單元，用于對所述數(shù)字信號進(jìn)行所述時域強(qiáng)關(guān)聯(lián)特征的提取，并基于所述時域強(qiáng)關(guān)聯(lián)特征確定監(jiān)測到局部放電信號，輸出放電時的第一時域波形圖；

31、第二監(jiān)測單元，用于對所述數(shù)字信號進(jìn)行所述頻域強(qiáng)關(guān)聯(lián)特征的提取，并基于所述頻域強(qiáng)關(guān)聯(lián)特征確定監(jiān)測到局部放電信號，輸出放電時的頻域波形圖；

32、波形綜合單元，用于基于所述第一時域波形圖和所述頻域波形圖，得到局部放電信號的全時域波形圖。

33、進(jìn)一步地，所述第二監(jiān)測單元包括：

34、傅里葉變換子單元，用于將所述電磁場信號進(jìn)行至少兩次快速傅里葉變換，得到至少兩個頻段的頻域數(shù)據(jù)；

35、歸一化子單元，用于對每個頻段的頻域數(shù)據(jù)進(jìn)行所述頻域強(qiáng)關(guān)聯(lián)特征的提取，并對所述頻域強(qiáng)關(guān)聯(lián)特征進(jìn)行分析和匹配后判斷各頻段的頻域數(shù)據(jù)均超過第二放電閾值時，將各頻段對應(yīng)的頻域波形進(jìn)行歸一化處理，得到放電時的頻域波形圖。

36、進(jìn)一步地，所述波形綜合單元，包括：

37、波形轉(zhuǎn)換子單元，用于將所述頻域波形圖轉(zhuǎn)換為放電時的第二時域波形圖；

38、波形綜合子單元，用于將所述第一時域波形圖與所述第二時域波形圖進(jìn)行綜合，得到局部放電信號的全時域波形圖。

39、進(jìn)一步地，所述仿真器包括：

40、仿真模塊，用于將基于所述全時域波形圖得到的局部放電源的粗定位結(jié)果作為gis設(shè)備三維仿真模型的初始注入點以模擬gis設(shè)備的局放現(xiàn)象，進(jìn)行仿真計算得到粗網(wǎng)格仿真結(jié)果；

41、增強(qiáng)模塊，用于采用增強(qiáng)模型對所述粗網(wǎng)格仿真結(jié)果進(jìn)行增強(qiáng)處理，得到仿真增強(qiáng)數(shù)據(jù)。

42、進(jìn)一步地，所述仿真模塊，包括：

43、空間離散單元，用于將gis設(shè)備的三維仿真模型離散為空間網(wǎng)格，并確定每個網(wǎng)格節(jié)點的編號和空間坐標(biāo)數(shù)據(jù)對應(yīng)關(guān)系；

44、差分仿真單元，用于將粗定位結(jié)果作為初始注入點注入對應(yīng)的空間網(wǎng)格以模擬gis設(shè)備的局放現(xiàn)象，將用于描述gis電磁場的麥克斯韋方程轉(zhuǎn)換為四階矩陣，并采用四步hie-fdtd算法對四階矩陣進(jìn)行求解，計算每個網(wǎng)格節(jié)點的場強(qiáng)數(shù)據(jù)。

45、進(jìn)一步地，所述差分仿真單元，包括：

46、矩陣重構(gòu)子單元，用于將用于描述gis電磁場的麥克斯韋方程轉(zhuǎn)換為六階矩陣形式為：

47、

48、式中，為由電場和磁場在直角坐標(biāo)系中的分量所構(gòu)成的向量，為六階矩陣；

49、矩陣轉(zhuǎn)換子單元，用于將六階矩陣形式轉(zhuǎn)換為四階矩形形式為：

50、

51、式中，為，

52、為；

53、求解子單元，用于采用四步hie-fdtd算法對四階矩陣形式進(jìn)行求解，計算每個網(wǎng)格節(jié)點的場強(qiáng)數(shù)據(jù)。

54、進(jìn)一步地，所述求解子單元，用于執(zhí)行如下步驟：

55、四步hie-fdtd算法在時域上分解為、、、四個分步，對于每個分步采用半隱式差分格式計算關(guān)于網(wǎng)格節(jié)點場強(qiáng)數(shù)據(jù)的三對角隱式；

56、采用追趕法對三對角隱式進(jìn)行求解，得到網(wǎng)格節(jié)點場強(qiáng)數(shù)據(jù)。

57、進(jìn)一步地，增強(qiáng)模型采用差分深度學(xué)習(xí)網(wǎng)絡(luò)模型，所述粗網(wǎng)格仿真結(jié)果包括粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)和粗網(wǎng)格場強(qiáng)數(shù)據(jù)；所述差分深度學(xué)習(xí)網(wǎng)絡(luò)模型包括依次連接的增強(qiáng)網(wǎng)絡(luò)和結(jié)構(gòu)相似性網(wǎng)絡(luò)，所述增強(qiáng)網(wǎng)絡(luò)包括自調(diào)節(jié)模塊和差分卷積模塊；

58、利用所述自調(diào)節(jié)模塊和所述差分卷積模塊分別對所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)和所述粗網(wǎng)格場強(qiáng)數(shù)據(jù)進(jìn)行計算，得到細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征和細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征；

59、利用所述結(jié)構(gòu)相似性網(wǎng)絡(luò)對所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征和所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征進(jìn)行匹配，計算相似性特征；

60、基于所述相似性特征，計算所述仿真增強(qiáng)數(shù)據(jù)。

61、進(jìn)一步地，所述自調(diào)節(jié)模塊包括依次連接的第一卷積層和第二卷積層，所述第一卷積層的輸出特征和所述第二卷積層的輸出特征經(jīng)第一相加操作后輸出至激活函數(shù)層；

62、所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)作為所述第一卷積層的輸入，所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的網(wǎng)格尺寸補(bǔ)充信息作為所述第二卷積層的輸入，所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的偏差向量作為所述第一相加操作的輸入，所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)和所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的網(wǎng)格尺寸補(bǔ)充信息經(jīng)殘差連接輸出至所述第一相加操作。

63、進(jìn)一步地，所述差分卷積模塊包括依次連接的差分卷積層、尺寸整合層、自注意力機(jī)制層和第三卷積層，所述第三卷積層后連接有激活函數(shù)；

64、所述粗網(wǎng)格場強(qiáng)數(shù)據(jù)作為所述差分卷積層的輸入，所述差分卷積層用于采用差分算法計算所述粗網(wǎng)格場強(qiáng)數(shù)據(jù)的不同尺寸的場強(qiáng)特征；

65、所述尺寸整合層用于對所述差分卷積層計算得到的不同尺寸的場強(qiáng)特征進(jìn)行求和，得到重整后的場強(qiáng)特征。

66、進(jìn)一步地，所述差分卷積層的卷積核采用五點差分卷積核、加權(quán)差分卷積核、多尺度差分卷積核、方向性差分卷積核、九點差分卷積核、混合模式差分卷積中的任一種。

67、進(jìn)一步地，所述結(jié)構(gòu)相似性網(wǎng)絡(luò)包括第一分支網(wǎng)絡(luò)、第二分支網(wǎng)絡(luò)、第二相加操作和第一多層感知機(jī)，所述第一分支網(wǎng)絡(luò)和所述第二分支網(wǎng)絡(luò)的輸出均接入所述第二相加操作，所述第二相加操作的輸出連接至所述第一多層感知機(jī)，所述多層感知機(jī)后接有激活函數(shù)。

68、進(jìn)一步地，所述第一分支網(wǎng)絡(luò)包括依次連接的卷積神經(jīng)網(wǎng)絡(luò)層cnn和批正則化操作，所述正則化操作之后接有激活函數(shù)；

69、所述第二分支網(wǎng)絡(luò)包括第二多層感知機(jī)，所述第二多層感知機(jī)之后接有激活函數(shù)。

70、進(jìn)一步地，所述利用所述結(jié)構(gòu)相似性網(wǎng)絡(luò)對所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征和所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征進(jìn)行匹配，計算相似性特征，包括：

71、利用所述第一分支網(wǎng)絡(luò)提取所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征的結(jié)構(gòu)特征信息，公式表示為：

72、

73、式中，為第條所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征的特征信息，為所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征，為堆疊的卷積操作，為批正則化操作，為激活函數(shù)；

74、利用所述第二分支網(wǎng)絡(luò)提取所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征的場強(qiáng)特征信息，公式表示為：

75、

76、式中，為第條所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征的特征信息，為所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征，為第二多層感知機(jī)執(zhí)行的操作；

77、利用所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征的特征信息和所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征的特征信息對應(yīng)的調(diào)制權(quán)重，計算場強(qiáng)與結(jié)構(gòu)結(jié)合特征，公式表示為：

78、

79、式中，為所述場強(qiáng)與結(jié)構(gòu)結(jié)合特征，和分別表示所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征的特征信息和所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征的特征信息對應(yīng)的調(diào)制權(quán)重；

80、基于所述場強(qiáng)與結(jié)構(gòu)結(jié)合特征，計算所述相似性特征，公式表示為：

81、

82、式中，為所述相似性特征，為第一多層感知機(jī)執(zhí)行的操作。

83、進(jìn)一步地，所述基于所述相似性特征，計算所述仿真增強(qiáng)數(shù)據(jù)，包括：

84、分別基于所述粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)、所述粗網(wǎng)格場強(qiáng)數(shù)據(jù)、所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征及所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征，計算規(guī)整化的粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)、規(guī)整化的粗網(wǎng)格場強(qiáng)數(shù)據(jù)、規(guī)整化的細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征和規(guī)整化的細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征；

85、基于所述規(guī)整化的粗網(wǎng)格結(jié)構(gòu)數(shù)據(jù)和所述規(guī)整化的細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征，計算網(wǎng)格結(jié)構(gòu)一致性；

86、基于所述規(guī)整化的粗網(wǎng)格場強(qiáng)數(shù)據(jù)和規(guī)整化的細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征，計算網(wǎng)格場強(qiáng)一致性；

87、基于所述網(wǎng)格結(jié)構(gòu)一致性和所述網(wǎng)格場強(qiáng)一致性，計算網(wǎng)格場強(qiáng)損失補(bǔ)償；

88、基于所述細(xì)網(wǎng)格增強(qiáng)網(wǎng)格結(jié)構(gòu)特征、所述網(wǎng)格場強(qiáng)損失補(bǔ)償和所述相似性特征，計算細(xì)網(wǎng)格增強(qiáng)結(jié)構(gòu)數(shù)據(jù)；

89、基于所述細(xì)網(wǎng)格增強(qiáng)場強(qiáng)特征、所述網(wǎng)格場強(qiáng)損失補(bǔ)償和所述相似性特征，計算所述仿真增強(qiáng)數(shù)據(jù)。

90、進(jìn)一步地，所述仿真增強(qiáng)數(shù)據(jù)包括增強(qiáng)放電位置和增強(qiáng)放電強(qiáng)度，所述位置搜索器包括：

91、狀態(tài)轉(zhuǎn)移模型構(gòu)建模塊，根據(jù)每個時刻的增強(qiáng)放電位置和增強(qiáng)放電強(qiáng)度，利用馬爾可夫決策模型重構(gòu)蟻群算法以局部放電源的粗定位結(jié)果為中心探索局部放電源實際放電位置的過程所對應(yīng)的狀態(tài)轉(zhuǎn)移模型；

92、啟發(fā)空間參數(shù)化模塊，使用基于圖神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)器生成啟發(fā)式度量，將所述狀態(tài)轉(zhuǎn)移模型轉(zhuǎn)換為受啟發(fā)式度量影響且需圖遍歷的位置探索模型；

93、迭代搜索模塊，用于使用神經(jīng)引導(dǎo)擾動交錯的局部搜索算法對所述位置探索模型進(jìn)行迭代搜索，得到局部放電源的實際放電位置。

94、進(jìn)一步地，所述狀態(tài)轉(zhuǎn)移模型構(gòu)建模塊，用于：

95、根據(jù)每個時刻的仿真放電位置和仿真放電強(qiáng)度，構(gòu)建在仿真器中探索局部放電源實際放電位置時對應(yīng)的狀態(tài)空間：

96、

97、

98、式中：表示在仿真器中第個時刻探索到局部放電源節(jié)點對應(yīng)的狀態(tài)，表示第個時刻的仿真放電位置，表示第個時刻的仿真放電強(qiáng)度，表示將基于gis局部放電的全時域波形圖得到的局部放電源的初步放電強(qiáng)度以及初步放電位置作為初始狀態(tài)，表示探索周期，；

99、構(gòu)建在仿真器中探索局部放電源實際放電位置時對應(yīng)的動作空間：

100、

101、式中：表示第個時刻的動作，以貪心策略為標(biāo)準(zhǔn)選擇動作；

102、重構(gòu)蟻群算法以局部放電源的初步放電位置為中心探索局部放電源實際放電位置的過程所對應(yīng)的狀態(tài)轉(zhuǎn)移模型為：

103、

104、式中：表示在動作下由放電節(jié)點到放電節(jié)點轉(zhuǎn)移的概率，表示在仿真器中第個時刻探索到局部放電源節(jié)點處對應(yīng)的狀態(tài)，表示由節(jié)點轉(zhuǎn)移到節(jié)點對應(yīng)的信息素濃度，表示由節(jié)點轉(zhuǎn)移到節(jié)點對應(yīng)的啟發(fā)函數(shù)，表示由節(jié)點轉(zhuǎn)移到包含在中的節(jié)點對應(yīng)的信息素濃度，表示由節(jié)點轉(zhuǎn)移到包含在中的節(jié)點對應(yīng)的啟發(fā)函數(shù)，與分別表示信息素濃度與啟發(fā)函數(shù)的權(quán)重，表示允許在下一時刻選擇的非均勻網(wǎng)格局部放電源節(jié)點集合。

105、進(jìn)一步地，由節(jié)點到節(jié)點轉(zhuǎn)移的獎勵函數(shù)為，表示第個時刻通過傳感器采集的時域全波形處理得到的實測放電強(qiáng)度，表示第個時刻仿真得到的局部放電強(qiáng)度

106、進(jìn)一步地，所述啟發(fā)空間參數(shù)化模塊，用于將圖神經(jīng)網(wǎng)絡(luò)第層的由第個節(jié)點與第個節(jié)點連接的邊緣特征映射到啟發(fā)式度量；

107、將所述狀態(tài)轉(zhuǎn)移模型轉(zhuǎn)換為受啟發(fā)式度量影響且需步圖遍歷的位置探索模型為：

108、

109、式中：表示位置探索模型，表示在仿真器中第個時刻探索到局部放電源節(jié)點對應(yīng)的狀態(tài)，表示在仿真器中第個時刻探索到局部放電源節(jié)點對應(yīng)的狀態(tài)，表示探索周期，。

110、進(jìn)一步地，所述位置搜索器還包括訓(xùn)練模塊，用于：

111、采用梯度策略對基于圖神經(jīng)網(wǎng)絡(luò)的啟發(fā)式學(xué)習(xí)器進(jìn)行訓(xùn)練，訓(xùn)練過程中采用的目標(biāo)函數(shù)為：

112、

113、式中：表示使用神經(jīng)引導(dǎo)擾動交錯的局部搜索算法探索局部放電源實際放電位置對應(yīng)的目標(biāo)函數(shù)，表示平衡與的參數(shù)，表示在啟發(fā)式度量影響下探索局部放電源實際放電位置的期望值，表示探索局部放電源實際放電位置時對應(yīng)的狀態(tài)空間，表示目標(biāo)函數(shù)；

114、其中，所述目標(biāo)函數(shù)的梯度為，公式表示為：

115、

116、式中：表示直接探索局部放電源實際放電位置的平均目標(biāo)值，表示使用神經(jīng)引導(dǎo)擾動交錯的局部搜索算法探索局部放電源實際放電位置的平均目標(biāo)值，表示在啟發(fā)式度量影響下探索局部放電源實際放電位置的梯度；

117、當(dāng)達(dá)到最大迭代次數(shù)或者未達(dá)到最大迭代次數(shù)但目標(biāo)函數(shù)時，訓(xùn)練結(jié)束，其中，表示目標(biāo)函數(shù)對應(yīng)的最小閾值。

118、進(jìn)一步地，所述迭代搜索模塊，用于：

119、局部搜索單元，用于采用局部搜索算法對所述位置探索模型進(jìn)行迭代搜索，獲得局部最優(yōu)解；

120、擾動單元，用于對當(dāng)前次迭代搜索獲得局部最優(yōu)解進(jìn)行神經(jīng)引導(dǎo)擾動，通過神經(jīng)引導(dǎo)擾動交錯的局部搜索得到當(dāng)前次迭代局部放電源實際放電位置的最優(yōu)探索方案；

121、信息素濃度更新單元，用于在所有局部放電源節(jié)點全部選擇后，更新各個局部放電源節(jié)點之間的信息素濃度；

122、探索單元，用于在迭代搜索達(dá)到迭代收斂條件時，確定局部放電源實際放電位置的最優(yōu)探索方案，并基于所述最優(yōu)探索方案實現(xiàn)局部放電源的實際放電位置匹配。

123、進(jìn)一步地，所述擾動單元探索當(dāng)前迭代局部放電源實際放電位置最優(yōu)探索方案的過程公式表示為：

124、

125、式中：表示經(jīng)過對局部最優(yōu)解進(jìn)行神經(jīng)引導(dǎo)擾動獲得的當(dāng)前次迭代局部放電源實際放電位置的最優(yōu)探索方案，為局部最優(yōu)解；表示擾動的移動次數(shù)，表示啟發(fā)式度量。

126、進(jìn)一步地，所述預(yù)警器中部署有故障分類模塊，所述故障分類模塊包括：

127、深層特征提取網(wǎng)絡(luò)，得到特高頻信號對應(yīng)的深層特征，其中，所述深層特征提取網(wǎng)絡(luò)包括特征提取網(wǎng)絡(luò)和輸出網(wǎng)絡(luò)，所述特征提取網(wǎng)絡(luò)由若干特征提取層疊加形成，每個所述特征提取層包括依次連接的通道注意力模塊和空間注意力模塊；

128、強(qiáng)化學(xué)習(xí)單元，用于利用所述深層特征構(gòu)建數(shù)據(jù)集，采用深度強(qiáng)化學(xué)習(xí)算法訓(xùn)練gis局部放電特征匹配馬爾可夫模型，得到最優(yōu)gis局部放電特征匹配結(jié)果；

129、預(yù)警單元，基于所述最優(yōu)gis局部放電特征匹配結(jié)果和局部放電源實際放電位置生成預(yù)警信息，進(jìn)行故障預(yù)警。

130、此外，本發(fā)明還提出了一種gis場-電融合實時狀態(tài)感知與預(yù)警方法，用于利用如上所述的gis場-電融合實時狀態(tài)感知與預(yù)警系統(tǒng)實現(xiàn)gis故障預(yù)警，所述方法包括：

131、根據(jù)預(yù)先篩選得到的強(qiáng)關(guān)聯(lián)特征監(jiān)測gis內(nèi)部電磁場信號包含局部放電信號時，得到包含局部放電信號時域波形圖和頻域波形圖的全時域波形圖；

132、基于gis局部放電的所述全時域波形圖對局部放電源進(jìn)行粗定位，并以粗定位結(jié)果作為初始注入點進(jìn)行仿真增強(qiáng)計算，得到局部放電源的仿真增強(qiáng)數(shù)據(jù)；

133、將根據(jù)所述全時域波形圖計算得到的實測放電強(qiáng)度與所述仿真增強(qiáng)結(jié)果進(jìn)行迭代搜索，得到局部放電源的實際放電位置；

134、基于所述時域全波形和包含局部放電源實際放電位置的預(yù)警信息進(jìn)行預(yù)警。

135、本發(fā)明的優(yōu)點在于：

136、（1）本發(fā)明基于預(yù)先篩選得到的強(qiáng)關(guān)聯(lián)特征為指標(biāo)對電磁場信號轉(zhuǎn)換的數(shù)字信號進(jìn)行檢測，并在確定監(jiān)測到局部放電信號時，實現(xiàn)采集高精度的gis局放的全時域波形圖；后基于gis局部放電的全時域波形圖對局部放電源進(jìn)行粗定位，將粗定位結(jié)果注入到仿真器中，用于模擬gis設(shè)備的局放現(xiàn)象并進(jìn)行仿真增強(qiáng)計算局部放電源的仿真增強(qiáng)數(shù)據(jù)，實現(xiàn)快速高精度的gis電磁場仿真；最后基于實時采集的全時域波形圖與仿真增強(qiáng)數(shù)據(jù)進(jìn)行迭代搜索，得到局部放電源的實際放電位置；基于實際放電位置等信息實現(xiàn)預(yù)警，因此本發(fā)明實現(xiàn)額基于gis場-電融合的高性能實時狀態(tài)感知與預(yù)警。

137、（2）本發(fā)明將多種檢測電磁場信號的時頻域特征代入到圖神經(jīng)網(wǎng)絡(luò)中，將各個時頻域特征作為圖神經(jīng)網(wǎng)絡(luò)的節(jié)點，節(jié)點之間的連線表示節(jié)點所代表特征之間的關(guān)聯(lián)，通過圖神經(jīng)網(wǎng)絡(luò)的迭代進(jìn)行關(guān)聯(lián)強(qiáng)度篩選，得到關(guān)聯(lián)度最高的特征，即強(qiáng)關(guān)聯(lián)特征，然后根據(jù)篩選得到的強(qiáng)關(guān)聯(lián)特征進(jìn)行局部放電信號的檢測，雖減小了計算量，但由于考慮了指標(biāo)間的相關(guān)性，所以并不會不影響局部放電信號檢測的準(zhǔn)確性，因此本發(fā)明在大大減少了計算量的前提下提高了局部放電信號檢測的準(zhǔn)確性。

138、（3）由于gis電磁場仿真更側(cè)重于設(shè)備和電磁場之間細(xì)節(jié)交互的精確模擬，本發(fā)明設(shè)計構(gòu)建了差分深度學(xué)習(xí)網(wǎng)絡(luò)模型，該差分深度學(xué)習(xí)網(wǎng)絡(luò)模型中采用了結(jié)合有差分算法的卷積對粗網(wǎng)格場強(qiáng)數(shù)據(jù)進(jìn)行處理，能夠精確模擬gis的電磁場分布，特別是在處理復(fù)雜的幾何結(jié)構(gòu)和邊界條件的情況下；并且利用深度學(xué)習(xí)網(wǎng)絡(luò)優(yōu)化仿真過程，提高仿真精度，同時加速仿真過程，有效縮短了設(shè)計和評估周期，從而兼顧了gis電磁仿真的精度和效率。

139、（4）本發(fā)明以初步計算的局部放電源為中心，提出其鄰域內(nèi)測量值最優(yōu)匹配的啟發(fā)式快速迭代搜索算法，把放電源最優(yōu)匹配位置的快速迭代搜索問題輸入圖神經(jīng)網(wǎng)絡(luò)，得到其啟發(fā)式度量，作為專家設(shè)計啟發(fā)式的代替，并基于此進(jìn)行蟻群算法迭代，蟻群算法框架下對構(gòu)造出來的解進(jìn)行局部搜索會得到更好的解，深度蟻群算法使用圖神經(jīng)網(wǎng)絡(luò)來生成啟發(fā)式度量，減少對專家知識的需求；并結(jié)合概率局部搜索，在這里使用神經(jīng)引導(dǎo)擾動交錯的局部搜索方法會實現(xiàn)更好的性能，以保證高效求解，實現(xiàn)放電源最優(yōu)匹配位置的快速迭代搜索。

140、本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。