1.高原新能源场站边缘计算设备智能诊断方法,其特征在于,包括以下步骤:S1:智能诊断训练数据集构建,在高原新能源场站部署分布式传感器网络与在线监测系统,全面采集设备本体状态参数与环境工况参数,同时对所有采集的原始时序数据进行严格清洗,剔除异常值与缺失样本,后续对采集到的数据进行标注,由领域专家结合设备故障历史记录、停机检修报告及在线诊断结果,对每个样本进行故障类别标注,标注类别涵盖绝缘老化、功率模块过热、电容容值衰减、触点机械疲劳、连接器氧化、PCB热变形高原典型故障模式,最终构建包含N个样本的训练数据集,每个样本由7维设备本体状态特征向量和9维环境工况特征向量组成,并附带对应的故障类别标签;
S2:环境设备耦合特征编码,输入设备本体状态矩阵和环境工况矩阵,计算环境绝对温度,基于环境绝对温度和沙尘浓度构建三维耦合张量量化耦合强度,然后执行张量矩阵乘积运算生成耦合特征矩阵;
S3:设备诊断模型训练,使用设备特征投影矩阵对耦合特征矩阵进行线性变换,生成掩码后通过哈达玛积得到解耦设备特征矩阵,同时使用环境特征投影矩阵生成互补掩码,通过哈达玛积得到解耦环境特征矩阵,并应用互信息最小化约束强制特征统计独立;
S4:设备智能诊断,将上述处理后的数据输入训练好的诊断模型进行判断。
2.如权利要求1所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述步骤S1中设备本体状态数据包括逆变器温度、IGBT结温、滤波电容等效电阻、继电器触点磨损量、绝缘阻抗值、接触电阻、PCB板形变量关键运行指标,通过高精度温度传感器、电阻测量单元、形变监测仪实时获取。
3.如权利要求1所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述步骤S1中环境工况数据同步采集海拔高度、氧气浓度、紫外线强度、沙尘浓度、温度日较差、风速方差、太阳辐照度梯度、降雨量以及设备启停循环次数这些高原特有环境应力参数,利用气象站、气体传感器、粉尘监测仪及设备运行日志记录。
4.如权利要求1所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述步骤S2中的具体操作有以下步骤:(1)数据对齐处理,将原始输入数据划分为设备本体状态矩阵和环境工况矩阵,对齐样本时序,得到设备本体状态和环境工况的矩阵表示,表示为:式中,为设备本体状态矩阵;
为环境工况矩阵;
在设备本体状态矩阵中,每一行为单条样本的设备本体状态类属性,包括:为逆变器温度,反映功率模块热状态;
为IGBT结温,表征半导体器件工作点;
为滤波电容等效电阻,指示容值衰减程度;
为继电器触点磨损量,量化机械寿命消耗;
为绝缘阻抗值,检测潮湿老化程度;
为接触电阻,反映连接器氧化状态;
为PCB板形变量,监测热应力变形;
各属性中,右上角标代表样本索引,即,为第1个样本的逆变器温度,为第N个样本的逆变器温度,为第1个样本的PCB板形变量,为第N个样本的PCB板形变量;
N为样本总数量;
同样的,在环境工况矩阵中,每一行为单条样本的环境工况类属性,包括:为海拔高度,影响空气密度与散热效率;
为氧气浓度,关联元器件氧化速率;
为紫外线强度,加速材料光老化;
为沙尘浓度,导致接触不良与散热阻塞;
为温度日较差,反映昼夜温差应力;
为风速方差,表征机械振动强度;
为太阳辐照度梯度,引发功率波动;
为降雨量,影响设备湿度与腐蚀;
为设备启停循环次数,累积机械疲劳;
各属性中,右上角标代表样本索引,即,为第1个样本的海拔高度,为第N个样本的海拔高度,为第1个样本的设备启停循环次数,为第N个样本的设备启停循环次数;
(2)、环境绝对温度计算,使用温度日较差的最大值和最小值计算环境绝对温度,用于后续阿伦尼乌斯方程计算,表示为:式中,为环境绝对温度,用于阿伦尼乌斯方程计算;
为温度日较差,表征单日最高与最低温度差值;
为最大值函数,返回输入集合中的最大值;
为最小值函数,返回输入集合中的最小值;
(3)、耦合张量构建,基于环境绝对温度和沙尘浓度,结合故障活化能和吸附系数,构建三维耦合张量来量化环境与设备特征的耦合强度,表示为:式中,为三维耦合张量,为三维耦合张量的位置特征值,即耦合张量中第个设备特征、第个环境特征、第个故障模式的耦合系数值;
为设备特征维度索引,对应的7列;
为环境特征维度索引,对应的9列;
为故障模式索引,标识不同故障类型,为故障模式的总数;
为第类故障的活化能;
为气体常数,用于热力学模型,设置为8.314;
为第类设备元件的沙尘吸附系数,量化沙尘附着倾向;
(4)、耦合特征生成,通过张量乘积算子将设备本体状态矩阵和环境工况矩阵与耦合张量结合,执行张量矩阵乘积运算,生成耦合特征矩阵,表示为:式中,为耦合特征矩阵;
为张量乘积算子,定义;
为设备本体状态矩阵中第个样本第个特征的值;
为张量的转置矩阵。
5.如权利要求1所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述步骤S3中的设备诊断模型训练包括动态特征解耦层、多尺度残差注意力模块、全连接分类层、计算损失函数以及模型迭代与参数更新五个步骤。
6.如权利要求5所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述动态特征解耦层的具体步骤如下:(1)、设备特征通道解耦,使用设备特征投影矩阵对耦合特征矩阵进行线性变换,应用Sigmoid激活函数生成掩码,然后与耦合特征矩阵进行哈达玛积,得到解耦设备特征矩阵,保留设备退化相关信息,表示为:式中,为设备特征投影矩阵,学习设备退化特征的权重分布;
为Sigmoid激活函数;
为哈达玛积;
为解耦设备特征矩阵,保留设备退化相关信息;
(2)、环境特征通道解耦,使用环境特征投影矩阵生成互补掩码,通过环境特征掩码生成器计算,然后与耦合特征矩阵进行哈达玛积,得到解耦环境特征矩阵,包含环境噪声信息,表示为:式中,为环境特征投影矩阵,学习环境干扰特征的权重分布;
表示环境特征掩码生成器,与设备掩码互补;
为解耦环境特征矩阵,包含环境噪声信息;
(3)、互信息最小化约束,通过计算设备特征和环境特征的条件概率与边缘概率的对数比,生成互信息损失项,用于强制设备特征和环境特征统计独立,表示为:式中,为互信息损失项,用于约束特征解耦过程;
为特征维度数;
为设备特征矩阵第维特征向量;
为环境特征矩阵第维特征向量;
为条件概率分布,衡量特征间依赖性;
为边缘概率分布,衡量特征独立分布;
为对数概率比,最小化该值使特征统计独立。
7.如权利要求6所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述多尺度残差注意力模块是对设备特征矩阵执行不同时间尺度的空洞卷积运算生成级联的多尺度特征矩阵,将设备特征矩阵投影到查询和键空间计算时间相关性权重矩阵,通过相乘和残差连接得到增强的多尺度特征输出,具体步骤如下:(1)、多尺度时序特征提取,对设备特征矩阵并行执行不同时间尺度的空洞卷积运算,包括短时、中时和长时尺度,生成级联的多尺度特征矩阵,表示为:式中,为时间尺度参数,分别对应短/中/长时特征;
为空洞卷积膨胀率,随增大而增大;
为空洞卷积运算;
为级联的多尺度特征矩阵;
(2)、自适应注意力权重计算,将设备特征矩阵投影到查询和键空间,计算缩放点积,应用归一化指数函数,生成时间步间相关性权重矩阵,表示为:式中,为查询投影矩阵,映射特征到查询空间,表示投影后的查询特征;
为键投影矩阵,映射特征到键空间,表示投影后的键特征;
为键向量维度;
为归一化指数函数;
为时间步间相关性权重矩阵;
(3)、特征融合与残差连接,将时间相关性权重矩阵与多尺度特征矩阵相乘,然后与设备特征矩阵相加,进行层归一化,得到增强的多尺度特征输出,表示为:式中,为层归一化操作,稳定特征分布;
为增强多尺度特征输出。
8.如权利要求7所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述全连接分类层是将多尺度残差注意力层输出的增强多尺度特征矩阵输入至全连接分类层。
9.如权利要求8所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述计算损失函数是基于故障类别的先验概率计算自适应类别权重系数平衡类别分布,对设备特征矩阵应用L2,1范数生成特征稀疏正则化损失项,并集成到整体损失函数中,具体步骤如下:(1)、自适应类别权重计算,根据故障类别的先验概率和温度系数,计算指数权重,生成自适应类别权重系数以平衡类别分布,表示为:式中,为第类故障的权重系数,用于平衡类别分布;
为第类故障在训练集的先验概率;
为第类故障在训练集的先验概率;
为温度系数,,值越小对稀疏类别偏好越强,;
为故障总类别数;
为指数函数,放大稀疏类别的权重差异;
(2)、特征稀疏正则化;对设备特征矩阵应用L2,1范数,生成特征稀疏正则化损失项,迫使特征矩阵行方向稀疏,表示为:式中,为范数,迫使特征矩阵行方向稀疏;
为设备特征矩阵;
为稀疏强度系数,,控制正则化贡献比例;
为特征稀疏正则化损失项;
(3)、损失函数集成,结合自适应类别权重加权的交叉熵损失和特征稀疏正则化损失,形成整体损失函数,表示为:式中,为整体损失;
为第类故障的真实标签;
为模型预测的第类故障概率。
10.如权利要求9所述的高原新能源场站边缘计算设备智能诊断方法,其特征在于:所述模型迭代与参数更新是采用随机梯度下降算法对模型所有参数进行迭代优化。