1.一种特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,具体包括如下步骤:采集换流变有载分接开关OLTC多视图的原始数据样本,通过构建的双特征编码器从所述原始数据样本中提取出每个视图的共享特征和私有特征;
构建基于共享特征、私有特征以及标签的特征-标签协同解耦模型将标签划分为共享标签和私有标签,并将共享标签和共享特征、私有标签和私有特征进行一致性对齐后,生成共享标签集和私有标签集,具体包括:为每个标签设定一个可学习的语义嵌入,对于每个视图和每个标,将该视图的共享与私有特征向量与标签语义嵌入拼接,生成联合感知标签:;
利用 MLP 网络提取非线性语义特征:
;
构建标签-视图权重获取每个标签在不同视图下的共享概率以及度量跨视图稳定性的方差项,用以生成标签共享性评估模型;
根据所述标签共享性评估模型与预先构建的阈值关系将标签划分为共享标签和私有标签;
其中,共享概率表示为:
;
方差项表示为:
;
共享性评估模型用表示,含义为样本的标签属于共享标签的概率:;
上式中,表示第个样本第个标签在第个视图下的标签向量,且,即维度为3倍的潜在特征维度,表示在最后一个维度进行特征拼接操作,表示第个样本第个标签在第个视图下的共享特征向量,表示第个样本第个标签在第个视图下的私有特征向量,,表示第个样本对应第标签在第个视图下强度值,是激活函数,和表示网络权重矩阵,表示网络偏置项,对应为两层线性变换的偏移量参数,为平衡系数,表示第个样本第个标签的方差项,表示第个样本的第个视图的缺失视图索引值;
通过双支标签预测模型分别输出共享标签集的预测概率和私有标签集的预测概率,在标签维度上进行拼接后,生成原始数据样本的最终预测标签,并输出OLTC的复合故障诊断结果。
2.在根据权利要求1所述的特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,构建的双特征编码器具体为两个不同的堆叠编码器,表示为:;
上式中,为某一视图,为视图总数,为原始数据样本,为提取到第个视图的共享特征,为提取到第个视图的私有特征,为第个视图的共享编码器,第个视图的私有编码器。
3.根据权利要求2所述的特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,构建双特征编码器之后,还包括为每个视图分配一个特征重构解码器:;
通过解码器网络获得第个视图的重构数据;
多视图原始数据重构损失如下:
;
上式中,表示潜在空间维度,表示第个样本的原始特征,表示第个样本的重构特征,表示第个样本的第个视图的缺失视图索引值。
4.根据权利要求3所述的特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,通过构建的双特征编码器从所述原始数据样本中提取出每个视图的共享特征和私有特征的步骤还包括在所述双特征编码器中融合实例级对比学习损失函数和类别级对比学习损失函数;
所述实例级对比学习损失函数由正样本对损失和负样本对损失函数构成,所述正样本对损失由基于每个视图的共享特征和同一样本实例的其他视图的共享特征形成的正样本相似度生成;所述负样本损失由私有特征形成的负样本相似度生成;
所述类别级对比学习损失函数由多视图的相关性矩阵与标签嵌入信息构成。
5.根据权利要求4所述的特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,将共享标签和共享特征、私有标签和私有特征进行一致性对齐后,生成共享标签集和私有标签集的步骤具体包括:对于第个样本,加权融合后的共享特征和私有特征分别表示为:;
获取多视图标签向量的一致性表达:
;
基于投影网络,将共享特征、私有特征和标签嵌入到同一潜在空间:;
分别计算出共享通路和私有通路的标签–特征残差实现一致性对齐后,生成共享标签集和私有标签集;
共享通路和私有通路的标签–特征残差表示为:
;
其中,为样本的标签属于共享标签的概率。
6.根据权利要求5所述的特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,通过双支标签预测模型分别输出共享标签集的预测概率和私有标签集的预测概率,在标签维度上进行拼接后,生成原始数据样本的最终预测标签的步骤具体包括:将每个视图的共享特征输入双支标签预测模型共享分类器,得到对共享标签集合的预测概率;
将每个视图的私有特征通过双支标签预测模型中独立的私有分类器进行预测,用于私有标签集合;
将私有特征的预测结果进行加权融合得到:
;
根据共享标签集和私有标签集的生成结果,在标签维度上进行拼接,形成样本的最终预测标签。
7.根据权利要求6所述的特征-标签协同解耦的OLTC复合故障诊断方法,其特征在于,通过双支标签预测模型分别输出共享标签集的预测概率和私有标签集的预测概率,在标签维度上进行拼接后,生成原始数据样本的最终预测标签的步骤还包括采用二元交叉熵损失分别计算共享标签集与私有标签集的分类误差。
8.一种特征-标签协同解耦的OLTC复合故障诊断装置,应用于执行如权利要求1-7任一项所述的OLTC复合故障诊断方法,其特征在于,具体包括:数据采集模块,用于采集换流变有载分接开关OLTC多视图的原始数据样本;
特征提取模块,用于通过构建的双特征编码器从所述原始数据样本中提取出每个视图的共享特征和私有特征;
标签生成模块,用于构建基于共享特征、私有特征以及标签的特征-标签协同解耦模型将标签划分为共享标签和私有标签,并将共享标签和共享特征、私有标签和私有特征进行一致性对齐后,生成共享标签集和私有标签集;
预测输出模块,用于通过双支标签预测模型分别输出共享标签集的预测概率和私有标签集的预测概率,在标签维度上进行拼接后,生成原始数据样本的最终预测标签,并输出OLTC的复合故障诊断结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1~7任一项所述的方法。