一种基于多维数据融合的变压器套管缺陷监测方法及系统

1.一种基于多维数据融合的变压器套管缺陷监测方法，其特征在于，包括：根据预设的采集频率采集变压器套管内部多个监测点的压力数据序列和温度数据序列，并基于滑动窗口机制建立包含监测点位置、采集时间点、压力和温度的多维数据矩阵；根据所述多维数据矩阵获取每个监测点在各个采集时间点的压力变化率，并在根据压力变化率判定触发压力场重构事件时，获取压力场重构的起始监测点和起始时间点；基于所述起始时间点和所述多维数据矩阵获取每个监测点的温度变化相对于压力变化的时间延迟系数，并建立包含监测点位置和时间延迟系数的响应时间差异矩阵；基于所述起始监测点和所述响应时间差异矩阵对所述多维数据矩阵中的温度数据序列进行时序校正，获得校正数据矩阵；基于所述起始监测点和所述校正数据矩阵建立变压器套管内部的油位变化与压力、温度之间的动态关联模型，并确定所述动态关联模型中的压力和温度的权重分配方案；根据所述动态关联模型和所述权重分配方案，对实时采集的压力数据序列和温度数据序列进行多维数据融合，建立包含压力、温度和油位变化的多维特征向量，并根据所述多维特征向量进行变压器套管缺陷监测，获得监测结果；其中，所述监测结果包括缺陷类型及其严重程度。 2.如权利要求1所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述根据预设的采集频率采集变压器套管内部多个监测点的压力数据序列和温度数据序列，并基于滑动窗口机制建立包含监测点位置、采集时间点、压力和温度的多维数据矩阵，具体包括：根据预设的采集频率采集变压器套管内部多个监测点的压力数据和温度数据，并记录对应的监测点位置和采集时间点，获得原始压力数据序列和原始温度数据序列；对所述原始压力数据序列和所述原始温度数据序列进行校验，获得校验通过的有效压力数据序列和有效温度数据序列；其中，所述校验包括异常数据剔除；针对所述有效压力数据序列和所述有效温度数据序列，按照监测点位置和采集时间点进行排序整理，并基于滑动窗口机制建立包含监测点位置、采集时间点、压力和温度的初始数据矩阵；对所述初始数据矩阵中的每个监测点在相同采集时间点的压力数据和温度数据进行数据对齐处理，获得包含监测点位置、采集时间点、压力和温度的多维数据矩阵。 3.如权利要求1所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述根据所述多维数据矩阵获取每个监测点在各个采集时间点的压力变化率，并在根据压力变化率判定触发压力场重构事件时，获取压力场重构的起始监测点和起始时间点，具体包括：根据所述多维数据矩阵获取每个监测点在各个采集时间点的压力变化率；当任一监测点在任一采集时间点的压力变化率超过预设的压力波动阈值时，将对应的采集时间点标记为异常时间点，将对应的监测点标记为异常监测点；当任一异常监测点存在连续多个异常时间点时，判定触发压力场重构事件，并将对应的异常监测点作为压力场重构的起始监测点，将所述起始监测点的第一个异常时间点作为压力场重构的起始时间点。 4.如权利要求1所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述基于所述起始时间点和所述多维数据矩阵获取每个监测点的温度变化相对于压力变化的时间延迟系数，并建立包含监测点位置和时间延迟系数的响应时间差异矩阵，具体包括：从所述多维数据矩阵中提取每个监测点在所述起始时间点前后各预设时长内的压力数据序列和温度数据序列；针对同一监测点，以预设时间步长将提取到的温度数据序列在时间轴上相对于压力数据序列进行逐步时间平移，并基于皮尔森相关系数计算每次平移后的温度数据序列与压力数据序列之间的相关系数，将相关系数达到最大值时对应的总平移时间作为对应的监测点的温度变化相对于压力变化的时间延迟系数；根据所有监测点的时间延迟系数建立包含监测点位置及其时间延迟系数的响应时间差异矩阵。 5.如权利要求1所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述基于所述起始监测点和所述响应时间差异矩阵对所述多维数据矩阵中的温度数据序列进行时序校正，获得校正数据矩阵，具体包括：从所述多维数据矩阵中提取所述起始监测点的压力数据序列作为基准序列，并提取每个监测点的温度数据序列作为待校正温度序列；根据所述响应时间差异矩阵中的每个监测点的时间延迟系数对同一个监测点的待校正温度序列进行时间轴平移校正，获得每个监测点的中间温度序列；采用动态时间规整算法，分别计算每个监测点的中间温度序列与所述基准序列在各个采集时间点的最优匹配关系；根据每个监测点对应的最优匹配关系对同一个监测点的中间温度序列进行时间轴对齐校正，获得每个监测点的校正后温度序列；根据每个监测点的校正后温度序列对所述多维数据矩阵进行更新，获得校正数据矩阵。 6.如权利要求5所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述基于所述起始监测点和所述校正数据矩阵建立变压器套管内部的油位变化与压力、温度之间的动态关联模型，并确定所述动态关联模型中的压力和温度的权重分配方案，具体包括：根据所述校正数据矩阵中的每个监测点的压力数据序列和校正后温度序列，采用流体力学原理推算变压器套管内部的油位变化序列；基于皮尔森相关系数分别计算所述油位变化序列与所述起始监测点的压力数据序列、每个监测点的校正后温度序列之间的相关系数；将计算获得的每个相关系数与预设的关联阈值进行比较，当任一相关系数小于所述关联阈值时，将对应的相关系数关联的压力数据序列或校正后温度序列的权重调整为对应的相关系数与所述关联阈值的比值，否则，保持初始权重不变，以获得所述起始监测点的压力数据序列和每个监测点的校正后温度序列的权重分配方案；根据所述权重分配方案对所述起始监测点的压力数据序列和每个监测点的校正后温度序列进行加权融合处理，得到综合参数序列；采用最小二乘法建立所述油位变化序列与所述综合参数序列之间的线性对应关系，以获得变压器套管内部的油位变化与压力、温度之间的动态关联模型。 7.如权利要求6所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述根据所述动态关联模型和所述权重分配方案，对实时采集的压力数据序列和温度数据序列进行多维数据融合，建立包含压力、温度和油位变化的多维特征向量，并根据所述多维特征向量进行变压器套管缺陷监测，获得监测结果，具体包括：根据所述权重分配方案分别对所述起始监测点的压力数据序列和每个监测点的校正后温度序列进行加权处理，获得所述起始监测点的加权压力特征和每个监测点的加权温度特征；将所述起始监测点的加权压力特征和每个监测点的加权温度特征输入所述动态关联模型，获得油位变化特征；根据所述起始监测点的加权压力特征、每个监测点的加权温度特征和所述油位变化特征，建立标准特征向量；以所述标准特征向量的结构为标准，对实时采集的压力数据序列和温度数据序列进行多维数据融合，建立包含压力、温度和油位变化的多维特征向量；将所述多维特征向量输入训练好的缺陷识别模型中，获得所述多维特征向量被识别为各个缺陷类别的置信度；根据所述多维特征向量被识别为各个缺陷类别的置信度，判断变压器套管是否存在与缺陷类别对应的缺陷类型，若存在，则根据对应的置信度确定缺陷类型的严重程度，以根据存在的缺陷类型及其严重程度获得监测结果。 8.如权利要求1所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述方法还包括：根据历史监测数据库对所述监测结果中包含的缺陷类型进行缺陷演化趋势分析，并根据分析结果和所述监测结果触发对应的缺陷预警机制。 9.如权利要求8所述的基于多维数据融合的变压器套管缺陷监测方法，其特征在于，所述根据历史监测数据库对所述监测结果中包含的缺陷类型进行缺陷演化趋势分析，并根据分析结果和所述监测结果触发对应的缺陷预警机制，具体包括：以所述监测结果中包含的缺陷类型为目标缺陷，从历史监测数据库提取所述目标缺陷的同类型缺陷对应的历史记录数据；其中，所述历史记录数据包括所述同类型缺陷被识别的每个时间点及其严重程度；根据所述历史记录数据进行缺陷演化趋势分析，获得所述目标缺陷的平均演化速度；以所述监测结果中包含的所述目标缺陷的严重程度为当前严重程度，根据所述平均演化速度预测所述目标缺陷从所述当前严重程度达到最高严重程度所需的恶化时间；根据所述恶化时间和所述当前严重程度触发对应的缺陷预警机制；其中，缺陷预警机制基于不同的恶化时间和不同的当前严重程度被划分成不同的预警级别。 10.一种基于多维数据融合的变压器套管缺陷监测系统，其特征在于，包括：多维数据矩阵建立模块，用于根据预设的采集频率采集变压器套管内部多个监测点的压力数据序列和温度数据序列，并基于滑动窗口机制建立包含监测点位置、采集时间点、压力和温度的多维数据矩阵；压力场重构识别模块，用于根据所述多维数据矩阵获取每个监测点在各个采集时间点的压力变化率，并在根据压力变化率判定触发压力场重构事件时，获取压力场重构的起始监测点和起始时间点；响应时间差异矩阵建立模块，用于基于所述起始时间点和所述多维数据矩阵获取每个监测点的温度变化相对于压力变化的时间延迟系数，并建立包含监测点位置和时间延迟系数的响应时间差异矩阵；温度序列时序校正模块，用于基于所述起始监测点和所述响应时间差异矩阵对所述多维数据矩阵中的温度数据序列进行时序校正，获得校正数据矩阵；关联模型及权重获取模块，用于基于所述起始监测点和所述校正数据矩阵建立变压器套管内部的油位变化与压力、温度之间的动态关联模型，并确定所述动态关联模型中的压力和温度的权重分配方案；变压器套管缺陷监测模块，用于根据所述动态关联模型和所述权重分配方案，对实时采集的压力数据序列和温度数据序列进行多维数据融合，建立包含压力、温度和油位变化的多维特征向量，并根据所述多维特征向量进行变压器套管缺陷监测，获得监测结果；其中，所述监测结果包括缺陷类型及其严重程度。