本发明涉及电力系统，特别是一种基于声热成像的高压设备异常检测系统。
背景技术：
1、在现代工业生产中，高压设备作为电力传输和分配的核心组件，其稳定运行对确保电网安全及生产连续性至关重要，随着技术的不断进步，对高压设备状态监测的需求日益增长，旨在实现早期故障预警与精准定位，减少因突发故障导致的经济损失和安全事故，传统监测手段中的定期人工巡检和简单传感器监测已难以满足高效、精确的检测需求。
2、声发射技术能够捕捉到设备内部因材料应力变化、裂纹扩展引起的微弱声波信号，从而间接反映设备的健康状况，红外热成像则能够直观地显示设备表面温度分布，帮助识别过热区域，预防热故障的发生，然而，两种技术的数据分析通常是独立进行，缺乏有效的数据融合机制，限制了诊断精度和效率。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种基于声热成像的高压设备异常检测系统、装置、计算机设备及存储介质解决高压设备异常检测中声学与热成像数据融合不足，以及故障定位与类型识别精度不高的技术问题。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种基于声热成像的高压设备异常检测系统，其包括，数据同步采集模块：实时收集声学信号与热图像数据，通过时间戳同步使二者信息保持一致；声学信号处理与识别模块：运用深度学习算法分析声学信号，识别特定故障声纹，输出疑似故障类型及置信度评分；热成像处理与异常定位模块：分析热图像数据，识别异常高温区域，结合声学传播特性精确定位故障源；多模态数据分析融合模块：将声纹识别结果与热成像定位信息输入多模态深度学习网络，综合电气参数进行综合故障诊断；预警系统与维护策略生成模块：根据诊断结果触发预警系统，发送故障详情警报，并基于历史数据生成维护建议。
5、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：实时收集声学信号与热图像数据，通过时间戳同步使二者信息保持一致，具体操作步骤如下：
6、部署声学传感器阵列并同步开启热成像摄像头，实时采集声学信号和热成像数据；
7、为声学数据与热成像数据分配精确的时间戳，设计时间序列对齐算法，依据时间戳将声学数据与热图像帧严格对齐。
8、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：运用深度学习算法分析声学信号，识别特定故障声纹，进行余弦相似度计算，得到相似度向量，具体操作步骤如下：
9、将时间同步后的声学信号输入深度学习算法，得到增强后的频谱图；
10、提取增强后的频谱图中与局部放电故障相关的特征，输出增强后的特征向量；
11、建立包含典型故障声纹特征的数据库db＝{d1，d2，...，dn}，其中每个di代表一类已知故障的声纹特征模板；
12、对增强后的特征向量与声纹特征数据库中每个特征模板进行余弦相似度计算，得到相似度向量，表达式为：
13、
14、其中，i为当前故障类型，e(ts)为当前检测到的声纹特征向量，di为数据库中第i类故障的声纹模板，ts为当前时间点，∥e(ts)∥为声纹特征向量长度，∥di∥为第i类故障的声纹模板长度。
15、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：根据相似度向量，应用softmax函数计算各故障类型的置信度评分，表达式为：
16、
17、其中，n为故障类型总数，j为所有故障类型的索引变量，c(i，ts)为第i类故障在时间ts的发生概率；
18、根据得到的各故障类型的置信度评分，输出最高置信度对应的故障类型及其置信度值，找出最匹配的疑似故障类型。
19、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：分析热图像数据，识别异常高温区域，结合声学传播特性精确定位故障源，具体操作步骤如下：
20、应用基于环境参数的辐射校正模型对热成像数据进行校正，得到校正后的热图像；
21、对校正后的热图像进行灰度归一化、滤波和边缘增强处理，得到处理后的图像；
22、应用基于机器学习的分割算法，对处理后的图像进行训练，输出异常高温区域；
23、计算异常区域内每个像素点的温度梯度向量，确定热流方向；
24、寻找温度梯度向量场中的最大值点集，作为热源的初步候选位置集合；
25、基于声学信号传播时间差原理，对声学信号中的局部放电信号，计算不同传感器间信号到达时间差，结合声速，计算声源距离差；
26、结合声学距离差与热图像中热源初步位置，设计最小化误差函数，构建声热耦合三维定位模型，确定最终故障源坐标，表达式为：
27、
28、其中，k和l为遍历所有传感器的索引变量，p为遍历热图像中识别出的热源初步位置点，f为预测的故障源，xf为故障源的横坐标，yf为故障源的纵坐标，zf为故障源的高度坐标，xk为第k个传感器横坐标，yk为第k个传感器纵坐标，δdkl为声信号到达第k个和第l个传感器的实际声学距离差，α为调节声学信息和热图像信息之间的相对重要性的平衡因子，xp为热源初步位置点的横坐标，yp为热源初步位置点的纵坐标。
29、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：将声纹识别结果与热成像定位信息输入多模态深度学习网络，综合电气参数形成综合特征向量，具体操作步骤如下：
30、从声纹识别结果中提取包含疑似故障类型和置信度，形成故障类型置信度向量vf＝[c(1，ts)，c(2，ts)，...，c(n，ts)]t；
31、从热图像异常区域提取包括异常区域的形状参数和温度统计特征的故障源坐标向量vp＝[xf，yf，zf]t；
32、收集实时电气参数，通过小波变换提取异常波动特征，形成电气特征向量ve；
33、将声纹特征向量、热成像特征向量和电气特征向量拼接成综合特征向量vc＝[vf，vp，ve]。
34、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：构建神经网络模型，输入综合特征向量，输出故障类型的预测概率分布，表达式为：
35、
36、其中，ci为第i类故障，vc为拼接成的综合特征向量，β0为模型的截距项，βd为与综合特征向量中第d个特征相关的系数，m为特征向量的维度，vd为综合特征向量中的第d个特征值，p(ff(ts)＝ci|vc)为在时间ts，设备发生第i类故障的概率；
37、取概率分布中最大值所对应的故障类型ci作为最终预测的故障类型，表达式为：
38、
39、根据最终预测的故障类型，输出综合诊断结果。
40、作为本发明所述基于声热成像的高压设备异常检测系统的一种优选方案，其中：根据诊断结果触发预警系统，发送故障详情警报，并基于历史数据生成维护建议，具体操作步骤如下：
41、根据综合诊断的健康状态评分和故障类型，对紧急程度评分划分等级，设定低紧急程度阈值为θ1，中等紧急程度阈值为θ2，高紧急程度阈值为θ3，当紧急程度评分小于θ1时，正常进行日常维护，当紧急程度评分在θ1和θ2之间时，运维人员在规定时间内响应并启动初步调查，当紧急程度评分大于θ2时，立即启动应急预案，调度专业团队进行抢修；
42、定期回顾紧急程度划分的效果，根据评估结果和业务发展变化，适时调整阈值。
43、第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于声热成像的高压设备异常检测系统的任一步骤。
44、第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于声热成像的高压设备异常检测系统的任一步骤。
45、本发明有益效果为：通过同步采集声学与热图像数据并精确时间对齐，确保了监测数据的高精度关联，提升了诊断可靠性，运用深度学习的声学信号处理能有效识别故障声纹，结合余弦相似度计算输出故障类型及置信度，实现快速精准判断，热成像分析结合声学特性精确定位故障源，提高了定位精度及排查效率，多模态数据融合通过综合电气参数进行深度学习分析，构建全面的故障诊断体系，捕捉复杂故障模式，确保诊断的全面性和准确性。
1.一种基于声热成像的高压设备异常检测系统，其特征在于：包括，
2.如权利要求1所述的基于声热成像的高压设备异常检测系统，其特征在于：所述实时收集声学信号与热图像数据，通过时间戳同步使二者信息保持一致，具体操作步骤如下：
3.如权利要求1所述的基于声热成像的高压设备异常检测系统，其特征在于：运用深度学习算法分析声学信号，识别特定故障声纹，进行余弦相似度计算，得到相似度向量，具体操作步骤如下：
4.如权利要求3所述的基于声热成像的高压设备异常检测系统，其特征在于：根据相似度向量，应用softmax函数计算各故障类型的置信度评分，表达式为：
5.如权利要求1所述的基于声热成像的高压设备异常检测系统，其特征在于：分析热图像数据，识别异常高温区域，结合声学传播特性精确定位故障源，具体操作步骤如下：
6.如权利要求3和4所述的基于声热成像的高压设备异常检测系统，其特征在于：将声纹识别结果与热成像定位信息输入多模态深度学习网络，综合电气参数形成综合特征向量，具体操作步骤如下：
7.如权利要求5所述的基于声热成像的高压设备异常检测系统，其特征在于：构建神经网络模型，输入综合特征向量，输出故障类型的预测概率分布，表达式为：
8.如权利要求7所述的基于声热成像的高压设备异常检测系统，其特征在于：根据诊断结果触发预警系统，发送故障详情警报，并基于历史数据生成维护建议，具体操作步骤如下：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～8任一所述的基于声热成像的高压设备异常检测系统的步骤。
10.一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：所述计算机程序被处理器执行时实现权利要求1～8任一所述的基于声热成像的高压设备异常检测系统的步骤。
