本發明涉及高壓開關設備智能保護，具體是指一種高壓開關柜防誤操作方法及其系統。
背景技術：
1、高壓開關柜防誤操作方法及其系統是通過采用先進的智能技術，對高壓開關柜的操作進行實時監控與控制，旨在防止因人為錯誤或操作不當引發的電力設備故障或事故，該系統通過數據采集和智能分析，實時監控操作人員行為，確保操作安全，降低故障發生率，保障高壓開關柜的安全、穩定運行。
2、然而，傳統的高壓開關柜防誤操作方法在誤操作檢測時存在未引入初步分析機制，直接依賴固定閾值或單一維度規則判斷，對多源異構數據的動態關聯性挖掘不足，易受傳感器噪聲和工況波動干擾，且未建立置信度評估體系，導致誤判漏判風險隨系統復雜度提升而加劇的技術問題；傳統的高壓開關柜防誤操作方法在誤操作檢測時存在多采用單一信號分析或淺層分類器，忽略機電系統的強耦合特性，無法建模電氣暫態過程與機械動作的時空關聯，且缺乏物理規律約束，易學習到違背設備運行機理的偽特征，導致在復雜工況下檢測穩定性差的技術問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本發明提供了一種高壓開關柜防誤操作方法及其系統，針對傳統的高壓開關柜防誤操作方法在誤操作檢測時存在未引入初步分析機制，直接依賴固定閾值或單一維度規則判斷，對多源異構數據的動態關聯性挖掘不足，易受傳感器噪聲和工況波動干擾，且未建立置信度評估體系，導致誤判漏判風險隨系統復雜度提升而加劇的技術問題，本方案創造性地采用了改進聚類模型進行誤操作初步分析，為后續深度模型提供高置信度的數據先驗，有效降低復雜模型的過擬合風險，通過融合物理約束與動態相似度度量，能夠在無監督條件下精準識別誤操作模式，同時引入時序驗證和置信度權重，增強了分析結果的可解釋性和抗干擾能力；針對傳統的高壓開關柜防誤操作方法在誤操作檢測時存在多采用單一信號分析或淺層分類器，忽略機電系統的強耦合特性，無法建模電氣暫態過程與機械動作的時空關聯，且缺乏物理規律約束，易學習到違背設備運行機理的偽特征，導致在復雜工況下檢測穩定性差的技術問題，本方案創造性地采用了電氣-機械雙流深度網絡模型作為誤操作檢測模型，針對高壓開關柜誤操作具有的強時序關聯性和機電耦合特性，將物理機理嵌入模型結構，在特征提取層引入運動學約束和電磁暫態方程，提高特征表征的物理合理性，同時通過注意力機制強化關鍵操作階段的特征響應，保持高檢測精度的同時提升了模型泛化能力。
2、本發明采取的技術方案如下：本發明提供的一種高壓開關柜防誤操作方法，該方法包括以下步驟：
3、步驟s1：多源數據采集；
4、步驟s2：數據粗處理；
5、步驟s3：誤操作初步分析；
6、步驟s4：構建誤操作檢測模型；
7、步驟s5：高壓開關柜誤操作檢測。
8、進一步地，在步驟s1中，所述多源數據采集，用于采集高壓開關柜誤操作檢測所需的原始數據，具體為通過進行數據采集，得到防誤操作原始數據集，所述防誤操作原始數據集，具體包括歷史防誤原始數據集和當前防誤原始數據集，所述歷史防誤原始數據集和所述當前防誤原始數據集，都包括電氣量數據、機械量數據、時間戳數據、設備溫度數據和環境數據，所述歷史防誤原始數據集，還包括操作記錄數據和誤操作類型標簽數據。
9、進一步地，在步驟s2中，所述數據粗處理，用于對采集到的原始數據進行粗處理，具體包括以下步驟：
10、步驟s21：數據清洗，用于清洗數據，具體為通過去除所述歷史防誤原始數據集和所述當前防誤原始數據集中的缺失值和異常值，得到初步歷史原始數據集和初步當前原始數據集；
11、步驟s22：多源數據同步，用于消除跨傳感器采集時延，具體為通過互相關算法和頻域驗證對所述初步歷史原始數據集和所述初步當前原始數據集進行處理，得到對齊歷史原始數據集和對齊當前原始數據集；
12、步驟s23：誤操作特征增強，用于緩解樣本不均衡問題，具體為通過物理機理引導的數據增強方法對所述對齊歷史原始數據集和所述對齊當前原始數據集進行處理，得到增強歷史原始數據集和增強當前原始數據集；
13、步驟s24：數據標準化，用于進行數據標準化，具體為通過z-score標準化方法對所述增強歷史原始數據集和所述增強當前原始數據集進行標準化，得到標準化歷史集和標準化當前集；
14、步驟s25：數據集分割，用于分割數據集，具體為將所述標準化歷史集分割為防誤訓練集和防誤測試集。
15、進一步地，在步驟s3中，所述誤操作初步分析，用于初步分析誤操作模式，具體為構建改進聚類模型，并采用所述改進聚類模型進行誤操作初步分析，得到誤操作置信度權重，所述改進聚類模型，具體為帶有物理約束的譜聚類模型；
16、所述誤操作初步分析，具體包括以下步驟：
17、步驟s31：動態相似度計算，用于構建領域知識引導的相似度度量，具體為通過融合時序對齊距離和物理場相似度，得到適應高壓開關柜特性的相似度矩陣，步驟包括：
18、步驟s311：時序相似度度量，具體為通過采用動態時間規整方法對齊特征序列，得到時序相似度；
19、步驟s312：物理場相似度度量，具體為通過采用余弦相似度和高斯核函數，計算物理場相似度；
20、步驟s313：構建相似度矩陣，具體為基于時序相似度與物理場相似度，綜合加權獲取動態相似度，并基于動態相似度構建相似度矩陣；
21、步驟s32：密度感知譜聚類，用于加強識別局部誤操作模式，具體為在拉普拉斯矩陣中引入局部密度比，采用譜聚類得到考慮設備運行工況分布的聚類標簽，步驟包括：
22、步驟s321：構建拉普拉斯矩陣，引入局部密度比，用于抑制高密度區域誤判，具體為基于高斯核函數計算局部密度比調整相似度權重，得到拉普拉斯矩陣；
23、步驟s322：時序約束投影，用于保持操作過程連續性，具體為在低維嵌入空間中加入時序正則項，得到物理合理的特征分布，所用公式如下：
24、；
25、式中，表示優化后的低維投影矩陣，表示矩陣的跡計算函數，sa表示樣本總數，表示第i次操作的時間戳，la表示拉普拉斯矩陣，u表示待優化低維投影矩陣，t表示轉置操作，表示計算歐幾里得范數；
26、步驟s323：進行聚類，具體為采用優化后的低維投影矩陣將樣本的特征投影到低維空間，得到特征向量矩陣，并采用k-means聚類方法進行聚類，得到聚類標簽；
27、步驟s33：動作時序驗證，用于消除物理不可行結果，具體為通過運動學方程校驗分閘操作時間序列，采用峰值檢測算法驗證合閘分閘動作間隔，得到經過物理規則過濾后的聚類結果；
28、步驟s34：置信度權重生成，用于生成誤操作置信度權重；
29、步驟s35：初步分析，具體為通過所述動態相似度計算、所述密度感知譜聚類、所述動作時序驗證和所述置信度權重生成，進行改進聚類模型的構建，并將所述標準化當前集、所述防誤訓練集和所述防誤測試集分別作為所述改進聚類模型的輸入，進行誤操作初步分析，得到的誤操作置信度權重分別并入到所述標準化當前集、所述防誤訓練集和所述防誤測試集中，得到當前防誤數據集、處理后防誤訓練集和處理后防誤測試集。
30、進一步地，在步驟s4中，所述構建誤操作檢測模型，用于構建高壓開關柜誤操作檢測所需的模型，具體為構建電氣-機械雙流深度網絡模型，作為誤操作檢測模型；
31、所述構建誤操作檢測模型，具體包括以下步驟：
32、步驟s41：機械分支構建，用于構建機械分支，具體為通過設計包含運動學模版約束的因果卷積，進行機械分支的構建，步驟包括：
33、步驟s411：運動學模版生成，用于生成作為因果卷積約束的運動學模版，具體為基于動力學特性構建運動學模版；
34、步驟s412：物理時序約束編碼，具體為通過基于運動學模版約束的因果卷積，確保特征提取遵循先觸發后動作的物理時序邏輯；
35、步驟s413：自適應特征選擇，用于基于全局特征自動強化誤操作時間段的響應，具體為通過動態門控機制處理物理時序特征；
36、步驟s42：電氣分支構建，用于構建電氣分支，具體為通過構建帶有電磁暫態約束的長短期記憶網絡，進行電氣分支的構建，步驟包括：
37、步驟s421：電磁暫態約束項獲取，具體為基于基爾霍夫電壓定律獲取電磁暫態約束項；
38、步驟s422：長短期記憶網絡狀態修正，具體為在長短期記憶網絡輸出門引入電磁暫態約束項修正隱藏狀態；
39、步驟s43：多模態注意力融合，用于電氣-機械特征交互，具體為通過操作階段感知的注意力機制強化關鍵特征響應，步驟包括：
40、步驟s431：操作階段劃分，用于劃分標準分閘過程時間窗，具體為將標準分閘過程劃分為四個階段，具體包括脫扣啟動、觸頭分離、電弧燃燒和完全分斷；
41、步驟s432：階段注意力生成，用于生成階段注意力，所用公式如下：
42、；
43、式中，表示第階段的階段注意力，表示sigmoid函數，表示第階段的中心時間，表示第階段的階段過渡時間常數，表示硬雙曲正切函數，表示第階段的開始時間步，表示第階段的結束時間步，t表示時間步；
44、步驟s433：獲取融合特征，具體為基于階段注意力獲取電氣-機械融合特征；
45、步驟s44：獲取模型輸出，具體為通過全連接層處理電氣-機械融合特征，得到模型輸出的誤操作檢測結果；
46、步驟s45：構建并訓練模型，具體為通過所述機械分支構建、所述電氣分支構建、所述多模態注意力融合和所述獲取模型輸出，進行電氣-機械雙流深度網絡模型的構建，基于所述處理后防誤訓練集訓練模型，基于所述處理后防誤測試集驗證模型性能，得到電氣-機械雙流深度網絡模型，作為誤操作檢測模型。
47、進一步地，在步驟s5中，所述高壓開關柜誤操作檢測，具體為將所述當前防誤數據集作為所述誤操作檢測模型的輸入，進行高壓開關柜誤操作檢測，得到誤操作檢測結果，并基于所述誤操作檢測結果，判斷高壓開關柜操作是否為誤操作，若為正常操作，允許操作繼續進行并記錄相關操作數據，若為誤操作，阻止操作繼續進行并通知操作人員該操作無效。
48、本發明提供的一種高壓開關柜防誤操作系統，包括多源數據采集模塊、數據粗處理模塊、誤操作初步分析模塊、構建誤操作檢測模型模塊和高壓開關柜誤操作檢測模塊；
49、所述多源數據采集模塊，用于采集原始數據，通過采集原始數據，得到防誤操作原始數據集，并將所述防誤操作原始數據集發送至數據粗處理模塊；
50、所述數據粗處理模塊，用于數據粗處理，通過數據粗處理，得到標準化當前集、防誤訓練集和防誤測試集，并將所述標準化當前集、所述防誤訓練集和所述防誤測試集發送至誤操作初步分析模塊；
51、所述誤操作初步分析模塊，用于誤操作初步分析，通過構建改進聚類模型進行誤操作初步分析，得到當前防誤數據集、處理后防誤訓練集和處理后防誤測試集，并將所述當前防誤數據集發送至高壓開關柜誤操作檢測模塊，將所述處理后防誤訓練集和所述處理后防誤測試集發送至構建誤操作檢測模型模塊；
52、所述構建誤操作檢測模型模塊，用于構建誤操作檢測模型，通過構建電氣-機械雙流深度網絡模型，得到誤操作檢測模型，并將所述誤操作檢測模型發送至高壓開關柜誤操作檢測模塊；
53、所述高壓開關柜誤操作檢測模塊，用于高壓開關柜誤操作檢測，采用所述誤操作檢測模型對所述當前防誤數據集進行高壓開關柜誤操作檢測，誤操作檢測結果。
54、采用上述方案本發明取得的有益效果如下：
55、（1）針對傳統的高壓開關柜防誤操作方法在誤操作檢測時存在未引入初步分析機制，直接依賴固定閾值或單一維度規則判斷，對多源異構數據的動態關聯性挖掘不足，易受傳感器噪聲和工況波動干擾，且未建立置信度評估體系，導致誤判漏判風險隨系統復雜度提升而加劇的技術問題，本方案創造性地采用了改進聚類模型進行誤操作初步分析，為后續深度模型提供高置信度的數據先驗，有效降低復雜模型的過擬合風險，通過融合物理約束與動態相似度度量，能夠在無監督條件下精準識別誤操作模式，同時引入時序驗證和置信度權重，增強了分析結果的可解釋性和抗干擾能力。
56、（2）針對傳統的高壓開關柜防誤操作方法在誤操作檢測時存在多采用單一信號分析或淺層分類器，忽略機電系統的強耦合特性，無法建模電氣暫態過程與機械動作的時空關聯，且缺乏物理規律約束，易學習到違背設備運行機理的偽特征，導致在復雜工況下檢測穩定性差的技術問題，本方案創造性地采用了電氣-機械雙流深度網絡模型作為誤操作檢測模型，針對高壓開關柜誤操作具有的強時序關聯性和機電耦合特性，將物理機理嵌入模型結構，在特征提取層引入運動學約束和電磁暫態方程，提高特征表征的物理合理性，同時通過注意力機制強化關鍵操作階段的特征響應，保持高檢測精度的同時提升了模型泛化能力。