本发明涉及数据处理，特别是一种基于三维建模的gis设备运行故障分析方法及系统。
背景技术：
1、气体绝缘全封闭组合电器(gis)设备广泛应用于电力系统中，其运行稳定性和可靠性对于电力系统的安全至关重要。目前，gis设备的故障检测和分析方法主要包括红外成像、超声波检测和局部放电检测等。这些方法依靠人工经验和传统仪器，对设备运行状态进行监测和故障诊断，在一定程度上能够发现设备故障，提供维护参考。
2、不足之处：传统的故障检测方法存在一定的局限性。首先，这些方法对于复杂故障的检测准确性不高，难以全面捕捉gis设备运行过程中产生的各类故障特征。其次，现有技术在实时性方面表现欠佳，无法对故障进行实时监控和快速响应。此外，这些方法无法有效利用大量的运行数据进行故障趋势分析和预测，导致信息利用率低，难以满足现代电力系统对于高效、准确的故障检测需求。
技术实现思路
1、鉴于上述现有技术中存在的问题，提出了本发明。
2、因此，本发明所要解决的现有技术问题是对于复杂故障的检测准确性不高，难以全面捕捉gis设备运行过程中产生的各类故障特征
3、为解决上述技术问题，本发明提供如下技术方案：一种基于三维建模的gis设备运行故障分析方法，其包括对采集的gis设备运行状态数据、环境数据和历史故障数据进行数据清洗处理，得到清洗数据集；
4、对所述清洗数据集进行数据去噪，得到去噪数据集；
5、通过变分自编码器对所述去噪数据集进行缺失值填充，得到填充数据集；
6、根据所述填充数据集进行三维建模，得到gis设备三维模型；
7、采集gis设备的实时运行数据，并通过所述实时运行数据对所述gis设备三维模型进行故障特征提取，得到故障特征向量；
8、将所述故障特征向量输入深度神经网络模型进行故障分析，得到故障分析数据。
9、作为本发明所述一种基于三维建模的gis设备运行故障分析方法的一种优选方案，其中：所述述对采集的gis设备运行状态数据、环境数据和历史故障数据进行数据清洗处理，得到清洗数据集步骤，包括：
10、对gis设备运行状态数据进行异常值检测和处理，得到处理后的运行状态数据；
11、根据所述处理后的运行状态数据和环境数据进行数据融合，得到融合数据；
12、对所述融合数据进行特征工程，提取关键特征向量，得到特征向量数据集；
13、根据所述特征向量数据集和历史故障数据构建标签数据集；
14、对所述标签数据集进行数据分割，得到训练数据集和验证数据集；
15、基于所述训练数据集训练分类模型，得到训练好的分类模型；
16、利用所述验证数据集对训练好的分类模型进行评估，得到评估结果；
17、根据所述评估结果对训练好的分类模型进行优化，得到优化后的分类模型；
18、将所述优化后的分类模型应用于所述特征向量数据集，对数据进行分类，得到分类数据；
19、对所述分类数据进行数据清洗，得到清洗数据集。
20、作为本发明所述一种基于三维建模的gis设备运行故障分析方法的一种优选方案，其中：所述对所述清洗数据集进行数据去噪，得到去噪数据集步骤，包括：
21、根据所述清洗数据集构建高斯混合模型，得到高斯混合模型参数；
22、对所述清洗数据集中的每个数据点进行异常检测，根据所述高斯混合模型参数计算其异常分数，得到异常分数集合；
23、根据所述异常分数集合设置异常阈值，将异常分数高于所述异常阈值的数据点标记为异常点，得到标记后的数据集；
24、对所述标记后的数据集进行主成分分析，提取主成分载荷矩阵，得到主成分载荷矩阵；
25、根据所述主成分载荷矩阵对所述标记后的数据集进行投影变换，得到投影数据集；
26、对所述投影数据集进行核判别分析，构建判别模型，得到判别模型；
27、利用所述判别模型对所述投影数据集中的异常点进行判别，得到异常点判别结果；
28、根据所述异常点判别结果，从所述投影数据集中移除被判别为异常点的数据，得到去噪投影数据集；
29、对所述去噪投影数据集进行反投影变换，得到反投影数据集；
30、对所述反投影数据集进行数据格式转换，得到所述去噪数据集。
31、作为本发明所述一种基于三维建模的gis设备运行故障分析方法的一种优选方案，其中：所述通过变分自编码器对所述去噪数据集进行缺失值填充，得到填充数据集步骤，包括：
32、对所述去噪数据集进行标准化处理，得到标准化数据集；
33、根据所述标准化数据集构建变分自编码器模型，包括编码器和解码器网络，得到变分自编码器模型；
34、将所述变分自编码器模型中的编码器网络应用于所述标准化数据集，得到潜在空间分布；
35、从所述潜在空间分布中采样潜在变量，得到潜在变量集合；
36、将所述潜在变量集合输入所述变分自编码器模型的解码器网络，得到重构数据集；
37、根据所述标准化数据集和所述重构数据集计算重构损失；
38、根据所述潜在空间分布计算kl散度损失；
39、将所述重构损失和kl散度损失相加，得到总损失；
40、基于所述总损失对变分自编码器模型进行参数更新，得到更新后的变分自编码器模型；
41、利用所述更新后的变分自编码器模型对所述去噪数据集进行缺失值填充，得到所述填充数据集。
42、作为本发明所述一种基于三维建模的gis设备运行故障分析方法的一种优选方案，其中：所述所述根据所述填充数据集进行三维建模，得到gis设备三维模型步骤，包括：
43、对所述填充数据集进行特征提取，得到特征数据集；
44、根据所述特征数据集构建三维点云数据，得到原始点云数据；
45、对所述原始点云数据进行点云滤波，去除离群点，得到滤波后点云数据；
46、对所述滤波后点云数据进行点云分割，提取关键点云簇，得到分割点云数据；
47、对所述分割点云数据进行三维重构，构建三维网格模型，得到粗糙三维模型；
48、对所述粗糙三维模型进行网格优化，包括顶点细化和面片细分，得到优化后三维模型；
49、对所述优化后三维模型进行纹理映射，根据所述特征数据集为模型赋予真实纹理，得到带纹理三维模型；
50、对所述带纹理三维模型进行灯光设置，包括设置环境光和点光源，得到照明三维模型；
51、根据所述照明三维模型生成渲染图像，得到gis设备三维渲染图像；
52、将所述gis设备三维渲染图像与所述特征数据集相结合，得到所述gis设备三维模型。
53、作为本发明所述一种基于三维建模的gis设备运行故障分析方法的一种优选方案，其中：所述采集gis设备的实时运行数据，并通过所述实时运行数据对所述gis设备三维模型进行故障特征提取，得到故障特征向量步骤，包括：
54、对所述实时运行数据进行预处理，包括数据标准化和特征缩放，得到处理后实时数据；
55、将所述处理后实时数据映射到所述gis设备三维模型上，得到带数据的三维模型；
56、对所述带数据的三维模型进行模型分割，得到分割后模型数据集；
57、根据所述分割后模型数据集构建模型图，得到模型图数据；
58、对所述模型图数据进行图卷积操作，提取图特征，得到图特征数据；
59、将所述图特征数据输入图注意力网络，得到注意力加权图特征；
60、对所述注意力加权图特征进行池化操作，得到池化特征张量；
61、将所述池化特征张量输入全连接层，进行特征变换，得到潜在故障特征向量；
62、对所述潜在故障特征向量进行归一化处理，得到规范化故障特征向量；
63、将所述规范化故障特征向量输入分类层，得到所述故障特征向量。
64、作为本发明所述一种基于三维建模的gis设备运行故障分析方法的一种优选方案，其中：
65、所述将所述故障特征向量输入深度神经网络模型进行故障分析，得到故障分析数据步骤，包括：
66、根据所述故障特征向量构建输入张量，得到输入张量数据；
67、将所述输入张量数据输入卷积神经网络模型，得到卷积特征图；
68、对所述卷积特征图进行最大池化操作，得到池化特征图；
69、将所述池化特征图展平为一维向量，得到一维特征向量；
70、将所述一维特征向量输入长短时记忆网络，得到时序特征数据；
71、将所述时序特征数据输入注意力层，进行特征加权，得到加权特征数据；
72、将所述加权特征数据输入全连接层，进行非线性变换，得到故障概率分布；
73、根据所述故障概率分布进行分类，得到分类结果；
74、将所述分类结果映射为故障代码，得到故障代码数据；
75、将所述故障代码数据与相应的故障描述信息相结合，得到所述故障分析数据。
76、一种基于三维建模的gis设备运行故障分析系统，其中：包括：
77、采集模块，用于对采集的gis设备运行状态数据、环境数据和历史故障数据进行数据清洗处理，得到清洗数据集；
78、去噪模块，用于对所述清洗数据集进行数据去噪，得到去噪数据集；
79、填充模块，用于通过变分自编码器对所述去噪数据集进行缺失值填充，得到填充数据集；
80、建模模块，用于根据所述填充数据集进行三维建模，得到gis设备三维模型；
81、采集模块，用于采集gis设备的实时运行数据，并通过所述实时运行数据对所述gis设备三维模型进行故障特征提取，得到故障特征向量；
82、分析模块，用于将所述故障特征向量输入深度神经网络模型进行故障分析，得到故障分析数据。
83、基于三维建模的gis设备运行故障分析系统的一种优选方案，其中：所述采集模块进一步包括：
84、用于对采集的gis设备运行状态数据、环境数据和历史故障数据进行数据清洗处理，得到清洗数据集；
85、用于对所述清洗数据集进行数据去噪，得到去噪数据集；
86、用于通过变分自编码器对所述去噪数据集进行缺失值填充，得到填充数据集；
87、用于根据所述填充数据集进行三维建模，得到gis设备三维模型；
88、用于采集gis设备的实时运行数据，并通过所述实时运行数据对所述gis设备三维模型进行故障特征提取，得到故障特征向量；
89、用于将所述故障特征向量输入深度神经网络模型进行故障分析，得到故障分析数据。
90、基于三维建模的gis设备运行故障分析系统，其特征在于，所述分析模块进一步包括：
91、用于根据所述故障特征向量构建输入张量，得到输入张量数据；
92、用于将所述输入张量数据输入卷积神经网络模型，得到卷积特征图；
93、用于对所述卷积特征图进行最大池化操作，得到池化特征图；
94、用于将所述池化特征图展平为一维向量，得到一维特征向量；
95、用于将所述一维特征向量输入长短时记忆网络，得到时序特征数据；
96、用于将所述时序特征数据输入注意力层，进行特征加权，得到加权特征数据；
97、用于将所述加权特征数据输入全连接层，进行非线性变换，得到故障概率分布；
98、用于根据所述故障概率分布进行分类，得到分类结果；
99、用于将所述分类结果映射为故障代码，得到故障代码数据；
100、用于将所述故障代码数据与相应的故障描述信息相结合，得到故障分析数据。
101、本发明的有益效果：本发明提供的技术方案中，通过对采集的gis设备运行状态数据、环境数据和历史故障数据进行数据清洗处理，有效去除了数据中的噪声和异常值，确保了数据的质量和可靠性。这一步骤包括异常值检测和处理、数据融合、特征工程、标签数据集构建、数据分割、分类模型训练与优化等子步骤，每一个子步骤都经过精细设计，旨在最大限度地提高数据清洗的效果和效率。接下来，通过高斯混合模型进行数据去噪，有效剔除数据中的异常点，并通过主成分分析和核判别分析进一步提高数据的纯净度，确保后续处理的数据更加准确、可靠。这一步骤的多层次处理方式，使得去噪数据集不仅保留了数据的主要特征，还有效降低了噪声对分析结果的干扰。随后，通过变分自编码器对去噪数据集进行缺失值填充，进一步增强了数据的完整性和准确性。变分自编码器通过编码器和解码器网络的双重处理，将标准化后的数据集映射到潜在空间，并通过采样潜在变量进行数据重构，最终实现了对缺失值的填充。重构损失和kl散度损失的综合计算与优化，确保了填充数据集的质量，使得数据在填充后的状态下依然保持高度的一致性和完整性。在此基础上，根据填充数据集进行三维建模，通过特征提取、点云数据构建、点云滤波、点云分割、三维重构、网格优化、纹理映射和灯光设置等步骤，构建了高精度的gis设备三维模型。该模型不仅具备真实的物理特性，还能通过渲染图像直观地展示设备的结构和状态，为故障分析提供了坚实的基础。实时运行数据的采集与处理是故障分析的重要环节。通过对实时运行数据的预处理，将其映射到三维模型上，并进行模型分割、图卷积操作、图注意力网络加权、池化操作和特征变换，提取出潜在故障特征向量。这个过程充分利用了实时数据和三维模型的结合，使得故障特征的提取更加准确、全面。在故障特征向量提取后，进一步通过深度神经网络模型进行故障分析。卷积神经网络、长短时记忆网络和注意力机制的结合，充分挖掘了故障特征的时空相关性，确保了故障分析的准确性和实时性。最终，故障特征向量经过多层次的特征变换和分类，生成故障概率分布和故障代码数据，并结合相应的故障描述信息，得出故障分析数据。这一系列的技术特征和步骤，通过深度学习与三维建模的有机结合，实现了对gis设备运行故障的高效分析和预测，显著提升了故障检测的实时性、准确性和全面性，解决了传统故障检测方法在复杂环境下难以准确识别和预测故障的问题。
1.一种基于三维建模的gis设备运行故障分析方法，其特征在于：包括，
2.如权利要求1所述的一种基于三维建模的gis设备运行故障分析方法，其特征在于：所述述对采集的gis设备运行状态数据、环境数据和历史故障数据进行数据清洗处理，得到清洗数据集步骤，包括：
3.如权利要求1所述的一种基于三维建模的gis设备运行故障分析方法，其特征在于：所述对所述清洗数据集进行数据去噪，得到去噪数据集步骤，包括：
4.如权利要求1所述的一种基于三维建模的gis设备运行故障分析方法，其特征在于：所述通过变分自编码器对所述去噪数据集进行缺失值填充，得到填充数据集步骤，包括：
5.如权利要求1所述的一种基于三维建模的gis设备运行故障分析方法，其特征在于：所述所述根据所述填充数据集进行三维建模，得到gis设备三维模型步骤，包括：
6.如权利要求5所述的一种基于三维建模的gis设备运行故障分析方法，其特征在于：所述采集gis设备的实时运行数据，并通过所述实时运行数据对所述gis设备三维模型进行故障特征提取，得到故障特征向量步骤，包括：
7.如权利要求6所述的一种基于三维建模的gis设备运行故障分析方法，其特征在于：所述将所述故障特征向量输入深度神经网络模型进行故障分析，得到故障分析数据步骤，包括：
8.一种基于三维建模的gis设备运行故障分析系统，用以执行如权利要求1至7任一项所述的基于三维建模的gis设备运行故障分析方法，其特征在于，包括：
9.根据权利要求8所述的基于三维建模的gis设备运行故障分析系统，其特征在于，所述采集模块进一步包括：
10.根据权利要求9所述的基于三维建模的gis设备运行故障分析系统，其特征在于，所述分析模块进一步包括：
