央广网广州11月18日消息(记者郑少纯 实习记者许淇)近日,南网科研院生技中心成功研发出行业首个面向交流变压器振动的自监督预训练模型,为破解变压器故障检测长期存在的“数据多、标签少”难题提供了新的技术路径。
变压器运行时会持续产生振动,振动信号的细微变化,往往对应着绕组变形、铁芯松动等不同类型的隐患。把振动信号“读懂”,相当于为变压器做一次精准“听诊”,这既是电力设备运维长期攻关的重点,也是一道公认的难题。
难在何处?传统做法是“一个场景、一个模型”:针对某座变电站、某类设备单独建模,换一座站、换一种设备,就要重新采样、重新标注、重新训练。而在工业现场,真实的故障样本十分稀缺,每一条标注都需要专家逐条判读,模型一旦跨场景使用,识别效果便明显下降,后期的反复维护又不断加码。
针对这一痛点,生技中心提出了一条新思路:把“学习”与“应用”分开。团队先让模型在海量历史振动数据中自行摸索规律——不依赖人工标注,从百万组现场无标签数据中学习时间序列的动态特征与异常模式;形成通用能力后,再进入具体现场,用少量带标签样本快速适配。测算显示,该模型仅使用约2%的标注样本,故障检测准确率即可达到87%以上,并能在少样本乃至零样本条件下,泛化到各类未知运行场景。
与模型同步建成的,还有一套面向工业应用的数据底座。团队在百万级原始采集样本的基础上,构建起覆盖实际运行变压器的高质量振动数据集,为模型训练和效果评测提供了扎实支撑。
“电力设备监测数据天然带有时间序列属性。过去的思路是每个场景单独做一个专用模型,现在相当于先培养一个‘通才’,再到现场完成‘专科’适配。”生技中心变压器技术专家、研究员袁耀说。
在团队看来,这项研究的价值并不止于一个模型。“工业现场最缺的从来不是数据,而是把数据真正读明白的通用能力。”生技中心负责人表示,该成果为工业设备状态监测中普遍存在的标注成本高、样本规模有限等问题,探索出一条可复制的技术路径。
下一步,生技中心将以该预训练模型为底座,围绕时序大模型的领域适配、迁移学习、增量更新与基准评测持续攻关,并将这套方法逐步迁移至变压器油色谱、铁芯接地电流、开关录波等更多时序数据场景,为电网主设备状态感知和故障预警、为大电网安全稳定运行提供更坚实的智能支撑。
长按二维码关注精彩内容





