电力设备的控制方法及其系统技术方案

本申请涉及智能控制领域，其具体地公开了一种电力设备的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。陷或故障引起的事故发生。陷或故障引起的事故发生。

【技术实现步骤摘要】
电力设备的控制方法及其系统


[0001]本申请涉及智能控制领域，且更为具体地，涉及一种电力设备的控制方法及系统。

技术介绍

[0002]电力设备的安全稳定运行是确保电网可靠供电的关键。通过对设备巡检检测电力设备的运行状态，能够预防由设备缺陷或故障引起的事故发生，而这也是设备远程监控和控制的关键。现有诸多用于电力设备远程控制的方案，但这些方案在精准度和敏感性上难以取得能够满足应用需求的均衡。
[0003]因此，期待一种优化的电力设备的远程控制方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电力设备的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。
[0005]根据本申请的一个方面，提供了一种电力设备的控制方法，其包括：
[0006]获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；
[0007]将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；
[0008]将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；
[0009]构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；/>[0010]将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；
[0011]将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及
[0012]将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
[0013]在上述电力设备的控制方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
[0014]在上述电力设备的控制方法中，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，包括：将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述
第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多个温度时序特征向量。其中，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
[0015][0016]其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x
‑
a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码；以及，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
[0017][0018]其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x
‑
b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码。
[0019]在上述电力设备的控制方法中，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述电逻辑拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述电逻辑拓扑矩阵。
[0020]在上述电力设备的控制方法中，所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
[0021]在上述电力设备的控制方法中，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵，包括：将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量和电逻辑拓扑特征向量；分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；以所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映射因数作为权重，对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权以得到优化后全局温度时序特征矩阵和优化后电逻辑拓扑特征矩阵；以
及，将所述优化后全局温度时序特征矩阵和所述优化后电逻辑拓扑特征矩阵输入所述图神经网络模型以得到所述电逻辑拓扑全局温度时序特征矩阵。
[0022]在上述电力设备的控制方法中，分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数，包括：以如下优化公式计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；其中，所述优化公式为：
[0023][0024][0025]其中V1表示所述全局温度时序特征向量，V2表示所述电逻辑拓扑特征向量，M为所述全局温度时序特征向量和所述电逻辑拓扑特征向量之间的逐位置关联得到的关联矩阵，μ和∑是所述全局温度时序特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备的控制方法，其特征在于，包括：获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。2.根据权利要求1所述的电力设备的控制方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。3.根据权利要求2所述的电力设备的控制方法，其特征在于，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，包括：将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多个温度时序特征向量。其中，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述一维卷积公式为：其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x
‑
a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码；以及将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得
到第二邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述一维卷积公式为：其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x
‑
b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码。4.根据权利要求3所述的电力设备的控制方法，其特征在于，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述电逻辑拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述电逻辑拓扑矩阵。5.根据权利要求4所述的电力设备的控制方法，其特征在于，所述作为特征提取器的卷积神经网络模型为深度残差网络模型。6.根据权利要求5所述的电力设备的控制方法，其特征在于，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵，包括：将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量和电逻辑拓扑特征向量；分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二...

【专利技术属性】
技术研发人员：王冠瑞，李予军，沈文江，董芳瑞，马意超，闫娇，鲍宏伟，陆世杰，冷晓云，郝忠毅，彭武松，陈龙，张澜，胡明迪，张林梅，刘娟，李亮，马永星，孙浩然，李亚楠，
申请(专利权)人：国网河南省电力公司林州市供电公司，
类型：发明
国别省市：