一种电力设备远程智能监控系统及方法技术方案

本发明专利技术涉及电力设备技术领域，尤其为一种电力设备远程智能监控系统及方法，包括：设备数据采集模块：用于采集电力设备数据；设备数据处理模块：用于对采集的电力设备数据进行处理；设备数据分析模块：用于对处理后的电力设备数据进行分析；远程智能告警模块：用于根据分析结果进行远程告警

【技术实现步骤摘要】
一种电力设备远程智能监控系统及方法


[0001]本专利技术涉及电力设备
，尤其是一种电力设备远程智能监控系统及方法
。

技术介绍

[0002]电力监控系统以计算机
、
通讯设备
、
测控单元为基本工具，能够对设备巡检检测电力设备的运行状态进行监控，为变配电系统的实时数据采集
、
开关状态检测及远程控制提供了基础平台，可以帮助企业消除孤岛，降低运作成本，提高生产效率，加快针对变配电过程中异常情况的反应速度
。
然而，如果电力监控系统中监测的数据不准确或无法判断电力设备当前监控环境是否安全，电力监控系统便不能再对电力设备进行有效控制，极大减弱了解决变配电过程中异常情况的能力
。
此外，如何保证电力监控系统中通信的安全性也是亟待解决的问题之一
。

技术实现思路

[0003]本专利技术的目的是通过提出一种电力设备远程智能监控系统及方法，以解决上述
技术介绍
中提出的缺陷
。
[0004]本专利技术采用的技术方案如下：
[0005]提供一种电力设备远程智能监控系统，包括：
[0006]设备数据采集模块：用于采集电力设备数据；
[0007]设备数据处理模块：用于对采集的电力设备数据进行处理；
[0008]设备数据分析模块：用于对处理后的电力设备数据进行分析；
[0009]远程智能告警模块：用于根据分析结果进行远程告警
。
[0010]作为本专利技术的一种优选技术方案：所述设备数据采集模块采集的电力设备数据包括电力设备运行数据和电力设备图像数据
。
[0011]作为本专利技术的一种优选技术方案：所述设备数据处理模块对采集的电力设备运行数据进行异常
、
重复数据去除
、
缺失值填充处理和数据标准化处理
。
[0012]作为本专利技术的一种优选技术方案：所述设备数据分析模块基于多尺度残差块生成对抗网络，并提取电力设备图像数据的注意力特征信息数据，基于
SVM
向量机检测电力设备图像数据的注意力特征信息数据，进行电力设备图像数据的识别
。
[0013]作为本专利技术的一种优选技术方案：所述设备数据分析模块通过
3*3
卷积层提取电力设备图像数据浅层特征，并通过
5*5
卷积层提取不同尺度的电力设备数据特征作为局部特征，再将局部特征进行融合：
[0014]P
l
＝
σ
(w1(3*3)
×
N
i
‑1+b
l
)
[0015]Q
l
＝
σ
(w
l
(5*5)
×
N
i
‑1+b
l
)
[0016]S
＝
σ
(w
l+1
(1*1)
×
[P
l
，
Q
l
]+b
l+1
)
[0017]其中，
P
l
为卷积核为
3*3
的第
l
层浅层特征提取函数，
Q
l
为卷积核为
5*5
的第
l
层局部特征提取函数，
σ
为
relu
函数，
w
l
为第
l
层的权重，
b
l
为第
l
层的偏置，
w
l+1
为第
l+1
层的权重，
b
l
+1
为第
l+1
层的偏置，
N
i
‑1为输入的电力设备数据数量，
S
为特征融合函数；
[0018]对每个多尺度残差块均采用残差学习：
[0019]N
i
＝
S+N
i
‑1[0020]其中，
N
i
为多尺度残差块的输出；
[0021]将多尺度残差块的输出的电力设备图像数据输入至空间注意力模块：
[0022]Z1(N
i
)
＝
G(f
c1
×1(f
d3
×3(f
d3
×3(f
c1
×1(N
i
)))))
[0023]其中，
Z1(N
i
)
为空间注意力特征数据，
G
表示批量归一化，
f
c1
×1为用于通道压缩的1×1卷积，
f
d3
×3为空洞率为4的3×3空洞卷积；
[0024]还将多尺度残差块的输出的电力设备图像数据输入至通道注意力模块：
[0025]Z2(N
i
)
＝
G(w
l
(w0avgpool(N
i
)+b0)+b
l
)
[0026]其中，
Z2(N
i
)
为通道注意力特征数据，
avgpool
为平均池化层，
w0和
b0分别为平均池化层的权重和偏置；
[0027]得到电力设备注意力特征图像数据如下：
[0028]Z(N
i
)
＝
σ
(Z1(N
i
)+Z2(N
i
))
[0029]其中，
Z(N
i
)
为输出的电力设备注意力特征图像数据
。
[0030]作为本专利技术的一种优选技术方案：所述设备数据分析模块还提取电力设备运行异常特征数据，并将提取的电力设备运行异常特征数据输入至对抗网络中，并提取电力设备注意力异常特征运行数据，以此搭建电力设备异常检测模型对电力设备运行数据进行检测
。
[0031]作为本专利技术的一种优选技术方案：所述提取电力设备运行异常特征数据具体如下：
[0032][0033]其中，
L
为提取的电力设备运行异常特征数据，
J
为电力设备运行数据个数，
r
j
为第
j
个电力设备运行异常特征数据提取节点的活动指标量，代表电力设备运行异常特征数据的特征均值系数，
n
为电力设备运行正常特征数据属性特征指标量，为电力设备运行正常特征数据属性特征均值系数
。
[0034]作为本专利技术的一种优选技术方案：所述电力设备异常检测模型搭建如下：
[0035]将提取的电力设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力设备远程智能监控系统，其特征在于：包括：设备数据采集模块
(100)
：用于采集电力设备数据；设备数据处理模块
(200)
：用于对采集的电力设备数据进行处理；设备数据分析模块
(300)
：用于对处理后的电力设备数据进行分析；远程智能告警模块
(400)
：用于根据分析结果进行远程告警
。2.
根据权利要求1所述的电力设备远程智能监控系统，其特征在于：所述设备数据采集模块
(100)
采集的电力设备数据包括电力设备运行数据和电力设备图像数据
。3.
根据权利要求2所述的电力设备远程智能监控系统，其特征在于：所述设备数据处理模块
(200)
对采集的电力设备运行数据进行异常
、
重复数据去除
、
缺失值填充处理和数据标准化处理
。4.
根据权利要求3所述的电力设备远程智能监控系统，其特征在于：所述设备数据分析模块
(300)
基于多尺度残差块生成对抗网络，并提取电力设备图像数据的注意力特征信息数据，基于
SVM
向量机检测电力设备图像数据的注意力特征信息数据，进行电力设备图像数据的识别
。5.
根据权利要求4所述的电力设备远程智能监控系统，其特征在于：所述设备数据分析模块
(300)
通过
3*3
卷积层提取电力设备图像数据浅层特征，并通过
5*5
卷积层提取不同尺度的电力设备数据特征作为局部特征，再将局部特征进行融合：
P
l
＝
σ
(W
l
(3*3)
×
N
i
‑1+b
l
)Q
l
＝
(w
l
(5*5)
×
N
i
‑1+b
l
)S
＝
(w
l+1
(1*1)
×
|P
l
，
Q
l
|+b
l+1
)
其中，
P
l
为卷积核为
3*3
的第
l
层浅层特征提取函数，
Q
l
为卷积核为
5*5
的第
l
层局部特征提取函数，
σ
为
relu
函数，
w
l
为第
l
层的权重，
b
l
为第
l
层的偏置，
w
l+1
为第
l+1
层的权重，
b
l+1
为第
l+1
层的偏置，
N
i
‑1为输入的电力设备数据数量，
S
为特征融合函数；对每个多尺度残差块均采用残差学习：
N
i
＝
S+N
i
‑1其中，
N
i
为多尺度残差块的输出；将多尺度残差块的输出的电力设备图像数据输入至空间注意力模块：
Z1(N
l
)
＝
G(f
c1
×1(f
d3
×3(f
d3
×3(f
c1
×1(N
i
)))))
其中，
Z1(N
i
)
为空间注意力特征数据，
G
表示批量归一化，
f
c1
×1为用于通道压缩的1×1卷积，
f
d3
×3为空洞率为4的3×3空洞卷积；还将多尺度残差块的输出的电力设备图像数...

【专利技术属性】
技术研发人员：孟令超，杨乐，张挺，王文清，周方，刘萌，葛军辉，高振威，王佳辉，
申请(专利权)人：国网河南省电力公司尉氏县供电公司，
类型：发明
国别省市：