本發(fā)明涉及電力裝置大數(shù)據(jù)智能監(jiān)測(cè)及物聯(lián)網(wǎng)系統(tǒng)的自動(dòng)化裝備，具體涉及電力裝置大數(shù)據(jù)智能監(jiān)測(cè)方法及其物聯(lián)網(wǎng)系統(tǒng)。

背景技術(shù)：

1、物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)和人工智能等技術(shù)相結(jié)合，利用傳感器技術(shù)對(duì)電力裝置中各種參數(shù)信息進(jìn)行實(shí)時(shí)監(jiān)測(cè)并進(jìn)行數(shù)據(jù)的采集、傳輸、閾值監(jiān)控和智能判別等，對(duì)電力裝置中的數(shù)據(jù)進(jìn)行處理、分析、預(yù)測(cè)和維護(hù)工作。當(dāng)電力裝置處于異常狀態(tài)下，電力裝置的電壓、電流和功率參數(shù)會(huì)發(fā)生異常情況，這些參數(shù)的改變需要監(jiān)測(cè)人員進(jìn)行及時(shí)跟蹤監(jiān)測(cè)，從而為用戶提供更全面的監(jiān)測(cè)和管理服務(wù)，可以通過實(shí)時(shí)數(shù)據(jù)的分析異常情況參數(shù)發(fā)現(xiàn)電力裝置可能出現(xiàn)的故障，可以利用深度學(xué)習(xí)等技術(shù)對(duì)歷史數(shù)據(jù)進(jìn)行分析，并提前給出解決電力裝置故障解決方案以避免故障的發(fā)生和影響，為用戶提供更精準(zhǔn)的用電建議和節(jié)能措施。電力裝置大數(shù)據(jù)智能監(jiān)測(cè)方法及其物聯(lián)網(wǎng)系統(tǒng)通過電力裝置后臺(tái)管理系統(tǒng)和用戶界面及相關(guān)app等所有管理和服務(wù)，為用戶提供更便捷和高效的電力裝置管理服務(wù)，用戶可以更加方便地進(jìn)行電力裝置的實(shí)時(shí)監(jiān)測(cè)和數(shù)據(jù)管理，安全監(jiān)測(cè)、節(jié)能管理和遠(yuǎn)程控制等功能，極大地提高了配電系統(tǒng)的可靠性、穩(wěn)定性和操作便捷性。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：通過物聯(lián)網(wǎng)技術(shù)的無縫連接為企業(yè)提供更為安全、高效和可靠的供電管理方案，本發(fā)明公開一種電力裝置大數(shù)據(jù)智能監(jiān)測(cè)方法及其物聯(lián)網(wǎng)系統(tǒng)，通過對(duì)智能電力裝置的研究和探討，使得配電管理系統(tǒng)能夠?qū)崿F(xiàn)安全可靠的電力管理，提高了電力傳輸?shù)男屎头€(wěn)定性，智能化電力裝置的應(yīng)用前景非常廣闊。人們可以實(shí)現(xiàn)對(duì)電力設(shè)備的遠(yuǎn)程監(jiān)測(cè)、控制和管理，提升了電力管理的水平和效率。

2、技術(shù)方案：本發(fā)明公開一種電力裝置大數(shù)據(jù)智能監(jiān)測(cè)方法，包括以下步驟：

3、步驟1：構(gòu)建參數(shù)檢測(cè)模塊，參數(shù)檢測(cè)模塊包括aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型、集合經(jīng)驗(yàn)?zāi)B(tài)分解模型、bilstm神經(jīng)網(wǎng)絡(luò)模型-arima模型、bilstm神經(jīng)網(wǎng)絡(luò)模型、arima模型、gcn圖卷積網(wǎng)絡(luò)模型、tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型、gcn圖卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型和woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型；參數(shù)檢測(cè)模塊的結(jié)構(gòu)圖參見圖1。

4、步驟2：構(gòu)建電力裝置大數(shù)據(jù)智能處理子系統(tǒng)，電力裝置大數(shù)據(jù)智能處理子系統(tǒng)包括3個(gè)參數(shù)檢測(cè)模塊、4個(gè)tdl按拍延時(shí)器、2個(gè)bilstm神經(jīng)網(wǎng)絡(luò)模型和2個(gè)gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器；

5、電流傳感器輸出、溫度傳感器輸出和振動(dòng)傳感器輸出分別作為參數(shù)檢測(cè)模塊1、參數(shù)檢測(cè)模塊2和參數(shù)檢測(cè)模塊3的對(duì)應(yīng)輸入和gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器2的對(duì)應(yīng)輸入，參數(shù)檢測(cè)模塊1輸出分別作為tdl按拍延時(shí)器1輸入、bilstm神經(jīng)網(wǎng)絡(luò)模型1的對(duì)應(yīng)輸入和bilstm神經(jīng)網(wǎng)絡(luò)模型2的對(duì)應(yīng)輸入，參數(shù)檢測(cè)模塊2輸出作為bilstm神經(jīng)網(wǎng)絡(luò)模型1的對(duì)應(yīng)輸入，參數(shù)檢測(cè)模塊3輸出作為bilstm神經(jīng)網(wǎng)絡(luò)模型2的對(duì)應(yīng)輸入，bilstm神經(jīng)網(wǎng)絡(luò)模型1輸出作為tdl按拍延時(shí)器2輸入和bilstm神經(jīng)網(wǎng)絡(luò)模型2的對(duì)應(yīng)輸入，bilstm神經(jīng)網(wǎng)絡(luò)模型2的輸出作為tdl按拍延時(shí)器3輸入，gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器2、tdl按拍延時(shí)器1、tdl按拍延時(shí)器2、tdl按拍延時(shí)器3和tdl按拍延時(shí)器4的輸出分別作為gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器1的對(duì)應(yīng)輸入，gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器1輸出作為tdl按拍延時(shí)器4的輸入，gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器1輸出被檢測(cè)配置裝置的安全等級(jí)為安全、比較安全、一般、危險(xiǎn)和很危險(xiǎn)。電力裝置大數(shù)據(jù)智能處理子系統(tǒng)結(jié)構(gòu)圖參見圖2。

6、進(jìn)一步地，傳感器輸出作為aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型輸入，aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型輸出分別作為集合經(jīng)驗(yàn)?zāi)B(tài)分解模型輸入、arima模型輸入和tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，arima模型輸出作為tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，集合經(jīng)驗(yàn)?zāi)B(tài)分解模型輸出分別作為bilstm神經(jīng)網(wǎng)絡(luò)模型-arima模型的輸入和gcn圖卷積神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，bilstm神經(jīng)網(wǎng)絡(luò)模型-arima模型輸出作為gcn圖卷積神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型輸出與bilstm神經(jīng)網(wǎng)絡(luò)模型-arima模型輸出的時(shí)間序列差作為bilstm神經(jīng)網(wǎng)絡(luò)模型的輸入，bilstm神經(jīng)網(wǎng)絡(luò)模型輸出作為gcn圖卷積神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，gcn圖卷積神經(jīng)網(wǎng)絡(luò)模型輸出作為tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型輸出作為tdl按拍延時(shí)器輸入、gcn圖卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型和woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，tdl按拍延時(shí)器輸出作為tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，gcn圖卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型輸出作為woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型輸出作為gcn圖卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對(duì)應(yīng)輸入，woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型輸出作為參數(shù)檢測(cè)模塊的輸出。參數(shù)檢測(cè)模塊的結(jié)構(gòu)圖參見圖1。

7、進(jìn)一步地，所述tcn時(shí)間卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型為tcn時(shí)間卷積網(wǎng)絡(luò)模型與woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；

8、tcn時(shí)間卷積網(wǎng)絡(luò)模型是將因果卷積和空洞卷積相結(jié)合的時(shí)間卷積作為卷積層，將其與一個(gè)1×1的卷積融合為一個(gè)殘差模塊，再由多個(gè)殘差模塊相堆疊組成的神經(jīng)網(wǎng)絡(luò)；

9、woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型為利用woa方法對(duì)模糊小波神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點(diǎn)權(quán)值和隱藏層節(jié)點(diǎn)閾值進(jìn)行優(yōu)化，采用woa優(yōu)選模糊小波神經(jīng)網(wǎng)絡(luò)模型隨機(jī)選擇模糊小波神經(jīng)網(wǎng)絡(luò)模型中的輸入層權(quán)值w及隱藏層節(jié)點(diǎn)閾值h；設(shè)置woa的種群規(guī)模s和最大迭代次數(shù)tmax，并初始化各個(gè)體值；計(jì)算初始狀態(tài)下各個(gè)體的適應(yīng)度值，選出適應(yīng)度值最小的個(gè)體；woa迭代過程分別采用逐漸搜索模型、螺旋搜索模型和用隨機(jī)搜索模型；結(jié)束迭代，得到最優(yōu)解，輸出woa優(yōu)化后的糊小波神經(jīng)網(wǎng)絡(luò)模型參數(shù)，并利用優(yōu)化后的woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)集進(jìn)行訓(xùn)練。

10、進(jìn)一步地，所述gcn圖卷積網(wǎng)絡(luò)模型-woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型為gcn圖卷積網(wǎng)絡(luò)模型與woa的模糊小波神經(jīng)網(wǎng)絡(luò)模型串聯(lián)。

11、進(jìn)一步地，所述woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型由輸入層、隸屬函數(shù)層、規(guī)則層、去模糊化層和輸出層組成；

12、輸入層有n個(gè)神經(jīng)元代表n個(gè)輸入變量，隸屬函數(shù)層采用高斯函數(shù)作為隸屬函數(shù)對(duì)輸入變量進(jìn)行模糊化處理，每個(gè)節(jié)點(diǎn)的輸出代表對(duì)應(yīng)輸入量的隸屬度值：規(guī)則層每個(gè)神經(jīng)元代表一個(gè)模糊規(guī)則，同時(shí)在規(guī)則層引入遞歸環(huán)節(jié)，通過sigmoid函數(shù)將上一時(shí)刻規(guī)則層的輸出作為當(dāng)前時(shí)刻規(guī)則層的一個(gè)反饋輸入；去模糊化層神經(jīng)元數(shù)與規(guī)則層相同，都是m個(gè)神經(jīng)元；輸出層是對(duì)其輸入量進(jìn)行線性加權(quán)求和；

13、woa的模糊遞歸神經(jīng)網(wǎng)絡(luò)模型為利用woa優(yōu)化模糊遞歸神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。

14、進(jìn)一步地，所述gcn圖卷積網(wǎng)絡(luò)模型-hopfield神經(jīng)網(wǎng)絡(luò)分類器為gcn圖卷積網(wǎng)絡(luò)模型與hopfield聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)串聯(lián)，hopfield聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)含有n個(gè)神經(jīng)元，即n1，n2，…，nn，彼此之間相互連接，形成反饋網(wǎng)絡(luò)；

15、將被測(cè)電力裝置數(shù)據(jù)的特征向量作為標(biāo)準(zhǔn)，通過引入gcn圖卷積網(wǎng)絡(luò)模型作為hopfield神經(jīng)網(wǎng)絡(luò)分類器的前處理，使hopfield神經(jīng)網(wǎng)絡(luò)分類器的吸引域得到有效擴(kuò)成。

16、本發(fā)明還公開一種電力裝置物聯(lián)網(wǎng)系統(tǒng)，由數(shù)據(jù)采集器、集中控制器、遠(yuǎn)程監(jiān)控端、云平臺(tái)和手機(jī)app組成，數(shù)據(jù)采集器和集中控制器通過lora通信模塊通過自組織網(wǎng)絡(luò)方式通信，通過集中控制器實(shí)現(xiàn)數(shù)據(jù)采集器與遠(yuǎn)程監(jiān)控端、云平臺(tái)和手機(jī)app之間的通信，遠(yuǎn)程監(jiān)控端和云平臺(tái)進(jìn)行電力裝置大數(shù)據(jù)監(jiān)控、存儲(chǔ)與處理，手機(jī)app和遠(yuǎn)程監(jiān)控端通過云平臺(tái)與集中控制器進(jìn)行雙向通信，管理人員通過遠(yuǎn)程監(jiān)控端和手機(jī)app實(shí)現(xiàn)對(duì)數(shù)據(jù)采集器和集中控制器運(yùn)行狀態(tài)進(jìn)行監(jiān)控；該電力裝置物聯(lián)網(wǎng)系統(tǒng)中加載有實(shí)現(xiàn)如上述電力裝置大數(shù)據(jù)智能監(jiān)測(cè)方法的計(jì)算機(jī)程序步驟。電力裝置物聯(lián)網(wǎng)系統(tǒng)結(jié)構(gòu)見圖3所示。

17、相比于現(xiàn)有技術(shù)，本發(fā)明具有以下優(yōu)點(diǎn)：

18、一、本發(fā)明選用aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型將會(huì)習(xí)得電力裝置的各個(gè)變量之間的非線性關(guān)系，對(duì)于輸入為電力裝置正常運(yùn)行的數(shù)據(jù)，aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型將電力裝置正常運(yùn)行時(shí)數(shù)據(jù)間的特性與關(guān)聯(lián)固化到aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型中，aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)以最小化輸入與輸出誤差為目標(biāo)，尋求aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)網(wǎng)絡(luò)參數(shù)，使aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型輸出盡可能還原電力裝置的輸入數(shù)據(jù)。當(dāng)輸入劣化或故障時(shí)刻數(shù)據(jù)時(shí)，aann自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型輸出的數(shù)據(jù)就會(huì)和電力裝置的輸入數(shù)據(jù)有較大偏差。

19、二、本發(fā)明針對(duì)電力裝置數(shù)據(jù)序列在時(shí)序上的間歇性、波動(dòng)性等特征，提出一種集合經(jīng)驗(yàn)?zāi)B(tài)分解方法引入電力裝置數(shù)據(jù)模態(tài)分解的同時(shí)大幅提升了電力裝置數(shù)據(jù)預(yù)測(cè)值與原電力裝置數(shù)據(jù)序列的擬合度，避免了不同頻率尺度的相互干擾，體現(xiàn)了集合經(jīng)驗(yàn)?zāi)B(tài)分解在處理電力裝置非平穩(wěn)序列數(shù)據(jù)的優(yōu)越性。集合經(jīng)驗(yàn)?zāi)B(tài)分解消除了電力裝置數(shù)據(jù)序列的非平穩(wěn)特征，實(shí)現(xiàn)了電力裝置數(shù)據(jù)序列的平穩(wěn)化。

20、三、bilstm神經(jīng)網(wǎng)絡(luò)模型由前向和后向的兩個(gè)長(zhǎng)短期記憶(lstm)神經(jīng)網(wǎng)絡(luò)模型構(gòu)成，其由一個(gè)前向lstm隱藏層和一個(gè)后向lstm隱藏層組成，并且兩個(gè)隱藏層都與輸出層相連接，前向信息和后向信息同時(shí)傳遞給bilstm神經(jīng)網(wǎng)絡(luò)模輸出層，提高了bilstm神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)輸出信息的精確度。

21、四、gcn圖卷積網(wǎng)絡(luò)模型輸入對(duì)象是圖數(shù)據(jù)，gcn圖卷積神經(jīng)網(wǎng)絡(luò)模型在電力裝置數(shù)據(jù)網(wǎng)拓?fù)鋱D中的節(jié)點(diǎn)通過多個(gè)圖卷積層的堆疊，對(duì)電力裝置數(shù)據(jù)網(wǎng)拓?fù)浣Y(jié)構(gòu)進(jìn)行學(xué)習(xí)捕獲電力裝置數(shù)據(jù)流空間相關(guān)性，獲得了深層次抽象化的表示，gcn圖卷積網(wǎng)絡(luò)模型可以較好融合電力裝置數(shù)據(jù)圖中的節(jié)點(diǎn)信息和數(shù)據(jù)結(jié)構(gòu)信息。

22、五、針對(duì)電力裝置數(shù)據(jù)特征多、時(shí)序和空間特征并存的特點(diǎn)，tcn時(shí)間卷積網(wǎng)絡(luò)模型使用因果卷積可以在保留更多電力裝置數(shù)據(jù)原始信息的同時(shí)，學(xué)習(xí)到網(wǎng)絡(luò)流量特征與電力裝置數(shù)據(jù)特征之間的因果關(guān)系，通過擴(kuò)張卷積增加卷積的感受野，一個(gè)卷積能夠?qū)W習(xí)到更多的電力裝置數(shù)據(jù)特征；殘差模塊的引入可以加深tcn時(shí)間卷積網(wǎng)絡(luò)模型的層數(shù)能更充分地學(xué)習(xí)到電力裝置數(shù)據(jù)流量隱含特征。