CN115470857B - 变电站全景数字孪生系统及其方法 - Google Patents

Abstract

本申请公开了一种变电站全景数字孪生系统及其方法，其结合人工智能技术和数据孪生技术，对所采集的待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据和所有设备的电逻辑拓扑矩阵进行处理，以对变电站的状态是否正常进行智能分析与判断。

Description

变电站全景数字孪生系统及其方法

技术领域

本申请涉及智能化运维技术领域，且更为具体地，涉及一种变电站全景数字孪生系统及其方法。

背景技术

数字孪生是当前研究的一大热点，设备的数字孪生则是设备全生命周期研究的关键。通常，变电站数字孪生系统从根本上是对变电站数字化的一种体现，在三维模型的基础上，接入厂站各类传感终端的数据，完成与三维模型的融合，从而实现三维模型与实际物理设备的数字孪生，达到高效的智能化运维。

然而基于当前的数字孪生系统，只能实现查看并浏览当前厂站的实时状况，仅仅是一种可视化的呈现，能够实现的应用较为单一，无法在厂站设备本身的运行状况进行监控。也就是，现有的变电站全景数字孪生系统只有数据采集和可视化功能，而在数据智能方面表现较弱。

因此，期待一种优化的变电站全景数字孪生系统。

发明内容

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变电站全景数字孪生系统及其方法。其首先获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据和所有设备的电逻辑拓扑矩阵，接着，将所述各个设备在预定时间段内多个预定时间点的温度数据进行多尺度邻域特征提取得到的多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵，然后，将其和所述电逻辑拓扑矩阵通过卷积神经网络模型得到的电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵，接着，对电逻辑拓扑设备全局多尺度温度特征矩阵进行校正后再通过分类器以得到用于表示变电站的状态是否正常的分类结果。这样，可以对变电站的状态进行智能监控。

根据本申请的一个方面，提供了一种变电站全景数字孪生系统，其包括：

数据监控与采集模块，用于获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；

温度数据编码模块，用于将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；

电逻辑拓扑构造模块，用于获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；

电逻辑拓扑特征提取模块，用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；

矩阵化模块，用于将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；

图数据编码模块，用于将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；

特征分布校正模块，用于基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及

状态监测结果生成模块，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

在上述的变电站全景数字孪生系统中，所述温度数据编码模块，包括：

第一邻域尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；

第二邻域尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，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

多尺度级联单元，用于使用所述多尺度邻域特征提取模块的级联层将所述设备第一尺度温度特征向量和所述设备第二尺度温度特征向量进行级联以得到所述设备多尺度温度特征向量。

在上述的变电站全景数字孪生系统中，所述第一邻域尺度卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到所述设备第一尺度温度特征向量；

其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述温度输入向量。

在上述的变电站全景数字孪生系统中，所述第二邻域尺度卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到所述设备第二尺度温度特征向量；

其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述温度输入向量。

在上述的变电站全景数字孪生系统中，在所述电逻辑拓扑矩阵中，如果两个设备之间的电连接关系为串联关系，则所述电逻辑拓扑矩阵中对应位置的值为1，如果两个设备之间的电连接关系为并联关系，则所述电逻辑拓扑矩阵中对应位置的值为0。

在上述的变电站全景数字孪生系统中，所述电逻辑拓扑特征提取模块，用于：使用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对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述电逻辑拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述电逻辑拓扑矩阵。

在上述的变电站全景数字孪生系统中，所述特征分布校正模块，进一步用于：以如下公式对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；

其中，所述公式为：

M'＝p^p·M^p-1⊙e^-p·M

其中，p是所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器获得的预分类概率值，M是所述电逻辑拓扑设备全局多尺度温度特征矩阵，M'是所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵，⊙表示按位置点乘。

在上述的变电站全景数字孪生系统中，所述状态监测结果生成模块，包括：

矩阵展开单元，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵按照行向量展开为分类特征向量；

全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种变电站全景数字孪生方法，其包括：

获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；

将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；

获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；

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；

将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；

将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；

基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及

将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

在上述的变电站全景数字孪生方法中，所述将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量，包括：

使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；

使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，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

使用所述多尺度邻域特征提取模块的级联层将所述设备第一尺度温度特征向量和所述设备第二尺度温度特征向量进行级联以得到所述设备多尺度温度特征向量。

与现有技术相比，本申请提供的一种变电站全景数字孪生系统及其方法。其首先获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据和所有设备的电逻辑拓扑矩阵，接着，将所述各个设备在预定时间段内多个预定时间点的温度数据进行多尺度邻域特征提取得到的多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵，然后，将其和所述电逻辑拓扑矩阵通过卷积神经网络模型得到的电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵，接着，对电逻辑拓扑设备全局多尺度温度特征矩阵进行校正后再通过分类器以得到用于表示变电站的状态是否正常的分类结果。这样，可以对变电站的状态进行智能监控。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的变电站全景数字孪生系统的应用场景图。

图2图示了根据本申请实施例的变电站全景数字孪生系统的框图示意图。

图3图示了根据本申请实施例的变电站全景数字孪生系统中所述温度数据编码模块的框图示意图。

图4图示了根据本申请实施例的变电站全景数字孪生系统中所述状态监测结果生成模块的框图示意图。

图5图示了根据本申请实施例的变电站全景数字孪生方法的流程图。

图6图示了根据本申请实施例的变电站全景数字孪生方法的系统架构的示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，基于当前的数字孪生系统，只能实现查看并浏览当前厂站的实时状况，仅仅是一种可视化的呈现，能够实现的应用较为单一，无法在厂站设备本身的运行状况进行监控。也就是，现有的变电站全景数字孪生系统只有数据采集和可视化功能，而在数据智能方面表现较弱。因此，期待一种优化的变电站全景数字孪生系统。

相应地，在本申请的技术方案中，提出了一种具有数据智能的变电站全景数字孪生系统，其能够利用变电站状态监控算法对所监控和采集的数据进行处理和分析，以对变电站的状态进行智能监控。

具体地，首先获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据。应可以理解，当变电站开始运行时，其各个设备(包括变压器、高压断路器、隔离开关、母线、避雷器、电容器和电抗器等)的温度会发生变化，而如果某个设备发生故障(或者某几个设备发生故障)，其各个设备的温度变化会呈现于异常，这种温度异常不仅发生于单个设备上，也存在于设备间的温度关联层面。因此，在本申请的技术方案中，对所述变电站的各个设备的温度进行监控并采集。

接着，使用将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量。也就是，使用所述多尺度邻域特征提取模块作为特征提取器来提取各个设备的温度输入向量在不同时间跨度内的温度关联的高维隐含特征。具体地，所述多尺度邻域特征提取模块包括并行的多个一维卷积层，其中，所述多个一维卷积层中各个一维卷积层分别以不同长度的一维卷积核对各个设备的温度输入向量进行不同尺度的一维卷积编码以得到所述设备多尺度温度特征向量。

特别地，在本申请的技术方案中，申请人注意到变电站中各个设备除了存在物理关系外(例如，空间位置关系)，还存在电连接关系，利用各个设备间的电连接关系有利于更为精准地捕捉各个设备的温度特征之间的关联，其原因为如果两个设备串联则其温度变化则更加趋同，而如果两个设备并联，在两个设备的温度变化则更为相对更为独立。

基于此，进一步构建所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系，所述电逻辑拓扑矩阵中对角线位置上各个位置的值为一。更具体地，在所述电逻辑拓扑矩阵中，如果两个设备之间的电连接关系为串联关系，则所述电逻辑拓扑矩阵中对应位置的值为1，如果两个设备之间的电连接关系为并联关系，则所述电逻辑拓扑矩阵中对应位置的值为0。

接着，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。也就是，使用在局部特征挖掘领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述电逻辑拓扑矩阵中的局部特征，即，设备间的电连接关系的局部关联隐含特征。

进而，以所述各个设备的设备多尺度温度特征向量作为节点的特征表示，而以所述电逻辑拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个设备多尺度温度特征向量经二维排列得到的设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵进行图结构数据编码以得到包含不规则的电逻辑拓扑特征和各个设备的温度特征信息的所述电逻辑拓扑设备全局多尺度温度特征矩阵。然后，将所述电逻辑拓扑设备全局多尺度温度特征矩阵作为分类特征矩阵并通过分类器就可以得到用于表示变电站的状态是否正常的分类结果。

在将所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器时，由于所述电逻辑拓扑设备全局多尺度温度特征矩阵的各个行向量之间具有逻辑拓扑关联关系，因此在将其作为分类矩阵通过分类器进行分类的过程中，容易发生类相干干涉。

因此，对所述电逻辑拓扑设备全局多尺度温度特征矩阵，例如记为M，进行基于预分类的类概率相干补偿机制校正，表示为：

M'＝p^p·M^p-1⊙e^-p·M

其中p是所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器获得的预分类概率值。

也就是，由于所述电逻辑拓扑设备全局多尺度温度特征矩阵是所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络获得的，其各个行向量之间具有逻辑拓扑关联关系，因此在对其进行分类时，分类器本身的权重矩阵会在分类过程中对各个行向量具有类相干性，从而对所述电逻辑拓扑设备全局多尺度温度特征矩阵造成的类相干干涉。基于此，将通过预分类得到的分类器的类别概率值作为所述电逻辑拓扑设备全局多尺度温度特征矩阵的乘性干扰噪声项，来对所述电逻辑拓扑设备全局多尺度温度特征矩阵来进行类概率的相干补偿，可以恢复无干扰情况下的所述电逻辑拓扑设备全局多尺度温度特征矩阵M的等效概率强度表征，即优化后的矩阵M'，从而实现所述电逻辑拓扑设备全局多尺度温度特征矩阵的校正，以提高分类结果的准确性。也就是，提高对变电站的状态监测的精准度，以在变电张状态不正常时，能够进行智能预警以避免不必要的损失和危害的发生。

基于此，本申请提供了一种变电站全景数字孪生系统，其包括：数据监控与采集模块，用于获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；温度数据编码模块，用于将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；电逻辑拓扑构造模块，用于获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；电逻辑拓扑特征提取模块，用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；矩阵化模块，用于将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；图数据编码模块，用于将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；特征分布校正模块，用于基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及，状态监测结果生成模块，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

图1图示了根据本申请实施例的变电站全景数字孪生系统的应用场景图。如图1所示，在该应用场景中，获取待监测变电站(例如，如图1中所示意的B)中各个设备在预定时间段内多个预定时间点的温度数据(例如，如图1中所示意的D1)和所述待监测变电站中所有设备的电逻辑拓扑矩阵(例如，如图1中所示意的D2)。然后，将获取的所述各个设备在预定时间段内多个预定时间点的温度数据和所述待监测变电站中所有设备的电逻辑拓扑矩阵输入至部署有变电站全景数字孪生算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述变电站全景数字孪生算法对所述各个设备在预定时间段内多个预定时间点的温度数据和所述待监测变电站中所有设备的电逻辑拓扑矩阵进行处理以生成用于表示变电站的状态是否正常的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的变电站全景数字孪生系统的框图示意图。如图2所示，根据本申请实施例的变电站全景数字孪生系统100，其包括：数据监控与采集模块110，用于获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；温度数据编码模块120，用于将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；电逻辑拓扑构造模块130，用于获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；电逻辑拓扑特征提取模块140，用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；矩阵化模块150，用于将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；图数据编码模块160，用于将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；特征分布校正模块170，用于基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及，状态监测结果生成模块180，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

更具体地，在本申请实施例中，所述数据监控与采集模块110，用于获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据。应可以理解，当变电站开始运行时，其各个设备(包括变压器、高压断路器、隔离开关、母线、避雷器、电容器和电抗器等)的温度会发生变化，而如果某个设备发生故障(或者某几个设备发生故障)，其各个设备的温度变化会呈现于异常，这种温度异常不仅发生于单个设备上，也存在于设备间的温度关联层面。因此，在本申请的技术方案中，对所述变电站的各个设备的温度进行监控并采集。

更具体地，在本申请实施例中，所述温度数据编码模块120，用于将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量。也就是，使用所述多尺度邻域特征提取模块作为特征提取器来提取各个设备的温度输入向量在不同时间跨度内的温度关联的高维隐含特征。

具体地，所述多尺度邻域特征提取模块包括并行的多个一维卷积层，其中，所述多个一维卷积层中各个一维卷积层分别以不同长度的一维卷积核对各个设备的温度输入向量进行不同尺度的一维卷积编码以得到所述设备多尺度温度特征向量。

相应地，在一个具体示例中，如图3所示，所述温度数据编码模块120，包括：第一邻域尺度卷积编码单元121，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度卷积编码单元122，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，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，多尺度级联单元123，用于使用所述多尺度邻域特征提取模块的级联层将所述设备第一尺度温度特征向量和所述设备第二尺度温度特征向量进行级联以得到所述设备多尺度温度特征向量。

相应地，在一个具体示例中，所述第一邻域尺度卷积编码单元121，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到所述设备第一尺度温度特征向量；

其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述温度输入向量。

相应地，在一个具体示例中，所述第二邻域尺度卷积编码单元122，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到所述设备第二尺度温度特征向量；

其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述温度输入向量。

更具体地，在本申请实施例中，所述电逻辑拓扑构造模块130，用于获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系。因可以理解，变电站中各个设备除了存在物理关系外(例如，空间位置关系)，还存在电连接关系，利用各个设备间的电连接关系有利于更为精准地捕捉各个设备的温度特征之间的关联，其原因为如果两个设备串联则其温度变化则更加趋同，而如果两个设备并联，在两个设备的温度变化则更为相对更为独立。

相应地，在一个具体示例中，在所述电逻辑拓扑矩阵中，如果两个设备之间的电连接关系为串联关系，则所述电逻辑拓扑矩阵中对应位置的值为1，如果两个设备之间的电连接关系为并联关系，则所述电逻辑拓扑矩阵中对应位置的值为0。

更具体地，在本申请实施例中，所述电逻辑拓扑特征提取模块140，用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。也就是，使用在局部特征挖掘领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述电逻辑拓扑矩阵中的局部特征，即，设备间的电连接关系的局部关联隐含特征。

相应地，在一个具体示例中，所述电逻辑拓扑特征提取模块140，用于：使用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对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述电逻辑拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述电逻辑拓扑矩阵。

更具体地，在本申请实施例中，所述矩阵化模块150，用于将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵。以所述各个设备的设备多尺度温度特征向量作为节点的特征表示，而以所述电逻辑拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个设备多尺度温度特征向量经二维排列得到的设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵。

更具体地，在本申请实施例中，所述图数据编码模块160，用于将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵。所述图神经网络通过可学习的神经网络参数对所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵进行图结构数据编码以得到包含不规则的电逻辑拓扑特征和各个设备的温度特征信息的所述电逻辑拓扑设备全局多尺度温度特征矩阵。

更具体地，在本申请实施例中，所述特征分布校正模块170，用于基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵。

在将所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器时，由于所述电逻辑拓扑设备全局多尺度温度特征矩阵的各个行向量之间具有逻辑拓扑关联关系，因此在将其作为分类矩阵通过分类器进行分类的过程中，容易发生类相干干涉。因此，对所述电逻辑拓扑设备全局多尺度温度特征矩阵进行基于预分类的类概率相干补偿机制校正。

相应地，在一个具体示例中，所述特征分布校正模块170，进一步用于：以如下公式对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；

其中，所述公式为：

M'＝p^p·M^p-1⊙e^-p·M

其中，p是所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器获得的预分类概率值，M是所述电逻辑拓扑设备全局多尺度温度特征矩阵，M'是所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵，⊙表示按位置点乘。

也就是，由于所述电逻辑拓扑设备全局多尺度温度特征矩阵是所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络获得的，其各个行向量之间具有逻辑拓扑关联关系，因此在对其进行分类时，分类器本身的权重矩阵会在分类过程中对各个行向量具有类相干性，从而对所述电逻辑拓扑设备全局多尺度温度特征矩阵造成的类相干干涉。基于此，将通过预分类得到的分类器的类别概率值作为所述电逻辑拓扑设备全局多尺度温度特征矩阵的乘性干扰噪声项，来对所述电逻辑拓扑设备全局多尺度温度特征矩阵来进行类概率的相干补偿，可以恢复无干扰情况下的所述电逻辑拓扑设备全局多尺度温度特征矩阵M的等效概率强度表征，即优化后的矩阵M'，从而实现所述电逻辑拓扑设备全局多尺度温度特征矩阵的校正，以提高分类结果的准确性。也就是，提高对变电站的状态监测的精准度，以在变电张状态不正常时，能够进行智能预警以避免不必要的损失和危害的发生。

更具体地，在本申请实施例中，所述状态监测结果生成模块180，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

相应地，在一个具体示例中，如图4所示，所述状态监测结果生成模块180，包括：矩阵展开单元181，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵按照行向量展开为分类特征向量；全连接编码单元182，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元183，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的变电站全景数字孪生系统100被阐明，其首先获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据和所有设备的电逻辑拓扑矩阵，接着，将所述各个设备在预定时间段内多个预定时间点的温度数据进行多尺度邻域特征提取得到的多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵，然后，将其和所述电逻辑拓扑矩阵通过卷积神经网络模型得到的电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵，接着，对电逻辑拓扑设备全局多尺度温度特征矩阵进行校正后再通过分类器以得到用于表示变电站的状态是否正常的分类结果。这样，可以对变电站的状态进行智能监控。

如上所述，根据本申请实施例的所述变电站全景数字孪生系统100可以实现在各种终端设备中，例如具有变电站全景数字孪生算法的服务器等。在一个示例中，变电站全景数字孪生系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该变电站全景数字孪生系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该变电站全景数字孪生系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该变电站全景数字孪生系统100与该终端设备也可以是分立的设备，并且变电站全景数字孪生系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图5图示了根据本申请实施例的变电站全景数字孪生方法的流程图。如图5所示，根据本申请实施例的变电站全景数字孪生方法，其包括：S110，获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；S120，将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；S130，获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；S140，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；S150，将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；S160，将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；S170，基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及，S180，将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

图6图示了根据本申请实施例的变电站全景数字孪生方法的系统架构的示意图。如图6所示，在所述变电站全景数字孪生方法的系统架构中，首先，获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；接着，将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；然后，获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；接着，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；然后，将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；接着，将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；然后，基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；最后，将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常。

在一个具体示例中，在上述变电站全景数字孪生方法中，所述将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，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，使用所述多尺度邻域特征提取模块的级联层将所述设备第一尺度温度特征向量和所述设备第二尺度温度特征向量进行级联以得到所述设备多尺度温度特征向量。

在一个具体示例中，在上述变电站全景数字孪生方法中，所述使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到所述设备第一尺度温度特征向量；

其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述温度输入向量。

在一个具体示例中，在上述变电站全景数字孪生方法中，所述使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到所述设备第二尺度温度特征向量；

其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述温度输入向量。

在一个具体示例中，在上述变电站全景数字孪生方法中，在所述电逻辑拓扑矩阵中，如果两个设备之间的电连接关系为串联关系，则所述电逻辑拓扑矩阵中对应位置的值为1，如果两个设备之间的电连接关系为并联关系，则所述电逻辑拓扑矩阵中对应位置的值为0。

在一个具体示例中，在上述变电站全景数字孪生方法中，所述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对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述电逻辑拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述电逻辑拓扑矩阵。

在一个具体示例中，在上述变电站全景数字孪生方法中，所述基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵，进一步包括：以如下公式对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；

其中，所述公式为：

M'＝p^p·M^p-1⊙e^-p·M

其中，p是所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器获得的预分类概率值，M是所述电逻辑拓扑设备全局多尺度温度特征矩阵，M'是所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵，⊙表示按位置点乘。

在一个具体示例中，在上述变电站全景数字孪生方法中，所述将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，包括：将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵按照行向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述变电站全景数字孪生方法中的各个步骤的具体操作已经在上面参考图1到图4的变电站全景数字孪生系统的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种变电站全景数字孪生系统，其特征在于，包括：

数据监控与采集模块，用于获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；

温度数据编码模块，用于将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；

电逻辑拓扑构造模块，用于获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；

电逻辑拓扑特征提取模块，用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；

矩阵化模块，用于将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；

图数据编码模块，用于将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；

特征分布校正模块，用于基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及

状态监测结果生成模块，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常；

其中，所述特征分布校正模块，进一步用于：以如下公式对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；

其中，所述公式为：

M'＝p^p·M^p-1⊙e^-p·M

其中，p是所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器获得的预分类概率值，M是所述电逻辑拓扑设备全局多尺度温度特征矩阵，M'是所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵，⊙表示按位置点乘。

2.根据权利要求1所述的变电站全景数字孪生系统，其特征在于，所述温度数据编码模块，包括：

第一邻域尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；

第二邻域尺度卷积编码单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，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

多尺度级联单元，用于使用所述多尺度邻域特征提取模块的级联层将所述设备第一尺度温度特征向量和所述设备第二尺度温度特征向量进行级联以得到所述设备多尺度温度特征向量。

3.根据权利要求2所述的变电站全景数字孪生系统，其特征在于，所述第一邻域尺度卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述设备第一尺度温度特征向量；

其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述温度输入向量。

4.根据权利要求3所述的变电站全景数字孪生系统，其特征在于，所述第二邻域尺度卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述设备第二尺度温度特征向量；

其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述温度输入向量。

5.根据权利要求4所述的变电站全景数字孪生系统，其特征在于，在所述电逻辑拓扑矩阵中，如果两个设备之间的电连接关系为串联关系，则所述电逻辑拓扑矩阵中对应位置的值为1，如果两个设备之间的电连接关系为并联关系，则所述电逻辑拓扑矩阵中对应位置的值为0。

6.根据权利要求5所述的变电站全景数字孪生系统，其特征在于，所述电逻辑拓扑特征提取模块，用于：使用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对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述电逻辑拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述电逻辑拓扑矩阵。

7.根据权利要求6所述的变电站全景数字孪生系统，其特征在于，所述状态监测结果生成模块，包括：

矩阵展开单元，用于将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵按照行向量展开为分类特征向量；

全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

8.一种变电站全景数字孪生方法，其特征在于，包括：

获取待监测变电站中各个设备在预定时间段内多个预定时间点的温度数据；

将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量；

获取所述待监测变电站中所有设备的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中非对角线位置上各个位置的值为相应两个设备之间的电连接关系；

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；

将所述多个设备多尺度温度特征向量进行二维排列以得到设备全局多尺度温度特征矩阵；

将所述设备全局多尺度温度特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到电逻辑拓扑设备全局多尺度温度特征矩阵；

基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；以及

将所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变电站的状态是否正常；

其中，基于所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器得到的预分类概率值，对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵，包括：以如下公式对所述电逻辑拓扑设备全局多尺度温度特征矩阵的特征分布进行校正以得到校正后电逻辑拓扑设备全局多尺度温度特征矩阵；

其中，所述公式为：

M'＝p^p·M^p-1⊙e^-p·M

其中，p是所述电逻辑拓扑设备全局多尺度温度特征矩阵通过分类器获得的预分类概率值，M是所述电逻辑拓扑设备全局多尺度温度特征矩阵，M'是所述校正后电逻辑拓扑设备全局多尺度温度特征矩阵，⊙表示按位置点乘。

9.根据权利要求8所述的变电站全景数字孪生方法，其特征在于，

所述将所述各个设备在预定时间段内多个预定时间点的温度数据分别按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块以得到多个设备多尺度温度特征向量，包括：

使用所述多尺度邻域特征提取模块的第一卷积层对所述温度输入向量进行一维卷积编码以得到设备第一尺度温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；

使用所述多尺度邻域特征提取模块的第二卷积层对所述温度输入向量进行一维卷积编码以得到设备第二尺度温度特征向量，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

使用所述多尺度邻域特征提取模块的级联层将所述设备第一尺度温度特征向量和所述设备第二尺度温度特征向量进行级联以得到所述设备多尺度温度特征向量。

Images