CN115470857B - 变电站全景数字孪生系统及其方法 - Google Patents
变电站全景数字孪生系统及其方法 Download PDFInfo
- Publication number
- CN115470857B CN115470857B CN202211126227.1A CN202211126227A CN115470857B CN 115470857 B CN115470857 B CN 115470857B CN 202211126227 A CN202211126227 A CN 202211126227A CN 115470857 B CN115470857 B CN 115470857B
- Authority
- CN
- China
- Prior art keywords
- scale
- matrix
- logic topology
- temperature
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 253
- 239000013598 vector Substances 0.000 claims description 163
- 238000000605 extraction Methods 0.000 claims description 56
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
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
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'＝pp·Mp-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'＝pp·Mp-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'＝pp·Mp-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'＝pp·Mp-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'＝pp·Mp-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'＝pp·Mp-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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211126227.1A CN115470857B (zh) | 2022-09-16 | 2022-09-16 | 变电站全景数字孪生系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211126227.1A CN115470857B (zh) | 2022-09-16 | 2022-09-16 | 变电站全景数字孪生系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115470857A CN115470857A (zh) | 2022-12-13 |
| CN115470857B true CN115470857B (zh) | 2023-05-23 |
Family
ID=84332859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211126227.1A Active CN115470857B (zh) | 2022-09-16 | 2022-09-16 | 变电站全景数字孪生系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470857B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116036482B (zh) * | 2023-01-28 | 2023-06-23 | 杭州糖吉医疗科技有限公司 | 磁共振自控温热消融支架及其方法 |
| CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
| CN117375237B (zh) * | 2023-10-20 | 2024-05-24 | 浙江日新电气有限公司 | 基于数字孪生技术变电站运维方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| WO2021212891A1 (zh) * | 2020-04-22 | 2021-10-28 | 青岛鼎信通讯股份有限公司 | 一种采用卷积神经网络的故障电弧信号检测方法 |
| CN114580520A (zh) * | 2022-02-28 | 2022-06-03 | 上海维虬城电子有限公司 | 电力系统二次设备的监测系统及其监测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210256370A1 (en) * | 2020-02-14 | 2021-08-19 | Salesforce.Com, Inc. | System and method for graph-based resource allocation using neural networks |
| CN112884008B (zh) * | 2021-01-25 | 2022-09-09 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
| CN114647198B (zh) * | 2022-03-09 | 2023-02-03 | 深圳市经纬纵横科技有限公司 | 基于物联网的智能家居控制方法、系统和电子设备 |
| CN114724386B (zh) * | 2022-03-31 | 2023-10-27 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
| CN114884772A (zh) * | 2022-05-07 | 2022-08-09 | 福建福清核电有限公司 | 裸机vxlan的部署方法、系统和电子设备 |
-
2022
- 2022-09-16 CN CN202211126227.1A patent/CN115470857B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| WO2021212891A1 (zh) * | 2020-04-22 | 2021-10-28 | 青岛鼎信通讯股份有限公司 | 一种采用卷积神经网络的故障电弧信号检测方法 |
| CN114580520A (zh) * | 2022-02-28 | 2022-06-03 | 上海维虬城电子有限公司 | 电力系统二次设备的监测系统及其监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115470857A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115470857B (zh) | 变电站全景数字孪生系统及其方法 | |
| CN115099285A (zh) | 基于神经网络模型的智能检测方法及其系统 | |
| CN108020781B (zh) | 一种断路器故障诊断方法 | |
| CN114219147A (zh) | 一种基于联邦学习的配电站故障预测方法 | |
| CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN115797708A (zh) | 一种输配电同步数据采集方法 | |
| CN104133143B (zh) | 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN114580520A (zh) | 电力系统二次设备的监测系统及其监测方法 | |
| CN115876355A (zh) | 防爆配电箱的安全预警方法 | |
| Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
| CN115757813A (zh) | 一种基于故障时序知识图谱的装备剩余寿命预测方法 | |
| CN108399579B (zh) | 变电站设备监控数据信号的智能解析系统 | |
| CN115166415A (zh) | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 | |
| CN117040048A (zh) | 风光发电储能管理方法及系统 | |
| CN115456046A (zh) | 基于自抗扰控制的风力发电机变速变桨控制系统及其方法 | |
| CN112215197A (zh) | 基于人工智能的地下电缆故障预警方法和预警系统 | |
| Shu et al. | Link prediction model for opportunistic networks based on feature fusion | |
| CN115102983B (zh) | 基于压缩感知的电力物联网多源异构数据信号处理方法 | |
| CN115776442A (zh) | 一种数据中心网络设备信息采集节点部署方法 | |
| CN115099282A (zh) | 锂电池电池组的故障诊断系统及其诊断方法 | |
| CN115130520A (zh) | 基于多线路关联的电路故障诊断方法及其系统 | |
| CN115935261A (zh) | 基于工业互联网的群体设备非绝对正向反馈方法 | |
| CN110839256B (zh) | 一种蜂窝网络数据异常检测方法 | |
| CN112004238B (zh) | 一种基于nmf和2-svd-qr的无线传感器网络优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |