CN121840887A - 用于电力系统监控的数据采集方法、装置、介质及设备 - Google Patents

Abstract

本发明涉及电力系统监控技术领域，并公开了一种用于电力系统监控的数据采集方法、装置、介质及设备，方法包括解析目标电力设备的监测数据得到解析数据，并进行模糊化处理与多源数据融合；对融合数据进行协议自适应转换输出标准化特征数据；监测通信链路的实时状态，当通信链路为非可用状态时切换至本地智能决策模式，并基于历史标准化特征数据预测未来运行状态，通过多目标优化算法计算得到目标调整量并进行本地输出；当通信链路为可用状态时，将标准化特征数据上传至电力监控主站。上述方法提升了装置的协议兼容性、具备断网场景下设备可监控可优化的能力，增强了电力监控系统在面对设备异构性与环境不确定性下的整体可靠性与智能化水平。

Description

用于电力系统监控的数据采集方法、装置、介质及设备

技术领域

本发明涉及电力系统监控技术领域，尤其是涉及一种用于电力系统监控的数据采集方法、装置、介质及设备。

背景技术

电力系统监控技术是保障电网安全、稳定、经济运行的关键技术，伴随着分布式电源、移动应急电源等大量接入，电力监控系统需对各类电力设备进行实时数据采集与状态监测；目前，例如发电机控制器、电表、保护装置等现场设备通信协议多样，广泛采用Modbus-RTU、DLT645、IEC104等标准工业协议，以及众多厂家私有协议，导致现场数据采集面临严重的协议异构性问题。

传统的电力监控数据采集装置，如远程终端单元(RTU)或数据采集终端，通常采用预置固定协议解析库的方式，这种方式缺乏对未知或私有协议的识别与自适应解析能力，当接入新类型设备或协议版本更新时，需要人工介入、修改程序并重新部署，导致系统扩展性差、部署和维护成本高，难以适应电力物联网设备快速接入与灵活配置的需求；此外，移动应急电源类的电力设备常工作于网络条件恶劣的环境，其与电力监控主站之间的通信链路易发生中断或严重劣化，当通信中断后无法在离线状态下进行本地智能分析与自主决策，使得电力设备在脱离主站监控期间，其运行状态无法得到实时优化与安全控制，存在安全隐患和运行效率低下的风险。

因此，一种能够兼容多协议、且在通信中断条件下具备本地智能决策能力的数据采集方法亟待研究。

发明内容

有鉴于此，本申请提供了一种用于电力系统监控的数据采集方法、装置、介质及设备，主要目的在于解决现有技术中电力监控数据采集装置无法兼容多协议，且在通信中断的条件下无法进行本地智能决策的技术问题。

根据本发明的第一个方面，提供了一种用于电力系统监控的数据采集方法，所述方法由部署在电力设备侧的智能数据采集装置执行，包括：

采集目标电力设备的监测数据，对所述监测数据进行协议识别与解析得到解析数据，并对所述解析数据进行模糊化处理与多源数据融合生成融合数据；

对所述融合数据进行协议自适应转换，输出标准化特征数据；

监测与电力监控主站之间通信链路的实时状态，当所述通信链路为非可用状态时，切换至本地智能决策模式，并基于历史标准化特征数据预测所述目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整所述目标电力设备运行的目标调整量，将所述目标调整量进行本地输出；

当所述通信链路为可用状态时，将所述标准化特征数据上传至所述电力监控主站。

根据本发明的第二个方面，提供了一种用于电力系统监控的数据采集装置，包括：

数据融合模块，用于采集目标电力设备的监测数据，对所述监测数据进行协议识别与解析得到解析数据，并对所述解析数据进行模糊化处理与多源数据融合生成融合数据；

协议转换模块，用于对所述融合数据进行协议自适应转换，输出标准化特征数据；

边缘自治模块，用于监测与电力监控主站之间通信链路的实时状态，当所述通信链路为非可用状态时，切换至本地智能决策模式，并基于历史标准化特征数据预测所述目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整所述目标电力设备运行的目标调整量，将所述目标调整量进行本地输出；

云端协同模块，用于当所述通信链路为可用状态时，将所述标准化特征数据上传至所述电力监控主站。

根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，程序被处理器执行时实现上述用于电力系统监控的数据采集方法。

根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述用于电力系统监控的数据采集方法。

本发明提供的一种用于电力系统监控的数据采集方法、装置、介质及设备，通过协议识别与解析与协议自适应转换两个处理环节，实现对已知协议的快速匹配与未知协议的动态解析，以及将异构融合数据自动转换为标准化特征数据，使得装置具备对多源异构协议运行时自适应能力，无需人工干预即可完成新设备的即插即用与协议在线学习；通过持续监测通信链路状态，装置能够在判定通信链路为非可用状态时平滑切换至本地智能决策模式，并立即启动基于历史标准化特征数据的状态预测与多目标优化计算，最终将生成的目标调整量通过本地界面或控制接口直接输出，确保电力设备在极端环境下仍能维持安全稳定的运行状态。与现有技术相比，现有技术依赖固定协议库，接入新设备需人工介入修改程序，扩展维护成本高，本申请通过构建双模协议解析机制，对于特征码匹配失败的未知协议数据帧，能够基于双模态深度学习模型自主推断协议类型并动态生成解析规则并进行缓存实现后续快速解析，无需人工干预即可完成新设备的即插即用与协议在线学习，提升了装置对多源异构协议的运行时自适应能力；在断网自治能力方面，现有技术在通信中断后仅具备数据缓存功能，无法在离线状态下进行本地智能分析与自主决策，而本申请通过持续监测通信链路状态，能够在判定通信中断时平滑切换至本地智能决策模式，基于轻量化机器学习模型预测设备未来运行状态，并通过多目标优化求解目标调整量进行本地输出，使电力设备在断网场景下仍能维持安全稳定的运行状态；在资源调度机制方面，现有装置在多任务并发时缺乏动态调度能力，易导致系统过载或关键任务延迟，而本申请引入轻量化调度模型，当本地计算资源占用率超过阈值时，对数据采集、协议解析、状态预测及优化计算等任务进行动态资源分配，有效避免了资源瓶颈对系统实时性与可靠性的影响。综上，本申请提升了装置的协议兼容性、具备断网场景下设备可监控可优化的能力，增强了电力监控系统在面对设备异构性与环境不确定性下的整体可靠性与智能化水平。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了本发明实施例提供的一种用于电力系统监控的数据采集方法的流程示意图；

图2示出了本发明实施例提供的另一种用于电力系统监控的数据采集方法的流程示意图；

图3示出了本发明实施例提供的一种用于电力系统监控的数据采集装置的结构示意图；

图4示出了本发明实施例提供的一种计算机设备的装置结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

本申请实施例提供了一种用于电力系统监控的数据采集方法，方法由部署在电力设备侧的智能数据采集装置执行，如图1所示，该方法包括以下步骤：

101、采集目标电力设备的监测数据，对监测数据进行协议识别与解析得到解析数据，并对解析数据进行模糊化处理与多源数据融合生成融合数据。

具体地，监测数据是指通过智能数据采集装置的多类型物理接口从目标电力设备实时采集的原始电信号或数据报文，其格式取决于所采用的通信协议，目标电力设备通常包括发电机控制器、保护装置、智能电表等；协议识别与解析是依据装置内预置的逻辑属性标签对监测数据进行协议类型判定与报文拆解，提取出具有物理含义的数值点，并附加时间戳与质量戳，从而生成结构化的解析数据，逻辑属性标签包含协议特征码、数据解析规则模板等，而其中，数据解析规则是指用于指导如何从原始数据帧中提取并转换为具有物理含义的数据点值的逻辑指令集，规则本质上是一套规范化的解析逻辑，规定了从二进制报文到结构化数据的完整转换过程，具体而言，数据解析规则包含以下核心逻辑要素：定位逻辑，规定从数据帧的哪个位置开始提取数据，通常表现为字节偏移量或寄存器地址，用于指示目标数据在报文中的起始位置；长度逻辑，规定提取的数据占用多少个字节或位，决定了原始数据的物理长度；格式逻辑，规定原始数据的编码格式及其解读方式，包括数据类型、字节顺序、是否带符号位等；转换逻辑，规定如何将原始数值转换为具有物理意义的工程值，通常表现为线性变换、查表映射或特定函数计算；校验逻辑，规定如何对提取的数据进行有效性验证；以上逻辑要素共同构成一条完整的数据解析规则，当装置执行协议解析时，即按照规则所定义的逻辑顺序，依次完成定位、提取、格式转换、有效性判断等操作，最终输出带时间戳和质量戳的解析数据；模糊化处理是针对解析数据中可能存在的传感器噪声、测量误差等不确定性，通过预设的隶属度函数将精确数值映射为在正常、警告、异常等模糊状态上的隶属度向量；多源数据融合是将来自同一监测对象的多个解析数据点及其对应的隶属度向量作为一组证据体，结合传感器的可信度权重，采用改进的证据理论合成规则进行融合，最终生成一个综合信度分布，并将其清晰化为一个代表性的数值输出，即融合数据。

本申请实施例中，将原始杂乱的现场监测数据转化为高质量且高一致性的融合数据，解决了多厂家设备协议异构导致的数据接入壁垒，实现了对各类标准及私有协议的兼容；通过模糊化处理与多源证据融合，有效抑制了单一传感器的测量噪声与偶发故障，显著提升了数据的准确性与可靠性；并为后续的协议自适应转换及本地智能决策提供了可靠的数据输入，是实现本申请数据采集方法精准控制与可靠自治的前提。

102、对融合数据进行协议自适应转换，输出标准化特征数据。

具体地，协议自适应转换是智能数据采集装置对融合数据进行的二次处理过程，首先提取融合数据的关键特征，例如数据点标识、来源协议类型等，与装置内预置的协议规则库中的特征签名进行匹配；若匹配成功，则依据规则库中对应的数据解析规则模板，直接将融合数据转换为具有标准物理语义、标准单位及统一标识的标准数据点；若匹配失败，则启动基于双模态学习的深度学习模型，对融合数据进行上下文关联特征与数值统计特征的联合分析，推断其物理语义，并将其映射至预设的电力系统监控数据模型中最接近的标准数据点定义上，同时生成标度转换关系，最终完成向标准数据点的转换；转换完成后，装置将标准数据点连同其元数据，例如原始协议信息、转换时间戳以及转换置信度，一同封装为符合目标通信规约的报文，得到标准化特征数据，具体表现为标准遥测或遥信数据。

本申请实施例中，将装置内部处理所得的融合数据，统一转换为电力监控主站可识别、可处理的标准化特征数据，实现了对已知协议的精准转换与对未知私有协议的语义映射，显著提升了装置对不同厂家、不同型号设备的接入兼容性；输出的标准化特征数据符合电力系统监控数据模型规范，消除了因数据格式差异导致的主站侧解析障碍，实现了即插即用的数据接入效果；最终为通信正常时的数据上传提供了标准化的数据载荷，也为通信中断后的本地智能决策提供了统一格式的历史数据基础，确保了云边协同与边缘自治两种模式下数据的一致性与可复用性。

103、监测与电力监控主站之间通信链路的实时状态，当通信链路为非可用状态时，切换至本地智能决策模式，并基于历史标准化特征数据预测目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整目标电力设备运行的目标调整量，将目标调整量进行本地输出。

其中，通信链路是指智能数据采集装置与电力监控主站之间建立的用于数据传输的通信连接，通常基于4G/5G、光纤或无线专网实现；非可用状态是对通信质量的综合性评判，包括通信质量劣化与通信中断两种情形，其中，通信质量劣化是指链路尚存但性能严重下降，而通信中断是指链路完全不可用；本地智能决策模式是装置在判定通信链路为非可用状态时主动切入的一种自主运行状态，在此模式下，装置停止向主站发送数据，转而启用本地算力与内置算法模块，实现对设备的独立监控与调控；历史标准化特征数据是指此前经协议自适应转换并存储于本地循环队列中的、符合标准数据模型的历史运行数据序列；目标调整量是装置通过预测与优化计算生成的、用于指导设备运行参数调整的具体数值指令。

具体地，本步骤的具体实施包括三级递进的控制逻辑，首先，装置通过持续监测与主站之间的心跳响应时延及数据包成功送达率，实时评估通信链路质量，当检测到心跳时延持续超过阈值且送达率低于阈值时，判定通信质量劣化，随即启动本地缓存模式，将新生成的标准化特征数据暂存于本地循环队列，同时继续保持重连尝试；而当完全收不到心跳响应且主动重连失败次数达到预设值时，则判定通信中断，装置立即停止所有上行通信尝试，正式切换至本地智能决策模式，在此模式下，装置从本地循环队列中提取可配置时间窗口的历史标准化特征数据序列，调用内置的深度可分离卷积神经网络对设备下一时刻的关键状态参数进行预测；随后，以预测值逼近主站预下发的电网目标参数、且控制调整量波动最小化为优化目标，构建多目标代价函数并通过求导得到目标调整量的解析解；最终，将目标调整量通过本地人机交互界面以自然语言指令或数字控制指令的形式进行输出，供现场操作人员或执行机构参考使用。

本申请实施例中，本步骤构建了包括通信感知、状态判定、模式切换、状态预测到优化决策的完整闭环流程，通过两级判定机制实现了从云边协同到边缘自治的过渡，避免因网络瞬时抖动导致的模式频繁切换，提升了系统稳定性，并且在完全离线状态下，装置仍能基于本地数据与内置模型对设备未来状态进行推演，通过多目标优化生成科学的调控指令，使电力设备在脱离主站监控期间仍能维持安全稳定的运行状态，最终本地输出的人机交互指令为现场运维人员提供了实时、可执行的操作指引，在灾害应急、偏远地区作业等场景下具有重要的工程实用价值。

104、当通信链路为可用状态时，将标准化特征数据上传至电力监控主站。

具体地，装置在持续监测通信链路状态的过程中，当判定通信链路满足可用状态条件时，进入云边协同工作模式，在此模式下，装置将生成的标准化特征数据按预设的传输策略上传至电力监控主站，其中，对于关键遥测数据，装置通常采用实时上报策略，确保主站能够及时感知设备运行状态，而对于非关键数据或变化缓慢的参数，可采用周期上报或变化上报策略，以节省通信带宽与装置能耗；上传过程中，装置会根据通信规约的要求对数据进行组帧、加密及校验，确保数据传输的完整性与安全性，同时，装置在上传数据的过程中仍保持对通信链路的实时监测，一旦检测到链路质量下降或中断，可立即触发本地缓存或边缘自治机制，形成完整的闭环控制逻辑。

本申请实施例中，实现了边缘装置与云端主站之间的高效数据协同，通过将标准化特征数据上传至主站，使主站能够实时掌握现场设备的运行状态，为全局调度、态势感知与远程控制提供准确的数据支撑；上传的数据采用统一的标准模型，消除了主站侧对不同厂家设备数据的解析障碍，实现了多源异构设备的统一接入与集中管理；本步骤通过与通信状态监测机制联动形成的正常时上传、异常时自治的双模运行架构，既保证了常态下的集中监控能力，又使得装置在异常情况下具备自主生存能力，提升了整个电力监控系统在面对复杂网络环境时的适应性与鲁棒性。

本发明提供的一种用于电力系统监控的数据采集方法，通过协议识别与解析与协议自适应转换两个处理环节，实现对已知协议的快速匹配与未知协议的动态解析，以及将异构融合数据自动转换为标准化特征数据，使得装置具备对多源异构协议运行时自适应能力，无需人工干预即可完成新设备的即插即用与协议在线学习；通过持续监测通信链路状态，装置能够在判定通信链路为非可用状态时平滑切换至本地智能决策模式，并立即启动基于历史标准化特征数据的状态预测与多目标优化计算，最终将生成的目标调整量通过本地界面或控制接口直接输出，确保电力设备在极端环境下仍能维持安全稳定的运行状态。综上，本申请提升了装置的协议兼容性、具备断网场景下设备可监控可优化的能力，增强了电力监控系统在面对设备异构性与环境不确定性下的整体可靠性与智能化水平。

本申请实施例提供了另一种用于电力系统监控的数据采集方法，方法由部署在电力设备侧的智能数据采集装置执行，具体先对本申请提供的智能数据采集装置的基础功能进行说明：

在电力物联网云端，即电力监控主站侧，可构建分级设备描述库并下发至部署于电力设备侧的智能数据采集装置，以此作为实现装置预置有逻辑属性标签、物理属性标签及协议规则库的一种优选实施方式，分级设备描述库为每类电力监控设备，例如发电机控制器、电池管理系统等，定义物理属性标签与逻辑属性标签；其中，在云端平台根据各类监测设备的技术规范构建结构化的分级设备描述库，为每类设备分别定义物理属性标签，包括额定电气参数、通信接口类型等，以及逻辑属性标签，包括支持的通信协议类型、协议特征码、数据解析规则模板及业务功能分类，通过将此描述库下发至现场的智能数据采集装置，可为装置提供统一、可扩展的设备知识基准，使其能够在不修改内部代码的情况下，动态适配不同厂家、不同协议的设备，实现基于配置驱动的柔性化接入，协议规则库作为逻辑属性标签的核心组成部分，也随之一同下发或预装于装置中；而为实现智能数据采集装置对逻辑属性标签、物理属性标签及协议规则库的预置，可在电力监控主站侧构建分级设备描述库并下发至装置，具体分级设备描述库的构建具体可包括以下步骤：

首先，构建三级描述结构；例如在云端管理平台中构建一个包含设备厂家信息、设备型号信息及设备实例信息的三级结构化描述体系，厂家信息层记录设备制造商，如ABB、西门子等；型号信息层细化到具体产品系列，如发电机控制器UC-2000系列；实例信息层则对应每台安装在具体电力设备上的唯一设备，并关联其资产编码与安装位置，这种分级结构有利于实现设备的精细化建模与批量运维管理。

其次，定义属性标签；在设备型号层级，为每一类电力监控设备分别定义物理属性标签与逻辑属性标签，其中，物理属性标签包括额定电压如400V AC、额定电流如630A、通信波特率如9600bps及接口物理类型如RS485两线制，用于描述设备的固有电气与通信特性，逻辑属性标签包括所支持的通信协议类型如Modbus-RTU、协议特征码用于快速识别报文、数据解析规则模板规定了如何从原始报文中提取数据点、业务功能分类如发电控制或电池监测，以及与主站的同步策略如下发频率，用于定义设备的数据与行为逻辑。

最后，集成协议规则库；协议规则库作为逻辑属性标签的核心组成部分，以可配置形式存在，协议规则库包含针对Modbus-RTU、DLT645、IEC 104等标准电力规约的解析规则与数据点映射关系，例如对Modbus-RTU定义功能码与寄存器地址映射，同时，协议规则库支持对私有电力协议的扩展，用户可通过图形化工具，依据设备手册自定义报文结构、校验方式及数据点映射，并将新规则添加至库中；基于以上步骤，通过将构建好的分级设备描述库下发至智能数据采集装置，分级设备描述库内含逻辑属性标签、物理属性标签及集成的协议规则库，即完成了对装置的初始配置或知识库更新，从而使其具备了执行后续自适应数据采集与智能决策所需的先验知识。

具体而言，逻辑属性标签定义电力监控设备所支持的通信协议类型、协议特征码、数据解析规则模板及业务功能分类，物理属性标签定义电力监控设备的额定电压、额定电流、通信波特率及接口物理类型，协议规则库包含针对Modbus-RTU、DLT645、IEC 104等电力规约及私有电力协议的标准解析规则与数据点映射关系。

为便于理解，可通过一个具体实施例对逻辑属性标签、物理属性标签及协议规则库的构成加以说明，假设接入一台型号为PowerGen-8000的柴油发电机组控制器，其逻辑属性标签定义其支持Modbus-RTU协议，协议特征码为功能码0x03，数据解析规则模板规定寄存器地址40001对应A相电压且需除以10转换为伏特值，业务功能分类为发电监测，其物理属性标签定义其额定电压为400V、额定电流为630A、通信波特率为9600bps、接口类型为RS-485，同时协议规则库中已预置针对Modbus-RTU、DLT645等标准协议的解析规则，并可扩展支持私有协议，例如当接入某厂家的私有协议温度变送器时，可通过配置工具自定义其报文结构与数据点映射关系并添加至该库中，使装置具备对其数据的自适应解析能力。

本申请提供的另一种用于电力系统监控的数据采集方法，如图2所示，具体包括：

201、对目标电力设备的监测数据进行协议识别与解析得到解析数据。

具体地，将监测数据的原始数据帧与预设的协议特征码集合进行匹配；当协议特征码集合中存在目标特征码与原始数据帧匹配时，基于目标特征码关联的目标数据解析规则，在原始数据帧中提取数据点值，并将数据点值作为解析数据；当协议特征码集合中不存在任一特征码与原始数据帧匹配时，提取原始数据帧的结构特征与统计特征，并输入至预设的双模态深度学习模型进行协议类型推断得到推断结果，根据推断结果生成临时解析规则，基于临时解析规则在原始数据帧中提取数据点值，并将数据点值作为解析数据。

其中，双模态深度学习模型是一种预先训练完成的神经网络模型，用于对特征码匹配失败的未知协议或私有协议数据帧进行协议类型推断与解析规则生成，模型采用双模态输入架构，能够联合学习数据帧的结构特征与统计特征，从而实现对未知协议模式的有效识别，具体而言，双模态深度学习模型的输入包含两个模态的特征向量，一种是结构特征模态，反映数据帧的格式结构与字段布局信息，提取的结构特征包括帧总长度、帧头起始标志位置及取值、功能码或类型码位置及取值、地址字段位置及取值、控制字段位置及取值、校验字段位置及类型、各固定字段之间的间隔长度、可变字段的出现位置等，结构特征通常以数值型向量或one-hot编码形式表示，用于刻画数据帧的固定格式模板；另一种是统计特征模态，反映数据帧的数值分布与统计规律信息，所提取的统计特征包括各字节位置的数值均值与方差、相邻字节差值分布、字节值熵、特定区间字节出现频率、校验和模式、连续相同字节的游程长度、数值波动特性等，统计特征用于捕捉数据帧中隐含的规律性模式，尤其适用于分析无固定字段定义的私有协议；而在模型架构层面，双模态深度学习模型采用双流网络结构，结构特征模态输入连接若干全连接层或一维卷积层，用于提取结构特征的高阶表示，统计特征模态输入连接若干全连接层，用于提取统计特征的高阶表示，两个模态的表示向量在融合层进行拼接或加权融合，随后连接若干全连接层和softmax输出层，最终输出协议类型的概率分布。

在本实施方式中，解析数据的获取共包括以下三个步骤，步骤一、进行协议特征码匹配，当智能数据采集装置接收到原始数据帧后，首先提取预置在逻辑属性标签中的协议特征码集合，例如Modbus-RTU协议的功能码0x03、DLT645协议的帧起始符0x68等，并将其与数据帧首部进行快速比对，若匹配成功，则立即判定协议类型并进入步骤二，若与所有预置特征码均匹配失败，则判定为未知或私有协议，进入步骤三；步骤二、进行规则模板解析，依据匹配成功的协议特征码所对应的数据解析规则模板，从数据帧中精确提取数据点值，此模板规定了数据点的提取位置、字节顺序、数据类型及工程值转换系数，提取的同时为每个数据点自动添加精确到毫秒的本地时间戳，并依据帧校验结果及数据合理性生成质量戳，完成解析；步骤三、进行辅助推断与解析，当判定为未知或私有协议时，启动辅助解析流程，装置首先从数据帧中提取多维度特征，包括结构特征，例如帧长度、特定位置字节值，以及统计特征，例如字节值分布、校验和模式；这些特征被共同输入至一个预先训练的、基于双模态学习的深度学习模型中，模型通过联合学习结构模态与统计模态的特征，推断出最可能的协议类型，模型不仅能输出类型标签，还能根据其内部学习到的模式，动态生成一套临时解析规则，例如，推断出从第5字节开始的2个字节代表温度，数据类型为有符号短整型，需除以10得实际值，装置应用此规则完成数据解析，并将此新协议进行缓存，后续接收到同类报文时，可直接调用缓存规则进行快速解析，无需再次经过模型推断，从而实现对新协议的在线学习与自适应；可见，本步骤实现了对已知协议的高效、准确解析，同时对未知或私有协议具备了自适应解析与在线学习能力，显著提升了在复杂工业现场环境下的协议兼容性与部署灵活性。

202、对解析数据进行模糊化处理与多源数据融合生成融合数据。

具体地，基于解析数据对应的传感器类型确定隶属度函数，并将解析数据的数值映射为在至少两个模糊状态等级上的隶属度向量；将目标电力设备的至少一组解析数据整合为证据体，并基于隶属度向量以及隶属度向量对应的数据质量戳确定证据体的基本信度分配；基于预设的传感器可信度权重对基本信度分配进行折扣修正，得到修正后的证据体，将多个修正后的证据体根据预设的证据理论合成规则进行融合，得到综合信度分布；选取综合信度分布中最大信度对应的模糊状态等级作为目标电力设备的融合状态，并将融合状态清晰化后的数值作为融合数据进行输出。

其中，证据理论合成规则基于Dempster-Shafer证据理论构建，并针对电力监控场景进行了改进优化，用于将来自同一监测对象的多源传感器数据进行融合，生成高可靠性的综合状态评估。在证据理论框架下，设识别框架{正常，警告，异常}为系统可能状态的完备集合，每个传感器数据点作为一个证据体，其基本信度分配基于该数据点的隶属度向量及质量戳计算确定，本申请的核心改进在于引入传感器可信度权重进行折扣修正：设传感器预设可信度权重为w(0≤w≤1)，则修正后的基本信度分配为m'(A)=w×m(A)，其中A为非空真子集，并将剩余信度(1-w)分配给表示不确定的全集，修正机制将传感器长期统计可靠性先验信息融入融合过程，有效抑制低质量传感器对融合结果的过度影响，经折扣修正后的多个证据体采用Dempster合成规则进行融合，融合后得到综合信度分布，采用最大信度准则确定融合状态，即选取信度最大的命题作为当前监测对象的最终状态，为满足后续定量计算需求，对融合状态进行清晰化输出，若状态为正常，输出隶属度区间中值或加权平均值，若状态为警告或异常，输出预设预警阈值，通过改进的证据理论合成规则，本申请实现了多源异构数据的高效融合，显著提升了状态监测的准确性与可靠性。

在本实施方式中，首先，基于隶属度函数的模糊化处理，针对每个解析得到的数据点，例如来自PT100温度传感器的绕组温度值，装置根据传感器类型的历史误差分布特性，选择三角形或梯形隶属度函数，将精确数值映射为在正常、警告、异常三个模糊状态等级上的隶属度向量，具体而言，设定温度正常范围为0-120℃，警告范围为115-135℃，异常范围为>130℃，当实测温度为118℃时，通过计算其在各模糊区间上的隶属度，可得到一个三维向量，如[0.8(正常)，0.2(警告)，0.0(异常)]，此向量量化了测量值属于各模糊状态的可能性；其次，构建证据体并计算基本信度分配，将来自同一监测对象的不同传感器数据点，例如直接接触式温度传感器、红外测温传感器、基于振动的间接温度估计值作为一组证据体，每个证据体的基本信度分配，由之前得到的隶属度向量及其解析时生成的质量戳共同计算确定，质量戳越高，其隶属度向量被赋予的初始信度越高；之后，基于预设可信度权重的改进证据融合，具体采用改进的Dempster-Shafer(D-S)证据合成规则对证据体进行融合，具体在经典D-S合成前，依据预置在逻辑属性标签中的各类传感器的可信度权重，例如，直接接触式温度传感器权重α=0.9，红外测温传感器权重β=0.7，振动推断传感器权重γ=0.5，对每个证据体的基本信度分配进行折扣修正，其中，折扣修正公式可表示为：，对于所有非空命题A，并将剩余的信度(1-w)分配给表示不确定的全集，其中，为证据体对命题A的原始基本信度分配，为经过折扣修正后的新基本信度分配，w为折扣系数或可信度权重，对于所有非全集命题A，权重w代表了认为这个证据来源可靠的那部分，分配给各个具体命题，并将剩余的信度(1-w)分配给表示不确定的全集，实质上是将领域专家知识或长期统计得到的传感器可靠性先验信息引入融合过程，避免低质量或易漂移的传感器证据对融合结果的过度影响；最后，进行融合决策与清晰化输出，将经过折扣修正后的多个证据体通过D-S合成公式进行融合，得到一个综合信度分布，例如{正常：0.82， 警告：0.15，异常：0.01，不确定：0.02}，融合结果输出为一个综合信度分布，其最大信度所对应的模糊等级作为监测对象的融合状态，并将状态的清晰化值作为融合的数据输出，最后选取最大信度对应的模糊等级作为监测对象当前的融合状态，而为实现后续定量计算，对模糊状态进行清晰化，若状态为正常，可采用其隶属度区间中值或基于隶属度的加权平均值作为代表值，若状态为警告或异常，则输出预设的预警阈值(如130℃或135℃)，最终的代表值或阈值即为输出的融合数据。

203、对融合数据进行协议自适应转换，输出标准化特征数据。

具体地，提取融合数据的关键特征，将关键特征与预设的协议规则库中的特征签名进行匹配；当存在目标特征签名与关键特征匹配时，根据目标特征签名对应的数据解析规则模板，将融合数据转换为标准数据点；当不存在任一特征签名与关键特征匹配时，利用预设的双模态深度学习模型对融合数据进行联合分析，输出融合数据对应的物理语义、标度转换关系和转换置信度，并将物理语义映射至预设的电力系统监控数据模型中对应的标准数据点定义，基于标准数据点定义和标度转换关系将融合数据转换为标准数据点；将标准数据点和对应的元数据，以及转换置信度，封装为标准化特征数据，其中，标准化特征数据包括符合目标通信规约的标准遥测或遥信数据。

在本实施方式中，通过此步骤，来自多源异构传感器的数据被转化为一个高可靠性、高一致性且抗干扰能力强的融合数据，为后续的智能决策提供了优质输入，具体步骤包括：第一，关键特征匹配与规则查找，智能数据采集装置提取待转换融合数据的关键特征，如数据点标识符、来源通信协议类型以及在原始报文中的位置信息，将这些特征与预置的协议规则库中的协议特征签名进行快速比对，协议特征签名包括功能码、寄存器地址范围、报文结构模板等；第二、基于规则库的标准化转换，若在协议规则库中匹配到对应的特征签名，则调用特征签名关联的数据解析规则模板，依据模板将原始数据值转换为具有明确物理含义、标准单位及统一数据点标识符的标准数据点，并按照模板定义的系数进行标度转换，得到可直接使用的工程值；第三、基于大模型的语义推断与映射，若在协议规则库中未匹配到相应特征，则判定数据点可能属于未知或私有协议的非标准定义部分，此时装置调用基于双模态学习的深度学习模型，模型通过联合分析数据点的上下文关联特征和数值统计特征，推断其最可能的物理语义，并自动将其映射到电力系统监控数据模型中最接近的标准数据点定义上，同时推荐合理的标度转换关系；第四、无论通过以上何种方式路径转换成功，装置均将生成的标准数据点与其元数据以及转换置信度，一并封装为符合目标通信规约的标准遥测或遥信数据报文，例如IEC 60870-5-104，以供上传或本地使用。

204、监测与电力监控主站之间通信链路的实时状态，当通信链路为非可用状态时，切换至本地智能决策模式。

具体地，监测与电力监控主站之间的心跳响应时延和数据包成功送达率；当心跳响应时延超过心跳响应时延阈值且数据包成功送达率低于数据包成功送达率阈值时，判定通信质量劣化，启动本地缓存模式，并将标准化特征数据存储于本地循环队列；当未收到心跳响应且与电力监控主站之间的连接重试失败次数达到预设次数时，判定通信中断，停止向电力监控主站发送标准化特征数据，并切换至本地智能决策模式。

在本实施方式中，装置持续监测与主站间的心跳响应时延及上行数据包成功送达率，其中，当心跳时延连续超过心跳响应时延阈值T1且送达率低于数据包成功送达率阈值R1时，判定通信质量严重劣化，启动本地缓存模式，将待上传数据暂存于本地循环队列；若连续无法收到心跳响应且主动重连尝试失败N次，则最终判定为通信中断；在判定中断后，装置正式切换至本地智能决策模式，停止数据上传尝试，激活内嵌的轻量化机器学习模型与多目标优化算法模块，并将人机界面切换至本地决策界面，确保了装置在网络条件恶化时能够自主、平滑地从数据上传模式转变为具备本地智能分析能力的自治模式，从而在网络中断期间维持对电力设备的关键监控与运行指导能力。

进一步的，若通信中断则进入本地智能决策模式的触发与切换机制，具体通过一个状态机实现，包含监测、预警、切换三个核心阶段；第一阶段：通信质量实时监测与预警，智能数据采集装置内置的通信管理线程，每秒向电鸿装置电力监控主站系统平台发送一次心跳报文，并同步发送一包标准遥测、遥信数据，装置持续计算两个关键指标，分别为心跳响应时延，从发出心跳到收到电力监控主站系统确认的时间差，在4G/5G专网环境下，典型正常值<200ms；数据包成功送达率，在过去一分钟内，成功收到电力监控主站系统TCP ACK确认的数据包比例，装置将这两个指标与预设阈值进行比对，其中，心跳响应时延阈值T1为心跳响应时延连续5次超过500ms，数据包成功送达率阈值R1为数据包成功送达率低于90%，当两个条件同时满足时，装置判定网络连接处于即将中断或质量严重劣化的预警状态；第二阶段：本地缓存模式启动，一旦进入预警状态，装置立即启动本地缓存模式，在此模式下装置暂停向电力监控主站系统发起新的数据发送连接，所有新生成的标准遥测、遥信数据被存入一个固定容量的本地循环队列，队列遵循先进先出原则，当队列满时自动覆盖最旧数据，装置仍保持心跳发送与重连尝试，但数据上传暂停，相当于为可能短暂出现的网络抖动提供了一个缓冲期，避免了频繁的模式切换；第三阶段：通信中断判定与模式切换，装置持续尝试与电力监控主站系统重建稳定连接，若出现连续10次心跳完全收不到任何响应，同时TCP层的重连尝试已连续失败3次，则装置最终判定为通信中断，此时装置执行以下动作以正式切换至本地智能决策模式，彻底停止所有向电力监控主站系统发送数据的尝试，释放通信线程资源，之后启动原本处于待机状态的轻量化机器学习模型与多目标优化算法模块，为其分配计算资源，最后控制本地触摸屏显示单元，从原来的数据上传状态界面，自动切换至本地决策支持界面，界面将醒目展示关键运行状态、预警信息以及后续将生成的控制量调整建议/操作指令；基于此通过以上三级递进的触发与切换机制，装置实现了从云边协同到边缘自治的平滑、可靠过渡，确保了在电力监控主站系统连接不可用期间，现场仍能获得持续的智能化运行支持。

205、在本地智能决策模式下，基于历史标准化特征数据预测目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整目标电力设备运行的目标调整量。

具体地，调用深度可分离卷积神经网络，以可配置时间窗口的历史标准化特征数据作为输入，输出下一时刻目标电力设备的关键状态参数预测值；以关键状态参数预测值逼近电力监控主站下发的电网目标参数，且目标调整量波动最小化为优化目标，构建多目标代价函数；对多目标代价函数进行求导，得到目标调整量。

在本实施方式中，轻量化机器学习模型采用深度可分离卷积神经网络(DepthwiseSeparable Convolutional Neural Network)架构，通过分解标准卷积操作，在保持特征提取能力的同时，显著降低了模型的参数量与计算复杂度，适合在资源受限的边缘设备部署；具体而言，模型的输入是一个可配置时间窗口的历史标准遥测、遥信数据序列，例如，可设置为最近数十个采样周期的数据，序列从本地循环队列中按时间顺序提取，模型的输出为电力设备下一时刻关键运行状态参数的预测值，关键参数至少包括并网点电压、系统频率及总有功功率；此外，模型采用云边协同的更新机制：云端协同更新，在通信正常时，装置接收来自电力监控主站下发的全局模型增量参数，并将其与本地模型参数进行安全融合，使本地模型能吸收基于多设备数据训练的全局知识；以及边缘自主微调，即在通信中断时，装置利用本地缓存中持续新增的运行数据，通过在线学习算法，例如小批量梯度下降法对模型进行微调，进而快速适应本台电力设备的当前运行特性和变化，最终模型输出的预测值附带一个置信区间，区间基于模型历史预测误差的统计分布计算生成，用于量化表征本次预测的不确定性。

具体实施时，通过配置文件将时间窗口长度设置为30个采样点，对应约5分钟数据，假设采样周期为10秒，在本地智能决策模式触发后，模型从本地循环缓存队列中，按时间顺序提取出最近30个时刻的标准数据，包括电压、电流、频率、功率等，构造成一个二维张量作为输入。模型的输出层直接输出下一采样时刻的并网点电压预测值、系统频率预测值、总输出功率预测值，进而使得模型不仅输出预测值，还基于过去100次预测误差的统计，计算并附加置信区间，量化反映预测的不确定性。

进一步的，为应对本地计算资源紧张或预测置信度过低的情况，装置设计了自适应预测模式切换机制，当满足切换条件时，装置从上述深度可分离卷积神经网络模式，切换至计算量更小的基于递归最小二乘法(RLS)的轻量级线性预测模式，在此模式下，装置基于预存的电网目标参数和从本地循环队列提取的近期历史数据，采用RLS算法在线动态辨识一个短期线性预测模型，随后以逼近电网目标电压和频率、同时最小化控制量波动为优化目标，构建多目标代价函数，并通过求导解析得到控制量的最优调整量。

具体的，装置内嵌的预测模型采用深度可分离卷积神经网络(DepthwiseSeparable Convolutional Neural Network)架构，架构通过将标准卷积分解为深度卷积和逐点卷积，在保持特征提取能力的同时，大幅减少了模型参数与计算量，非常适合在资源受限的边缘设备上部署，模型的输入是一个可配置时间窗口的历史标准遥测、遥信数据序列，具体实施时，通过配置文件将时间窗口长度设置为30个采样点，对应约5分钟数据，假设采样周期为10秒，在本地智能决策模式触发后，模型从本地循环缓存队列中，按时间顺序提取出最近30个时刻的标准数据，构造成一个二维张量作为输入；模型的输出层对应三个关键的回归任务，直接输出被监控电力设备下一采样时刻的三个关键状态参数的预测值，包括并网点电压预测值、装置频率预测值、总输出功率预测值，这三个参数是评估被监控的电力设备并网稳定性和负载能力的核心指标，模型采用电力监控主站系统主导、边缘补充的双模协同更新策略，其中，云边协同更新是指在通信正常时，装置定期接收从电力监控主站系统下发的全局模型增量参数，装置将这些增量参数与本地的模型权重进行安全融合，使边缘模型能够吸收电力监控主站系统汇集全网多台被监控电力设备数据训练得到的一般性知识，保持与全局模型的同步，边缘自主微调是在通信中断的本地智能决策模式下，装置利用本地缓存队列中持续积累的新产生的运行数据，以小批量梯度下降法进行在线微调，例如，每积累10个新样本，模型就以此为训练集执行一次前向传播和反向传播，微调权重使得模型能够快速适应本台被监控电力设备当前工况的特殊变化；此外，模型不仅输出预测值，还基于模型预测误差的历史统计，为每个预测值计算并附加一个置信区间，装置记录过去100次预测值与随后实际测量值之间的误差，计算其均值和标准差，置信区间作为预测结果的一部分输出，量化地反映了当前预测的不确定性，供后续优化决策模块进行风险感知的决策。

进一步的，在本地智能决策模式下，轻量化机器学习模型基于在线最小二乘方法进行参数辨识与状态预测，并调用多目标优化算法生成量化控制量调整建议或操作指令，具体包括：状态预测与模型辨识，基于通信中断前获取的电网目标参数和从本地循环队列提取的最近m个周期历史运行数据，采用递归最小二乘法动态辨识被监控电力设备运行参数的短期线性预测模型；多目标优化调参，以逼近电网目标电压和频率并避免控制量大幅波动为目标，构建代价函数，并通过求导得到最优调整量的解析解；控制量调整建议或操作指令映射与输出，将最优调整量映射为自然语言式调参指令，映射规则包括根据调整量的正负与大小进行模糊分级及方向与动作映射，根据电压与频率偏差贡献度分析确定调参对象为励磁或油门；输出与更新机制，每次决策后，将本次使用的数据加入本地训练集，触发模型基于新数据的小批量梯度下降微调。

具体实现方式如下：

第一、状态预测与模型辨识：基于通信中断前获取的电网目标参数和从本地循环队列提取的最近m个周期历史运行数据，采用递归最小二乘法动态辨识被监控电力设备/电力设备运行参数的短期线性预测模型，具体表达式如下：

，

，

式中，、分别为当前并网点电压与装置频率，为上一控制量，和均为待求解的模型系数，系数向量和通过历史数据矩阵X与观测向量V按最小二乘公式在线求解更新，表达式为：

第二、多目标优化调参：以逼近电网目标电压和频率并避免控制量大幅波动为目标，构建多目标代价函数：

，

其中α，β，γ为可配置权重系数，具体通过求导，

令

得到最优调整量解析解：

式中A，B分别为基于当前状态和上一控制量计算的预测基值。

第三、控制量调整建议或操作指令映射与输出，将映射为自然语言式调参指令，映射规则包括：根据的正负与大小，进行模糊分级及方向与动作映射；根据电压与频率偏差贡献度分析，确定调参对象为励磁或油门；最终在本地界面输出预期效果信息。

第四、输出与更新机制，在每次决策后，将本次使用的数据加入本地训练集，触发模型基于新数据的小批量梯度下降微调，持续提升预测与调参准确性。

206、当通信链路为可用状态时，将标准化特征数据上传至电力监控主站。

在本实施方式中，而当通信链路为正常的可用状态时，则将标准化特征数据直接上传至电力监控主站即可，具体参见步骤104，在此不过多进行赘述。

207、若检测到本地计算资源紧张，则通过预设的轻量化调度模型动态分配处理资源。

具体地，检测本地计算资源的占用状态；当本地计算资源的占用率超过预设阈值时，以预设的物理属性标签和关键状态参数预测值作为输入，调用预设的轻量化调度模型生成数据处理任务的资源分配决策。

在本实施方式中，模型的输入状态是一个综合表征系统实时运行状况的多维向量，主要包括三类信息，分别是静态资源禀赋，来源于预置的物理属性标签中定义的设备计算能力等级；动态任务负载，实时监测数据采集、协议解析、状态预测与优化计算四个核心处理任务，各自的待处理队列长度与预估计算耗时；以及业务紧急程度，根据轻量化机器学习模型预测输出的关键状态参数计算得出的紧急程度评分；模型的输出动作为直接指导资源分配的决策向量，包含两类控制指令，一种是计算资源调度，为上述四个核心任务动态分配处理器时间片比例，确保其总和为100%；另一种是存储资源优化，作出二值化决策，判断是否将部分历史数据从高精度存储转换为低精度存储，以释放内存空间；模型通过持续收集状态、动作、奖励、新状态经验并存入本地回放池，采用随机采样方式进行在线训练，其奖励函数被设计为任务完成及时率、预测准确度维持水平与整体装置能耗三个指标的加权综合，以此引导模型在资源受限条件下，自主学习能够平衡系统实时性、准确性与能效性的智能调度策略。

在一个优选实施方式中，为降低调度模型自身的运行时开销，系统引入了节能观测模式，当模型完成一轮动态调度后，若系统检测到各任务队列长度趋于稳定、且关键状态参数的预测准确度恢复至可接受水平之上，调度模型将自动切换至低功耗的观测模式，在此模式下，模型暂停周期性的重调度计算，仅维持对系统状态的轻量监控，直至系统负载或预测精度再次恶化至需重新触发调度的阈值。这一机制在保障整体服务质量的前提下，有效减少了资源调度管理功能自身的资源消耗。

208、将最优调整量映射为可执行的操作指令，并通过本地界面输出。

在本实施方式中，根据最优调整量的正负与大小，进行模糊分级与方向判定，并根据电压与频率偏差的贡献度分析，确定具体的控制对象，例如励磁系统或调速系统；最终将分析结果转换为现场操作人员可理解的自然语言式调参指令，或可直接下发至设备控制单元的数字控制指令，并通过本地人机交互界面进行显示，在每次完成状态预测、优化计算及指令生成后，本次所使用的数据将被加入本地训练集，用于触发预测模型的下一轮在线微调，实现模型的持续自我优化。

进一步地，作为图1方法的具体实现，本申请实施例提供了一种用于电力系统监控的数据采集装置，如图3所示，装置包括：数据融合模块301、协议转换模块302、边缘自治模块303和云端协同模块304。

数据融合模块301，用于采集目标电力设备的监测数据，对监测数据进行协议识别与解析得到解析数据，并对解析数据进行模糊化处理与多源数据融合生成融合数据；

协议转换模块302，用于对融合数据进行协议自适应转换，输出标准化特征数据；

边缘自治模块303，用于监测与电力监控主站之间通信链路的实时状态，当通信链路为非可用状态时，切换至本地智能决策模式，并基于历史标准化特征数据预测目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整目标电力设备运行的目标调整量，将目标调整量进行本地输出；

云端协同模块304，用于当通信链路为可用状态时，将标准化特征数据上传至电力监控主站。

在具体的应用场景中，数据融合模块301具体用于将监测数据的原始数据帧与预设的协议特征码集合进行匹配；当协议特征码集合中存在目标特征码与原始数据帧匹配时，基于目标特征码关联的目标数据解析规则，在原始数据帧中提取数据点值，并将数据点值作为解析数据；当协议特征码集合中不存在任一特征码与原始数据帧匹配时，提取原始数据帧的结构特征与统计特征，并输入至预设的双模态深度学习模型进行协议类型推断得到推断结果，根据推断结果生成临时解析规则，基于临时解析规则在原始数据帧中提取数据点值，并将数据点值作为解析数据。

在具体的应用场景中，数据融合模块301还用于基于解析数据对应的传感器类型确定隶属度函数，并将解析数据的数值映射为在至少两个模糊状态等级上的隶属度向量；将目标电力设备的至少一组解析数据整合为证据体，并基于隶属度向量以及隶属度向量对应的数据质量戳确定证据体的基本信度分配；基于预设的传感器可信度权重对基本信度分配进行折扣修正，得到修正后的证据体，将多个修正后的证据体根据预设的证据理论合成规则进行融合，得到综合信度分布；选取综合信度分布中最大信度对应的模糊状态等级作为目标电力设备的融合状态，并将融合状态清晰化后的数值作为融合数据进行输出。

在具体的应用场景中，协议转换模块302具体用于提取融合数据的关键特征，将关键特征与预设的协议规则库中的特征签名进行匹配；当存在目标特征签名与关键特征匹配时，根据目标特征签名对应的数据解析规则模板，将融合数据转换为标准数据点；当不存在任一特征签名与关键特征匹配时，利用预设的双模态深度学习模型对融合数据进行联合分析，输出融合数据对应的物理语义、标度转换关系和转换置信度，并将物理语义映射至预设的电力系统监控数据模型中对应的标准数据点定义，基于标准数据点定义和标度转换关系将融合数据转换为标准数据点；将标准数据点和对应的元数据，以及转换置信度，封装为标准化特征数据，其中，标准化特征数据包括符合目标通信规约的标准遥测或遥信数据。

在具体的应用场景中，非可用状态包括通信质量劣化和通信中断；边缘自治模块303具体用于监测与电力监控主站之间的心跳响应时延和数据包成功送达率；当心跳响应时延超过心跳响应时延阈值且数据包成功送达率低于数据包成功送达率阈值时，判定通信质量劣化，启动本地缓存模式，并将标准化特征数据存储于本地循环队列；当未收到心跳响应且与电力监控主站之间的连接重试失败次数达到预设次数时，判定通信中断，停止向电力监控主站发送标准化特征数据，并切换至本地智能决策模式。

在具体的应用场景中，边缘自治模块303具体用于调用深度可分离卷积神经网络，以可配置时间窗口的历史标准化特征数据作为输入，输出下一时刻目标电力设备的关键状态参数预测值；以关键状态参数预测值逼近电力监控主站下发的电网目标参数，且目标调整量波动最小化为优化目标，构建多目标代价函数；对多目标代价函数进行求导，得到目标调整量。

在具体的应用场景中，边缘自治模块303还用于检测本地计算资源的占用状态；当本地计算资源的占用率超过预设阈值时，以预设的物理属性标签和关键状态参数预测值作为输入，调用预设的轻量化调度模型生成数据处理任务的资源分配决策。

需要说明的是，本实施例提供的一种用于电力系统监控的数据采集装置所涉及各功能单元的其它相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于电力系统监控的数据采集方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景用于电力系统监控的数据采集方法。

基于上述如图1和图2所示的方法，以及图3所示的用于电力系统监控的数据采集装置实施例，为了实现上述目的，如图4所示，本实施例还提供了用于电力系统监控的数据采集的实体设备，该设备包括通信总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中用于电力系统监控的数据采集方法。

可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种用于电力系统监控的数据采集实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，通过协议识别与解析与协议自适应转换两个处理环节，实现对已知协议的快速匹配与未知协议的动态解析，以及将异构融合数据自动转换为标准化特征数据，使得装置具备对多源异构协议运行时自适应能力，无需人工干预即可完成新设备的即插即用与协议在线学习；通过持续监测通信链路状态，装置能够在判定通信链路为非可用状态时平滑切换至本地智能决策模式，并立即启动基于历史标准化特征数据的状态预测与多目标优化计算，最终将生成的目标调整量通过本地界面或控制接口直接输出，确保电力设备在极端环境下仍能维持安全稳定的运行状态。综上，本申请提升了装置的协议兼容性、具备断网场景下设备可监控可优化的能力，增强了电力监控系统在面对设备异构性与环境不确定性下的整体可靠性与智能化水平。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种用于电力系统监控的数据采集方法，其特征在于，所述方法由部署在电力设备侧的智能数据采集装置执行，包括：

采集目标电力设备的监测数据，对所述监测数据进行协议识别与解析得到解析数据，并对所述解析数据进行模糊化处理与多源数据融合生成融合数据；

对所述融合数据进行协议自适应转换，输出标准化特征数据；

监测与电力监控主站之间通信链路的实时状态，当所述通信链路为非可用状态时，切换至本地智能决策模式，并基于历史标准化特征数据预测所述目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整所述目标电力设备运行的目标调整量，将所述目标调整量进行本地输出；

当所述通信链路为可用状态时，将所述标准化特征数据上传至所述电力监控主站。

2.根据权利要求1所述的方法，其特征在于，所述对所述监测数据进行协议识别与解析得到解析数据，包括：

将所述监测数据的原始数据帧与预设的协议特征码集合进行匹配；

当所述协议特征码集合中存在目标特征码与所述原始数据帧匹配时，基于所述目标特征码关联的目标数据解析规则，在所述原始数据帧中提取数据点值，并将所述数据点值作为所述解析数据；

当所述协议特征码集合中不存在任一特征码与所述原始数据帧匹配时，提取所述原始数据帧的结构特征与统计特征，并输入至预设的双模态深度学习模型进行协议类型推断得到推断结果，根据所述推断结果生成临时解析规则，基于所述临时解析规则在所述原始数据帧中提取数据点值，并将所述数据点值作为所述解析数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述解析数据进行模糊化处理与多源数据融合生成融合数据，包括：

基于所述解析数据对应的传感器类型确定隶属度函数，并将所述解析数据的数值映射为在至少两个模糊状态等级上的隶属度向量；

将所述目标电力设备的至少一组所述解析数据整合为证据体，并基于所述隶属度向量以及所述隶属度向量对应的数据质量戳确定所述证据体的基本信度分配；

基于预设的传感器可信度权重对所述基本信度分配进行折扣修正，得到修正后的证据体，将多个修正后的证据体根据预设的证据理论合成规则进行融合，得到综合信度分布；

选取所述综合信度分布中最大信度对应的模糊状态等级作为所述目标电力设备的融合状态，并将所述融合状态清晰化后的数值作为所述融合数据进行输出。

4.根据权利要求1所述的方法，其特征在于，所述对所述融合数据进行协议自适应转换，输出标准化特征数据，包括：

提取所述融合数据的关键特征，将所述关键特征与预设的协议规则库中的特征签名进行匹配；

当存在目标特征签名与所述关键特征匹配时，根据所述目标特征签名对应的数据解析规则模板，将所述融合数据转换为标准数据点；

当不存在任一特征签名与所述关键特征匹配时，利用预设的双模态深度学习模型对所述融合数据进行联合分析，输出所述融合数据对应的物理语义、标度转换关系和转换置信度，并将所述物理语义映射至预设的电力系统监控数据模型中对应的标准数据点定义，基于所述标准数据点定义和所述标度转换关系将所述融合数据转换为标准数据点；

将所述标准数据点和对应的元数据，以及所述转换置信度，封装为标准化特征数据，其中，所述标准化特征数据包括符合目标通信规约的标准遥测或遥信数据。

5.根据权利要求1所述的方法，其特征在于，所述非可用状态包括通信质量劣化和通信中断；所述监测与所述电力监控主站之间通信链路的实时状态，当所述通信链路为非可用状态时，切换至本地智能决策模式，包括：

监测与电力监控主站之间的心跳响应时延和数据包成功送达率；

当所述心跳响应时延超过心跳响应时延阈值且所述数据包成功送达率低于数据包成功送达率阈值时，判定通信质量劣化，启动本地缓存模式，并将所述标准化特征数据存储于本地循环队列；

当未收到心跳响应且与所述电力监控主站之间的连接重试失败次数达到预设次数时，判定通信中断，停止向所述电力监控主站发送所述标准化特征数据，并切换至本地智能决策模式。

6.根据权利要求1所述的方法，其特征在于，所述基于历史标准化特征数据预测所述目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整所述目标电力设备运行的目标调整量，包括：

调用深度可分离卷积神经网络，以可配置时间窗口的所述历史标准化特征数据作为输入，输出下一时刻所述目标电力设备的关键状态参数预测值；

以所述关键状态参数预测值逼近所述电力监控主站下发的电网目标参数，且目标调整量波动最小化为优化目标，构建多目标代价函数；

对所述多目标代价函数进行求导，得到所述目标调整量。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

检测本地计算资源的占用状态；

当本地计算资源的占用率超过预设阈值时，以预设的物理属性标签和所述关键状态参数预测值作为输入，调用预设的轻量化调度模型生成数据处理任务的资源分配决策。

8.一种用于电力系统监控的数据采集装置，其特征在于，包括：

数据融合模块，用于采集目标电力设备的监测数据，对所述监测数据进行协议识别与解析得到解析数据，并对所述解析数据进行模糊化处理与多源数据融合生成融合数据；

协议转换模块，用于对所述融合数据进行协议自适应转换，输出标准化特征数据；

边缘自治模块，用于监测与电力监控主站之间通信链路的实时状态，当所述通信链路为非可用状态时，切换至本地智能决策模式，并基于历史标准化特征数据预测所述目标电力设备的未来运行状态，通过多目标优化算法计算得到用于调整所述目标电力设备运行的目标调整量，将所述目标调整量进行本地输出；

云端协同模块，用于当所述通信链路为可用状态时，将所述标准化特征数据上传至所述电力监控主站。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。