基于神经网络技术的可视化监测设备的方法与流程

1.本技术涉及电力网技术领域，特别是涉及一种基于神经网络技术的可视化监测设备的方法、装置、计算机设备和存储介质。


背景技术：

2.在电力系统中，为实现对电网实时运行情况的识别与控制，电力调度控制中心会配置大量的数据采集与监控系统、自动控制系统和管理信息化系统。在对电力调度和控制上，需要用到电网故障集，而电网故障集作为模拟电网运行过程中各种突发事件的主要技术方法，长期以来，都是由电网方式分析人员手工编写与维护的，但是这种采用手工编写与维护故障集的方法，存在人工编写的故障集对于当前的实时/准实时电网结构存在实时适应性方面的缺陷，无法满足现有的电力网对于电力设备监测的工作需求。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种基于神经网络技术的可视化监测设备的方法、装置、计算机设备和存储介质。
4.一种基于神经网络技术的可视化监测设备的方法，所述方法包括：
5.获取电力设备的历史运行数据和电力行业标准设定的与所述电力设备对应的标准运行数据；
6.通过神经网络对所述历史运行数据以及所述标准运行数据进行深度学习卷积计算，得到学习结果；
7.获取所述电力设备的实时运行数据；
8.根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果；
9.根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息。
10.在其中一个实施例中，所述实时运行数据包括电气数据；所述根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果，包括：
11.根据所述学习结果对所述电气数据进行设备故障监测；
12.当所述电气数据大于所述学习结果中的与所述电气数据对应的电气数据阈值，生成针对所述电力设备的监测结果；所述监测结果为所述电力设备的大于所述电气数据阈值的所述电气数据的故障结果。
13.在其中一个实施例中，所述根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息，包括：
14.在所述电力设备的图标上生成用于表示可视化监测信息的故障标识。
15.在其中一个实施例中，当大于所述电气数据阈值的所述电气数据的数量为一个时，所述故障标识为所述电气数据对应的图像标识。
16.在其中一个实施例中，当大于所述电气数据阈值的所述电气数据的数量大于或等
于两个时，所述故障标识为所述数量对应的数字图像标识。
17.在其中一个实施例中，在所述电力设备的图标上生成用于表示可视化监测信息的故障标识之后，所述方法还包括：
18.获取针对所述故障标识的操作指令；
19.根据所述操作指令，生成用于显示所述监测结果的故障报告信息。
20.在其中一个实施例中，所述实时运行数据包括接口数据；所述根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果，包括：
21.根据所述学习结果对所述接口数据进行设备故障监测；
22.当所述接口数据与所述学习结果中的标准接口数据不一致，生成针对所述电力设备的监测结果；所述监测结果为所述电力设备的接口连接错误的结果。
23.一种基于神经网络技术的可视化监测设备的装置，所述装置包括：
24.第一运行数据获取模块，用于获取电力设备的历史运行数据和电力行业标准设定的与所述电力设备对应的标准运行数据；
25.学习结果获取模块，用于通过神经网络对所述历史运行数据以及所述标准运行数据进行深度学习卷积计算，得到学习结果；
26.第二运行数据获取模块，用于获取所述电力设备的实时运行数据；
27.监测结果获取模块，用于根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果；
28.监测信息获取模块，用于根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息。
29.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
30.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
31.上述基于神经网络技术的可视化监测设备的方法、装置、计算机设备和存储介质，获取电力设备的历史运行数据和电力行业标准设定的与所述电力设备对应的标准运行数据；通过神经网络对所述历史运行数据以及所述标准运行数据进行深度学习卷积计算，得到学习结果；获取所述电力设备的实时运行数据；根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果；根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息。通过获取电力设备的实时运行数据，并根据学习结果对获取的实时运行数据进行设备故障监测得到监测结果，再通过可视化将监测结果进行显示，能够准确实时地监测电力网中电力设备的信息，满足现有的电力网对于设备监测的工作需求。
附图说明
32.图1为一个实施例中基于神经网络技术的可视化监测设备的方法的流程示意图；
33.图2为一个实施例中基于神经网络技术的可视化监测设备的方法的流程示意图；
34.图3为一个实施例中基于神经网络技术的可视化监测设备的方法的流程示意图；
35.图4为一个实施例中基于神经网络技术的可视化监测设备的装置的结构框图；
36.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
37.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
38.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本技术所描述的实施例可以与其它实施例相结合。
39.本技术提供一种基于神经网络技术的可视化监测设备的方法，如图1所示，该方法可以应用于计算机设备中，包括以下步骤：
40.步骤s101，获取电力设备的历史运行数据和电力行业标准设定的与所述电力设备对应的标准运行数据；
41.其中，电力设备是电力网中的一个电力设备，对于电力网中的每个电力设备的监测，相当于对电力网的运行情况以及布局情况进行实时监测，现有的电力系统中，可以在电力系统中实时建立电力网拓扑，可以实时获取电力网拓扑中的电力设备单元对应的电力设备的属性参数。
42.需要说明的是，电力设备可以是已经在施工的电力设备，可以是计划建设的电力设备，也可以是准备投入使用的电力设备，也可以是上述三种电力设备的不同组合，本实施例对其不作具体限定。
43.需要说明的是，电力设备可以包括变压器、高压柜、低压柜、母线桥、直流屏、模拟屏、高压电缆等，本实施例对其不作具体限定。
44.运行数据可以是输出功率、电力设备负荷数据、输入电压等数据。
45.步骤s102，通过神经网络对所述历史运行数据以及所述标准运行数据进行深度学习卷积计算，得到学习结果；
46.步骤s103，获取所述电力设备的实时运行数据；
47.步骤s104，根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果；
48.步骤s105，根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息。
49.其中，电力行业标准可以是iec 61970标准，该iec 61970标准包括的规范信息至少有：核心包信息；域包信息；发电包信息；负荷模型包信息；测量包信息；停用包信息；保护包信息；拓扑包信息；电线包信息。
50.需要说明的是，iec61970协议的两个支柱是公共信息模型(cim，common information model)和组件接口规范(cis，component interface specification)。cim公共信息模型定义信息交换内容的语义，cis组件接口规范规定信息交换的语法。
51.其中，cim是整个iec61970协议框架的基础和核心。iec61970系列标准提出了电力系统资源(power system resource)的概念。用于描述电力系统所有对象的逻辑结构和关
系，构成电力系统网络拓扑结构的主要节点，通过这些节点的连接，构成电力系统基本的网架结构。
52.cim公共信息模型提供了一种标准化方法，把电力系统资源(power system resource)描述为对象类、属性以及它们之间的关系。从1998年4月开始，ccapi发布了cimu07a.mdl，开始采用面向对象统一建模语言uml来描述cim。在uml中，现实世界实体的类型被定义为“类”，实体类型的性质被定义为“类的属性”，实体类型之间的关系描述为“类之间的关系”，包括：继承、关联、聚集。
53.在iec61970协议中，cim模型是iec61970协议整体框架的基础，是一种描述电力系统所有对象逻辑结构和关系的信息模型，为各个应用提供了与平台无关的统一的电力系统逻辑描述。其定义电力工业的标准对象模型，提供一种表示电力系统对象，包括其属性和相互关系的标准。cim模型中的对象本质上是抽象的，可以应用在各个系统中。cim模型有助于不同供应商开发的ems系统的集成，有助于ems系统和其他涉及到电力系统运行操作不同领域的应用系统的集成。
54.cim分为3个部分，iec61970
‑
301是cim的基本部分，iec61970
‑
302是cim用于能量计划、检修和财务的部分，iec61970
‑
303是cim用于scada的部分。为了便于管理，cim的开发者把cim中的类划分为多个包(package)。包是将相关模型元件人为分组的方法。一个包表示针对特定内容相关的模型元素的组合，往往针对某些特定的应用范围。包的建立在语义上没有特定的含义，主要为了使整个模型更容易设计、理解和研究。
55.iec61970
‑
301分为9个包：core，topology，wires，outage，protection，meas，loadmodel，generation和domain。介绍其中几个：
56.(1)核心包(core)。核心包包含命名(naming)、电力系统资源(powersystemresource)、设备容器(equipmentcontainer)、导电设备(conductingequipment)、开关(switch)等对象类。核心包定义了厂站类substation、电压等级类voltagelevel等许多应用公用的模型。核心包被所有应用系统共享，它不依赖于其他任何包，但是绝大多数其他包都有依赖于核心包的关联关系(association)和泛化关系(generalization)。
57.(2)拓扑包(topology)。拓扑包是核心包的扩展，通过与描述连接关系的终端类(terminal)建立关联关系，定义了设备的物理连接关系。拓扑包定义了连接节点(connectivitynode)和拓扑岛(topologicalisland)等拓扑关系模型；同时，拓扑包还描述了拓扑结构，即设备通过闭合开关或刀闸连接在一起的逻辑连接关系。拓扑定义与其他电气数据无关。
58.(3)电网包(wires)。电网包是核心包和拓扑包的扩展，它描述输电网、配电网设备的电气数据信息，这些信息将被用于状态估计、潮流计算、安全分析、最优潮流等应用。电网包定义断路器breaker，隔离开关disconnector等网络分析应用需要的模型。
59.(4)测量包(meas)。测量包包含描述各个应用间交换的动态测量数据的实体。
60.(5)scada包(scada)。scada包描述了用于数据采集和控制应用的模型信息，涉及到测量、tv、ta、rtu、扫描装置、通讯电路等设备。控制应用支持对设备的控制操作，例如断开/闭合断路器；数据采集应用从多个来源采集遥测数据，遥测实体的子类型遵照iec61850标准的定义。
61.具体地，神经网络(neural network，nn)，是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。神经网络是一种运算模型，由大量的节点和之间相互的联接构成。每个节点代表一种特定的输出函数，称为激励函数、激活函数。每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。人工神经网络通常是通过一个基于数学统计学类型的学习方法得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。通过神经网络技术对iec 61970标准以及所述设备参数进行深度学习卷积计算所得到学习结果，能够提高监测结果的准确性与效率。
62.具体地，可以将监测结果和电力设备结合进行可视化处理，能够得到该电力设备对应的可视化监测信息，使得用户能够直观快速获知出现问题的电力设备单元和该电力设备单元出现故障的问题。
63.上述基于神经网络技术的可视化监测设备的方法中，通过获取电力设备的实时运行数据，并根据学习结果对获取的实时运行数据进行设备故障监测得到监测结果，再通过可视化将监测结果进行显示，能够准确实时地监测电力网中电力设备的信息，满足现有的电力网对于设备监测的工作需求。
64.在其中一个实施例中，当所述实时运行数据包括电气数据时，如图2所示，计算机设备在执行步骤s104时，可以具体执行如下步骤：步骤s201，根据所述学习结果对所述电气数据进行设备故障监测；步骤s202，当所述电气数据大于所述学习结果中的与所述电气数据对应的电气数据阈值，生成针对所述电力设备的监测结果；所述监测结果为所述电力设备的大于所述电气数据阈值的所述电气数据的故障结果。
65.具体地，可以对电力设备的电气数据进行监测，当电气数据大于学习结果中的与电气数据对应的电气数据阈值，生成电力设备单元的大于电气数据阈值的电气数据的故障结果的监测结果，能够获取电力设备的某个或者某多个电气数据所出现的问题或者获取某个或者某几个电力设备的电气数据所出现的问题，即用户可以快速获取电气数据的问题，然后再针对问题进行分析处理。
66.在其中一个实施例中，计算机设备在根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息时，具体可以执行如下步骤：在所述电力设备的图标上生成用于表示可视化监测信息的故障标识。
67.具体地，当出现的问题为电力设备的电气数据,那么可以认为问题出现在电力设备的本身，那么可以在在电力设备的图标上生成用于表示可视化监测信息的故障标识，能够直接通过故障标识反应出现问题的电力设备。
68.进一步地，当大于电气数据阈值的电气数据的数量为一个，故障标识为电气数据对应的图像标识，可以直接通过图像标识反应该电力设备的哪个电气数据出现问题，无需通过点击操作即可获取故障信息，能够提高获取故障信息的效率。
69.进一步地，当大于电气数据阈值的电气数据的数量至少为两个，故障标识为数量对应的数字图像标识，可以直接通过图像标识反应该电力设备出现问题的电气数据的数量为多少，后续还可以通过点击该数字图像标识得到具体出现问题的电气数据是什么，数值是多少，与标准的偏差的数值是多少以及故障的级别是多少等信息。
70.在其中一个实施例中，计算机设备在电力设备的图标上生成用于表示可视化监测信息的故障标识之后，还可以执行如下步骤：获取针对所述故障标识的操作指令；根据所述操作指令，生成用于显示所述监测结果的故障报告信息。
71.具体地，当计算机设备生成可视化监测信息的故障标识后，用户可以对故障标识进行第一操作，那么计算机设备获取用于故障标识的第一操作指令后，会根据第一操作指令生成用于显示监测结果的故障报告信息，该故障报告信息包括但不限于以下信息：出现故障的电气数据的属性、电气数据的监测数值、监测数值与标准值的差和故障的级别。
72.需要说明的是，第一操作指令可以是单击故障标识的操作，可以是双击故障标识的操作，也可以是在故障标识上停留若干时间的操作，本实施例对其不作具体限定。
73.需要说明的是，电气数据可以是运行功率值，可以是电压值，本实施例对其不作限定。
74.需要说明的是，运行功率值可以是实时的，也可以是非实时的，本实施例对其不作具体限定。
75.在其中一个实施例中，当所述实时运行数据包括接口数据时，如图3所示，计算机设备在执行步骤s104时，可以具体执行如下步骤：步骤s301，根据所述学习结果对所述接口数据进行设备故障监测；步骤s302，当所述接口数据与所述学习结果中的标准接口数据不一致，生成针对所述电力设备的监测结果；所述监测结果为所述电力设备的接口连接错误的结果。
76.具体地，可以对电力设备的接口数据进行监测，当接口数据与学习结果中的标准接口数据不对应，生成接口连接错误的监测结果，能够反应出该电力设备的具体的连接错误的接口，然后对该监测结果进行可视化处理，并在电力设备的具体接口处生成故障标识，能够直接通过故障标识反应出现问题的接口。
77.应该理解的是，虽然图1至图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
78.在一个实施例中，如图4所示，提供了一种基于神经网络技术的可视化监测设备的装置，包括：
79.第一运行数据获取模块401，用于获取电力设备的历史运行数据和电力行业标准
设定的与所述电力设备对应的标准运行数据；
80.学习结果获取模块402，用于通过神经网络对所述历史运行数据以及所述标准运行数据进行深度学习卷积计算，得到学习结果；
81.第二运行数据获取模块403，用于获取所述电力设备的实时运行数据；
82.监测结果获取模块404，用于根据所述学习结果对所述实时运行数据进行设备故障监测，得到针对所述电力设备的监测结果；
83.监测信息获取模块405，用于根据所述监测结果和所述电力设备进行可视化处理，得到可视化监测信息。
84.在其中一个实施例中，所述实时运行数据包括电气数据；所述监测结果获取模块404，还用于根据所述学习结果对所述电气数据进行设备故障监测；当所述电气数据大于所述学习结果中的与所述电气数据对应的电气数据阈值，生成针对所述电力设备的监测结果；所述监测结果为所述电力设备的大于所述电气数据阈值的所述电气数据的故障结果。
85.在其中一个实施例中，所述监测信息获取模块405，还用于在所述电力设备的图标上生成用于表示可视化监测信息的故障标识。
86.在其中一个实施例中，当大于所述电气数据阈值的所述电气数据的数量为一个时，所述故障标识为所述电气数据对应的图像标识。
87.在其中一个实施例中，当大于所述电气数据阈值的所述电气数据的数量大于或等于两个时，所述故障标识为所述数量对应的数字图像标识。
88.在其中一个实施例中，所述装置还包括故障报告信息生成模块，用于获取针对所述故障标识的操作指令；根据所述操作指令，生成用于显示所述监测结果的故障报告信息。
89.在其中一个实施例中，所述实时运行数据包括接口数据；所述监测结果获取模块404，还用于根据所述学习结果对所述接口数据进行设备故障监测；当所述接口数据与所述学习结果中的标准接口数据不一致，生成针对所述电力设备的监测结果；所述监测结果为所述电力设备的接口连接错误的结果。
90.关于基于神经网络技术的可视化监测设备的装置的具体限定可以参见上文中对于基于神经网络技术的可视化监测设备的方法的限定，在此不再赘述。上述基于神经网络技术的可视化监测设备的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
91.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于神经网络技术的可视化监测设备的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络技术的可视化监测设备的方法。
92.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备
可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
93.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述各个方法实施例中的步骤。
94.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
95.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
96.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
97.以上的实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。