CN111652406A - 云-边协同下电网设备运行状态预测方法及*** - Google Patents

Abstract

本发明提供了一种云‑边协同下电网设备运行状态预测方法及***，具体涉及数据分析处理技术领域，该方法可以包括：监测至少一个电网设备连续的运行状态参数，并提取连续的运行状态参数中的运行特征数据；将提取到的运行特征数据输入预设的状态预测模型，以通过状态预测模型获取电网设备的状态预测结果；将状态预测结果传输至指定客户端，由客户端进行可视化展示。基于本发明提供的方案可以实现对电网设备的及时运行状态记录及在线预测，提高电网设备实时运行状态预测的精度。

Description

云-边协同下电网设备运行状态预测方法及***

技术领域

本发明涉及数据分析处理技术领域，具体涉及一种云-边协同下电网设备运行状态预测方法及***。

背景技术

电网是国家快速发展的重要基础之一，它是工业发展、提高居民生活质量、保持社会稳定健康发展的基础，因此电网的发展具有重要的意义。

同时，随着设备状态检修工作的深入开展，对设备状态的把控提出了越来越高的要求，不但要掌握设备的实时状态，还应预测设备的未来状态，对一些非正常状态设备适时采取必要的预控手段，从而降低设备及电网未来的安全风险和资产风险。

但目前，由于预测电网设备运行状态的影响指标变化的因素很多，预测过程具有很大的随机性和不确定性。设备状态难以及时获取，设备件的状态关联性强、难以综合预测，同时设备状态预测计算量庞大且集中在边缘侧，难以有效保证电网设备运行数据的实时性与有效性，信息难以互通。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种云-边协同下电网设备运行状态预测方法及***，有效地解决了当前电网设备偏远、设备状态预测难的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

根据本申请的一个方面，提供了一种云-边协同下电网设备运行状态预测方法，包括：

监测至少一个电网设备连续的运行状态参数，并提取所述连续的运行状态参数中的运行特征数据；

将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果；

将所述状态预测结果传输至指定客户端，由所述客户端进行可视化展示。

可选地，监测至少一个电网设备连续的运行状态参数，并提取所述运行状态参数中的运行特征数据，包括：

利用预置的综合性边缘侧设备监测所述电网设备连续的运行状态参数，将所述连续的运行状态参数传输至预设云平台；

通过所述云平台在所述连续的运行状态参数中提取所述电网设备的运行特征数据；

其中，所述综合性边缘侧设备为集成多种传感器、摄像头和/或物理机械臂的硬件设备。

可选地，将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果之前，还包括：

收集电网设备的多组样本数据；其中，所述样本数据包括所述电网设备在正常运行状态下的正样本数据和/或所述电网设备在异常运行状态下的负样本数据；

标记各组所述样本数据对应的电网设备的运行状态类型；所述运行状态类型包括正常运行状态和/或异常运行状态；

将每组所述样本数据和对应的运行状态类型输入状态预测模型进行训练，从而得到已训练的基于样本数据确定运行状态类型的状态预测模型。

可选地，所述状态预测模型为数字孪生深度学习模型。

可选地，将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果，包括：

将提取到的所述运行特征数据输入已训练的所述状态预测模型；

通过所述状态预测模型对所述运行特征数据进行分析，获取所述电网设备处于正常运行状态或异常运行状态的概率的状态预测结果。

根据本申请的另一个方面，提供了一种云-边协同下电网设备运行状态预测***，包括：

状态监测模块，其配置成监测至少一个电网设备连续的运行状态参数，并提取所述连续的运行状态参数中的运行特征数据；

状态预测模块，其配置成将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果；

结果传输模块，其配置成将所述状态预测结果传输至指定客户端，由所述客户端进行可视化展示。

可选地，所述状态监测模块还配置成：

利用预置的综合性边缘侧设备监测所述电网设备连续的运行状态参数，将所述连续的运行状态参数传输至预设云平台；

通过所述云平台在所述连续的运行状态参数中提取所述电网设备的运行特征数据；

其中，所述综合性边缘侧设备为集成多种传感器、摄像头和/或物理机械臂的硬件设备。

可选地，所述状态预测模块，其中，还包括：

模型训练模块，其配置成收集电网设备的多组样本数据；其中，所述样本数据包括所述电网设备在正常运行状态下的正样本数据和/或所述电网设备在异常运行状态下的负样本数据；

标记各组所述样本数据对应的电网设备的运行状态类型；所述运行状态类型包括正常运行状态和/或异常运行状态；

将每组所述样本数据和对应的运行状态类型输入状态预测模型进行训练，从而得到已训练的基于样本数据确定运行状态类型的状态预测模型。

可选地，所述状态预测模型为数字孪生深度学习模型。

可选地，所述状态预测模块还配置成：

将提取到的所述运行特征数据输入已训练的所述状态预测模型；

通过所述状态预测模型对所述运行特征数据进行分析，获取所述电网设备处于正常运行状态或异常运行状态的概率的状态预测结果。

(三)有益效果

本发明提供了一种云-边协同下电网设备运行状态预测方法及***。与现有技术相比，具备以下有益效果：

1、实现设备状态的实时参数有效获取与上传，以及边缘端远程实时精准控制，能够快速灵活部署。

2、实现基于分布式计算的状态数据计算与预测机制。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本申请实施例的云-边协同下电网设备运行状态预测方法流程图；

图2是根据本申请实施例的云-边协同***示意图；

图3是根据本申请实施例的综合数据管控平台示意图；

图4是根据本申请一个实施例的云-边协同下电网设备运行状态预测***结构示意图；

图5是根据本申请另一实施例的云-边协同下电网设备运行状态预测***结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种云-边协同下电网设备运行状态预测方法及***，可以实现对电网设备的及时运行状态记录及在线预测，提高电网设备实时且有效的运行状态预测的精度。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

首先，监测至少一个电网设备连续的运行状态参数，并提取连续的运行状态参数中的运行特征数据；其次，将提取到的运行特征数据输入预设的状态预测模型，以通过状态预测模型获取电网设备的状态预测结果；最后，将状态预测结果传输至指定客户端，由客户端进行可视化展示。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1是根据本申请实施例的一种云-边协同下电网设备运行状态预测方法流程图。参见图1所知，本申请实施例提供的一种云-边协同下电网设备运行状态预测方法可以包括：

步骤S101：监测至少一个电网设备连续的运行状态参数，并提取连续的运行状态参数中的运行特征数据；

步骤S102：将提取到的运行特征数据输入预设的状态预测模型，以通过状态预测模型获取电网设备的状态预测结果；

步骤S103：将状态预测结果传输至指定客户端，由客户端进行可视化展示。

本发明实施例主要针对空间分布离散、机理属性复杂的电网设备状态监测的问题，提出了一种电网设备运行状态预测方法，有效地解决了当前电网设备偏远、设备状态预测难等问题。上述步骤S103的状态预测结果可以包括电网设备是否可能或即将出现异常，即是否可能会发生故障以及可能发生故障的类型等电网设备预测结果。并且，在预测电网设备可能出现异常(或可能出现故障)时发出声音或文字预警信息。

参见上述步骤S101，选取至少一个电网设备进行监测，监测电网设备实时的运行状态以获取连续的运行状态参数，从而提取出提取出连续的运行特征数据。电网设备可以包括输电线或是其他电网设备，本发明不做限定。

在本发明一可选实施例中，在对电网设备实时监测时，可以利用预置的综合性边缘侧设备监测电网设备连续的运行状态参数，将连续的运行状态参数传输至预设云平台；通过云平台在连续的运行状态参数中提取电网设备的运行特征数据；其中，综合性边缘侧设备为集成多种传感器、摄像头和/或物理机械臂的硬件设备。

边缘设备(edge device)是向企业或服务提供商核心网络提供入口点的设备。而综合性边缘侧设备的功能是将传感器、摄像头和/或物理机械臂采集到的信息通过4G/5G等方式发送到云平台，同时接受云平台下发的控制指令(旋转摄像头或者摆动机械臂)并进行操作。其中，综合性边缘侧设备所采集的实时监测数据可以包括如输电线的电压、电流、温度以及各类关键部件的状态数据等。当然，除上述介绍的之外，还可以包括其他的一些数据，本发明不做限定。

平台即服务的含义，指的是一个云平台为应用的开发提供云端的服务，而不是建造自己的客户端基础设施。云平台也称为云计算平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云计算平台可以划分为3类：以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。本发明中的云平台属于第三种，一种分布式数据存储与分布式计算的云平台框架，主要体现在将实时监测数据传输到云端，通过分布式存储数据信息，再通过云端下载在多个地点场景应用这些数据信息与算法求解结果。

分布式指代了一种独特的***架构类型，这种***架构是由一组通过网络进行通信、为了完成共同的任务而协调工作的计算机节点组成。分布式***的出现是为了用廉价的、普通的机器完成单个计算机无法完成的计算、存储任务，其目的是利用更多的机器处理更多的数据。

同时，云平台也是可视化的平台，通过云边协同的方式实时获取数据，并显示在后台大屏，同时经过分析的状态预测结果结果也相应在后台进行展示。整体参见图2可知，综合性边缘测设备进行边缘数据采集，并将其传输至云平台，云平台进行云端数据存储以及预测模型的分布式计算，最终实现电网设备故障指标分析预警，即，实现对电网设备可能发生的故障类型及相关指标进行，并且对于预测出的电网设备故障实现可视化的同时，实现故障预警。

在本申请实施例中，先由综合性边缘侧设备监测电网设备的运行状态，再通过云平台提取综合性边缘侧设备中监测到的电网设备的运行特征数据。例如，在采集到如输电线的电压、电流、温度的电网设备的运行状态参数之后，可以从中提取出相关的运行特征数据，如对于采集到的连续的电压值的平均值、连续的电压值中各电压值之间的差值等等可表示连续的运行状态参数的特征的相关数据，从而可基于所提取的状态特征数据可以准确反映出电网设备的状态参数的变化趋势。

在提取完运行特征数据后，接着执行步骤S102，通过预设的状态预测模型预测电网设备的预期运行状态。

本申请实施例中预设的状态预测模型为数字孪生深度学习模型。

数字孪生是实际运营中的物理资产的最新的一种模型表现形式。它反映当前资产状况，并包括与资产相关的历史数据。数字孪生可用于评估资产的最新状况，更重要的是预测未来行为、精细化控制或优化运营。数字孪生可用于解决传统机理模型无法解决的非线性、不确定性问题，并可以与机器学习、深度学习构成一个不断进化的***。

深度学习是目前大数据处理与分析的最好方法之一。深度学习的机理是基于人对视觉信息的了解，在受限玻尔兹曼机、卷积神经网络、自动编码器及对抗生成模型等支撑下，已经应用于法律、图像修复、诗歌写作、医学影像识别等领域。深度学习擅于发掘多维数据中错综复杂的关系。使用训练后的状态预测模型对基于检测的连续的运行状态参数所提取的运行特征数据进行分析，可更快、更准确地对数据进行分析判断，输出对电网设备的运行状态的预测结果。

由于数字孪生是在后端建立了对应的虚拟实体，因此，在虚拟实体上对电网设备状态进行预测，不仅有着良好的可视化效果，更易于准确模拟电网设备的预期运行状态。

当然，预设的状态预测模型在实际应用之前是经过训练的。也就是说，在执行上述步骤S102将提取到的运行特征数据输入预设的状态预测模型之前，还可以训练该状态预测模型。

在本发明一可选实施例中，可以先收集电网设备的多组样本数据；其中，样本数据包括所述电网设备在正常运行状态下的正样本数据和/或电网设备在异常运行状态下的负样本数据；其次，标记各组样本数据对应的电网设备的运行状态类型；运行状态类型包括正常运行状态和/或异常运行状态；最后，将每组样本数据和对应的运行状态类型输入状态预测模型进行训练，从而得到已训练的基于样本数据确定运行状态类型的状态预测模型。

一般情况下，进行模型训练时，需预先收集进行模型训练的样本数据集。本实施例中的样本数据集可以包括电网设备在正常运行状态下的正样本数据和/或电网设备在异常运行状态下的负样本数据。当然，对于异常运行状态下的负样本数据来讲，还可以包括不同异常状态类型所对应的负样本数据，而通过将包括不同异常状态类型所对应的负样本数据训练状态预测模型时，由于基于从连续的运行状态参数中所提取的运行特征数据可表示电网设备的状态变化趋势，因此，不仅可以准确预测出电网设备可能产生的异常状态，还可以准确确定出发生异常状态的类型，并且，还可以输出产生该异常状态的概率，从而可以为后续进行电网设备的维护提供维修依据。

当训练好状态预测模型之后，就可以将提取到的运行特征数据输入已训练的状态预测模型中；然后通过状态预测模型对运行特征数据进行分析，从而获取电网设备处于正常运行状态或异常运行状态的概率的状态预测结果。

最后，执行步骤S103，将状态预测结果传输至指定客户端，由客户端进行可视化展示。

也就是说，云平台将预测结果传输给指定客户端之后，指定客户端可通过综合性边缘侧设备进行可视化展示，通过客户端、综合性边缘侧设备、云平台建立一种综合数据管控平台体系，如图3所示，传感器、摄像头、机械臂等综合性边缘侧设备在监测到电网设备的实时运行状态参数后，通过4G/5G通信模块传送给云平台进行提取特征数据，并进行运行状态分析和预测，得出电网设备的预期运行状态，再传回给综合性边缘侧设备，客户端可通过对应的综合性边缘侧设备实时观察可视化预测结果。

基于同一发明构思，如图4所示，本申请实施例还提供了一种云-边协同下电网设备运行状态预测***300，包括：

状态监测模块410，其配置成监测至少一个电网设备连续的运行状态参数，并提取连续的运行状态参数中的运行特征数据；

状态预测模块420，其配置成将提取到的运行特征数据输入预设的状态预测模型，以通过状态预测模型获取电网设备的状态预测结果；

结果传输模块430，其配置成将状态预测结果传输至指定客户端，由客户端进行可视化展示。

在本发明一可选实施例中，状态监测模块410，其可以配置成：

利用预置的综合性边缘侧设备监测电网设备连续的运行状态参数，将连续的运行状态参数传输至预设云平台；

通过云平台在连续的运行状态参数中提取电网设备的运行特征数据；

其中，综合性边缘侧设备为集成多种传感器、摄像头和/或物理机械臂的硬件设备。

在本发明一可选实施例中，如图5所示，上***还可以包括：

模型训练模块440，其配置成收集电网设备的多组样本数据；其中，样本数据包括电网设备在正常运行状态下的正样本数据和/或电网设备在异常运行状态下的负样本数据；

标记各组样本数据对应的电网设备的运行状态类型；运行状态类型包括正常运行状态和/或异常运行状态；

将每组样本数据和对应的运行状态类型输入状态预测模型进行训练，从而得到已训练的基于样本数据确定运行状态类型的状态预测模型。

在本发明一可选实施例中，状态预测模型440为数字孪生深度学习模型。

在本发明一可选实施例中，状态预测模块420，其还可以配置成：

将提取到的运行特征数据输入已训练的状态预测模型；

通过状态预测模型对运行特征数据进行分析，获取电网设备处于正常运行状态或异常运行状态的概率的状态预测结果。

本申请实施例设计了一种云-边协同下针对电网设备运行状态数据的状态预测体系方案，此方案创新性地利用了云平台、分布式存储与5G通信的集成，实现对电网设备的即时运行状态记录与在线预测，最终在客户端提供给用户可视化的状态信息与预测结果。

综上所述，与现有技术相比，具备以下有益效果：

1、实现设备状态的实时参数有效获取与上传，以及边缘端远程实时精准控制，能够快速灵活部署。

2、实现基于分布式计算的状态数据计算与预测机制。

3、实现基于5G网络的云端数据实时服务。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种云-边协同下电网设备运行状态预测方法，包括：

监测至少一个电网设备连续的运行状态参数，并提取所述连续的运行状态参数中的运行特征数据；

将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果；

将所述状态预测结果传输至指定客户端，由所述客户端进行可视化展示。

2.根据权利要求1所述的方法，其特征在于，监测至少一个电网设备连续的运行状态参数，并提取所述运行状态参数中的运行特征数据，包括：

利用预置的综合性边缘侧设备监测所述电网设备连续的运行状态参数，将所述连续的运行状态参数传输至预设云平台；

通过所述云平台在所述连续的运行状态参数中提取所述电网设备的运行特征数据；

其中，所述综合性边缘侧设备为集成多种传感器、摄像头和/或物理机械臂的硬件设备。

3.根据权利要求2所述的方法，其特征在于，将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果之前，还包括：

收集电网设备的多组样本数据；其中，所述样本数据包括所述电网设备在正常运行状态下的正样本数据和/或所述电网设备在异常运行状态下的负样本数据；

标记各组所述样本数据对应的电网设备的运行状态类型；所述运行状态类型包括正常运行状态和/或异常运行状态；

将每组所述样本数据和对应的运行状态类型输入状态预测模型进行训练，从而得到已训练的基于样本数据确定运行状态类型的状态预测模型。

4.根据权利要求3所述的方法，其特征在于，所述状态预测模型为数字孪生深度学习模型。

5.根据根据权利要求3所述的方法，其特征在于，将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果，包括：

将提取到的所述运行特征数据输入已训练的所述状态预测模型；

通过所述状态预测模型对所述运行特征数据进行分析，获取所述电网设备处于正常运行状态或异常运行状态的概率的状态预测结果。

6.一种云-边协同下电网设备运行状态预测***，包括：

状态监测模块，其配置成监测至少一个电网设备连续的运行状态参数，并提取所述连续的运行状态参数中的运行特征数据；

状态预测模块，其配置成将提取到的所述运行特征数据输入预设的状态预测模型，以通过所述状态预测模型获取所述电网设备的状态预测结果；

结果传输模块，其配置成将所述状态预测结果传输至指定客户端，由所述客户端进行可视化展示。

7.根据权利要求6所述的***，其特征在于，所述状态监测模块还配置成：

利用预置的综合性边缘侧设备监测所述电网设备连续的运行状态参数，将所述连续的运行状态参数传输至预设云平台；

通过所述云平台在所述连续的运行状态参数中提取所述电网设备的运行特征数据；

其中，所述综合性边缘侧设备为集成多种传感器、摄像头和/或物理机械臂的硬件设备。

8.根据权利要求7所述的***，其特征在于，还包括：

模型训练模块，其配置成收集电网设备的多组样本数据；其中，所述样本数据包括所述电网设备在正常运行状态下的正样本数据和/或所述电网设备在异常运行状态下的负样本数据；

标记各组所述样本数据对应的电网设备的运行状态类型；所述运行状态类型包括正常运行状态和/或异常运行状态；

将每组所述样本数据和对应的运行状态类型输入状态预测模型进行训练，从而得到已训练的基于样本数据确定运行状态类型的状态预测模型。

9.根据权利要求8所述的***，其特征在于，所述状态预测模型为数字孪生深度学习模型。

10.根据根据权利要求8所述的***，其特征在于，所述状态预测模块还配置成：

将提取到的所述运行特征数据输入已训练的所述状态预测模型；

通过所述状态预测模型对所述运行特征数据进行分析，获取所述电网设备处于正常运行状态或异常运行状态的概率的状态预测结果。

Images