CN115693916B - 一种变电站直流电源智能在线监测方法及*** - Google Patents

Abstract

本发明公开了一种变电站直流电源智能在线监测方法及***，该方法包括：接收直流电源的第一参数和第二参数，基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果；基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，基于第一分析结果和第二分析结果确定直流电源运行性能情况。本发明采用与待分析直流电源匹配的第二智能分析模型进行第二分析，同时采用与所有直流电源匹配的第一智能分析模型进行第一分析，实现了同时对直流电源进行粗放式监测和精准匹配式监测，有效提高面向所有直流电源的运行状态分析的准确性。

Description

一种变电站直流电源智能在线监测方法及***

技术领域

本发明涉及变电站直流电源***监测技术领域，具体涉及一种变电站直流电源智能在线监测方法及***。

背景技术

变电站的直流电源***，为保护、控制、自动装置等提供可靠电源，是一个独立电源。在正常运行时，充电装置承担经常负荷，同时向蓄电池组充电，以补充蓄电池组的自放电，使蓄电池组以满容量的状态处于备用。在交流电源中断的情况下，由蓄电池组继续向负载提供直流电源，可以保障保护、控制及自动装置的正常工作。随着变电站直流***运行时间的变长，直流***中的电源模块、蓄电池可能会出现运行异常的情况。如果对这些直流***中的缺陷不及时加以处理，则可能会导致更为严重的问题。

发明内容

针对上述现有技术存在的问题，本发明提供了一种变电站直流电源智能在线监测方法及***，实现了对直流***中的运行故障进行准确的分析。该技术方案如下：

第一方面，本申请实施例公开了一种变电站直流电源智能在线监测方法，该方法包括如下步骤：

接收直流电源的第一参数和第二参数，所述第一参数包括：直流蓄电池组的内阻、电压、电流、温度、湿度、运行工作周期、所述第二参数包括：使用时长、厂家、型号、批次；

基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果，所述第一智能分析模型是基于所有直流电源的历史第一参数作为训练样本训练得到的；

基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，所述第二智能分析模型是基于至少一个已有第二智能分析模型在所述直流电源的历史第一参数和第二参数作为训练样本得到的与所述直流电源匹配的分析模型；

基于第一分析结果和第二分析结果确定直流电源运行性能情况。

作为上述方案的进一步优化，所述第一智能分析模型的分析过程包括：

基于第一参数提取第一特征参数和第二特征参数，所述第一特征参数包括不同运行工作周期的持续时长、直流电源运行环境温湿度、电源自身温湿度以及不同运行工作周期期间电压、电流的变化特征；所述第二特征参数包括不同运行工作周期期间内阻的变化特征；

基于第一特征参数与预设约束规则进行对比分析确定所述直流电源运行是否存在第一故障隐患；

在确定不存在第一故障隐患的情况下，基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常；

在确定所述第二特征参数正常的情况下，确定所述直流电源运行性能正常。

作为上述方案的进一步优化，所述运行工作周期包括：均充电、浮充电、交流失电放电、交流恢复充电，

所述预设约束规则包括：不同运行工作周期的持续时长约束规则、不同运行工作周期下的直流电源运行环境温湿度和电源自身温湿度差异性约束规则、不同运行工作周期间电压、电流的变化量约束规则。

作为上述方案的进一步优化，所述基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常，包括：

基于第一网络对输入的第一特征参数和第二特征参数进行深度特征分析，所述第一网络进行深度特征分析，包括：

基于第一特征参数和第二特征参数经过至少一层特征提取层处理获得第三特征；

基于第一特征参数、第二特征参数和第三特征进行合并，从而得到初始特征向量，其中，第一特征参数与第二特征参数的维度之和为d1，第三特征的维度为d2，初始特征向量的维度为d1+d2；

基于第一可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第一权重参数，基于第二可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第二权重参数；

基于第一权重参数作用于第一特征参数、第二特征参数同时基于第二权重参数作用于第三特征得到经过加权融合后的融合特征，将所述融合特征输入到预设的第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常。

作为上述方案的进一步优化，所述第一网络采用3层卷积，总共包含112个卷积核，卷积核大小均为3×3，步长为1，填充值为1。

作为上述方案的进一步优化，所述第二智能分析模型的获取方法，包括：

记已有的第二智能分析模型为原始模型，记针对所述直流电源的待获取第二智能分析模型为更新模型；

基于所述直流电源的历史第一参数和第二参数获取针对第二智能分析模型的第二训练样本集；

基于原始模型的训练样本输入到原始模型中，得到所述原始模型的第一损失函数和基于第一损失函数更新的原始模型的第一模型参数；

以原始模型的第一模型参数作为更新模型的第二模型参数，并基于更新模型的训练样本输入到更新模型中，得到更新模型的输出结果；

基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数；

重复上述步骤，对更新模型的第二模型参数进行迭代修正，直至达到预设迭代停止条件，获得训练完成的第二智能分析模型。

作为上述方案的进一步优化，所述基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数，包括：

基于

修正更新模型的第二模型参数，其中，L是累计误差损失，L1是第一损失函数值，L2是原始模型输入的训练样本和更新模型输入的训练样本的差异量，α_i是原始模型中自适应和训练精度的权重，i是原始模型输入的训练样本和更新模型输入的训练样本的差异量分析网络层的层数；其中，/>

其中，/>

表示R₁-R₂的F范数，R1、R2分别是原始模型、更新模型输入的训练样本数据的协方差矩阵，d是原始模型和更新模型输入的训练样本的维度数。

第二方面，本申请实施例公开了一种变电站直流电源智能在线监测***，该***包括：

数据获取单元，用于接收直流电源的第一参数和第二参数，所述第一参数包括：直流蓄电池组的内阻、电压、电流、温度、湿度、运行工作周期、所述第二参数包括：使用时长、厂家、型号、批次；

第一分析单元，用于基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果，所述第一智能分析模型是基于所有直流电源的历史第一参数作为训练样本训练得到的；

第二分析单元，用于基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，所述第二智能分析模型是基于至少一个已有第二智能分析模型在所述直流电源的历史第一参数和第二参数作为训练样本得到的与所述直流电源匹配的分析模型；

在线监测结果获取单元，用于基于第一分析结果和第二分析结果确定直流电源运行性能情况。

第三方面，本申请实施例公开了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的变电站直流电源智能在线监测方法。

第四方面，本申请实施例公开了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述变电站直流电源智能在线监测方法的步骤。

本发明的一种变电站直流电源智能在线监测方法及***，具备如下有益效果：通过基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果；基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果；基于第一分析结果和第二分析结果确定直流电源运行性能情况，实现了对不同直流电源针对性的分析，采用与待分析直流电源匹配的第二智能分析模型进行第二分析，同时采用与所有直流电源匹配的第一智能分析模型进行第一分析，实现了同时对直流电源进行粗放式监测和精准匹配式监测，有效提高面向所有直流电源的运行状态分析的准确性。

附图说明

图1是本申请实施例一种变电站直流电源智能在线监测方法的流程示意图；

图2是本申请中的第一智能分析模型的分析过程示意图；

图3是本申请中的第一网络进行深度特征分析过程示意图；

图4是本申请中的第二智能分析模型的获取方法示意图；

图5是本申请实施例一种变电站直流电源智能在线监测***的结构示意图。

具体实施方式

变电站直流***在运行过程中，涉及到化学能和电能之间的转换，当运行时间较长时，受到人为因素或者设备质量等因素的影响，容易出现故障。此时有必要应用故障诊断及监测预警技术，及时发现和掌握变电站直流***中所存在的缺陷。利用变电站直流***的故障诊断及监测预警技术，可以开发出变电站直流***蓄电池状态诊断和异常情况主动隔离装置，根据所采集到的数据信息，来对直流***的运行状态进行判断。当发现直流***存在异常情况时，则及时主动进行隔离，保证直流***不会出现较大范围的故障。

参见图1，本申请实施例提供了一种变电站直流电源智能在线监测方法，该方法包括如下步骤：

步骤1，接收直流电源的第一参数和第二参数，所述第一参数包括：直流蓄电池组的内阻、电压、电流、温度、湿度、运行工作周期、所述第二参数包括：使用时长、厂家、型号、批次；

步骤2，基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果，所述第一智能分析模型是基于所有直流电源的历史第一参数作为训练样本训练得到的；

步骤3，基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，所述第二智能分析模型是基于至少一个已有第二智能分析模型在所述直流电源的历史第一参数和第二参数作为训练样本得到的与所述直流电源匹配的分析模型；

步骤4，基于第一分析结果和第二分析结果确定直流电源运行性能情况。

直流电源***是在站用交流电源***失电时，为站内保护及照明设备提供稳定持续的工作电源，变电站内的严重事故往往是因为交流***异常时，直流电源***中的蓄电池组容量不足、内部开路或未与直流母线可靠连接,无法为保护设备供电。导致发生事故的交流负荷无法及时从电网中切除，只能通过越级跳闸保护的方式切除故障回路，带来的后果是大面积的负荷失电，造成不可估量的社会经济损失。

本申请中通过对变电站直流电源***运行数据的全面监测,通过第一采集参数和第二采集参数综合分析预测直流电源运行状态数据，并基于深度神经网络，基于大数据作为训练样本，结合人工智能神经网络进行数据分析，实现准确的直流电源运行状态诊断。本申请中采用与待分析直流电源匹配的第二智能分析模型进行第二分析，同时采用与所有直流电源匹配的第一智能分析模型进行第一分析，实现了同时对直流电源进行粗放式监测和精准匹配式监测，有效提高面向所有直流电源的运行状态分析的准确性。

可以理解，面向所有直流电源来说，其运行工作时的电压、电流、温度、湿度、运行工作周期、运行内阻之间在正常范围内有其对应的数值约束规则，并且每个参数在不同数值时可以表征直流电源不同的运行状态，本申请中，面向全部直流电源，基于第一采集参数采用适用于所有直流电源的第一智能分析模型对直流电源运行状态进行分析，进而结合直流电源的使用时长、厂家、型号、批次采用适用于该属性直流电源的第二智能分析模型对直流电源运行状态进行分析。可以理解，蓄电池的状态参数的正常范围，不同厂家、型号、批次都会对其产生影响，对应的，采用第二智能分析模型对直流电源考虑其使用时长、厂家、型号、批次属性进行运行状态进行分析，获取精准匹配于该直流电源特性的运行状态分析结果。

参见图2，上述步骤2中的第一智能分析模型的分析过程包括：

步骤21，基于第一参数提取第一特征参数和第二特征参数，所述第一特征参数包括不同运行工作周期的持续时长、直流电源运行环境温湿度、电源自身温湿度以及不同运行工作周期期间电压、电流的变化特征；所述第二特征参数包括不同运行工作周期期间内阻的变化特征；

步骤22，基于第一特征参数与预设约束规则进行对比分析确定所述直流电源运行是否存在第一故障隐患；

步骤23，在确定不存在第一故障隐患的情况下，基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常；

步骤24，在确定所述第二特征参数正常的情况下，确定所述直流电源运行性能正常。

可以理解，电源自身温湿度有预设的上下限阈值区间，但是在运行环境温湿度变化情况下，该预设的上下限阈值会有浮动，当然，该浮动的上下限阈值区间不会超出预设的绝对阈值区间范围。电源运行性能发生改变时，其内阻特征会发生异常，但是电源的内阻会有相对性和变动性，电源实时内阻在不同实时温湿度环境、实时运行工作周期下会有波动，本申请实施例中在第一特征参数正常的情况下，通过第一智能分析模型分析在第一特征参数下的电源内阻在不同运行工作周期期间的数值特征，该第一智能分析模型是基于第一特征参数和第二特征参数中的多个参数作为输入，通过该模型预先拟合的第一特征参数中的多个参数与第二特征参数的关系分析出合适的理论第二特征参数，基于输入的第二特征参数与理论第二特征参数的偏差，确定输入的第二特征参数是否正常。

作为上述方案的进一步优化，上述步骤21中的运行工作周期包括：均充电、浮充电、交流失电放电、交流恢复充电；

上述步骤22中的所述预设约束规则包括：不同运行工作周期的持续时长约束规则、不同运行工作周期下的直流电源运行环境温湿度和电源自身温湿度差异性约束规则、不同运行工作周期间电压、电流的变化量约束规则。

作为上述方案的进一步优化，上述步骤23中，基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常，包括：

步骤231，基于第一网络对输入的第一特征参数和第二特征参数进行深度特征分析，具体来说，参见图3，该第一网络进行深度特征分析，包括：

步骤2311，基于第一特征参数和第二特征参数经过至少一层特征提取层处理获得第三特征；

步骤2312，基于第一特征参数、第二特征参数和第三特征进行合并，从而得到初始特征向量，其中，第一特征参数与第二特征参数的维度之和为d1，第三特征的维度为d2，初始特征向量的维度为d1+d2；

步骤2313，基于第一可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第一权重参数，基于第二可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第二权重参数；

步骤2314，基于第一权重参数作用于第一特征参数、第二特征参数同时基于第二权重参数作用于第三特征得到经过加权融合后的融合特征，将所述融合特征输入到预设的第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常。

具体来说，步骤231中的第一网络采用3层卷积，总共包含112个卷积核，卷积核大小均为3×3，步长为1，填充值为1。

本申请实施例中，基于基于第一特征参数和第二特征参数经过至少一层特征提取层处理获得第三特征，该第三特征为深度特征，第一特征参数和第二特征参数为浅层特征，基于深度特征和浅层特征结合，有效提高特征数据的丰富性和高效性，提高第一智能分析模型分析结果的准确性。具体来说，步骤2313中，V＝H(F·J)，其中，V是权重参数，H是第一预设激活函数，F是初始特征向量，M是第一可学习参数矩阵或者第二可学习参数矩阵，该第一预设激活函数可以采用

进一步的，参见图3，上述步骤3中的第二智能分析模型的获取方法，包括：

步骤31，记已有的第二智能分析模型为原始模型，记针对所述直流电源的待获取第二智能分析模型为更新模型；

步骤32，基于所述直流电源的历史第一参数和第二参数获取针对第二智能分析模型的第二训练样本集；

步骤33，基于原始模型的训练样本输入到原始模型中，得到所述原始模型的第一损失函数和基于第一损失函数更新的原始模型的第一模型参数；

步骤34，以原始模型的第一模型参数作为更新模型的第二模型参数，并基于更新模型的训练样本输入到更新模型中，得到更新模型的输出结果；

步骤35，基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数；

步骤36，重复上述步骤32-35，对更新模型的第二模型参数进行迭代修正，直至达到预设迭代停止条件，获得训练完成的第二智能分析模型。

进一步的，上述步骤35中，基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数，包括：

基于

修正更新模型的第二模型参数，其中，L是累计误差损失，L1是第一损失函数值，L2是原始模型输入的训练样本和更新模型输入的训练样本的差异量，α_i是原始模型中自适应和训练精度的权重，i是原始模型输入的训练样本和更新模型输入的训练样本的差异量分析网络层的层数；其中，/>

其中，/>

表示R₁-R₂的F范数，R1、R2分别是原始模型、更新模型输入的训练样本数据的协方差矩阵，d是原始模型和更新模型输入的训练样本的维度数。

本申请实施例中，基于已有的第二智能分析模型作为参考，借鉴该原始模型的模型参数对更新模型进行训练，有效减少更新模型即第二智能分析模型的训练时长及训练效率，并且在训练过程中，基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数，避免了单一使用第一损失函数值修正更新模型的第二模型参数时对原始模型训练的过拟合，进而降低第二智能分析模型的性能，同时避免了单一使用原始模型输入的训练样本和更新模型输入的训练样本的差异量修正更新模型的第二模型参数时导致第二智能分析模型分析的准确性降低的问题。

基于上述变电站直流电源智能在线监测方法，本申请实施例中还提供了一种变电站直流电源智能在线监测***，该***包括：

数据获取单元，用于接收直流电源的第一参数和第二参数，所述第一参数包括：直流蓄电池组的内阻、电压、电流、温度、湿度、运行工作周期、所述第二参数包括：使用时长、厂家、型号、批次；

第一分析单元，用于基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果，所述第一智能分析模型是基于所有直流电源的历史第一参数作为训练样本训练得到的；

第二分析单元，用于基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，所述第二智能分析模型是基于至少一个已有第二智能分析模型在所述直流电源的历史第一参数和第二参数作为训练样本得到的与所述直流电源匹配的分析模型；

在线监测结果获取单元，用于基于第一分析结果和第二分析结果确定直流电源运行性能情况。

可以理解，本实施例提供的变电站直流电源智能在线监测***与上述实施例提供的变电站直流电源智能在线监测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。上述变电站直流电源智能在线监测***与中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元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单元对应的操作。

基于上述变电站直流电源智能在线监测方法，本申请实施例中还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现上述的变电站直流电源智能在线监测方法。

可以理解，其中的存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器能够存储数据以支持终端的操作。这些数据的示例包括：用于在终端上操作的任何计算机程序，如操作***和应用程序。其中，操作***包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。

基于上述变电站直流电源智能在线监测方法，本申请实施例中还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现上述变电站直流电源智能在线监测方法的步骤。该计算机可读存储介质可以是只读存储器(read-onlymemory，ROM)、随机存取存储器(random access memory，RAM)、只读光盘(compact discread-only memory，CD-ROM)、磁带、软盘和光数据存储节点等。

本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。

Claims (8)

1.一种变电站直流电源智能在线监测方法，其特征在于，包括：

接收直流电源的第一参数和第二参数，所述第一参数包括：直流蓄电池组的内阻、电压、电流、温度、湿度、运行工作周期、所述第二参数包括：使用时长、厂家、型号、批次；

基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果，所述第一智能分析模型是基于所有直流电源的历史第一参数作为训练样本训练得到的；

基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，所述第二智能分析模型是基于至少一个已有第二智能分析模型在所述直流电源的历史第一参数和第二参数作为训练样本得到的与所述直流电源匹配的分析模型；

基于第一分析结果和第二分析结果确定直流电源运行性能情况；

所述第一智能分析模型的分析过程包括：

基于第一参数提取第一特征参数和第二特征参数，所述第一特征参数包括不同运行工作周期的持续时长、直流电源运行环境温湿度、电源自身温湿度以及不同运行工作周期期间电压、电流的变化特征；所述第二特征参数包括不同运行工作周期期间内阻的变化特征；

基于第一特征参数与预设约束规则进行对比分析确定所述直流电源运行是否存在第一故障隐患；

在确定不存在第一故障隐患的情况下，基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常；

在确定所述第二特征参数正常的情况下，确定所述直流电源运行性能正常；

所述基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常，包括：

基于第一网络对输入的第一特征参数和第二特征参数进行深度特征分析，所述第一网络进行深度特征分析，包括：

基于第一特征参数和第二特征参数经过至少一层特征提取层处理获得第三特征；

基于第一特征参数、第二特征参数和第三特征进行合并，从而得到初始特征向量，其中，第一特征参数与第二特征参数的维度之和为d1，第三特征的维度为d2，初始特征向量的维度为d1+d2；

基于第一可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第一权重参数，基于第二可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第二权重参数；

基于第一权重参数作用于第一特征参数、第二特征参数同时基于第二权重参数作用于第三特征得到经过加权融合后的融合特征，将所述融合特征输入到预设的第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常。

2.根据权利要求1所述的一种变电站直流电源智能在线监测方法，其特征在于，

所述运行工作周期包括：均充电、浮充电、交流失电放电、交流恢复充电，

所述预设约束规则包括：不同运行工作周期的持续时长约束规则、不同运行工作周期下的直流电源运行环境温湿度和电源自身温湿度差异性约束规则、不同运行工作周期间电压、电流的变化量约束规则。

3.根据权利要求1所述的一种变电站直流电源智能在线监测方法，其特征在于，所述第一网络采用3层卷积，总共包含112个卷积核，卷积核大小均为3×3，步长为1，填充值为1。

4.根据权利要求1所述的一种变电站直流电源智能在线监测方法，其特征在于，所述第二智能分析模型的获取方法，包括：

记已有的第二智能分析模型为原始模型，记针对所述直流电源的待获取第二智能分析模型为更新模型；

基于所述直流电源的历史第一参数和第二参数获取针对第二智能分析模型的第二训练样本集；

基于原始模型的训练样本输入到原始模型中，得到所述原始模型的第一损失函数和基于第一损失函数更新的原始模型的第一模型参数；

以原始模型的第一模型参数作为更新模型的第二模型参数，并基于更新模型的训练样本输入到更新模型中，得到更新模型的输出结果；

基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数；

重复上述步骤，对更新模型的第二模型参数进行迭代修正，直至达到预设迭代停止条件，获得训练完成的第二智能分析模型。

5.根据权利要求4所述的一种变电站直流电源智能在线监测方法，其特征在于，所述基于原始模型输入的训练样本和更新模型输入的训练样本的差异量、第一损失函数值修正更新模型的第二模型参数，包括：

基于

修正更新模型的第二模型参数，其中，L是累计误差损失，L1是第一损失函数值，L2是原始模型输入的训练样本和更新模型输入的训练样本的差异量，α_i是原始模型中自适应和训练精度的权重，i是原始模型输入的训练样本和更新模型输入的训练样本的差异量分析网络层的层数；其中，/>

其中，/>

表示R₁-R₂的F范数，R1、R2分别是原始模型、更新模型输入的训练样本数据的协方差矩阵，d是原始模型和更新模型输入的训练样本的维度数。

6.一种变电站直流电源智能在线监测***，其特征在于，包括：

数据获取单元，用于接收直流电源的第一参数和第二参数，所述第一参数包括：直流蓄电池组的内阻、电压、电流、温度、湿度、运行工作周期、所述第二参数包括：使用时长、厂家、型号、批次；

第一分析单元，用于基于第一参数作为第一智能分析模型的输入，获取表征直流电源运行性能是否异常的第一分析结果，所述第一智能分析模型是基于所有直流电源的历史第一参数作为训练样本训练得到的；

第二分析单元，用于基于第一参数和第二参数作为第二智能分析模型的输入，获取表征流电源运行性能是否异常的第二分析结果，所述第二智能分析模型是基于至少一个已有第二智能分析模型在所述直流电源的历史第一参数和第二参数作为训练样本得到的与所述直流电源匹配的分析模型；

在线监测结果获取单元，用于基于第一分析结果和第二分析结果确定直流电源运行性能情况；

所述第一智能分析模型的分析过程包括：

基于第一参数提取第一特征参数和第二特征参数，所述第一特征参数包括不同运行工作周期的持续时长、直流电源运行环境温湿度、电源自身温湿度以及不同运行工作周期期间电压、电流的变化特征；所述第二特征参数包括不同运行工作周期期间内阻的变化特征；

基于第一特征参数与预设约束规则进行对比分析确定所述直流电源运行是否存在第一故障隐患；

在确定不存在第一故障隐患的情况下，基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常；

在确定所述第二特征参数正常的情况下，确定所述直流电源运行性能正常；

所述基于第一特征参数和第二特征参数输入至第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常，包括：

基于第一网络对输入的第一特征参数和第二特征参数进行深度特征分析，所述第一网络进行深度特征分析，包括：

基于第一特征参数和第二特征参数经过至少一层特征提取层处理获得第三特征；

基于第一特征参数、第二特征参数和第三特征进行合并，从而得到初始特征向量，其中，第一特征参数与第二特征参数的维度之和为d1，第三特征的维度为d2，初始特征向量的维度为d1+d2；

基于第一可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第一权重参数，基于第二可学习参数矩阵作用于所述初始特征向量并通过第一预设激活函数处理得到第二权重参数；

基于第一权重参数作用于第一特征参数、第二特征参数同时基于第二权重参数作用于第三特征得到经过加权融合后的融合特征，将所述融合特征输入到预设的第一智能分析模型，分析在所述第一特征参数下所述第二特征参数是否异常。

7.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-5中任一项所述的变电站直流电源智能在线监测方法。

8.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述变电站直流电源智能在线监测方法的步骤。

Images