CN118054552A - 一种配电室状态智能监测方法与报警*** - Google Patents

Abstract

本发明公开了一种配电室状态智能监测方法与报警***，所述方法针对配电室的环境特点，设计基于局放传感器和基于STM32的各环境传感器与声音收集设备的数据采集节点，采集异常检测所需的局部放电、音频与传感器信号信息，并建立改进的DES‑Autoformer模型用于异常检测，使用改进的超频带算法优化DESAuformer异常检测模型的超参数以提高模型性能；最终对配电室状态监测分析结果进行前端展示，并对异常状态进行警示和相应的处理。本发明可以准确有效的对配电室的状态进行实时监测，并能更加准确地识别出升温过快、过载、放电等异常状况，实现有效预警，为配电室的安全运行提供保障。

Description

一种配电室状态智能监测方法与报警***

技术领域

本发明属于智能电网领域和云平台智能监测领域，具体涉及一种配电室状态智能监测方法与报警***。

背景技术

随着智慧城市的发展和进步，配电室作为供电***的重要电力设施，其安全性受到广泛关注，对配电室的安全监测可靠性要求也越来越高。若配电室出现异常，轻则使电力设备损坏，导致供电中断或电力***运行波动，重则导致火灾、***等安全事故的发生，造成严重的财产损失和人员伤亡。因此，必须对配电室进行可靠的状态监测，准确识别其异常并及时消除安全隐患，避免安全事故的发生。

由于诸多因素的影响，许多配电室的环境缺乏有效的监管，如升温过快、过载和局部放电等情况若不及时处理，易造成财产损失和安全事故的发生。对配电室的温湿度、局部放电、可燃气体浓度和环境声音等信息进行准确的状态监测能够及时发现配电室中的危险因素和异常，为相关人员及时提供可靠的状态信息和现场信息，并能够协助相关人员进行异常处理，降低安全事故发生的概率。

近年来，随着深度学习和计算机网络的发展，国家对变电站与配电室的智能化和自动化要求提升。在配电室实际运行过程中，许多状态是否异常与配电室所处的环境相关，单一的阈值报警易造成错报和漏报。因此，可通过特定的气体传感器、温湿度传感器、光照度传感器等采集环境信息，结合局部放电信息和音频信息综合判断，通过无监督训练建立具有自相关异常注意力机制的Autoformer异常检测模型对配电室的状态进行智能监测，并通过状态监测结果实施相应的报警方案。

发明内容

发明目的：为了有效对配电室的异常状态进行监测，降低配电室因升温过快、过载、放电等异常状况造成安全事故的概率，本发明提供一种配电室状态智能监测方法与报警***，实现对配电室异常状态的智能监测，并根据监测结果报警提醒相关人员对异常进行处理。

技术方案：本发明所述的一种配电室状态智能监测方法，包括以下步骤：

(1)针对配电室的环境特点，设置网络摄像头采集监测所需的视频信息，并设计基于STM32单片机的现场数据采集点，采集识别所需的音频和传感器信号信息；针对配电室的局部放电风险，设置局放传感器收集局部放电信息；

(2)分别对步骤(1)采集到的配电室音频信号、传感器信号和局部放电信息数据进行编码处理，融合得到训练数据与输入数据；

(3)构建改进的DES-Autoformer异常检测模型，所述改进的DES-Autoformer异常检测模型为将Autoformer模型中的自相关机制与异常注意力机制融合，将异常注意力机制中的序列关联替换为自相关机制，并将Autoformer中的序列分解结构替换为二次指数平滑，最后将Autoformer的序列预测结构改为状态分类结构；

(4)将步骤(2)中得到的训练数据送入改进的DES-Autoformer异常检测模型中，并使用改进的Hyperband算法对改进的DES-Autoformer异常检测模型中的超参数进行优化，得到配电室异常状态智能监测分析模型；所述改进的Hyperband算法为在Hyperband算法的初始化过程中，使用拉丁超立方初始化代替其原始的随机初始化；

(5)利用优化后的改进的DES-Autoformer异常检测模型对步骤(2)中得到的输入数据进行监测分析，得到配电室的状态监测结果，并根据监测结果进行报警，通知相关人员对异常进行处理。

进一步地，所述步骤(1)实现过程如下：

利用多个局放传感器收集检测开关柜、GIS、变压器等电力设备产生的局部放电信号并直接通过工业网关将数据上传至监测平台；

STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器、声音传感器和ZigBee通讯模块，负责采集配电室现场的声音信息和各类环境信息，其数量与局放传感器的数量相匹配；

STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息和声音信息，并通过工业网关将这些信息上传至监测平台；

网络摄像头仅负责监测配电室的现场状态，为相关人员提供充足的现场信息，采集到的视频信息由工业网关上传至监测平台。

进一步地，所述步骤(2)实现过程如下：

对收集到的局放信息按选定的时间间隔进行值编码，得到一组包含局放信息特征二维特征张量x_p；对收集到的音频信息按选定的时间间隔进行分段编码，得到一组从音频信息中提取得到的二维特征张量x_v；对收集到的传感器信息按选定的时间间隔进行值编码，得到一组包含各传感器数据特征的二维特征张量x_e；根据权重，将x_p、x_p、x_e进行加权相加，完成数据融合，得到融合后的特征序列x。

进一步地，所述步骤(3)实现过程如下：

将异常注意力机制中的序列关联部分替换为自相关机制，自相关机制公式如下：

其中，Q、K和V分别表示查询矩阵、键矩阵和值矩阵，R_Q,K(τ)表示Q、K与其时延序列的自相关系数，Roll(V,τ)表示值矩阵V进行时长为τ的时延，C表示自相关系数中相关性最高的C个时延长度,L表示输入的序列长度；

为对特征张量进行精确分解，将Autoformer中的分解单元改进为二次指数平滑单元，以提取更准确的特征趋势并提升对序列中的随机波动的提取性能；二次指数平滑单元的具体公式如下：

其中，α和β是二次指数平滑中决定历史数据和近期数据之间权重比例的两个参数，x_t,g和x_t,s代表输入序列x在t时刻的趋势分量和周期分量；

将Autoformer模型中的解码层替换为多层感知头，以实现监测分析中的监测状态分类任务，将经过Autoformer模型编码层得到的二维特征张量进行重构，重构后的序列将被输入多层感知头，通过隐藏层和使用sigmoid函数激活后，连接至输出层实现配电室状态分类结果的输出，多层感知头的具体公式如下：

y^l＝f(W^lf(W^l-1x^l-2+B^l-1)+B^l) (3)

其中，y^l为第l层模型的输出，W^l为第l层网络与上一层网络之间的权重，B^l为第l层网络的偏置，x^l为第l层网络的输入，f为sigmoid激活函数。

进一步地，所述步骤(4)实现过程如下：

(41)设置Hyperband算法的目标函数为监测状态分类的准确率并初始化相关参数；

(42)使用拉丁超立方初始化方法代替Hyperband算法中的随机初始化方法，其公式如下：

其中，lb_j,i为第i组参数配置的第j个维度的下界，ub_j,i为第i参数配置的第j个维度的上界，A_j表示第i参数配置所在的子搜索空间，RFP()为全排列操作，n表示参数配置的组数，d表示问题维度，X_i表示第i组参数配置的初始化值，rand为一个取值为[0,1]的随机值，LHS()表示整个拉丁超立方采样过程；

(43)根据连续衰减的思想，Hyperband算法的迭代方式如下：

Hyperband算法的衰减次数与衰减步长相关，其计算过程的公式表示为：

其中，N_max表示在一次寻优过程中能够进行的最大衰减次数，也用于表示找到最佳参数配置所需要进行的迭代次数；η_max和η_min分别表示每组参数配置所能分配的最大计算资源和最小计算资源，λ表示衰减步长；

在每一次迭代过程中，计算资源都会按照以下公式分配给超参数组：

其中，N代表当前迭代的代数，表示当前迭代中第k次衰减中需要采样的参数配置的数量，η_k表示当前迭代中第k次衰减中分配的计算资源；

在第N次迭代的第(k+1)次衰减中，其参数配置集合由目标函数适应度值的前项组成，表示为：

其中，T_k+1表示第k+1次衰减的参数配置的集合，表示在分配的计算资源为η_k+1的条件下，第(k+1)次衰减过程中参数配置的取样过程；

(44)根据目标函数计算适应度值，并根据适应度值筛选出最优解；

(45)对当前的最优参数配置进行更新，并通过最大迭代次数判断是否达到算法终止条件，在最大迭代次数内输出最优结果。

进一步地，所述步骤(5)实现过程如下：

对配电室中的局部放电、环境信息和声音信息进行实时监测，并将监测数据通过工业网关上传至监测分析平台，并将监测结果在监测终端上实时显示；同时，当监测的信息出现异常波动时，立即发出警报通知相关人员。

进一步地，步骤(41)所述相关参数包括最大迭代次数、每组优化分配的最大计算资源数量和最小计算资源数量、维度大小、搜索空间的上界与下界。

基于相同的发明构思，本发明所述的一种配电室状态智能监测报警***，包括数据采集模块、无监督异常检测和状态监测分析模块和前端显示和报警模块；其中：

数据采集模块，针对配电室的环境特点，设计基于STM32单片机、局放传感器和网络摄像头的现场数据采集部分，采集识别所需的视频、音频、传感器信号和局部放电信息；STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器、声音传感器和ZigBee通讯模块；STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息；

无监督异常检测和状态监测分析模块，用于建立改进的DES-Autoformer异常检测模型，并使用改进的Hyperband算法对改进的DES-Autoformer异常检测模型中的超参数进行优化；利用训练优化后的改进的DES-Autoformer异常检测模型对输入数据进行监测分析；

前端显示和报警模块，用于对于获取的配电室的状态监测结果和现场视频信息进行前端界面展示，并在异常状态下报警提醒相关人员进行处理。

有益效果：与现有技术相比，本发明的有益效果：本发明应用多个STM32单片机、局放传感器和网络摄像头获取配电室环境信息，采集过程全面、快速、准确，鲁棒性强；本发明构建的改进的DES-Autoformer配电室异常状态智能监测分析模型能够快速分解输入数据得到仓库环境特征，并通过无监督异常检测提高状态监测的准确度；且在模型训练过程中使用改进的Hyperband算法进行参数优化，为避免Hyperband算法在优化过程陷入局部最优，通过拉丁超立方进行采样，提升算法的寻优能力；实现对配电室异常状态的智能监测，且提升监测结果准确性。

附图说明

图1为配电室状态智能监测方法流程图；

图2为本发明提出的改进的DES-Autoformer异常检测模型结构示意图；

图3为本发明提出的改进的Hyperband算法流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，本发明提出了一种配电室状态智能监测方法，为该方法的流程图，具体包括以下步骤：

步骤1：针对配电室的环境特点，设置网络摄像头采集监测所需的视频信息，并设计基于STM32单片机的现场数据采集点，采集识别所需的音频和传感器信号信息；针对配电室的局部放电风险，设置局放传感器收集局部放电信息。

利用多个局放传感器收集检测开关柜、GIS、变压器等电力设备产生的局部放电信号并直接通过工业网关将数据上传至监测平台。STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器、声音传感器和ZigBee通讯模块，负责采集配电室现场的声音信息和各类环境信息，其数量与局放传感器的数量相匹配。STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息和声音信息，并通过工业网关将这些信息上传至监测平台。网络摄像头仅负责监测配电室的现场状态，为相关人员提供充足的现场信息，采集到的视频信息由工业网关上传至监测平台。

步骤2：分别对采集到的声音、环境传感器信号和局放传感器信号的数据进行编码处理，融合得到模型的训练数据与输入数据。

对收集到的音频信息进行处理，每间隔时间τ进行一次帧截取并设置截取帧长为τ'，将截取的音频信号由时域变换至频域，计算其LPC系数并转换为LSF系数，通过量化LSF系数得到一组从音频信息中提取得到的二维特征张量x_v。对收集到的环境传感器信号进行值编码，得到一组包含局放信息特征二维特征张量x_p。对收集到的局放传感器信号进行值编码，得到一组得到一组包含局放信息特征的二维特征张量x_p。根据权重将x_p、x_p、x_e进行加权相加，得到融合后的特征序列x，用于输入模型对配电室状态进行分析判断。

步骤3：如图2所示，建立改进的DES-Autoformer异常检测模型，将Autoformer模型中的自相关机制与异常注意力机制融合，将异常注意力机制中的序列关联替换为自相关机制，并将Autoformer中的序列分解结构替换为二次指数平滑(Double ExponentialSmoothing，DES)，最后将Autoformer的序列预测结构改为状态分类结构。

为提升模型对序列关联的提取，将异常注意力机制中的序列关联部分替换为自相关机制，自相关机制公式如下：

其中，Q、K和V分别表示查询矩阵、键矩阵和值矩阵，R_Q,K(τ)表示Q、K与其时延序列的自相关系数，Roll(V,τ)表示值矩阵V进行时长为τ的时延，C表示自相关系数中相关性最高的C个时延长度。

为对特征张量进行精确分解，将Autoformer中的分解单元改进为二次指数平滑单元，以提取更准确的特征趋势并提升对序列中的随机波动的提取性能。二次指数平滑单元的具体公式如下：

其中，α和β是二次指数平滑中决定历史数据和近期数据之间权重比例的两个参数，x_t,g和x_t,s代表输入序列x在t时刻的趋势分量和周期分量。

将Autoformer模型中的解码层替换为多层感知头，以实现监测分析中的监测状态分类任务，将经过Autoformer模型编码层得到的二维特征张量进行重构，重构后的序列将被输入多层感知头，通过隐藏层和使用sigmoid函数激活后，连接至输出层实现配电室状态分类结果的输出，多层感知头的具体公式如下：

y^l＝f(W^lf(W^l-1x^l-2+B^l-1)+B^l) (3)

其中，y^l为第l层模型的输出，W^l为第l层网络与上一层网络之间的权重，B^l为第l层网络的偏置，x^l为第l层网络的输入，f为sigmoid激活函数。

步骤4：将步骤2中得到的训练数据送入步骤3中改进的DES-Autoformer异常检测模型中，并使用改进的Hyperband算法对改进的DES-Autoformer异常检测模型中的超参数进行优化，得到配电室异常状态智能监测分析模型。改进的Hyperband算法如图3所示，在Hyperband算法的初始化过程中，使用拉丁超立方初始化代替其原始的随机初始化，提升算法的寻优能力。

(4.1)设置Hyperband算法的目标函数为监测状态分类的准确率并初始化相关参数，参数包含：最大迭代次数、每组优化分配的最大计算资源数量和最小计算资源数量、维度大小、搜索空间的上界与下界。

(4.2)使用拉丁超立方初始化方法代替Hyperband算法中的随机初始化方法，其公式如下：

其中，lb_j,i为第i组参数配置的第j个维度的下界，ub_j,i为第i参数配置的第j个维度的上界，A_j表示第i参数配置所在的子搜索空间，RFP()为全排列操作，n表示参数配置的组数，d表示问题维度，X_i表示第i组参数配置的初始化值，rand为一个取值为[0,1]的随机值，LHS()表示整个拉丁超立方采样过程。

(4.3)根据连续衰减的思想，Hyperband算法的迭代方式如下：

1)Hyperband算法的衰减次数与衰减步长相关，其计算过程的公式表示为：

其中N_max表示在一次寻优过程中能够进行的最大衰减次数，也用于表示找到最佳参数配置所需要进行的迭代次数。η_max和η_min分别表示每组参数配置所能分配的最大计算资源和最小计算资源，λ表示衰减步长。

2)在每一次迭代过程中，计算资源都会按照以下公式分配给超参数组：

其中，N代表当前迭代的代数，表示当前迭代中第k次衰减中需要采样的参数配置的数量。η_k表示当前迭代中第k次衰减中分配的计算资源。

3)在第N次迭代的第k+1次衰减中，其参数配置集合由目标函数适应度值的前项组成，可以用数学公式表示为：

其中，T_k+1表示第k+1次衰减的参数配置的集合，表示在分配的计算资源为η_k+1的条件下，第k+1次衰减过程中参数配置的取样过程。

4)根据目标函数计算适应度值，并根据适应度值筛选出最优解。

(4.4)通过步骤(4.3)中对当前的最优参数配置进行更新，并通过计算得到的最大迭代次数判断是否达到算法终止条件，若未达到则重复执行2)到4)，最终在最大迭代次数内输出最优结果。

步骤5：利用步骤4中训练优化后的配电室异常状态智能监测分析模型对步骤2中得到的模型输入数据进行监测分析，得到配电室的状态监测结果。

对于获取的状态监测结果进行前端界面展示与预警，用于实时显示配电室异常监测过程中的所有视频、声音、局放传感器、环境传感器信息，并显示由建立的改进的DES-Autoformer异常检测模型所评估的状态监测分析结果。根据监测结果进行判断，若为异常情况则进行报警，通知并将监测结果和现场信息提供给相关人员，允许相关人员查看调用权限内的历史数据，便于相关人员对异常进行正确处理。

本发明还提供一种配电室状态智能监测报警***，包括数据采集模块、无监督异常检测和状态监测分析模块和前端显示和报警模块；其中：

数据采集模块，针对配电室的环境特点，设计基于STM32单片机、局放传感器和网络摄像头的现场数据采集部分，采集识别所需的视频、音频、传感器信号和局部放电信息；STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器、声音传感器和ZigBee通讯模块；STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息。

无监督异常检测和状态监测分析模块，用于建立改进的DES-Autoformer异常检测模型，并使用改进的Hyperband算法对改进的DES-Autoformer异常检测模型中的超参数进行优化；利用训练优化后的改进的DES-Autoformer异常检测模型对输入数据进行监测分析。

前端显示和报警模块，用于对于获取的配电室的状态监测结果和现场视频信息进行前端界面展示，并在异常状态下报警提醒相关人员进行处理。

本发明并不局限于上述具体实施案例，在本领域技术人员所具备的知识范围内，任何根据本发明的技术方案及其发明构思加以等同替换或改变，均应包含在本发明保护范围之内。

Claims (8)

1.一种配电室状态智能监测方法，其特征在于，包括如下步骤：

(1)针对配电室的环境特点，设置网络摄像头采集监测所需的视频信息，并设计基于STM32单片机的现场数据采集点，采集识别所需的音频和传感器信号信息；针对配电室的局部放电风险，设置局放传感器收集局部放电信息；

(2)分别对步骤(1)采集到的配电室音频信号、传感器信号和局部放电信息数据进行编码处理，融合得到训练数据与输入数据；

(3)构建改进的DES-Autoformer异常检测模型，所述改进的DES-Autoformer异常检测模型为将Autoformer模型中的自相关机制与异常注意力机制融合，将异常注意力机制中的序列关联替换为自相关机制，并将Autoformer中的序列分解结构替换为二次指数平滑，最后将Autoformer的序列预测结构改为状态分类结构；

(4)将步骤(2)中得到的训练数据送入改进的DES-Autoformer异常检测模型中，并使用改进的Hyperband算法对改进的DES-Autoformer异常检测模型中的超参数进行优化，得到配电室异常状态智能监测分析模型；所述改进的Hyperband算法为在Hyperband算法的初始化过程中，使用拉丁超立方初始化代替其原始的随机初始化；

(5)利用优化后的改进的DES-Autoformer异常检测模型对步骤(2)中得到的输入数据进行监测分析，得到配电室的状态监测结果，并根据监测结果进行报警，通知相关人员对异常进行处理。

2.根据权利要求1所述的一种配电室状态智能监测方法，其特征在于，所述步骤(1)实现过程如下：

利用多个局放传感器收集检测开关柜、GIS、变压器等电力设备产生的局部放电信号并直接通过工业网关将数据上传至监测平台；

STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器、声音传感器和ZigBee通讯模块，负责采集配电室现场的声音信息和各类环境信息，其数量与局放传感器的数量相匹配；

STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息和声音信息，并通过工业网关将这些信息上传至监测平台；

网络摄像头仅负责监测配电室的现场状态，为相关人员提供充足的现场信息，采集到的视频信息由工业网关上传至监测平台。

3.根据权利要求1所述的一种配电室状态智能监测方法，其特征在于，所述步骤(2)实现过程如下：

对收集到的局放信息按选定的时间间隔进行值编码，得到一组包含局放信息特征二维特征张量x_p；对收集到的音频信息按选定的时间间隔进行分段编码，得到一组从音频信息中提取得到的二维特征张量x_v；对收集到的传感器信息按选定的时间间隔进行值编码，得到一组包含各传感器数据特征的二维特征张量x_e；根据权重，将x_p、x_p、x_e进行加权相加，完成数据融合，得到融合后的特征序列x。

4.根据权利要求1所述的一种配电室状态智能监测方法，其特征在于，所述步骤(3)实现过程如下：

将异常注意力机制中的序列关联部分替换为自相关机制，自相关机制公式如下：

其中，Q、K和V分别表示查询矩阵、键矩阵和值矩阵，R_Q,K(τ)表示Q、K与其时延序列的自相关系数，Roll(V,τ)表示值矩阵V进行时长为τ的时延，C表示自相关系数中相关性最高的C个时延长度,L表示输入的序列长度；

为对特征张量进行精确分解，将Autoformer中的分解单元改进为二次指数平滑单元，以提取更准确的特征趋势并提升对序列中的随机波动的提取性能；二次指数平滑单元的具体公式如下：

其中，α和β是二次指数平滑中决定历史数据和近期数据之间权重比例的两个参数，x_t,g和x_t,s代表输入序列x在t时刻的趋势分量和周期分量；

将Autoformer模型中的解码层替换为多层感知头，以实现监测分析中的监测状态分类任务，将经过Autoformer模型编码层得到的二维特征张量进行重构，重构后的序列将被输入多层感知头，通过隐藏层和使用sigmoid函数激活后，连接至输出层实现配电室状态分类结果的输出，多层感知头的具体公式如下：

y^l＝f(W^lf(W^l-1x^l-2+B^l-1)+B^l) (3)

其中，y^l为第l层模型的输出，W^l为第l层网络与上一层网络之间的权重，B^l为第l层网络的偏置，x^l为第l层网络的输入，f为sigmoid激活函数。

5.根据权利要求1所述的一种配电室状态智能监测方法，其特征在于，所述步骤(4)实现过程如下：

(41)设置Hyperband算法的目标函数为监测状态分类的准确率并初始化相关参数；

(42)使用拉丁超立方初始化方法代替Hyperband算法中的随机初始化方法，其公式如下：

其中，lb_j,i为第i组参数配置的第j个维度的下界，ub_j,i为第i参数配置的第j个维度的上界，A_j表示第i参数配置所在的子搜索空间，RFP()为全排列操作，n表示参数配置的组数，d表示问题维度，X_i表示第i组参数配置的初始化值，rand为一个取值为[0,1]的随机值，LHS()表示整个拉丁超立方采样过程；

(43)根据连续衰减的思想，Hyperband算法的迭代方式如下：

Hyperband算法的衰减次数与衰减步长相关，其计算过程的公式表示为：

其中，N_max表示在一次寻优过程中能够进行的最大衰减次数，也用于表示找到最佳参数配置所需要进行的迭代次数；η_max和η_min分别表示每组参数配置所能分配的最大计算资源和最小计算资源，λ表示衰减步长；

在每一次迭代过程中，计算资源都会按照以下公式分配给超参数组：

其中，N代表当前迭代的代数，表示当前迭代中第k次衰减中需要采样的参数配置的数量，η_k表示当前迭代中第k次衰减中分配的计算资源；

在第N次迭代的第(k+1)次衰减中，其参数配置集合由目标函数适应度值的前项组成，表示为：

其中，T_k+1表示第k+1次衰减的参数配置的集合，表示在分配的计算资源为η_k+1的条件下，第(k+1)次衰减过程中参数配置的取样过程；

(44)根据目标函数计算适应度值，并根据适应度值筛选出最优解；

(45)对当前的最优参数配置进行更新，并通过最大迭代次数判断是否达到算法终止条件，在最大迭代次数内输出最优结果。

6.根据权利要求1所述的一种配电室状态智能监测方法，其特征在于，所述步骤(5)实现过程如下：

对配电室中的局部放电、环境信息和声音信息进行实时监测，并将监测数据通过工业网关上传至监测分析平台，并将监测结果在监测终端上实时显示；同时，当监测的信息出现异常波动时，立即发出警报通知相关人员。

7.根据权利要求5所述的一种配电室状态智能监测方法，其特征在于，步骤(41)所述相关参数包括最大迭代次数、每组优化分配的最大计算资源数量和最小计算资源数量、维度大小、搜索空间的上界与下界。

8.一种采用如权利要求1至7任一所述方法的配电室状态智能监测报警***，其特征在于，包括数据采集模块、无监督异常检测和状态监测分析模块和前端显示和报警模块；其中：

数据采集模块，针对配电室的环境特点，设计基于STM32单片机、局放传感器和网络摄像头的现场数据采集部分，采集识别所需的视频、音频、传感器信号和局部放电信息；STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器、声音传感器和ZigBee通讯模块；STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息；

无监督异常检测和状态监测分析模块，用于建立改进的DES-Autoformer异常检测模型，并使用改进的Hyperband算法对改进的DES-Autoformer异常检测模型中的超参数进行优化；利用训练优化后的改进的DES-Autoformer异常检测模型对输入数据进行监测分析；

前端显示和报警模块，用于对于获取的配电室的状态监测结果和现场视频信息进行前端界面展示，并在异常状态下报警提醒相关人员进行处理。