一种智能配电箱数据采集方法及系统与流程
本申请属于智能配电箱领域,尤其涉及一种智能配电箱数据采集方法及系统。
背景技术:
1、随着智能电网建设的持续推进,配电箱作为电力配电系统中的重要底层终端节点,其运行状态直接关系到配电网络的安全性、稳定性和供电可靠性。为了实现对配电箱的实时监控与运维管理,通常需要在配电箱内部及周边布设大量传感器节点,持续采集电压、电流、环境温度、湿度以及局部放电等运行工况数据。上述传感器节点产生的多维时序数据包含丰富的时空关联特征,通过对该类数据进行实时采集、融合与分析,能够实现配电箱异常状态预警、健康度评估以及关键运行参数的超前预测。近年来,以注意力机制为代表的深度学习技术被广泛应用于电力物联网时序数据处理领域,提升了多源数据的特征表达能力和状态识别精度。
2、传统标准注意力机制在计算特征关联时通常采用全局密集点积运算,其计算复杂度和内存占用随时间序列长度呈二次增长,导致其在配电箱边缘侧计算资源受限、功耗要求较高的硬件环境下难以承受较大的计算开销,无法满足海量传感数据低延迟、高并发的实时处理需求。同时,现有常规数据处理模型大多采用静态固化的网络结构和特征提取参数,在面对配电箱复杂多变的运行工况及非平稳数据波动时,难以在同一处理流程中兼顾局部瞬态突变特征和全局长周期演变规律的识别,也缺乏随环境和工况变化自适应调整的能力。由于缺少重构机制,传统方法难以根据当前网络状态灵活调整后续特征提取策略,导致多变工况下数据采集、融合分析和状态预测的准确性受限,难以满足现代新型电力系统对底层设备高能效、高精度、实时感知的需求。
技术实现思路
1、根据本发明的第一方面,提出一种智能配电箱数据采集方法,用于解决现有方法无法根据当前网络的状态灵活调整后续的特征提取策略,导致多变工况下数据采集与状态分析的准确度受限的问题,包括如下步骤:
2、获取配电箱传感器节点在预设时间窗口内的原始时序数据并转换为初始时空特征图;将所述初始时空特征图输入局部时序卷积路径与全局稀疏傅里叶变换路径提取时空信息,所述局部时序卷积路径在首个时间窗口使用初始卷积核,加权融合后经线性变换生成键张量k和值张量v,从所述初始时空特征图生成查询张量q;
3、将所述键张量k按聚类规则划分为多个键特征簇并计算各簇中心向量,对所述查询张量q中的每个查询向量,识别距离最近的预设数量的键特征簇作为目标范围;在所述目标范围内计算所述查询向量与对应键向量的注意力分数,并对所述值张量v中的对应值向量加权求和得到各簇聚合输出;基于所述查询向量与对应中心向量的距离生成门控信号,对各簇聚合输出加权融合得到最终的上下文表征,利用当前时间窗口内各簇的键向量通过指数移动平均方法更新对应中心向量;
4、将所述最终的上下文表征用于获取当前时间窗口的配电箱状态分析结果或关键参数预测值,重塑为变换核参数用于实时重配置所述局部时序卷积路径的卷积核,调整下一时间窗口的特征提取模式。
5、根据本发明的第二方面,提出一种智能配电箱数据采集系统,包括如下模块:
6、生成模块,用于获取配电箱传感器节点在预设时间窗口内的原始时序数据并转换为初始时空特征图;将所述初始时空特征图输入局部时序卷积路径与全局稀疏傅里叶变换路径提取时空信息,所述局部时序卷积路径在首个时间窗口使用初始卷积核,加权融合后经线性变换生成键张量k和值张量v,从所述初始时空特征图生成查询张量q;
7、计算模块,用于将所述键张量k按聚类规则划分为多个键特征簇并计算各簇中心向量,对所述查询张量q中的每个查询向量,识别距离最近的预设数量的键特征簇作为目标范围;在所述目标范围内计算所述查询向量与对应键向量的注意力分数,并对所述值张量v中的对应值向量加权求和得到各簇聚合输出;基于所述查询向量与对应中心向量的距离生成门控信号,对各簇聚合输出加权融合得到最终的上下文表征,利用当前时间窗口内各簇的键向量通过指数移动平均方法更新对应中心向量;
8、调整模块,用于将所述最终的上下文表征用于获取当前时间窗口的配电箱状态分析结果或关键参数预测值,重塑为变换核参数用于实时重配置所述局部时序卷积路径的卷积核,调整下一时间窗口的特征提取模式。
9、本发明通过融合局部时序卷积与全局稀疏傅里叶变换,能够同时提取局部瞬态细节和全局时空关联信息,在保持特征表达精度的同时降低整体计算开销。在特征处理阶段,通过对键张量进行聚类划分,并限定查询向量参与匹配的目标簇范围,减少了注意力机制中的冗余点积计算,提高了数据处理效率;同时,利用门控信号对各簇聚合输出进行加权融合,并结合指数移动平均方式更新簇中心向量,增强了上下文表征的有效性和时间连续性。进一步地,将生成的上下文表征用于输出状态分析结果或关键参数预测结果,并将该上下文表征转换为核参数以实时重配置特征提取路径,使局部时序卷积路径能够适应下一时间窗口的数据变化,从而提升配电箱监测过程中的运行效率、预测精度和工况泛化能力。
1.一种智能配电箱数据采集方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述获取配电箱传感器节点在预设时间窗口内的原始时序数据并转换为初始时空特征图,包括:
3.根据权利要求2所述的方法,其特征在于,所述将所述初始时空特征图输入局部时序卷积路径与全局稀疏傅里叶变换路径提取时空信息,所述局部时序卷积路径在首个时间窗口使用初始卷积核,加权融合后经线性变换生成键张量k和值张量v,从所述初始时空特征图生成查询张量q,包括:
4.根据权利要求1所述的方法,其特征在于,所述将所述键张量k按聚类规则划分为多个键特征簇并计算各簇中心向量,对所述查询张量q中的每个查询向量,识别距离最近的预设数量的键特征簇作为目标范围,包括:
5.根据权利要求1或4所述的方法,其特征在于,所述在所述目标范围内计算所述查询向量与对应键向量的注意力分数,并对所述值张量v中的对应值向量加权求和得到各簇聚合输出,包括:
6.根据权利要求1所述的方法,其特征在于,所述基于所述查询向量与对应中心向量的距离生成门控信号,对各簇聚合输出加权融合得到最终的上下文表征,利用当前时间窗口内各簇的键向量通过指数移动平均方法更新对应中心向量,包括:
7.根据权利要求1所述的方法,其特征在于,所述将所述最终的上下文表征用于获取当前时间窗口的配电箱状态分析结果或关键参数预测值,重塑为变换核参数用于实时重配置所述局部时序卷积路径的卷积核,调整下一时间窗口的特征提取模式,包括:
8.一种智能配电箱数据采集系统,其特征在于,包括以下模块:
9.根据权利要求8所述的系统,其特征在于,所述获取配电箱传感器节点在预设时间窗口内的原始时序数据并转换为初始时空特征图,包括:
10.根据权利要求8所述的系统,其特征在于,所述将所述初始时空特征图输入局部时序卷积路径与全局稀疏傅里叶变换路径提取时空信息,所述局部时序卷积路径在首个时间窗口使用初始卷积核,加权融合后经线性变换生成键张量k和值张量v,从所述初始时空特征图生成查询张量q,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com