电力系统二次设备的监测系统及其监测方法与流程

1.本技术涉及二次设备监测的领域，且更为具体地，涉及一种电力系统二次设备的监测系统及其监测方法。


背景技术：

2.二次设备是对电力系统中的一次设备进行监测、控制和保护的设备，并不与电能产生直接的联系。二次设备包括电压表、电流表、功率表和电能表，主要是获得电力设备的相关参数，判断电网系统是否运行稳定。
3.但是，随着二次设备数量的增加，相关的监测数据飙升，降低了二次设备的监测准确性,也延长了设备的监测时间。因此，为了对监测的数据进行压缩，以保证二次设备的监测准确性和时效性，期望一种电力系统二次设备的监测系统。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种电力系统二次设备的监测系统及其监测方法，其通过基于上下文的编码器模型分别对单个电网节点的部署的二次设备采集的各项测量值数据以及多个电网节点的各项数据进行全局性高维关联特征提取，并且计算得到的所述特征向量之间的距离以作为参数拓扑特征矩阵，进一步再利用图神经网络提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，并且计算所述测量值拓扑特征向量和所述测量值特征向量之间的标签类别进化因数来作为损失函数值训练模型，以提高分类的准确性。这样，可以对每个所述电网节点数据进行压缩，从而保证二次设备的监测准确性和时效性。
5.根据本技术的一个方面，提供了一种电力系统二次设备的监测系统，其包括：
6.训练模块，包括：
7.训练数据单元，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；
8.第一全局编码单元，用于将各个所述电网节点的各项测量值数据通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；
9.训练数据提取单元，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；
10.第二全局编码单元，用于将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；
11.距离特征矩阵生成单元，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离
特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；
12.参数特征融合单元，用于计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；
13.二维拼接单元，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；
14.图神经网络单元，用于将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；
15.单节点损失函数值计算单元，用于计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数作为每个所述电网节点对应的损失函数值，其中，所述标签类别进化因数为所述测量值特征向量和所述测量值拓扑特征向量之间的交叉熵值与所述测量值特征向量的压缩类别概率值除以所述测量值拓扑特征向量的类别概率值的对数函数值之间的差值，所述测量值特征向量和所述测量值拓扑特征向量的压缩类别概率值为所述测量值特征向量和所述测量值拓扑特征向量通过分类器所获得；以及
16.全局训练单元，用于以每个所述电网节点的损失函数值的加权和作为全局损失函数值来训练所述编码器模型和所述图神经网络；以及
17.推断模块，包括：
18.监测数据单元，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；
19.第一特征编码单元，用于将各个所述电网节点的各项测量值数据通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；
20.监测数据提取单元，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；
21.第二特征编码单元，用于将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；
22.参数拓扑特征计算单元，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；
23.参数拓扑融合单元，用于计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；
24.矩阵拼接单元，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特
征矩阵；
25.神经网络单元，用于将所述测量值矩阵和所述参数拓扑矩阵通过经训练模块训练完成的图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；
26.压缩比率生成单元，用于将每个所述电网节点的测量值拓扑特征向量分别通过分类器以获得分类结果，所述分类结果用于表示每个所述电网节点的压缩比率。
27.与现有技术相比，本技术提供的电力系统二次设备的监测系统及其监测方法，其通过基于上下文的编码器模型分别对单个电网节点的部署的二次设备采集的各项测量值数据以及多个电网节点的各项数据进行全局性高维关联特征提取，并且计算得到的所述特征向量之间的距离以作为参数拓扑特征矩阵，进一步再利用图神经网络提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，并且计算所述测量值拓扑特征向量和所述测量值特征向量之间的标签类别进化因数来作为损失函数值训练模型，以提高分类的准确性。这样，可以对每个所述电网节点数据进行压缩，从而保证二次设备的监测准确性和时效性。
附图说明
28.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
29.图1为根据本技术实施例的电力系统二次设备的监测系统的场景示意图。
30.图2为根据本技术实施例的电力系统二次设备的监测系统的框图。
31.图3a为根据本技术实施例的电力系统二次设备的监测系统的监测方法中训练阶段的流程图。
32.图3b为根据本技术实施例的电力系统二次设备的监测系统的监测方法中推断阶段的流程图。
33.图4为根据本技术实施例的电力系统二次设备的监测系统的监测方法中训练阶段的架构示意图。
34.图5为根据本技术实施例的电力系统二次设备的监测系统的监测方法中推断阶段的架构示意图。
具体实施方式
35.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
36.场景概述
37.如前所述，二次设备是对电力系统中的一次设备进行监测、控制和保护的设备，并不与电能产生直接的联系。二次设备包括电压表、电流表、功率表和电能表，主要是获得电
力设备的相关参数，判断电网系统是否运行稳定。
38.但是，随着二次设备数量的增加，相关的监测数据飙升，降低了二次设备的监测准确性,也延长了设备的监测时间。因此，为了对监测的数据进行压缩，以保证二次设备的监测准确性和时效性，期望一种电力系统二次设备的监测系统。
39.因此，在本技术的技术方案中，首先获取单个电网节点的部署的二次设备采集的各项测量值数据，并通过包含嵌入层的基于上下文的编码器模型，再将得到的特征向量级联以得到测量值特征向量。获得多个电网节点的电压数据，并通过包含嵌入层的基于上下文的编码器模型，再计算得到的特征向量之间的距离以获得电压距离特征矩阵。类似得，获得其它数据的距离特征矩阵，并计算其加权和作为参数拓扑特征矩阵。
40.将测量值特征向量二维拼接成的测量值特征矩阵和参数拓扑特征矩阵通过图神经网络，获得测量值拓扑特征矩阵，其每行为某个电网节点的测量值拓扑特征向量。
41.因为压缩比率可以被看作为压缩类别标签概率，因此计算测量值拓扑特征向量v2和测量值特征向量v1之间的标签类别进化因数来作为损失函数值训练模型，该损失函数值表示为：
[0042][0043]
p(v1)和p(v2)分别表示v1和v2的压缩类别概率值，即v1和v2通过分类器所获得的类别概率值。
[0044]
在每个迭代周期中，使用每个电网节点的上述v1和v2向量计算损失函数值，并计算各个电网节点对应的损失函数值的加权和来作为全局损失函数值来更新模型参数。
[0045]
推断时，将测量值拓扑特征向量v2通过分类器，获得其类别概率值作为压缩比率。
[0046]
基于此，本技术提出了一种电力系统二次设备的监测系统，其包括训练模块和推断模块。其中，训练模块，包括：训练数据单元，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；第一全局编码单元，用于将各个所述电网节点的各项测量值数据通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；训练数据提取单元，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；第二全局编码单元，用于将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；距离特征矩阵生成单元，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；参数特征融合单元，用于计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；二维拼接单元，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；图神经网络单元，用于将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，
所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；单节点损失函数值计算单元，用于计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数作为每个所述电网节点对应的损失函数值，其中，所述标签类别进化因数为所述测量值特征向量和所述测量值拓扑特征向量之间的交叉熵值与所述测量值特征向量的压缩类别概率值除以所述测量值拓扑特征向量的类别概率值的对数函数值之间的差值，所述测量值特征向量和所述测量值拓扑特征向量的压缩类别概率值为所述测量值特征向量和所述测量值拓扑特征向量通过分类器所获得；以及，全局训练单元，用于以每个所述电网节点的损失函数值的加权和作为全局损失函数值来训练所述编码器模型和所述图神经网络。其中，推断模块，包括：监测数据单元，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；第一特征编码单元，用于将各个所述电网节点的各项测量值数据通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；监测数据提取单元，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；第二特征编码单元，用于将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；参数拓扑特征计算单元，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；参数拓扑融合单元，用于计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；矩阵拼接单元，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；神经网络单元，用于将所述测量值矩阵和所述参数拓扑矩阵通过经训练模块训练完成的图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；压缩比率生成单元，用于将每个所述电网节点的测量值拓扑特征向量分别通过分类器以获得分类结果，所述分类结果用于表示每个所述电网节点的压缩比率。
[0047]
图1图示了根据本技术实施例的电力系统二次设备的监测系统的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过部署于所述电力系统(例如，如图1中所示意的p)中各个电网节点(例如，如图1中所示意的g)的二次设备(例如，如图1中所示意的t)采集各项测量值数据，这里，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据，所述二次设备包括但不局限于电压表、电流表、功率表和电能表等，并且获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据。然后，将获得的所述各项测量值数据，以及所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据输入至部署有电力系统二次设备的监测算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够基于电力系统二次设备的监测算法以所述各项测量值数据，以及所述电力系统中所有电网节
点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据对电力系统二次设备的监测系统的所述编码器模型和所述图神经网络进行训练。
[0048]
在训练完成后，在推断阶段中，首先，通过部署于所述电力系统(例如，如图1中所示意的p)中各个电网节点(例如，如图1中所示意的g)的二次设备(例如，如图1中所示意的t)采集各项测量值数据，并且获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据。然后，将所述各项测量值数据，以及所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据输入至部署有电力系统二次设备的监测算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以电力系统二次设备的监测算法对所述各项测量值数据，以及所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据进行处理，以生成用于表示每个所述电网节点的压缩比率的分类结果。
[0049]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0050]
示例性系统
[0051]
图2图示了根据本技术实施例的电力系统二次设备的监测系统的框图。如图2所示，根据本技术实施例的电力系统二次设备的监测系统200，包括：训练模块210和推断模块220。其中，训练模块210，包括：训练数据单元2101，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；第一全局编码单元2102，用于将各个所述电网节点的各项测量值数据通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；训练数据提取单元2103，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；第二全局编码单元2104，用于将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；距离特征矩阵生成单元2105，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；参数特征融合单元2106，用于计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；二维拼接单元2107，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；图神经网络单元2108，用于将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；单节点损失函数值计算单元2109，用于计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数作为每个所述电网节点对应的损失函数值，其中，所述标签类别进化因数为所述测量值特征向量和所述测量值拓扑特征向量之间的交叉熵值与所述测量值特征向量的压缩类别概率值除以所述测量值拓扑特征向量的类别概率值的对数函数值之间的差值，所述测量
值特征向量和所述测量值拓扑特征向量的压缩类别概率值为所述测量值特征向量和所述测量值拓扑特征向量通过分类器所获得；以及，全局训练单元2110，用于以每个所述电网节点的损失函数值的加权和作为全局损失函数值来训练所述编码器模型和所述图神经网络。其中，推断模块220，包括：监测数据单元221，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；第一特征编码单元222，用于将各个所述电网节点的各项测量值数据通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；监测数据提取单元223，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；第二特征编码单元224，用于将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；参数拓扑特征计算单元225，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；参数拓扑融合单元226，用于计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；矩阵拼接单元227，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；神经网络单元228，用于将所述测量值矩阵和所述参数拓扑矩阵通过经训练模块训练完成的图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；压缩比率生成单元229，用于将每个所述电网节点的测量值拓扑特征向量分别通过分类器以获得分类结果，所述分类结果用于表示每个所述电网节点的压缩比率。
[0052]
具体地，在本技术实施例中，在训练模块210中，所述训练数据单元2101和第一全局编码单元2102，用于获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据，并将各个所述电网节点的各项测量值数据通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量。如前所述，由于随着二次设备的数量增加，相关的监测数据飙升，降低了二次设备的监测准确性，也延长了设备的监测时间，因此，在本技术的技术方案中，期望通过部署于所述电力系统中各个电网节点的二次设备采集的电压数据、电流数据、温度监测数据和潮流监测数据来综合进行数据的压缩，以提高二次设备监测的准确性和时效性。
[0053]
也就是，具体地，在本技术的技术方案中，首先，通过部署于所述电力系统中各个电网节点的二次设备采集各项测量值数据，这里，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据，所述二次设备包括但不局限于电压表、电流表、功率表和电能表等。然后，将各个所述电网节点的各项测量值数据通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以提取出所述各项测量值数据的全局性关联信息，从而获得多个特征向量。进一步再将所述多个特征向量进行级联，以整合所述每个所述电网节点
的各个测量值数据的高维关联特征信息，进而得到每个所述电网节点的测量值特征向量。
[0054]
更具体地，在本技术的技术方案中，所述第一全局编码单元，包括：嵌入子单元，用于将各个所述电网节点的各项测量值数据分别通过所述编码器模型的嵌入层以将各项所述测量值转化为输入向量以获得输入向量的序列；转换器全局编码子单元，用于将所述输入向量的序列通过所述编码器模型的转换器以获得所述多个特征向量；以及，级联子单元，用于将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量。
[0055]
具体地，在本技术实施例中，在训练模块210中，所述训练数据提取单元2103和所述第二全局编码单元2104，用于获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据，并将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量。也就是，在本技术的技术方案中，类似地，将所述电力系统中的多个电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据通过包含嵌入层的基于上下文的编码器模型中进行处理，以获得具有全局信息的多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量。
[0056]
具体地，在本技术实施例中，在训练模块210中，所述距离特征矩阵生成单元2105和所述参数特征融合单元2106，用于分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵，并计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵。也就是，在本技术的技术方案中，进一步分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵，以分别表达所述电压特征、电流特征、温度特征以及潮流特征间的相似性关系。然后，再计算其加权和作为参数拓扑特征矩阵，以整合特征信息便于后续的隐含特征提取。
[0057]
更具体地，在本技术实施例中，述距离特征矩阵生成单元，包括：分别计算所述多个电压特征向量中每两个特征向量之间的余弦距离，并将所述欧式距离排列为所述电压距离特征矩阵；分别计算所述多个电流特征向量中每两个特征向量之间的余弦距离，并将所述欧式距离排列为所述电流距离特征矩阵；分别计算所述多个温度特征向量中每两个特征向量之间的余弦距离，并将所述欧式距离排列为所述温度距离特征矩阵；以及，分别计算所述多个潮流特征向量中每两个特征向量之间的余弦距离，并将所述欧式距离排列为所述潮流距离特征矩阵。
[0058]
具体地，在本技术实施例中，在训练模块210中，所述二维拼接单元2107和所述图神经网络单元2108，用于将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵，以及将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量。也就是，进一步将得到的每个所述电网节点的测量值特征向量二维拼接成测量
值特征矩阵。接着，再将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络中进行处理，这里，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵。应可以理解，所述图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而能够提取出数据样本由于测量值特征信息和不规则的参数拓扑结构信息而存在的关联信息，因此所获得的测量值拓扑特征矩阵相比直接将拼接得到的特征矩阵能够提高分类的准确性。
[0059]
具体地，在本技术实施例中，在训练模块210中，所述单节点损失函数值计算单元2109和所述全局训练单元2110，用于计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数作为每个所述电网节点对应的损失函数值，其中，所述标签类别进化因数为所述测量值特征向量和所述测量值拓扑特征向量之间的交叉熵值与所述测量值特征向量的压缩类别概率值除以所述测量值拓扑特征向量的类别概率值的对数函数值之间的差值，所述测量值特征向量和所述测量值拓扑特征向量的压缩类别概率值为所述测量值特征向量和所述测量值拓扑特征向量通过分类器所获得，并以每个所述电网节点的损失函数值的加权和作为全局损失函数值来训练所述编码器模型和所述图神经网络。应可以理解，因为压缩比率可以被看作为压缩类别标签概率，因此，在本技术的技术方案中，计算所述测量值拓扑特征向量v2和所述测量值特征向量v1之间的标签类别进化因数来作为损失函数值训练模型。并且，在每个迭代周期中，使用每个所述电网节点的上述v1和v2向量计算损失函数值，并计算各个所述电网节点对应的损失函数值的加权和来作为全局损失函数值来更新模型参数。
[0060]
更具体地，在本技术的技术方案中，所述单节点损失函数值计算单元，进一步用于：以如下公式计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数作为每个所述电网节点对应的损失函数值；所述公式为：
[0061][0062]
其中，v2为测量值拓扑特征向量，v1为测量值特征向量,p(v1)和p(v2)分别表示v1和v2的压缩类别概率值，即v1和v2通过分类器所获得的类别概率值。
[0063]
特别地，在一个具体示例中，所述单节点损失函数值计算单元，进一步用于：将所述测量值拓扑特征向量和所述测量值特征向量分别通过分类器，其中，所述分类器以如下公式分别对所述测量值拓扑特征向量和所述测量值特征向量进行处理以生成所述所述测量值拓扑特征向量的压缩类别概率值和所述测量值特征向量的压缩类别概率值，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}。
[0064]
在完成训练之后，进行推断模块中，就可以按照上述方法得到所述测量值拓扑特征矩阵。进而，再将每个所述电网节点的测量值拓扑特征向量分别通过分类器以获得用于表示每个所述电网节点的压缩比率分类结果。
[0065]
综上，基于本技术实施例的所述电力系统二次设备的监测系统200被阐明，其通过基于上下文的编码器模型分别对单个电网节点的部署的二次设备采集的各项测量值数据以及多个电网节点的各项数据进行全局性高维关联特征提取，并且计算得到的所述特征向量之间的距离以作为参数拓扑特征矩阵，进一步再利用图神经网络提取出数据样本由于特
征信息和不规则的拓扑结构信息而存在的关联信息，并且计算所述测量值拓扑特征向量和所述测量值特征向量之间的标签类别进化因数来作为损失函数值训练模型，以提高分类的准确性。这样，可以对每个所述电网节点数据进行压缩，从而保证二次设备的监测准确性和时效性。
[0066]
如上所述，根据本技术实施例的电力系统二次设备的监测系统200可以实现在各种终端设备中，例如电力系统二次设备的监测算法的服务器等。在一个示例中，根据本技术实施例的电力系统二次设备的监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电力系统二次设备的监测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电力系统二次设备的监测系统200同样可以是该终端设备的众多硬件模块之一。
[0067]
替换地，在另一示例中，该电力系统二次设备的监测系统200与该终端设备也可以是分立的设备，并且该电力系统二次设备的监测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0068]
示例性方法
[0069]
图3a图示了根据本技术实施例的电力系统二次设备的监测系统的监测方法中训练阶段的流程图。如图3a所示，根据本技术实施例的电力系统二次设备的监测系统的监测方法，包括：训练阶段，包括步骤：s110，获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；s120，将各个所述电网节点的各项测量值数据通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；s130，获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；s140，将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；s150，分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；s160，计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；s170，将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；s180，将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；s190，计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数作为每个所述电网节点对应的损失函数值，其中，所述标签类别进化因数为所述测量值特征向量和所述测量值拓扑特征向量之间的交叉熵值与所述测量值特征向量的压缩类别概率值除以所述测量值拓扑特征向量的类别概率值的对数函数值之间的差值，所述测量值特征向量和所述测量值拓扑特征向量的压缩类别概率值为所述测量值特征向量和所述测量值拓扑特征向量通过分类器所获得；以及，s200，以每个所述电网节点的损失函数值的加权和作为全局损失函数值来训
练所述编码器模型和所述图神经网络。
[0070]
图3b图示了根据本技术实施例的电力系统二次设备的监测系统的监测方法中推断阶段的流程图。图3b所示，根据本技术实施例的电力系统二次设备的监测系统的监测方法，包括：推断阶段，包括步骤：s210，获取由部署于所述电力系统中各个电网节点的二次设备采集的各项测量值数据，所述测量值数据包括电压数据、电流数据、温度监测数据和潮流监测数据；s220，将各个所述电网节点的各项测量值数据通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量；s230，获取所述电力系统中所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据；s240，将所述所有电网节点的所有电压数据、所有电流数据、所有温度监测数据和所有潮流监测数据分别通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型以获得多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量；s250，分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵、电流距离特征矩阵、温度距离特征矩阵和潮流距离特征矩阵；s260，计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵；s270，将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵；s280，将所述测量值矩阵和所述参数拓扑矩阵通过经训练模块训练完成的图神经网络，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵，其中，所述测量值拓扑特征矩阵中的每个行向量对应于一个电网节点的测量值拓扑特征向量；s290，将每个所述电网节点的测量值拓扑特征向量分别通过分类器以获得分类结果，所述分类结果用于表示每个所述电网节点的压缩比率。
[0071]
图4图示了根据本技术实施例的电力系统二次设备的监测系统的监测方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将各个所述电网节点的各项测量值数据(例如，如图4中所示意的p1)通过包含嵌入层的基于上下文的编码器模型(例如，如图4中所示意的e1)以获得多个特征向量(例如，如图4中所示意的fv1)，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量(例如，如图4中所示意的fv2)；接着，将获得的所述所有电网节点的所有电压数据(例如，如图4中所示意的q1)、所有电流数据(例如，如图4中所示意的q2)、所有温度监测数据(例如，如图4中所示意的q3)和所有潮流监测数据(例如，如图4中所示意的q4)分别通过所述包含嵌入层的基于上下文的编码器模型(例如，如图4中所示意的e1)以获得多个电压特征向量(例如，如图4中所示意的vf1)、多个电流特征向量(例如，如图4中所示意的vf2)、多个温度特征向量(例如，如图4中所示意的vf3)和多个潮流特征向量(例如，如图4中所示意的vf4)；然后，分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵(例如，如图4中所示意的mf1)、电流距离特征矩阵(例如，如图4中所示意的mf2)、温度距离特征矩阵(例如，如图4中所示意的mf3)和潮流距离特征矩阵(例如，如图4中所示意的mf4)；接着，计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵(例如，如图4中所示意的mf)；然后，将每个所述电网节点的测量
值特征向量二维拼接成测量值特征矩阵(例如，如图4中所示意的fm)；接着，将所述测量值矩阵和所述参数拓扑矩阵通过图神经网络(例如，如图4中所示意的gnn)，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵(例如，如图4中所示意的m)；然后，计算每个所述电网节点的测量值拓扑特征向量相对于所述电网节点的测量值特征向量之间的标签类别进化因数(例如，如图4中所示意的gef)作为每个所述电网节点对应的损失函数值；以及，最后，以每个所述电网节点的损失函数值的加权和作为全局损失函数值来训练所述编码器模型和所述图神经网络。
[0072]
图5图示了根据本技术实施例的电力系统二次设备的监测系统的监测方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络架构中，首先，将各个所述电网节点的各项测量值数据(例如，如图5中所示意的p1)通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型(例如，如图5中所示意的e2)以获得多个特征向量(例如，如图5中所示意的fv1)，并将所述多个特征向量进行级联以获得每个所述电网节点的测量值特征向量(例如，如图5中所示意的fv2)；接着，将获取的所述所有电网节点的所有电压数据(例如，如图5中所示意的q1)、所有电流数据(例如，如图5中所示意的q2)、所有温度监测数据(例如，如图5中所示意的q3)和所有潮流监测数据(例如，如图5中所示意的q4)分别通过经训练模块训练的所述包含嵌入层的基于上下文的编码器模型(例如，如图5中所示意的e2)以获得多个电压特征向量(例如，如图5中所示意的vf1)、多个电流特征向量(例如，如图5中所示意的vf2)、多个温度特征向量(例如，如图5中所示意的vf3)和多个潮流特征向量(例如，如图5中所示意的vf4)；然后，分别计算所述多个电压特征向量、多个电流特征向量、多个温度特征向量和多个潮流特征向量中每两个特征向量之间的距离以获得电压距离特征矩阵(例如，如图5中所示意的mf1)、电流距离特征矩阵(例如，如图5中所示意的mf2)、温度距离特征矩阵(例如，如图5中所示意的mf3)和潮流距离特征矩阵(例如，如图5中所示意的mf4)；接着，计算所述电压距离特征矩阵、所述电流距离特征矩阵、所述温度距离特征矩阵和所述潮流距离特征矩阵之间的按位置加权和以获得参数拓扑特征矩阵(例如，如图5中所示意的mf)；然后，将每个所述电网节点的测量值特征向量二维拼接成测量值特征矩阵(例如，如图5中所示意的fm)；接着，将所述测量值矩阵和所述参数拓扑矩阵通过经训练模块训练完成的图神经网络(例如，如图5中所示意的gn)，所述图神经网络通过可学习的神经网络参数来生成包含测量值特征信息与参数拓扑特征信息的测量值拓扑特征矩阵(例如，如图5中所示意的m)；最后，将每个所述电网节点的测量值拓扑特征向量分别通过分类器(例如，如图5中所示意的分类器)以获得分类结果，所述分类结果用于表示每个所述电网节点的压缩比率。
[0073]
综上，基于本技术实施例的所述电力系统二次设备的监测系统的监测方法被阐明，其通过基于上下文的编码器模型分别对单个电网节点的部署的二次设备采集的各项测量值数据以及多个电网节点的各项数据进行全局性高维关联特征提取，并且计算得到的所述特征向量之间的距离以作为参数拓扑特征矩阵，进一步再利用图神经网络提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，并且计算所述测量值拓扑特征向量和所述测量值特征向量之间的标签类别进化因数来作为损失函数值训练模型，以提高分类的准确性。这样，可以对每个所述电网节点数据进行压缩，从而保证二次设备的监测准确性和时效性。
[0074]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0075]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0076]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0077]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。