本技术涉及智能管理，且更为具体地，涉及一种智能电网运维管理平台及方法。
背景技术：
1、随着社会的快速发展和电力需求的不断增长，智能电网已成为现代电力系统的重要组成部分。智能电网不仅提升了电能的传输效率，还实现了对电网的实时监控和精确控制，从而确保了电能的稳定供应。然而，随着智能电网规模的不断扩大和设备的日益增多，智能电网中设备的运维管理仍面临诸多挑战。
2、传统的电网运维管理主要依赖于人工巡检和定期维护。这种人工巡检的方式需要运维人员前往设备所在地进行检查，不仅效率低下，而且容易受到人力、物力和时间等因素的限制。并且，由于电网设备种类繁多、分布广泛、运行环境复杂等因素的影响，使得传统的运维管理方式难以满足现代智能电网的高效、安全和可靠运行需求。因此，期待一种智能电网运维管理平台及方法。
技术实现思路
1、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智能电网运维管理平台及方法，其采用基于深度学习的人工智能技术对电网设备的表面状态图像进行图像语义分析，以捕捉电网设备的表面状态特征，挖掘出图像中的设备外观异常信息，从而智能识别电网设备的表面是否被腐蚀。这样，可以及时发现和处理电网设备的表面损坏，便于设备运维人员进行维修和保养，从而确保设备的正常运行，提高智能电网的运维效率和安全性。
2、相应地，根据本技术的一个方面，提供了一种智能电网运维管理平台，其包括：
3、设备表面图像采集模块，用于获取由无人机巡检飞行器采集的被监测电网设备的表面状态图像，其中，所述被监测电网设备为变压器；
4、图像语义特征挖掘模块，用于对所述表面状态图像进行图像语义特征提取与全局特征聚类以得到电网设备表面状态聚类特征矩阵；
5、监测结果生成模块，用于基于所述电网设备表面状态聚类特征矩阵来确定监测结果；
6、响应与运维提示模块，用于响应于所述监测结果为所述被监测电网设备的表面被腐蚀，生成运维管理提示信息。
7、在上述智能电网运维管理平台中，所述图像语义特征挖掘模块，包括：图像数据增强单元，用于将所述表面状态图像通过数据增强模块以得到增强表面状态图像的集合；设备表面状态特征提取单元，用于将所述增强表面状态图像的集合中的各个增强表面状态图像分别通过基于卷积神经网络模型的表面状态特征提取器以得到电网设备表面状态特征图的集合；特征蒸馏单元，用于将所述电网设备表面状态特征图的集合中的各个电网设备表面状态特征图通过特征蒸馏网络以得到蒸馏电网设备表面状态特征向量的集合；全局特征聚类单元，用于将所述蒸馏电网设备表面状态特征向量的集合通过联合聚类分析网络以得到所述电网设备表面状态聚类特征矩阵。
8、在上述智能电网运维管理平台中，所述数据增强模块用于对所述表面状态图像进行旋转和预处理，所述预处理包括图像降噪和颜色变换。
9、在上述智能电网运维管理平台中，所述特征蒸馏单元，用于：将所述电网设备表面状态特征图进行特征图展开以得到电网设备表面状态特征向量的序列；以如下特征蒸馏公式对所述电网设备表面状态特征向量的序列进行处理以得到所述蒸馏电网设备表面状态特征向量；其中，所述特征蒸馏公式为：
10、
11、其中，vi是所述电网设备表面状态特征向量的序列中第i个电网设备表面状态特征向量，vj是所述电网设备表面状态特征向量的序列中第j个电网设备表面状态特征向量，‖·‖1表示特征向量的1范数，m为所述电网设备表面状态特征向量的序列的长度-1，vk为所述电网设备表面状态特征向量的序列的表示，di表示特征差异系数，exp(·)表示自然指数函数运算，ns表示所述特征差异系数的总数，pk为所述蒸馏电网设备表面状态特征向量。
12、在上述智能电网运维管理平台中，所述全局特征聚类单元，用于：以如下邻接关联公式计算所述蒸馏电网设备表面状态特征向量的集合中任意两个蒸馏电网设备表面状态特征向量的相关权重以由多个所述相关权重组成邻接矩阵；其中，所述邻接关联公式为：
13、
14、其中，vi为所述蒸馏电网设备表面状态特征向量的集合中第i个蒸馏电网设备表面状态特征向量，vj为所述蒸馏电网设备表面状态特征向量的集合中第j个蒸馏电网设备表面状态特征向量，σ为拉伸因子，‖·‖22表示向量二范数的平方，exp(·)表示指数运算处理，wi,j为所述第i个蒸馏电网设备表面状态特征向量和所述第j个蒸馏电网设备表面状态特征向量之间的所述相关权重；计算所述蒸馏电网设备表面状态特征向量的集合的度矩阵；基于所述邻接矩阵和所述度矩阵计算得到拉普拉斯矩阵；将所述拉普拉斯矩阵进行标准化以得到标准化后拉普拉斯矩阵；将所述标准化后拉普拉斯矩阵中的各个特征值进行降序排列后，取前k个特征值，对所述标准化后拉普拉斯矩阵进行基于所述前k个特征值的分解以得到k个分解特征向量，其中，k为所述蒸馏电网设备表面状态特征向量的个数；对所述k个分解特征向量进行标准化处理得到k个标准化分解特征向量后，将所述k个标准化分解特征向量重构为所述电网设备表面状态聚类特征矩阵。
15、在上述智能电网运维管理平台中，所述监测结果生成模块，包括：设备表面状态识别单元，用于将所述电网设备表面状态聚类特征矩阵通过基于分类器的表面状态监测器以得到所述监测结果，所述监测结果用于表示被监测电网设备的表面是否被腐蚀。
16、在上述智能电网运维管理平台中，还包括用于对所述数据增强模块、所述基于卷积神经网络模型的表面状态特征提取器、所述特征蒸馏网络、所述联合聚类分析网络和所述基于分类器的表面状态监测器进行训练的训练模块。
17、在上述智能电网运维管理平台中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由无人机巡检飞行器采集的被监测电网设备的训练表面状态图像，以及，所述被监测电网设备的表面是否被腐蚀的真实值，其中，所述被监测电网设备为变压器；训练图像数据增强单元，用于将所述训练表面状态图像通过所述数据增强模块以得到训练增强表面状态图像的集合，其中，所述数据增强模块用于对所述训练表面状态图像进行旋转和预处理，所述预处理包括图像降噪和颜色变换；训练表面状态提取单元，用于将所述训练增强表面状态图像的集合中的各个训练增强表面状态图像分别通过所述基于卷积神经网络模型的表面状态特征提取器以得到训练电网设备表面状态特征图的集合；训练特征蒸馏单元，用于将所述训练电网设备表面状态特征图的集合中的各个训练电网设备表面状态特征图通过所述特征蒸馏网络以得到训练蒸馏电网设备表面状态特征向量的集合；训练特征聚类分析单元，用于将所述训练蒸馏电网设备表面状态特征向量的集合通过所述联合聚类分析网络以得到训练电网设备表面状态聚类特征矩阵；分类损失估量单元，用于将所述训练电网设备表面状态聚类特征矩阵通过所述基于分类器的表面状态监测器以得到分类损失函数值；训练单元，用于以所述分类损失函数值来对所述数据增强模块、所述基于卷积神经网络模型的表面状态特征提取器、所述特征蒸馏网络、所述联合聚类分析网络和所述基于分类器的表面状态监测器进行训练，其中，在所述训练的每一轮迭代中，对所述训练电网设备表面状态聚类特征矩阵展开后得到的训练电网设备表面状态聚类特征向量进行优化。
18、根据本技术的另一个方面，提供了一种智能电网运维管理方法，其包括：
19、获取由无人机巡检飞行器采集的被监测电网设备的表面状态图像，其中，所述被监测电网设备为变压器；
20、对所述表面状态图像进行图像语义特征提取与全局特征聚类以得到电网设备表面状态聚类特征矩阵；
21、基于所述电网设备表面状态聚类特征矩阵来确定监测结果；
22、响应于所述监测结果为所述被监测电网设备的表面被腐蚀，生成运维管理提示信息。
23、与现有技术相比，本技术提供的智能电网运维管理平台及方法，其采用基于深度学习的人工智能技术对电网设备的表面状态图像进行图像语义分析，以捕捉电网设备的表面状态特征，挖掘出图像中的设备外观异常信息，从而智能识别电网设备的表面是否被腐蚀。这样，可以及时发现和处理电网设备的表面损坏，便于设备运维人员进行维修和保养，从而确保设备的正常运行，提高智能电网的运维效率和安全性。
1.一种智能电网运维管理平台，其特征在于，包括：
2.根据权利要求1所述的智能电网运维管理平台，其特征在于，所述图像语义特征挖掘模块，包括：
3.根据权利要求2所述的智能电网运维管理平台，其特征在于，所述数据增强模块用于对所述表面状态图像进行旋转和预处理，所述预处理包括图像降噪和颜色变换。
4.根据权利要求3所述的智能电网运维管理平台，其特征在于，所述特征蒸馏单元，用于：
5.根据权利要求4所述的智能电网运维管理平台，其特征在于，所述全局特征聚类单元，用于：
6.根据权利要求5所述的智能电网运维管理平台，其特征在于，所述监测结果生成模块，包括：
7.根据权利要求6所述的智能电网运维管理平台，其特征在于，还包括用于对所述数据增强模块、所述基于卷积神经网络模型的表面状态特征提取器、所述特征蒸馏网络、所述联合聚类分析网络和所述基于分类器的表面状态监测器进行训练的训练模块。
8.根据权利要求7所述的智能电网运维管理平台，其特征在于，所述训练模块，包括：
9.一种智能电网运维管理方法，其特征在于，包括：
