本发明涉及电力设备监测领域，尤其涉及一种电力设备智能监测方法及系统。
背景技术：
1、随着现代社会对电力的依赖程度日益增加，电力系统的稳定性和可靠性变得尤为重要。电力设备，如变压器、断路器、输电线路等，是电力系统的核心组成部分，其正常运行直接关系到整个电力系统的安全性和供电质量。然而，随着设备运行时间的延长，电力设备可能会受到各种因素的影响而发生故障，如绝缘老化、机械磨损、过载等。传统的电力设备监测方法主要依赖于定期的人工巡检和维护，这种方式存在效率低下、及时性差和准确性不足等问题。
2、为解决这些问题，近年来电力行业开始逐渐引入智能监测技术，通过实时监测电力设备的运行状态，实现设备健康状态的智能评估与故障预测。这种智能监测系统能够提供更为及时、准确的设备状态信息，并在故障发生之前给出预警，从而有效减少设备故障引发的停电事故和维护成本。目前的智能监测系统的数据处理能力有限，随着监测设备和采集数据量的增加，传统的数据处理技术难以满足大规模、实时数据的处理需求。预测模型不够完善，现有的故障预测模型往往基于简单的规则或单一算法，难以全面捕捉设备故障的复杂性，导致预测准确性不高。系统集成度不高，许多智能监测系统是针对特定设备或特定故障设计的，缺乏对整个电力系统的综合监测能力，导致各系统之间数据无法共享，监测效果不理想。
技术实现思路
1、本发明提供了一种集成度高、数据处理能力强、预测准确性高的电力设备智能监测方法及系统，以满足现代电力系统对设备安全、可靠、经济运行的更高要求。
2、一种电力设备智能监测方法，包括：
3、s1.获取电力设备的设备信息和运行状态信息，通过设备信息对电力设备进行集合模拟，得到电力设备间的关联信息，使用电力设备运行状态信息进行虚实映射，构建电力设备运行状态的数字孪生模型；
4、s2.通过高精度传感器以设定周期采集电力设备的实时运行数据；
5、s3.对实时运行数据进行初步异常分析处理，得到待分析数据，对待分析数据进行降噪处理，得到降噪处理数据；
6、s4.将每个电力设备的降噪处理数据送入实时异常监测模型中进行独立异常监测，得到单个电力设备的实时独立异常监测结果；
7、s5.将初步异常分析处理结果和实时独立异常监测结果不为正常的电力设备作为待预测故障设备，根据待预测故障设备的关联信息获取与待预测故障设备具有关联的电力设备及具体关联关系，获取待预测故障设备和与待预测故障设备具有关联的电力设备在当前周期及前9个周期的待分析数据；
8、生成待预测样本，将待预测故障设备作为主对象，其对应的10个周期的待分析数据作为主对象数据，将与主对象具有关联关系的每个电力设备作为关联对象，关联对象对应的10个周期的待分析数据作为关联对象数据，并根据关联关系的种类为关联对象数据添加关系权重；
9、将待预测样本送入故障预测模型进行故障预测，得到故障预测结果，获取其中不为正常的故障预测结果对应的电力设备作为复检设备，获取复检设备和与其具有关联关系的电力设备的降噪处理数据，称为复检数据，将复检数据送入异常监测模型中进行关联异常监测，得到复检设备的关联异常监测结果；
10、s6.将电力设备的独立异常监测结果、故障预测结果和关联异常监测结果记录在智能监测日志中，根据记录情况进行智能报警。
11、作为本发明的一种优选技术方案，对实时运行数据进行初步异常分析处理，得到待分析数据的步骤具体包括：
12、将一段时间内采集到的运行数据进行缓存，计算实时运行数据与缓存中的运行数据的每项数据的标准差，将超过设定阈值的数据作为异常数据，检测实时运行数据中的缺失值，对异常数据和缺失值使用移动平滑进行处理，并将异常数据和缺失值记录在复查日志中。
13、作为本发明的一种优选技术方案，对待分析数据进行降噪处理，得到降噪处理数据的步骤具体包括：
14、将电力设备的待分析数据使用x进行表示，对其按照数据类型进行划分处理得到n个模态分量，模态分量使用zn={z1,z2,···,zn}表示，计算第n个模态分量的能量密度qn和平均周期tn，计算公式为：，式中m1表示设备运行数据的采集密度；v2表示采样体积；ky表示负幅值系数，t0表示数据降噪处理所需时间；
15、计算变分模态分量噪声阈值gh，gh=qn*tn，检测变分模态分量噪声阈值gh是否发生突变，若发生突变，则前一个模态分量即为噪声，将监测到的所有噪声删除，得到降噪处理数据x’。
16、作为本发明的一种优选技术方案，实时异常监测模型包括模式选择层和异常监测层；
17、模式选择层用于根据输入的数据类型进行模型选择，若输入的数据为单个电力设备的降噪处理数据，则进入独立异常监测模式，若输入的数据为多个电力设备的降噪处理数据，则进入关联异常监测模式；
18、异常监测层用于提取数据信息中的故障特征参量，通过多维的特征向量对故障特征参量进行描述，输出电力设备的异常监测结果。
19、作为本发明的一种优选技术方案，还包括构建实时异常监测模型，具体步骤为：
20、a1.获取若干电力设备的实时运行数据，获取的数据包括单个电力设备的实时运行数据和与其关联的电力设备的实时运行数据，对实时运行数据进行预处理操作并标记异常监测标签，将每个电力设备的实时运行数据组成独立异常监测数据集，将电力设备和与其具有关联的电力设备的实时运行数据组成关联异常监测数据集，将独立异常监测数据集和关联异常监测数据集进行分割，得到独立异常测试集、关联异常测试集、独立异常训练集和关联异常训练集；
21、a2.将独立异常训练集和关联异常训练集分批次送入基于bp神经网络为基础的初始实时异常监测模型中进行训练，以异常监测标签为目标，训练得到优化实时异常监测模型；
22、a3.将独立异常测试集和关联异常测试集分别送入优化实时异常监测模型进行准确率评估，以异常监测标签为目标，调整模型的超参数，得到准确率评估在设定范围内的实时异常监测模型。
23、作为本发明的一种优选技术方案，还包括故障预测模型，故障预测模型基于循环神经网络训练，模型的目标为预测样本的故障预测结果，通过若干电力设备和与其具有关联关系的电力设备的时序设备运行数据训练得到。
24、作为本发明的一种优选技术方案，构建电力设备运行状态的数字孪生模型的步骤具体包括：
25、b1.对每个电力设备构建实体模型，构建三维空间用于保存模型对象，对实体模型进行集合模拟，明确电力设备的规格和设备参数数据，将作为属性值添加至实体模型；
26、b2.获取不同电力设备间的关联信息，建立数据接口并搭建实体模型关联，构建电力设备运行的数字模型；
27、b3.使用电力设备运行状态信息进行虚实映射，采集上传到云平台的数据集，包括电力设备运行状态、工况、传感器监测的数据，使用数据驱动模型，实现数字化虚拟体的映射，构建电力设备运行状态的数字孪生模型。
28、作为本发明的一种优选技术方案，实时运行数据包括电力设备的电压、电流、温度、振动、湿度参数。
29、作为本发明的一种优选技术方案，根据记录情况进行智能报警，具体步骤为：
30、c1.获取智能监测日志中的独立异常监测结果、故障预测结果和关联异常监测结果；
31、c2.若三个结果中存在一个及以上异常，但不全为异常，则进行黄色等级报警，亮黄色警告灯，并将黄色报警结果进行记录；
32、c3.若三个结果全为异常，则进行红色等级报警，进行声音警报并亮红色警告灯；
33、c4.将电力设备为异常的真实结果与记录进行关联，根据电力设备为异常的真实结果的记录情况的权值进行权重计算，对权重超过设定阈值的记录情况进行红色等级报警。
34、一种电力设备智能监测系统，包括：
35、数字孪生体模块，用于获取电力设备的设备信息和运行状态信息，通过设备信息对电力设备进行集合模拟，得到电力设备间的关联信息，使用电力设备运行状态信息进行虚实映射，构建电力设备运行状态的数字孪生模型；
36、数据采集模块，用于通过高精度传感器以设定周期采集电力设备的实时运行数据；
37、数据处理模块，对实时运行数据进行初步异常分析处理，得到待分析数据，对待分析数据进行降噪处理，得到降噪处理数据；
38、异常监测模块，用于将每个电力设备的降噪处理数据送入实时异常监测模型中进行独立异常监测，得到单个电力设备的实时独立异常监测结果；将复检数据送入异常监测模型中进行关联异常监测，得到复检设备的关联异常监测结果；
39、故障预测模块，用于将初步异常分析处理结果和实时独立异常监测结果不为正常的电力设备作为待预测故障设备，根据待预测故障设备的关联信息获取与待预测故障设备具有关联的电力设备及具体关联关系，获取待预测故障设备和与待预测故障设备具有关联的电力设备在当前周期及前9个周期的待分析数据；
40、生成待预测样本，将待预测故障设备作为主对象，其对应的10个周期的待分析数据作为主对象数据，将与主对象具有关联关系的每个电力设备作为关联对象，关联对象对应的10个周期的待分析数据作为关联对象数据，并根据关联关系的种类为关联对象数据添加关系权重；
41、将待预测样本送入故障预测模型进行故障预测，得到故障预测结果，获取其中不为正常的故障预测结果对应的电力设备作为复检设备，获取复检设备和与其具有关联关系的电力设备的待分析数据，称为复检数据；
42、智能报警模块，用于将电力设备的独立异常监测结果、故障预测结果和关联异常监测结果记录在智能监测日志中，根据记录情况进行智能报警。
43、本发明具有以下优点：
44、1、本发明通过对电力设备的数据进行初步异常监测和独立实时异常监测，降低了数据处理的数据量，并根据结果进行故障预测，并根据故障预测结果获取需要复检的电力设备，对复检的电力设备进行关联异常监测，最终根据获取的独立异常监测结果、故障预测结果和关联异常监测结果进行智能报警，提高了电力设备的监测性能。
45、2、本发明通过构建电力设备的数字孪生模型，并根据模型的关联关系对电力设备进行关联分析，实现了多电力设备的联合分析，提高了系统的集成性能。
1.一种电力设备智能监测方法，其特征在于，包括：
2.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，对实时运行数据进行初步异常分析处理，得到待分析数据的步骤具体包括：
3.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，对待分析数据进行降噪处理，得到降噪处理数据的步骤具体包括：
4.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，实时异常监测模型包括模式选择层和异常监测层；
5.根据权利要求4所述的一种电力设备智能监测方法，其特征在于，还包括构建实时异常监测模型，具体步骤为：
6.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，还包括故障预测模型，故障预测模型基于循环神经网络训练，模型的目标为预测样本的故障预测结果，通过若干电力设备和与其具有关联关系的电力设备的时序设备运行数据训练得到。
7.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，构建电力设备运行状态的数字孪生模型的步骤具体包括：
8.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，实时运行数据包括电力设备的电压、电流、温度、振动、湿度参数。
9.根据权利要求1所述的一种电力设备智能监测方法，其特征在于，根据记录情况进行智能报警，具体步骤为：
10.一种电力设备智能监测系统，其特征在于，所述系统应用上述权利要求1-9任一项所述的一种电力设备智能监测方法，包括：
