本发明涉及电力设备状态数据监控，尤其涉及一种基于人工智能的电力设备状态数据监控系统及方法。
背景技术：
1、近年来，随着科技的发展，用电区域逐步地扩大，而且用电设备也逐步地增多，一旦发生重大故障，可能导致大规模停电，影响生产和生活，甚至造成重大经济损失，电力设备的安全运行对于保障社会经济活动的正常运行至关重要，因此对电力设备的状态数据进行监控是十分重要的。
2、现有技术中，对电力设备进行监测的传统方法有定期检测和故障监测两种，故障监测为操作人员和维修人员巡回检查为基础，通过感官发现设备运行异常时，再对设备进行测试和分析，查找故障原因，定期检测以简单小型便携式检测仪器为手段，以上两种方法虽然能发现电力设备存在的一定问题，但是由于为人工监测，不能及时地发现问题，而且不能预测电力设备后续工作的状态是否良好。
技术实现思路
1、本发明解决的技术问题是：传统的电力设备状态数据监控方法无法及时发现电力设备存在故障，不能预测电力设备后续工作的状态是否良好。
2、为解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的电力设备状态数据监控方法，包括如下步骤：
3、步骤s1，采集电力设备实时运行状态的实时图像数据、运行数据和电力设备周围的植被距离数据，获取所述电力设备的设备编号，将所述设备编号、实时图像数据、运行数据和电力设备周围的植被距离数据发送云端处理器；
4、步骤s2，所述云端处理器对所述设备编号进行信息读取，对所述实时图像数据进行图像去噪处理，对运行数据进行预测风险处理，得到风险预测结果，对所述电力设备周围植被距离进行计算处理，得到对比结果，将图像去噪处理后的所述实时图像数据发送至特征提取模型，将信息读取后的所述设备编号、风险预测结果和对比结果发送至故障监控中心；
5、步骤s3，调取设备图像库的训练图像数据并对所述训练图像数据进行编码，对编码后的所述训练图像数据构建特征提取模型，提取所述训练图像数据的特征参数并将所述特征参数发送至设备故障识别模型；
6、步骤s4，所述特征提取模型与所述设备故障识别模型连接，通过svm分类器相对应的所述特征参数对所述设备故障识别模型训练，得到训练后的设备故障识别模型；
7、步骤s5，所述故障监控中心接收来自所述设备故障识别模型的所述故障识别结果、所述云端处理器的所述风险预测结果和对比结果，通知维修人员做出相应维修措施。
8、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述步骤s1具体包括：
9、所述电力设备上安装有监控摄像头，获取电力设备的设备编号，所述监控摄像头定时采集所述电力设备实时运行区域的实时图像数据，所述电力设备实时运行区域包括运行环境区域、电气设备区域、电力元件区域、塔杆区域和配网缺陷区域；
10、采集所述电力设备的运行数据，所述运行数据包括电压和电流，所述设备编号为包含所述电力设备位置数据和所述电力设备的初始参数信息的编码，所述监控摄像头扫描所述设备编号，通过植被距离监测单元获取植被距离数据，将所述实时图像数据、运行数据和植被距离数据发送至云端处理器。
11、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述步骤s2中所述云端处理器对所述实时图像数据进行图像去噪处理具体包括：
12、所述云端处理器对接收到的所述电力设备实时运行的所述图像数据进行数据分割和数据增强处理,得到初步处理后的图像数据，将初步处理后的图像数据中的异常值进行删除和缺失值进行补充,得到最终处理后的图像数据，并将所述图像数据发送至所述特征提取模型；
13、所述云端处理器对所述电力设备周围植被距离进行计算处理具体包括：
14、所述云端处理器将接收到的所述植被距离数据与处理器内预存的植被距离数据阈值进行比较，若所述植被距离数据大于植被距离数据阈值，并将所述植被距离数据和所述电力设备的位置数据发送至监控中心。
15、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述步骤s2中所述云端处理器对所述设备编号进行信息读取处理具体包括：
16、所述云端处理器接收所述监控摄像头扫描到的所述设备编号，并对所述设备编号进行信息读取，得到所述设备编号的所述电力设备位置数据和所述电力设备的初始参数；
17、所述云端处理器对所述运行数据进行预测处理具体包括：
18、根据所述电力设备的初始参数获取对应的安全运行数据和危险状况数据，所述安全运行数据为所述电力设备的额定电流，所述危险状况数据为所述电力设备的允许最大电流，根据所述安全运行数据和所述危险状况运行数据构建风险预测模型，把所述运行数据输入所述风险预测模型得到风险预测结果，将所述风险预测结果发送至所述监控中心，并同时发送所述电力设备的位置数据至监控中心。
19、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述步骤s3具体包括：
20、调取设备图像库的训练图像数据，所述训练图像数据包括环境训练图像数据、塔杆训练图像数据、设备训练图像数据、元件训练图像数据和缺陷训练图像数据，所述训练图像数据均有相应的标签，将所述训练图像数据输入编码器进行编码，所述编码器共有三层，分别为输入层、隐含层和输出层，所述训练图像数据作为自动编码器的输入，输出层即为所述样本图像数据的特征参数，并将所述特征参数发送至设备故障识别模型。
21、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述步骤s4具体包括：
22、所述特征提取模型与所述设备故障识别模型连接，所述自动编码器最后一层输出层添加一个svm分类器，所述设备故障识别模型接收所述特征提取模型输出的所述相对应的特征参数，将所述相对应的特征参数输入相对应的svm分类器进行训练，得到训练后的设备故障识别模型，所述设备故障识别模型接收来自所述云端处理器的所述实时图像数据。
23、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述风险预测模型的构建步骤如下：
24、电力设备的所述安全运行数据和所述危险状况数据作为所述风险预测模型的输入，对所述安全运行数据和所述危险状况数据进行归一化，得到风险预测结果参数，根据风险预测结果参数的大小，所述风险预测模型输出相应的风险预测结果；
25、对所述安全运行数据和所述危险状况数据进行归一化，其数学表达式如下：
26、；
27、其中，为所述危险状况数据，为所述安全运行数据，为所述运行数据，为风险预测结果参数；
28、当所述运行数据小于等于所述安全运行数据，风险预测结果参数小于等于0，风险预测模型的风险预测结果为无风险；
29、当所述运行数据大于等于所述危险状况数据时，风险预测结果参数大于等于1，风险预测模型的风险预测结果为紧急风险；
30、当所述运行数据大于所述安全运行数据且小于所述危险状况数据时，风险预测结果参数介于0~1之间，当风险预测结果参数为0~0.3，风险预测模型的风险预测结果为一级风险；当风险预测结果参数为0.3~0..6,，风险预测模型的风险预测结果为二级风险，当风险预测结果参数为0.6~1，风险预测模型的风险预测结果为三级风险。
31、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述自动编码器的隐含层的维度小于输入层的维度，从输入层到隐含层进行降维操作，用于以更小的维度去描述所述实时图像数据而尽量不损失所述实时图像数据信息，所述自动编码器用于压缩大数量的所述实时图像数据。
32、作为本发明所述的一种基于人工智能的电力设备状态数据监控方法的一种优选方案，其中：所述相对应的svm分类器包括运行环境分类器、电气设备分类器、杆塔信息分类器、电力元件分类器和配网缺陷分类器。
33、一种基于人工智能的电力设备状态数据监控系统，包括设备数据采集模块、云端处理器、图像数据编码特征提取模块、故障识别模块和故障监控中心模块；
34、所述设备数据采集模块用于采集电力设备实时运行状态的所述实时图像数据、所述运行数据、所述设备编号和电力设备周围的所述植被距离数据，获取该电力设备的设备编号；
35、所述云端处理器用于对所述实时图像数据、所述植被距离数据，所述设备编号进行相对应的数据处理；
36、所述图像数据编码特征提取模块用于调取设备图像库的训练图像数据，对所述图像数据进行编码获得所述图像数据的特征参数；
37、所述设备故障识别模型用于所述电力设备进行故障分析；
38、所述故障监控中心接收来自所述设备故障识别模型的所述故障识别结果、所述云端处理器的所述风险预测结果和对比结果，通知维修人员做出相应维修措施。
39、本发明的有益效果：通过电力设备上的设备编号，获取预存的电力设备的安全运行数据和危险状况数据，对安全运行数据和危险状况数据归一化计算得到风险预测结果参数，能够对电力设备的运行数据进行风险预测，得到电力设备的运行数据的风险预测结果，通过电力设备的风险预测结果预测电力设备后续的运行状态，避免电力设备出现故障后才进行维修，造成重大经济损失，影响居民用电。
40、通过监控摄像头采集电力设备工作区域的实时图像数据，利用自动编码器对实时图像数据进行编码，能够对大量的实时图像数据和设备图像库的训练图像数据进行压缩而尽量损失数据，分工作区域分别利用对应的svm分类器进行故障识别，能够降低存储的容量大小，从而大大提高电力设备状态数据监控系统的数据计算速度，更精准地识别出工作区域存在的故障类别。
41、通过植被距离监测单元获取植被距离数据，得出电力设备与植被的距离，超过植被距离数据阈值，将植被距离数据和电力设备的位置数据发送至监控中心，能够通知电力设备维修人员电力设备需要树障清理具体的位置。
1.一种基于人工智能的电力设备状态数据监控方法，其特征在于，包括：
2.如权利要求1所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述步骤s1具体包括：
3.如权利要求2所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述步骤s2中所述云端处理器对所述实时图像数据进行图像去噪处理具体包括：
4.如权利要求3所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述步骤s2中所述云端处理器对所述设备编号进行信息读取处理具体包括：所述云端处理器接收所述监控摄像头扫描到的所述设备编号，并对所述设备编号进行信息读取，得到所述设备编号的所述电力设备位置数据和所述电力设备的初始参数；
5.如权利要求4所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述步骤s3具体包括：
6.如权利要求5所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述步骤s4具体包括：
7.如权利要求6所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述风险预测模型的构建步骤如下：
8.如权利要求7所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述自动编码器的隐含层的维度小于输入层的维度，从输入层到隐含层进行降维操作，用于以更小的维度去描述所述实时图像数据而尽量不损失所述实时图像数据信息，所述自动编码器用于压缩大数量的所述实时图像数据。
9.如权利要求8所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，所述相对应的svm分类器包括运行环境分类器、电气设备分类器、杆塔信息分类器、电力元件分类器和配网缺陷分类器。
10.一种基于人工智能的电力设备状态数据监控系统，包括如权利要求1-9任一所述的一种基于人工智能的电力设备状态数据监控方法，其特征在于，包括设备数据采集模块、云端处理器、图像数据编码特征提取模块、故障识别模块和故障监控中心模块；
