一种基于物联网的电力设备智能监测方法及系统

专利名称：一种基于物联网的电力设备智能监测方法及系统

专利类型：发明专利

专利申请号：CN202311228374.4

专利申请（专利权）人：国网四川省电力公司眉山供电公司
权利人地址：四川省眉山市东坡区二环东路150号

专利发明（设计）人：发明人:徐行,郑焯文,唐可,李冬冬,傅伟,唐欢,李逢兵,陈亮,曾仕伦

专利摘要：本发明涉及人工智能技术领域，公开了一种基于物联网的电力设备智能监测方法，包括：S1、通过目标设备群体分析网络分析所述目标设备关系分布网对应的设备群体标识数据，S2、通过目标设备异常分析网络分析所述目标设备关系分布网对应的设备异常标识数据，S3、基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述目标电力设备群体的群体异常数据。本发明可以实现对目标电力设备群体进行可靠地异常分析，进而在一定程度上改善现有技术中(如对单个物联网电力设备进行异常分析)存在的物联网电力设备的异常分析的可靠度不佳的问题。

主权利要求：
1.一种基于物联网的电力设备智能监测方法，若干所述电力设备基于物联网形成对应的目标物联网系统对应的目标设备关系分布网，在所述目标设备关系分布网中，每一个所述电力设备为一个分布节点，每一个所述分布节点的节点属性数据包括对应的所述电力设备的设备运行数据，每两个所述分布节点之间的分布关系基于对应的两个所述电力设备之间的设备相关关系确定，且两个所述分布节点的分布距离与该两个分布节点的关系紧密程度呈正相关；其特征在于，包括：S1、通过目标设备群体分析网络分析所述目标设备关系分布网对应的设备群体标识数据，所述设备群体标识数据用于反映目标电力设备群体在所述目标设备关系分布网中的分布情况，所述目标电力设备群体由目标设备关系分布网中具有参考设备群体关系的若干电力设备组成；
S2、通过目标设备异常分析网络分析所述目标设备关系分布网对应的设备异常标识数据，所述设备异常标识数据用于反映每一个所述分布节点对应的电力设备的异常标识信息，所述异常标识信息用于反映所述电力设备的异常类型或异常程度；
S2的具体步骤为：
S2.1、将所述目标设备关系分布网中的分布节点的节点属性数据按照重复处理的形式，按序进行A次数据抽取处理，输出所述节点属性数据对应的最终抽取信息描述向量，其中，进行数据抽取处理具体包括对所述节点属性数据或前一次进行数据抽取处理得到的中间抽取信息描述向量进行多次第一滤波处理后得到第一滤波信息描述向量，以及对该次得到的所述第一滤波信息描述向量进行参数抽取处理得到该次对应的中间抽取信息描述向量，进行最后一次参数抽取处理得到的结果即为最终抽取信息描述向量；
S2.2、对所述最终抽取信息描述向量按照重复处理的形式，按序进行A次反向数据抽取处理，输出对应的最终反向抽取描述向量，进行反向数据抽取处理具体包括对最终抽取信息描述向量或前一次进行反向数据抽取处理得到的中间反向抽取描述向量进行第二滤波处理后得到第二滤波信息描述向量，然后对该次得到的第二滤波信息描述向量进行逆向滤波处理得到逆向滤波信息描述向量，最后将所述逆向滤波信息描述向量和进行对应的一次所述数据抽取处理后输出的第一滤波信息描述向量进行描述向量聚合处理，进行最后一次描述向量聚合处理得到的结果即为最终反向抽取描述向量；
S2.3、基于所述最终反向抽取描述向量，分析出所述目标设备关系分布网对应的设备异常标识数据；
S3、基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述目标电力设备群体的群体异常数据，所述群体异常数据用于反映所述目标电力设备群体的群体异常类型和/或所述目标电力设备群体的群体异常程度。
2.根据权利要求1所述的一种基于物联网的电力设备智能监测方法，其特征在于，S1的具体步骤为：S1.1、将所述目标设备关系分布网中的分布节点进行任意的组合，形成多个局部设备关系分布网，每一个所述局部设备关系分布网包括至少两个分布节点；
S1.2、从多个所述局部设备关系分布网中找到由所述目标设备关系分布网中所有具备所述参考设备群体关系的分布节点组成的目标电力设备群体的第一局部设备关系分布网；
S1.3、基于所述第一局部设备关系分布网确定所述目标设备关系分布网对应的设备群体标识数据。
3.根据权利要求2所述的一种基于物联网的电力设备智能监测方法，其特征在于，S1.2的具体步骤为：S1.2.1、对每一个所述局部设备关系分布网分别进行关键信息挖掘，以输出所述局部设备关系分布网对应的局部信息描述向量；
S1.2.2、分别对每个所述局部信息描述向量进行映射输出处理，以确定出该局部设备关系分布网对应的若干电力设备是否能够形成具有所述参考设备群体关系的目标电力设备群体。
4.根据权利要求3所述的一种基于物联网的电力设备智能监测方法，其特征在于，S1.2.1的具体步骤为：S1.2.1.1、提取每一个所述局部设备关系分布网中的分布节点的节点属性数据，并对所述节点属性数据进行编码处理，以实现关键信息的挖掘，得到每个所述分布节点对应的节点属性描述向量；
S1.2.1.2、对于每一个所述局部设备关系分布网中的分布节点，确定所述分布节点最相关的相关分布节点，所述相关分布节点与所述分布节点之间的分布距离最小；
S1.2.1.3、对于每一个所述局部设备关系分布网中的分布节点，对所述分布节点的节点属性描述向量分别进行转置处理，形成该分布节点对应的转置节点属性描述向量；
S1.2.1.4、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点的节点属性描述向量和转置节点属性描述向量进行相乘运算，以输出该分布节点对应的融合节点属性描述向量；
S1.2.1.5、对于每一个所述局部设备关系分布网中的分布节点，将所述融合节点属性描述向量进行归一化处理，得到该分布节点对应的重要性分布参数；
S1.2.1.6、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点的重要性分布参数和该节点的节点属性描述向量进行相乘运算，得到该分布节点对应的聚焦节点属性描述向量；
S1.2.1.7、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点的聚焦节点属性描述向量进行两种不同方式的参数抽取处理，得到该分布节点对应的第一抽取聚焦节点属性描述向量和第二抽取聚焦节点属性描述向量；
S1.2.1.8、对于每一个所述局部设备关系分布网中的分布节点，对所述节点的第一抽取聚焦节点属性描述向量和所述第二抽取聚焦节点属性描述向量进行向量聚合处理，以输出该分布节点对应的聚合抽取聚焦节点属性描述向量；
S1.2.1.9、对于每一个所述局部设备关系分布网中的分布节点，对所述节点的聚焦节点属性描述向量和该分布节点对应的相关分布节点对应的聚焦节点属性描述向量进行向量聚合处理，以输出该分布节点对应的聚合聚焦节点属性描述向量；
S1.2.1.10、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点对应的聚合抽取聚焦节点属性描述向量和聚合聚焦节点属性描述向量进行叠加或加权叠加处理，以输出该分布节点对应的叠加节点属性描述向量；
S1.2.1.11、将所述局部设备关系分布网中的每一个分布节点对应的叠加节点属性描述向量进行拼接组合，得到所述局部设备关系分布网的局部描述向量。
5.根据权利要求1所述的一种基于物联网的电力设备智能监测方法，其特征在于，S2.1的具体步骤为：设该次数据抽取处理为第a次数据抽取处理，a为正整数，且a∈[1，A]；
S2.1.1、通过第a个第一滤波矩阵，将节点属性数据或前一次进行数据抽取处理得到的中间抽取信息描述向量按照重复处理的形式进行多次滤波处理，输出第a个第一滤波信息描述向量；
S2.1.1.1、通过第a个第一滤波矩阵，将节点属性数据或前一个中间抽取信息描述向量按照重复处理的形式进行第四数值次滤波处理，输出第a个第一滤波信息描述向量，第a个所述第一滤波信息描述向量的第一方向尺寸Da1等于第一数值D1与第四数值D4和第五数值D5的乘积之间的差值，即第a个所述第一滤波信息描述向量的第一方向尺寸Da1＝D1‑D4*D5；
第a个所述第一滤波信息描述向量的第二方向尺寸Da2等于第二数值D2与第四数值D4和第五数值D5的乘积之间的差值，即第a个所述第一滤波信息描述向量的第二方向尺寸Da2＝D2‑D4*D5；
第a个所述第一滤波信息描述向量的向量维度Da3等于第三数值D3；
其中，所述第一数值D1为前一个中间抽取信息描述向量或节点属性数据的第一方向尺寸，第二数值为前一个中间抽取信息描述向量的第二方向尺寸D2，第三数值D3为前一个中间抽取信息描述向量的向量维度，所述第五数值D5和所述第a个滤波矩阵的矩阵大小一致；
S2.1.2、将第a个所述第一滤波信息描述向量进行第a次数据抽取处理中的参数抽取处理，以输出第a个中间抽取信息描述向量，若a＝A，那么，第a个所述中间抽取信息描述向量即为最终抽取信息描述向量；
第a个所述中间抽取信息描述向量的第一方向尺寸D′a1和第六数值D6的乘积等于第一数值D1与第四数值D4和第五数值D5的乘积之间的差值，即D′a1*D6＝D1‑D4*D5；
第a个所述中间抽取信息描述向量的第二方向尺寸D′a2和第六数值D6的乘积等于第二数值D2与第四数值D4和第五数值D5的乘积之间的差值，即D′a2*D6＝D2‑D4*D5；
第a个所述中间抽取信息描述向量的向量维度D′a3等于第三数值D3和第六数值D6的乘积，即D′a3＝D3*D6；
其中，第六数值D6和第a次所述数据抽取处理中的参数抽取处理依据的参数抽取区域的大小一致。
6.根据权利要求5所述的一种基于物联网的电力设备智能监测方法，其特征在于，S2.2的具体步骤为：设该次反向数据抽取处理为第b次数据抽取处理，b为正整数，且b∈[1，A]；
S2.2.1、通过第b个第二滤波矩阵，将最终抽取信息描述向量或前一次进行反向数据抽取处理得到的中间反向抽取描述向量按照重复处理的形式进行多次滤波处理，输出第b个第二滤波信息描述向量；
S2.2.1.1、通过第b个第二滤波矩阵，将最终抽取信息描述向量或前一次进行反向数据抽取处理得到的中间反向抽取描述向量进行第十一数值D11次的滤波处理，输出第b个第二滤波信息描述向量，第b个所述第二滤波信息描述向量的第一方向尺寸Eb1等于第八数值D8与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述第二滤波信息描述向量的第一方向尺寸Eb1＝D8‑D11*D12；
第b个所述第二滤波信息描述向量的第二方向尺寸Eb2等于第九数值D9与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述第二滤波信息描述向量的第二方向尺寸Eb2＝D9‑D11*D12；
第b个所述第二滤波信息描述向量的向量维度Eb3等于第十数值D10与第十一数值D11和第十三数值D13的乘积之间的差值，即第b个所述第二滤波信息描述向量的向量维度Eb3＝D10‑D11*D13；
其中，第十二数值D12和第十三数值D13与第b个所述第二滤波矩阵的矩阵大小一致；
第八数值D8为前一个反向抽取描述向量或最终抽取信息描述向量的第一方向尺寸，第九数值D9为前一个反向抽取描述向量或最终抽取信息描述向量的第二方向尺寸等于，第十数值D10为前一个反向抽取描述向量或最终抽取信息描述向量的向量维度；
S2.2.2、将所述第b个第二滤波信息描述向量进行第b次所述反向数据抽取处理中的逆向滤波处理，输出第b个逆向滤波信息描述向量；
第b个所述逆向滤波信息描述向量的第一方向尺寸E′b1和第十四数值D14的比值等于第八数值D8与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述逆向滤波信息描述向量的第一方向尺寸E′b1＝(D8‑D11*D12)*D14；
第b个所述逆向滤波信息描述向量的第二方向尺寸E′b2和第十四数值D14的比值等于第九数值D9与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述逆向滤波信息描述向量的第二方向尺寸E′b2＝(D9‑D11*D12)*D14；
第b个所述逆向滤波信息描述向量的向量维度E′b3等于第十数值D10与第十一数值D11和第十三数值D13的乘积之间的差值，即第b个所述逆向滤波信息描述向量的向量维度E′b3＝D10‑D11*D13；
其中，第十四数值D14和第b次所述反向数据抽取处理中的逆向滤波处理依据的逆向滤波矩阵的矩阵大小一致；
S2.2.3、将第b个所述逆向滤波信息描述向量和进行第C次数据抽取处理中后输出的滤波信息描述向量进行描述向量聚合处理，以输出第b个中间反向抽取描述向量，C与1的差值等于A与b的差值，即C‑1＝A‑b，若b＝A，那么，第b个所述中间反向抽取描述向量即为最终反向抽取描述向量；
S2.2.3.1、从进行第C次数据抽取处理后输出的第一滤波信息描述向量中，抽选出向量参数，组合形成第b次局部滤波信息描述向量，第b次局部滤波信息描述向量与所述第b个逆向滤波信息描述向量的向量尺寸和维度一致；
S2.2.3.2、对第b次所述局部滤波信息描述向量和第b个所述逆向滤波信息描述向量进行描述向量聚合处理，以输出第b个中间反向抽取描述向量。
7.根据权利要求6所述的一种基于物联网的电力设备智能监测方法，其特征在于，S2.3的具体步骤为：S2.3.1、基于典型设备信息集将待优化的设备异常分析网络进行网络优化形成目标设备异常分析网络，其中，所述典型设备信息集包括典型设备关系分布网和所述典型设备关系分布网中每一个分布节点对应的电力设备的异常真实信息；
S2.3.2、通过所述目标设备异常分析网络，找到所述最终反向抽取描述向量中每一个分布节点的节点属性数据对应的异常标识信息，最终分析出所述目标设备关系分布网对应的设备异常标识数据。
8.根据权利要求7所述的一种基于物联网的电力设备智能监测方法，其特征在于，S3的具体步骤为：S3.1、对所述设备群体标识数据和所述设备异常标识数据进行对比分析，以从所述设备异常标识数据中，抽取出所述目标电力设备群体对应的局部设备异常标识数据，所述局部设备异常标识数据用于反映所述目标设备关系分布网中具有所述参考设备群体关系的目标电力设备群体的每一个分布节点对应的电力设备的异常标识信息；
S3.2、基于所述局部设备异常标识数据，分析出所述目标电力设备群体的群体异常数据；
S3.2.1、对所述局部设备异常标识数据中异常程度最大的异常或属于目标类型的异常类型对应的异常标识信息进行标记处理，以标记为所述目标电力设备群体的群体异常数据；或S3.2.2、对所述局部设备异常标识数据中各异常程度的平均结果或数量占比最大的异常类型异常进行标记处理，以标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据。
9.一种基于物联网的电力设备智能监测系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1‑8任意一项所述的方法。 说明书 : 一种基于物联网的电力设备智能监测方法及系统技术领域[0001] 本发明涉及人工智能技术领域，具体涉及一种基于物联网的电力设备智能监测方法。背景技术[0002] 通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。通俗地讲，物联网就是“物物相连的互联网”，它包含两层含义：第一，物联网是互联网的延伸和扩展，其核心和基础仍然是互联网；第二，物联网的用户端不仅包括人，还包括物品，物联网实现了人与物品及物品之间信息的交换和通信。例如，通过互联网可以将各电力设备连接起来。[0003] 其中，基于一些应用需求，需要对电力设备进行异常分析监测，但是，在现有技术中，一般是对单个的电力设备进行异常分析，如此，就容易出现电力设备的异常分析的可靠度不佳的问题。发明内容[0004] 有鉴于此，本发明的目的在于提供一种基于物联网的电力设备智能监测方法，以在一定程度上改善现有技术中存在的物联网电力设备的异常分析的可靠度不佳的问题。[0005] 本发明通过下述技术方案实现：[0006] 一种基于物联网的电力设备智能监测方法，若干所述电力设备基于物联网形成对应的目标物联网系统对应的目标设备关系分布网，在所述目标设备关系分布网中，每一个所述电力设备为一个分布节点，每一个所述分布节点的节点属性数据包括对应的所述电力设备的设备运行数据，每两个所述分布节点之间的分布关系基于对应的两个所述电力设备之间的设备相关关系确定，且两个所述分布节点的分布距离与该两个分布节点的关系紧密程度呈正相关；包括：[0007] S1、通过目标设备群体分析网络分析所述目标设备关系分布网对应的设备群体标识数据，所述设备群体标识数据用于反映目标电力设备群体在所述目标设备关系分布网中的分布情况，所述目标电力设备群体由目标设备关系分布网中具有参考设备群体关系的若干电力设备组成；[0008] S2、通过目标设备异常分析网络分析所述目标设备关系分布网对应的设备异常标识数据，所述设备异常标识数据用于反映每一个所述分布节点对应的电力设备的异常标识信息，所述异常标识信息用于反映所述电力设备的异常类型或异常程度；[0009] S3、基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述目标电力设备群体的群体异常数据，所述群体异常数据用于反映所述目标电力设备群体的群体异常类型和/或所述目标电力设备群体的群体异常程度。[0010] 作为优化，S1的具体步骤为：[0011] S1.1、将所述目标设备关系分布网中的分布节点进行任意的组合，形成多个局部设备关系分布网，每一个所述局部设备关系分布网包括至少两个分布节点；[0012] S1.2、从多个所述局部设备关系分布网中找到由所述目标设备关系分布网中所有具备所述参考设备群体关系的分布节点组成的目标电力设备群体的第一局部设备关系分布网；[0013] S1.3、基于所述第一局部设备关系分布网确定所述目标设备关系分布网对应的设备群体标识数据。[0014] 作为优化，S1.2的具体步骤为：[0015] S1.2.1、对每一个所述局部设备关系分布网分别进行关键信息挖掘，以输出所述局部设备关系分布网对应的局部信息描述向量；[0016] S1.2.2、分别对每个所述局部信息描述向量进行映射输出处理，以确定出该局部设备关系分布网对应的若干电力设备是否能够形成具有所述参考设备群体关系的目标电力设备群体。[0017] 作为优化，S1.2.1的具体步骤为：[0018] S1.2.1.1、提取每一个所述局部设备关系分布网中的分布节点的节点属性数据，并对所述节点属性数据进行编码处理，以实现关键信息的挖掘，得到每个所述分布节点对应的节点属性描述向量；[0019] S1.2.1.2、对于每一个所述局部设备关系分布网中的分布节点，确定所述分布节点最相关的相关分布节点，所述相关分布节点与所述分布节点之间的分布距离最小；[0020] S1.2.1.3、对于每一个所述局部设备关系分布网中的分布节点，对所述分布节点的节点属性描述向量分别进行转置处理，形成该分布节点对应的转置节点属性描述向量；[0021] S1.2.1.4、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点的节点属性描述向量和转置节点属性描述向量进行相乘运算，以输出该分布节点对应的融合节点属性描述向量；[0022] S1.2.1.5、对于每一个所述局部设备关系分布网中的分布节点，将所述融合节点属性描述向量进行归一化处理，得到该分布节点对应的重要性分布参数；[0023] S1.2.1.6、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点的重要性分布参数和该节点的节点属性描述向量进行相乘运算，得到该分布节点对应的聚焦节点属性描述向量；[0024] S1.2.1.7、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点的聚焦节点属性描述向量进行两种不同方式的参数抽取处理，得到该分布节点对应的第一抽取聚焦节点属性描述向量和第二抽取聚焦节点属性描述向量；[0025] S1.2.1.8、对于每一个所述局部设备关系分布网中的分布节点，对所述节点的第一抽取聚焦节点属性描述向量和所述第二抽取聚焦节点属性描述向量进行向量聚合处理，以输出该分布节点对应的聚合抽取聚焦节点属性描述向量；[0026] S1.2.1.9、对于每一个所述局部设备关系分布网中的分布节点，对所述节点的聚焦节点属性描述向量和该分布节点对应的相关分布节点对应的聚焦节点属性描述向量进行向量聚合处理，以输出该分布节点对应的聚合聚焦节点属性描述向量；[0027] S1.2.1.10、对于每一个所述局部设备关系分布网中的分布节点，将所述分布节点对应的聚合抽取聚焦节点属性描述向量和聚合聚焦节点属性描述向量进行叠加或加权叠加处理，以输出该分布节点对应的叠加节点属性描述向量；[0028] S1.2.1.11、将所述局部设备关系分布网中的每一个分布节点对应的叠加节点属性描述向量进行拼接组合，得到所述局部设备关系分布网的局部描述向量。[0029] 作为优化，S2的具体步骤为：[0030] S2.1、将所述目标设备关系分布网中的分布节点的节点属性数据按照重复处理的形式，按序进行A次数据抽取处理，输出所述节点属性数据对应的最终抽取信息描述向量，其中，进行数据抽取处理具体包括对所述节点属性数据或前一次进行数据抽取处理得到的中间抽取信息描述向量进行多次第一滤波处理后得到第一滤波信息描述向量，以及对该次得到的所述第一滤波信息描述向量进行参数抽取处理得到该次对应的中间抽取信息描述向量，进行最后一次参数抽取处理得到的结果即为最终抽取信息描述向量；[0031] S2.2、对所述最终抽取信息描述向量按照重复处理的形式，按序进行A次反向数据抽取处理，输出对应的最终反向抽取描述向量，进行反向数据抽取处理具体包括对最终抽取信息描述向量或前一次进行反向数据抽取处理得到的中间反向抽取描述向量进行第二滤波处理后得到第二滤波信息描述向量，然后对该次得到的第二滤波信息描述向量进行逆向滤波处理得到逆向滤波信息描述向量，最后将所述逆向滤波信息描述向量和进行对应的一次所述数据抽取处理后输出的第一滤波信息描述向量进行描述向量聚合处理，进行最后一次描述向量聚合处理得到的结果即为最终反向抽取描述向量；[0032] S2.3、基于所述最终反向抽取描述向量，分析出所述目标设备关系分布网对应的设备异常标识数据。[0033] 作为优化，S2.1的具体步骤为：[0034] 设该次数据抽取处理为第a次数据抽取处理，a为正整数，且a∈[1，A]；[0035] S2.1.1、通过第a个第一滤波矩阵，将节点属性数据或前一次进行数据抽取处理得到的中间抽取信息描述向量按照重复处理的形式进行多次滤波处理，输出第a个第一滤波信息描述向量；[0036] S2.1.1.1、通过第a个第一滤波矩阵，将节点属性数据或前一个中间抽取信息描述向量按照重复处理的形式进行第四数值次滤波处理，输出第a个第一滤波信息描述向量，第a个所述第一滤波信息描述向量的第一方向尺寸Da1等于第一数值D1与第四数值D4和第五数值D5的乘积之间的差值，即第a个所述第一滤波信息描述向量的第一方向尺寸Da1＝D1‑D4*D5；[0037] 第a个所述第一滤波信息描述向量的第二方向尺寸Da2等于第二数值D2与第四数值D4和第五数值D5的乘积之间的差值，即第a个所述第一滤波信息描述向量的第二方向尺寸Da2＝D2‑D4*D5；[0038] 第a个所述第一滤波信息描述向量的向量维度Da3等于第三数值D3；[0039] 其中，所述第一数值D1为前一个中间抽取信息描述向量或节点属性数据的第一方向尺寸，第二数值为前一个中间抽取信息描述向量的第二方向尺寸D2，第三数值D3为前一个中间抽取信息描述向量的向量维度，所述第五数值D5和所述第a个滤波矩阵的矩阵大小一致；[0040] S2.1.2、将第a个所述第一滤波信息描述向量进行第a次数据抽取处理中的参数抽取处理，以输出第a个中间抽取信息描述向量，若a＝A，那么，第a个所述中间抽取信息描述向量即为最终抽取信息描述向量；[0041] 第a个所述中间抽取信息描述向量的第一方向尺寸D′a1和第六数值D6的乘积等于第一数值D1与第四数值D4和第五数值D5的乘积之间的差值，即D′a1*D6＝D1‑D4*D5；[0042] 第a个所述中间抽取信息描述向量的第二方向尺寸D′a2和第六数值D6的乘积等于第二数值D2与第四数值D4和第五数值D5的乘积之间的差值，即D′a2*D6＝D2‑D4*D5；[0043] 第a个所述中间抽取信息描述向量的向量维度D′a3等于第三数值D3和第六数值D6的乘积，即D′a3＝D3*D6；[0044] 其中，第六数值D6和第a次所述数据抽取处理中的参数抽取处理依据的参数抽取区域的大小一致。[0045] 作为优化，S2.2的具体步骤为：[0046] 设该次反向数据抽取处理为第b次数据抽取处理，b为正整数，且b∈[1，A]；[0047] S2.2.1、通过第b个第二滤波矩阵，将最终抽取信息描述向量或前一次进行反向数据抽取处理得到的中间反向抽取描述向量按照重复处理的形式进行多次滤波处理，输出第b个第二滤波信息描述向量；[0048] S2.2.1.1、通过第b个第二滤波矩阵，将最终抽取信息描述向量或前一次进行反向数据抽取处理得到的中间反向抽取描述向量进行第十一数值D11次的滤波处理，输出第b个第二滤波信息描述向量，第b个所述第二滤波信息描述向量的第一方向尺寸Eb1等于第八数值D8与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述第二滤波信息描述向量的第一方向尺寸Eb1＝D8‑D11*D12；[0049] 第b个所述第二滤波信息描述向量的第二方向尺寸Eb2等于第九数值D9与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述第二滤波信息描述向量的第二方向尺寸Eb2＝D9‑D11*D12；[0050] 第b个所述第二滤波信息描述向量的向量维度Eb3等于第十数值D10与第十一数值D11和第十三数值D13的乘积之间的差值，即第b个所述第二滤波信息描述向量的向量维度Eb3＝D10‑D11*D13；[0051] 其中，第十二数值D12和第十三数值D13与第b个所述第二滤波矩阵的矩阵大小一致；[0052] 第八数值D8为前一个反向抽取描述向量或最终抽取信息描述向量的第一方向尺寸，[0053] 第九数值D9为前一个反向抽取描述向量或最终抽取信息描述向量的第二方向尺寸等于，[0054] 第十数值D10为前一个反向抽取描述向量或最终抽取信息描述向量的向量维度；[0055] S2.2.2、将所述第b个第二滤波信息描述向量进行第b次所述反向数据抽取处理中的逆向滤波处理，输出第b个逆向滤波信息描述向量；[0056] 第b个所述逆向滤波信息描述向量的第一方向尺寸E′b1和第十四数值D14的比值等于第八数值D8与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述逆向滤波信息描述向量的第一方向尺寸E′b1＝(D8‑D11*D12)*D14；[0057] 第b个所述逆向滤波信息描述向量的第二方向尺寸E′b2和第十四数值D14的比值等于第九数值D9与第十一数值D11和第十二数值D12的乘积之间的差值，即第b个所述逆向滤波信息描述向量的第二方向尺寸E′b2＝(D9‑D11*D12)*D14；[0058] 第b个所述逆向滤波信息描述向量的向量维度E′b3等于第十数值D10与第十一数值D11和第十三数值D13的乘积之间的差值，即第b个所述逆向滤波信息描述向量的向量维度E′b3＝D10‑D11*D13；[0059] 其中，第十四数值D14和第b次所述反向数据抽取处理中的逆向滤波处理依据的逆向滤波矩阵的矩阵大小一致；[0060] S2.2.3、将第b个所述逆向滤波信息描述向量和进行第C次数据抽取处理中后输出的滤波信息描述向量进行描述向量聚合处理，以输出第b个中间反向抽取描述向量，C与1的差值等于A与b的差值，即C‑1＝A‑b，若b＝A，那么，第b个所述中间反向抽取描述向量即为最终反向抽取描述向量；[0061] S2.2.3.1、从进行第C次数据抽取处理后输出的第一滤波信息描述向量中，抽选出向量参数，组合形成第b次局部滤波信息描述向量，第b次局部滤波信息描述向量与所述第b个逆向滤波信息描述向量的向量尺寸和维度一致；[0062] S2.2.3.2、对第b次所述局部滤波信息描述向量和第b个所述逆向滤波信息描述向量进行描述向量聚合处理，以输出第b个中间反向抽取描述向量。[0063] 作为优化，S2.3的具体步骤为：[0064] S2.3.1、基于典型设备信息集将待优化的设备异常分析网络进行网络优化形成目标设备异常分析网络，其中，所述典型设备信息集包括典型设备关系分布网和所述典型设备关系分布网中每一个分布节点对应的电力设备的异常真实信息；[0065] S2.3.2、通过所述目标设备异常分析网络，找到所述最终反向抽取描述向量中每一个分布节点的节点属性数据对应的异常标识信息，最终分析出所述目标设备关系分布网对应的设备异常标识数据。[0066] 作为优化，S3的具体步骤为：[0067] S3.1、对所述设备群体标识数据和所述设备异常标识数据进行对比分析，以从所述设备异常标识数据中，抽取出所述目标电力设备群体对应的局部设备异常标识数据，所述局部设备异常标识数据用于反映所述目标设备关系分布网中具有所述参考设备群体关系的目标电力设备群体的每一个分布节点对应的电力设备的异常标识信息；[0068] S3.2、基于所述局部设备异常标识数据，分析出所述目标电力设备群体的群体异常数据。[0069] 作为优化，S3.2的具体步骤为：[0070] S3.2.1、对所述局部设备异常标识数据中异常程度最大的异常或属于目标类型的异常类型对应的异常标识信息进行标记处理，以标记为所述目标电力设备群体的群体异常数据；或[0071] S3.2.2、对所述局部设备异常标识数据中各类型的异常程度的平均结果或数量占比最大的异常类型异常对应的异常标识信息进行标记处理，以标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据。[0072] 本发明还公开了一种基于物联网的电力设备智能监测系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现前述任意一项所述的方法。[0073] 本发明与现有技术相比，具有如下的优点和有益效果：[0074] 本发明提供的一种基于物联网的电力设备智能监测方法，可以基于目标物联网系统包括的多个物联网电力设备，构建出目标物联网系统对应的目标设备关系分布网；分析出目标设备关系分布网对应的设备群体标识数据；分析出目标设备关系分布网对应的设备异常标识数据；基于设备群体标识数据和设备异常标识数据，分析出具有参考设备群体关系的目标电力设备群体的群体异常数据。基于此，由于目标电力设备群体是具有参考设备群体关系的，因而，目标电力设备群体中的各物联网电力设备之间具有一定的相关关系，因此，各物联网电力设备之间的异常也会具有一定的相关关系，使得基于目标电力设备群体中的各物联网电力设备的异常来进行群体分析是可靠地，从而实现对目标电力设备群体进行可靠地异常分析，进而在一定程度上改善现有技术中(如对单个物联网电力设备进行异常分析)存在的物联网电力设备的异常分析的可靠度不佳的问题。附图说明[0075] 为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：[0076] 图1为本发明的存储器和处理器与总线的连接示意图。[0077] 图2为本发明所述的一种基于物联网的电力设备智能监测方法的流程图。[0078] 图3为本发明所述的一种基于物联网的电力设备智能监测系统的结构示意图。具体实施方式[0079] 为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。[0080] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0081] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0082] 如图1所示，本发明实施例提供了一种基于物联网的电力设备智能监测系统。其中，所述基于物联网的电力设备智能监测系统可以包括存储器和处理器，或者，可以包括其它更多的器件。[0083] 详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式，存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于物联网的电力设备智能监测方法。[0084] 应当理解的是，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead‑OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead‑OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead‑OnlyMemory，EEPROM)等。所述处理器可以是一种通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)、片上系统(SystemonChip，SoC)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0085] 应当理解的是，在一些实施方式中，所述基于物联网的电力设备智能监测系统可以是一种具备数据处理能力的服务器。[0086] 如图2所示，实施例1提供一种基于物联网的电力设备智能监测方法，具体包括：[0087] 基于目标物联网系统包括的多个物联网电力设备(后续称为“电力设备”)，构建出所述目标物联网系统对应的目标设备关系分布网。[0088] 在本发明实施例中，所述基于物联网的电力设备智能监测系统可以基于目标物联网系统包括的多个物联网电力设备，构建出所述目标物联网系统对应的目标设备关系分布网。在所述目标设备关系分布网中，每一个所述物联网电力设备作为一个分布节点，每一个所述分布节点的节点属性数据包括对应的所述物联网电力设备的设备运行数据，每两个所述分布节点之间的分布关系基于对应的两个所述物联网电力设备之间的设备相关关系确定(该设备相关关系可以基于设备之间的通信关系或电气关系进行确定，还可以结合设备运行数据之间的相关性进行确定，如设备相关性越紧密，在所述目标设备关系分布网中的分布坐标之间的距离越小)。[0089] S1、对所述目标设备关系分布网进行加载处理，以加载至目标设备群体分析网络，分析出所述目标设备关系分布网对应的设备群体标识数据。[0090] 在本发明实施例中，基于物联网的电力设备智能监测系统可以对所述目标设备关系分布网进行加载处理，以加载至目标设备群体分析网络，分析出所述目标设备关系分布网对应的设备群体标识数据，所述目标设备群体分析网络用于从所述目标设备关系分布网中分析出具有参考设备群体关系(示例性地，参考设备群体关系可以是指群体中的各设备之间的相关关系较为紧密的关系，如设备运行数据之间基本一致，举例来说，可以是电气参数的变化具有一致性，如物联网电力设备A的电气参数发生变化时，物联网电力设备B的电气参数也发生变化)的目标电力设备群体，所述设备群体标识数据用于反映出具有所述参考设备群体关系的目标电力设备群体在所述目标设备关系分布网中的分布情况。[0091] S2、对所述目标设备关系分布网进行加载处理，以加载至目标设备异常分析网络，分析出所述目标设备关系分布网对应的设备异常标识数据。[0092] 在本发明实施例中，所述基于物联网的电力设备智能监测系统可以对所述目标设备关系分布网进行加载处理，以加载至目标设备异常分析网络，分析出所述目标设备关系分布网对应的设备异常标识数据。所述目标设备异常分析网络用于将所述目标设备关系分布网中每一个分布节点进行异常分析，所述设备异常标识数据用于反映每一个所述分布节点对应的物联网电力设备的异常标识信息，所述异常标识信息用于反映所述物联网电力设备的异常类型或异常程度(具体的反映内容可以根据实际需求进行配置，例如，在进行网络优化以形成所述目标设备异常分析网络的过程中，所依据的典型数据具有的标识数据的具体内容不同，可以使得所述目标设备异常分析网络输出的设备异常标识数据的表征内容不同)。[0093] S3、基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述参考设备群体关系的目标电力设备群体的群体异常数据。[0094] 在本发明实施例中，所述基于物联网的电力设备智能监测系统可以基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述参考设备群体关系的目标电力设备群体的群体异常数据。所述群体异常数据用于反映所述目标电力设备群体的群体异常类型和/或所述目标电力设备群体的群体异常程度(如前相关描述)。[0095] 基于此，如前述的步骤，由于目标电力设备群体是具有参考设备群体关系的，因而，目标电力设备群体中的各电力设备之间具有一定的相关关系，因此，各电力设备之间的异常也会具有一定的相关关系，使得基于目标电力设备群体中的各电力设备的异常来进行群体分析是可靠地，从而实现对目标电力设备群体进行可靠地异常分析，进而在一定程度上改善现有技术中(如对单个物联网电力设备进行异常分析)存在的电力设备的异常分析的可靠度不佳的问题。[0096] 其中，应当理解的是，在一些实施方式中，步骤S1，即所述对所述目标设备关系分布网进行加载处理，以加载至目标设备群体分析网络，分析出所述目标设备关系分布网对应的设备群体标识数据的步骤，可以进一步包括以下的一些子步骤：[0097] 利用目标设备群体分析网络，将所述目标设备关系分布网进行设备群体分析处理，以输出对应的多个局部设备关系分布网(示例性地，可以将所述目标设备关系分布网中的分布节点进行任意的组合，从而形成多个局部设备关系分布网，每一个局部设备关系分布网包括至少两个分布节点)；[0098] 利用所述目标设备群体分析网络从所述多个局部设备关系分布网中，分析出第一局部设备关系分布网，所述第一局部设备关系分布网内的各分布节点组成具有所述参考设备群体关系的目标电力设备群体(示例性地，对于每一个局部设备关系分布网，可以利用所述目标设备群体分析网络包括的关键信息挖掘单元，对该局部设备关系分布网进行关键信息挖掘处理，以输出对应的局部信息描述向量，然后，利用所述目标设备群体分析网络包括的映射输出单元，对该局部信息描述向量进行映射输出处理，以确定出该局部设备关系分布网对应的物联网电力设备是否能够形成具有所述参考设备群体关系的目标电力设备群体，另外，在进行映射输出处理的过程中，可以利用softmax函数实现)，以及，基于所述第一局部设备关系分布网形成所述目标设备关系分布网对应的设备群体标识数据。[0099] 其中，应当理解的是，在一些实施方式中，所述利用所述目标设备群体分析网络包括的关键信息挖掘单元，对该局部设备关系分布网进行关键信息挖掘处理，以输出对应的局部信息描述向量的步骤，可以进一步包括：[0100] 对于所述局部设备关系分布网中的每一个分布节点，提取到该分布节点的节点属性数据，并对所述节点属性数据进行编码处理(即实现关键信息的挖掘)，以输出该分布节点对应的节点属性描述向量，以及，在所述局部设备关系分布网中，确定出该分布节点的最相关的相关分布节点(如与所述分布节点对应的分布坐标之间的距离最小)；[0101] 对于所述局部设备关系分布网中的每一个分布节点，对该分布节点对应的节点属性描述向量进行转置处理，以形成该分布节点对应的转置节点属性描述向量，以及，对该节点属性描述向量和该转置节点属性描述向量进行相乘运算，以输出该分布节点对应的融合节点属性描述向量，以及，将该融合节点属性描述向量进行归一化处理，以输出该分布节点对应的重要性参数分布，以及，将该重要性参数分布和该节点属性描述向量进行相乘运算，以得到该分布节点对应的聚焦节点属性描述向量；[0102] 对于所述局部设备关系分布网中的每一个分布节点，对该分布节点对应的聚焦节点属性描述向量进行两种不同方式的参数抽取处理(参数抽取有多种方式，任意选择两种方式即可，此为现有技术，这里旧不再赘述了)，以得到该分布节点对应的第一抽取聚焦节点属性描述向量和第二抽取聚焦节点属性描述向量，对所述第一抽取聚焦节点属性描述向量和所述第二抽取聚焦节点属性描述向量进行向量聚合处理，以输出该分布节点对应的聚合抽取聚焦节点属性描述向量(所述聚合抽取聚焦节点属性描述向量的向量维度等于所述第一抽取聚焦节点属性描述向量的向量维度的2倍，也等于所述第二抽取聚焦节点属性描述向量的向量维度的2倍)，以及，对该分布节点对应的聚焦节点属性描述向量和该分布节点的最相关的相关分布节点对应的聚焦节点属性描述向量进行向量聚合处理，以输出该分布节点对应的聚合聚焦节点属性描述向量(所述聚合聚焦节点属性描述向量的向量维度等于所述聚焦节点属性描述向量的向量维度的2倍)；[0103] 对于所述局部设备关系分布网中的每一个分布节点，将该分布节点对应的聚合抽取聚焦节点属性描述向量和聚合聚焦节点属性描述向量进行叠加或加权叠加处理，以输出该分布节点对应的叠加节点属性描述向量；以及，将所述局部设备关系分布网中的每一个分布节点对应的叠加节点属性描述向量进行组合(如将所述局部设备关系分布网中的每一个分布节点对应的叠加节点属性描述向量拼接，在其它实施方式中，可以先对所述叠加节点属性描述向量进行参数的归一化处理，然后，再对所述局部设备关系分布网中的每一个分布节点对应的叠加节点属性描述向量的归一化结果进行拼接)，得到对应的局部信息描述向量。[0104] 应当理解的是，在一些实施方式中，步骤S2，即所述对所述目标设备关系分布网进行加载处理，以加载至目标设备群体分析网络，分析出所述目标设备关系分布网对应的设备群体标识数据的步骤，可以进一步包括：[0105] 利用所述目标设备异常分析网络，将所述目标设备关系分布网中的分布节点的节点属性数据按照重复处理的形式，按序进行A次数据抽取处理，输出对应的最终抽取信息描述向量，每一次进行数据抽取处理包括第一滤波处理和参数抽取处理(如将多个参数的平均值或最大值作为代表，以实现参数的抽取等)，在每一次所述进行数据抽取处理中，进行所述第一滤波处理后输出对应的第一滤波信息描述向量；[0106] 利用所述目标设备异常分析网络，将所述最终抽取信息描述向量按照重复处理的形式，按序进行A次反向数据抽取处理，输出对应的最终反向抽取描述向量，每一次进行反向数据抽取处理包括第二滤波处理、逆向滤波处理(所述逆向滤波处理和所述第二滤波处理互逆)和描述向量聚合处理，在每一次所述反向数据抽取处理中，所述描述向量聚合处理用于将所述逆向滤波处理输出的逆向滤波信息描述向量和进行对应的一次所述数据抽取处理后输出的第一滤波信息描述向量进行描述向量的聚合处理；[0107] 基于所述最终反向抽取描述向量，分析出所述目标设备关系分布网对应的设备异常标识数据。[0108] 应当理解的是，在一些实施方式中，所述利用所述目标设备异常分析网络，将所述目标设备关系分布网中的分布节点的节点属性数据按照重复处理的形式，按序进行A次数据抽取处理，输出对应的最终抽取信息描述向量的步骤，可以进一步包括：[0109] 前一个中间抽取信息描述向量的默认参数包括所述目标设备关系分布网中的分布节点的节点属性数据，所述最终抽取信息描述向量为最后输出的抽取信息描述向量，第a次数据抽取处理(所述第a次数据抽取处理是指所述A次数据抽取处理中的任意一次)包括：[0110] 通过第a个第一滤波矩阵，将所述前一个中间抽取信息描述向量按照重复处理的形式进行多次滤波处理，输出第a个第一滤波信息描述向量；[0111] 将所述第a个第一滤波信息描述向量，进行所述第a次数据抽取处理中的参数抽取处理，以输出第a个中间抽取信息描述向量(也就是说，对于第一个滤波矩阵，该第一滤波矩阵对所述目标设备关系分布网中的分布节点的节点属性数据进行多次滤波处理，输出第一个第一滤波信息描述向量，对于第二个第一滤波矩阵，该第一滤波矩阵对第一个第一滤波信息描述向量对应的第一个中间抽取信息描述向量进行多次滤波处理，输出第二个第一滤波信息描述向量)。[0112] 应当理解的是，在一些实施方式中，所述前一个中间抽取信息描述向量的第一方向尺寸(理解为横坐标)等于第一数值、第二方向尺寸(理解为纵坐标)等于第二数值、向量维度等于第三数值，基于此，通过第a个第一滤波矩阵，将前一个中间抽取信息描述向量按照重复处理的形式进行多次滤波处理，输出第a个第一滤波信息描述向量的步骤，可以进一步包括：[0113] 通过第a个第一滤波矩阵，将所述前一个中间抽取信息描述向量按照重复处理的形式进行第四数值(如2)次滤波处理，输出第a个第一滤波信息描述向量，所述第a个第一滤波信息描述向量的第一方向尺寸等于第一数值与第四数值和第五数值的乘积之间的差值(即先计算第四数值和第五数值的乘积，然后，计算第一数值和该乘积之间的差值，可以得到第一方向尺寸)、第二方向尺寸等于第二数值与第四数值和第五数值的乘积之间的差值(即先计算第四数值和第五数值的乘积，然后，计算第二数值和该乘积之间的差值，可以得到第二方向尺寸)、向量维度等于第三数值，第五数值和所述第a个第一滤波矩阵的矩阵大小一致(也就是说，第a个第一滤波矩阵可以是一个方阵，该方阵的第一方向尺寸和第二方向尺寸都等于第五数值，如5*5等)。[0114] 应当理解的是，在一些实施方式中，前一个中间抽取信息描述向量的第一方向尺寸等于第一数值、第二方向尺寸等于第二数值、向量维度等于第三数值，基于此，将所述第a个第一滤波信息描述向量，进行所述第a次数据抽取处理中的参数抽取处理，以输出第a个中间抽取信息描述向量的步骤，可以进一步包括：[0115] 将所述第a个第一滤波信息描述向量，进行所述第a次数据抽取处理中的参数抽取处理，以输出第a个中间抽取信息描述向量，所述第a个中间抽取信息描述向量的第一方向尺寸和第六数值的乘积等于第一数值与第四数值和第五数值的乘积之间的差值(也就是说，可以先计算第四数值和第五数值之间的乘积，再计算第一数值和该乘积之间的差值，再计算该差值和第六数值之间的比值，该比值等于第一方向尺寸)、第二方向尺寸和第六数值的乘积等于第二数值与第四数值和第五数值的乘积之间的差值(也就是说，可以先计算第四数值和第五数值之间的乘积，再计算第二数值和该乘积之间的差值，再计算该差值和第六数值之间的比值，该比值等于第二方向尺寸)、向量维度等于第三数值和第六数值的乘积，第六数值和所述第a次数据抽取处理中的参数抽取处理依据的参数抽取区域的大小一致(也就是说，该参数抽取区域可以是一个方阵，边长可以为第六数值)。[0116] 应当理解的是，在一些实施方式中，所述利用所述目标设备异常分析网络，将所述最终抽取信息描述向量按照重复处理的形式，按序进行A次反向数据抽取处理，输出对应的最终反向抽取描述向量的步骤，可以进一步包括以下的一些子步骤：[0117] 前一个中间反向抽取描述向量的默认参数包括所述最终抽取信息描述向量，所述最终反向抽取描述向量为最后输出的中间反向抽取描述向量，第b次反向数据抽取处理包括：[0118] 通过第b个第二滤波矩阵，将所述前一个反向抽取描述向量，按照重复处理的形式进行多次滤波处理，输出第b个第二滤波信息描述向量；[0119] 将所述第b个第二滤波信息描述向量，进行所述第b次反向数据抽取处理中的逆向滤波处理，输出第b个逆向滤波信息描述向量；[0120] 将所述第b个逆向滤波信息描述向量和进行第C次数据抽取处理中后输出的滤波信息描述向量进行描述向量聚合处理，以输出第b个反向抽取描述向量，C与1的差值等于A与b的差值(也就是说，在进行第1次反向数据抽取处理的过程中，第一个第二滤波矩阵，可以将所述最终抽取信息描述向量按照重复处理的形式进行多次滤波处理，输出第1个第二滤波信息描述向量，然后，将所述第1个第二滤波信息描述向量进行所述第1次反向数据抽取处理中的逆向滤波处理，输出第1个逆向滤波信息描述向量，然后，将第1个逆向滤波信息描述向量和对应的滤波信息描述向量进行描述向量聚合处理，以输出第1个中间反向抽取描述向量，然后，在进行第2次反向数据抽取处理的过程中，第二个第二滤波矩阵，可以将所述第1个中间反向抽取描述向量按照重复处理的形式进行多次滤波处理，输出第2个第二滤波信息描述向量，如此依次进行循环处理)。[0121] 应当理解的是，在一些实施方式中，所述前一个反向抽取描述向量的第一方向尺寸等于第八数值、第二方向尺寸等于第九数值、向量维度等于第十数值，基于此，所述通过第b个第二滤波矩阵，将所述前一个中间反向抽取描述向量，按照重复处理的形式进行多次滤波处理，输出第b个第二滤波信息描述向量的步骤，可以进一步包括：[0122] 通过第b个第二滤波矩阵，将前一个中间反向抽取描述向量按照重复处理的形式进行第十一数值(如2)次滤波处理，输出第b个第二滤波信息描述向量，第b个第二滤波信息描述向量的第一方向尺寸等于第八数值与第十一数值和第十二数值的乘积之间的差值(也就是说，可以计算第十一数值和第十二数值之间的乘积，然后，可以计算第八数值和该乘积之间的差值，该差值等于该第一方向尺寸)、第二方向尺寸等于第九数值与第十一数值和第十二数值的乘积之间的差值(也就是说，可以计算第十一数值和第十二数值之间的乘积，然后，可以计算第九数值和该乘积之间的差值，该差值等于该第二方向尺寸)、向量维度等于第十数值与第十一数值和第十三数值的乘积之间的差值(也就是说，可以计算第十一数值和第十三数值之间的乘积，再计算第十数值和该乘积的差值，该差值等于该向量维度)，第十二数值和第十三数值与所述第b个滤波矩阵的矩阵大小一致(也就是说，第b个第二滤波矩阵的矩阵尺寸为第十二数值乘以第十三数值)。[0123] 应当理解的是，在一些实施方式中，前一个中间反向抽取描述向量的第一方向尺寸等于第八数值、第二方向尺寸等于第九数值、向量维度等于第十数值，基于此，将所述第b个第二滤波信息描述向量，进行所述第b次反向数据抽取处理中的逆向滤波处理，输出第b个逆向滤波信息描述向量的步骤，可以进一步包括：[0124] 将所述第b个第二滤波信息描述向量，进行所述第b次反向数据抽取处理中的逆向滤波处理，输出第b个逆向滤波信息描述向量，第b个逆向滤波信息描述向量的第一方向尺寸和第十四数值的比值等于第八数值与第十一数值和第十二数值的乘积之间的差值(也就是说，计算出第十一数值和第十二数值之间的乘积，再计算第八数值和该乘积之间的差值，再计算该差值和第十四数值之间的乘积，该乘积等于该第一方向尺寸)、第二方向尺寸和第十四数值的比值等于第九数值与第十一数值和第十二数值的乘积之间的差值(也就是说，计算出第十一数值和第十二数值之间的乘积，再计算第九数值和该乘积之间的差值，再计算该差值和第十四数值之间的乘积，该乘积等于该第二方向尺寸)、向量维度等于第十数值与第十一数值和第十三数值的乘积之间的差值(也就是说，计算出第十一数值和第十三数值之间的乘积，再计算第十数值和该乘积之间的差值，该差值等于该向量维度)，第十四数值和第b次反向数据抽取处理中的逆向滤波处理依据的滤波矩阵的矩阵大小一致(也就是说，第b次反向数据抽取处理中的逆向滤波处理依据的逆向滤波矩阵为方阵，如第十四数值乘以第十四数值)。[0125] 其中，应当理解的是，在一些实施方式中，将第b个逆向滤波信息描述向量和进行第C次数据抽取处理中后输出的滤波信息描述向量进行描述向量聚合处理，以输出第b个中间反向抽取描述向量的步骤，可以进一步包括以下的一些子步骤：[0126] 从进行第C次数据抽取处理后输出的第一滤波信息描述向量中，确定出第b次局部滤波信息描述向量(也就是说，从进行第C次数据抽取处理后输出的第一滤波信息描述向量中，抽选出向量参数，组合形成第b次局部滤波信息描述向量)，第b次局部滤波信息描述向量与所述第b个逆向滤波信息描述向量的向量尺寸和维度一致；[0127] 对所述第b次局部滤波信息描述向量和所述第b个逆向滤波信息描述向量进行描述向量聚合处理，以输出第b个中间反向抽取描述向量，第b个中间反向抽取描述向量与所述第b个逆向滤波信息描述向量的向量尺寸一致和维度不一致(如第b个中间反向抽取描述向量的向量维度与所述第b个逆向滤波信息描述向量的向量维度的比值等于2)。[0128] 其中，应当理解的是，在一些实施方式中，基于所述最终反向抽取描述向量，分析出所述目标设备关系分布网对应的设备异常标识数据的步骤，可以进一步包括以下的一些子步骤：[0129] 对所述最终反向抽取描述向量进行加载处理，以加载到所述目标设备异常分析网络包括的线性整合单元(如MultiLayerPerceptron)中，利用所述线性整合单元分析出所述最终反向抽取描述向量中每一个分布节点的节点属性数据对应的异常标识信息，所述目标设备异常分析网络基于典型设备信息集，将待优化设备异常分析网络进行网络优化形成，所述典型设备信息集包括典型设备关系分布网和所述典型设备关系分布网中每一个分布节点对应的物联网电力设备的异常真实信息，优化后的所述目标设备异常分析网络中的线性整合单元分析出的所述典型设备关系分布网的异常标识信息和所述异常真实信息之间的误差小于或等于预设误差。[0130] 其中，应当理解的是，在一些实施方式中，步骤S140，即所述基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述参考设备群体关系的目标电力设备群体的群体异常数据的步骤，可以包括：[0131] 对所述设备群体标识数据和所述设备异常标识数据进行对比分析，以从所述设备异常标识数据中，抽取出对应的局部设备异常标识数据，所述局部设备异常标识数据用于反映所述目标设备关系分布网中具有所述参考设备群体关系的目标电力设备群体的每一个分布节点对应的物联网电力设备的异常标识信息(也就是说，可以先基于所述设备群体标识数据，确定出具有所述参考设备群体关系的目标电力设备群体中的每一个物联网电力设备对应的分布节点，如作为群体分布节点，然后，可以从所述设备异常标识数据中，提取出全部的群体分布节对应的局部设备异常标识数据)；[0132] 基于所述局部设备异常标识数据，分析出具有所述参考设备群体关系的目标电力设备群体的群体异常数据。[0133] 其中，应当理解的是，在一些实施方式中，所述基于所述局部设备异常标识数据，分析出具有所述参考设备群体关系的目标电力设备群体的群体异常数据的步骤，可以进一步包括以下的一些子步骤：[0134] 对所述局部设备异常标识数据中异常程度最大或属于目标类型的异常类型的异常标识信息进行标记处理，以标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据(也就是说，在局部设备异常标识数据中的数据为异常程度时，可以将最大的异常程度标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据；在局部设备异常标识数据中的数据为异常类型时，可以将属于目标类型的异常类型标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据)；或[0135] 对所述局部设备异常标识数据中各异常程度的平均结果或数量占比最大的异常类型进行标记处理，以标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据(也就是说，在局部设备异常标识数据中的数据为异常程度时，可以将各异常程度的均值标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据；在局部设备异常标识数据中的数据为异常类型时，可以将数量占比最大的异常类型标记为具有所述参考设备群体关系的目标电力设备群体的群体异常数据)。[0136] 结合图3，本发明实施例还提供一种基于物联网的电力设备智能监测装置，可应用于上述基于物联网的电力设备智能监测系统。其中，所述基于物联网的电力设备智能监测装置可以包括：[0137] 关系分布网构建模块，用于基于目标物联网系统包括的多个物联网电力设备，构建出所述目标物联网系统对应的目标设备关系分布网，在所述目标设备关系分布网中，每一个所述物联网电力设备作为一个分布节点，每一个所述分布节点的节点属性数据包括对应的所述物联网电力设备的设备运行数据，每两个所述分布节点之间的分布关系基于对应的两个所述物联网电力设备之间的设备相关关系确定；[0138] 设备群体分析模块，用于对所述目标设备关系分布网进行加载处理，以加载至目标设备群体分析网络，分析出所述目标设备关系分布网对应的设备群体标识数据，所述目标设备群体分析网络用于从所述目标设备关系分布网中分析出具有参考设备群体关系的目标电力设备群体，所述设备群体标识数据用于反映出具有所述参考设备群体关系的目标电力设备群体在所述目标设备关系分布网中的分布情况；[0139] 设备异常分析模块，用于对所述目标设备关系分布网进行加载处理，以加载至目标设备异常分析网络，分析出所述目标设备关系分布网对应的设备异常标识数据，所述目标设备异常分析网络用于将所述目标设备关系分布网中每一个分布节点进行异常分析，所述设备异常标识数据用于反映每一个所述分布节点对应的物联网电力设备的异常标识信息，所述异常标识信息用于反映所述物联网电力设备的异常类型或异常程度；[0140] 群体异常分析模块，用于基于所述设备群体标识数据和所述设备异常标识数据，分析出具有所述参考设备群体关系的目标电力设备群体的群体异常数据，所述群体异常数据用于反映所述目标电力设备群体的群体异常类型和/或所述目标电力设备群体的群体异常程度。[0141] 综上所述，本发明提供的基于物联网的电力设备智能监测方法及系统，可以基于目标物联网系统包括的多个物联网电力设备，构建出目标物联网系统对应的目标设备关系分布网；分析出目标设备关系分布网对应的设备群体标识数据；分析出目标设备关系分布网对应的设备异常标识数据；基于设备群体标识数据和设备异常标识数据，分析出具有参考设备群体关系的目标电力设备群体的群体异常数据。基于此，由于目标电力设备群体是具有参考设备群体关系的，因而，目标电力设备群体中的各物联网电力设备之间具有一定的相关关系，因此，各物联网电力设备之间的异常也会具有一定的相关关系，使得基于目标电力设备群体中的各物联网电力设备的异常来进行群体分析是可靠地，从而实现对目标电力设备群体进行可靠地异常分析，进而在一定程度上改善现有技术中(如对单个物联网电力设备进行异常分析)存在的物联网电力设备的异常分析的可靠度不佳的问题。[0142] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：四川

专利申请日期：2023-09-21

专利公开日期：2024-10-11

专利公告号：CN117520975B