技术领域
[0001] 本发明涉及电网资产管理技术领域，尤其涉及一种基于物联网设备的智能电网资产风险监测管理方法及装置。
相关背景技术
[0002] 电网资产是电力系统中各种电气设备的总称，包括发电、输电、变电、配电等各个环节的设备和设施。这些资产是电力系统正常运行的基础，其健康状况直接关系到电力系统的安全稳定运行和电力供应的可靠性。电网企业设备和规模数量庞大，种类繁多，其中所涉及的电网资产管理范围通常包括固定资产和流动资产。固定资产主要包括发电设备、输电线路、变电设备、配电设备等，这些设备通常具有较长的使用寿命，需要定期进行维护和更新。流动资产主要包括燃料、备品备件、库存材料等，这些资产通常具有较小的价值，但需要及时更新和补充，以保证电力系统的正常运行。
[0003] 随着电力系统的规模不断扩大，电网资产数量急剧增加，在新老设备共存、新能源系统的并入、各类资产管理部门涵盖范围广的大背景下，传统的电力系统监测、信息共享和运维管理通常依赖于局部化的监测设备和人工巡检，这种方式存在着效率低、成本高、响应速度慢等问题，也无法提前发现潜在风险并采取相应管理措施，更无法将各类资产的实时运行信息、管理过程进行有效的统一协调，从而使得电网的可靠性和安全性较差。
具体实施方式
[0076] 以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
[0077] 参见图1，一种基于物联网设备的智能电网资产风险监测管理方法，包括：
[0078] S1、在电网资产中部署物联网设备，并通过物联网设备对电网资产进行实时监控和数据采集。
[0079] 参见图3，所述物联网设备包括：
[0080] 传感器，用于采集智能电网资产的运行、使用以及运行状态数据；例如，电网设备的电压、电流、温度等信息，以便进行监控和分析。
[0081] 控制器，用于控制智能电网资产的运行状态；例如，调节设备的运行参数或执行指定的操作。
[0082] 整合平台，用于记录无形资产，并将智能电网资产各相关部分进行整合。
[0083] 所述方法还包括对采集的实时数据进行预处理，所述预处理包括数据清洗、数据分类和数据融合；
[0084] 所述数据分类包括，根据数据来源，将数据以每个独立的电网资产为单位进行分类；设原始数据集为D，包含来自不同物联网设备的数据点，每个数据点d，都映射了电网资产标签T；
[0085]
[0086] 式中，C(D，T)表示分类函数；i表示电网资产的索引；n表示电网资产的数量；T(d)表示返回数据点d的电网资产类型标签；
[0087] 所述数据融合包括，将原始数据集D根据电网资产类型标签T进行分类，形成多个子集{D1，D2，...，Dn}，每个Dn都包含同一电网资产的所有数据点；通过数据点对每个电网资产进行数据采集，得到每个电网资产的数据集合 每个 都包含同一电网资产的所有数据；
[0088] 所述数据点为，非无形资产中，用于采集并传输数据的物联网设备；
[0089] 若数据为整合平台中的无形资产，则直接通过整合平台调度出每个无形资产的数据，得到无形资产的数据集合 并与Z1合并为所有资产的数据集合：
[0090]
[0091] 式中，m表示所有资产的总数量，无形资产数量为m‑n。
[0092] S2、通过采集的实时数据对每个电网资产进行故障分析、运行时的衰减程度分析和异常数据分析。
[0093] 所述故障分析结果为：
[0094]
[0095] 式中，Fa表示故障分析结果；K表示故障模式的数量；αk表示第k个故障模式的重要性权重，由灰狼算法确定；t为时间，表示从资产开始使用到当前的时间长度；μk和 分别为第k个故障模式发生的平均时间和方差，用于时间序列分析；β(t)是一个时间相关的衰减函数，表示随时间变化的系统性能衰减；T表示预测时间范围；
[0096]
[0097] 式中，ρ为初始衰减速率；Ω为衰减常数；ζ为周期性衰减的幅度；ω为周期性衰减的频率，表示资产性能波动的周期；为相位偏移，用于调整周期性衰减的起始点。
[0098] 进一步的，灰狼算法确定αk的步骤：
[0099] 初始化灰狼群体：随机生成一群灰狼(解决方案)，每只灰狼的位置表示一个可能的故障模式权重集合{αk}。
[0100] 定义适应度函数：适应度函数用于评估每只灰狼(即每个权重集合)的性能。在故障分析的场景中，适应度函数可以设计为预测故障的准确度，例如，使用历史数据评估这组权重在故障预测中的效果。
[0101] 模拟狩猎行为：算法通过模拟灰狼的狩猎行为来更新群体中每只灰狼的位置(即解决方案)。α、β和γ灰狼(即最好的三个解)会引导其他灰狼(解决方案)更新它们的位置。
[0102] 更新位置：每只灰狼根据α、β和γ的位置更新自己的位置，这一过程模拟了灰狼追踪猎物和围攻猎物的行为。位置的更新公式考虑了灰狼之间的距离和向最优解靠拢的趋势。
[0103] 迭代优化：重复模拟狩猎行为和更新位置的步骤，直到满足停止条件(如达到最大迭代次数或适应度改进小于某个阈值)。
[0104] 确定最优权重：算法结束时，阿尔法灰狼的位置(即一组权重{αk})被认为是最优解，用于表示每个故障模式的重要性权重。
[0105] 所述运行时的衰减程度分析结果为：
[0106]
[0107] 式中，Da表示运行时的衰减程度分析结果；λ是衰减速率的系数，由免疫算法优化得到；∈为常数，为了避免对数函数在t＝0时未定义而加的正数； 和ωi分别为振幅和频率参数，代表不同因素对资产性能衰减的影响，也由免疫算法优化得到；n为影响因素的数量。
[0108] 利用免疫系统的记忆机制和识别机制来解决优化问题。免疫算法优化衰减速率系数λ的步骤：
[0109] 初始化：生成一个初始种群，每个个体代表一个可能的λ值。
[0110] 评估：定义一个适应度函数来评估每个个体的性能。在衰减速率系数的优化中，适应度函数可以基于资产性能衰减模型的预测准确度，例如，使用历史衰减数据来评估λ值的效果。
[0111] 选择：根据个体的适应度，选择较优的个体进行克隆。高适应度的个体将有更高的概率被选中。
[0112] 克隆：对选中的个体进行克隆，生成多个副本。
[0113] 变异：对克隆出的副本进行变异操作，以引入新的变异个体。变异程度可以与个体的适应度成反比，适应度较低的个体经历较大的变异。
[0114] 选择：从变异后的个体中选择适应度最高的个体作为新一代的种群。
[0115] 迭代：重复上述步骤，直到满足终止条件，如达到最大迭代次数或适应度达到预定阈值。
[0116] 输出最优解：算法结束时，最优个体的λ值被选为衰减速率系数。
[0117] 所述异常数据分析结果为：
[0118]
[0119] 式中，Aa表示异常数据分析结果；N为数据点的总数；xj为第j个数据点的值；为所有数据点的平均值；m为异常模式的数量；θi和δi分别为第i个异常模式的权重和敏感度参数，由蚁群算法确定。
[0120] 蚁群算法确定异常模式的权重和敏感度参数的步骤：
[0121] 初始化：生成一个初始蚁群，每只蚂蚁代表一组可能的θi和δi值。
[0122] 构建解决方案：每只蚂蚁根据信息素浓度和启发式信息(如参数的先验知识)来选择路径，即选择一组参数值。
[0123] 更新信息素：在所有蚂蚁完成一次迭代后，根据每只蚂蚁找到的解的质量来更新信息素。较好的解会在其路径上留下更多的信息素，从而引导后续蚂蚁选择类似的路径。
[0124] 蒸发信息素：为了避免过早地收敛到局部最优解，信息素会随时间逐渐蒸发。
[0125] 迭代优化：重复上述步骤，直到满足终止条件。
[0126] 输出最优解：算法结束时，找到的最优参数组合θi和δi被用于异常模式的权重和敏感度参数。
[0127] 故障分析旨在检测和诊断资产是否存在故障，通过机器学习模型(如逻辑回归)对数据进行分析，可以预测资产是否存在潜在的故障风险。运行时的衰减程度分析旨在评估资产的性能随时间的变化情况，帮助识别可能存在的性能衰减趋势。异常数据分析旨在检测和识别数据中的异常情况，例如突然的数据波动或异常高值，有助于及时发现潜在的问题或异常情况。这些分析可以帮助提高电网资产的维护和管理效率，减少故障风险，提高电网的可靠性和安全性。
[0128] S3、根据电网资产的故障分析结果、运行时的衰减程度分析结果、异常数据分析结果计算电网资产的运行趋势预测值。
[0129] 所述电网资产的运行趋势预测值为：
[0130]
[0131]
[0132]
[0133]
[0134] 式中，P表示运行趋势预测值；ωF为调整故障分析的基线影响；ε为控制随时间衰减的速率；σ为调整参数，用于控制二阶导数影响的敏感度；κ和η为调整参数，用于控制异常数据的影响程度。
[0135] 模拟资产性能随时间的自然衰减。不同的资产可能会有不同的衰减速率，这取决于资产的类型、使用频率、维护情况等因素。通过调整衰减速率，预测模型可以更好地模拟资产随时间变化的真实情况。调整二阶导数影响的敏感度用于控制模型对资产运行趋势变化加速度的敏感度。在某些情况下，资产的运行状态可能会快速恶化，这时二阶导数(即变化率的变化)就变得尤为重要。通过调整这个参数，可以确保模型能够及时捕捉到资产状态的快速变化，从而做出更准确的预测。通过综合考虑故障分析、资产性能衰减、运行趋势变化的加速度，以及异常数据的影响，来计算出每个资产的运行趋势预测值。这样的设计旨在提高预测模型的准确性和可靠性，从而为电网资产的运行和维护提供科学的决策支持。
[0136] S4、根据电网资产的运行趋势预测值，对电网资产进行风险预测、风险管理和风险预警。
[0137] 所述风险预测包括：
[0138] 将电网资产i的运行趋势预测值Pi与运行趋势阈值Pt进行比较，若Pi≥Pt，则将电网资产i判定为风险资产，进行风险评估；
[0139] 若Pi＜Pt，则将电网资产i判定为轻风险资产，暂不处理；
[0140] 将获取的风险资产放置在关联矩阵J中，通过资产之间的影响评估其关联度，并计算每个风险资产在异常中的重要性；
[0141] 对于每对资产i和j，定义一个高级信息增益，该高级信息增益考虑了资产间相互作用的非线性动态和长期影响，每对资产的高级信息增益为：
[0142]
[0143] 式中， 表示每对资产i和j的高级信息增益；H(t)表示所有资产的经验熵；Hi|j(t)为在已知资产j的状态下资产i的条件经验熵；Hj|i(t)为在已知资产i状态下资产j的条件经验熵；δ为一个权重参数；Hk|i(t)为在已知资产i的状态下资产k的条件经验熵；Hk|j(t)为在已知资产j的状态下资产k的条件经验熵；
[0144] Hi＝‑∑x∈Xp(x)log2p(x)；
[0145] 式中，Hi表示状态集合X的经验熵；x表示资产状态索引；X表示资产i的状态集合；p(x)表示资产在状态x的概率分布；
[0146] 基于高级信息增益，构建一个复杂关联性矩阵J，其中元素 为：
[0147]v
[0148] 式中， 表示资产i和j之间的复杂关联性；max(IG)表示所有高级信息增益值中的最大值，用于归一化；Jik和Jjk分别表示资产i和j与其他资产k的基本关联性，通过资产中的数据类型进行资产之间的关联分析。
[0149]
[0150]
[0151] 式中，dik表示资产i与k之间的距离，djk表示资产j与k之间的距离，这个距离表示资产间数据类型的差异度量；Li和Kj分别表示资产i和j的连接总数，用于归一化关联性，确保关联性分数不会因为资产连接数的不同而产生偏差；Vi、Vj和Vk分别表示资产i、j和k的重要性或权重，这可以基于资产的贡献度、故障率、维护成本或其他相关指标来确定。例如资产A的数据为电压和电流，资产B的数据为电压、电流和电阻，资产C的数据为应力、压强和距离，那么此时资产A和B的数据类型距离近，资产A和B的基本关联性就会大，同时也说明彼此之间可能会更加容易影响。
[0152]
[0153] 式中，C表示风险评估值；h表示风险资产的总数； 表示资产i和k之间的复杂关联性； 表示资产k和j之间的复杂关联性。
[0154] 通过引入高级信息增益，该设计考虑了资产间相互作用的非线性动态和长期影响。这是因为电网资产的运行状态和相互作用往往是复杂和非线性的，简单的线性模型无法充分捕捉这些动态。通过考虑这些非线性因素，设计能够更准确地反映资产间的真实关系。构建的复杂关联性矩阵不仅考虑了资产间的直接关联性，还通过高级信息增益反映了资产间的间接关联性和长期影响。这种综合分析有助于揭示隐藏在资产间复杂相互作用背后的模式，特别是在识别系统中的关键资产和潜在的风险点方面。通过精确计算资产间的关联性，该设计能够更有效地识别那些对电网系统稳定性影响最大的核心异常资产。这对于提前预测潜在的系统故障、优化维护计划以及制定应对措施至关重要。评估风险资产在异常数据中的重要性，以确定哪些资产是核心异常资产，其异常可能对其他资产产生较大影响。通过计算核心异常资产的评估值，可以帮助确定在异常情况下需要重点关注的资产，从而更好地采取措施来减轻或解决异常情况对整个电网系统的影响。同时，通过考虑资产之间的关联程度，可以更准确地评估风险资产的重要性，从而有针对性地进行处理和管理。
[0155] 所述风险管理和风险预警，包括：
[0156] 筛选出风险评估值C最大的资产，作为影响本次异常的核心异常资产，若对核心异常资产自动调整后，其他风险资产仍未消除风险，则对每个风险资产发出警报；
[0157] 若对核心异常资产自动调整后，其他风险资产转变为轻风险资产或无异常，则仅对风险评估值C最大的资产发出警报。
[0158] 要知道的是，核心异常资产的定义为：其他的异常大多数都是由他诱发的，通过调整这一异常，其他资产的异常也会随之消失或减弱。通过C对这个核心异常资产进行筛选，若其他资产的异常都是由这个核心异常资产导致的，那么这个核心异常资产的调整，必然能够使得其他的风险资产消除异常。如果说将这个核心异常资产进行调整后，其他风险资产均无变化则说明这些风险资产的异常，都是由各自产生的，而不是连带效果。
[0159] 要说的是“对核心异常资产自动调整”是根据对每个资产在应对应急情况下预先制定的策略，自动对核心异常资产进行调整。这可能包括调整资产的操作参数、控制逻辑，甚至开关机等。实时监测调整后核心异常资产的运行状态和数据，以评估调整效果。如果异常情况得到缓解或消除，则可以继续监测其他风险资产或进行其他操作。
[0160] 参见图2，本发明还提供一种基于物联网设备的智能电网资产风险监测管理装置，该装置应用于上述所述一种基于物联网设备的智能电网资产风险监测管理方法，所述装置包括云计算平台、物联网设备、数据采集模块、大数据分析模块、风险管理与预警模块和远程运维模块。其中，云计算平台为各终端连接点，其与大数据分析模块、远程运维模块相连，大数据分析模块与数据采集模块、风险管理与预警模块相连，数据采集模块与各物联网设备相连，从而形成数据传输链，形成分析基础。
[0161] 进一步的，通过部署物联网设备，实现对各类新旧电网资产的运行状态数据，包括固定资产、流动资产和无形资产的状态数据等参数进行实时监控和采集。如图3所示，物联网设备包括：a.传感器，用于采集智能电网资产的运行、使用以及运行状态数据；b.控制器，用于控制智能电网资产的运行状态；c.整合平台，用于记录无形资产，并将智能电网资产各相关部分进行整合。在具体的运行过程中，传感器负责采集固定资产与流动资产的运行、使用情况，包括设备运行功率、进出电信号，同时亦可配置温度监测系统，以便于快速判断过载、虚接等常见情况，流动资产的采集主要包括燃料余量等信息，上述采集亦可通过远程交互的方式，利用巡视机器设备统一处理，如运维巡视机器人、监控信号采集等，无形资产则直接同传感器所采集的数据录入整合平台，互相关联，控制器可通过远程运维模块或风险管理与预警模块的反馈对资产设备的运行情况进行一定程度的控制与调节，如设备的开关变化、功率调节，燃料的补充等，从而形成一套物联网设备体系。电网资产设备更新快、已有资产信息统计质量不高，存在一定的明细不清、状态不明、信息联动脱节等问题。物联网设备通过各类设置于设备上的传感、控制终端实现新旧设备、系统运行参数的提取与整合，并在一定程度上完成系统内的自我控制，可解决传统管理模式中在人力采集数据、人力汇总与新旧设备不统一中造成的资源浪费等问题。
[0162] 进一步的，将物联网设备采集的数据进行预处理，包括数据清洗、数据融合等，并通过无线通信技术，实现实时、在线的数据传输，为云计算平台提供分析基础数据。如图4所示，数据采集模块包括：a.数据清洗模块，用于对采集到的数据进行预处理，包括去除异常值、填补缺失值等；b.数据融合模块，用于将不同来源的数据整合成统一的数据格式；c.数据传输模块，用于将所整合的数据进行传输，为大数据分析模块提供数据基础。数据采集模块通过将从物联网设备中采集的数据逐级处理、统一格式，联通电网资产设备与管理系统。基于此模块，便可完成新旧设备、新能源系统数据的统一呈现，以在后续计算过程中简化数据来源，省去在传统管理模式中新旧设备、新能源系统差异性所造成的复杂管理过程，并规范信息管理。
[0163] 进一步的，如图5所示，大数据分析模块包括：a.故障分析模块，用于对电网资产进行故障分析，以便及时发现设备故障；b.运行时的衰减程度分析模块，用于对电网资产运行时的衰减程度进行分析，以评估资产的性能随时间的变化情况，帮助识别可能存在的性能衰减趋势；c.异常数据分析模块，用于检测和识别数据中的异常情况，有助于及时发现潜在的问题或异常情况。大数据分析模块根据采集的实时数据，利用云计算平台提供的计算资源，负责对所收集的数据进行实时处理和分析，以便及时发现潜在的设备故障和风险。
[0164] 进一步的，根据分析结果，对电网资产的运行状态进行实时监测，及时发现潜在的故障隐患，预测可能的故障发展趋势，及时调整调度策略，并通知相关人员进行处理，减少对智能电网的影响。如图6所示，风险管理与预警模块包括：a.风险预测模块，用于根据电网资产的故障分析结果、运行时的衰减程度分析结果、异常数据分析结果计算电网资产的运行趋势预测值，并根据电网资产的运行趋势预测值，对电网资产进行风险预测；b.风险管理和风险预警模块，用于根据风险预测结果进行风险管理和风险预警。
[0165] 进一步的，根据风险管理与预警模块的结果，制定相应的运维计划和策略，结合远程控制技术与可视化交互平台，协调相关人员和资源进行运维工作，提供人、物交互平台，实现对智能电网资产的故障诊断、维修和维护。如图7所示，远程运维模块包括：a.故障分析模块，用于分析设备故障原因；b.运维方案生成模块，用于生成运维方案；c.运维方案执行模块，用于执行运维方案；d.可视化交互终端，用于提供相关人员与资产设备间的交互平台。远程运维模块通过各种传感器数据，如电压、电流、频率、相位角等，亦包括机器巡视、用户反馈等间接检测数据，对电网的运行情况进行实时监测。通过分析这些所提交的数据，可以及时发现电网中的异常情况，利用故障分析模块进行例如线路故障、设备老化等故障排查，并确定故障发生点位，针对这些异常情况，运维方案生成模块根据人员排班、物联网设备控制器等排障设施制定相应的维修和维护方案，对于运维方案的生成主要来自于对人为输入方案数据库和历史故障方案数据库的匹配和云端上传历史故障及解决方案的自我学习；在针对预警信息方案的生成上，基于本地物联网设备条件，结合风险管理与预警模块所提交的信息，依托本地电网运行历史数据，分析得到包括但不限于隐患设备排查、备用线路规划、关键节点人员值守巡视、区域电网运行通断阈值等结果，方案生成后，可利用物联网设备控制器的部分对运维方案执行模块进行远程控制，以提高自动化运维程度，需要人为操控或干涉的部分，提交至相关人员。在云计算平台算力充足和电网运行平稳的条件下，可基于风险管理与预警模块提交的预测风险生成预案，以进一步保证对电网故障的及时妥善处理，尽快恢复智能电网的平稳运行。
[0166] 进一步的，构建一个基于云计算技术的平台，用于存储、处理和分析电网资产的运维数据。如图8所示，云计算平台包括：a.虚拟化层，用于实现硬件资源的虚拟化；b.计算资源层，用于提供计算服务；c.存储资源层，用于提供数据存储服务，存储和管理电网资产的相关数据。云计算平台为连接运维管理系统各部分的中心节点，虚拟化层可将电网资产资源情况进行数字化表现，通过计算资源层为大数据分析模块提供计算资源服务，将计算数据存储以支撑远程运维模块运行。基于此平台，可为电网建设过程中出现的新老设备质量参差不齐、传统模式发电与新能源发电之间的差异性问题搭建统一管理平台，依据运行成本、运行效益、故障率等相关参数作为统一性评价系数以完成对电网运行过程中的统一协调计算。
[0167] 在具体的实施过程中，基于数据分析得出的故障分析与维护方案或许不能完全应对，故需要基于数据为相关专业人士提供完善、可靠、便利的数据依据与方案生成平台。在人工参与探讨方案时，可借助可视化交互终端，将预测模型展现，并根据现场讨论需要实时调整相关参数，直观展现预期成果，结合物联网设备所整合的资产设备、人员信息，生成行动方案，最终可通过综合评估方案效果、执行自动化率、执行时间、电网运行影响等因素，由运维方案生成模块提供各方案优先度排序，协助与会人员在设备维护、应急抢险、政策制定等方面进行现场高效率探讨。
[0168] 在另一种具体的实施过程中，为提高智能电网资产管理运维效率，在远程运维实施的过程中可借助可视化交互终端，实现数据共享、人与人的交互以及人与物的交互。数据共享旨在打通信息壁垒，提高沟通效率，以免在设备维护时，上下游设备调度冲突；人与人的交互旨在实现大范围、多区域联动调度或应急情况处理时，可视化交互终端可为各方提供交互平台，并提供实时检测与预警功能，为维护电网可靠运行提供便利；在人与物的交互上，可对运维方案执行模块与可视化交互终端进行联动，如利用虚拟现实技术实现人员对电网资产的远程运维或是危险区域的远程操作，也可结合从物联网设备上采集到的数据、图片信息，对问题区域进行全景察视和远程机器操作，亦或是利用增强现实技术，将设备运行状况提取展现，进一步地，可就地操作一些相关设备的闭合，以观察当前设备的运行状况，提高智能电网资产管理维修效率。
[0169] 参见图9，本发明还提供一种基于物联网设备的智能电网资产风险监测管理设备，包括存储器和处理器；
[0170] 所述存储器，用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
[0171] 所述处理器，用于根据所述计算机程序代码中的指令执行上述所述一种基于物联网设备的智能电网资产风险监测管理方法。
[0172] 本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述一种基于物联网设备的智能电网资产风险监测管理方法。
[0173] 一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
[0174] 计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EKROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0175] 可以以一个或多个程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意个类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0176] 上述设备和非临时性计算机可读存储介质，可以参见对一种基于物联网设备的智能电网资产风险监测管理方法及有益效果的具体描述，在此不再赘述。
[0177] 尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
