[0001] 本发明涉及电力系统设备监测技术领域，具体涉及一种配电柜可视化智能监测系统、方法、计算设备及存储介质。

[0002] 配电柜作为现代工业和商业领域中重要的电力管理设备，扮演着管理、控制和保护电力系统的关键角色。然而，由于长期运行和环境因素的影响，配电柜存在故障风险。因此，对配电柜进行故障预测与预防对于确保电力系统的稳定和安全至关重要。现有的配电柜监测系统多采用固定周期的数据采集策略，通过工作人员巡检，且有些配电柜通常分布零散，相隔距离较远，所处地理环境比较复杂，时效性差且耗时费力，往往只能在故障发生后才能发现异常，未预测和未处理的故障可能对配电系统造成严重的损害和停电事故，影响电力系统的稳定运行和维护效率。

[0003] 随着5G、人工智能、云平台等先进技术的发展与应用，现有配电柜监测系统通过在配电柜本地安装监控摄像头、传感器等信息采集装置，将配电柜的环境信息、门禁、视频监控等数据传输至中心监控室，由中心监控室对系统内的配电柜实行远程、集中监控。现有系统对数据综合分析能力薄弱，对网络和中心监控室的依赖性高，在大数据场景下决策效率低，不能满足及时预警的监测要求。

[0024] 针对配电柜监测系统数据分析能力薄弱，无法在故障发生前有效识别和评估配电柜的健康状态，影响决策效率的问题，本方案提出一种配电柜可视化智能监测系统、方法、计算设备及存储介质，通过多维度数据分析和深度学习模型异常检测，能够提高故障预警的准确性和覆盖率，通过自定义可视化界面改善了运维人员的操作体验，降低了错误解读数据的风险，从而加速了故障排除过程。

[0025] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

[0026] 图1示出了根据本发明一个实施例的配电柜可视化智能监测系统001的结构示意图。如图1所示，该系统001包括：数据采集模块1‑n、边缘计算设备1‑m、自定义可视化界面和云平台，各模块之间通过低功耗广域网（LPWAN，如 LoRa、NB‑IoT）进行通信。

[0027] 其中，数据采集模块用于实时采集配电柜的运行状态数据和环境数据，并将采集的数据传输至预设范围内的边缘计算设备。运行状态数据主要包括电压、电流、功率、线温、运行噪声等，环境数据主要包括温度、湿度、灰尘浓度等。

[0028] 在本发明的一个实施例中，数据采集模块可以包括电流传感器、电压传感器、温度传感器、湿度传感器、振动噪声传感器、气体传感器、摄像头和天气预报接口，分别用于采集电流、电压、温度、湿度、运行噪声、易燃气体浓度、配电柜运行图像和气象数据。

[0029] 边缘计算设备可以对接收的数据进行预处理和电网质量评估，并将预处理后的数据上传至云平台。

[0030] 例如，边缘计算设备首先对实时接收的数据进行数据清洗和过滤等预处理，去除无效数据、异常值、重复数据，将预处理后的数据进行统一的格式转换后基于安全通信协议，如HTTPS/MQTT，传输到云平台。

[0031] 进一步地，通过傅里叶变换对电流波形进行谐波分析，根据谐波成分及其占比评估电网质量；根据电流和电压的相位差计算功率因数，根据功率因数判断负载性质与电网是否匹配，生成电能质量报告并存储于边缘计算设备中。根据气象数据对电力设备的影响和电能质量报告生成维护措施，防止无功补偿不足引发的能耗浪费，降低恶劣天气造成的损害，将维护措施发送至运维人员的手机APP。气温升高可能导致设备过热，降低运行效率，需要提前采取降温措施。高湿度或降雨可能影响设备绝缘性和运行安全，需考虑防潮、防水措施。

[0032] 例如，若功率因数过低，可能存在无功功率补偿不足的情况，可以建议实施无功补偿措施（如安装电容器），以优化能耗，提高整体能效，减少电费支出。

[0033] 云平台用于基于分布式计算框架进行大规模数据处理，使用历史数据对深度神经网络模型进行训练，基于训练后的深度神经网络模型对实时数据进行异常检测和故障预测，根据检测结果触发预警，并在自定义可视化界面中展示实时数据流视图和异常标注信息。例如，采用Apache Spark或Flink分布式计算框架进行大规模数据处理，使用分布式数据库，如Hadoop HDFS、Amazon S3存储历史数据和实时数据。

[0034] 在本发明的一个实施例中，云平台可以在深度神经网络模型判断实时监测指标偏离正常区间时激活预警协议，启动响应程序，通过消息推送服务将预警信息发送至运维人员的手机APP，预警信息包括异常类型（如过载、短路等）、受影响设备、偏离指标的具体数值及其正常范围、发生时间。

[0035] 为了提高配电柜运行异常或故障预警的准确率和效率，本方案在分布式云平台的基础上使用迁移学习。具体地，在配电柜监测系统中，可以通过迁移学习快速适应新的配电柜模型和不同环境条件，从而减少模型训练时间。例如，使用卷积神经网络处理图像数据，识别配电柜内部的视觉异常，使用循环神经网络处理传感器数据，识别传感器异常数据。收集新的配电柜监测数据（包括不同类型的配电柜、环境条件及操作状态）。通过微调技术，将预训练模型应用于新数据集。微调时冻结部分模型层，只训练最后几层，以适应新任务，同时保留预训练的知识。定义损失函数和优化器，进行训练，直至模型在新数据上表现良好。迁移学习可以减少模型训练所需的时间和计算资源。

[0036] 自定义可视化界面提供自定义显示面板，以便用户根据具体应用场景选择不同的信息展示密度和展示方式，通过拖拽操作添加、删除或调整不同的功能模块。比如，用户可以根据个人偏好放置不同功能模块，主控面板默认展示了系统状态概览，而子菜单则提供更多细粒度选项，如单个配电柜的历史数据曲线。自定义可视化界面提供历史数据趋势图和实时数据流视图，并在实时数据流视图中使用不同的颜色和符号突出标记受影响的区域和设备。

[0037] 例如，使用颜色变化、闪烁等方式吸引运维人员的注意，使用多种颜色编码来区分不同的警报级别，例如：红色：高警报，橙色：中警报，绿色：正常运行。并提供详细的故障定位信息，包括设备名称、位置及与其他设备的连接情况，结合地理信息系统（GIS）技术，可以进一步精确定位故障源。运维人员接收到警报后，能够快速通过可视化平台定位故障源，并根据警报信息迅速做出响应，如进行现场检查、重启设备、调整负载等。

[0038] 可见，本方案提供的配电柜可视化智能监测系统能够多维度监测配电柜运行相关数据，在数据源附近通过边缘计算设备进行数据处理和分析，能够降低延迟，及时响应潜在的电网问题，通过电网质量评估可以快速识别异常情况。通过综合运用边缘计算、云计算和深度学习技术，该系统不仅提升了配电柜的监测能力，还优化了运维管理，降低了故障发生率。

[0039] 图2示出了根据本发明一个实施例的计算设备100的结构示意图。如图2所示，在基本配置102中，计算设备100包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

[0040] 处理器104可以是任何类型的处理器，包括但不限于：微处理器（µP）、微控制器（µC）、数字信息处理器（DSP）或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元（ALU）、浮点数单元（FPU）、数字信号处理核心（DSP核心）或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

[0041] 系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器（诸如RAM）、非易失性存储器（诸如ROM、闪存等）或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具（例如集成开发环境IDE、编译器等）等，但不限于此。当应用122被安装到计算设备100中时，可以向操作系统120添加驱动模块。

[0042] 在计算设备100启动运行时，处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至存储器106中，处理器104从存储器106中读取并执行应用122的程序指令。

[0043] 计算设备100还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138，可移除储存器136和不可移除储存器138均与储存接口总线134连接。

[0044] 计算设备100还可以包括有助于从各种接口设备（例如，输出设备142、外设接口144和通信设备146）到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备（例如，键盘、鼠标、笔、语音输入设备、触摸输入设备）或者其他外设（例如打印机、扫描仪等）之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

[0045] 网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频（RF）、微波、红外（IR）或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。在根据本发明的计算设备100中，应用122包括用于执行本发明的配电柜可视化智能监测方法300的指令。

[0046] 图3示出了根据本发明一个实施例的配电柜可视化智能监测方法300的流程示意图。如图3所示，在步骤S310中，实时采集配电柜的运行状态数据和环境数据。

[0047] 例如，通过配电柜本地设置的多种传感器、摄像头、天气预报接口等数据采集装置实时收集配电柜的电流、电压、频率、线温、噪声等运行状态数据和温度、湿度、气体浓度等环境数据。

[0048] 随后在步骤S320中，对实时收集的运行状态数据和环境数据进行预处理和电网质量评估。

[0049] 例如，对收集的数据进行数据清洗和过滤，去除噪声和冗余数据，进行格式转换等，分析电流波形，通过傅里叶变换对电流波形进行谐波分析，根据谐波成分及其占比评估电网质量；根据电流和电压的相位差计算功率因数，根据功率因数判断负载性质与电网是否匹配，生成电能质量报告并存储于边缘计算设备中；根据气象数据对电力设备的影响和电能质量报告生成维护措施，并将维护措施发送至运维人员的手机APP。

[0050] 在步骤S330中，使用预处理后的历史数据对深度神经网络模型进行训练，基于训练后的深度神经网络模型对预处理后的实时数据进行异常检测和故障预测，根据检测结果触发预警。

[0051] 将处理后的数据上传至云平台进一步分析，利用分布式计算框架进行大规模数据的处理与模型训练，以优化模型性能。例如，使用卷积神经网络处理图像数据，识别配电柜内部的视觉异常，使用循环神经网络处理传感器数据，识别传感器异常数据。收集新的配电柜监测数据（包括不同类型的配电柜、环境条件及操作状态）。通过微调技术，将预训练模型应用于新数据集。微调时冻结部分模型层，只训练最后几层，以适应新任务，同时保留预训练的知识。定义损失函数和优化器，进行训练，直至模型在新数据上表现良好。

[0052] 在深度神经网络模型判断实时监测指标偏离正常区间时激活预警协议，启动响应程序，通过消息推送服务将预警信息发送至运维人员的手机APP，预警信息包括异常类型（如过载、短路等）、受影响设备、偏离指标的具体数值及其正常范围、发生时间。

[0053] 最后在步骤S340中，通过自定义可视化界面展示实时数据流视图和异常标注信息。例如，将实时数据以图表、仪表盘等形式呈现，便于运维人员监控，使用不同颜色或图标来区分正常和异常状态，帮助运维人员快速识别问题。

[0054] 根据本发明提供的配电柜可视化智能监测系统和系统，至少可以达到以下技术效果：1.通过多维度数据分析与自动化预警机制提升了故障预测的精度，减少了电力事故的发生概率。

[0055] 2.云平台利用分布式计算框架对深度神经网络进行训练，可以从历史数据中学习复杂的模式和异常情况，以适应不断变化的运行环境和负荷条件，提升异常检测的灵敏度。

[0056] 3.通过自定义可视化界面改善了运维人员的操作体验，降低了错误解读数据的风险，从而加速了故障排除过程。

[0057] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

[0058] 本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

[0059] 本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。

[0060] 此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

[0061] 如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

[0062] 尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。