【技术实现步骤摘要】
本专利技术涉及电力设备，尤其涉及一种电力设备远程控制方法及其控制系统。
技术介绍
1、随着智能电网的发展和电力系统自动化水平的不断提高，电力设备的远程监控与智能控制成为保障电力系统稳定运行、提高能源利用效率的关键技术之一。传统的电力设备监控主要依赖人工定期巡检和现场维护，这种方式不仅效率低下，而且难以及时发现和处理电力系统中的潜在故障，增加了系统的运行风险。因此，研发一种能够实时监测电力设备状态、高效识别异常并自动采取相应控制措施的远程控制方法显得尤为重要。
2、近年来，随着大数据、人工智能等技术的快速发展，越来越多的研究者和企业开始探索基于数据驱动的电力设备远程控制方法。这种方法通过实时获取电力设备的多元数据，利用机器学习、深度学习等技术对数据进行处理和分析，从而实现对电力设备的精准控制。
3、然而，现有的基于数据驱动的电力设备远程控制方法仍存在一些问题。首先，对于获取的多元数据，往往缺乏有效的预处理手段，导致数据质量不高，影响后续的分析和控制效果。其次，在特征选取方面，现有的方法往往基于经验或简单的统计方法，难以从大量数据中挖掘出真正有用的特征。此外，异常检测模型的构建和训练也是一个难题，需要找到一种有效的方法来提高模型的准确性和泛化能力。
4、因此，有必要提供一种电力设备远程控制方法及其控制系统解决上述技术问题。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种电力设备远程控制方法及其控制系统，实时监控电力设备的多元数据，利用遗传算
2、本专利技术提供的一种电力设备远程控制方法，所述控制方法包括以下步骤：
3、实时获取电力设备的多元数据，并对所述多元数据进行预处理，得到预处理后的多元数据，其中，所述多元数据包括对应于电力设备的传感器数据和环境数据；
4、基于预处理后的多元数据，按照预定义的特征筛选规则进行特征选取，得到最优特征集，其中，所述特征筛选规则是根据遗传算法在对所述电力设备的历史多元数据处理中设定的；
5、将所述最优特征集输入预先构建的异常检测模型中，并判定异常结果，其中，所述异常检测模型为通过基于遗传算法从所述电力设备的历史多元数据中提取的样本最优特征集训练得来的神经网络模型；
6、基于利用遗传算法自构建的控制策略映射库，将判定的异常结果与所述控制策略映射库中的控制策略进行匹配，确定所述电力设备在出现所述异常结果时相对应的预设操作，并根据确定的预设操作对电力设备进行调控，保证电力设备的安全。
7、优选的，所述实时获取电力设备的多元数据，并对所述多元数据进行预处理，得到预处理后的多元数据，包括：
8、利用数据采集设备实时收集电力设备的传感器数据和环境数据，其中，所述传感器数据包括电流、电压、温度和湿度，所述环境数据包括外部气候；
9、对实时收集电力设备的传感器数据和环境数据进行数据清洗，其中，所述数据清洗包括缺失值处理、异常值处理、重复数据处理和一致性检查；
10、合并清洗后的传感器数据和环境数据，得到预处理后的多元数据。
11、优选的，所述基于预处理后的多元数据，按照预定义的特征筛选规则进行特征选取，得到最优特征集，其中，所述特征筛选规则是根据遗传算法在对所述电力设备的历史多元数据处理中设定的，包括：
12、提取历史多元数据中的样本特征，并利用遗传算法对样本特征进行特征编码；
13、对进行特征编码后的样本特征进行初始化，得到样本初始解集，其中，所述样本初始解集中的每个解代表一个样本特征集；
14、利用样本初始解集中的不同样本特征集训练异常检测模型，并根据异常检测模型训练结果获取适应度值，其中，所述历史多元数据包括正常数据和异常数据；
15、基于所述适应度值从不同样本特征集筛选出样本最优特征集，将预处理后的多元数据中的特征与样本最优特征集进行特征匹配，得到由多个包含在预处理后的多元数据中的特征构成的最优特征集。
16、优选的，所述将所述最优特征集输入预先构建的异常检测模型中，并判定异常结果，其中，所述异常检测模型为通过基于遗传算法从所述电力设备的历史多元数据中提取的样本最优特征集训练得来的神经网络模型，包括：
17、基于遗传算法设计神经网络模型的架构及参数，并利用样本最优特征集训练初始神经网络模型，得到异常检测模型；
18、将实时获取的预处理后的多元数据的最优特征集输入异常检测模型进行前向传播，并输出对应于最优特征集的检测结果；
19、基于预设的异常阈值对所述检测结果进行异常判定，并获取异常结果。
20、优选的，所述基于利用遗传算法自构建的控制策略映射库，将判定的异常结果与所述控制策略映射库中的控制策略进行匹配，确定所述电力设备在出现所述异常结果时相对应的预设操作，并根据确定的预设操作对电力设备进行调控，包括：
21、利用遗传算法构建控制策略映射库，其中，所述控制策略映射库包括映射关系的样本异常结果和控制策略；
22、基于建立的映射关系，将判定的异常结果与控制策略映射库的样本异常结果进行匹配，输出所匹配的样本异常结果；
23、提取所匹配的样本异常结果对应的控制策略，并根据提取的控制策略确定针对电力设备的预设操作；
24、按照预设操作调控电力设备。
25、优选的，所述利用遗传算法构建控制策略映射库，其中，所述控制策略映射库包括映射关系的样本异常结果和控制策略，包括：
26、预定义控制策略，并进行初始化操作；
27、基于控制策略，并结合电力设备的历史多元数据进行遗传算法迭代优化，得到样本异常结果；
28、将迭代优化的控制策略与样本异常结果建立映射关系，形成控制策略映射库。每个样本异常对应一个控制策略或者多个控制策略组合。
29、优选的，所述预设操作包括负荷调整、电压与频率调节、线路切换、功率因数校正、谐波抑制、紧急停机和重合闸其中一种或者多种组合。
30、本专利技术还提供了一种电力设备远程控制系统，应用于所述的一种电力设备远程控制方法，所述控制系统包括：
31、预处理模块，用于实时获取电力设备的多元数据，并对所述多元数据进行预处理，得到预处理后的多元数据，其中，所述多元数据包括对应于电力设备的传感器数据和环境数据；
32、最优特征集确定模块，用于基于预处理后的多元数据，按照预定义的特征筛选规则进行特征选取，得到最优特征集，其中，所述特征筛选规则是根据遗传算法在对所述电力设备的历史多元数据处理中设定的；
33、异常检测模块，用于将所述最优特征集输入预先构建的异常检测模型中，并判定异常结果，其中，所述异常检测模型为通过基于遗传算法从所述电力设备的历史多元本文档来自技高网...
【技术保护点】
1.一种电力设备远程控制方法，其特征在于，所述控制方法包括以下步骤：
2.根据权利要求1所述的一种电力设备远程控制方法，其特征在于，所述实时获取电力设备的多元数据，并对所述多元数据进行预处理，得到预处理后的多元数据，包括：
3.根据权利要求2所述的一种电力设备远程控制方法，其特征在于，所述基于预处理后的多元数据，按照预定义的特征筛选规则进行特征选取，得到最优特征集，其中，所述特征筛选规则是根据遗传算法在对所述电力设备的历史多元数据处理中设定的，包括：
4.根据权利要求3所述的一种电力设备远程控制方法，其特征在于，所述将所述最优特征集输入预先构建的异常检测模型中，并判定异常结果，其中，所述异常检测模型为通过基于遗传算法从所述电力设备的历史多元数据中提取的样本最优特征集训练得来的神经网络模型，包括：
5.根据权利要求4所述的一种电力设备远程控制方法，其特征在于，所述基于利用遗传算法自构建的控制策略映射库，将判定的异常结果与所述控制策略映射库中的控制策略进行匹配，确定所述电力设备在出现所述异常结果时相对应的预设操作，并根据确定的预设操作对
6.根据权利要求5所述的一种电力设备远程控制方法，其特征在于，所述利用遗传算法构建控制策略映射库，其中，所述控制策略映射库包括映射关系的样本异常结果和控制策略，包括：
7.根据权利要求6所述的一种电力设备远程控制方法，其特征在于，所述预设操作包括负荷调整、电压与频率调节、线路切换、功率因数校正、谐波抑制、紧急停机和重合闸其中一种或者多种组合。
8.一种电力设备远程控制系统，应用于上述权利要求1至7任意一项所述的一种电力设备远程控制方法，其特征在于，所述控制系统包括：
...【技术特征摘要】
1.一种电力设备远程控制方法，其特征在于，所述控制方法包括以下步骤：
2.根据权利要求1所述的一种电力设备远程控制方法，其特征在于，所述实时获取电力设备的多元数据，并对所述多元数据进行预处理，得到预处理后的多元数据，包括：
3.根据权利要求2所述的一种电力设备远程控制方法，其特征在于，所述基于预处理后的多元数据，按照预定义的特征筛选规则进行特征选取，得到最优特征集，其中，所述特征筛选规则是根据遗传算法在对所述电力设备的历史多元数据处理中设定的，包括：
4.根据权利要求3所述的一种电力设备远程控制方法，其特征在于，所述将所述最优特征集输入预先构建的异常检测模型中，并判定异常结果，其中，所述异常检测模型为通过基于遗传算法从所述电力设备的历史多元数据中提取的样本最优特征集训练得来的神经网络模型，包括：
5.根据权...
【专利技术属性】
技术研发人员：黄庶，古耀全，马永杰，沈桂伟，卢俊年，关炎戈，李少华，林圣汝，茹开新，曾琦，黎志勇，
申请(专利权)人：广东电网有限责任公司阳江供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。