CN117407817A - 一种配电自动化机房的异常监测系统 - Google Patents

Abstract

本发明公开了一种配电自动化机房的异常监测系统，涉及智能监测技术领域，能够实现对配电自动化机房中的多维传感数据的采集以及智能分析，从而可以实现机房的智能监控，并且可以将智能分析的结果远程共享给工作人员，不仅能够使工作人员能够及时掌握机房运行的参数，并且还可以及时发现机房运行的异常情况，能够快速对各种异常情况进行处理，从而可以有效地减少因配电自动化机房异常造成的财产损失。

Description

一种配电自动化机房的异常监测系统

技术领域

本发明涉及智能监测技术领域，具体涉及一种配电自动化机房的异常监测系统。

背景技术

配电自动化机房是配电自动化系统的核心部分，如果机房电源失压和温度过高，可能导致配电自动化系统服务器等设备停止运行，系统全面瘫痪，后果不堪设想。为保证其安全运行要求工作人员对机房巡检，其中交流电源电压和机房温度是配电自动化机房的最为重要两项巡检项目，但是人工巡检是周期性开展，无法对机房交流电源电压和机房温度进行实时远方监控，无法及时发现存在的安全隐患。

目前机房管理的装置是动环系统，它监控对象主要是机房动力和环境设备(如配电、空调、温湿度、漏水、门禁、安防、消防等)。然而，现有的监控系统仅能在对应的管理系统中进行运行状态的监控，无法对机房的整体运行环境进行监控，并且发生故障时，不能及时将告警信息推送给管理人员，导致机房存在严重安全隐患，容易引起较大的财产损失。此外，现有的配电自动化监控系统也不具备提供机房日常整体运行情况的参考指标，使得管理人员无法及时掌握机房运行的变化情况。

另一方面，目前传统的火灾报警控制器，只是就地发送声光信号，不利于人们无法快速得知出现火情，因此不利于人们争取时间灭火和逃生。

发明内容

本发明的目的在于提供一种配电自动化机房的异常监测系统，解决了现有技术中存在的问题。

本发明通过下述技术方案实现：

一种配电自动化机房的异常监测系统，包括数据传感模块、模型获取模块、数据分析模块、在线数据存储模块以及远端查询模块；

所述数据传感模块，用于采集配电自动化机房的多维传感数据，并将多维传感数据传输至数据分析模块中；

所述模型获取模块，用于采用多模型联合构建异常识别模型，并采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型，将训练完成的异常识别模型部署于数据分析模块中；

所述数据分析模块，用于调度预先部署的训练完成的异常识别模型对多维传输数据进行分析，获取配电自动化及方法的异常监测结果，并将异常监测结果传输至在线数据存储模块中进行存储；

所述在线数据存储模块，用于接收并存储数据分析模块传输的异常监测结果，并将异常监测结果通过在线查看的方式共享给远端查询模块；

所述远端查询模块部署于工作人员的移动终端上，其用于远程访问在线数据存储模块中存储的异常监测结果。

在一种可能的实施方式中，所述多维传感数据包括以预设采样频率采集的机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列。

在一种可能的实施方式中，所述模型获取模块包括模型生成单元、训练数据获取单元、模型训练单元以及模型传输单元；

所述模型生成单元，用于生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型；

所述训练数据获取单元，用于获取人机交互输入的训练数据或者预先存储于数据库中的训练数据；

所述模型训练单元，用于根据训练数据获取单元获取的训练数据，采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型；

所述模型传输单元，用于将训练完成的异常识别模型部署于数据分析模块中。

在一种可能的实施方式中，生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型之前，还包括：

针对机房温度时间序列中的每个温度数据，确定是否存在温度数据超出预设温度阈值，若是，则直接确定温度异常，得到温度异常监测结果，否则进行子模型的构建；

针对机房电源电压时间序列中的每个电压数据，确定是否存在电压数据超出预设电压阈值，若是，则直接确定电压异常，得到电压异常监测结果，否则进行子模型的构建；

针对水位传感时间序列中的每个水位数据，确定是否存在水位数据超出预设水位阈值，若是，则直接确定水位异常，得到水位异常监测结果，否则进行子模型的构建；

针对烟雾传感时间序列中的每个烟雾数据，确定是否存在烟雾数据超出预设烟雾阈值，若是，则直接确定烟雾异常，得到烟雾异常监测结果，否则进行子模型的构建；

根据温度异常监测结果、电压异常监测结果、水位异常监测结果以及烟雾异常监测结果，确定第一异常监测结果。

在一种可能的实施方式中，生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型，包括：

生成用于提取机房温度时间序列、机房电源电压时间序列、水位传感时间序列以及烟雾传感时间序列中特征的第一特征提取子模型，以及生成用于提取图像传感时间序列中特征的第二特征提取子模型；

生成用于对第一特征提取子模型以及第二特征提取子模型输出的特征进行融合识别的特征识别子模型；

根据所述第一特征提取子模型、第二特征提取子模型以及特征识别子模型，构建异常识别模型。

在一种可能的实施方式中，根据训练数据获取单元获取的训练数据，采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型，包括：

多次在参数上限与参数下限之间初始化异常识别模型的模型参数，获取多个模型参数编码；

根据训练数据获取单元获取的训练数据，获取每个模型参数编码对应的编码适应度，并确定编码适应度最大的模式参数编码为当前最优编码；

采用一级搜索策略在当前最优编码的邻域进行搜索，以实现当前最优编码的更新，得到更新后的当前最优编码；

以更新后的当前最优编码为基础，针对所有的模型参数编码，采用二级搜索策略对模型参数编码进行局部搜索，以获取更新后的模型参数编码；

针对更新后的模型参数编码，采用三级搜索策略对模型参数编码进行局部与全局的平衡搜索，以获取二次更新后的模型参数编码；

针对二次更新后的模型参数编码，采用四级搜索策略对模型参数编码进行全局搜索，以获取三次更新后的模型参数编码；

以三次更新后的模型参数编码为基础，判断是否满足迭代结束条件，若是，则结束搜索，输出编码适应度最小的模型参数编码作为异常识别模型的最终参数，得到训练完成的异常识别模型，否则返回获取当前最优编码的步骤；

其中，一级搜索策略至四级搜索策略所对应的搜索范围层次递增，从而实现解空间的全面搜索，获取全局最优的模型参数编码。

在一种可能的实施方式中，采用一级搜索策略在当前最优编码的邻域进行搜索，以实现当前最优编码的更新，得到更新后的当前最优编码，包括：

确定第一次优编码以及第二次优编码，其中第一次优编码的编码适应度仅小于当前最优编码的编码适应度，第二次优编码的编码适应度仅小于第一次优编码的编码适应度以及当前最优编码的编码适应度；

以当前最优编码、第一次优编码以及第二次优编码为基础，采用信息交流以及贪心算法获取更新后的当前最优编码。

在一种可能的实施方式中，以更新后的当前最优编码为基础，针对所有的模型参数编码，采用二级搜索策略对模型参数编码进行局部搜索，以获取更新后的模型参数编码，包括：

以更新后的当前最优编码为基础，针对所有的模型参数编码，以模型参数编码的自身位置为基础，采用时间记忆的方式进行搜索，从而确定模型参数编码在局部范围内的更优值，得到更新后的模型参数编码。

在一种可能的实施方式中，针对更新后的模型参数编码，采用三级搜索策略对模型参数编码进行局部与全局的平衡搜索，以获取二次更新后的模型参数编码，包括：

针对更新后的模型参数编码，以当前最优编码以及所有模型参数编码的平均值为基础进行引导搜索，从而实现局部与全局的平衡搜索，得到二次更新后的模型参数编码。

在一种可能的实施方式中，针对二次更新后的模型参数编码，采用四级搜索策略对模型参数编码进行全局搜索，以获取三次更新后的模型参数编码，包括：

针对二次更新后的模型参数编码，确定出编码适应度最小的多个较劣编码；其中较劣编码的数量预先设定；

基于莱茵飞行以及螺旋飞行对较劣编码进行全局搜索，得到更新后的较劣编码，从而得到三次更新后的模型参数编码。

本发明提供的一种配电自动化机房的异常监测系统，能够实现对配电自动化机房中的多维传感数据的采集以及智能分析，从而可以实现机房的智能监控，并且可以将智能分析的结果远程共享给工作人员，不仅能够使工作人员能够及时掌握机房运行的参数，并且还可以及时发现机房运行的异常情况，能够快速对各种异常情况进行处理，从而可以有效地减少因配电自动化机房异常造成的财产损失。

附图说明

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：

图1为本发明实施例提供的一种配电自动化机房的异常监测系统的结构示意图。

其中，101-数据传感模块、102-模型获取模块、103-数据分析模块、104-在线数据存储模块、105-远端查询模块。

具体实施方式

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。

实施例1

如图1所示，本发明实施例提供一种配电自动化机房的异常监测系统，包括数据传感模块101、模型获取模块102、数据分析模块103、在线数据存储模块104以及远端查询模块105。

所述数据传感模块101，用于采集配电自动化机房的多维传感数据，并将多维传感数据传输至数据分析模块103中。

数据传感模块101可以包括多种传感器，通过多种传感器可以采集配电自动化机房中的不同的传感数据。例如：温度传感器、电压传感器等等。

所述模型获取模块102，用于采用多模型联合构建异常识别模型，并采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型，将训练完成的异常识别模型部署于数据分析模块103中。

模型获取模块102可以为设置于数据处理装置中的软件，也可以为软件与硬件的结合。多模型可以是指多个神经网络模型，通过多个神经模型构建异常识别模型，从而可以实现对多维传感数据的识别。而神经网络模型若想拥有比较好的识别效果，需要先对其训练，训练效果的好坏决定最终的监测效果。在现有技术中，神经网络模型往往采用梯度下降法以及Adam优化器进行训练，虽然训练速度较快，但是其训练效果较差，导致神经网络模型最终的识别效果有限，因此本实施例提出一种多级强化训练算法，用于提升神经网络模型的训练效果，从而保证最终的监测效果。

所述数据分析模块103，用于调度预先部署的训练完成的异常识别模型对多维传输数据进行分析，获取配电自动化及方法的异常监测结果，并将异常监测结果传输至在线数据存储模块104中进行存储。

数据分析模块103可以为设置于数据处理装置中的软件，也可以为软件与硬件的结合，且数据分析模块103具备发送数据的能力，从而将数据进行在线存储，使工作人员能够远程查看机房监测数据以及异常情况。

所述在线数据存储模块104，用于接收并存储数据分析模块103传输的异常监测结果，并将异常监测结果通过在线查看的方式共享给远端查询模块105。

可选的，异常监测结果可以包括无异常情况以及不同的异常类别，当无异常情况时，直接将异常监测结果以及对应的多维传感数据关联存储，方便工作人员进行在线巡检。当异常监测结果为某种多常时，则向工作人员对应的远端查询模块105发出警报信息，能够使工作人员快速处理异常，避免造成更大的损失。

所述远端查询模块105部署于工作人员的移动终端上，其用于远程访问在线数据存储模块104中存储的异常监测结果。

可选的，远端查询模块105可以调度工作人员的移动终端发出声音报警、光报警或者圣光报警，从而使工作人员能够及时了解异常情况。

本发明提供的一种配电自动化机房的异常监测系统，能够实现对配电自动化机房中的多维传感数据的采集以及智能分析，从而可以实现机房的智能监控，并且可以将智能分析的结果远程共享给工作人员，不仅能够使工作人员能够及时掌握机房运行的参数，并且还可以及时发现机房运行的异常情况，能够快速对各种异常情况进行处理，从而可以有效地减少因配电自动化机房异常造成的财产损失。

在一种可能的实施方式中，所述多维传感数据包括以预设采样频率采集的机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列。

可选的，在获取传感数据的时候，每种类型的传感器数量都可能存在多个，因此，机房温度时间序列、机房电源电压时间序列、水位传感时间序列以及烟雾传感时间序列均包含多个传感器的数据。例如：采样频率为5，采样周期为1分钟，传感器数量为3，在1分钟内采集到的机房温度时间序列可以为{A1、40、41、39、42、41、A2、42、42、39、41、41、A3、40、41、39、42、41}，其中A1、A2、A3分别为三个不同的温度传感器对应的唯一数值编号。值得说明的是，上述序列仅仅为举例，在实际应用中，可以包含更多的传感器以及采样频率可以设置为更多或者更少。

在一种可能的实施方式中，所述模型获取模块102包括模型生成单元、训练数据获取单元、模型训练单元以及模型传输单元。

所述模型生成单元，用于生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型。

可选的，机房温度时间序列、机房电源电压时间序列、水位传感时间序列以及烟雾传感时间序列分别对应的子模型均可以设置为BP神经网络。BP神经网络一般都是用于直接分类，其可以输入为向量形式的数据，输出不同序列对应序列所对应的分类标签。而图像传感时间序列中所有数据都是图像，因此BP神经网络难以识别，本实施例采用卷积神经网络对图像传感时间序列中每一张图像进行识别，确定图像对应的类别。

所述训练数据获取单元，用于获取人机交互输入的训练数据或者预先存储于数据库中的训练数据。

所述模型训练单元，用于根据训练数据获取单元获取的训练数据，采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型。

所述模型传输单元，用于将训练完成的异常识别模型部署于数据分析模块103中。

在一种可能的实施方式中，生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型之前，还包括：

针对机房温度时间序列中的每个温度数据，确定是否存在温度数据超出预设温度阈值，若是，则直接确定温度异常，得到温度异常监测结果，否则进行子模型的构建。

针对机房电源电压时间序列中的每个电压数据，确定是否存在电压数据超出预设电压阈值，若是，则直接确定电压异常，得到电压异常监测结果，否则进行子模型的构建。

针对水位传感时间序列中的每个水位数据，确定是否存在水位数据超出预设水位阈值，若是，则直接确定水位异常，得到水位异常监测结果，否则进行子模型的构建。

针对烟雾传感时间序列中的每个烟雾数据，确定是否存在烟雾数据超出预设烟雾阈值，若是，则直接确定烟雾异常，得到烟雾异常监测结果，否则进行子模型的构建。

根据温度异常监测结果、电压异常监测结果、水位异常监测结果以及烟雾异常监测结果，确定第一异常监测结果。

由于某一项参数的异常，可能是误检或者不能确定具体原因，因此需要将多维参数进行综合识别，以确定最终的综合异常类别(例如，有人抽烟，光凭烟雾传感数据是不能判断出现火灾的)。但是某项参数异常时，也能够给工作人员及时提醒，从而实现一个预警的作用。

在一种可能的实施方式中，生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型，包括：

生成用于提取机房温度时间序列、机房电源电压时间序列、水位传感时间序列以及烟雾传感时间序列中特征的第一特征提取子模型，以及生成用于提取图像传感时间序列中特征的第二特征提取子模型；其中，每个序列对应一个第一特征提取子模型。

生成用于对第一特征提取子模型以及第二特征提取子模型输出的特征进行融合识别的特征识别子模型。

根据所述第一特征提取子模型、第二特征提取子模型以及特征识别子模型，构建异常识别模型。

在本实施例中，第一特征提取子模型以及特征识别子模型均可以设置为BP神经网络，第二特征提取子模型可以设置为卷积神经网络。第一特征提取子模型与第二特征提取子模型的输出组成一个向量，并将该向量作为特征识别子模型的输入，从而可以得到异常识别模型，异常识别模型的输出为综合异常类别(即异常监测结果)。

因此，可以确定训练数据至少包括历史的机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列、机房温度时间序列对应的温度类别(如温度低、温度正常、温度高、温度极高等等)、机房电源电压时间序列对应的电压类别(如无电压、欠压、正常、过压等等)、水位传感时间序列对应的水位类别(如无水、少量进水、大量进水等等)、烟雾传感时间序列对应的烟雾类别(如无烟雾、少量烟雾、大量烟雾等等)、图像传感时间序列、图像传感时间序列中每张图像对应的实际类别(如图像中无火焰、图像中存在火焰)以及最终的综合异常类别(如无异常、机房起火、机房器件损坏、机房进水、机房起火进水、机房进水短路等等)。

当训练时，非图像序列作为第一特征提取子模型的输入，而非图像序列的类别作为第一特征提取子模型的期望输出；图像序列作为第二特征提取子模型的输入，而图像序列的类别作为第二特征提取子模型的期望输出。

值得说明的是，上述的各种类别仅仅作为举例，只要是跟至少一种序列存在关联的故障均可以采用多维传感数据进行识别，虽然存在一些数据无用，但是仍然可以识别出对应的故障。而当故障与多维传感数据存在关联时，那么便可以充分挖掘多维传感数据中隐含的信息，从而实现精准的故障识别。因此，各种类别可以根据实际需求设置，而不是局限于本实施例的举例。

当机房温度时间序列、机房电源电压时间序列、水位传感时间序列以及烟雾传感时间序列均可以被一次识别，并得到对应的序列类别。而图像传感时间序列存在多幅图像数据，不能一次识别，因此可以采用第二特征提取子模型对多个图像一一识别，得到多个图像类别，并将序列类别与图像类别组成一个向量，并将该向量作为特征识别子模型的输入，从而获取异常监测结果。

在一种可能的实施方式中，根据训练数据获取单元获取的训练数据，采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型，包括：

多次在参数上限与参数下限之间初始化异常识别模型的模型参数，获取多个模型参数编码。

可选的，由于每一维参数都有参数上限以及参数下限，因此每次对编码进行更新之后，都需要进行参数的越界处理。

虽然第一特征提取子模型、第二特征提取子模型以及特征识别子模型之间存在数据流，但是仍然可以分开训练，从而可以保证数据的识别效果。因此，本实施例提供一种更优的训练方式，生成第一特征提取子模型的模型参数编码单独训练，生成第二特征提取子模型的模型参数编码单独训练，生成特征识别子模型的模型参数编码单独训练，从而避免一起训练时，某个模型训练完成了，但是还有其他模型训练没有训练完成，最终导致训练变慢，即参数越多，寻优的速度越慢。

为了提升训练速度，在本实施例中第一特征提取子模型、第二特征提取子模型以及特征识别子模型可以并行训练，从而可以有效节约训练时间。

根据训练数据获取单元获取的训练数据，获取每个模型参数编码对应的编码适应度，并确定编码适应度最大的模式参数编码为当前最优编码。

可选的，当第一特征提取子模型以及特征识别子模型分开训练时，可以将序列作为输入，将对应的类别作为期望输出，获取子模型的误差函数值，而训练第二特征提取子模型，可以将单张图像作为输入，将对应的类别作为期望输出，子模型的误差函数值。并将误差函数值取倒数作为编码适应度。误差函数值一般不会为零，但是为了避免分母为零，可以将误差函数值加上一个极小的常数之后(例如：0.0001)，再取倒数。

可选的，可以采用均方根误差函数或者交叉熵损失函数获取误差函数值，但是也可以采用其他误差函数获取，此处仅仅为举例。

采用一级搜索策略在当前最优编码的邻域进行搜索，以实现当前最优编码的更新，得到更新后的当前最优编码。

以更新后的当前最优编码为基础，针对所有的模型参数编码，采用二级搜索策略对模型参数编码进行局部搜索，以获取更新后的模型参数编码。

针对更新后的模型参数编码，采用三级搜索策略对模型参数编码进行局部与全局的平衡搜索，以获取二次更新后的模型参数编码。

针对二次更新后的模型参数编码，采用四级搜索策略对模型参数编码进行全局搜索，以获取三次更新后的模型参数编码。

以三次更新后的模型参数编码为基础，判断是否满足迭代结束条件，若是，则结束搜索，输出编码适应度最小的模型参数编码作为异常识别模型的最终参数，得到训练完成的异常识别模型，否则返回获取当前最优编码的步骤。

其中，一级搜索策略至四级搜索策略所对应的搜索范围层次递增，从而实现解空间的全面搜索，获取全局最优的模型参数编码。

通过本实施例提供的多级强化训练算法，能够实现解空间内的全局搜索，从而找到全局最佳的位置，相比于梯度下降法，能够有效地避免陷入局部最优中，从而实现更好的训练效果。

可选的，迭代结束条件可以为最大训练次数或者误差阈值，当训练次数大于等于最大训练次数的时候或者当误差函数值小于误差阈值之后，则可以认定模型训练完成。

在一种可能的实施方式中，采用一级搜索策略在当前最优编码的邻域进行搜索，以实现当前最优编码的更新，得到更新后的当前最优编码，包括：

确定第一次优编码以及第二次优编码，其中第一次优编码的编码适应度仅小于当前最优编码的编码适应度，第二次优编码的编码适应度仅小于第一次优编码的编码适应度以及当前最优编码的编码适应度。

以当前最优编码、第一次优编码以及第二次优编码为基础，采用信息交流以及贪心算法获取更新后的当前最优编码。

可选的，本实施例提供一种一级搜索策略的示例，该示例包括：

确定当前最优编码的更新值为：

其中，X_best1(t)表示第t次训练过程中的当前最优编码，表示当前最优编码的更新值，w₁表示X_best1(t)的权重系数，X_best2(t)表示第t次训练过程中的第一次优编码，w₂表示X_best2(t)的权重系数，X_best3(t)表示第二次优编码，w₃表示X_best3(t)的权重系数，u＝1、2、3，F_u在u为1、2、3分别表示X_best1(t)、X_best2(t)、X_best3(t)对应的编码适应度。

判断更新值X_b ^* _est1(t)的编码适应度是否大于原当前最优编码的编码适应度，若是，则接受该更新，否则拒绝该更新。

本实施例不仅提高了编码之间的信息交流，而且加强了其他编码对全局最优位置的影响程度，加快种群中信息交流，最大程度地搜索最优位置，并且有效减少迭代后期算法出现早熟现象的可能性。为了保证整个训练过程的正向性，本实施例引入了贪婪算法进行更新，从而避免训练效果变差，保证了训练速度。

在一种可能的实施方式中，以更新后的当前最优编码为基础，针对所有的模型参数编码，采用二级搜索策略对模型参数编码进行局部搜索，以获取更新后的模型参数编码，包括：

以更新后的当前最优编码为基础，针对所有的模型参数编码，以模型参数编码的自身位置为基础，采用时间记忆的方式进行搜索，从而确定模型参数编码在局部范围内的更优值，得到更新后的模型参数编码。

可选的，本实施例提供一种二级搜索策略的示例，该示例包括：

确定模型参数编码的更新量为：

Δ_i(t)＝X_i(t)-X_i(t-1)

其中，Δ_i(t)表示第i个模型参数编码的更新量，X_i(t)表示第t次训练过程中的第i个模型参数编码，X_i(t-1)表示第t-1次训练过程中的第i个模型参数编码；

根据该模型参数编码的更新量，获取更新后的模型参数编码为：

其中，X_i(t-2)表示第t-2次训练过程中第i个模型参数编码，X_i(t+1)表示更新后的X_i(t)，X_i(t-3)表示第t-3次训练过程中第i个模型参数编码，β表示调整系数。

当β很小时，将忽略编码先前的活动，容易陷入局部极值，但β太大，算法的复杂度会增加，花费时间更多。因此，调整系数β可以设置为：

其中，e表示自然常数，T表示最大训练次数。

在训练前期，二级搜索策略凭借记忆特性，可以提升算法的探索能力，随迭代次数增加，调整系数不断减小，有利于后期算法开发。因此结合调整系数自适应调整的二级搜索策略，可以增强种群多样性，提高算法的收敛速度，获得的高质量的解。

在一种可能的实施方式中，针对更新后的模型参数编码，采用三级搜索策略对模型参数编码进行局部与全局的平衡搜索，以获取二次更新后的模型参数编码，包括：

针对更新后的模型参数编码，以当前最优编码以及所有模型参数编码的平均值为基础进行引导搜索，从而实现局部与全局的平衡搜索，得到二次更新后的模型参数编码。

可选的，本实施例提供一种三级搜索策略的示例，该示例包括：

X_i(t+1)'＝X_i(t+1)*|sinR₁|+R₂*sinR₁*|ξ₁*X_best(t+1)-ξ₂*X_avg(t+1)|

其中，X_i(t+1)'表示二次更新后的X_i(t+1)，R₁表示[0,2π]之间的随机数，R₂表示[0,π]之间的随机数，X_best(t+1)表示经过二级搜索策略搜索之后的当前最优值，X_avg(t+1)表示经过二级搜索策略搜索之后的均值(即每一为参数都是均值)，ξ₁＝-π+(1-τ)*2π，ξ₁表示第一更新系数，π表示圆周率，τ表示黄金分割数，且ξ₂＝-π+τ*2π，ξ₂表示第二更新系数。

在随机搜索阶段后采用改进黄金正弦思想加快算法的寻优速度，扩大在解空间内的搜索范围，从而提升算法的全局搜索能力和收敛精度。

在一种可能的实施方式中，针对二次更新后的模型参数编码，采用四级搜索策略对模型参数编码进行全局搜索，以获取三次更新后的模型参数编码，包括：

针对二次更新后的模型参数编码，确定出编码适应度最小的多个较劣编码；其中较劣编码的数量预先设定；

基于莱茵飞行以及螺旋飞行对较劣编码进行全局搜索，得到更新后的较劣编码，从而得到三次更新后的模型参数编码。

可选的，本实施例提供一种四级搜索策略的示例，该示例包括：

X_worstε(t+1)＝X_worst(t)+(X_worst(t)-X_levy)λlcos(2πl)+εA(t)

其中，X_worst(t)表示较劣编码，X_worstε(t+1)表示更新后的X_worst(t)，X_levy表示莱茵飞行，λ表示上限值λ_max与下限值λ_min之间的随机系数，l表示[-1,1]之间的随机数，ε表示[-1,1]之间的随机数，A(t)表示调整步长，μ表示第一随机飞行系数，v表示第二随机飞行系数，η表示(0,2]之间的随机数，且μ与v服从正态分布，即v～N(0,1)，σ_μ表示中间参数，且Γ表示伽马函数。

本实施例提供的四级搜索策略，以一定的旋转角度进行搜索，最大限度的避免了生成重复个体，能够有效提升算法的局部开发能力。莱茵飞行是一种随机游走方式，并且在随机游走过程中偶尔会出现长跳跃，在搜索过程中，莱茵飞行能够扩大群体搜索范围，协助算法在必要时跳出局部最优。该策略不但可以增强算法的局部开发能力，而且能有效协助算法跳出局部最优，实现全局搜索，从而提升算法搜索性能。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下步骤：此时引出相应的方法步骤，所述的存储介质可以是ROM/RAM、磁碟、光盘等等。

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。

Claims (10)

1.一种配电自动化机房的异常监测系统，其特征在于，包括数据传感模块、模型获取模块、数据分析模块、在线数据存储模块以及远端查询模块；

所述数据传感模块，用于采集配电自动化机房的多维传感数据，并将多维传感数据传输至数据分析模块中；

所述模型获取模块，用于采用多模型联合构建异常识别模型，并采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型，将训练完成的异常识别模型部署于数据分析模块中；

所述数据分析模块，用于调度预先部署的训练完成的异常识别模型对多维传输数据进行分析，获取配电自动化及方法的异常监测结果，并将异常监测结果传输至在线数据存储模块中进行存储；

所述在线数据存储模块，用于接收并存储数据分析模块传输的异常监测结果，并将异常监测结果通过在线查看的方式共享给远端查询模块；

所述远端查询模块部署于工作人员的移动终端上，其用于远程访问在线数据存储模块中存储的异常监测结果。

2.根据权利要求1所述的配电自动化机房的异常监测系统，其特征在于，所述多维传感数据包括以预设采样频率采集的机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列。

3.根据权利要求2所述的配电自动化机房的异常监测系统，其特征在于，所述模型获取模块包括模型生成单元、训练数据获取单元、模型训练单元以及模型传输单元；

所述模型生成单元，用于生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型；

所述训练数据获取单元，用于获取人机交互输入的训练数据或者预先存储于数据库中的训练数据；

所述模型训练单元，用于根据训练数据获取单元获取的训练数据，采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型；

所述模型传输单元，用于将训练完成的异常识别模型部署于数据分析模块中。

4.根据权利要求3所述的配电自动化机房的异常监测系统，其特征在于，生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型之前，还包括：

针对机房温度时间序列中的每个温度数据，确定是否存在温度数据超出预设温度阈值，若是，则直接确定温度异常，得到温度异常监测结果，否则进行子模型的构建；

针对机房电源电压时间序列中的每个电压数据，确定是否存在电压数据超出预设电压阈值，若是，则直接确定电压异常，得到电压异常监测结果，否则进行子模型的构建；

针对水位传感时间序列中的每个水位数据，确定是否存在水位数据超出预设水位阈值，若是，则直接确定水位异常，得到水位异常监测结果，否则进行子模型的构建；

针对烟雾传感时间序列中的每个烟雾数据，确定是否存在烟雾数据超出预设烟雾阈值，若是，则直接确定烟雾异常，得到烟雾异常监测结果，否则进行子模型的构建；

根据温度异常监测结果、电压异常监测结果、水位异常监测结果以及烟雾异常监测结果，确定第一异常监测结果。

5.根据权利要求4所述的配电自动化机房的异常监测系统，其特征在于，生成识别机房温度时间序列、机房电源电压时间序列、水位传感时间序列、烟雾传感时间序列以及图像传感时间序列分别对应的子模型，并根据所有子模型构建异常识别模型，包括：

生成用于提取机房温度时间序列、机房电源电压时间序列、水位传感时间序列以及烟雾传感时间序列中特征的第一特征提取子模型，以及生成用于提取图像传感时间序列中特征的第二特征提取子模型；

生成用于对第一特征提取子模型以及第二特征提取子模型输出的特征进行融合识别的特征识别子模型；

根据所述第一特征提取子模型、第二特征提取子模型以及特征识别子模型，构建异常识别模型。

6.根据权利要求5所述的配电自动化机房的异常监测系统，其特征在于，根据训练数据获取单元获取的训练数据，采用多级强化训练算法对异常识别模型进行训练，获取训练完成的异常识别模型，包括：

多次在参数上限与参数下限之间初始化异常识别模型的模型参数，获取多个模型参数编码；

根据训练数据获取单元获取的训练数据，获取每个模型参数编码对应的编码适应度，并确定编码适应度最大的模式参数编码为当前最优编码；

采用一级搜索策略在当前最优编码的邻域进行搜索，以实现当前最优编码的更新，得到更新后的当前最优编码；

以更新后的当前最优编码为基础，针对所有的模型参数编码，采用二级搜索策略对模型参数编码进行局部搜索，以获取更新后的模型参数编码；

针对更新后的模型参数编码，采用三级搜索策略对模型参数编码进行局部与全局的平衡搜索，以获取二次更新后的模型参数编码；

针对二次更新后的模型参数编码，采用四级搜索策略对模型参数编码进行全局搜索，以获取三次更新后的模型参数编码；

以三次更新后的模型参数编码为基础，判断是否满足迭代结束条件，若是，则结束搜索，输出编码适应度最小的模型参数编码作为异常识别模型的最终参数，得到训练完成的异常识别模型，否则返回获取当前最优编码的步骤；

其中，一级搜索策略至四级搜索策略所对应的搜索范围层次递增，从而实现解空间的全面搜索，获取全局最优的模型参数编码。

7.根据权利要求6所述的配电自动化机房的异常监测系统，其特征在于，采用一级搜索策略在当前最优编码的邻域进行搜索，以实现当前最优编码的更新，得到更新后的当前最优编码，包括：

确定第一次优编码以及第二次优编码，其中第一次优编码的编码适应度仅小于当前最优编码的编码适应度，第二次优编码的编码适应度仅小于第一次优编码的编码适应度以及当前最优编码的编码适应度；

以当前最优编码、第一次优编码以及第二次优编码为基础，采用信息交流以及贪心算法获取更新后的当前最优编码。

8.根据权利要求7所述的配电自动化机房的异常监测系统，其特征在于，以更新后的当前最优编码为基础，针对所有的模型参数编码，采用二级搜索策略对模型参数编码进行局部搜索，以获取更新后的模型参数编码，包括：

以更新后的当前最优编码为基础，针对所有的模型参数编码，以模型参数编码的自身位置为基础，采用时间记忆的方式进行搜索，从而确定模型参数编码在局部范围内的更优值，得到更新后的模型参数编码。

9.根据权利要求8所述的配电自动化机房的异常监测系统，其特征在于，针对更新后的模型参数编码，采用三级搜索策略对模型参数编码进行局部与全局的平衡搜索，以获取二次更新后的模型参数编码，包括：

针对更新后的模型参数编码，以当前最优编码以及所有模型参数编码的平均值为基础进行引导搜索，从而实现局部与全局的平衡搜索，得到二次更新后的模型参数编码。

10.根据权利要求9所述的配电自动化机房的异常监测系统，其特征在于，针对二次更新后的模型参数编码，采用四级搜索策略对模型参数编码进行全局搜索，以获取三次更新后的模型参数编码，包括：

针对二次更新后的模型参数编码，确定出编码适应度最小的多个较劣编码；其中较劣编码的数量预先设定；

基于莱茵飞行以及螺旋飞行对较劣编码进行全局搜索，得到更新后的较劣编码，从而得到三次更新后的模型参数编码。