本發明涉及水電廠運行遠程監控，具體涉及一種基于人工智能的水電廠運行遠程監控方法及系統。

背景技術：

1、在當前電力系統中，水電廠的運行監控技術歷經多年發展，已取得顯著進步。傳統的監控方法主要依賴于人工巡檢和簡單的自動化系統，這些方法在一定程度上能夠保證水電廠的穩定運行。然而，隨著水電廠規模的擴大和復雜性的增加，傳統監控技術在數據處理、故障預測和遠程控制等方面暴露出諸多不足。近年來，人工智能技術的快速發展為水電廠運行監控提供了新的解決方案，使得遠程監控系統的智能化、自動化水平得到了顯著提升。

2、然而，現有的水電廠運行監控系統仍存在一定的局限性。首先，在數據采集方面，雖然能夠獲取設備的運行數據、環境數據和工況數據，但缺乏有效的數據預處理和特征提取手段，導致監控數據的準確性和實時性難以保證。其次，在故障預測和診斷方面，現有技術往往依賴于簡單的模型，難以準確捕捉設備運行中的復雜規律，從而影響故障預警的準確性。此外，現有系統在遠程控制方面也存在不足，缺乏根據實時監控數據動態調整設備運行參數的能力。

技術實現思路

1、鑒于上述現有存在的問題，本發明提供了一種基于人工智能的水電廠運行遠程監控方法及系統，用以解決現有技術中選擇錯誤的儲能方式將造成電能浪費的問題。

2、為解決上述技術問題，提出了一種基于人工智能的水電廠運行遠程監控方法，包括，

3、實時采集數據，將采集數據傳輸至邊緣計算節點，進行預處理，并對預處理后的數據進行特征提取；結合多模態數據融合算法進行數據融合，對提取的特征進行實時分析，預測運行趨勢并檢測異常；根據檢測結果調整預測策略，根據設備歷史數據和當前工況自動調整故障預警閾值，根據故障診斷和預警結果調整設備運行參數。

4、作為本發明所述的基于人工智能的水電廠運行遠程監控方法的一種優選方案，其中：所述實時采集數據包括，實時采集設備運行數據、環境數據和工況數據。

5、所述設備運行數據包括旋轉設備的轉速和振動數據，發電機組的輸出功率、電流、電壓和頻率，水輪機的流量、壓力和效率，變壓器的溫度、油位和絕緣狀態，開關設備的操作次數、接觸電阻和分合閘狀態及電動機的啟動次數、運行時間和負載狀況。

6、所述工況數據包括設備的啟停狀態、運行模式、工作周期、故障代碼、報警信息、維護記錄、設備的能耗數據、潤滑油的消耗、冷卻系統的性能、安全系統的狀態和控制系統的操作日志。

7、作為本發明所述的基于人工智能的水電廠運行遠程監控方法的一種優選方案，其中：所述進行特征提取包括，將采集的數據傳輸至邊緣計算節點，進行去噪、歸一化、數據補全、時間同步和數據降維，并利用長短期記憶網絡進行特征提取。

8、所述長短期記憶網絡包括將預處理后的數據劃分為訓練集和測試集，將數據重塑成三維數據，構建長短期記憶網絡的輸入層、lstm層和輸出層，并進行網絡訓練，并利用訓練后的長期記憶網絡輸出數據的時間序列特征。

9、所述輸出層包括根據特征提取的需求，選擇激活函數，當進行分類任務時，利用softmax激活函數；當進行回歸任務時，利用線性激活函數。

10、作為本發明所述的基于人工智能的水電廠運行遠程監控方法的一種優選方案，其中：所述進行網絡訓練包括，選擇損失函數，選擇rmsprop優化器計算梯度的平方，并設置學習率，利用訓練集通過向前傳播計算預測結果，利用損失函數計算預測結果與真實標簽的差異值，獲得損失值，通過反向傳播更新網絡的權重和偏置，并利用驗證集評估模型性能，并根據評估結果調整模型參數。

11、所述選擇損失函數包括當進行分類任務時，選擇交叉熵損失函數，當進行回歸任務時，選擇均方誤差函數。

12、所述交叉熵損失函數表示為：

13、

14、其中，y為真實標簽，為模型預測的概率分布，n為樣本數量，為損失值，i為變量索引。

15、所述均方誤差函數表示為：

16、

17、其中，y為真實標簽，為模型預測的概率分布，n為樣本數量，mse為損失值，i為變量索引。

18、作為本發明所述的基于人工智能的水電廠運行遠程監控方法的一種優選方案，其中：所述數據融合包括，在長短期記憶網絡設計融合層進行特征級融合、決策級融合和數據級融合。

19、所述預測運行趨勢包括將提取的特征輸入時間序列預測模型中，根據提取的特征預測設備的運行趨勢；所述檢測異常包括計算每個數據點到達葉子節點的路徑長度，設定長度閾值dth，當路徑長度小于dth時，判斷數據點正常，當路徑長度大于等于dth時，判斷數據點異常，并進行異常預警，剔除異常數據值。

20、作為本發明所述的基于人工智能的水電廠運行遠程監控方法的一種優選方案，其中：所述故障診斷包括，根據檢測結果調整預測策略，根據設備歷史數據和當前工況自動調整故障預警閾值，并利用線性分類器的決策函數進行故障診斷。

21、所述調整預測策略包括收集異常檢測結果，根據檢測結果調整長短期記憶網絡參數，并改進特征工程，并重新訓練長短期記憶網絡，利用驗證集測試調整后的網絡。

22、所述線性分類器的決策函數表示為：

23、f(x)＝wtx+b

24、其中，f(x)為預測值，w為權重向量，b為偏置項，x為特征向量。

25、作為本發明所述的基于人工智能的水電廠運行遠程監控方法的一種優選方案，其中：所述調整設備運行參數包括，根據線性分類器的決策函數計算結果，分析設備的狀態，設定故障閾值，接收異常檢測和故障診斷的結果，分析故障對設備運行的影響，并調整運行參數。

26、所述調整運行參數包括設定故障閾值為f(x)＝0，當f(x)>0時，判定為設備運行為正常狀態，繼續維持當前的設備參數；當f(x)≤0時，判定為故障狀態，進行故障預警，調整設備的操作模式、維護計劃和控制策略，并通過遠程控制指令調整設備運行參數，監控調整后的設備運行狀態，將調整后的運行效果反饋到監控系統中，根據反饋結果，優化預測策略和閾值調整。

27、本發明的另外一個目的是提供了一種基于人工智能的水電廠運行遠程監控系統，本發明提高水電廠的運行安全性、經濟性和環保性，實現水電廠的穩定運行；本發明系統通過實時采集設備運行數據、環境數據和工況數據，利用長短期記憶網絡等深度學習技術進行特征提取和故障診斷，實現對水電廠設備的實時監控和預警。

28、作為本發明所述的一種基于人工智能的水電廠運行遠程監控系統的一種優選方案，其特征在于，包括數據采集與預處理模塊、特征提取模塊、數據融合模塊以及故障診斷與預警模塊。

29、所述數據采集與預處理模塊，用于實時采集設備運行數據、環境數據和工況數據，將采集到的數據傳輸至邊緣計算節點，并進行預處理。

30、所述特征提取模塊，用于利用長短期記憶網絡對預處理后的數據進行特征提取，提取出設備狀態的時間序列特征。

31、所述數據融合模塊，用于在長短期記憶網絡設計融合層進行特征級融合、決策級融合和數據級融合，將不同傳感器的數據進行融合。

32、所述故障診斷與預警模塊，用于根據檢測結果調整預測策略，根據設備歷史數據和當前工況自動調整故障預警閾值，利用線性分類器的決策函數進行故障診斷，調整設備運行參數，通過遠程控制指令調整設備運行參數，監控調整后的設備運行狀態，并將調整后的運行效果反饋到監控系統中，根據反饋結果，優化預測策略和閾值調整。

33、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現一種基于人工智能的水電廠運行遠程監控所述的方法的步驟。

34、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現一種基于人工智能的水電廠運行遠程監控所述的方法的步驟。

35、本發明的有益效果：本發明通過實時采集并傳輸數據至邊緣計算節點進行預處理和特征提取，結合多模態數據融合算法，利用長短期記憶網絡深入挖掘設備狀態的時間序列特征，并優化網絡訓練過程，實現了水電廠運行狀態的全面監控和精確預測。通過自動調整故障預警閾值和遠程控制設備運行參數，系統自我優化并實時響應狀態變化，提升了監控系統的智能化水平，降低了運維成本，提高了生產效率和安全性。計算機設備和存儲介質的運用，提供了易于部署和升級的解決方案，確保了監控技術的持續更新和水電廠的長期穩定監控服務。