本申请公开了一种基于工业互联网的电力设备监测方法、设备及介质，涉及适用于监督活预测目的的数据处理系统领域，包括：确定预先构建的工业互联网平台；通过监控分站获取所在区域内的数据采集装置采集的监控数据；针对所在区域的当前状态，对监控数据进行预警分析，得到第一预警分析结果，监控中心对监控数据进行预警分析，得到第二预警分析结果；根据第一预警分析结果和第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警。能够对监控数据在区域、整体层次这些不同的层次上考虑问题，使得对监控数据的考虑方向更加全面，从而增加对于预警分析的准确性。
1.一种基于工业互联网的电力设备监测方法，其特征在于，包括：
确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
2.根据权利要求1所述的基于工业互联网的电力设备监测方法，其特征在于，确定所述第一预警分析结果包括异常状态，且符合预设要求，具体包括：对所述第一预警分析结果进行关键词识别，以确定所述第一预警分析结果包括异常状态，并确定所述第一预警分析结果对应的类型是自然破坏预警还是人为破坏预警，所述自然破坏预警包括风力破坏、覆冰破坏、雷击破坏中的至少一种；
若所述第一预警分析结果属于所述自然破坏预警，则确定为不符合预设要求并筛除，若所述第一预警分析结果属于所述人为破坏预警，则进一步确定所述第一预警分析结果是否符合所述预设要求。
3.根据权利要求1所述的基于工业互联网的电力设备监测方法，其特征在于，确定所述第一预警分析结果包括异常状态，且符合预设要求，具体包括：对所述第一预警分析结果进行关键词识别，以确定所述第一预警分析结果包括异常状态；
确定所述监控分站的所在区域对应的标签中，是否具有独特标签，所述独特标签通过区域之间的差异程度确定；
若是，则基于预先设置的各关键词与所述独特标签之间的映射关系，确定所述第一预警分析结果并非所述独特标签引起的，则确定所述第一预警分析结果符合预设要求。
4.根据权利要求3所述的基于工业互联网的电力设备监测方法，其特征在于，所述确定所述监控分站的所在区域对应的标签中，是否具有独特标签，具体包括：确定所述监控分站的所在区域对应的标签，所述标签包括地形、异常天气频率、电力设备类型、区域内企业总用电量中的至少一种；
若所述地形、所述电力设备类型在所有区域的标签中的占比低于预设比例，则所述标签属于独特标签；
若所述异常天气频率高于预设频率，则所述标签属于独特标签；
若所述区域内企业总用电量高于预设用电量，则所述标签属于独特标签。
5.根据权利要求3所述的基于工业互联网的电力设备监测方法，其特征在于，确定所述第一预警分析结果与所述独特标签之间的关联程度，具体包括：通过预先训练的第一神经网络模型确定所述第一预警分析结果与所述独特标签之间的关联程度，其中，所述第一神经网络模型的训练过程包括：采集各监控分站发送的第一预警分析结果以及该监控分站具有的独特标签，并将所有的第一预警分析结果整合生成第一预警分析结果集，将所有的独特标签整合生成独特标签集；
在所述第一预警分析结果集、所述独特标签集中，分别随机选取一个第一预警分析结果和一个独特标签组合生成一个训练样本，以此得到训练样本集；
针对每个所述训练样本，生成对应的多维评价向量，其中，所述多维评价向量中的第一维度向量为离散向量，用于表示独特标签的类别，第二维度向量和第三维度向量为自然语言向量，所述第二维度向量包括在所述第一预警分析结果中提取的关键词，所述第三维度向量用于表示用户对所述关联程度的评价结果，所述评价结果基于多名用户打分评价得到；
对所述第三维度向量进行量化，以在其中提取得到所述评价结果对应的第一关联程度，并针对属于同一个所述第一关联程度的训练样本，通过所述第一维度向量之间的相似度、所述第二维度向量之间的相似度来进行聚类分析，并根据得到的多个类簇得到第二关联程度，并将所述第一关联程度和所述第二关联程度进行权重计算后，得到所述第一预警分析结果与所述独特标签之间的关联程度。
6.根据权利要求1所述的基于工业互联网的电力设备监测方法，其特征在于，所述监控分站和所述监控中心使用的第二神经网络模型基于相同的架构，所述第二神经网络模型包括边缘第二神经网络模型和中心第二神经网络模型，所述监控分站使用的所述边缘第二神经网络模型基于自身所在区域内的监控数据以及与该监控数据匹配的损失函数训练得到，所述监控中心使用的所述中心第二神经网络模型基于各边缘第二神经网络模型的参数得到。
7.根据权利要求6所述的基于工业互联网的电力设备监测方法，其特征在于，所述中心第二神经网络模型的训练过程至少包括：接收各监控分站发送的自身使用的边缘第二神经网络模型的模型参数；
根据所述模型参数进行融合，并将所述模型参数应用在第二神经网络模型的架构中，得到基础第二神经网络模型；
对所述基础第二神经网络模型进行多轮模型训练，以得到所述中心第二神经网络模型；
在所有边缘第二神经网络模型中，选择其中一个边缘第二神经网络模型对应的监控数据作为本轮训练过程的训练样本，并在其他边缘第二神经网络模型选择一个边缘第二神经网络模型对应的损失函数作为本轮训练过程的损失函数，进行本轮模型训练。
8.根据权利要求7所述的基于工业互联网的电力设备监测方法，其特征在于，所述根据所述模型参数进行融合，具体包括：确定各边缘第二神经网络模型对应的监控分站的所在区域对应的标签，所述标签包括地形、异常天气频率、电力设备类型、区域内企业总用电量中的至少一种；
根据所述标签，确定所述所在区域的通用等级，所述通用等级与所述地形、所述电力设备类型在所有区域的标签中的占比呈正相关，与所述区域内企业总用电量呈正相关，与所述异常天气频率呈负相关；
根据所述通用等级，确定对应的边缘第二神经网络模型的模型参数的所占权重，并根据所有模型参数进行融合后，根据所述所占权重确定输出的结果。
9.一种基于工业互联网的电力设备监测设备，其特征在于，包括：
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
一种基于工业互联网的电力设备监测方法、设备及介质
技术领域
[0001] 本申请涉及适用于监督活预测目的的数据处理系统领域，具体涉及一种基于工业互联网的电力设备监测方法、设备及介质。
背景技术
[0002] 随着社会的发展，电力供应是非常重要的一环。在这样的情况下，电力设备的运行是否正常将会直接影响电力供应的稳定性。电力设备的良好运行不止是电能实现的基础，很大程度上更是保障了电网的可靠性和安全性。传统的电力设备监控中，往往只是通过单一的监控设备进行数据监控，这就导致监控时考虑的层次不足，难以做到准确的预警。
[0003] 基于此，加强对电力设备运行监控是十分重要的。
发明内容
[0004] 为了解决上述问题，本申请提出了一种基于工业互联网的电力设备监测方法，包括：
[0005] 确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
[0006] 通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
[0007] 针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
[0008] 接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
[0009] 所述对所述监控数据进行预警分析，具体包括：
[0010] 确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
[0011] 另一方面，本申请还提出了一种基于工业互联网的电力设备监测设备，包括：
[0012] 至少一个处理器；以及，
[0013] 与所述至少一个处理器通信连接的存储器；其中，
[0014] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0015] 确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
[0016] 通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
[0017] 针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
[0018] 接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
[0019] 所述对所述监控数据进行预警分析，具体包括：
[0020] 确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
[0021] 另一方面，本申请还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
[0022] 确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
[0023] 通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
[0024] 针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
[0025] 接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
[0026] 所述对所述监控数据进行预警分析，具体包括：
[0027] 确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
[0028] 通过本申请提出的方法能够带来如下有益效果：
[0029] 通过监控中心和监控分站，能够对监控数据在区域层次、整体层次这些不同的层次上考虑问题，使得对监控数据的考虑方向更加全面，从而增加对于预警分析的准确性，以保证电力设备的平稳运行。
附图说明
[0030] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0031] 图1为本申请实施例中基于工业互联网的电力设备监测方法的流程示意图；
[0032] 图2为本申请实施例中基于工业互联网的电力设备监测设备的示意图。
具体实施方式
[0033] 为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0034] 以下结合附图，详细说明本申请各实施例提供的技术方案。
[0035] 如图1所示，本申请实施例提供一种基于工业互联网的电力设备监测方法、设备及介质方法，包括：
[0036] S101：确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接。
[0037] 二级节点、企业节点、数据采集装置之间预先关联，并在工业互联网平台中建立联系。监控分站为多个，分别设在不同的区域中。区域可以是以地理范围划分，也可以以行政区域划分，还可以通过不同的电厂划分。在每个区域中设置有多个数据采集装置，数据采集装置分别设置在不同的位置，比如，设置在电力企业相关的电力设备处或者是附近处，其可以是，设备运行数据、环境数据（比如，湿度传感器、温度传感器、电流传感器、风力传感器等）。
[0038] S102：通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据。
[0039] 数据采集装置采集到监控数据后，将其发送至其所在区域内的监控分站，由监控分站进行初步处理分析，具体地初步处理分析过程在下文中的S103以及实施例中进行解释说明。
[0040] S103：针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度。
[0041] 此时进行初步预警分析，得到第一预警分析结果，分析完后将第一预警分析结果反馈至监控中心。监控中心如果确定其包括异常状态，且符合预设要求，则自身重新对监控数据进行再次预警分析。监控分站分析时，只需要考虑自身所在区域内的状态进行分析即可，而监控中心进行分析时，则需要考虑全部的区域的状态，进行综合分析，而基于异常状态类型的不同，预先设置有匹配的状态特征，状态特征包括全局化特征和区域化特征，全局化特征用于形容异常状态在所有区域的出现泛化程度，全局化特征的影响程度越高，表示该异常状态在所有区域中越泛化，也就是越容易普遍出现，而区域化特征用于形容异常状态在所在区域的出现针对程度，区域化特征的影响程度越高，表示该异常状态在所在区域中越针对，越不容易普遍出现在所有区域，只针对出现在所在区域。若判断引起异常状态的原因中，全局化特征高于区域化特征，则表明该异常状态更适合在全局的角度进行考虑，监控中心有必要进行进一步判断。其中，高于指的是，其在引起异常状态的原因中所占的比重更高，具体如何判断该比重，在下文中会进行详细介绍。
[0042] 进行预警分析时，确定预先训练的第二神经网络模型，通过第二神经网络模型对监控数据进行预警分析，其中，第二神经网络模型的输入为监控数据，输出为第一预警分析结果或第二预警分析结果，第一预警分析结果和第二预警分析结果为自然语言。第一预警分析结果和第二预警分析结果，比如，电力设备A的功率运行数据当前为B值，已经超过常规功率范围，出现异常。或者，电力设备A的功率运行数据当前为C值，预计10分钟后达到临界值，预计15分钟后出现异常。
[0043] 关键词识别算法可以基于TFIDF算法、TextRank算法、LDA算法等实现，由于第一预警分析结果中的格式相对固定，比如，电力设备A的功率运行数据当前为B值，已经超过常规功率范围，出现异常。关键词识别过程相对比较简单，此时可以识别到的关键词可以包括“电力设备A”“功率运行数据”“B值”“异常”，可以认为出现异常状态。
[0044] S104：接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警。
[0045] 监控中心在接收到第二预警分析结果后，可以结合实际情况，根据第一预警分析结果和第二预警分析结果，按照相应的权重，进行实际预警。权重可以是固定的，也可以是根据不同的监控分站，设置不同的权重，或者根据不同次数的预警分析，确定对应的权重。预警的过程可以是，哪个预警分析结果所占的权重越高，按照哪个预警分析结果算作真实的，或者相互结果，比如，第一预警分析结果中，50%概率出现异常，第二预警分析结果中，
60%出现异常，两者所占权重分别为40%和60%，则最终结果为：50%*40%+60%*60%=56%的可能性出现异常。
[0046] 在一个实施例中，在确定第一预警分析结果是否符合预设要求时，监控中心对第一预警分析结果进行关键词识别，以确定第一预警分析结果对应的类型是自然破坏预警还是人为破坏预警，其中，自然破坏预警包括风力破坏、覆冰破坏、雷击破坏中的至少一种。关键词分析中，若是出现“风力破坏、覆冰破坏、雷击破坏”等关键词，则认为是自然破坏预警，若出现“偷盗、人为破坏”等关键词，则认为是人为破坏预警。
[0047] 对于自然破坏预警来说，各区域内的自然环境差距较大，不具备普遍性，此时区域化特征更高，故而若第一预警分析结果属于自然破坏预警，则确定为不符合预设要求并筛除，此时只需要由监控分站进行分析即可，如果由监控中心进行分析，很可能考虑其他区域太多，从而导致分析结果不够具有针对性，也就不够准确。而若第一预警分析结果属于人为破坏预警，则说明其具备普遍性，此时全局化特征更高，需要通过全部区域进行全方位考虑，以达到更好的判断结果，此时，进一步确定第一预警分析结果是否符合预设要求。
[0048] 在一个实施例中，除了通过判断人为破坏和环境破坏之外，还可以采用其他的预设要求来判断，当然，这些预设要求都可以进行相互结合，以达到更好的判断效果。首先通过关键词识别确定第一预警分析结果包括异常状态后，确定监控分站的所在区域对应的标签中，是否具有独特标签，其中，监控分站的所在区域分别设置有对应的标签，标签包括地形、异常天气频率、电力设备类型、区域内企业总用电量中的至少一种，比如，山地地区、经常出现异常天气、大型电厂所在区域等。而独特标签通过区域之间的差异程度确定，比如，某个区域的标签在所有地区中的出现概率很低，低于预设阈值，则认为其为独特标签，此时说明该区域很独特。若是，则基于预先设置的各关键词与独特标签之间的映射关系，确定本次第一预警分析结果中的异常状态，不是由于该独特标签对应的属性引起的，该异常状态不具备该区域对应的独特性，比如，第一预警分析结果中的异常状态为电力设备运行温度过高，但是该独特标签为暴雨天气多发，则两者之间明显关联很小，则此时确定第一预警分析结果全局化特征更高，符合预设要求，可以进行全面分析。其中，由于独特标签的数量、电力设备的异常状态的总量相对可控，其总数并非太多，两者数量的总和约为10 30，故而可~以预先基于人为专家经验建立两者之间的映射关系，哪些异常状态是由哪些独特标签引起的。
[0049] 其中，在确定独特标签时，若地形、电力设备类型在所有区域的标签中的占比低于预设比例（比如10%），则标签属于独特标签。若异常天气（比如，暴雨、雷暴、沙尘等）频率高于预设频率（比如，历史全年出现天数高于60天），则标签属于独特标签。若区域内企业总用电量高于预设用电量（比如，年用电量高于指定范围内的平均用电量的2倍），则标签属于独特标签。其中，具体的数值仅为经过对一定范围内的数据进行统计分析后给出的一个示例，其并不能表示预设比例、预设频率等一定是举例的数值。
[0050] 进一步地，确定关联程度时，可以通过预先训练的第一神经网络模型确定第一预警分析结果与独特标签之间的关联程度，其中，第一神经网络模型的训练过程包括：
[0051] 监控中心采集各监控分站发送的第一预警分析结果以及该监控分站具有的独特标签，并将所有的第一预警分析结果和独特标签分别整合生成第一预警分析结果集和独特标签集，然后在第一预警分析结果集、独特标签集中，分别随机选取一个第一预警分析结果和一个独特标签组合生成一个训练样本，以此得到训练样本集。通常来说，具有独特标签的训练样本数量总是较少的，如果采集到后直接进行训练，很可能会导致训练样本过少，从而使得训练结果较差。而随机组合后，由于独特标签之间的区域往往具有一定的互通性，且在一些维度上具有一定的可借鉴性，故而组合得到的训练样本是可以用来训练的，且可以通过人为标记，将其中标记为正样本、负样本，从而在保证样本的质量没有下降太多的情况下，增加样本的数量。
[0052] 针对每个训练样本，生成对应的多维评价向量。其中，多维评价向量包括三个维度向量，第一维度向量为离散向量，用于表示独特标签的类别，第二维度向量和第三维度向量为自然语言向量，第二维度向量包括在第一预警分析结果中提取的关键词（比如，异常状态的可能性、异常状态的类别、位置等），第三维度向量用于表示用户对所述关联程度的评价结果，比如，预先选取多名用户（用户通常为电力设备行业内的专家，或者从业时间较长的人员），每人对发生该异常状态的概率、第一预警分析结果与独特标签之间的关联程度进行评价，设置多个评价梯度（比如，设置多个评分值，越高的评分值表示用户认为关联程度越高），每人通过评价打分，并选取平均值作为最终的评价结果。该评价结果主要基于用户的主观评价得到，类似于专家经验，故而不完全依赖该评价结果得到最终的关联程度，而是只将其作为最终关联程度中，所要考虑的一部分，将主观评价与客观分析结合，使得最终得到的关联程度更加可靠。
[0053] 对第三维度向量进行量化，以在其中提取得到第一关联程度。比如，将第三维度向量进行归一化处理，将其量化至[0,1]的区间内，归一化处理之后的数值代表着第一关联程度。此时提取到的只是用户评价的关联程度，然后针对属于同一个第一关联程度的训练样本，通过第一维度向量之间的相似度、第二维度向量之间的相似度来进行聚类分析（比如，通过Kmeans算法进行聚类分析，在训练样本中提取出第一维度向量、第二维度向量后，作为一个样本点，然后进行聚类分析），如此，能够将用户的人为评价、第一预警分析结果和独特标签之间的相似度作为两个分析维度，得到两个训练样本之间的关联程度，使得考虑的维度更全面。
[0054] 在通过第一维度向量之间的相似度、第二维度向量之间的相似度来进行聚类分析时，聚类分析结果中包含有多个类簇，根据得到的多个类簇，各类簇之间的距离越近，关联程度也越高，每个类簇内样本点的距离越近，关联程度也越高，由此得到第二关联程度。
[0055] 上文已经说过，综合考虑第一关联程度和第二关联程度，从而得到最终的关联程度，综合考虑的过程可以是，为第一关联程度和第二关联程度分别赋予相应的权重，将两者通过权重进行叠加后，得到第一预警分析结果与独特标签之间的关联程度，比如，第一关联程度作为人为的主观评价，可以将其权重设置为50%或以下，而第二关联程度则可以设置为50%或以上，两者的权重之和为1，通过加权计算得到最终的关联程度。
[0056] 在一个实施例中，监控分站和监控中心使用的用于进行预警分析的模型，均成为第二神经网络模型，为进行区别，在此将监控分站使用的称作边缘第二神经网络模型，将监控中心使用的称作第二神经网络模型，边缘第二神经网络模型和中心第二神经网络模型基于相同的架构，且监控分站使用的边缘第二神经网络模型基于自身所在区域内的监控数据以及与该监控数据匹配的损失函数训练得到，如此可以只考虑自身所在区域的场景进行预警分析即可。而监控中心使用的中心第二神经网络模型基于各边缘第二神经网络模型的参数得到，如此可以在预警分析时，考虑更加全面。其中，边缘第二神经网络模型和中心第二神经网络模型虽然基于相同的架构，但是由于具体的配置参数不同，即使输入的输入相同，输出的结果也可能不同。
[0057] 其中，第二神经网络模型中，训练数据的输入为监控数据，输出为第一预警分析结果或第二预警分析结果，中心第二神经网络模型的输出为第二预警分析结果，边缘第二神经网络模型的输出为第一预警分析结果，两者均为自然语言，比如，电力设备A的功率运行数据当前为B值，已经超过常规功率范围，出现异常。
[0058] 第一神经网络模型和第二神经网络模型的模型架构基于长短时记忆网络(Long Short Term Memory，LSTM)得到，其定义损失函数为 ，其中，L代表损失函数， 为期望值，d为期望的常用符号，作为下标仅是为了将 与其他参数进行区分， 为输出值，t作为下标仅是为了将 与其他参数进行区分， ， 为
LSTM前向传播计算的最终值，为常系数，的具体值可以基于对LSTM的计算需求进行调整，为本领域内技术人员的公知常识，0和1作为上标仅是为了将 与 作为区别，T为本轮训练样本的数量，使用梯度下降法进行权值更新。
[0059] 进一步地，中心第二神经网络模型的训练过程至少包括：
[0060] 在各监控分站将自身使用的边缘第二神经网络模型训练完成后，接收各监控分站发送的自身使用的边缘第二神经网络模型的模型参数，模型参数可以包括损失函数、各隐藏层的配置参数等。根据模型参数进行融合，并将模型参数应用在第二神经网络模型的架构中，得到基础第二神经网络模型，然后对基础第二神经网络模型进行多轮模型训练，即可最终得到中心第二神经网络模型。
[0061] 其中，每轮模型训练过程包括：
[0062] 在所有边缘第二神经网络模型中，选择其中一个边缘第二神经网络模型对应的监控数据作为本轮训练过程的训练样本，并在其他边缘第二神经网络模型（即在所有边缘第二神经网络模型中，除了选择的用于作为训练样本的边缘第二神经网络模型之外，其他所有的边缘第二神经网络模型）选择一个边缘第二神经网络模型对应的损失函数作为本轮训练过程的损失函数，进行本轮模型训练。以此通过不同的训练样本和损失函数之间的结合使用，能够使得模型对应于各场景的考虑更加全面。而模型训练的轮次可以根据实际情况确定，比如，在预设数量个损失函数均收敛后，停止训练。
[0063] 更进一步地，参数融合时，首先确定各边缘第二神经网络模型对应的监控分站的所在区域对应的标签，其中，标签包括地形、异常天气频率、电力设备类型、区域内企业总用电量中的至少一种。当然，也可以包括其他的常规标签，比如，区域标识、所在位置、范围大小、人口密度等。
[0064] 然后根据标签，确定所在区域的通用等级，其中，通用等级与地形、电力设备类型在所有区域的标签中的占比呈正相关，与区域内企业总用电量呈正相关，与异常天气频率呈负相关。比如，某监控分站的所在区域具有3个标签，分别是山地地形、暴雨天气高发、人口密度较高，此时，在所有10个区域中，确定具有山地地形标签的区域仅有2个，因此该标签对应的占比为2/10，异常天气频率高，假设一年内的暴雨天气为30天，则异常天气频率为30/360，则可以假定初始的通用等级为1，与2/10呈正相关，与30/360呈负相关，则最终计算得到的通用等级为1*2/10*360/30=2.4。当然，还可以基于实际情况，为通用等级与地形、电力设备类型在所有区域的标签中的占比，区域内企业总用电量，异常天气频率等进行权重赋值，以此来提高或降低其中某项内容的重要性，只要是能够呈现上述的正相关或负相关即可。
[0065] 根据通用等级，对应的边缘第二神经网络模型的模型参数的所占权重，并根据所有模型参数进行融合后，根据所占权重确定输出的结果，比如，根据所有模型参数融合，得到基础第二神经网络模型，在基础第二神经网络模型中，同时存在有这多个边缘第二神经网络模型对应的模型参数，然后采用加权平均法输出结果，权重越高的边缘第二神经网络模型，其在输出结果中的所占权重越高。
[0066] 如图2所示，本申请实施例还提供了一种基于工业互联网的电力设备监测设备，包括：
[0067] 至少一个处理器；以及，
[0068] 与所述至少一个处理器通信连接的存储器；其中，
[0069] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0070] 确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
[0071] 通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
[0072] 针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
[0073] 接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
[0074] 所述对所述监控数据进行预警分析，具体包括：
[0075] 确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
[0076] 本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
[0077] 确定预先构建的工业互联网平台，所述工业互联网平台至少包括二级节点、企业节点和数据采集装置，所述二级节点包括监控中心，所述企业节点包括位于不同区域的监控分站，所述监控分站与所述监控中心连接，且每个监控分站与所在区域内的数据采集装置连接；
[0078] 通过所述监控分站获取所在区域内的所述数据采集装置采集的监控数据，所述监控数据包括对应的电力设备运行数据、环境数据；
[0079] 针对所述所在区域的当前状态，对所述监控数据进行预警分析，得到第一预警分析结果，并将所述监控数据和所述第一预警分析结果反馈至所述监控中心，以便于所述监控中心在通过关键词识别确定所述第一预警分析结果包括异常状态，且确定所述第一预警分析结果符合预设要求的情况下，针对所有区域的当前状态，对所述监控数据进行预警分析，得到第二预警分析结果，所述预设要求用于判断引起所述异常状态的全局化特征的影响程度高于区域化特征，所述全局化特征用于形容所述异常状态在所有区域的出现泛化程度，所述区域化特征用于形容所述异常状态在所在区域的出现针对程度；
[0080] 接收所述监控中心反馈的所述第二预警分析结果，并根据所述第一预警分析结果和所述第二预警分析结果在本次预警分析过程中的所占权重，对所在区域内的电力设备进行监测预警；
[0081] 所述对所述监控数据进行预警分析，具体包括：
[0082] 确定预先训练的第二神经网络模型，通过所述第二神经网络模型对所述监控数据进行预警分析，其中，所述第二神经网络模型的输入为所述监控数据，输出为所述第一预警分析结果或所述第二预警分析结果，所述第一预警分析结果和所述第二预警分析结果为自然语言。
[0083] 本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0084] 本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
[0085] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
[0086] 本申请是参照根据本申请实施例的方法、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。
[0087] 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。
[0088] 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。
[0089] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0090] 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器(ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
[0091] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0092] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0093] 以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
