一种基于深度循环神经网络的配用电故障检测方法及系统

技术领域

本说明书涉及电力系统领域，特别涉及一种基于深度循环神经网络的配用电故障检测方法及系统。

背景技术

随着传感技术、自动化控制技术、通信网络技术、分布式存储技术、大数据分析和人工智能技术的发展，以及社会经济和环境需求的巨大推动，电网也将真正实现与互联网的深度融合，发展“智能电网”是电力行业的必然发展趋势。电力系统规模日趋增大，电网结构日益复杂，系统故障引发后果越发严重国内外多次大停电事故造成了巨大的经济损失和恶劣的社会影响。现阶段，低压配电柜在可靠性、安全性、智能控制、模块化等方面的性能还有待提高。配电室运行的安全可靠性还只建立在值班电工的技能、责任心等不确定性的因素基础上。申请号为CN202110621110.X的中国专利公开了一种智能配电柜故障抢修系统、方法及装置，其中，所述系统包括：数据采集模块、数据传输模块、信息处理模块、故障学习模块，其中，数据采集模块，用于配电柜(箱)及其周围环境的多种异常数据采集；数据传输模块，结合地理位置环境采用高速实时的数据传输方式，将配电柜(箱)的故障数据能够实时共享给抢修人员，确保用户的实时交互。并通过卫星通信方式为极端条件下的数据传输提供保障。信息处理模块，采用机器学习算法对故障数据信息以及图像信息进行数据分析，在识别到配电柜(箱)故障的基础上识别出故障类型，并通过故障类型分析其故障等级。故障识别主要识别的故障类型包括异常发热，异常电弧，灰尘堆积，电路故障断电，电路异常短路，以及其他一些外部环境异常等。故障学习模块，通过机器学习算法和数据挖掘技术对故障后机器没有精准识别的数据进行学习，通过训练获取故障特征，从而增加系统的故障识别能力。该智能配电柜故障抢修系统，主要通过单个时间点采集的数据判断配电柜是否发生故障，容易因数据采集模块故障导致误判。

因此，需要提供一种基于深度循环神经网络的配用电故障检测方法及系统，用于通过深度循环神经网络基于一段时间的监测数据较为准确地判断配电柜的运行状态。

发明内容

本说明书实施例之一提供一种基于深度循环神经网络的配用电故障检测方法，包括：获取多个样本，其中，所述样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，所述样本监测数据序列包括所述监测点在多个样本时间点的样本监测数据组，所述样本监测数据组包括多种候选类型的监测数据，所述配电柜运行状态序列包括所述配电柜在所述多个样本时间点的运行状态特征组，所述运行状态特征组包括多个运行特征；基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型；获取所述配电柜的多个监测点的历史监测数据序列，其中，所述历史监测数据序列包括所述监测点在多个历史时间点的监测数据组，所述监测数据组包括所述多个目标类型的监测数据；通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态。

在一些实施例中，所述基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型，包括：基于所述多个样本，确定每个所述候选类型的监测数据的候选分值；基于所述候选分值，从所述多种候选类型中筛选多个目标类型。

在一些实施例中，所述候选分值基于所述候选类型的监测数据与所述配电柜运行状态的相关性及拉普拉斯评分确定。

在一些实施例中，所述获取所述配电柜的多个监测点的历史监测数据序列，包括：获取配电柜的多个监测点的历史原始监测数据序列，其中，所述历史原始监测数据序列包括所述监测点在多个历史时间点的原始监测数据组，所述原始监测数据组包括所述多个目标类型的原始监测数据；对所述历史原始监测数据序列进行异常数据处理，获取所述配电柜的多个监测点的历史监测数据序列。

在一些实施例中，所述对所述历史原始监测数据序列进行异常数据处理，获取所述配电柜的多个监测点的历史监测数据序列，包括：确定所述历史原始监测数据序列中的异常原始监测数据组；对于每个所述异常原始监测数据组，以所述异常原始监测数据组为中心，通过预设长度的时间窗口，从所述历史原始监测数据序列中截取用于校正所述异常原始监测数据组的多个原始监测数据组；通过数据校正模型基于所述用于校正所述异常原始监测数据组的多个原始监测数据组预测所述异常原始监测数据组对应的监测数据组；通过所述数据校正模型预测的所述异常原始监测数据组对应的监测数据组，在所述历史原始监测数据序列中替换所述异常原始监测数据组。

在一些实施例中，所述深度循环神经网络包括历史状态确定模型及未来状态确定模型；所述历史状态确定模型用于基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态。

在一些实施例中，所述通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态，包括：通过所述历史状态确定模型基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的历史运行状态；在所述历史状态确定模型确定所述配电柜的历史运行状态为非故障状态时，通过所述未来状态确定模型基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的未来运行状态。

在一些实施例中，所述通过所述未来状态确定模型基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的未来运行状态，包括：所述未来状态确定模型基于所述配电柜的多个监测点的历史监测数据序列预测所述配电柜的多个监测点的未来监测数据序列；所述未来状态确定模型基于所述配电柜的多个监测点的未来监测数据序列确定所述配电柜的未来运行状态。

在一些实施例中，所述历史状态确定模型包括输入层、特征提取层、注意力模块以及分类层，其中，所述特征提取层至少包括单层BiLSTM、双层BiLSTM、三层BiLSTM。

本说明书实施例之一提供一种基于深度循环神经网络的配用电故障检测系统，包括：样本获取模块，用于获取多个样本，其中，所述样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，所述样本监测数据序列包括所述监测点在多个样本时间点的样本监测数据组，所述样本监测数据组包括多种候选类型的监测数据，所述配电柜运行状态序列包括所述配电柜在所述多个样本时间点的运行状态特征组，所述运行状态特征组包括多个运行特征；数据筛选模块，用于基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型；数据获取模块，用于获取所述配电柜的多个监测点的历史监测数据序列，其中，所述历史监测数据序列包括所述监测点在多个历史时间点的监测数据组，所述监测数据组包括所述多个目标类型的监测数据；状态确定模块，用于通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测系统的应用场景示意图；

图2是根据本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测系统的示例性框图；

图3是根据本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测方法的示例性流程图。

图中，110、处理设备；120、网络；130、用户终端；140、存储设备；150、配电柜；160、监测装置。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测系统的应用场景100示意图。

如图1所示，应用场景100可以包括处理设备110、网络120、用户终端130、存储设备140、配电柜150及监测装置160。应用场景100可以通过实施本说明书中披露的方法和/或过程控制目标设备进行操作。

处理设备110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。处理设备110可以通过网络120从用户终端130、存储设备140、配电柜150及监测装置160访问数据和/或信息。处理设备110可以直接连接用户终端130、存储设备140、配电柜150及监测装置160以访问信息和/或数据。例如，处理设备110可以从配电柜150获取治疗对象(例如，毒品成瘾者)的相关信息。又例如，处理设备110可以从监测装置160获取多个样本，其中，样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，样本监测数据序列包括监测点在多个样本时间点的样本监测数据组，样本监测数据组包括多种候选类型的监测数据，配电柜运行状态序列包括配电柜在多个样本时间点的运行状态特征组，运行状态特征组包括多个运行特征。处理设备110可以对获取的数据和/或信息进行处理。例如，处理设备110可以基于多个样本的配电柜运行状态序列，从多种候选类型中筛选多个目标类型，获取配电柜的多个监测点的历史监测数据序列，其中，历史监测数据序列包括监测点在多个历史时间点的监测数据组，监测数据组包括多个目标类型的监测数据；通过深度循环神经网络基于配电柜的多个监测点的历史监测数据序列确定配电柜的运行状态。在一些实施例中，处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。

网络120可以包括提供能够促进应用场景的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景的一个或多个组件(例如，处理设备110、用户终端130、存储设备140、配电柜150和/或监测装置160之间可以通过网络120交换信息和/或数据。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如，基站和/或网络交换点，通过这些网络接入点，应用场景的一个或多个组件可连接到网络120以交换数据和/或信息。

用户终端130指用户(例如，配电系统的工作人员等)所使用的一个或多个终端或软件。在一些实施例中，用户终端130可以包含但不限于智能电话、平板电脑、膝上型计算机、台式计算机等。在一些实施例中，用户终端130可以通过网络120与应用场景100中的其他组件交互。例如，用户终端130可以向处理设备110发送一个或多个控制指令以控制处理设备110通过深度循环神经网络基于配电柜的多个监测点的历史监测数据序列确定配电柜的运行状态。

存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从处理设备110、用户终端130、配电柜150和/或监测装置160获取的数据和/或信息。例如，存储设备140可以存储多个样本。又例如，存储设备140可以存储训练好的机器学习模型。在一些实施例中，存储设备140可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中，存储设备140可在云端平台上执行。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

配电柜150是配电系统的末级设备，用于把上一级配电设备某一电路的电能分配给就近的负荷，并对负荷提供保护、监视和控制。配电柜150具有三种分级：一级配电设备、二级配电设备和末端配电设备。一级配电设备：主要应用场景是企业的变电站，也就是所谓的动力配电中心，一般位置都紧靠降压变压器，输出的电容量较大，负责给下级配电设备输送电能；二级配电设备：二级配电设备负荷分散，回路少，负责把一级配电设备输送过来的电能，就近分配给附近的负荷，这种配电设备在我们的生活中比较常见，不仅输送，且觉有保护的作用。末端配电设备：既然称之为末端配电设备，就是因为这类配电设备远离供电中心，主要负责照明，也称作照明动力配电箱，属于分散的小容量分散设备。可以理解的，配电柜150由多根线路及多个电器设备组成，例如，断路器(例如，空气开关、漏电开关、双电源自动转换开关等)、接触器、热继电器、互感器、电容器、避雷器、浪涌保护器、按钮、指示灯、转换开关、时间继电器、中间继电器等。

监测装置160可以为用于获取配电柜150的相关信息的设备。可以理解的，配电柜150由多根线路及多个电器设备组成，因此，可以在配电柜150内确定多个监测点，例如，将某些电器设备设置为监测点。监测装置160可以包括多个监测子件，一个监测点可以设置有一个监测子件，监测子件用于获取监测点的相关信息，例如，电压、电流、温度、湿度、电弧光强度等。可以理解的，监测子件可以包括多种传感器，例如，电压传感器、电流传感器、弧光传感器及漏电传感器等。在一些实施例中，监测装置160还可以包括点云获取组件，点云获取组件用于获取多个监测点的点云信息，并基于多个监测点的点云信息确定每个监测点的形态数据。其中，点云获取组件包括舵机及设置在舵机上的深度相机，点云获取组件可以通过舵机调整深度相机的拍摄角度，并基于深度相机从不同角度获取的配电柜150内部的多张深度图像，生成配电柜150内的点云数据，从而获取多个监测点的点云信息，对于每个监测点，可以基于该监测点的点云信息确定该监测点的形态数据，例如，该监测点的电器设备的位置信息、该监测点的电器设备连接的线路的形态。可以理解的，安装电器设备的螺丝出现松动时，会导致电器设备移位，从而使得电器设备与线路断开连接，而电器设备连接的线路的形态也会影响电器设备与线路的连接，因此需要对监测点的形态数据进行监控。

应当注意应用场景100仅仅是为了说明的目的而提供的，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100还可以包括数据库。然而，这些变化和修改不会背离本说明书的范围。

图2是根据本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测系统的示例性框图。

如图2所示，基于深度循环神经网络的配用电故障检测系统可以包括样本获取模块、数据筛选模块、数据获取模块及状态确定模块。

样本获取模块可以用于获取多个样本，其中，样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，样本监测数据序列包括监测点在多个样本时间点的样本监测数据组，样本监测数据组包括多种候选类型的监测数据，配电柜运行状态序列包括配电柜在多个样本时间点的运行状态特征组，运行状态特征组包括多个运行特征。

数据筛选模块，用于基于多个样本的配电柜运行状态序列，从多种候选类型中筛选多个目标类型。

数据获取模块可以用于获取配电柜的多个监测点的历史监测数据序列，其中，历史监测数据序列包括监测点在多个历史时间点的监测数据组，监测数据组包括多个目标类型的监测数据。

状态确定模块可以用于通过深度循环神经网络基于配电柜的多个监测点的历史监测数据序列确定配电柜的运行状态。

关于样本获取模块、数据筛选模块、数据获取模块及状态确定模块的更多描述可以参见图3及其相关描述，此处不再赘述。

需要注意的是，以上对于基于深度循环神经网络的配用电故障检测系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的样本获取模块、数据筛选模块、数据获取模块及状态确定模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。

图3是根据本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测方法的示例性流程图，如图3所示，基于深度循环神经网络的配用电故障检测方法可以包括如下步骤。

步骤310，获取多个样本。在一些实施例中，步骤310可以由样本获取模块。

样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列。其中，样本监测数据序列包括监测点在多个样本时间点的样本监测数据组，样本监测数据组包括多种候选类型的监测数据，其中，多种候选类型的监测数据可以包括三相平均线电流、相有功功率A、相有功功率B、相有功功率C、相电流A、相电流B、相电流C、三相有功功率、温度、湿度、电弧光强度、振动频率、环境噪声、漏电情况及形态数据等，关于形态数据的更多描述请参见图1及其相关描述，此处不再赘述。配电柜运行状态序列包括配电柜在多个样本时间点的运行状态特征组，运行状态特征组包括多个运行特征，例如，各个监测点的运行状态。

在一些实施例中，样本获取模块可以通过监测装置160获取多个样本。

步骤320，基于多个样本的配电柜运行状态序列，从多种候选类型中筛选多个目标类型。在一些实施例中，步骤320可以由数据筛选模块。

目标类型的监测数据可以为与配电柜的运行较为相关的信息。数据筛选模块可以将某些候选类型作为目标类型。例如，候选类型的监测数据包括三相平均线电流、相有功功率A、相有功功率B、相有功功率C、相电流A、相电流B、相电流C、三相有功功率、温度、湿度、电弧光强度、振动频率、环境噪声、漏电情况及形态数据，数据筛选模块可以将三相平均线电流、相有功功率A、相有功功率B、相有功功率C、相电流A、相电流B、相电流C、三相有功功率、温度、湿度、电弧光强度、漏电情况及形态数据作为目标类型的监测数据。

在一些实施例中，数据筛选模块基于多个样本的配电柜运行状态序列，从多种候选类型中筛选多个目标类型，可以包括：

基于多个样本，确定每个候选类型的监测数据的候选分值，其中，候选分值可以表征候选类型的监测数据对配电柜运行的影响程度；

基于候选分值，从多种候选类型中筛选多个目标类型。

在一些实施例中，候选分值可以基于候选类型的监测数据与配电柜运行状态的相关性及拉普拉斯评分确定，其中，候选类型的监测数据与配电柜运行状态的相关性可以表征配电柜的运行与候选类型的监测数据的相关程度，候选类型的监测数据与配电柜运行状态的相关性的绝对值越大，配电柜的运行与候选类型的监测数据的相关性越大，拉普拉斯评分可以表征候选类型的监测数据的重要程度，拉普拉斯评分越小，候选类型的监测数据越重要。数据筛选模块可以通过Pearson相关系数计算候选类型的监测数据与配电柜运行状态的相关性，可以通过拉普拉斯分数(Laplacian Score)算法计算候选类型的监测数据的拉普拉斯评分。

在一些实施例中，数据筛选模块可以对候选类型的监测数据与配电柜运行状态的相关性及拉普拉斯评分分别进行归一化处理，再基于归一化后的相关性及拉普拉斯评分确定候选分值。例如，基于归一化后的相关性及拉普拉斯评分确定候选分值加权求和确定候选类型的监测数据的候选分值。

可以理解的，拉普拉斯分数(Laplacian Score)算法属于无监督的特征选择算法，其存在一个明显的缺点，即忽视了特征之间的相关性，常常导致选择的重要特征不如若干个特征合理组合的能力更强，因此，可以基于多个样本，确定候选类型的监测数据与配电柜运行状态的相关性及拉普拉斯评分，使得从多种候选类型中筛选的多个目标类型的监测数据即为可以有效判断配电柜运行状态的监测数据。

在一些实施例中，数据筛选模块可以将候选分值大于预设候选分值阈值的监测数据对应的候选类型作为目标类型。

可以理解的，现有技术中，往往通过经验直接人为设定某些类型的监测数据，例如，申请号为CN202110621110.X的中国专利公开了一种智能配电柜故障抢修系统、方法及装置，其中公开了数据采集模块主要由各种传感器和图像数据信息等，其中传感器包括变压器、电子敏感元件和电阻元件等。传感器模块包括温湿度传感器、烟雾传感器、故障电弧传感器、红外传感器、尘埃传感器。其获取的某些用于判断配电柜是否故障的监测数据(例如，温湿度异常数据、烟雾异常数据、电弧异常数据、红外异常数据、尘埃异常数据、电流异常数据、电压异常数据、图像数据、非侵入式识别的设备异常数据)可能对配电柜的运行状态影响较小，例如，配电柜一般采用较为密封的柜体，其放置的环境一般较为干净，很少会发生尘埃的情况，那尘埃异常数据实际是无效的监测数据，而无效的监测数据过多就会减慢判断配电柜是否故障的速度。而通过基于多个样本的配电柜运行状态序列，从多种候选类型中筛选多个目标类型，可以确定对配电柜运行状态影响较大的监测数据的类型，从而减少无效数据的获取与处理，并提高判断配电柜的运行状态的效率。

步骤330，获取配电柜的多个监测点的历史监测数据序列。在一些实施例中，步骤330可以由数据获取模块。

历史监测数据序列包括监测点在多个历史时间点的监测数据组，监测数据组包括多个目标类型的监测数据。

在一些实施例中，数据获取模块可以通过监测装置160直接获取多个监测点的历史监测数据序列。

可以理解的，监测装置160容易受外界环境的影响，发生故障，导致监测装置160直接获取多个监测点的历史监测数据序列(也可称为历史原始监测数据序列)中容易出现异常数据，例如，数值异常数据、空缺数据等。因此，数据获取模块可以对监测装置160直接获取的多个监测点的历史原始监测数据序列进行数据异常处理，以生成配电柜的多个监测点的历史监测数据序列。

在一些实施例中，数据获取模块对历史原始监测数据序列进行异常数据处理，获取配电柜的多个监测点的历史监测数据序列，可以包括：

确定历史原始监测数据序列中的异常原始监测数据组；

对于每个异常原始监测数据组，以异常原始监测数据组为中心，通过预设长度(例如，31个时间点)的时间窗口，从历史原始监测数据序列中截取用于校正异常原始监测数据组的多个原始监测数据组；

通过数据校正模型基于用于校正异常原始监测数据组的多个原始监测数据组预测异常原始监测数据组对应的监测数据组；

通过数据校正模型预测的异常原始监测数据组对应的监测数据组，在历史原始监测数据序列中替换异常原始监测数据组。

数据校正模型可以为预测异常原始监测数据组对应的监测数据组的机器学习模型，数据校正模型的输入可以包括异常原始监测数据组的多个原始监测数据组，数据校正模型的输出可以包括异常原始监测数据组对应的监测数据组。数据校正模型可以包括但不限于神经网络(NN)、卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)等或其任意组合，例如，数据校正模型可以为卷积神经网络和深度神经网络组合形成的模型。在一些实施例中，数据校正模型可以包括BP(back propagation)神经网络，数据获取模块可以通过遗传算法优化BP神经网络的初始连接权值和阈值，再训练样本对优化后的BP神经网络进行训练，形成数据校正模型。

可以理解的，现有技术一般是通过实时采集的监测数据直接判断配电柜是否发生故障，传感器故障或者误报均会导致判断失误，而通过获取配电柜的多个监测点的历史原始监测数据序列，并对历史原始监测数据序列中的异常数据进行校正，可以减少因数据获取故障导致误判的情况，而通过预设长度的时间窗口，从历史原始监测数据序列中截取用于校正异常原始监测数据组的多个原始监测数据组，可以使得数据校正模型预测的异常原始监测数据组对应的监测数据组更加准确。

步骤340，通过深度循环神经网络基于配电柜的多个监测点的历史监测数据序列确定配电柜的运行状态。在一些实施例中，步骤340可以由状态确定模块。

深度循环神经网络可以为用于确定配电柜的运行状态的机器学习模型，深度循环神经网络的输入可以为配电柜的多个监测点的历史监测数据序列，深度循环神经网络的输出可以为配电柜的运行状态。

在一些实施例中，深度循环神经网络可以包括历史状态确定模型，历史状态确定模型基于配电柜的多个监测点的历史监测数据序列确定配电柜的历史运行状态。在一些实施例中，历史状态确定模型包括输入层、特征提取层、注意力模块以及分类层，其中，特征提取层至少包括单层BiLSTM(Bi-directional Long Short-Term Memory)、双层BiLSTM、三层BiLSTM等。输入层将多个监测点的历史监测数据序列进行分段处理，构造满足时间度要求的输入样本，特征提取层包括若干不同尺度，分别包含单层BiLSTM、双层BiLSTM、3层BiLSTM等等，每层LSTM中记忆单元的数量不尽相同.记忆单元数量越多，每个记忆单元处理的数据在时间维度上长度越短，提取信号中的高频特征的能力越强，尺度越多，包含的BiLSTM层数也就相应增多，通过调整不同尺度BiLSTM网络的记忆单元数量，可对不同时间步长的信号进行处理，提取多个监测点的历史监测数据序列中由浅到深不同尺度的多重特征。注意力模块对不同尺度的多重特征经过拼接组成特征矩阵进行权重参数优化，并将其输出至分类层。分类层包括两个全连接层；第1层的作用主要是对注意力模块输出结果进行展平操作，使之成为一维序列形式，并经过线性整流单元(RELU)层，提高整个模型的非线性表达能力；第2层是Softmax分类器，用于确定发生故障的监测点以及该监测点的故障原因。

在一些实施例中，深度循环神经网络还可以包括未来状态确定模型，未来状态确定模型用于基于配电柜的多个监测点的历史监测数据序列确定配电柜的未来运行状态。在历史状态确定模型确定配电柜的历史运行状态为非故障状态时，未来状态确定模型可以基于配电柜的多个监测点的历史监测数据序列预测配电柜的多个监测点的未来监测数据序列；未来状态确定模型基于配电柜的多个监测点的未来监测数据序列确定配电柜的未来运行状态。

具体的，在预测未来监测数据序列时，可以先通过未来状态确定模型基于配电柜的多个监测点的历史监测数据序列预测配电柜的多个监测点在第一个未来时间段的未来监测数据序列段，再将第一个未来时间段的未来监测数据序列段与多个监测点的历史监测数据序列进行拼接，形成第一个固定长度(例如，100个时间点)的预测监测数据序列，其中，固定长度与历史监测数据序列的长度一致。再基于第一个预测监测数据序列生成下一个未来时间段的未来监测数据序列段及下一个预测监测数据序列，如此循环，直至第n个预测监测数据序列中的监测数据组均为预测数据，可以将该第n个预测监测数据序列作为用于确定配电柜的未来运行状态的未来监测数据序列。

例如，第一个未来时间段的时间长度为10个时间点，则可以将历史监测数据序列中的前十个历史时间点的监测数据组删除，并将第一个未来时间段拼接在删除前十个历史时间点的监测数据组后的历史监测数据序列的尾部，以组成第一个预测监测数据序列，再通过该第一个预测监测数据序列预测第二个未来时间段的未来监测数据序列段及第二个预测监测数据序列，可以理解的，第二个未来时间段发生在第一个未来时间段之后，示例地，第一个未来时间段可以是历史监测数据序列的最后一个历史时间点以后的第一至第十个时间点，第二个未来时间段可以为历史监测数据序列的最后一个历史时间点以后的第十一至第二十个时间点。

在一些实施例中，状态确定模块还可以通过数据校正模型校验未来监测数据序列中监测数据组。具体地，对于未来监测数据序列中某个监测数据组，以该监测数据组为中心，通过预设长度(例如，31个时间点)的时间窗口，从未来监测数据序列中截取用于校正该监测数据组的多个预测监测数据组，通过数据校正模型基于该多个预测监测数据组生成用于校正该监测数据组的校正数据组，并计算该监测数据组和该校正数据组之间的相似度，当该监测数据组和该校正数据组之间的相似度小于预设相似度阈值时，使用该校正数据组在未来监测数据序列中替换该监测数据组。

可以理解的，在历史状态确定模型确定配电柜的历史运行状态为非故障状态时，再通过未来状态确定模型基于配电柜的多个监测点的历史监测数据序列预测配电柜的多个监测点的未来监测数据序列，确定配电柜的未来运行状态，可以避免无效的重复判断，即判断配电柜历史运行状态为故障时，还判断配电柜的未来运行状态，并且，还可以在定配电柜的历史运行状态为非故障状态时，通过未来状态确定模型基于配电柜的多个监测点的未来监测数据序列确定配电柜的未来运行状态，实现故障的预测，为及时抢修创造条件，减少故障的发生。

可以理解的，现有技术一般通过单个时间点的数据判断是否发生故障，例如，申请号为CN202110621110.X的中国专利公开了一种智能配电柜故障抢修系统、方法及装置，其中公开了“步骤1：通过数据采集模块获取故障数据，数据采集模块包括温湿度传感器，烟雾传感器，故障电弧传感器，红外传感器，尘埃传感器，电流互感器，电压互感器，带红外功能的摄像头，非侵入式识别模块。用于检测配电柜的温湿度异常数据、烟雾异常数据、电弧异常数据、红外异常数据，尘埃异常数据、电流异常数据、电压异常数据、图像数据、非侵入式识别的设备异常数据。这些故障数据的采集为智能配电柜的故障类型识别提供数据支持；步骤2：提出识别基于机器学习算法对配电柜数据和配电柜的故障类型进行数据分析，结合图像识别算法对图像数据进行识别，减少故障类型识别的误差，结合专家经验，将故障类型和故障等级进行综合分析，得出准确实时的配电柜故障信息”，而通过单个时间点的数据准确度较低，容易导致误判，浪费大量人力物力，本说明书一些实施例所示的基于深度循环神经网络的配用电故障检测方法通过深度循环神经网络基于配电柜的多个监测点的历史监测数据序列，可以更加准确地确定配电柜的运行状态，减少误判。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。