CN109272232A - 基于变电站精细化巡检业务的可视化数据管理方法 - Google Patents
基于变电站精细化巡检业务的可视化数据管理方法 Download PDFInfo
- Publication number
- CN109272232A CN109272232A CN201811106371.2A CN201811106371A CN109272232A CN 109272232 A CN109272232 A CN 109272232A CN 201811106371 A CN201811106371 A CN 201811106371A CN 109272232 A CN109272232 A CN 109272232A
- Authority
- CN
- China
- Prior art keywords
- model
- substation
- image
- data
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007689 inspection Methods 0.000 title claims abstract description 31
- 238000013523 data management Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000019771 cognition Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于变电站精细化巡检业务的可视化数据管理方法,包括如下步骤:1)进行基于变电站巡检业务数据结构的分析;2)根据对数据中心服务框架的分析,构建变电站数据移动互联模型;3)构建设备位置标注模型;4)构建影像识别分析模型;5)通过调用变电站数据移动互联模型、设备位置标注模型和影像识别分析模型,生成变电站可视化信息应用模型;6)变电站可视化信息应用模型依托计算机将各模型系统中的单元单独建模,生成分布式结构的网络。本发明提出了可自适应调整的变电站精细化巡检业务技术,能适应变电站图像数据频繁变化的需求,为进一步全面分析电力图像,判断变电站运行状态提供了有力支撑。
Description
技术领域
本发明涉及变电站数据管理与应用技术领域,尤其涉及基于变电站精细化巡检业务的可视化数据管理方法。
背景技术
目前有些变电站安装了视频监控系统,可实现现场设备监视、控制远程摄像机运动、数字视频录像等功能。但只有监视功能没有图像识别功能,缺乏对变电站变电设备的自动识别与分析功能。依然依靠值班人员去观察和分析采集的图像,从而判断变电设备的运行状态,系统缺乏对变电设备图像的自动识别与分析功能。其根本是对背景复杂的变电站图像的分析和变电设备运行巡检的判别方法的研究还不够成熟,切实提高图像分析能力,成为迫切需要解决的问题。
专利号为201510857117.6的发明公开了基于轨迹信息对监控前端设备进行运维检测的方法及装置,该方法从车辆上轨迹记录设备上报的轨迹信息中,提取轨迹记录设备在指定统计周期内的轨迹信息,对于提取的轨迹信息,查找出其对应的轨迹周围指定范围内的有效监控前端设备,随后对有效监控前端设备按照指定的范围进行分组,对于每一组的监控前端设备,查询该组中的监控前端设备在轨迹记录设备所在的车辆经过时间段内的过车记录,最后对该组监控前端设备进行判断。该发明的装置包括轨迹信息提取模块、前端设备查找模块、分组模块、过车记录查询模块和判断模块。本发明的方法及装置,便于工作人员发现巡检的监控前端设备,以便及时进行维修,保障设备的可靠运行。
然而,在实际应用中,通过可见光、在线监测数据、设备巡检记录等数据检测分析与识别技术可从根本上解决目前变电设备在线监测中存在的一些问题:重要设备的运行参数需要实时监测,采用人工巡视难以满足实时性要求,巡视员的责任心、工作态度和精神状况严重影响了检测的结果;很多高压设备的运行状态难以转换成电信号,在信号转换和传输过程中易受强电磁场干扰而影响诊断。因此,数据图像分析与识别技术的运用及模型的建立可促进在线监测系统的智能化、自动化,提高变电站工作人员的工作效率,取得更高的经济效益,将具有较大的实用价值和应用前景。
发明内容
本发明目的在于提供基于变电站精细化巡检业务的可视化数据管理方法,提出了可自适应调整的变电站精细化巡检业务技术,能适应变电站图像数据频繁变化的需求,为进一步全面分析电力图像,判断变电站运行状态提供了有力支撑。
为实现上述目的,本发明采用的技术方案是:基于变电站精细化巡检业务的可视化数据管理方法,包括如下步骤:
1)进行基于变电站巡检业务数据结构的分析,包括对数据中心服务框架的分析、对变电站设备位置标注算法的分析、对影像识别分析算法的分析;
2)根据对数据中心服务框架的分析,构建变电站数据移动互联模型,包括相互连接并进行数据传递的终端模块、防护模块、服务模块和采集模块;
3)根据变电站设备位置标注算法的分析,构建设备位置标注模型,实现光学字符识别,包括相互连接并进行数据传递的图像预处理模块、特征提取模块、模式识别模块和标注模块;
4)根据对影像识别分析算法的分析,构建影像识别分析模型,包括设备影像识别模块和高层语义特征提取模块;
5)通过调用变电站数据移动互联模型、设备位置标注模型和影像识别分析模型,生成变电站可视化信息应用模型;
6)变电站可视化信息应用模型依托计算机将各模型系统中的单元单独建模,生成分层控制单元,并按照实际拓扑关系将其联系起来构成分布式结构的网络,从而实现对于变电站巡检可视化数据的自动分析与管理。
进一步地,所述设备位置标注模型应用RFID射频技术识别特定目标并读写相关数据,并利用可见光针对设备表面标注文字和标牌,即通过实现光学字符识别的各种模块,利用识别结果对图像进行标注。
进一步地,所述变电站可视化信息应用模型包括业务模型和应用模型,所述业务模型包括控制模型、分布式模型和工作人员模型,所述应用模型包括数据服务模型和可视化模型。
进一步地,所述设备影像识别模块运用基于稀疏表示的图像重构方法,并结合压缩感知原理,通过对电网设备图像自然纹理的恢复,形成电网设备图像质量增强方法。
进一步地,所述高层语义特征提取模块包括提取模型和深度学习模型,所述提取模型提取电网设备的颜色特征、纹理特征、形状特征和空间信息,所述深度学习模型包括训练集、训练网络和语义特征提取器,通过构建从图像底层视觉特征到高级语义特征逐层迭代、逐层抽象的深度网络映射,进行图像高层语义特征的提取标注。
进一步地,所述采集模块为变电站数据基础层,通过可视化模型、测量设备、设备模型获取变电站数据信息,查询变电站影像数据结果或将服务模块传来的影像数据进行存储。
进一步地,所述防护模块为信息安全层,作为整个系统的防火墙不仅对系统后端的请求进行身份验证,同时完成服务转发中的加密防护工作。
进一步地,所述服务模块由多个子系统以及适应于市场的服务构成,不但可以调用内部服务,还可以调用其他外部服务,并与其他模型进行信息交换,收集和发送来自业务模型和应用模型的控制信号。
进一步地,所述终端模块使工作人员直接面向计算机终端工作人员和移动端应用,通过应用软件或者移动设备APP程序来访问变电站状态。
本发明的有益效果在于:
1)本发明提供了变电设备运行状态的数据检测分析与识别中所涉及的关键技术,建立变电设备运行状态的数据移动互联模型,构建分布式电网设备影像数据处理中心技术框架,通过搭建数据处理中心技术框架来实现数据处理中心与移动端的技术互联,从而实现检测平台与专家平台的互联互通,并最终利用移动终端平台进一步指导现场作业。
2)本发明通过RFID快速进行设备定位,然后根据图像分析进行视觉引导,能够实现设备关联数据同步显示的功能,克服传统变电站内设备密集,以及室内环境、单纯的GPS定位难以达到精准的要求,增强了现实融合展示数据、对误操作进行预警提醒、对运检操作进行辅助培训等功能,能够根据用户的关注目标进行关联数据的同步。
3)本发明提供了变电站设备关联识别方法,增强了终端模块中为运行/检修工作人员实时提供的相关设备数据关联,并能快速识别变电设备及关键部件,克服了传统图像识别要求度不高。终端模块运算能力不强等问题,具有极高的准确性和时效性。
4)本项目不仅可以解决变电设备数据影像分析中,如何建立数据移动互联模型并高效的利用影像数据问题,为变电设备巡检与诊断提供数据基础,发挥了移动终端的优势,保证电网设备安全可靠运行,具有较高的理论和实际意义,并具有很强的有效性和实用性,值得广泛推广与使用。
附图说明
图1是本发明可视化数据管理方法流程图。
图2是本发明设备位置标注模型的结构关系图。
图3是本发明影像识别分析模型的结构关系图。
图4是本发明变电站可视化信息应用模型的组成关系图。
具体实施方式
实施例
如图1至图4所示,基于变电站精细化巡检业务的可视化数据管理方法,包括如下步骤:1)进行基于变电站巡检业务数据结构的分析,包括对数据中心服务框架的分析、对变电站设备位置标注算法的分析、对影像识别分析算法的分析;2)根据对数据中心服务框架的分析,构建变电站数据移动互联模型,包括相互连接并进行数据传递的终端模块、防护模块、服务模块和采集模块;3)根据变电站设备位置标注算法的分析,构建设备位置标注模型,实现光学字符识别,包括相互连接并进行数据传递的图像预处理模块、特征提取模块、模式识别模块和标注模块;4)根据对影像识别分析算法的分析,构建影像识别分析模型,包括设备影像识别模块和高层语义特征提取模块;5)通过调用变电站数据移动互联模型、设备位置标注模型和影像识别分析模型,生成变电站可视化信息应用模型;6)变电站可视化信息应用模型依托计算机将各模型系统中的单元单独建模,生成分层控制单元,并按照实际拓扑关系将其联系起来构成分布式结构的网络,从而实现对于变电站巡检可视化数据的自动分析与管理。
在具体应用时,变电站数据移动互联模型主要分为四个层次,1)终端模块,即直接面向计算机终端工作人员和移动端应用;2)防护模块,如防火墙等;3)服务模块;4)采集模块。在终端模块中,工作人员使用应用软件或者移动设备APP程序来访问目标设备状态。请求通过防护模块进入服务模块,作为整个系统的防火墙不仅对系统后端的请求进行身份验证,同时完成服务转发工作。系统服务模块由多个子系统以及适应于市场的服务构成,不但可以调用内部服务,还可以调用其他外部服务。最后数据存储层负责查询变电站影像数据结果或将服务模块传来的影像数据进行存储。
本发明的设备位置标注模型应用RFID射频技术,这是一种电子标签或无线射频识别的通信技术,可以通过无线电讯号识别特定目标并读写相关数据,并且无需识别系统与特定目标之间建立机械或光学接触。它能够实现快速的读写、非可视的识别、移动识别、多目标的识别、定位以及长期的跟踪管理,识别工作不受恶劣环境的影响,而且能够达到读取速度快,读取信息安全可靠。RFID射频识别系统主要包括电子标签、阅读器、天线以及应用软件四部分。在阅读器与电子标签的模块中均有数据的输入与输出,并且两大模块中传输的还有能量与时钟。天线:在标签和读取器间传递射频的信号用的。标签:标签是由耦合元件以及芯片所组成,每个标签具有唯一的一个电子编码,附着在物体上用来标识目标对象。标签:标签是由耦合元件以及芯片所组成,每个标签具有唯一的一个电子编码,附着在物体上用来标识目标对象。在本项目中主要通过AR设备读取RFID的电子编码,从而实现对设备位置的初级标识。
为了实现有针对性地辅助指导工作人员进行作业,需要对不同设备、不同工作类型的分类建模,因此需要通过可见光对设备进行识别标注,建立双向设备种类标注模型。其中,在可见光针对设备表面标注文字和标牌:设计并研究适合多数机器视觉领域的光学字符识别系统所需的核心算法,利用识别结果对图像进行标注。进而检验系列算法的可行性与实用性,对比选取抗噪能力强、效果好的处理算法。光学字符识别系统所需的核心算法包含以下几个方面:a)图像预处理模块:电力设备图像进行必要的预处理,包括增强输入图像的质量图像去噪、边缘增强、边缘检测等,数字图像通过图像处理算法定位并截出感兴趣区域,在感兴趣区域基础上,根据具体任务要求,继续分割提取出相关结构,要对采集到的以保证电力设备及其运行状态识别和分析的准确性;b)特征提取模块:将离散化的字符数字图像进行特征向量提取,关键是提取出字符间区别度高的特征向量;c)模式识别模块:输入提取到的特征向量,通过模式匹配算法识别与描述,正确区分出字符,完成图像处理任务;d)将识别结果对图像进行标注。
对于图像区域内无文字标牌的图像:研究多尺度空间模型,建立图像金字塔的简单系统,用于简单而有效的解释多尺度图像特征,在图像特征提取中方便加入尺度空间信息;研究将传统有监督分类器与深度学习相结合,让算法在大数据量和小数据量情况下,都有好的表现。在实施过程中,通常选择深度学习的方法提取样本特征,用传统有监督分类器方法进行分类。
针对此类设备图像的自动标注方法,首先利用图像处理技术提取设备图像的底层视觉特征,包括颜色、纹理、形状和空间信息等,作为图像的元数据。对一幅电力设备图像标注时,将标注问题视为图像分类问题,主要分为两个阶段:a)标注模型训练阶段(用大量的已分类图像训练分类器):提交代表项目具体视觉要求的图像,利用己标注的图像集,构建从图像底层视觉特征到高级语义特征逐层进行迭代、逐层抽象的深度网络映射模型;b)图像标注阶段:计算与训练库中所有图像的相似度,将与之最相似的图像返回,根据测试图像的视觉信息把它分类到预先定义的类别中,每个关键词视为一个独立的类别名称,并对应一个分类器。从而更精准的标注未知样本的电力设备图像。
本发明的影像识别分析模型,主要是进行图像信息获取、图像预处理及影响重构和判决识别,设备特征提取要综合考虑设备颜色特征、纹理特征、形状和尺度空间信息;研究基于几何特征的计算机视觉中典型设备特点,借鉴图像处理与识别技术在其它领域内成功应用的经验,将图像处理和模式识别的算法运用到电力设备的识别,通过一定的算法可以在图中找到目标,确定其坐标位置,识别出电力设备的类型,这是进一步全面分析电力图像先决条件,是判断电力设备运行状态的基础。
影像识别分析模型包括设备影像识别模块和高层语义特征提取模块,针对电网设备影像的特性,进行设备影像的重构,进而提升所获得的设备影像的质量。图像增强技术针对图像分析识别中的预处理过程,突出电网设备图像中感兴趣区域信息,变换原电网设备图像为更加适合人机辨识的图像。研究常用的设备图像增强处理方式:灰度变换、直方图修正、图像锐化、噪声去除、几何畸变校正、频域滤波和彩色增强等;研究基于空间域的图像增强算法和基于变换域的图像增强算法,将有针对性、适应各种应用场合的图像增强算法应用到设备影像的处理中。
本发明通过针对基于稀疏表示的图像重构方法,研究基于压缩感知理论和稀疏表示的设备图像质量增强方法。电网设备图像一般都具有丰富的纹理,基于稀疏表示的图像重建方法对恢复自然图像的纹理等细节具有良好的效果,在无显著噪声影响和模糊核已知的前提下,表现更为出色。除此之外,稀疏表示的方法构建的字典原子个数少、效率高,这为进一步设计更复杂、图像重建效果更好的算法预留出了空间。
稀疏表示的图像重构方法主要依靠的是稀疏编码,稀疏编码是神经信息群体分布式表达的一种有效策略。从神经生理学角度而言,稀疏编码是一种新陈代谢能量较少的信息处理策略。图像稀疏表示是基于神经元有效编码假说发展起来的一种有效的图像分析及变换域处理方法。图像表示的有效性是指用较少的数学描述来捕获图像中重要信息的能力,这种有效表示是通过非线性逼近方法实现的。视觉生理学的研究表明,视觉系统对所感知的图像特征以稀疏编码的形式进行描述,从而降低了视皮层神经元群对客体全部特征的响应强度,即用最少的活性神经元来表达一幅视觉图像——既对繁杂冗余的信息提供了简单表示方法,又利于上层传感神经元抽取刺激中最本质的特征。对作用于输入刺激的单个神经元来说,稀疏编码指该神经元响应的分布具有稀疏特性;而对作用于同一刺激的神经元群来说,稀疏编码则指对于该刺激,并不是所有的神经元都被激活,而仅仅只有极少数的神经元被激活。从信息论的角度看,在具有相同均值和方差的概率分布中,正态分布具有最大的嫡,而稀疏分布的嫡则少得多,或者说其峭度最大。非正态性也是衡量稀疏性的标准之一。
对图像处理而言,稀疏编码是指模拟神经元的稀疏型活动特性,用一组基函数获得输入图像的编码表示,在该组编码序列中只有少量的系数较大,而其他大部分系数较小或者接近于零。系数分布满足实线所示的非高斯性,那么,只需要很少的一些系数就可以近似地逼近原信号。初级视觉感知系统的作用是去除输入信号的统计冗余。大脑之所以能够对外界环境自适应,就是因为外界刺激存在着冗余,而大脑的神经元能有效去除这些冗余,从而利用较少的资源尽可能有效地表达更多的信息。有效编码假说合理地解决了复杂的外部场景和有效的神经元个数之间的矛盾,并且通过有关昆虫和脊椎动物视网膜的一系列实验验证了有效编码假说的正确性,从而成为一种理解视觉神经系统的理论工具。
压缩感知理论是信号与信息处理学科中的一种新兴的采样理论。具体地,假设信号是可压缩或在变换域是稀疏的,则能够利用与变换矩阵非相干的观测矩阵来测量稀疏表示系数,得到低维的线性投影。该种投影保留了重建信号所需的大部分信息。通过求解稀疏约束最优化问题,就能够从低维观测中精确或高概率精确地重构原始信号。实现压缩感知主要包括三个部分:信号的稀疏表示、观测稀疏表示和信号稀疏重构。(1)信号稀疏表示即信号分解为变换基的组合表示,而表示系数是稀疏的。变换基可用传统的正交基如DCT、FFT、DWT等,紧框架基如Ridgelet、Curvelet、Contourlet等,超完备字典应用冗余的原子库更灵活、更稀疏地表示信号。特别地,信号的超完备字典稀疏表示,一方面需要通过必要的学习来构建超完备字典,学习的内容根据特定信号处理任务确定,如梯度或图像本身;另一方面,快速、准确的从超完备字典中选择有效原子的最优组合。(2)观测稀疏表示即稀疏表示的非自适应低维投影。若观测矩阵与变换矩阵不相干,则此时的观测矩阵在信号重构时可以精确或高概率精确地重构原始信号,或者更强的约束条件是观测矩阵满足约束等距性条件。而高斯随机矩阵可高概率保证不相干性和RIP性质。(3)信号稀疏重构即在稀疏性约束下从观测信号中重构原始信号。所以,压缩感知是基于信号稀疏表示模型的解决不完备数据重构的理论框架,精确重构的前提是稀疏变换矩阵和观测矩阵(两者的乘积为感知矩阵)的良好设计。
基于深度学习的高层语义特征提取模型,构建从图像底层视觉特征到高级语义特征逐层迭代、逐层抽象的深度网络映射模型,旨在减小语义鸿沟,得到图像语义特征,为大规模图像自动标注提供良好的基础。针对基于深度学习的设备影像识别,使用更好的网络训练模型可以大大提高识别的准确率,直接利用全局特征预测每个位置可能的设备目标,不断进行迭代回归调整,得到最终的识别结果,通过定义回归方式,网络以及模型,将原始识别结果进行再一次回归之后,再进行识别,提升效果。
深度学习理论在于假设系统多个层,则其基本思想就是堆叠多个层,把上一层的输出作为下一层的输入,通过这种方式实现对输入信息的分级表达。深度学习为一系列简单映射,每种映射作为模型的一层,这种分层的无监督的特征学习是深度学习的重要基础,它通过逐层的特征变换,将样本在原空间的特征表示映射到一个新的特征空间中,用大量简单的特征构建复杂的表示,消除输入数据中与学习任务无关因素的改变对学习性能的影响,保留对学习任务有用的信息。深度学习采用“两步走”的方式学习各层的参数,即自下而上的非监督学习和自上而下的有监督学习:a.自下而上的非监督学习:这一步是一个无监督的训练过程,从最底层开始,采用无标签的数据分层训练各层参数,将第m-1层的输出作为第m层的输入,以此类推,逐层向顶层训练。这一步类似于传统神经网络的初值随机初始化过程,但这里的初值是通过学习输入数据的结构得到的,比随机初始化更接近全局最优。当所有层训练完之后,除最顶层之外,将其它层与层之间的连接变为双向连接,这样一来,最顶层仍然保持一个单层神经网络,其它层则变成了图模型。对于连接的权重,向上的表示“认知权重”,向下的表示“生成权重”,采用Wake-Sleep算法调整所有的权重,使得认知和生成达成一致,尽可能保证生成的最顶层表示能够恢复最底层的结点:(1)Wake过程:醒的时候是一个认知过程,通过外界的特征和认知权重产生各层的节点值,同时采用梯度下降方法修改各层之间的生成权重。(2)Sleep过程:做梦的时候是一个生成过程,通过醒的时候学习的顶层表示和生成权重,生成底层的状态,同时修改各层之间的认知权重。b.自上而下的有监督学习:这一步是一个有监督的训练过程,在第一步学习得到的各层参数的基础上,通过带标签的数据去训练,误差自顶向下传递,对各层参数进行微调。
变电站可视化信息应用模型包括业务模型和应用模型,业务模型包括控制模型、分布式模型和工作人员模型,应用模型包括数据服务模型和可视化模型。由四种模型构成,分别是控制模型、分布式模型、工作人员模型和应用模型,而应用模型又包括数据服务模型和可视化模型。在该系统中,每个模型有各自的目标和责任。控制模型的功能包括监视监测事故。当有巡检发生时,控制模型发送信号形成隔离。分布式模型负责存储相关分布信息,也可以监控分布式功率以及连接状态。分布式信息包括设备数量、类型、额定功率、利用率等。工作人员模型作为智能微网提供给工作人员了解相关信息的通道。工作人员模型为客户提供智能系统各实体的实时信息。工作人员模型也可以监视重要和非重要信息的渠道,最后,应用模型负责存储系统信息、记录信息以及各模型之间的信息共享,应用模型也作为各模型的数据存取和工作人员显示模块。
传统的模型控制,其建模模型是由初始设定的固定单元,不能够适应场景的变化而做出自适应的调整。本发明设计的模型不是固定不变的,随着场景的变化,模型之间会做出自适应的调整,即“嵌套”。“嵌套”是本发明涉及的“分层”信息模型一种具体实现方法,首先对所研究的配网系统进行脆弱性关键路径的辨识和搜索,确定基础模型单元,然后再根据分布式结构接入信息,根据分布式接入点与设备关键因素形成操作规则,对模型单元进行多次“合并”操作,即所谓的“嵌套”。本发明的分层模式是作为数据移动互联的功能化分层,即由上至下的功能传递,其中,采集模块为变电站数据基础层,通过可视化模型、测量设备、设备模型获取变电站数据信息,查询变电站影像数据结果或将服务模块传来的影像数据进行存储。防护模块为信息安全层,作为整个系统的防火墙不仅对系统后端的请求进行身份验证,同时完成服务转发中的加密防护工作。服务模块由多个子系统以及适应于市场的服务构成,不但可以调用内部服务,还可以调用其他外部服务,并与其他模型进行信息交换,收集和发送来自业务模型和应用模型的控制信号。终端模块使工作人员直接面向计算机终端工作人员和移动端应用,通过应用软件或者移动设备APP程序来访问变电站状态。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,本领域的一般技术人员将认识到,使用本发明的方案还可以实现许多可选的实施例。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于变电站精细化巡检业务的可视化数据管理方法,其特征在于,包括如下步骤:
1)进行基于变电站巡检业务数据结构的分析,包括对数据中心服务框架的分析、对变电站设备位置标注算法的分析、对影像识别分析算法的分析;
2)根据对数据中心服务框架的分析,构建变电站数据移动互联模型,包括相互连接并进行数据传递的终端模块、防护模块、服务模块和采集模块;
3)根据变电站设备位置标注算法的分析,构建设备位置标注模型,实现光学字符识别,包括相互连接并进行数据传递的图像预处理模块、特征提取模块、模式识别模块和标注模块;
4)根据对影像识别分析算法的分析,构建影像识别分析模型,包括设备影像识别模块和高层语义特征提取模块;
5)通过调用变电站数据移动互联模型、设备位置标注模型和影像识别分析模型,生成变电站可视化信息应用模型;
6)变电站可视化信息应用模型依托计算机将各模型系统中的单元单独建模,生成分层控制单元,并按照实际拓扑关系将其联系起来构成分布式结构的网络,从而实现对于变电站巡检可视化数据的自动分析与管理。
2.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述设备位置标注模型应用RFID射频技术识别特定目标并读写相关数据,并利用可见光针对设备表面标注文字和标牌,即通过实现光学字符识别的各种模块,利用识别结果对图像进行标注。
3.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述变电站可视化信息应用模型包括业务模型和应用模型,所述业务模型包括控制模型、分布式模型和工作人员模型,所述应用模型包括数据服务模型和可视化模型。
4.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述设备影像识别模块运用基于稀疏表示的图像重构方法,并结合压缩感知原理,通过对电网设备图像自然纹理的恢复,形成电网设备图像质量增强方法。
5.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述高层语义特征提取模块包括提取模型和深度学习模型,所述提取模型提取电网设备的颜色特征、纹理特征、形状特征和空间信息,所述深度学习模型包括训练集、训练网络和语义特征提取器,通过构建从图像底层视觉特征到高级语义特征逐层迭代、逐层抽象的深度网络映射,进行图像高层语义特征的提取标注。
6.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述采集模块为变电站数据基础层,通过可视化模型、测量设备、设备模型获取变电站数据信息,查询变电站影像数据结果或将服务模块传来的影像数据进行存储。
7.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述防护模块为信息安全层,作为整个系统的防火墙不仅对系统后端的请求进行身份验证,同时完成服务转发中的加密防护工作。
8.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述服务模块由多个子系统以及适应于市场的服务构成,不但可以调用内部服务,还可以调用其他外部服务,并与其他模型进行信息交换,收集和发送来自业务模型和应用模型的控制信号。
9.如权利要求1所述的基于变电站精细化巡检业务的可视化数据管理方法,其特征在于:所述终端模块使工作人员直接面向计算机终端工作人员和移动端应用,通过应用软件或者移动设备APP程序来访问变电站状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811106371.2A CN109272232A (zh) | 2018-09-21 | 2018-09-21 | 基于变电站精细化巡检业务的可视化数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811106371.2A CN109272232A (zh) | 2018-09-21 | 2018-09-21 | 基于变电站精细化巡检业务的可视化数据管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272232A true CN109272232A (zh) | 2019-01-25 |
Family
ID=65198595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811106371.2A Pending CN109272232A (zh) | 2018-09-21 | 2018-09-21 | 基于变电站精细化巡检业务的可视化数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272232A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049121A (zh) * | 2019-04-14 | 2019-07-23 | 北京中大科慧科技发展有限公司 | 一种基于增强现实技术的数据中心巡检系统 |
CN110909653A (zh) * | 2019-11-18 | 2020-03-24 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN111917046A (zh) * | 2019-05-07 | 2020-11-10 | 硕天科技股份有限公司 | 电力装置及其讯息可视化方法 |
CN112162565A (zh) * | 2020-08-21 | 2021-01-01 | 云南电网有限责任公司昆明供电局 | 一种基于多机协同作业的不间断自主杆塔巡检方法 |
CN112860760A (zh) * | 2021-01-29 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备智能辨识系统 |
CN113408202A (zh) * | 2021-06-18 | 2021-09-17 | 国网湖南省电力有限公司 | 面向变电站核心工控业务的流量基线模型构造方法 |
CN113671199A (zh) * | 2020-07-28 | 2021-11-19 | 国网江苏省电力有限公司南通供电分公司 | 一种用于封样送检的取样系统 |
CN114304798A (zh) * | 2021-11-13 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种融合智能穿戴装备的电力巡检作业系统与巡检流程 |
CN118314651A (zh) * | 2024-06-10 | 2024-07-09 | 四川川西数据产业有限公司 | 一种数据中心巡检机器人自动开门禁系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228900A (zh) * | 2018-02-06 | 2018-06-29 | 国网山西省电力公司电力科学研究院 | 基于分层结构的电力设备多光谱数据中心模型建立方法 |
CN108344931A (zh) * | 2018-02-06 | 2018-07-31 | 国网山西省电力公司电力科学研究院 | 基于紫外图谱技术的电力设备安全分析系统 |
-
2018
- 2018-09-21 CN CN201811106371.2A patent/CN109272232A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228900A (zh) * | 2018-02-06 | 2018-06-29 | 国网山西省电力公司电力科学研究院 | 基于分层结构的电力设备多光谱数据中心模型建立方法 |
CN108344931A (zh) * | 2018-02-06 | 2018-07-31 | 国网山西省电力公司电力科学研究院 | 基于紫外图谱技术的电力设备安全分析系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049121B (zh) * | 2019-04-14 | 2021-08-06 | 北京中大科慧科技发展有限公司 | 一种基于增强现实技术的数据中心巡检系统 |
CN110049121A (zh) * | 2019-04-14 | 2019-07-23 | 北京中大科慧科技发展有限公司 | 一种基于增强现实技术的数据中心巡检系统 |
CN111917046A (zh) * | 2019-05-07 | 2020-11-10 | 硕天科技股份有限公司 | 电力装置及其讯息可视化方法 |
CN110909653A (zh) * | 2019-11-18 | 2020-03-24 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN110909653B (zh) * | 2019-11-18 | 2022-03-15 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN113671199A (zh) * | 2020-07-28 | 2021-11-19 | 国网江苏省电力有限公司南通供电分公司 | 一种用于封样送检的取样系统 |
CN112162565A (zh) * | 2020-08-21 | 2021-01-01 | 云南电网有限责任公司昆明供电局 | 一种基于多机协同作业的不间断自主杆塔巡检方法 |
CN112162565B (zh) * | 2020-08-21 | 2023-05-30 | 云南电网有限责任公司昆明供电局 | 一种基于多机协同作业的不间断自主杆塔巡检方法 |
CN112860760B (zh) * | 2021-01-29 | 2023-03-31 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备智能辨识系统 |
CN112860760A (zh) * | 2021-01-29 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备智能辨识系统 |
CN113408202A (zh) * | 2021-06-18 | 2021-09-17 | 国网湖南省电力有限公司 | 面向变电站核心工控业务的流量基线模型构造方法 |
CN113408202B (zh) * | 2021-06-18 | 2022-04-08 | 国网湖南省电力有限公司 | 面向变电站核心工控业务的流量基线模型构造方法 |
CN114304798A (zh) * | 2021-11-13 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种融合智能穿戴装备的电力巡检作业系统与巡检流程 |
CN118314651A (zh) * | 2024-06-10 | 2024-07-09 | 四川川西数据产业有限公司 | 一种数据中心巡检机器人自动开门禁系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272232A (zh) | 基于变电站精细化巡检业务的可视化数据管理方法 | |
CN105354548B (zh) | 一种基于ImageNet检索的监控视频行人重识别方法 | |
CN108216252B (zh) | 一种地铁司机车载驾驶行为分析方法、车载终端及系统 | |
CN109242439B (zh) | 基于变电站设备相关联数据的特征提取识别方法 | |
CN103268495B (zh) | 计算机系统中基于先验知识聚类的人体行为建模识别方法 | |
CN102187336B (zh) | 用于识别视频档案中的对象的方法 | |
US10846857B1 (en) | Systems and methods for enhanced real-time image analysis with a dimensional convolution concept net | |
CN109743547A (zh) | 一种人工智能安全监控管理系统 | |
CN110688980B (zh) | 基于计算机视觉的人体姿态分类方法 | |
CN108985467A (zh) | 基于人工智能的二次设备精益化管控方法 | |
CN110766151B (zh) | 一种基于场景的开放式神经网络模型管理系统 | |
CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
CN110298263A (zh) | 基于rfid系统的实时精确且无接触的手势识别方法及系统 | |
CN114423034B (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
Xia et al. | [Retracted] Gesture Tracking and Recognition Algorithm for Dynamic Human Motion Using Multimodal Deep Learning | |
Sun et al. | Enterprise information security management using internet of things combined with artificial intelligence technology | |
CN111951505B (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
Zhang et al. | Towards Urban General Intelligence: A Review and Outlook of Urban Foundation Models | |
CN109242431A (zh) | 一种基于数据体系的企业管理方法及其系统 | |
CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
Li et al. | [Retracted] PointLAE: A Point Cloud Semantic Segmentation Neural Network via Multifeature Aggregation for Large‐Scale Application | |
Zhang et al. | Pedestrian Attitude Estimation and Recognition Algorithm Based on RF Data | |
CN116661940B (zh) | 组件识别方法、装置、计算机设备和存储介质 | |
Yu et al. | Multiple Information Collection Technology of Power Network Disaster Loss |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |