CN110379036A - 变电站智能巡检识别方法、系统、装置及存储介质 - Google Patents
变电站智能巡检识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN110379036A CN110379036A CN201910561706.8A CN201910561706A CN110379036A CN 110379036 A CN110379036 A CN 110379036A CN 201910561706 A CN201910561706 A CN 201910561706A CN 110379036 A CN110379036 A CN 110379036A
- Authority
- CN
- China
- Prior art keywords
- substation
- data
- inspection
- sample
- intelligent
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种变电站智能巡检识别方法、系统、装置及存储介质,方法包括对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结果;将巡检判断结果展示在变电站三维实景中对应的位置上。本发明通过建立样本数据库,并利用人工智能算法训练生成巡检识别模型,从而能实时对变电站设备的设备状态和人员作业情况进行识别,大大提高巡检识别准确性,而且能将巡检识别结果实时显示在变电站三维实景上,使工作人员能及时查看巡检识别结果,清楚直观。本发明可广泛应用于变电站巡检领域中。
Description
技术领域
本发明涉及巡检识别技术领域,尤其涉及一种变电站智能巡检识别方法、系统、装置及存储介质。
背景技术
现在我国的全国电网逐步建成并完善,输电线路总长度和输送容量逐年增长。电力配网主要包括发电设备、输电设备、变电设备、配电设备和用电设备,配网过程中关键是设备保护。为确保输电线路的可靠性,及时发现线路损伤和隐患,电力部门必须定期对输电线路进行巡检。传统输电线路的巡检主要为人工巡检方式,此方式受到自然环境和巡检设备的制约,成本高、效率低、漏检率及误检率大,效果不佳。
随着智能机器人技术应用的发展,变电站巡检机器人进入了实用阶段,但现有的巡检机器人采用的先通过拍摄图像,然后后台利用传统机器学习的方式辨识故障的方法,并不能结合运用到三维场景中,不够清楚直观。
发明内容
为了解决上述技术问题,本发明的目的是提供一种能提高识别准确率的变电站智能巡检识别方法、系统、装置及存储介质。
本发明所采取的技术方案是:
一种变电站智能巡检识别方法,包括以下步骤:
对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;
根据实时状态对样本数据库中的样本数据进行分类,得到各种实时状态对应的样本数据集;
通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;
对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结果;
将巡检判断结果展示在变电站三维实景中对应的位置上。
作为所述的一种变电站智能巡检识别方法的进一步改进,所述对变电站设备和现场作业场景进行数据采集,建立得到样本数据库,这一步骤具体包括:
对变电站设备和现场作业场景进行数据采集,得到设备数据和现场人员作业数据;
对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据;
根据样本数据,建立得到样本数据库。
作为所述的一种变电站智能巡检识别方法的进一步改进,所述数据采集的方式为通过固定摄像头采集和通过巡检机器人360°采集。
作为所述的一种变电站智能巡检识别方法的进一步改进,所述样本数据包括开关刀闸类样本数据、表计类样本数据设备外观类样本数据和现场人员作业数据。
作为所述的一种变电站智能巡检识别方法的进一步改进,所述的对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据,这一步骤具体包括:
根据设备数据执行第一处理操作,所述第一处理操作包括数据去噪、数据格式化和归一化;
根据第一处理操作的结果进行空间向量格式转化,得到样本数据。
作为所述的一种变电站智能巡检识别方法的进一步改进,所述变电站三维实景通过智能显示屏、AR设备、VR设备和浏览器中的至少一种来展示,所述智能显示屏包括空气成像装置、空气屏、移动终端、平板电脑端、PC电脑端、LED显示屏、LCD显示屏、OLED显示屏和点阵显示屏。
本发明所采用另一个技术方案是:
一种变电站智能巡检识别系统,包括:
数据库建立单元,用于对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;
分类单元,用于根据实时状态对样本数据库中的样本数据进行分类,得到各种实时状态对应的样本数据集;
训练单元,用于通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;
巡检识别单元,用于对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结果;
展示单元,用于将巡检判断结果展示在变电站三维实景中对应的位置上。
作为所述的一种变电站智能巡检识别方法的进一步改进,所述对数据库建立单元具体包括:
采集单元,用于对变电站设备和现场作业场景进行数据采集,得到设备数据和现场人员作业数据;
预处理单元,用于对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据;
建立单元,用于根据样本数据,建立得到样本数据库。
本发明所采用的再一个技术方案是:
一种变电站智能巡检识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的变电站智能巡检识别方法。
本发明所采用的再一个技术方案是:
一种计算机可读存储介质,包括计算机程序,当所述计算机程序在计算机上运行时,使得所述的变电站智能巡检识别方法被执行。
本发明的有益效果是:
本发明变电站智能巡检识别方法、系统、装置及存储介质通过建立样本数据库,并利用人工智能算法训练生成得到巡检识别模型,使得在对变电站设备和人员作业进行巡检时能通过巡检识别模型实时对变电站设备的设备状态和人员作业情况进行识别,大大提高巡检识别准确性,而且能将巡检识别结果实时显示在变电站三维实景上,使工作人员能及时查看巡检识别结果,清楚直观。
附图说明
图1是本发明变电站智能巡检识别方法一个实施例的步骤流程图;
图2是本发明变电站智能巡检识别系统一个实施例的模块方框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
参考图1,本发明实施例提供了一种变电站智能巡检识别方法,包括以下步骤:
S1、对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;
本实施例中,对变电站设备和现场作业场景进行数据采集后可得到设备数据和现场人员作业数据,所述变电站设备包括开关刀闸类设备、表计类设备等等。所述样本数据库可持续收集样本数据,方便后续巡检识别模型迭代训练更新算法模型。
S2、根据实时状态对样本数据库中的样本数据进行分类,得到各种实时状态对应的样本数据集;
本实施例中,样本数据包括开关刀闸类样本数据、表计类样本数据、设备外观类样本数据和现场人员作业数据等。训练前需要对样本数据根据各种实时状态进行分类,从而得到各种实时状态对应的样本数据集。
S3、通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;
本实施例中,所述人工智能算法采用神经网络算法实现,神经网络通过学习和训练改变神经元之间的连接,以及连接之间的权重,以适应周围的环境要求。使用相同的初始网络配置通过不同的训练集进行学习,得到的神经网络是完全不同的。神经网络是一个具有学习能力的系统,可以发展知识,以致超过设计者原有的知识水平。通常,它的学习训练方式可分为两种,一种是有监督的学习,这时利用给定的样本标准进行分类或模仿;另一种是无监督学习的学习,只规定学习方式或某些规则,则具体的学习内容随系统所处环境(即输入信号情况)而异,系统可以自动发现环境特征和规律性,具有更近似人脑的功能。神经网络的结构特点决定了它比较适合使用分布式存储及并行计算。
神经网络的这些特点很适合故障分析和预警,通过获取海量的样本数据。并行神经网络的两种学习方式可以训练已知的故障分析,也可以通过不断的学习挖掘到新的故障类型和原因。因此本实施例中通过对各样本数据集进行训练,建立得到巡检识别模型方便后续进行故障分析。
S4、对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结果;
S5、将巡检判断结果展示在变电站三维实景中对应的位置上。
本实施例通过建立样本数据库,并利用神经网络训练生成得到巡检识别模型,使得在对变电站设备进行巡检时能通过巡检识别模型实时对变电站设备的设备状态进行识别或实时对现场人员的作业情况进行识别,大大提高变电站现场实时状态的识别准确性。
而且,当工作人员觉得该巡检判断结果与现实不符时,可以对该巡检判断结果进行修正,并将该巡检判断结果对应的样本数据作为训练数据,通过人工智能算法对各样本数据集进行迭代训练更新巡检识别模型,从而能持续提高设备状态识别准确率。
进一步作为优选的实施方式,所述对变电站设备和现场作业场景进行数据采集,建立得到样本数据库,这一步骤具体包括:
S11、对变电站设备和现场作业场景进行数据采集,得到设备数据和现场人员作业数据;
S12、对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据;
本实施例中设备数据的预处理对采集到的监测数据进行处理,包括数据去噪、数据格式化、归一化等操作,将数据转化为空间向量格式的数据。这种格式的数据便于后续进行特征选择及神经网络处理。
S13、根据样本数据,建立得到样本数据库。
进一步作为优选的实施方式,所述的对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据,这一步骤具体包括:
S121、根据设备数据执行第一处理操作,所述第一处理操作包括数据去噪、数据格式化和归一化;
S112、根据第一处理操作的结果进行空间向量格式转化,得到样本数据。
本实施例中,本实施例中设备数据的预处理是为了后续进行特征选择及神经网络处理。
进一步作为优选的实施方式,所述变电站三维实景通过智能显示屏、AR设备、VR设备和浏览器中的至少一种来展示,所述智能显示屏包括空气成像装置、空气屏、移动终端、平板电脑端、PC电脑端、LED显示屏、LCD显示屏、OLED显示屏和点阵显示屏。
具体地,本实施例变电站三维实景可支持线上线下各种屏的展示或跨平台展示,如可展示在空气成像装置、空气屏、移动终端、平板电脑端、PC电脑端、LED显示屏、LCD显示屏、OLED显示屏和点阵显示屏上,用户只需通过相应的链接(如URL链接)进行访问即可,省去了装载APP的过程,效率更高且更加方便。
参考图2,一种变电站智能巡检识别系统,包括:
数据库建立单元,用于对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;
分类单元,用于根据实时状态对样本数据库中的样本数据进行分类,得到各种实时状态对应的样本数据集;
训练单元,用于通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;
巡检识别单元,用于对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结果;
展示单元,用于将巡检判断结果展示在变电站三维实景中对应的位置上。。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
进一步作为优选的实施方式,所述对数据库建立单元具体包括:
采集单元,用于对变电站设备和现场作业场景进行数据采集,得到设备数据和现场人员作业数据;
预处理单元,用于对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据;
建立单元,用于根据样本数据,建立得到样本数据库。
本发明还提供了一种变电站智能巡检识别装置,其包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的变电站智能巡检识别方法。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明还提供了一种计算机可读存储介质,包括计算机程序,当所述计算机程序在计算机上运行时,使得所述的变电站智能巡检识别方法被执行。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
综上所述,本发明变电站智能巡检识别方法、系统、装置及存储介质通过建立样本数据库,并利用人工智能算法训练生成得到巡检识别模型,使得在对变电站设备和人员作业进行巡检时能通过巡检识别模型实时对变电站设备的设备状态和人员作业情况进行识别,大大提高巡检识别准确性,而且能将巡检识别结果实时显示在变电站三维实景上,使工作人员能及时查看巡检识别结果,清楚直观。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种变电站智能巡检识别方法,其特征在于,包括以下步骤:
对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;
根据实时状态对样本数据库中的样本数据进行分类,得到各种实时状态对应的样本数据集;
通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;
对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结果;
将巡检判断结果展示在变电站三维实景中对应的位置上。
2.根据权利要求1所述的一种变电站智能巡检识别方法,其特征在于:所述对变电站设备和现场作业场景进行数据采集,建立得到样本数据库,这一步骤具体包括:
对变电站设备和现场作业场景进行数据采集,得到设备数据和现场人员作业数据;
对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据;
根据样本数据,建立得到样本数据库。
3.根据权利要求1或2所述的一种变电站智能巡检识别方法,其特征在于:所述数据采集的方式为通过固定摄像头采集和通过巡检机器人360°采集。
4.根据权利要求1或2所述的一种变电站智能巡检识别方法,其特征在于:所述样本数据包括开关刀闸类样本数据、表计类样本数据设备外观类样本数据和现场人员作业数据。
5.根据权利要求2所述的一种变电站智能巡检识别方法,其特征在于:所述的对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据,这一步骤具体包括:
根据设备数据执行第一处理操作,所述第一处理操作包括数据去噪、数据格式化和归一化;
根据第一处理操作的结果进行空间向量格式转化,得到样本数据。
6.根据权利要求1所述的一种变电站智能巡检识别方法,其特征在于:所述变电站三维实景通过智能显示屏、AR设备、VR设备和浏览器中的至少一种来展示,所述智能显示屏包括空气成像装置、空气屏、移动终端、平板电脑端、PC电脑端、LED显示屏、LCD显示屏、OLED显示屏和点阵显示屏。
7.一种变电站智能巡检识别系统,其特征在于,包括:
数据库建立单元,用于对变电站设备和现场作业场景进行数据采集,建立得到样本数据库;
分类单元,用于根据实时状态对样本数据库中的样本数据进行分类,得到各种实时状态对应的样本数据集;
训练单元,用于通过人工智能算法对各样本数据集进行训练,建立得到巡检识别模型;
巡检识别单元,用于对变电站进行巡检,并通过巡检识别模型对变电站的实时情况进行识别,得出巡检判断结;
展示单元,用于将巡检判断结果展示在变电站三维实景中对应的位置上。
8.根据权利要求6所述的一种变电站智能巡检识别系统,其特征在于:所述对数据库建立单元具体包括:
采集单元,用于对变电站设备和现场作业场景进行数据采集,得到设备数据和现场人员作业数据;
预处理单元,用于对采集得到的设备数据和现场人员作业数据进行预处理,得到适用于神经网络训练的样本数据;
建立单元,用于根据样本数据,建立得到样本数据库。
9.一种变电站智能巡检识别装置,其特征在于:包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-6任一项所述的变电站智能巡检识别方法。
10.一种计算机可读存储介质,其特征在于,包括计算机程序,当所述计算机程序在计算机上运行时,使得如权利要求1~6任一项所述的变电站智能巡检识别方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561706.8A CN110379036A (zh) | 2019-06-26 | 2019-06-26 | 变电站智能巡检识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561706.8A CN110379036A (zh) | 2019-06-26 | 2019-06-26 | 变电站智能巡检识别方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110379036A true CN110379036A (zh) | 2019-10-25 |
Family
ID=68249527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561706.8A Pending CN110379036A (zh) | 2019-06-26 | 2019-06-26 | 变电站智能巡检识别方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379036A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047731A (zh) * | 2019-12-25 | 2020-04-21 | 科大国创软件股份有限公司 | 一种基于ar技术的电信机房巡检方法及系统 |
CN111754001A (zh) * | 2020-05-25 | 2020-10-09 | 北京三清互联科技有限公司 | 展示三维巡检数据的方法和智能巡检系统 |
CN112749813A (zh) * | 2020-10-29 | 2021-05-04 | 广东电网有限责任公司 | 一种数据处理系统、方法、电子设备及存储介质 |
CN113542221A (zh) * | 2021-06-15 | 2021-10-22 | 四川英得赛克科技有限公司 | 智能变电站的传感器数据被篡改的判断方法、系统、电子设备及存储介质 |
CN114783188A (zh) * | 2022-05-17 | 2022-07-22 | 阿波罗智联(北京)科技有限公司 | 巡检方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679559A (zh) * | 2013-12-23 | 2014-03-26 | 国家电网公司 | 可视化电网系统及其故障辨识方法 |
CN105956232A (zh) * | 2016-04-20 | 2016-09-21 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种变电站三维实景仿真系统及实现方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
KR20170083785A (ko) * | 2016-01-11 | 2017-07-19 | 한국과학기술원 | Rgb 카메라를 이용한 복수의 회선신경망의 결정정보에 기초한 물체 인공비전인식 시스템 및 학습방법 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108416299A (zh) * | 2018-03-09 | 2018-08-17 | 重庆览辉信息技术有限公司 | 一种电力线路智能巡检系统 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
-
2019
- 2019-06-26 CN CN201910561706.8A patent/CN110379036A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679559A (zh) * | 2013-12-23 | 2014-03-26 | 国家电网公司 | 可视化电网系统及其故障辨识方法 |
KR20170083785A (ko) * | 2016-01-11 | 2017-07-19 | 한국과학기술원 | Rgb 카메라를 이용한 복수의 회선신경망의 결정정보에 기초한 물체 인공비전인식 시스템 및 학습방법 |
CN105956232A (zh) * | 2016-04-20 | 2016-09-21 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种变电站三维实景仿真系统及实现方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108416299A (zh) * | 2018-03-09 | 2018-08-17 | 重庆览辉信息技术有限公司 | 一种电力线路智能巡检系统 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047731A (zh) * | 2019-12-25 | 2020-04-21 | 科大国创软件股份有限公司 | 一种基于ar技术的电信机房巡检方法及系统 |
CN111754001A (zh) * | 2020-05-25 | 2020-10-09 | 北京三清互联科技有限公司 | 展示三维巡检数据的方法和智能巡检系统 |
CN112749813A (zh) * | 2020-10-29 | 2021-05-04 | 广东电网有限责任公司 | 一种数据处理系统、方法、电子设备及存储介质 |
CN112749813B (zh) * | 2020-10-29 | 2023-11-10 | 广东电网有限责任公司 | 一种数据处理系统、方法、电子设备及存储介质 |
CN113542221A (zh) * | 2021-06-15 | 2021-10-22 | 四川英得赛克科技有限公司 | 智能变电站的传感器数据被篡改的判断方法、系统、电子设备及存储介质 |
CN113542221B (zh) * | 2021-06-15 | 2023-11-03 | 四川英得赛克科技有限公司 | 智能变电站的传感器数据被篡改的判断方法、系统、电子设备及存储介质 |
CN114783188A (zh) * | 2022-05-17 | 2022-07-22 | 阿波罗智联(北京)科技有限公司 | 巡检方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379036A (zh) | 变电站智能巡检识别方法、系统、装置及存储介质 | |
CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
CN111259892B (zh) | 一种指示灯状态的巡检方法、装置、设备和介质 | |
CN108275524B (zh) | 一种基于第一视角视频序列操作评估的电梯维保操作监测与指导装置 | |
CN113516076B (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN104636751A (zh) | 基于时间递归神经网络的人群异常检测和定位系统及方法 | |
CN113472079B (zh) | 配电站运维监控云机器人系统、后台处理及作业任务方法 | |
CN113556768B (zh) | 传感器数据异常检测方法和系统 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN115169855A (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
CN112380907A (zh) | 一种变电设备缺陷智能图像识别方法及其管理系统 | |
CN112788110A (zh) | 一种基于云边协同模型优化的产品外观检测方法及其实现系统 | |
CN111913619B (zh) | 一种基于bim轻量化的消防数据读取及交互方法 | |
CN113673171A (zh) | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
CN114113487B (zh) | 一种挥发性有机物在线监测系统及方法 | |
Gomes Jr et al. | Augmented visualization using homomorphic filtering and haar-based natural markers for power systems substations | |
CN112347889A (zh) | 一种变电站作业行为辨识方法及装置 | |
CN112200030A (zh) | 基于图卷积的电力系统现场作业动作风险识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |