CN110570392A - 变电站设备开关状态检测方法、装置、系统、设备及介质 - Google Patents

变电站设备开关状态检测方法、装置、系统、设备及介质 Download PDF

Info

Publication number
CN110570392A
CN110570392A CN201910681490.9A CN201910681490A CN110570392A CN 110570392 A CN110570392 A CN 110570392A CN 201910681490 A CN201910681490 A CN 201910681490A CN 110570392 A CN110570392 A CN 110570392A
Authority
CN
China
Prior art keywords
switch
image
substation equipment
neural network
state
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
Application number
CN201910681490.9A
Other languages
English (en)
Inventor
刘顺桂
李勋
杨强
张�浩
张裕汉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201910681490.9A priority Critical patent/CN110570392A/zh
Publication of CN110570392A publication Critical patent/CN110570392A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供的一种变电站设备开关状态检测方法、装置、系统、设备及介质，变电站设备开关状态检测方法包括：获取待检测变电站设备的开关图像；对所述开关图像进行灰度化处理，得到开关灰度图像；将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。本申请提供的变电站设备开关状态检测方法能够提高变电站设备开关状态检测的效率和准确性。

Description

变电站设备开关状态检测方法、装置、系统、设备及介质
技术领域
本申请涉及变电站运维技术领域，尤其涉及一种变电站设备开关状态检测方法、装置、系统、设备及介质。
背景技术
变电站设备长期处于运行状态，为确保其安全稳定的运行，需要进行定时巡检，检测变电站设备的故障。开关状态异常是引发变电站设备故障常见的原因之一。
传统技术中，对变电站设备开关状态的检测主要通过专门的人员进行的定期检查，确定开关状态是否异常。然而，这种方式存在检测效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种变电站设备开关状态检测方法、装置、系统、设备及介质。
第一方面，一种变电站设备开关状态检测方法，所述方法包括：
获取待检测变电站设备的开关图像；
对所述开关图像进行灰度化处理，得到开关灰度图像；
将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
在其中一个实施例中，所述卷积神经网络模型至少包括：卷积层、池化层、全连接层、扁平化层、随机失活层和输出层。
在其中一个实施例中，所述方法还包括：
构建预设卷积神经网络模型；
对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型。
在其中一个实施例中，，所述对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型，包括：
获取多个变电站设备的开关的正常状态图像和异常状态图像，并标记，得到多个开关状态图像样本；
将所述多个开关状态样本输入所述预设卷积神经网络模型，对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型。
在其中一个实施例中，所述方法还包括：
根据所述变电站设备的开关状态，判断所述变电站设备的开关是否存在异常；
若是，输出报警信息。
在其中一个实施例中，所述将将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态之后，所述方法还包括：
根据所述待检测变电站设备的开关状态，对所述开关灰度图像进行标记，得到检测图像样本。
在其中一个实施例中，所述方法还包括：
将检测图像样本输入所述卷积神经网络模型，对所述卷积神经网络模型进行优化。
第二方面，一种变电站设备开关状态检测装置，包括：
图像获取模块，用于获取待检测变电站设备的开关图像；
灰度化模块，用于对所述开关图像进行灰度化处理，得到开关灰度图像；
状态识别模块，用于将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
第三方面，一种变电站设备开关状态检测系统，包括：
巡检机器人，用于采集变电站设备的开关图像；
地面基站，与所述巡检机器人通信连接，所述地面基站包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第四方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第五方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例提供的变电站设备开关状态检测方法、装置、系统、设备及介质，通过获取待检测变电站设备的开关图像，对所述开关图像进行灰度化处理，得到开关灰度图像，将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。本实施例提供的变电站设备开关状态检测方法、装置、系统、设备及介质能够实现变电站设备开关状态的自动识别和检测，无需人工巡检，识别效率高。同时，本实施例提供的方法通过对所述开关图像进行灰度化处理，得到开关灰度图像，从而将RBG图像的多通道数据转换为单通道的数据，减少后续数据处理量，节约程序开销。另外，上述变电站设备开关状态检测方法、装置、系统、设备及介质将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态，卷积神经网络模型能够实现图像信息特征的自动学习和提取，将变电站开关状态的检测问题转化为对图像的分类问题，将问题简单化，提高检测效率和准确度。另一方面，通过卷积神经网络模型进行开关状态识别，无需对图像进行预处理、分割等其他处理，方法简单，识别效率高，且准确度高。
附图说明
图1为一个实施例提供的一种应用场景的变电站设备开关状态检测系统结构示意图；
图2为一个实施例提供的一种变电站设备开关状态检测方法的流程图；
图3为一个实施例提供的一种卷积神经网络模型的结构示意图；
图4为一个实施例提供的一种变电站设备开关状态检测方法的流程图；
图5为一个实施例提供的一种变电站设备开关状态检测方法的流程图；
图6为一个实施例提供的一种变电站设备开关状态检测方法的流程图；
图7为一个实施例提供的一种变电站设备开关状态检测方法的流程图；
图8为一个实施例提供的一种变电站设备开关状态检测装置的结构示意图；
图9为一个实施例提供的一种变电站设备开关状态检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请提供的变电站设备开关状态检测方法，可以用于对变电站设备的开关状态进行检测。变电站设备包括但不限于变压器、高压断路器、隔离开关、母线、避雷针、电容器、电抗器等。本申请提供的变电站设备开关检测方法用于检测这些设备中的一种或多种的开关的状态。如图1所示，本是申请实施例提供的变电站设备开关状态检测方法可以具体应用于如图1所示的应用变电站设备开关状态检测系统中。变电站设备开关状态检测系统包括巡检机器人100和地面基站200。巡检机器人包括巡检车体和图像采集装置110。图像采集装置110搭载于巡检车体。图像采集装置110用于采集变电站设备等的图像信息，图像采集装置可以但不限于为相机、录像仪等。巡检机器人100的巡检车体可以包括数据存储和处理模块120、通信模块130和运动控制模块140。图像采集装置110、运动控制模块140和通信模块130均与数据存储和处理模块120连接。运动控制模块140用于控制巡检机器人100的运动轨迹。通信模块130用于与其他设备的通信。另外，变电站设备开关状态检测系统还可以包括地面基站200。地面基站200通过通信模块130与巡检机器人100通信。数据存储和处理模块120包括处理器和存储器，处理器能够处理计算机程序。处理器可以为中央处理器(CPU，Central Process Unit)，也可以为微处理器(MCU，Microcontroller Unit)。地面基站可以为计算机设备，该计算机设备可以但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。数据存储和处理模块120和地面基站均能够执行计算机程序，以实现本申请提供的变电站设备开关状态检测方法的部分或全部步骤。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的一种变电站设备开关状态检测方法的流程图。本实施例的执行主体可以为图1所示的数据存储和处理模块120，也可以为地面基站200，还可以为数据存储和处理模块120和地面基站200共同执行，即执行主体为变电站设备开关状态检测系统。以下实施例均以执行主体为变电站设备开关状态检测系统为例，对所述变电站设备开关状态检测方法进行说明。本实施例涉及的是变电站设备开关状态检测系统检测变电站设备开关状态的具体过程。如图2所示，该方法包括：
S10、获取待检测变电站设备的开关图像。
待检测变电站设备是指需要进行开关状态检测的变电站设备。待检测变电站开关图像是指包含变电站设备开关的图像数据。变电站设备开关状态检测系统的运动控制模块控制巡检机器人巡检车体，携带图像采集装置沿着规划路径行走，图像采集装置对待检测变电站设备进行成像，并传输至数据存储和处理模块。图像采集装置采集的开关图像可以为RBG图像。
S20、对开关图像进行灰度化处理，得到开关灰度图像。
变电站设备开关状态检测系统的数据存储和处理模块将开关图像进行灰度化处理，得到开关灰度图像，以将RBG图像的多通道数据转换为单通道的数据，减少数据处理量，节约程序开销。
S30、将开关灰度图像输入预先训练好的卷积神经网络(Convolutional NeuralNetwork，CNN)模型进行检测，确定待检测变电站设备的开关状态。
地面基站根据开关灰度图像进行判断和识别。卷积神经网络模型为二维模型。卷积神经网络模型的作用为检测变电站设备的开关状态。开关状态包括但不限于合闸状态、开闸状态和中间状态等。以隔离开关为例，其开关状态包括隔离开关合闸状态、隔离开关开闸状态和隔离开关中间状态。将开关灰度图像输入卷积神经网络模型，将开关状态检测问题转换为开关状态的分类问题。卷积神经网络模型根据已知样本对开关灰度图像分类，得到当前变电站设备开关的状态。
本实施例提供的变电站设备开关状态检测方法，通过获取待检测变电站设备的开关图像，对开关图像进行灰度化处理，得到开关灰度图像，将开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定待检测变电站设备的开关状态。本实施例提供的变电站设备开关状态检测方法能够实现变电站设备开关状态的自动识别和检测，无需人工巡检，识别效率高。同时，本实施例提供的方法通过对开关图像进行灰度化处理，得到开关灰度图像，从而将RBG图像的多通道数据转换为单通道的数据，减少后续数据处理量，节约程序开销。另外，上述方法将开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定待检测变电站设备的开关状态，卷积神经网络模型能够实现图像信息特征的自动学习和提取，将变电站开关状态的检测问题转化为对图像的分类问题，将问题简单化，提高检测效率和准确度。另一方面，通过卷积神经网络模型进行开关状态识别，无需对图像进行预处理、分割等其他处理，方法简单，识别效率高，且准确度高。
请参见图3，在一个实施例中，卷积神经网络模型至少包括：卷积层、池化层、全连接层、扁平化层、随机失活层和输出层。卷积层、池化层、全连接层的数量可以为多层，具体的如图3所示。
请参见图4，本实施例涉及构建和训练卷积神经网络模型的具体过程。具体的，所述方法还进一步包括：
S410、构建预设卷积神经网络模型。
预设卷积神经网络模型是指初步建立的，未经过训练神经网络模型。
S420、对预设卷积神经网络模型进行训练，得到卷积神经网络模型。
对卷积神经网络模型进行训练，在训练过程中，模型的各部分不仅学习如何完成自己的任务，还自主学习如何相互配合。
请参见图5，在一个实施例中，对卷积神经网络模型的训练过程包括如下过程，即S420包括：
S421、获取多个变电站设备的开关的正常状态图像和异常状态图像，并标记，得到多个开关状态图像样本。
变电站设备的开关的正常状态图像和异常状态图像可以通过巡检机器人采集获得，也可以通过人工采集获得。对收集到的图像进行标记和分类，标记的内容可以包括但不限于采集时间、采集位置、开关状态等。自此，得到多个变电站设备开关状态图像样本，存储于巡检机器人的数据存储与处理模块或地面基站的存储器中，建立样本图像数据库。
S422、将多个开关状态样本输入预设卷积神经网络模型，对预设卷积神经网络模型进行训练，得到卷积神经网络模型。
将变电站设备开关状态图像样本输入预设卷积神经网络模型，将模型输出的结果与已知的标记进行对比，不断调整模型参数，训练和改善模型结构，最终得到卷积神经网络模型。需要说明的是，变电站设备开关状态图像样本的数量越多，对模型的训练越多，得到的卷积神经网络模型就越准确。
本实施例中，通过对预设卷积神经网络模型进行训练，得到卷积神经网络模型，提高了模型的准确度，从而提高了变电站设备开关状态识别的准确性。
请参见图6，在一个实施例中，S30之后，所述方法还进一步包括：
S510、根据待检测变电站设备的开关状态，对开关灰度图像进行标记，得到检测图像样本。
根据S30识别出的开关状态结果，对开关灰度图像进行标记，标记内容包括但不限于图像采集时间、采集位置、开关状态，得到检测图像样本，作为新的变电站设备开关状态图像样本加入原变电站设备开关状态样本图像数据库。
S520、将检测图像样本输入卷积神经网络模型，对卷积神经网络模型进行优化。
将检测图像样本输入卷积神经网络模型进行进一步训练和优化，训练和优化的过程与S422类似，在此不再赘述。
本实施例中，根据变电站设备的开关状态，对开关灰度图像进行标记，得到检测图像样本，将检测图像样本输入卷积神经网络模型，对卷积神经网络模型进行优化，从而进一步提高卷积神经网络模型的精确度，提高后续变电站设备开关状态检测结果的准确性。
请参见图7，在一个实施例中，所述方法还进一步包括：
S610、根据变电站设备的开关状态，判断变电站设备的开关是否存在异常；
S620、若是，输出报警信息。
根据S30得到的开关状态结果，地面基站进一步对开关异常状态进行判断。异常情况可以包括：应处于合阀状态的开关处于分阀状态或中间状态；应处于分阀状态的开关处于合阀状态或中间状态；应处于中间状态的开关处于分阀状态或合阀状态。判断的结果包括但不限于与正常状态的开关灰度图像进行比较，得到当前变电站设备开关是否异常。当然，地面基站也可以通过对卷积神经网络模型进行训练，卷积神经网络模型在输出待检测变电站设备开关状态的同时，一并输出变电站设备开关是否异常的信息。若变电站设备开关状态异常，则地面基站输出报警信息，以达到提醒用户的作用，提高用户体验度。
应该理解的是，虽然图2、图4-图7流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4-图7至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。
请参见图8，在一个实施例中，提供了一种变电站设备开关状态检测装置30，包括：图像获取模块310、灰度化模块320和状态识别模块330，其中：
图像获取模块310，用于获取待检测变电站设备的开关图像；
灰度化模块320，用于对所述开关图像进行灰度化处理，得到开关灰度图像；
状态识别模块330，用于将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
在一个实施例中，所述卷积神经网络模型至少包括卷积层、池化层、全连接层、扁平化层、随机失活层和输出层。
请参见图9，在一个实施例中，变电站设备开关状态检测装置30还包括模型构建训练模块340，用于构建预设卷积神经网络模型；对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型。
在一个实施例中，模型构建训练模块350具体用于获取多个变电站设备的开关的正常状态图像和异常状态图像，并标记，得到多个开关状态图像样本；将所述多个开关状态样本输入所述预设卷积神经网络模型，对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型。
在一个实施例中，变电站设备开关状态检测装置30还包括报警输出模块350，用于根据所述变电站设备的开关状态，判断所述变电站设备的开关是否存在异常；若是，输出报警信息。
在一个实施例中，变电站设备开关状态检测装置30还包括模型优化模块360，用于根据所述待检测变电站设备的开关状态，对所述开关灰度图像进行标记，得到检测图像样本。
在一个实施例中，模型优化模块360还用于将检测图像样本输入所述卷积神经网络模型，对所述卷积神经网络模型进行优化。
关于变电站设备开关状态检测装置30的具体限定可以参见上文中对于一种光缆入侵施工事件识别方法的限定，在此不再赘述。上述变电站设备开关状态检测装置30中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请一个实施例提供一种变电站设备开关状态检测系统，包括：
巡检机器人，用于采集变电站设备的开关图像；
地面基站，与所述巡检机器人通信连接，所述地面基站包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
所述变电站设备开关状态检测系统的结构和有益效果等如上所述，在此不再赘述。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测变电站设备的开关图像；
对所述开关图像进行灰度化处理，得到开关灰度图像；
将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：
获取待检测变电站设备的开关图像；
对所述开关图像进行灰度化处理，得到开关灰度图像；
将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种变电站设备开关状态检测方法，其特征在于，所述方法包括：
获取待检测变电站设备的开关图像；
对所述开关图像进行灰度化处理，得到开关灰度图像；
将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型至少包括：卷积层、池化层、全连接层、扁平化层、随机失活层和输出层。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建预设卷积神经网络模型；
对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型，包括：
获取多个变电站设备的开关的正常状态图像和异常状态图像，并标记，得到多个开关状态图像样本；
将所述多个开关状态样本输入所述预设卷积神经网络模型，对所述预设卷积神经网络模型进行训练，得到所述卷积神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述变电站设备的开关状态，判断所述变电站设备的开关是否存在异常；
若是，输出报警信息。
6.根据权利要求1所述的方法，其特征在于，所述将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态之后，所述方法还包括：
根据所述待检测变电站设备的开关状态，对所述开关灰度图像进行标记，得到检测图像样本。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将检测图像样本输入所述卷积神经网络模型，对所述卷积神经网络模型进行优化。
8.一种变电站设备开关状态检测装置，其特征在于，包括：
图像获取模块，用于获取待检测变电站设备的开关图像；
灰度化模块，用于对所述开关图像进行灰度化处理，得到开关灰度图像；
状态识别模块，用于将所述开关灰度图像输入预先训练好的卷积神经网络模型进行检测，确定所述待检测变电站设备的开关状态。
9.一种变电站设备开关状态检测系统，其特征在于，包括：
巡检机器人，用于采集变电站设备的开关图像；
地面基站，与所述巡检机器人通信连接，所述地面基站包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910681490.9A 2019-07-26 2019-07-26 变电站设备开关状态检测方法、装置、系统、设备及介质 Pending CN110570392A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910681490.9A CN110570392A (zh) 2019-07-26 2019-07-26 变电站设备开关状态检测方法、装置、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910681490.9A CN110570392A (zh) 2019-07-26 2019-07-26 变电站设备开关状态检测方法、装置、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN110570392A true CN110570392A (zh) 2019-12-13

Family

ID=68773836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910681490.9A Pending CN110570392A (zh) 2019-07-26 2019-07-26 变电站设备开关状态检测方法、装置、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN110570392A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415431A (zh) * 2020-02-26 2020-07-14 国网宁夏电力有限公司电力科学研究院 用于变电站的巡检方法及系统、控制平台、可穿戴设备
CN112733957A (zh) * 2021-01-21 2021-04-30 广东电网有限责任公司 变电站保护压板状态核查方法、装置、设备及存储介质
CN112749656A (zh) * 2021-01-07 2021-05-04 国网福建省电力有限公司泉州供电公司 基于ORB特征匹配与yolo的空气开关状态检测方法及装置
CN113762192A (zh) * 2021-09-15 2021-12-07 南方电网数字电网研究院有限公司 基于网关与容器技术的设备检测方法、装置和网关设备
CN116953416A (zh) * 2023-09-19 2023-10-27 英迪格(天津)电气有限公司 一种铁路变配电装置运行状态的监控系统
CN117498931A (zh) * 2023-10-31 2024-02-02 国网山东省电力公司德州供电公司 一种高效的光缆巡检核查系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200219A (zh) * 2014-08-20 2014-12-10 深圳供电局有限公司 一种变电站刀闸位开关位指示自动识别方法及装置
US20180189581A1 (en) * 2010-06-07 2018-07-05 Affectiva, Inc. Vehicle manipulation using convolutional image processing
CN109190545A (zh) * 2018-08-27 2019-01-11 国网天津市电力公司 输电线路中的鸟巢自动识别系统及其方法和应用
CN109342456A (zh) * 2018-09-14 2019-02-15 广东工业大学 一种焊点缺陷检测方法、装置、设备及可读存储介质
US20190080222A1 (en) * 2017-09-12 2019-03-14 Yonatan Glesner Per kernel kmeans compression for neural networks
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN109740696A (zh) * 2019-01-30 2019-05-10 亮风台（上海）信息科技有限公司 一种用于压板识别的方法与设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189581A1 (en) * 2010-06-07 2018-07-05 Affectiva, Inc. Vehicle manipulation using convolutional image processing
CN104200219A (zh) * 2014-08-20 2014-12-10 深圳供电局有限公司 一种变电站刀闸位开关位指示自动识别方法及装置
US20190080222A1 (en) * 2017-09-12 2019-03-14 Yonatan Glesner Per kernel kmeans compression for neural networks
CN109190545A (zh) * 2018-08-27 2019-01-11 国网天津市电力公司 输电线路中的鸟巢自动识别系统及其方法和应用
CN109342456A (zh) * 2018-09-14 2019-02-15 广东工业大学 一种焊点缺陷检测方法、装置、设备及可读存储介质
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN109740696A (zh) * 2019-01-30 2019-05-10 亮风台（上海）信息科技有限公司 一种用于压板识别的方法与设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415431A (zh) * 2020-02-26 2020-07-14 国网宁夏电力有限公司电力科学研究院 用于变电站的巡检方法及系统、控制平台、可穿戴设备
CN112749656A (zh) * 2021-01-07 2021-05-04 国网福建省电力有限公司泉州供电公司 基于ORB特征匹配与yolo的空气开关状态检测方法及装置
CN112749656B (zh) * 2021-01-07 2023-06-20 国网福建省电力有限公司泉州供电公司 基于ORB特征匹配与yolo的空气开关状态检测方法及装置
CN112733957A (zh) * 2021-01-21 2021-04-30 广东电网有限责任公司 变电站保护压板状态核查方法、装置、设备及存储介质
CN113762192A (zh) * 2021-09-15 2021-12-07 南方电网数字电网研究院有限公司 基于网关与容器技术的设备检测方法、装置和网关设备
CN116953416A (zh) * 2023-09-19 2023-10-27 英迪格(天津)电气有限公司 一种铁路变配电装置运行状态的监控系统
CN116953416B (zh) * 2023-09-19 2023-12-08 英迪格(天津)电气有限公司 一种铁路变配电装置运行状态的监控系统
CN117498931A (zh) * 2023-10-31 2024-02-02 国网山东省电力公司德州供电公司 一种高效的光缆巡检核查系统
CN117498931B (zh) * 2023-10-31 2024-06-11 国网山东省电力公司德州供电公司 一种高效的光缆巡检核查系统

Similar Documents

Publication Publication Date Title
CN110570392A (zh) 变电站设备开关状态检测方法、装置、系统、设备及介质
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN110097037B (zh) 智能监测方法、装置、存储介质及电子设备
CN110826476A (zh) 识别目标物体的图像检测方法、装置、电子设备和存储介质
CN116639010A (zh) 充电桩的智能控制系统及其方法
EP3979098A1 (en) Data processing method and apparatus, storage medium, and electronic apparatus
LU502731B1 (en) Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor
CN111524118B (zh) 变压器的运行状态检测方法、装置、计算机设备和存储介质
US11881015B2 (en) High-precision identification method and system for substations
CN110728300A (zh) 基于道岔动作电流曲线识别故障类型的方法及系统
CN110929646A (zh) 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法
CN110717449A (zh) 车辆年检人员的行为检测方法、装置和计算机设备
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN113472079A (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
US11754748B2 (en) Temperature prediction system
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN111666958A (zh) 基于图像识别的设备状态检测方法、装置、设备及介质
CN113592864B (zh) 基于卷积神经网络的变压器监控方法、装置、系统及介质
Gregor et al. Transfer learning for classification of parking spots using residual networks
CN117214598A (zh) 基于巡检图像的电缆监测系统及方法
CN110569717A (zh) 局部放电检测方法、装置、系统、设备及可读存储介质
CN115221233A (zh) 基于深度学习的变电站多类带电检测数据异常检测方法
KR102426275B1 (ko) 태양전지 셀에 대한 이미지 분류 방법 및 장치
CN114842295A (zh) 绝缘子故障检测模型的获得方法、装置及电子设备
CN111491180B (zh) 关键帧的确定方法和装置

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: 20191213