CN111598007A - 一种变电站设备自动监测方法 - Google Patents
一种变电站设备自动监测方法 Download PDFInfo
- Publication number
- CN111598007A CN111598007A CN202010421691.8A CN202010421691A CN111598007A CN 111598007 A CN111598007 A CN 111598007A CN 202010421691 A CN202010421691 A CN 202010421691A CN 111598007 A CN111598007 A CN 111598007A
- Authority
- CN
- China
- Prior art keywords
- map
- substation equipment
- information
- digital
- atlas
- 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 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站设备自动监测方法,该自动监测方法包括:获取变电站设备的视频状态信息,视频状态信息包括环境监控信息、运动物体检测和设备异常情况;转换视频状态信息为数字图谱信息;处理分析数字图谱信息得到数字图谱曲线;评价数字图谱曲线与预设的标准曲线,确定变电站设备的状态。本发明提供的变电站设备自动监测方法,利用图谱小波去噪、几何复原、亮度平衡、对比度增强、图谱去噪、防抖去模糊等处理算法对采集图谱进行处理,解决采集图像数据不清楚的问题,提高视频巡检的质量。
Description
技术领域
本发明涉及电力系统智能管控技术领域,具体为一种变电站设备自动监测方法。
背景技术
随着我国电网调度自动化水平的提高,变电站实行无人值守运行是当今电力系统的发展趋势。在实行变电站无人值守的实践中,各地电力部门基本实现了对变电站电气设备的“四遥”功能(遥测、遥信、遥控、遥调),对变电站设备的运行状况、环境状况、安防状况等也大量地采用了视频监控系统进行监视,被电力行业称为“第五遥”,即遥视。当前,监控人员利用视频监控系统对无人值守变电站的监视,需要人眼不停地观察视频场景画面,当同时监视多个显示器时,容易产生视觉疲劳,监控人员长时间处于这种工作状态,注意力下降,而变电站装设的视频监控摄像机有上万个,几乎无法做到全面完整的监控。实际上,变电站的视频监控系统还远没有发挥出它应有的监视作用。
发明内容
鉴于上述状况,有必要提供一种变电站设备自动监测方法以解决上述问题。
本发明提供的一种变电站设备自动监测方法,该自动监测方法包括:
获取变电站设备的视频状态信息,视频状态信息包括环境监控信息、运动物体检测和设备异常情况;
转换视频状态信息为数字图谱信息;
处理分析数字图谱信息得到数字图谱曲线;
评价数字图谱曲线与预设的标准曲线,确定变电站设备的状态。
优选地,转换视频状态信息为数字图谱信息包括:
摄取图谱;
光电转换;
数字化处理。
优选地,处理分析数字图谱信息得到数字图谱曲线包括:图谱变换、图谱增强、图谱复原、图谱编码、图谱分析、图谱识别和图谱理解。
优选地,图谱变换是对数字图谱信息进行正交变换;
正交变换采用离散傅里叶变换、离散余弦变换、沃尔什变换、哈达玛变换或霍特林变换。
优选地,图谱增强采用直方图增强、空域增强、频域增强或伪彩色增强。
优选地,图谱复原是采用逆滤波、维纳滤波、最小约束二乘方滤波或同态滤波方法去除噪声干扰和模糊。
优选地,图谱编码采用去冗余编码、变换编码、小波变换编码、神经网络编码或模型基编码。
优选地,图谱分析通过边缘检测、区域分割或特征抽取手段得到数字图谱曲线。
优选地,图谱识别采用统计识别法、句法识别法或模糊识别法。
优选地,图谱理解是通过误差校准后得到数字图谱曲线。
本发明提供的变电站设备自动监测方法,与现有技术相比,具有以下有益效果:
本发明提供的变电站设备自动监测方法,利用图谱小波去噪、几何复原、亮度平衡、对比度增强、图谱去噪、防抖去模糊等处理算法对采集图谱进行处理,解决采集图像数据不清楚的问题,提高视频巡检的质量。
进一步地,基于软测量的图谱变化检测技术智能分析模式,利用摄像机现场采集图像与历史采集的对象信息进行几何特征参量、灰度特征参量等多种算法的对比分析,实现对设备漏油、渗油、异物搭挂等异常的报警。
再进一步地,采用变电站场景下的人员行为特征视觉分析技术,当监控范围内地面或空中有异物进入变电站时、警戒区域内发现不容易观察的遗留物品时、监控范围内的设备或是部件被取走时、陌生人员进入警戒区域或是在周边徘徊时,以上违反设定好的行为规定系统会自动发出报警。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明一实施例的变电站设备自动监测系统的模块示意图;
图2是本发明一实施例的变电站设备自动监测方法的流程示意图。
图中:100、自动监测系统,110、信息获取单元,120、信息转换单元,121、图谱摄取模块,122、光电转换模块,123、数字化处理模块,130、处理分析单元,131、图谱变换模块,132、图谱增强模块,133、图谱复原模块,134、图谱编码模块,135、图谱分析模块,136、图谱识别模块,137、图谱理解模块,140、状态确定单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
需要说明的是,当一个元件或组件被认为是“连接”另一个元件或组件,它可以是直接连接到另一个元件或组件可能同时存在居中设置的元件或组件。当一个元件或组件被认为是“设置在”另一个元件或组件,它可以是直接设置在另一个元件或组件上或者可能同时存在居中设置的元件或组件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体地实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1是本发明提供的变电站设备自动监测系统100的模块示意图,该变电站设备自动监测系统100包括信息获取单元110、信息转换单元120、处理分析单元130和状态确定单元140。
具体地,信息获取单元110用于获取变电站设备的视频状态信息。视频状态信息包括环境监控信息、运动物体检测和设备异常情况。信息获取单元110包括但不限于采用摄像机和监视摄像头。
信息转换单元120用于转换视频状态信息为数字图谱信息,视频状态信息直接呈现给技术人员的是图像动态信息,信息转换单元120将图像动态信息转换为数字图谱信息,数字图谱信息给的数据更加客观,技术人员可以客观地看到变电站设备是否出现问题。
处理分析单元130用于处理分析数字图谱信息得到数字图谱曲线,处理分析单元130根据预设的处理流程,将数字图谱信息处理得到数字图谱曲线,技术人员根据数字图谱曲线直观地看到数字图谱曲线,以便于查找问题所在。
状态确定单元140用于评价数字图谱曲线与预设的标准曲线,确定变电站设备的状态。根据数字图谱曲线与预设的标准曲线,评价分析变电站设备的状态,可能出现的异常状态包括安防异常、设备异常和恶劣天气带来的安全隐患。
进一步地,请继续参照图1,信息转换单元120包括图谱摄取模块121、光电转换模块122和数字化处理模块123。图谱摄取模块121用于摄取视频状态信息,图谱摄取模块121可以采用摄像机获取;光电转换模块122用于将视频状态信息中的光信号转换为电信号,摄像机获取的视频状态信息显示的光信号转变为电线号;数字化处理模块123用于将电信号进行数字化处理得到数字图谱信息。
进一步地,处理分析单元130包括图谱变换模块131、图谱增强模块132、图谱复原模块133、图谱编码模块134、图谱分析模块135、图谱识别模块136和图谱理解模块137。
图谱变换模块131是对原始图谱执行某种正交变换,如离散傅里叶变换、离散余弦变换、沃尔什变换、哈达玛变换、霍特林变换等,将图谱的特征在变换域中表现出来,以便在变换域中对图谱进行各种相关处理,特别是一些用空间法无法完成的特殊处理。
图谱增强模块132主要是突出图谱中感兴趣的信息,衰减或去除不需要的信息,从而使有用的信息得到增强,便于目标区分或对象解释。图谱增强的主要方法有直方图增强、空域增强、频域增强、伪彩色增强等技术。
图谱复原模块133的主要目的是去除噪声干扰和模糊,恢复图谱的本来面目。图谱噪声包括随机噪声和相干噪声。随机噪声干扰表现为麻点干扰,相干噪声干扰表现为网纹干扰。模糊来自透镜散焦、相对运动、大气湍流以及云层遮挡等。这些干扰可以用逆滤波、维纳滤波、最小约束二乘方滤波、同态滤波等方法去除。
图谱编码模块134属于信息论中的信源编码范畴,其主要宗旨是利用图谱信号的统计特性以及人类视觉的生理学及心理学特性对图谱信号进行高效压缩;从而减少数据存储量,降低数据量以减小传输带宽,压缩信息量以便图谱分析与图谱识别。图谱编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等。
图谱分析模块135主要是对图谱中感兴趣的目标进行检测和测量,以获得所需的客观信息。图谱分析通过边缘检测、区域分割、特征抽取等手段将原来以像素描述的图谱变成比较简洁的对目标的描述。
图谱识别模块136是利用图谱识别方法对数字图谱进行处理。图谱识别方法大致可分为统计识别法、句法(结构)识别法和模糊识别法。统计识别法侧重于图谱的特征,可以用Baycs分类器、人工神经网络、支持向量机来实现;句法识别侧重于图谱模式的结构,可以通过句法分析或对应的自动机来实现;而模糊识别法则主要是将模糊数学方法引入图谱识别,从而简化识别系统的结构,提高系统的实用性和可靠性,可更广泛,更深入地模拟人脑认识事物的模糊性。
图谱理解模块137是通过误差校准后得到数字图谱曲线。图谱理解的重点是在图谱分析的基础上进一步研究图谱中各目标的性质及其相互间的联系,并得出对图谱内容含义的理解以及对原来客观场景的解释,从而指导和规划行为。通过基于软测量的图谱变化检测实现变电站应用图谱中异常行为的智能识别、提前发现和自动报警。
异常行为主要有以下几类:
(1)站内火灾爆炸或站内设备故障起火,火焰在发生的初期,火焰的出现是一个从无到有且不断扩张蔓延的过程,由于风力、空气流动、热量驱动等原因,火焰火苗会不断跳动。火焰的这一物理特性在图谱上的表现就是:高亮区域的面积是不断变化的,并且连续几帧图谱中,高亮区域的面积是呈增长趋势的。另外,一般的火焰不具有规则的形状,其边缘呈现为不规则的曲线,而手电筒、白炽灯以及蜡烛等干扰光源往往具有比较规则的形状。据此,研究引用圆形度的概念,用其表征物体边缘的复杂程度,并将其作为区分火焰以及干扰光源的一个特征对火灾火焰进行识别,并给出了其算法实现。
(2)恶劣天气影响下,改进基于复杂场景(如光照条件多变、目标与背景颜色接近、背景杂乱、目标被背景遮挡、监控现场变化等)的目标分割、特征提取、目标识别、动态跟踪算法性能,提升静态目标库、动态规则库的容量和有效性,降低对硬件运算资源的占用,提高针对开放、复杂、大尺度监控区域复杂目标、行为、事件自动分析报警的准确性、实时性;使智能分析软件架构更趋合理、高效。
(3)设备表面故障,视频监控中的设备明显发生扭曲、形变、漏油导致的明显颜色变化等,系统根据采集到的实时视频和图谱数据与原始数据进行对比后,智能化识别、分析并提示预警信息。
本发明提供的变电站设备自动监测系统100,利用图谱小波去噪、几何复原、亮度平衡、对比度增强、图谱去噪、防抖去模糊等处理算法对采集图谱进行处理,解决采集图像数据不清楚的问题,提高视频巡检的质量。
进一步地,基于软测量的图谱变化检测技术智能分析模式,利用摄像机现场采集图像与历史采集的对象信息进行几何特征参量、灰度特征参量等多种算法的对比分析,实现对设备漏油、渗油、异物搭挂等异常的报警。
再进一步地,采用变电站场景下的人员行为特征视觉分析技术,当监控范围内地面或空中有异物进入变电站时、警戒区域内发现不容易观察的遗留物品时、监控范围内的设备或是部件被取走时、陌生人员进入警戒区域或是在周边徘徊时,以上违反设定好的行为规定系统会自动发出报警。
本发明还提供了一种变电站设备自动监测方法,该自动监测方法包括如下步骤:
步骤S201,获取变电站设备的视频状态信息。
视频状态信息包括环境监控信息、运动物体检测和设备异常情况。
具体地,信息获取单元110用于获取变电站设备的视频状态信息。视频状态信息包括环境监控信息、运动物体检测和设备异常情况。信息获取单元110包括但不限于采用摄像机和监视摄像头。
步骤S202,转换视频状态信息为数字图谱信息。
具体地,信息转换单元120用于转换视频状态信息为数字图谱信息,视频状态信息直接呈现给技术人员的是图像动态信息,信息转换单元120将图像动态信息转换为数字图谱信息,数字图谱信息给的数据更加客观,技术人员可以客观地看到变电站设备是否出现问题。
步骤S203,处理分析数字图谱信息得到数字图谱曲线。
具体地,处理分析单元130用于处理分析数字图谱信息得到数字图谱曲线,处理分析单元130根据预设的处理流程,将数字图谱信息处理得到数字图谱曲线,技术人员根据数字图谱曲线直观地看到数字图谱曲线,以便于查找问题所在。
步骤S204,评价数字图谱曲线与预设的标准曲线,确定电站设备的状态。
具体地,状态确定单元140用于评价数字图谱曲线与预设的标准曲线,确定变电站设备的状态。根据数字图谱曲线与预设的标准曲线,评价分析变电站设备的状态,可能出现的异常状态包括安防异常、设备异常和恶劣天气带来的安全隐患。
进一步地,步骤S202,转换视频状态信息为数字图谱信息具体包括摄取图谱;光电转换;数字化处理。
具体地,图谱摄取模块121用于摄取视频状态信息作为摄取图谱,图谱摄取模块121可以采用摄像机获取;光电转换模块122用于将视频状态信息中的光信号转换为电信号,摄像机获取的视频状态信息显示的光信号转变为电线号;数字化处理模块123用于将电信号进行数字化处理得到数字图谱信息。
步骤S203,处理分析数字图谱信息得到数字图谱曲线包括:图谱变换、图谱增强、图谱复原、图谱编码、图谱分析、图谱识别和图谱理解。
图谱变换是对数字图谱信息进行正交变换;正交变换采用离散傅里叶变换、离散余弦变换、沃尔什变换、哈达玛变换或霍特林变换。
图谱变换模块131是对原始图谱执行某种正交变换,如离散傅里叶变换、离散余弦变换、沃尔什变换、哈达玛变换、霍特林变换等,将图谱的特征在变换域中表现出来,以便在变换域中对图谱进行各种相关处理,特别是一些用空间法无法完成的特殊处理。
图谱增强采用直方图增强、空域增强、频域增强或伪彩色增强。
图谱增强模块132主要是突出图谱中感兴趣的信息,衰减或去除不需要的信息,从而使有用的信息得到增强,便于目标区分或对象解释。图谱增强的主要方法有直方图增强、空域增强、频域增强、伪彩色增强等技术。
图谱复原是采用逆滤波、维纳滤波、最小约束二乘方滤波或同态滤波方法去除噪声干扰和模糊。
图谱复原模块133的主要目的是去除噪声干扰和模糊,恢复图谱的本来面目。图谱噪声包括随机噪声和相干噪声。随机噪声干扰表现为麻点干扰,相干噪声干扰表现为网纹干扰。模糊来自透镜散焦、相对运动、大气湍流以及云层遮挡等。这些干扰可以用逆滤波、维纳滤波、最小约束二乘方滤波、同态滤波等方法去除。
图谱编码采用去冗余编码、变换编码、小波变换编码、神经网络编码或模型基编码。
图谱编码模块134属于信息论中的信源编码范畴,其主要宗旨是利用图谱信号的统计特性以及人类视觉的生理学及心理学特性对图谱信号进行高效压缩;从而减少数据存储量,降低数据量以减小传输带宽,压缩信息量以便图谱分析与图谱识别。图谱编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等。
图谱分析通过边缘检测、区域分割或特征抽取手段得到数字图谱曲线。
图谱分析模块135主要是对图谱中感兴趣的目标进行检测和测量,以获得所需的客观信息。图谱分析通过边缘检测、区域分割、特征抽取等手段将原来以像素描述的图谱变成比较简洁的对目标的描述。
图谱识别采用统计识别法、句法识别法或模糊识别法。
图谱识别模块136是利用图谱识别方法对数字图谱进行处理。图谱识别方法大致可分为统计识别法、句法(结构)识别法和模糊识别法。统计识别法侧重于图谱的特征,可以用Baycs分类器、人工神经网络、支持向量机来实现;句法识别侧重于图谱模式的结构,可以通过句法分析或对应的自动机来实现;而模糊识别法则主要是将模糊数学方法引入图谱识别,从而简化识别系统的结构,提高系统的实用性和可靠性,可更广泛,更深入地模拟人脑认识事物的模糊性。
图谱理解是通过误差校准后得到数字图谱曲线。图谱理解模块137是通过误差校准后得到数字图谱曲线。图谱理解的重点是在图谱分析的基础上进一步研究图谱中各目标的性质及其相互间的联系,并得出对图谱内容含义的理解以及对原来客观场景的解释,从而指导和规划行为。通过基于软测量的图谱变化检测实现变电站应用图谱中异常行为的智能识别、提前发现和自动报警。
异常行为主要有以下几类:
(1)站内火灾爆炸或站内设备故障起火,火焰在发生的初期,火焰的出现是一个从无到有且不断扩张蔓延的过程,由于风力、空气流动、热量驱动等原因,火焰火苗会不断跳动。火焰的这一物理特性在图谱上的表现就是:高亮区域的面积是不断变化的,并且连续几帧图谱中,高亮区域的面积是呈增长趋势的。另外,一般的火焰不具有规则的形状,其边缘呈现为不规则的曲线,而手电筒、白炽灯以及蜡烛等干扰光源往往具有比较规则的形状。据此,研究引用圆形度的概念,用其表征物体边缘的复杂程度,并将其作为区分火焰以及干扰光源的一个特征对火灾火焰进行识别,并给出了其算法实现。
(2)恶劣天气影响下,改进基于复杂场景(如光照条件多变、目标与背景颜色接近、背景杂乱、目标被背景遮挡、监控现场变化等)的目标分割、特征提取、目标识别、动态跟踪算法性能,提升静态目标库、动态规则库的容量和有效性,降低对硬件运算资源的占用,提高针对开放、复杂、大尺度监控区域复杂目标、行为、事件自动分析报警的准确性、实时性;使智能分析软件架构更趋合理、高效。
(3)设备表面故障,视频监控中的设备明显发生扭曲、形变、漏油导致的明显颜色变化等,系统根据采集到的实时视频和图谱数据与原始数据进行对比后,智能化识别、分析并提示预警信息。
本发明提供的变电站设备自动监测方法,利用图谱小波去噪、几何复原、亮度平衡、对比度增强、图谱去噪、防抖去模糊等处理算法对采集图谱进行处理,解决采集图像数据不清楚的问题,提高视频巡检的质量。
进一步地,基于软测量的图谱变化检测技术智能分析模式,利用摄像机现场采集图像与历史采集的对象信息进行几何特征参量、灰度特征参量等多种算法的对比分析,实现对设备漏油、渗油、异物搭挂等异常的报警。
再进一步地,采用变电站场景下的人员行为特征视觉分析技术,当监控范围内地面或空中有异物进入变电站时、警戒区域内发现不容易观察的遗留物品时、监控范围内的设备或是部件被取走时、陌生人员进入警戒区域或是在周边徘徊时,以上违反设定好的行为规定系统会自动发出报警。
本领域普遍技术人员可以理解实现上述实施方式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完成,所述的程序可存储于一计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理器中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是手持式电子设备,如智能手机、笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、智能式穿戴式设备等,也可以是桌面式电子设备,如台式机、智能电视等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)或者光盘等各种存储程序代码的介质。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由同一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明的技术方案而非限制,尽管参照较佳实施方式对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种变电站设备自动监测方法,其特征在于:所述自动监测方法包括:
获取所述变电站设备的视频状态信息,所述视频状态信息包括环境监控信息、运动物体检测和设备异常情况;
转换所述视频状态信息为数字图谱信息;
处理分析所述数字图谱信息得到数字图谱曲线;
评价所述数字图谱曲线与预设的标准曲线,确定所述变电站设备的状态。
2.如权利要求1所述的变电站设备自动监测方法,其特征在于:步骤所述转换所述视频状态信息为数字图谱信息包括:
摄取图谱;
光电转换;
数字化处理。
3.如权利要求1所述的变电站设备自动监测方法,其特征在于:步骤所述处理分析所述数字图谱信息得到数字图谱曲线包括:图谱变换、图谱增强、图谱复原、图谱编码、图谱分析、图谱识别和图谱理解。
4.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱变换是对所述数字图谱信息进行正交变换;
所述正交变换采用离散傅里叶变换、离散余弦变换、沃尔什变换、哈达玛变换或霍特林变换。
5.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱增强采用直方图增强、空域增强、频域增强或伪彩色增强。
6.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱复原是采用逆滤波、维纳滤波、最小约束二乘方滤波或同态滤波方法去除噪声干扰和模糊。
7.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱编码采用去冗余编码、变换编码、小波变换编码、神经网络编码或模型基编码。
8.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱分析通过边缘检测、区域分割或特征抽取手段得到所述数字图谱曲线。
9.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱识别采用统计识别法、句法识别法或模糊识别法。
10.如权利要求3所述的变电站设备自动监测方法,其特征在于:
所述图谱理解是通过误差校准后得到所述数字图谱曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421691.8A CN111598007A (zh) | 2020-05-18 | 2020-05-18 | 一种变电站设备自动监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421691.8A CN111598007A (zh) | 2020-05-18 | 2020-05-18 | 一种变电站设备自动监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598007A true CN111598007A (zh) | 2020-08-28 |
Family
ID=72182957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010421691.8A Pending CN111598007A (zh) | 2020-05-18 | 2020-05-18 | 一种变电站设备自动监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420654A (zh) * | 2021-06-22 | 2021-09-21 | 国网北京市电力公司 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1777104A1 (ru) * | 1990-10-09 | 1992-11-23 | Nii Peredache Elektroenergii P | Cпocoб oпpeдeлehия mecta пobpeждehия пpи kopotkиx зamыkahияx ha лиhии элektpoпepeдaчи пoctoяhhoгo toka bыcokoгo haпpяжehия, coдepжaщeй фильtpы bыcokиx гapmohичeckиx coctabляющиx haпpяжehия |
CN103368261A (zh) * | 2013-06-25 | 2013-10-23 | 国家电网公司 | 变电站用在线监测和巡检系统 |
CN105376535A (zh) * | 2015-11-18 | 2016-03-02 | 江苏省电力公司检修分公司 | 一种基于软测量技术的变电站智能系统 |
CN106208395A (zh) * | 2016-09-29 | 2016-12-07 | 国网福建省电力有限公司 | 无人值班变电站应急监控系统 |
-
2020
- 2020-05-18 CN CN202010421691.8A patent/CN111598007A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1777104A1 (ru) * | 1990-10-09 | 1992-11-23 | Nii Peredache Elektroenergii P | Cпocoб oпpeдeлehия mecta пobpeждehия пpи kopotkиx зamыkahияx ha лиhии элektpoпepeдaчи пoctoяhhoгo toka bыcokoгo haпpяжehия, coдepжaщeй фильtpы bыcokиx гapmohичeckиx coctabляющиx haпpяжehия |
CN103368261A (zh) * | 2013-06-25 | 2013-10-23 | 国家电网公司 | 变电站用在线监测和巡检系统 |
CN105376535A (zh) * | 2015-11-18 | 2016-03-02 | 江苏省电力公司检修分公司 | 一种基于软测量技术的变电站智能系统 |
CN106208395A (zh) * | 2016-09-29 | 2016-12-07 | 国网福建省电力有限公司 | 无人值班变电站应急监控系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420654A (zh) * | 2021-06-22 | 2021-09-21 | 国网北京市电力公司 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807353B (zh) | 一种基于深度学习的变电站异物识别方法、装置及系统 | |
CN109377713B (zh) | 一种火灾预警方法及系统 | |
Calderara et al. | Smoke detection in video surveillance: a MoG model in the wavelet domain | |
CN111541877A (zh) | 一种变电站设备自动监测系统 | |
CN116055690B (zh) | 一种机房监控视频的处理方法及设备 | |
CN111860324A (zh) | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 | |
CN111899210A (zh) | 一种基于图像识别的电弧检测方法 | |
CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
CN111598007A (zh) | 一种变电站设备自动监测方法 | |
Alsheikhy | A fire detection algorithm using convolutional neural network | |
CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
CN104021576A (zh) | 在场景中追踪移动物体的方法及系统 | |
CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
CN116665101B (zh) | 基于轮廓波变换的监控视频关键帧提取方法 | |
CN112906488A (zh) | 一种基于人工智能的安防视频质量评价系统 | |
Kumar et al. | Computer vision-based early fire detection using machine learning | |
CN116452976A (zh) | 一种煤矿井下安全检测方法 | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
CN113518205A (zh) | 一种基于ai分析的视频巡查处理方法 | |
Ahmed et al. | Automated intruder detection from image sequences using minimum volume sets | |
Thomaz et al. | Detection of abandoned objects using robust subspace recovery with intrinsic video alignment | |
CN112241707A (zh) | 一种风电场智能视频识别装置 | |
CN113111777A (zh) | 基于arm平台的室内人员密度检测系统及检测方法 | |
CN112183310A (zh) | 冗余监控画面过滤及无效监控画面筛选的方法及系统 | |
Yang et al. | A fire detection method based on computer vision |
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: 20200828 |
|
RJ01 | Rejection of invention patent application after publication |