CN111783968A - 一种基于云边协同的输电线路监测方法及系统 - Google Patents
一种基于云边协同的输电线路监测方法及系统 Download PDFInfo
- Publication number
- CN111783968A CN111783968A CN202010611643.5A CN202010611643A CN111783968A CN 111783968 A CN111783968 A CN 111783968A CN 202010611643 A CN202010611643 A CN 202010611643A CN 111783968 A CN111783968 A CN 111783968A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- hidden danger
- monitoring device
- network model
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 201
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012806 monitoring device Methods 0.000 claims abstract description 164
- 238000003062 neural network model Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 84
- 230000004913 activation Effects 0.000 claims abstract description 36
- 238000002372 labelling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Neurology (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)
- Alarm Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种基于云边协同的输电线路监测方法及系统,一种基于云边协同的输电线路监测系统通过获取预设周期内,若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值;在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值;向GPU集群发送指令,以激活对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型的训练任务;通知所述达到或超过预设激活阈值的监拍装置,使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。本发明实现了在输电线路故障监拍的过程中,显著提升了输电线路隐患识别的实时性,另一方面提升了相应输电线路神经网络模型对该监拍场景下的识别精度。
Description
技术领域
本申请涉及输电线路在线监测技术领域,尤其涉及一种基于云边协同的输电线路监测方法及系统。
背景技术
输电线路是电网的重要组成部分,受人为及自然条件的影响,输电线路中经常会出现各种安全隐患,包括特定种类的物体如:塔吊、吊车、泵车和挖掘机等。若输电线路存在的安全隐患不能得到及时排查,不仅会危及电网安全运行,而且会影响用户的生产与生活。
目前电网监测终端主要进行数据采集、数据传输,由云端进行识别分析并进行分析报警。随着输电线路监拍装置数量不断增多、监拍间隔不断缩短,实时产生海量图片数据,网络带宽与计算吞吐量均成为云端识别分析的瓶颈,造成实时分析延迟,隐患无法及时通知到用户,给输电线路的安全带来巨大隐患。
发明内容
本申请实施例提供了一种基于云边协同的输电线路监测方法及系统,用以解决现有的云端服务器进行输电线路隐患识别时的压力大,输电线路隐患实时告警延迟,以及云端服务器训练的轻量级神经网络模型去识别所有输电线路场景下的隐患,导致神经网络模型与具体识别的输电线路监拍场景融合不足,导致大量误报,识别精度降低的技术问题。
一方面,本申请提供了一种基于云边协同的输电线路监测方法,包括:获取预设周期内,若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值;所述失误值与监拍装置的漏报率和/或误报率相关;确定所述若干输电线路监拍装置中的任意一个监拍装置,在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值;向GPU集群发送指令,以激活对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型的训练任务;其中,所述训练任务为非首次训练任务;通知所述达到或超过预设激活阈值的监拍装置,使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。
由于输电线路场景千变万化,云端服务器训练的轻量级神经网络模型去识别所有输电线路场景下的隐患,导致神经网络模型与具体识别的输电线路监拍场景融合不足,导致大量误报,识别精度降低,因此,通过由输电线路监拍装置端进行隐患推理识别,针对输电线路监拍装置失误值超过预设激活阈值的网络模型训练任务进行激活,对特定输电线路监拍场景做定制化模型训练,输电线路隐患识别的神经网络模型对相应输电线路场景理解的更好,并且赋予了输电线路隐患识别的神经网络模型持续优化提升的能力,减少了误报率,输电线路隐患识别更加准确。
在一个示例中,基于标准样本数据库,对输电线路隐患识别的神经网络模型进行初始训练,将所述初始训练后的神经网络模型,下发给所述若干输电线路监拍装置;所述初始训练是对输电线路隐患识别的神经网络模型的头部和骨干部全部进行训练。
由于输电线路监拍装置数量不断增多、监拍间隔不断缩短,实时产生海量图片数据,云端服务器不能及时分析处理海量的图片数据,造成大量的图片积压,引发告警延迟,隐患无法及时通知到用户,因此,通过将输电线路隐患识别分析迁移至输电线路监拍装置进行前端分析,利用输电线路监拍装置端侧隐患识别的推理能力,极大降低了云端服务器分析压力,提升了输电线路隐患实时告警的能力。
在一个示例中,所述GPU集群冻结当前输电线路隐患识别的神经网络模型的骨干部,而仅对该当前神经网络模型的头部进行训练,以得到所述更新的神经网络模型;该训练的样本包括所述标准样本数据库中的样本以及包括相应监拍装置获取的无隐患图片和隐患图片,且所述隐患图片为已标注的隐患图片。通过将针对特定监拍装置的输电线路隐患识别图片与标准样本数据库进行融合,对该监拍装置当前输电线路隐患识别的神经网络模型的头部进行训练,可以快速迭代适该监拍装置监控场景下的神经网络模型。
在一个示例中,接收来自所述监拍装置获取的相应输电线路的图片,以及根据所述图片识别出的输电线路的隐患类型、bbox值;所述图片包括由所述监拍装置识别的无隐患图片以及已标注的隐患图片;根据所述输电线路的图片、所述隐患类型、bbox值,确定误报的输电线路隐患图片和/或漏报的输电线路隐患图片;将所述误报的输电线路隐患图片和/或漏报的输电线路隐患图片,发送在线标注平台进行二次标注,并将所述二次标注后的图片作为所述非首次训练的样本;通过对输电线路隐患识别的无隐患图片与隐患图片进行二次标注,用以指导对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型的训练任务,并对相应输电线路的图片进行数据增强,提高了该训练任务的精确性。
一个示例中,并将所述二次标注后的隐患图片作为所述非首次训练的正样本;将通过数据增强,以增加预设比例的无隐患图片,作为负样本。
在一个示例中,所述失误值为所述漏报率或者所述误报率或为aα%+bβ%;其中,a为漏报率,a%为漏报率对应的权重,b为误报率,b%为误报率对应的权重。
在一个示例中,在所述预设周期内的所述输电线路隐患识别的失误值,超过预设激活阈值的天数,超过预设天数值。通过输电线路监拍装置端分析网络模型迭代训练的激活机制,支持持续优化输电线路监拍装置端侧的推理网络模型。
在一个示例中,所述监拍装置向GPU集群获取网络模型数据库中由所述训练任务而得到的更新的神经网络模型;所述网络模型数据库保存所述初始训练的输电线路隐患识别的神经网络模型以及所述更新的神经网络模型。
在一个示例中,所述GPU集群通过预存的测试集,对所述更新的神经网络模型进行验证测试;在所述更新的神经网络模型的失误值低于预设值的情况下,所述监控平台对相应监拍装置下发指令,通知所述监拍装置进行升级。通过对所述更新的神经网络模型验证测试,确保该模型的准确性。
另一方面,本申请提供了一种基于云边协同的输电线路监测系统,监控平台,用于获取预设周期内,若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值;以及用于确定所述若干输电线路监拍装置中的任意一个监拍装置,在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值;向GPU集群发送指令,以激活对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型训练任务;以及用于通知所述达到或超过预设激活阈值的监拍装置,使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型;监拍装置,用于向GPU集群获取由所述训练任务而得到的更新的神经网络模型;GPU集群,用于对所述失误值达到或超过预设激活阈值的监拍装置所对应的神经网络模型进行训练,以得到更新的神经网络模型。
本实施例提供的一种基于云边协同的输电线路监测方法及系统,将云端服务器与端侧的监拍装置紧密融合且协同工作,若干输电线路监拍装置中各监拍装置端负责隐患推理识别,云端服务器运用数据增强等技术快速迭代出针对于该输电线路监拍装置对相应输电线路监拍场景的隐患识别神经网络模型。一方面显著提升了若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的实时性,另一方面提升了输电线路隐患识别的神经网络模型对相应输电线路监拍场景下的识别精度,并且赋予了模型持续优化提升的能力。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种基于云边协同的输电线路监测系统示意图;
图2为本申请实施例提供的一种基于云边协同的输电线路监测方法流程图;
图3为本申请实施例提供的监拍装置所对应的神经网络模型定制化训练方法流程图;
图4为本申请实施例提供的另一种基于云边协同的输电线路监测系统示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请实施例提供的一种基于云边协同的输电线路监测系统示意图。
如图1所示,输电线路监测系统至少包括:云端服务器100、若干输电线路监拍装置,包括监拍装置110、监拍装置120以及监拍装置130等。其中,云端服务器100包括监控平台140、在线标注平台150及GPU集群160。
GPU集群160包括模型训练服务器170及模型升级服务器180,模型训练服务器170包括标准样本数据库190,模型升级服务器180包括网络模型数据库200。其中,若干输电线路监拍装置为边缘设备,云端设备至少包括监控平台140、GPU集群160。
需要说明的是,在本申请实施例的输电线路监测系统设置有若干输电线路监拍装置,若干输电线路监拍装置中各监拍装置与监控平台140分别进行连接,监拍装置的数量可以是一个,也可以设置有多个,如图1所示,分别设置有监拍装置110、监拍装置120以及监拍装置130。本申请实施例中,各监拍装置的功能、结构以及连接关系均相同,为方便描述,以下以监拍装置110为例进行解释说明。
在本申请的一个实施例中,模型训练服务器170或者其他任意设备,根据标准样本数据库190中的样本,对输电线路隐患识别的神经网络模型的头部和骨干部全部进行训练,以得到初始训练后的神经网络模型,各监拍装置获得该神经网络模型。因此,本申请实施例提供的若干输电线路监拍装置的初始神经网络模型是相同的。各输电线路监拍装置根据该初始的神经网络模型,识别相应输电线路的安全隐患。
基于初始的神经网络模型,监拍装置110定期对输电线路通道进行拍摄,并对获取的相应输电线路的图片进行隐患识别,将分析结果以及图片传至云端服务器100。在预设周期内,监控平台140通过获取监拍装置110对相应输电线路的隐患识别的失误值。在所述相应输电线路隐患识别的失误值达到或超过预设阈值时,激活对监拍装置110所对应的神经网络模型的训练任务。模型训练服务器170对监拍装置110所对应的神经网络模型进行训练,并将标准样本数据库190的样本作为基础训练样本,与预设周期内的监拍装置110获取的相应输电线路图片进行融合,作为该训练的样本。在监拍装置110所对应的神经网络模型训练完成的情况下,将通过验证测试的神经网络模型发至模型升级服务器180进行保存,然后通知监拍装置110,使监拍装置110向模型升级服务器180的网络模型数据库200获取由训练任务而得到的更新的神经网络模型。而在线标注平台用于150对获取的监拍装置100相应输电线路图片中的误报的输电线路隐患图片和/或漏报的输电线路隐患图片进行二次标注,并发至监控平台140。
因此,本申请实施例中的云端服务器通过对训练样本收集,并对该输电线路对应的监拍场景进行定制化模型训练,以下将通过图2具体解释说明。
图2为本申请实施例提供的一种基于云边协同的输电线路监测方法流程图。
S201、监拍装置110对该监拍装置对应的输电线路进行拍摄。
具体的,监拍装置110定期对相应输电线路进行拍摄,得到相应输电线路图片。例如,监拍装置110的拍摄间隔为30min/次。
需要说明的是,本申请并不限于附图2中对该监拍装置110对该监拍装置对应的输电线路进行拍摄的方式。
S202、监拍装置110对相应输电线路图片进行隐患识别,得到相应输电线路图片的隐患类型、bbox值。其中,bbox值为相应输电线路图片隐患的坐标值。
S203、监拍装置110对相应输电线路隐患识别的照片、隐患类型以及bbox值发至监控平台140,相应输电线路隐患识别的照片包括由监拍装置110识别的无隐患照片以及已标注的隐患照片,分析结果为相应输电线路隐患识别的照片的隐患类型以及bbox值。
需要说明的是,在拍摄间隔内,监拍装置110在相应输电线路发生故障时,会自动触发对相应故障输电线路进行拍照,并立即将相应输电线路隐患识别的照片及分析结果发至监控平台140。
S204、监控平台140将误报的输电线路隐患图片和/或漏报的输电线路隐患图片发至在线标注平台150。
具体的,监控平台140根据监拍装置140对应输电线路的图片、隐患类型以及bbox值,确定误报的输电线路隐患图片和/或漏报的输电线路隐患图片,并将误报的输电线路隐患图片以及分析结果和/或漏报的输电线路隐患图片通过restful api发至在线标注平台150。需要说明的是,本申请实施例并不限于restful api方式。
监拍装置110在相应输电线路发生故障时,将相应输电线路隐患识别的照片及分析结果发至监控平台140,相应输电线路隐患识别的照片识别正确,则为正确报警的输电线路隐患图片。监控平台140将正确报警信息推送至线路运检工作人员以消除隐患。相应输电线路隐患识别的照片识别错误,则为误报的输电线路隐患图片。监拍装置达到拍摄间隔时,将相应输电线路的图片全部上传,在此次上传的图片中包括未标注的隐患图片,则为漏报的输电线路隐患图片,而其余图片为无隐患图片。例如,挖掘机在相应输电线路的下面施工,已损坏相应输电线路,但监拍装置110并未及时上传此场景下的输电线路隐患图片,该输电线路隐患图片则为漏报输电线路隐患图片。
S205、在线标注平台150对误报的输电线路隐患图片和/或漏报的输电线路隐患图片进行二次标注,并发至监控平台。
具体的,在线标注平台150根据误报的输电线路隐患图片、隐患类型以及bbox值,对该输电线路隐患图片进行纠错,得到二次标注的无隐患图片和/或二次标注的输电线路隐患图片,并发至监控平台140。例如,监拍装置110相应输电线路的下面为一辆汽车,而监拍装置110将此树识别为对输电线路带来安全隐患一台吊车,则识别为输电线路隐患图片,而该输电线路图片应为无隐患图片。又例如,监拍装置110相应输电线路的下面有一辆汽车以及对输电线路带来安全隐患的一台吊车,监拍装置110将bbox值标注在汽车上,并未标注在吊车上,则在线标注平台进行重新标注,得到二次标注的该输电线路隐患图片。
在线标注平台150根据漏报的输电线路隐患图片,对该输电线路隐患图片进行纠错,得到该输电线路隐患图片的隐患类型以及bbox值。
本申请的一个实施例中,监控平台140将监拍装置110对相应输电线路的隐患识别结果进行筛查。在监控平台140端管理维护监拍装置110的运行图片,得到更为精准的正确报警信息,便于输电线路维修人员进行及时维修。
在线标注平台150将监拍装置110对相应输电线路的隐患识别结果进行二次标注,得到正确的输电线路无隐患图片以及已标注的隐患图片,为相应监拍装置相应输电线路的神经网络模型非首次训练提供了精准的训练样本。
S206、在预设周期内,监控平台140获取监拍装置110对相应输电线路的失误值。其中,失误值与监拍装置110的漏报率和/或误报率相关。
具体的,在预设周期内,监控平台根据监拍装置110对相应输电线路的误报的输电线路隐患图片,确定每日监拍装置110的漏报率以及根据监拍装置110对相应输电线路的漏报的输电线路隐患图片,确定每日监拍装置110的误报率。
S207、监控平台140判断在预设周期内的监拍装置110的失误值是否达到或超过预设激活阈值。
具体的,在预设周期内,每日监拍装置110的漏报率超过预设激活阈值的天数达到或超过预设天数值,或者每日监拍装置110的误报率超过预设激活阈值的天数达到或超过预设天数值。
一个例子中,失误值的公式为:aα%+bβ%
其中,a为漏报率,a%为漏报率对应的权重,b为误报率,b%为误报率对应的权重。
例如,以一周为计算周期,每日监拍装置110的误报率超过5%的天数达到或超过三天,则激活监拍装置110相应输电线路神经网络模型的训练任务,或每日监拍装置110的漏报率超过5%的天数达到或超过三天,则激活监拍装置110相应输电线路神经网络模型的训练任务。
一个例子中,在预设周期内,相应输电线路隐患识别的总失误值达到或超过总失误值所对应的预设激活阈值,激活监拍装置110相应输电线路的神经网络模型的训练任务。
需要说明的是,本申请实施例不限于先执行S205、S206-S207,可以同时执行S205、S206-S207,也可以先执行S206-S207,再执行S205。
S208、在预设周期内,监拍装置110相应输电线路隐患识别的失误值低于预设激活阈值的情况下,监控平台140不激活该监拍装置所对应的神经网络模型的训练任务。
S209、在预设周期内,监拍装置110相应输电线路隐患识别的失误值达到或超过预设激活阈值的情况下,监控平台140向GPU集群160发送指令,激活对失误值达到或超过预设激活阈值的监拍装置110,所对应的神经网络模型的训练任务。
具体的,在预设周期内,监控平台140将在线标注平台标注150进行二次标注的输电线路无隐患图片作为负样本,以及已标注的输电线路隐患图片作为正样本,发送至GPU集群160。GPU集群160对失误值达到或超过预设激活阈值的监拍装置110,所对应的神经网络模型的进行训练,该训练任务为非首次训练任务。本申请实施例具体如何对监拍装置110所对应的神经网络模型进行定制化训练,将通过图3具体解释说明。
图3为监拍装置所对应的神经网络模型的定制化训练方法流程图。
S301、模型训练服务器170对相应输电线路图片进行数据加强。
具体的,模型训练服务器170通过mixup、cutmix方式对正样本进行数据加强,增加一定比例的监拍装置110的相应输电线路的监拍场景下的无隐患图片作为负样本。
需要说明的是,本申请实施例并不限于使用mixup、cutmix方式对正样本进行数据加强。
S302、模型训练服务器170对监拍装置110所对应的神经网络模型进行训练。
在本申请的一个实施例中,模型训练服务器170将当前监拍装置110所对应的神经网络模型作为预训练模型进行初始化,并冻结当前输电线路隐患识别的神经网络的骨干部,仅对该当前神经网络模型的头部进行训练,以得到更新的神经网络模型。例如,仅对该当前神经网络模型的头部做fine tuning训练。又例如,以darknet为例,在模型配置文件中设置stopbackward=1,在神经网络模型的结束部分,训练时就可以冻结之前神经网络的参数。
此外,模型训练服务器170将标准样本数据库190的样本作为基础训练样本,与预设周期内的监拍装置110获取的无隐患图片与隐患图片进行融合,且隐患图片为已标注的隐患图片,以得到该训练的样本。也就是说,模型训练服务器170将标准样本数据库的样本作为基础训练样本,与正样本以及负样本进行融合,以得到该训练的样本。
本申请实施例通过快速迭代出新的神经网络模型实现了针对特定输电线路监拍场景做单独训练网络模型的功能,使监拍装置110所对应的神经网络模型对相应输电线路监拍场景理解的更好,减少了误报率,输电线路隐患识别更加准确。
S303、模型训练服务器170对更新的神经网络模型进行验证测试。
具体的,模型训练服务器170通过预存的测试集,对所述更新的神经网络模型进行验证测试;在更新的神经网络模型的失误值低于预设值的情况下,监控平台140对监拍装置110下发指令,通知监拍装置110进行升级。
S304、模型训练服务器170将通过验证测试的神经网络模型发至模型升级服务器180。
模型训练服务器170将通过验证测试的神经网络模型发至模型升级服务器180进行保存。
S210、GPU集群160对监控平台140下发更新完成指令。
模型训练服务器170对监控平台140下发相应监拍装置所对应的神经网络模型更新完成指令。
S211、监控平台140通知监拍装置,使监拍装置向GPU集群获取由训练任务而得到的更新的神经网络模型。
具体的,监控平台140通知监拍装置110去网络模型数据库200中,保存监拍装置110所对应更新的神经网络模型的地址,获取由所述训练任务得到的更新的神经网络模型。
在本申请的一个实施例中,图4为本申请提供的另一种基于云边协同的输电线路监测系统。
如图4所示,一种基于云边协同的输电线路监测系统,包括:云端服务器400、若干监拍装置,包括监拍装置420、监拍装置430及监拍装置440等。其中,云端服务器400包括监控平台410以及GPU集群450。
需要说明的是,在本申请系统中设置有若干输电线路监拍装置,若干输电线路监拍装置中各监拍装置与监控平台410分别进行连接,监拍装置的数量可以是一个,也可以设置有多个,如图4所示,分别设置有监拍装置420、监拍装置430以及监拍装置440。本申请实施例中,各监拍装置的功能、结构以及连接关系均相同,为方便描述,以下以监拍装置410为例进行解释说明。
在本申请的一个实施例中,监控平台410,用于获取预设周期内,若干输电线路监拍装置中监拍装置410对相应输电线路的隐患识别的失误值;以及用于确定若干输电线路监拍装置中的监拍装置410,在预设周期内的输电线路隐患识别的失误值达到或超过预设激活阈值;向GPU集群发送指令,以激活对所述失误值达到或超过预设激活阈值的监拍装置410,所对应的神经网络模型训练任务;以及用于通知所述达到或超过预设激活阈值的监拍装置410,使所述监拍装置410向GPU集群450获取由所述训练任务而得到的更新的神经网络模型;监拍装置410,用于向GPU集群450获取由所述训练任务而得到的更新的神经网络模型;GPU集群450,用于对所述失误值达到或超过预设激活阈值的监拍装置410所对应的神经网络模型进行训练,以得到更新的神经网络模型。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于云边协同的输电线路监测方法,其特征在于,所述方法包括:
获取预设周期内,若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值;所述失误值与监拍装置的漏报率和/或误报率相关;
确定所述若干输电线路监拍装置中的任意一个监拍装置,在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值;
向GPU集群发送指令,以激活对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型的训练任务;其中,所述训练任务为非首次训练任务;
通知所述达到或超过预设激活阈值的监拍装置,使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。
2.根据权利要求1所述的一种基于云边协同的输电线路监测方法,其特征在于,所述获取预设周期内,若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值之前,所述方法包括:
基于标准样本数据库,对输电线路隐患识别的神经网络模型进行初始训练,将所述初始训练后的神经网络模型,下发给所述若干输电线路监拍装置;所述初始训练是对输电线路隐患识别的神经网络模型的头部和骨干部全部进行训练。
3.根据权利要求2所述的一种基于云边协同的输电线路监测方法,其特征在于,所述激活对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型的训练任务之后,所述方法包括:
所述GPU集群冻结当前输电线路隐患识别的神经网络模型的骨干部,而仅对该当前神经网络模型的头部进行训练,以得到所述更新的神经网络模型;该训练的样本包括所述标准样本数据库中的样本以及包括相应监拍装置获取的无隐患图片和隐患图片,且所述隐患图片为已标注的隐患图片。
4.根据权利要求1所述的一种基于云边协同的输电线路监测方法,其特征在于,所述方法还包括:
接收来自所述监拍装置获取的相应输电线路图片;
根据所述图片识别出输电线路的隐患类型、bbox值;所述图片包括由所述监拍装置识别的无隐患图片以及已标注的隐患图片;
根据所述输电线路图片、所述隐患类型、bbox值,确定所述输电线路图片中的误报的输电线路隐患图片和/或漏报的输电线路隐患图片;
将所述误报的输电线路隐患图片和/或漏报的输电线路隐患图片发送在线标注平台进行二次标注,并将所述二次标注后的图片作为所述非首次训练的样本。
5.根据权利要求4所述的一种基于云边协同的输电线路监测方法,其特征在于,所述非首次训练任务对应的训练样本包括无隐患图片和隐患图片;
并将所述二次标注后的隐患图片作为所述非首次训练的正样本;将通过数据增强,以增加预设比例的无隐患图片,作为负样本。
6.根据权利要求1所述的一种基于云边协同的输电线路监测方法,其特征在于,所述失误值与监拍装置的漏报率和/或误报率相关,具体为:
所述失误值为所述漏报率或者所述误报率;或
为aα%+bβ%;其中,a为漏报率,a%为漏报率对应的权重,b为误报率,b%为误报率对应的权重。
7.根据权利要求1所述的一种基于云边协同的输电线路监测方法,其特征在于,所述在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值,具体为:
在所述预设周期内的所述输电线路隐患识别的失误值,超过预设激活阈值的天数,超过预设天数值。
8.根据权利要求1所述的一种基于云边协同的输电线路监测方法,其特征在于,所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型,具体包括:
所述监拍装置向GPU集群获取网络模型数据库中由所述训练任务而得到的更新的神经网络模型;所述网络模型数据库保存所述初始训练的输电线路隐患识别的神经网络模型以及所述更新的神经网络模型。
9.根据权利要求1所述的一种基于云边协同的输电线路监测方法,其特征在于,在所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型之前,所述方法包括:
所述GPU集群通过预存的测试集,对所述更新的神经网络模型进行验证测试;在所述更新的神经网络模型的失误值低于预设值的情况下,所述监控平台对相应监拍装置下发指令,通知所述监拍装置进行升级。
10.一种基于云边协同的输电线路监测系统,其特征在于,所述系统包括:
监控平台,用于获取预设周期内,若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值;以及用于确定所述若干输电线路监拍装置中的任意一个监拍装置,在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值;向GPU集群发送指令,以激活对所述失误值达到或超过预设激活阈值的监拍装置,所对应的神经网络模型训练任务;以及用于通知所述达到或超过预设激活阈值的监拍装置,使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型;
监拍装置,用于向GPU集群获取由所述训练任务而得到的更新的神经网络模型;
GPU集群,用于对所述失误值达到或超过预设激活阈值的监拍装置所对应的神经网络模型进行训练,以得到更新的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611643.5A CN111783968B (zh) | 2020-06-30 | 2020-06-30 | 一种基于云边协同的输电线路监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611643.5A CN111783968B (zh) | 2020-06-30 | 2020-06-30 | 一种基于云边协同的输电线路监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783968A true CN111783968A (zh) | 2020-10-16 |
CN111783968B CN111783968B (zh) | 2024-05-31 |
Family
ID=72761328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611643.5A Active CN111783968B (zh) | 2020-06-30 | 2020-06-30 | 一种基于云边协同的输电线路监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783968B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112565409A (zh) * | 2020-12-02 | 2021-03-26 | 杭州谐云科技有限公司 | 一种基于云边协同的工业设备监测的方法和系统 |
CN112561097A (zh) * | 2020-12-23 | 2021-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于云雾边协同的轴承监测方法及系统 |
CN113340353A (zh) * | 2021-06-15 | 2021-09-03 | 山东国瑞新能源有限公司 | 一种输电线路的监测方法、设备及介质 |
Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN102955950A (zh) * | 2011-08-16 | 2013-03-06 | 索尼公司 | 用于在线训练分类器的装置和在线训练分类器的方法 |
US9153231B1 (en) * | 2013-03-15 | 2015-10-06 | Amazon Technologies, Inc. | Adaptive neural network speech recognition models |
CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
US20170250751A1 (en) * | 2016-02-29 | 2017-08-31 | Satellogic Overseas, Inc. (Bvi) | System for planetary-scale analytics |
CN107306306A (zh) * | 2016-04-25 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 通信号码处理方法及装置 |
CN107452023A (zh) * | 2017-07-21 | 2017-12-08 | 上海交通大学 | 一种基于卷积神经网络在线学习的单目标跟踪方法和系统 |
CN107945265A (zh) * | 2017-11-29 | 2018-04-20 | 华中科技大学 | 基于在线学习深度预测网络的实时稠密单目slam方法与系统 |
CN107992597A (zh) * | 2017-12-13 | 2018-05-04 | 国网山东省电力公司电力科学研究院 | 一种面向电网故障案例的文本结构化方法 |
CN108027889A (zh) * | 2016-01-25 | 2018-05-11 | 华为技术有限公司 | 一种用于增量式学习云系统的训练、调度方法及相关设备 |
CN108183902A (zh) * | 2017-12-28 | 2018-06-19 | 北京奇虎科技有限公司 | 一种恶意网站的识别方法和装置 |
CN108267669A (zh) * | 2017-12-18 | 2018-07-10 | 广州能控电气技术有限公司 | 交流电网电力供应单元故障监测方法及系统 |
CN108491511A (zh) * | 2018-03-23 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 |
US20180255082A1 (en) * | 2017-03-03 | 2018-09-06 | Hitachi, Ltd. | Cooperative cloud-edge vehicle anomaly detection |
US20180260630A1 (en) * | 2017-03-10 | 2018-09-13 | Turing Video, Inc. | Activity recognition method and system |
CN108875561A (zh) * | 2018-04-27 | 2018-11-23 | 山东信通电子股份有限公司 | 一种输电线路监控隐患预警图像的隐患重复判别方法 |
WO2018224005A1 (zh) * | 2017-06-08 | 2018-12-13 | 杭州海康威视数字技术股份有限公司 | 一种程序包部署方法、电子设备及分布式系统 |
US20180357541A1 (en) * | 2017-06-09 | 2018-12-13 | Htc Corporation | Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same |
CN109634748A (zh) * | 2018-12-12 | 2019-04-16 | 深圳前海微众银行股份有限公司 | 集群资源调度方法、装置、设备及计算机可读存储介质 |
US20190171438A1 (en) * | 2017-12-05 | 2019-06-06 | Archemy, Inc. | Active adaptation of networked compute devices using vetted reusable software components |
WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
CN110119728A (zh) * | 2019-05-23 | 2019-08-13 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
CN110175679A (zh) * | 2019-05-29 | 2019-08-27 | 深圳前海微众银行股份有限公司 | 一种监控模型训练的方法及装置 |
CN110188910A (zh) * | 2018-07-10 | 2019-08-30 | 第四范式(北京)技术有限公司 | 利用机器学习模型提供在线预测服务的方法及系统 |
WO2019165698A1 (zh) * | 2018-03-02 | 2019-09-06 | 重庆邮电大学 | 工业云环境下多边缘节点协作模式下数据安全共享方法 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
CN110598757A (zh) * | 2019-08-23 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路的施工机械隐患检测方法 |
CN110675395A (zh) * | 2019-09-29 | 2020-01-10 | 智洋创新科技股份有限公司 | 输电线路智能在线监测方法 |
WO2020034899A1 (zh) * | 2018-08-16 | 2020-02-20 | 华为技术有限公司 | 一种实现光链路故障识别的方法、装置及系统 |
CN110852387A (zh) * | 2019-11-13 | 2020-02-28 | 江苏能来能源互联网研究院有限公司 | 一种能源互联网超实时状态研判算法 |
CN110928262A (zh) * | 2019-12-17 | 2020-03-27 | 中国人民解放军火箭军工程大学 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
CN110956132A (zh) * | 2019-11-29 | 2020-04-03 | 苏州经贸职业技术学院 | 一种基于无人机协同智能构建草害防治模型的方法 |
CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
WO2020082732A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
CN111105395A (zh) * | 2019-12-05 | 2020-05-05 | 广东森旭通用设备科技有限公司 | 一种用于输电运行监测的ai智能云台 |
CN111126621A (zh) * | 2019-12-17 | 2020-05-08 | 北京九章云极科技有限公司 | 在线模型训练方法及装置 |
CN111142049A (zh) * | 2020-01-16 | 2020-05-12 | 合肥工业大学 | 一种基于边云协同机制的变压器智能故障诊断方法 |
CN111146789A (zh) * | 2020-02-21 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种基于边缘计算的机组一次调频能力评估方法及系统 |
CN111160582A (zh) * | 2019-12-31 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 设备故障识别方法、装置及计算机可读存储介质 |
CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
-
2020
- 2020-06-30 CN CN202010611643.5A patent/CN111783968B/zh active Active
Patent Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN102955950A (zh) * | 2011-08-16 | 2013-03-06 | 索尼公司 | 用于在线训练分类器的装置和在线训练分类器的方法 |
US9153231B1 (en) * | 2013-03-15 | 2015-10-06 | Amazon Technologies, Inc. | Adaptive neural network speech recognition models |
CN108027889A (zh) * | 2016-01-25 | 2018-05-11 | 华为技术有限公司 | 一种用于增量式学习云系统的训练、调度方法及相关设备 |
US20170250751A1 (en) * | 2016-02-29 | 2017-08-31 | Satellogic Overseas, Inc. (Bvi) | System for planetary-scale analytics |
CN107306306A (zh) * | 2016-04-25 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 通信号码处理方法及装置 |
US20180255082A1 (en) * | 2017-03-03 | 2018-09-06 | Hitachi, Ltd. | Cooperative cloud-edge vehicle anomaly detection |
US20180260630A1 (en) * | 2017-03-10 | 2018-09-13 | Turing Video, Inc. | Activity recognition method and system |
CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
WO2018224005A1 (zh) * | 2017-06-08 | 2018-12-13 | 杭州海康威视数字技术股份有限公司 | 一种程序包部署方法、电子设备及分布式系统 |
US20180357541A1 (en) * | 2017-06-09 | 2018-12-13 | Htc Corporation | Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same |
CN107452023A (zh) * | 2017-07-21 | 2017-12-08 | 上海交通大学 | 一种基于卷积神经网络在线学习的单目标跟踪方法和系统 |
CN107945265A (zh) * | 2017-11-29 | 2018-04-20 | 华中科技大学 | 基于在线学习深度预测网络的实时稠密单目slam方法与系统 |
WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
US20190171438A1 (en) * | 2017-12-05 | 2019-06-06 | Archemy, Inc. | Active adaptation of networked compute devices using vetted reusable software components |
CN107992597A (zh) * | 2017-12-13 | 2018-05-04 | 国网山东省电力公司电力科学研究院 | 一种面向电网故障案例的文本结构化方法 |
CN108267669A (zh) * | 2017-12-18 | 2018-07-10 | 广州能控电气技术有限公司 | 交流电网电力供应单元故障监测方法及系统 |
CN108183902A (zh) * | 2017-12-28 | 2018-06-19 | 北京奇虎科技有限公司 | 一种恶意网站的识别方法和装置 |
WO2019165698A1 (zh) * | 2018-03-02 | 2019-09-06 | 重庆邮电大学 | 工业云环境下多边缘节点协作模式下数据安全共享方法 |
CN108491511A (zh) * | 2018-03-23 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 |
CN108875561A (zh) * | 2018-04-27 | 2018-11-23 | 山东信通电子股份有限公司 | 一种输电线路监控隐患预警图像的隐患重复判别方法 |
CN110188910A (zh) * | 2018-07-10 | 2019-08-30 | 第四范式(北京)技术有限公司 | 利用机器学习模型提供在线预测服务的方法及系统 |
WO2020034899A1 (zh) * | 2018-08-16 | 2020-02-20 | 华为技术有限公司 | 一种实现光链路故障识别的方法、装置及系统 |
WO2020082732A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
CN109634748A (zh) * | 2018-12-12 | 2019-04-16 | 深圳前海微众银行股份有限公司 | 集群资源调度方法、装置、设备及计算机可读存储介质 |
CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
CN110119728A (zh) * | 2019-05-23 | 2019-08-13 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
CN110175679A (zh) * | 2019-05-29 | 2019-08-27 | 深圳前海微众银行股份有限公司 | 一种监控模型训练的方法及装置 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN110598757A (zh) * | 2019-08-23 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路的施工机械隐患检测方法 |
CN110675395A (zh) * | 2019-09-29 | 2020-01-10 | 智洋创新科技股份有限公司 | 输电线路智能在线监测方法 |
CN110852387A (zh) * | 2019-11-13 | 2020-02-28 | 江苏能来能源互联网研究院有限公司 | 一种能源互联网超实时状态研判算法 |
CN110956132A (zh) * | 2019-11-29 | 2020-04-03 | 苏州经贸职业技术学院 | 一种基于无人机协同智能构建草害防治模型的方法 |
CN111105395A (zh) * | 2019-12-05 | 2020-05-05 | 广东森旭通用设备科技有限公司 | 一种用于输电运行监测的ai智能云台 |
CN110928262A (zh) * | 2019-12-17 | 2020-03-27 | 中国人民解放军火箭军工程大学 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
CN111126621A (zh) * | 2019-12-17 | 2020-05-08 | 北京九章云极科技有限公司 | 在线模型训练方法及装置 |
CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
CN111160582A (zh) * | 2019-12-31 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 设备故障识别方法、装置及计算机可读存储介质 |
CN111142049A (zh) * | 2020-01-16 | 2020-05-12 | 合肥工业大学 | 一种基于边云协同机制的变压器智能故障诊断方法 |
CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
CN111146789A (zh) * | 2020-02-21 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种基于边缘计算的机组一次调频能力评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
段玉飞等: ""基于物联网的输电线路智能监测系统研究与应用"", 《电力信息与通信技术》, vol. 17, no. 7, pages 23 * |
潘三明等: ""基于边缘计算的视频监控系统及应用"", 《电信科学》, 4 June 2020 (2020-06-04), pages 1 - 7 * |
潘三明等: ""基于边缘计算的视频监控系统及应用"", 《电信科学》, pages 1 - 6 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112565409A (zh) * | 2020-12-02 | 2021-03-26 | 杭州谐云科技有限公司 | 一种基于云边协同的工业设备监测的方法和系统 |
CN112565409B (zh) * | 2020-12-02 | 2022-08-16 | 杭州谐云科技有限公司 | 一种基于云边协同的工业设备监测的方法和系统 |
CN112561097A (zh) * | 2020-12-23 | 2021-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于云雾边协同的轴承监测方法及系统 |
CN112561097B (zh) * | 2020-12-23 | 2023-04-21 | 山东浪潮科学研究院有限公司 | 一种基于云雾边协同的轴承监测方法及系统 |
CN113340353A (zh) * | 2021-06-15 | 2021-09-03 | 山东国瑞新能源有限公司 | 一种输电线路的监测方法、设备及介质 |
CN113340353B (zh) * | 2021-06-15 | 2023-03-07 | 山东国瑞新能源有限公司 | 一种输电线路的监测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111783968B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783968A (zh) | 一种基于云边协同的输电线路监测方法及系统 | |
CN108872781B (zh) | 基于电力设施智能巡检的分析方法及装置 | |
CN110807460B (zh) | 一种基于图像识别的变电站智能巡视系统及其应用方法 | |
CN110827435A (zh) | 基于智能警示柱的外破监测方法、系统及可读存储介质 | |
CN111126217A (zh) | 基于智能识别的输电线路智能运维管理系统 | |
CN108846771A (zh) | 运维管理系统及方法 | |
CN108107292B (zh) | 电能质量在线监测系统的业务数据监测系统及方法 | |
CN114744769A (zh) | 一种电网调度系统业务处理方法及系统 | |
CN115909395A (zh) | 一种输电线路鸟害监测方法、装置、电子设备及存储介质 | |
CN112199805A (zh) | 一种输电线路隐患识别模型评估方法及装置 | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
CN110503215A (zh) | 基于图像识别技术识别设备状态、故障及处理异常的方法 | |
CN105007174B (zh) | 一种调度自动化主站下行命令自动验收方法 | |
CN111009968A (zh) | 一种变电站压板远程自动核对和监视的方法及装置 | |
CN115631184A (zh) | 基于决策树的输电线路故障分析方法、装置、设备及存储介质 | |
CN112712002B (zh) | 基于cgan的环境监控方法、装置、系统及存储介质 | |
CN112446619B (zh) | 配电网抢修处理方法和装置 | |
CN112132826A (zh) | 基于人工智能的杆塔附件缺陷巡检图像排查方法及系统 | |
CN105989449A (zh) | 配电系统在线监测的移动管理平台及管理方法 | |
CN111537079A (zh) | 一种基于红外线成像技术的变电设备运行状态监测系统 | |
CN113297914B (zh) | 一种配网现场作业验电动作识别方法 | |
CN115393644A (zh) | 一种安全防护检测方法、装置、电子设备及存储介质 | |
CN113673314A (zh) | 基于姿态估计的升压站人员异常视频识别方法及装置 | |
CN115600805A (zh) | 基于人工智能的输电隐患数据的智能处理方法及装置 | |
CN113420654A (zh) | 变电站状态的处理方法、装置以及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |