CN112581387B - 一种配电室智能运维系统、装置及方法 - Google Patents
一种配电室智能运维系统、装置及方法 Download PDFInfo
- Publication number
- CN112581387B CN112581387B CN202011401169.XA CN202011401169A CN112581387B CN 112581387 B CN112581387 B CN 112581387B CN 202011401169 A CN202011401169 A CN 202011401169A CN 112581387 B CN112581387 B CN 112581387B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- attention
- distribution room
- acquisition 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012423 maintenance Methods 0.000 title description 10
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000003702 image correction Methods 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明提出了一种配电室智能分析系统、方法及装置，能够将视频图像信息和环境传感器信息进行融合，将多模态的信息输入至经过训练的注意力神经网络，得到配电室的异常类型和等级。本发明还对获取的视频图像进行了图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位等预处理，进一步提升了分析的准确性。
Description
技术领域
本发明属于变电站监测技术领域，具体涉及一种配电室智能运维系统、装置及方法。
背景技术
近年来，我国在智能电网领域发展迅猛，智能电网技术的发展如火如荼，其快速发展的创新性大大提升了供电可靠性，为社会经济的发展奠定了坚实的基础，智能电网技术涵盖了现代物联网、现代通讯网络、现代储能等技术，可分为智能变电站，智能配电网，智能交换终端等多个部分。随着城市建设的大力发展，配电网和小区配电系统作为提供千家万户电力的终端系统，其运行的安全性对于居民的用电安全至关重要。电力系统内配电室自动化技术已非常成熟，实现少人值守、无人值班的管理模式，但目前配电室信息化程度较低，运维方式以传统巡视方式为主，运维效率不高，运维成本偏高。也有一些现有技术通过终端设备对电能情况进行监测、功能单一。
随着计算机视觉技术的发展，利用视频图像分析处理技术对配电室进行监控分析，达到无人值守模式已经成为可能。
发明内容
本发明提出的一种配电室智能运维系统、装置及方法，至少克服了背景技术中所提及的缺陷。同时利用环境传感器采集的信息和图像信息，将多模态数据输入至经训练的注意力神经网络模型，得到配电室的异常类型和等级。
一种配电室智能分析系统，所述系统包括以下模块：
采集模块，所述采集模块包括图像采集模块及环境传感器采集模块，所述图像采集模块用于采集配电室的图像信息；所述环境传感器采集模块至少用于采集温度信息、湿度信息；
图像预处理模块，对所述图像采集模块采集的图像信息进行预处理，得到预处理后的图像；
数据分析模块，将预处理后的图像及所述温度信息、湿度信息输入至训练好的注意力神经网络模型，处理后得到配电室的异常类型和等级。
可选的，所述图像预处理模块所包含的处理操作进一步包括：图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项，所述滤波处理包括但不限于：中值滤波、高斯滤波、均值滤波、边界滤波。
可选的，所述注意力神经网络模型采用带有标签的样本数据进行训练，所述注意力神经网络模型至少包括：输入层、卷积层、池化层、全连接层。
可选的，所述图像增强进一步包括：将原始图像帧转换到HSV空间，首先计算得到VE(x,y)；再分别对H、S进行处理；将处理后的HSV图像再次转换成RGB图像；
所述VE(x,y)计算方法如下：
对H、S处理步骤如下：
其中，D表示以像素点(x,y)为中心的窗口内像素点的集合，窗口大小选择5*5或3*3；m,n分别代表坐标值；V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量，VE(x,y)、HE(x，y)、SE(x,y)分别为处理后的图像分量；Vmax表示D窗口集合内的最大亮度值；Vmin表示D窗口集合内的最小亮度值。
可选的，注意力神经网络模型还包括：多层感知机、注意力机制模型、注意力网络层，所述多层感知机包括输入层、2个隐含层、输出层；注意力机制模型包括编码器、用于进行归一化的softmax层和解码器；注意力网络层包括输入层与输出层、特征提取与注意力机制、输出特征层和多头注意力机制。
可选的，注意力神经网络包括：输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层；所述输入层用于接收数据；所述第一卷积单元采用的卷积核大小为5*5；所述第二卷积单元的卷积核大小为3*3，本发明的激活函数记为f()；经过所述全连接层处理后进一步输出得到稳定性判定结果；
所述第一池化层、第二池化层的池化方法如下：
xe＝f(ue+φ(ue))
ue＝weφ(xe-1)；其中，xe表示当前层的输出，ue表示激活函数的输入，
f()表示激活函数，we表示当前层的权重，φ表示损失函数，xe-1表示上一层的输出；
激活函数f()为：
所述损失函数φ如下：
对应的，本发明还提出了一种配电室智能分析方法。
一种配电室智能分析方法，所述方法包括以下步骤：
利用采集模块完成数据采集，所述采集模块包括图像采集模块及环境传感器采集模块，所述图像采集模块用于采集配电室的图像信息；所述环境传感器采集模块至少用于采集温度信息、湿度信息；
利用图像预处理模块对所述图像采集模块采集的图像信息进行预处理，得到预处理后的图像；
利用数据分析模块将预处理后的图像及所述温度信息、湿度信息输入至训练好的注意力神经网络模型，处理后得到配电室的异常类型和等级。
优选的，所述图像预处理模块所包含的处理操作进一步包括：图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项，所述滤波处理包括但不限于：中值滤波、高斯滤波、均值滤波、边界滤波。
优选的，所述注意力神经网络模型采用带有标签的样本数据进行训练，所述注意力神经网络模型至少包括：输入层、卷积层、池化层、全连接层。
优选的，所述图像增强进一步包括：将原始图像帧转换到HSV空间，首先计算得到VE(x,y)；再分别对H、S进行处理；将处理后的HSV图像再次转换成RGB图像；
所述VE(x,y)计算方法如下：
对H、S处理步骤如下：
其中，D表示以像素点(x,y)为中心的窗口内像素点的集合，窗口大小选择5*5或3*3；m,n分别代表坐标值；V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量，VE(x,y)、HE(x，y)、SE(x,y)分别为处理后的图像分量；Vmax表示D窗口集合内的最大亮度值；Vmin表示D窗口集合内的最小亮度值。
可选的，注意力神经网络模型还包括：多层感知机、注意力机制模型、注意力网络层，所述多层感知机包括输入层、2个隐含层、输出层；注意力机制模型包括编码器、用于进行归一化的softmax层和解码器；注意力网络层包括输入层与输出层、特征提取与注意力机制、输出特征层和多头注意力机制。
可选的，注意力神经网络包括：输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层；所述输入层用于接收数据；所述第一卷积单元采用的卷积核大小为5*5；所述第二卷积单元的卷积核大小为3*3，本发明的激活函数记为f()；经过所述全连接层处理后进一步输出得到稳定性判定结果；
所述第一池化层、第二池化层的池化方法如下：
xe＝f(ue+φ(ue))
ue＝weφ(xe-1)；其中，xe表示当前层的输出，ue表示激活函数的输入，
f()表示激活函数，we表示当前层的权重，φ表示损失函数，xe-1表示上一层的输出；
激活函数f()为：
所述损失函数φ如下：
对应的，本发明还提出了一种配电室智能分析终端。
一种配电室智能分析终端，所述终端包括处理器、存储器，所述存储器存储有程序指令，当所述处理器用于执行上述任一项所述的方法。
附图说明
图1为本发明提供的配电室智能分析方法示意图
具体实施方式
为使本发明的技术方案和实现步骤能够更加清楚明白，以下结合具体实施例，并参照附图，对本发明进行进一步详细说明。
参照图1所述，本实施例中，一种配电室智能分析系统所对应的步骤流程，其特征在于，
一种配电室智能分析系统，所述系统包括以下模块：
采集模块，所述采集模块包括图像采集模块及环境传感器采集模块，所述图像采集模块用于采集配电室的图像信息；所述环境传感器采集模块至少用于采集温度信息、湿度信息；
图像预处理模块，对所述图像采集模块采集的图像信息进行预处理，得到预处理后的图像；
数据分析模块，将预处理后的图像及所述温度信息、湿度信息输入至训练好的注意力神经网络模型，处理后得到配电室的异常类型和等级。
可选的，所述图像预处理模块所包含的处理操作进一步包括：图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项，所述滤波处理包括但不限于：中值滤波、高斯滤波、均值滤波、边界滤波。
可选的，注意力神经网络模型还包括：多层感知机、注意力机制模型、注意力网络层，所述多层感知机包括输入层、2个隐含层、输出层；注意力机制模型包括编码器、用于进行归一化的softmax层和解码器；注意力网络层包括输入层与输出层、特征提取与注意力机制、输出特征层和多头注意力机制。
可选的，所述注意力神经网络模型采用带有标签的样本数据进行训练，所述注意力神经网络模型至少包括：输入层、卷积层、池化层、全连接层。
可选的，所述图像增强进一步包括：将原始图像帧转换到HSV空间，首先计算得到VE(x,y)；再分别对H、S进行处理；将处理后的HSV图像再次转换成RGB图像；
所述VE(x,y)计算方法如下：
对H、S处理步骤如下：
其中，D表示以像素点(x,y)为中心的窗口内像素点的集合，窗口大小选择5*5或3*3；m,n分别代表坐标值；V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量，VE(x,y)、HE(x，y)、SE(x,y)分别为处理后的图像分量；Vmax表示D窗口集合内的最大亮度值；Vmin表示D窗口集合内的最小亮度值。
可选的，注意力神经网络包括：输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层；所述输入层用于接收数据；所述第一卷积单元采用的卷积核大小为5*5；所述第二卷积单元的卷积核大小为3*3，本发明的激活函数记为f()；经过所述全连接层处理后进一步输出得到稳定性判定结果；
所述第一池化层、第二池化层的池化方法如下：
xe＝f(ue+φ(ue))
ue＝weφ(xe-1)；其中，xe表示当前层的输出，ue表示激活函数的输入，
f()表示激活函数，we表示当前层的权重，φ表示损失函数，xe-1表示上一层的输出；
激活函数f()为：
所述损失函数φ如下：
N表示样本数据集的大小，i取值1～N，yi表示样本xi对应的标签值；Wyi表示样本特征向量xi在其标签yi处的权重，s为神经网络模型的故障预测输出。
对应的，本发明还提出了一种配电室智能运维方法，所述方法包括以下步骤：
利用采集模块完成数据采集，所述采集模块包括图像采集模块及环境传感器采集模块，所述图像采集模块用于采集配电室的图像信息；所述环境传感器采集模块至少用于采集温度信息、湿度信息；
利用图像预处理模块对所述图像采集模块采集的图像信息进行预处理，得到预处理后的图像；
利用数据分析模块将预处理后的图像及所述温度信息、湿度信息输入至训练好的注意力神经网络模型，处理后得到配电室的异常类型和等级。
优选的，所述图像预处理模块所包含的处理操作进一步包括：图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项，所述滤波处理包括但不限于：中值滤波、高斯滤波、均值滤波、边界滤波。
优选的，所述注意力神经网络模型采用带有标签的样本数据进行训练，所述注意力神经网络模型至少包括：输入层、卷积层、池化层、全连接层。
优选的，所述图像增强进一步包括：将原始图像帧转换到HSV空间，首先计算得到VE(x,y)；再分别对H、S进行处理；将处理后的HSV图像再次转换成RGB图像；
所述VE(x,y)计算方法如下：
对H、S处理步骤如下：
其中，D表示以像素点(x,y)为中心的窗口内像素点的集合，窗口大小选择5*5或3*3；m,n分别代表坐标值；V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量，VE(x,y)、HE(x，y)、SE(x,y)分别为处理后的图像分量；Vmax表示D窗口集合内的最大亮度值；Vmin表示D窗口集合内的最小亮度值。
可选的，注意力神经网络模型还包括：多层感知机、注意力机制模型、注意力网络层，所述多层感知机包括输入层、2个隐含层、输出层；注意力机制模型包括编码器、用于进行归一化的softmax层和解码器；注意力网络层包括输入层与输出层、特征提取与注意力机制、输出特征层和多头注意力机制。
可选的，注意力神经网络包括：输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层；所述输入层用于接收数据；所述第一卷积单元采用的卷积核大小为5*5；所述第二卷积单元的卷积核大小为3*3，本发明的激活函数记为f()；经过所述全连接层处理后进一步输出得到稳定性判定结果；
所述第一池化层、第二池化层的池化方法如下：
xe＝f(ue+φ(ue))
ue＝weφ(xe-1)；其中，xe表示当前层的输出，ue表示激活函数的输入，
f()表示激活函数，we表示当前层的权重，φ表示损失函数，xe-1表示上一层的输出；
激活函数f()为：
所述损失函数φ如下：
N表示样本数据集的大小，i取值1～N，yi表示样本xi对应的标签值；Wyi表示样本特征向量xi在其标签yi处的权重，s为神经网络模型的故障预测输出。
对应的，本发明还提出了一种配电室智能分析终端。
一种配电室智能分析终端，所述终端包括处理器、存储器，所述存储器存储有程序指令，当所述处理器用于执行上述任一项所述的方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行供电设备使用的指令的有形供电设备。计算机可读存储介质例如可以是但不限于电存储供电设备、磁存储供电设备、光存储供电设备、电磁存储供电设备、半导体存储供电设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码供电设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理供电设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储供电设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理供电设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理供电设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他供电设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它供电设备上，使得在计算机、其它可编程数据处理装置或其它供电设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它供电设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种配电室智能分析系统，所述系统包括以下模块：
采集模块，所述采集模块包括图像采集模块及环境传感器采集模块，所述图像采集模块用于采集配电室的图像信息；所述环境传感器采集模块至少用于采集温度信息、湿度信息；
图像预处理模块，对所述图像采集模块采集的图像信息进行预处理，得到预处理后的图像；
数据分析模块，将预处理后的图像及所述温度信息、湿度信息输入至训练好的注意力神经网络模型，处理后得到配电室的异常类型和等级；
所述注意力神经网络模型包括：多层感知机、注意力机制模型、注意力网络层，所述多层感知机包括输入层、2个隐含层、输出层；注意力机制模型包括编码器、用于进行归一化的softmax层和解码器；注意力网络层包括输入层与输出层、特征提取与注意力机制、输出特征层和多头注意力机制；
注意力神经网络模型还包括：第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层；所述第一卷积单元采用的卷积核大小为5*5；所述第二卷积单元的卷积核大小为3*3，激活函数记为f()；经过所述全连接层处理后进一步输出得到稳定性判定结果；
所述第一池化层、第二池化层的池化方法如下：
xe＝f(ue+φ(ue))
ue＝weφ(xe-1)；其中，xe表示当前层的输出，ue表示当前层损失函数的输入，
f()表示激活函数，we表示当前层的权重，φ表示损失函数，xe-1表示上一层的输出；
激活函数f()为：
所述损失函数φ如下：
N表示样本数据集的大小，i取值1～N，yi表示样本xi对应的标签值；Wyi表示样本特征向量xi在其标签yi处的权重，s为神经网络模型的故障预测输出。
2.根据权利要求1所述的配电室智能分析系统，所述图像预处理模块所包含的处理操作进一步包括：图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项，所述滤波处理包括但不限于：中值滤波、高斯滤波、均值滤波、边界滤波。
3.根据权利要求1所述的配电室智能分析系统，所述注意力神经网络模型采用带有标签的样本数据进行训练，所述注意力神经网络模型至少包括：输入层、卷积层、池化层、全连接层。
4.根据权利要求1所述的配电室智能分析系统，图像增强进一步包括：将原始图像帧转换到HSV空间，首先计算得到VE(x,y)；再分别对H、S进行处理；将处理后的HSV图像再次转换成RGB图像；
所述VE(x,y)计算方法如下：
对H、S处理步骤如下：
其中，D表示以像素点(x,y)为中心的窗口内像素点的集合，窗口大小选择5*5或3*3；m,n分别代表坐标值；V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量，VE(x,y)、HE(x，y)、SE(x,y)分别为处理后的图像分量；Vmax表示D窗口集合内的最大亮度值；Vmin表示D窗口集合内的最小亮度值。
5.一种配电室智能分析方法，所述方法包括以下步骤：
利用采集模块完成数据采集，所述采集模块包括图像采集模块及环境传感器采集模块，所述图像采集模块用于采集配电室的图像信息；所述环境传感器采集模块至少用于采集温度信息、湿度信息；
利用图像预处理模块对所述图像采集模块采集的图像信息进行预处理，得到预处理后的图像；
利用数据分析模块将预处理后的图像及所述温度信息、湿度信息输入至训练好的注意力神经网络模型，处理后得到配电室的异常类型和等级；
所述注意力神经网络模型包括：多层感知机、注意力机制模型、注意力网络层，所述多层感知机包括输入层、2个隐含层、输出层；注意力机制模型包括编码器、用于进行归一化的softmax层和解码器；注意力网络层包括输入层与输出层、特征提取与注意力机制、输出特征层和多头注意力机制；
注意力神经网络模型还包括：第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层；所述第一卷积单元采用的卷积核大小为5*5；所述第二卷积单元的卷积核大小为3*3，激活函数记为f()；经过所述全连接层处理后进一步输出得到稳定性判定结果；
所述第一池化层、第二池化层的池化方法如下：
xe＝f(ue+φ(ue))
ue＝weφ(xe-1)；其中，xe表示当前层的输出，ue表示当前层损失函数的输入，
f()表示激活函数，we表示当前层的权重，φ表示损失函数，xe-1表示上一层的输出；
激活函数f()为：
所述损失函数φ如下：
N表示样本数据集的大小，i取值1～N，yi表示样本xi对应的标签值；Wyi表示样本特征向量xi在其标签yi处的权重，s为神经网络模型的故障预测输出。
6.根据权利要求5所述的一种配电室智能分析方法，所述图像预处理模块所包含的处理操作进一步包括：图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项，所述滤波处理包括但不限于：中值滤波、高斯滤波、均值滤波、边界滤波。
7.根据权利要求5所述的一种配电室智能分析方法，所述注意力神经网络模型采用带有标签的样本数据进行训练，所述注意力神经网络模型至少包括：输入层、卷积层、池化层、全连接层。
8.根据权利要求5所述的一种配电室智能分析方法，图像增强进一步包括：将原始图像帧转换到HSV空间，首先计算得到VE(x,y)；再分别对H、S进行处理；将处理后的HSV图像再次转换成RGB图像；
所述VE(x,y)计算方法如下：
对H、S处理步骤如下：
其中，D表示以像素点(x,y)为中心的窗口内像素点的集合，窗口大小选择5*5或3*3；m,n分别代表坐标值；V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量，VE(x,y)、HE(x，y)、SE(x,y)分别为处理后的图像分量；Vmax表示D窗口集合内的最大亮度值；Vmin表示D窗口集合内的最小亮度值。
9.一种配电室智能分析终端，所述终端包括处理器、存储器，所述存储器存储有程序指令，当所述处理器用于执行权利要求5-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011401169.XA CN112581387B (zh) | 2020-12-03 | 2020-12-03 | 一种配电室智能运维系统、装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011401169.XA CN112581387B (zh) | 2020-12-03 | 2020-12-03 | 一种配电室智能运维系统、装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581387A CN112581387A (zh) | 2021-03-30 |
| CN112581387B true CN112581387B (zh) | 2021-11-09 |
Family
ID=75127004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011401169.XA Active CN112581387B (zh) | 2020-12-03 | 2020-12-03 | 一种配电室智能运维系统、装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581387B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879054B (zh) * | 2023-03-03 | 2023-05-30 | 泰安市特种设备检验研究院 | 一种基于图像处理确定液氨制冷状态的方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144793A (zh) * | 2020-01-03 | 2020-05-12 | 南京邮电大学 | 基于多智能体深度强化学习的商业建筑hvac控制方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101992310B1 (ko) * | 2013-03-25 | 2019-09-30 | 엘지디스플레이 주식회사 | 표시 장치의 영상 처리 방법 및 장치 |
| CN107562812B (zh) * | 2017-08-11 | 2021-01-15 | 北京大学 | 一种基于特定模态语义空间建模的跨模态相似性学习方法 |
| CN109743387A (zh) * | 2018-12-29 | 2019-05-10 | 江苏金派克新能源有限公司 | 锂电池组装车间安全监测统一管理系统 |
| CN209948789U (zh) * | 2019-06-05 | 2020-01-14 | 重庆水利电力职业技术学院 | 一种配电监控系统 |
| CN110475149B (zh) * | 2019-08-30 | 2020-04-03 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
| CN111832814B (zh) * | 2020-07-01 | 2023-06-23 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
| CN111932816B (zh) * | 2020-07-29 | 2021-06-04 | 中国能源建设集团广东省电力设计研究院有限公司 | 用于海上风电场和海岛微电网的火灾报警管理方法及装置 |
-
2020
- 2020-12-03 CN CN202011401169.XA patent/CN112581387B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144793A (zh) * | 2020-01-03 | 2020-05-12 | 南京邮电大学 | 基于多智能体深度强化学习的商业建筑hvac控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581387A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Component identification and defect detection in transmission lines based on deep learning | |
| CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
| CN117040109A (zh) | 一种基于异构数据特征融合的配电站房风险预警方法 | |
| CN115346083A (zh) | 一种温度异常检测模型训练方法、装置、设备及介质 | |
| CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
| CN112348085B (zh) | 一种电力数据监测系统与方法 | |
| CN116561588B (zh) | 电力文本识别模型构建方法、电力设备维修方法和装置 | |
| CN115601603B (zh) | 模型训练和用电器类别识别方法、设备及存储介质 | |
| CN112113638A (zh) | 水表功能自检装置及方法 | |
| Pei et al. | MWNet: object detection network applicable for different weather conditions | |
| CN115331081A (zh) | 图像目标检测方法与装置 | |
| CN111583594B (zh) | 一种配电箱预警系统及预警方法 | |
| CN113393453A (zh) | 用于检测自爆绝缘子的方法、装置、设备、介质和产品 | |
| Yang et al. | Dense-YOLOv7: improved real-time insulator detection framework based on YOLOv7 | |
| Peng et al. | CIM/G graphics automatic generation in substation primary wiring diagram based on image recognition | |
| CN113742164B (zh) | 基于数字电网的多样化数据采集系统、方法和存储介质 | |
| Ghafarokhi et al. | Composite load modeling by spatial-temporal deep attention network based on wide-area monitoring systems | |
| LU500121B1 (en) | A method, device and equipment for electric meter detecting | |
| Segovia et al. | Connected system for monitoring electrical power transformers using thermal imaging | |
| CN116500335B (zh) | 基于一维特征和二维特征的智能电网窃电检测方法及系统 | |
| Segovia Román et al. | Connected system for monitoring electrical power transformers using thermal imaging | |
| Ren et al. | Intelligent Operation and Inspection Software Based on Edge Computing Concept and Artificial Intelligence Technology | |
| Murthy et al. | Video surveillance-based insulator condition monitoring analysis for substation monitoring system (SMS) | |
| CN111382673A (zh) | 一种用于风车发电状态监测的kvm系统及方法 | |
| CN114897840A (zh) | 一种应用于智慧电网的发电机组检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 510000 room 406, building 2, No. 2, siyouyi Road, Yuexiu District, Guangzhou, Guangdong Province Patentee after: GUANGZHOU POWER COMMUNICATION NETWORKS CO.,LTD. Patentee after: China Southern Power Grid Big Data Service Co.,Ltd. Address before: 510030 room 406, building 2, No.2, siyouyima Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU POWER COMMUNICATION NETWORKS CO.,LTD. Patentee before: Guangzhou suinengtong Energy Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 510000, Floor 12, Unit 3, Building 2, No. 11 Spectral Middle Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: China Southern Power Grid Digital Power Grid Group Information Communication Technology Co.,Ltd. Patentee after: China Southern Power Grid Big Data Service Co.,Ltd. Address before: 510000 room 406, building 2, No. 2, siyouyi Road, Yuexiu District, Guangzhou, Guangdong Province Patentee before: GUANGZHOU POWER COMMUNICATION NETWORKS CO.,LTD. Patentee before: China Southern Power Grid Big Data Service Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: 510000, Floor 12, Unit 3, Building 2, No. 11 Spectral Middle Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: China Southern Power Grid Digital Power Grid Group Information Communication Technology Co.,Ltd. Address before: 510000, Floor 12, Unit 3, Building 2, No. 11 Spectral Middle Road, Huangpu District, Guangzhou City, Guangdong Province Patentee before: China Southern Power Grid Digital Power Grid Group Information Communication Technology Co.,Ltd. Patentee before: China Southern Power Grid Big Data Service Co.,Ltd. |