CN112798979B - 基于深度学习技术的变电站接地线状态检测系统及方法 - Google Patents
基于深度学习技术的变电站接地线状态检测系统及方法 Download PDFInfo
- Publication number
- CN112798979B CN112798979B CN202011431211.2A CN202011431211A CN112798979B CN 112798979 B CN112798979 B CN 112798979B CN 202011431211 A CN202011431211 A CN 202011431211A CN 112798979 B CN112798979 B CN 112798979B
- Authority
- CN
- China
- Prior art keywords
- grounding wire
- state
- data
- ground wire
- transformer substation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000002265 prevention Effects 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- 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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习技术的变电站接地线状态检测系统及方法,该系统由工作层、传输层和处理层构成;工作层包括若干摄像头、视频监控系统、智能接地线装置;传输层包括交换机和防火墙;处理层包括服务器;检测步骤是:摄像头实时采集视频数据,并上传到视频监控系统,为后续的特征提取和特征验证提供数据来源;智能接地线装置获取芯片编码数据采集到接地线信息;将提取的特征验证结果与智能接地线采集到的接地线信息汇总后,传输到防误逻辑校验模块中,判断是否符合防误逻辑,若不符合,通知告警输出模块,发出告警信息。优点是:该系统可实时检测接地线的位置和状态,避免接地线操作事故的发生,实现变电站接地线在线式、全过程、全方位的状态检测。
Description
技术领域
本发明涉及一种基于深度学习技术的变电站接地线状态检测系统及方法。
背景技术
随着电网建设的快速发展,电力工程现场作业越来越多,近年来人身安全事故时有发生。虽然《电力作业安全工作规程》和“两票”管理等安全制度明确了作业的安全要求,但其约束力仅体现在签字上,在执行环节仍存在违章行为,需要采取更加有效的措施,强化作业过程的监督检查。另外,电力行业已建成较为完善的变电站网络高清视频监控系统,但视频监控系统主要应用于对变电站的安全防范管理,仅具备事后分析和录像调取的功能,无法实现智能识别违章行为从而及时预警和制止的功能,也无法与电力作业流程相融合。
在接地线使用过程中,存在接地线挂接不合缝、接触不良或者在施工过程中容易掉落等问题。针对这一问题,目前主要三种解决办法:一种解决办法是在接地装置中设计一种检测电路,通过压触传感器检测接触状况,这种方式存在电路结构较为复杂、不方便安装于接地装置上以及需要电池供电等不足;另一种解决方法是采用带开关状态的无源射频标签,设计一个简单电路,在挂接点不同位置布置多个压敏开关,连接上射频标签,通过移动终端的射频识读模块进行非接触式读取开关状态,综合判断挂接状态。此种方法检测电路结构简单且无源,但存在需要随时用移动终端对准接地装置,在施工时同样存在不太方便的问题。第三种解决方法,通过各个线路监控保护设备获取线路状态数据,再把数据传给调度中心用计算机进行分析和处理,一旦有设备状态发生改变,计算机立刻发出警示,把变为情况和结果提交给工作人员。但在这种方式下,只能获得一次设备状态等有限信息,视频监控、二次设备及地线装置等诸多信息无法被有效分析提取,即使少数拥有监控识别的变电站,其工作模式固定、单一,通过预置特征点来判断操作的合法性,特征点少容易造成操作人员操作细节错误检测不出,特征点多正常操作而系统识别不出来错误报警等一系列问题。
发明内容
本发明要解决的是一种基于深度学习技术的接地线状态检测系统及方法,该系统可实时检测接地线的位置和状态,为变电站接地线状态检测提供在线式、全过程、全方位的解决方案。
本发明的技术方案是:
一种基于深度学习技术的变电站接地线状态检测系统,其特殊之处在于:该系统以深度学习技术为基础的视频识别技术来实现变电站接地线的状态检测,整个系统由工作层、传输层和处理层构成;
工作层包括若干摄像头、视频监控系统、智能接地线装置;摄像头用于实时监视接地线动作情况(从地线柜取出、现场地线桩挂接、现场拆除、放回地线柜这四种状态信息和位置信息);
视频监控系统用于接收摄像头获取的动作情况(从地线柜取出、现场地线桩挂接、现场拆除、放回地线柜这四种状态信息和位置信息)实时视频数据;智能接地线装置用于识别地线柜内置芯片和地线桩内置芯片编码数据获取状态信息和位置信息;
传输层包括交换机和防火墙,交换机用于摄像头获取的实时视频数据的传输和智能接地线装置获取的芯片编码数据的传输,防火墙用于保证系统安全;
处理层包括服务器,用于处理实时视频数据和芯片编码数据,根据视频数据识别接地线状态信息和位置信息,并与芯片编码数据的状态信息和位置信息共同进行防误逻辑校验及发出告警信息。
进一步的,所述服务器安装有安全操作系统,系统内由数据存储、基础类库、接地线状态监测模块三个部分构成;接地线状态监测模块搭建在深度学习框架的基础上,包括模型文件、特征提取、特征验证、防误校验、告警输出这五个子模块。
采用如上所述的系统的基于深度学习技术的变电站接地线状态检测方法,其步骤是:步骤1摄像头实时采集
布置在变电站内的摄像头实时收集接地线相关的视频数据,视频数据包括接地线的动作情况(接地线取出、现场挂接、现场拆除、放回地线柜)的整个过程,并将这些视频数据上传到视频监控系统,为后续的特征提取和特征验证提供数据来源;
步骤2接地线装置获取状态信息和位置信息
智能接地线装置通过读取地线柜和接地桩内置的RFID芯片编码数据,将这些芯片编码数据以二进制的形式上报到服务器,提供通过智能接地线采集到的位置和状态信息;
步骤3特征提取
视频监控系统获取的实时视频数据,通过传输层上报到处理层的服务器;将实时视频数据的图片数据输入神经网络,将输入数据在神经网络中逐层传递进行特征提取,产生输出数据,经过反复训练得到的模型文件;
步骤4特征验证
使用模型文件对输入神经网络的图片进行预测;
步骤5汇总变化或动作
将上一步提取的特征验证结果与智能接地线采集到的接地线状态和位置信息汇总后,传输到防误逻辑校验模块中;
步骤6在防误逻辑校验模块,将来源于特征验证结果的接地线的上端挂接状态和来源于智能接地线装置的下端挂接状态,带入到防误逻辑库;通过与或非逻辑运算得出是否符合防误逻辑,若符合防误逻辑则不做出任何干预;若不符合防误逻辑则禁止继续操作,通知告警输出模块,将告警信息以声音和文字的方式发出警告信息通知给用户;同时,获取到的接地线动作情况(接地线取出、接地线挂接、接地线拆除、接地线放回这四种状态和位置信息),实时展示在用户工作站上,提示接地线动作的时间和位置信息,并支持回放接地线动作时的视频文件;所有接地线告警信息记录到数据库,便于事后追溯。
进一步的,反复训练得到的模型文件具体过程如下:
1)数据预处理
对每一帧图像进行标注;
2)正向传播
将图片数据输入神经网络,将输入数据在神经网络中逐层传递进行特征提取,产生输出数据;
3)计算损失
将输出数据输入损失函数,进行正则化惩罚,防止过拟合,与期望值比较得到损失值,通过损失值判断识别程度,损失值越小越好;
4)反向传播
利用损失反向求导算出每一个参数的梯度,来确定梯度向量;
5)更新权重
最后通过梯度向量来调整每一个权值,向输出数据与期望值比较得到的误差趋于0或收敛的趋势调节;
6)得到模型文件
重复上述步骤1)-步骤6)过程直到设定次数或损失误差的平均值不再下降,此时训练完成。
进一步的,特征提取是利用卷积层和池化层提取图片的特征,经过反向传播最终确定卷积核参数,得到最终的特征;
特征提取方式是将传统的颜色特征、形状特征、纹理特征以及空间关系特征有机融合在一起,提取图片的特征时,需要提取多层次、全方位的特征信息,从最下层的地线桩、接地线、母线、接地线挂钩、警示牌一系列原始像素开始滤波器学习,刻画接地线的合法操作的边缘和纹理特征;通过将各种边缘滤波器进行组合,描述不同类型的接地线操作情况;还需要提取作业范围确认、带电状态确认、挂接地线确认。
进一步的,特征提取过程如下:
(一)初始化卷积核参数
卷积核放在神经网络里,就代表对应的权重,是可以用来提取特征的,开始随机初始化卷积核的参数;
(二)卷积层的卷积操作
卷积核在图像上不断滑动运算就是卷积层所要做的事情,图像和卷积核卷积可以得到特征值,卷积核和图像进行点乘代表卷积核里的权重单独对相应位置的像素进行作用,具体卷积过程如下:
1)从左到右,每隔x列像素,向右移动一次卷积核进行卷积;
2)当已经到最右时,再从上到下,每隔x行像素,向下移动一次卷积核,移动完成,再继续如步骤1)所述,从左到右进行移动;
3)按照步骤1)和步骤2),先从左到右,再从上到下,直到所有像素都被卷积核过了一遍,完成输入图片的当前卷积层的特征提取;
(三)池化层的最大池化操作
在内积结果上取每一局部块的最大值就是最大池化层的操作,池化可以将一幅大的图像缩小,同时又保留其中的重要信息,就是将输入图像进行缩小,减少像素信息,只保留重要信息,因为最大池化保留了每一个小块内的最大值,所以它相当于保留了这一块最佳的匹配结果,因为值越接近1表示匹配越好;
(四)更新卷积核参数
通过基于梯度向后传播算法的优化算法,自适应地调整卷积核的值,从而最小化模型预测值和真实值之间的误差,能够有效地提取特征,使得模型预测值和真实值之间的误差最小。
进一步的,特征验证就是使用模型文件来对输入神经网络的图片进行预测,具体过程如下:
1)、获得预测分数基于公式:z=dot(w,x)+b,这个公式中的x代表输入的特征向量,假设特征向量有3个特征,那么x就可以用(x1,x2,x3)来表示;
w表示权重,它对应于每个输入的特征,可以认为代表了每个特征的重要程度;
b表示偏差,是调整神经元被激活的容易程度,dot()函数表示将w和x进行向量相乘,上面的公式展开后就变成了z=(x1*w1+x2*w2+x3*w3)+b;
2)、根据预测分数获得最后的预测结果。
进一步的,获取到的接地线取出、接地线挂接、接地线拆除、接地线放回这四种状态和位置信息,实时展示在用户工作站上,提示接地线等动作的时间信息和位置信息,并支持回放接地线动作时的视频文件。
进一步的,将所有接地线告警信息记录到数据库,便于事后追溯。
进一步的,所述变电站接地线状态检测系统可以与微机五防系统通过TCP/IP网络通信,实现对接地线取出和放回的闭锁,以及多任务间的相互闭锁。
进一步的,在布置摄像头时,要根据变电站接地线可能挂接的实际位置,来矫正摄像头角度和位置,确保摄像头能捕捉到所有接地线的挂接过程和拆除的过程。
本发明利用若干摄像头,实时捕捉所有接地线的从地线柜取出、现场地线桩挂接、现场拆除、放回地线柜的过程,服务器利用这些视频数据,基于深度学习技术,实时检测接地线的位置和状态,其有益效果是:
本发明系统通过视频监控系统实时搜集和上传作业人员、作业范围、作业设备等的数据信息和视频信息;通过深度学习系统充分利用图像识别技术对接地线作业流程关键步骤的视频和图像数据进行智能分析和结果反馈,避免了人工设置特征点而造成接地线检测的各种问题。
本发明变电站接地线状态检测方法为作业流程各个环节提供数据支撑,对接地线作业行为进行实时管控,并对接地线作业行为进行统计分析。该系统将电力接地线作业安全监管和安全防范水平提高到一个新的高度,有效避免接地线操作事故的发生,为变电站接地线状态检测提供了一种在线式、全过程、全方位的解决方案。
附图说明
图1是本发明的系统架构框图;
图2是本发明的流程图;
图3是本发明的生成模型文件流程图;
图4是本发明的从左到右卷积示意图;
图5是本发明的从上到下卷积示意图;
图6是本发明的最大池化过程示意图;
图7是本发明的获取预测分数示意图。
具体实施方式
实施例
一、如图1所示,该一种基于深度学习技术的变电站接地线状态检测系统,该系统以深度学习技术为基础的视频识别技术来实现变电站接地线的状态检测,整个系统由工作层、传输层和处理层构成;
工作层包括若干摄像头、视频监控系统、智能接地线装置;摄像头用于实时监视接地线动作情况(从地线柜取出、现场地线桩挂接、现场拆除、放回地线柜这四种状态信息和位置信息);视频监控系统用于接收摄像头获取的动作情况(从地线柜取出、现场地线桩挂接、现场拆除、放回地线柜这四种状态信息和位置信息)实时视频数据;智能接地线装置用于识别地线柜内置芯片和地线桩内置芯片编码数据获取状态信息和位置信息;本实施例使用海康摄像头,海康视频监控,GCDS-4智能接地线(辽宁拓新电力电子有限公司);
传输层包括交换机和防火墙,本实施例交换机采用国产H3C三层1000M交换机,此处加装的防火墙是为了保证系统安全,防火墙采用USG6625E华为防火墙;交换机用于摄像头获取的实时视频数据的传输和智能接地线装置获取的芯片编码数据的传输,防火墙用于保证系统安全;
处理层是整个系统的核心,处理层包括服务器,用于处理实时视频数据和芯片编码数据,根据视频数据识别接地线状态信息和位置信息,并与芯片编码数据的状态信息和位置信息共同进行防误逻辑校验及发出告警信息;
所述服务器安装有安全操作系统,本实施例选用国产浪潮服务器,安装国产凝思V6.0.60安全操作系统;安全操作系统内由数据存储、基础类库、接地线状态监测模块三个部分构成;基础类库集成GPU加速计算库、Open CV图像处理库、Python支撑环境;
二、采用如上所述的系统的基于深度学习技术的变电站接地线状态检测方法,其步骤是:
步骤1摄像头实时采集
布置在变电站内的摄像头,实时收集接地线相关的视频数据,视频数据包括接地线的动作情况(接地线取出、现场挂接、现场拆除、放回地线柜)的整个过程,并将这些视频数据上传到视频监控系统,为后续的特征提取和特征验证提供数据来源;在布置摄像头时,要根据变电站接地线可能挂接的实际位置,来矫正摄像头角度和位置,确保摄像头能捕捉到所有接地线的挂接和拆除的过程;
步骤2接地线装置获取状态信息和位置信息
智能接地线装置通过读取地线柜和接地桩内置的RFID芯片编码数据,将这些芯片编码数据以二进制的形式上报到服务器,提供通过智能接地线采集到的位置和状态信息;
步骤3特征提取
视频监控系统获取的实时视频数据,通过传输层上报到处理层的服务器;将实时视频数据的图片数据输入神经网络,将输入数据在神经网络中逐层传递进行特征提取,产生输出数据,经过反复训练得到的模型文件;
步骤4特征验证
使用模型文件对输入神经网络的图片进行预测;
步骤5汇总变化或动作
将上一步提取的特征验证结果与智能接地线采集到的接地线状态和位置信息汇总后,传输到防误逻辑校验模块中;
步骤6防务逻辑判断并预警。
三、接地线状态监测模块搭建在深度学习框架的基础上,包括模型文件、特征提取、特征验证、防误校验、告警输出这五个子模块。模型文件获得、特征提取、特征验证防误校验、告警输出的详细过程如下:
(一)模型文件是采用大量数据反复训练得到的,过程如下:
(1)数据预处理
对每一帧图像进行标注;
(2)正向传播
如图3所示,将图片数据输入神经网络,将输入数据在神经网络中逐层传递进行特征提取,产生输出数据;
(3)计算损失
将输出数据输入损失函数,进行正则化惩罚,防止过拟合,与期望值比较得到损失值,通过损失值判断识别程度,损失值越小越好;
(4)反向传播
利用损失反向求导算出每一个参数的梯度,来确定梯度向量;
(5)更新权重
最后通过梯度向量来调整每一个权值,向输出数据与期望值比较得到的误差趋于0或收敛的趋势调节;
(6)得到模型文件
重复上述过程直到设定次数或损失误差的平均值不再下降,此时训练完成;
(二)特征提取,生成模型文件的过程包括了特征提取,利用卷积层和池化层提取图片的特征,经过反向传播最终确定卷积核参数,得到最终的特征;在接近输入层的卷积层提取图像的低级特征,并将他们融合起来,后面的卷积层提取图像的中级特征和高级特征,这些特征才能真正表征一个图像的本质,为进行精确的识别提供丰富的特征;因为变电站环境的非常复杂,所以特征提取方式将传统的颜色特征、形状特征、纹理特征以及空间关系特征有机融合在一起,利用颜色直方图、颜色聚合向量、恢复矩阵、能量谱函数、傅里叶变换、旋转矩阵等方法;提取多层次、全方位的特征信息,从最下层的地线桩、接地线、母线、接地线挂钩、警示牌等一系列原始像素开始滤波器学习,刻画接地线的合法操作的边缘和纹理特征;通过将各种边缘滤波器进行组合,描述不同类型的接地线操作情况;还需要提取作业范围确认、带电状态确认、挂接地线确认等;特征提取过程如下:
(1)初始化卷积核参数:卷积核放在神经网络里,就代表对应的权重,是可以用来提取特征的,一开始我们随机初始化卷积核的参数;
(2)卷积层的卷积操作:卷积核在图像上不断滑动运算就是卷积层所要做的事情,图像和卷积核卷积可以得到特征值,卷积核和图像进行点乘代表卷积核里的权重单独对相应位置的像素进行作用,具体卷积过程如下:
①从左到右,每隔x列像素,向右移动一次卷积核进行卷积,如图4所示,A(010,210,211)->B(210,211,012)->C(211,012,212),就是卷积核移动的顺序,这里x=1;
②当已经到最右时,再从上到下,如图5所示,每隔x行像素,向下移动一次卷积核,移动完成,再继续如上所述,从左到右进行;
③就这样,先从左到右,再从上到下,直到所有像素都被卷积核对一遍,完成输入图片的当前卷积层的特征提取;
(1)池化层的最大池化操作:如图6所示,在内积结果上取每一局部块的最大值就是最大池化层的操作,池化可以将一幅大的图像缩小,同时又保留其中的重要信息,就是将输入图像进行缩小,减少像素信息,只保留重要信息,因为最大池化保留了每一个小块内的最大值,所以它相当于保留了这一块最佳的匹配结果,因为值越接近1表示匹配越好;
(2)更新卷积核参数:通过基于梯度向后传播算法的优化算法,自适应地调整卷积核的值,从而最小化模型预测值和真实值之间的误差,能够有效地提取特征,使得模型预测值和真实值之间的误差最小。
(三)特征验证,就是使用模型文件来对输入神经网络的图片进行预测,特征符合率越高则识别准确率越高,所以,随着特征数据的不断提取和丰富,辨别速度和准确率也随之不断提升,过程如下:
(1)获得预测分数
基于公式:z=dot(w,x)+b,这个公式中的x代表输入的特征向量,假设特征向量有3个特征,那么x就可以用(x1,x2,x3)来表示。w表示权重,它对应于每个输入的特征,可以认为代表了每个特征的重要程度。b表示偏差,是调整神经元被激活的容易程度,dot()函数表示将w和x进行向量相乘,上面的公式展开后就变成了z=(x1*w1+x2*w2+x3*w3)+b,如图7所示;
(2)根据预测分数获得最后的预测结果
特征提取和特征验证是图像识别的关键点,对计算机来说,需要较高的运算速度和并行处理能力,本研发项目利用多路CUDA GPU加速并行计算。
(四)特征验证防误校验及告警输出
在防误逻辑校验模块,将接地线的上端挂接状态(来源于特征验证结果)和下端挂接状态(来源于智能接地线装置),带入到防误逻辑库;通过与或非逻辑运算得出是否符合防误逻辑,若符合防误逻辑则不做出任何干预;若不符合防误逻辑则禁止继续操作,通知告警输出模块,将告警信息以声音和文字的方式发出警告信息通知给用户;同时,获取到的接地线取出、接地线挂接、接地线拆除、接地线放回这四种状态和位置信息,实时展示在用户工作站上,提示接地线等动作的时间和位置信息,并支持回放接地线动作时的视频文件;所有接地线告警信息记录到数据库,便于事后追溯;变电站接地线状态检测系统可以与微机五防系统通过TCP/IP网络通信,实现对地线取出和放回的闭锁,以及多任务间的相互闭锁。
综上所述,基于深度学习技术的变电站接地线状态检测系统实现了在线式、全过程、全方位的变电站接地线检测解决方案。
以上仅为本发明的具体实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习技术的变电站接地线状态检测方法,其特征是:
该检测方法采用变电站接地线状态检测系统,该系统以深度学习技术为基础的视频识别技术来实现变电站接地线的状态检测,整个系统由工作层、传输层和处理层构成;
工作层包括若干摄像头、视频监控系统、智能接地线装置;摄像头用于实时监视接地线动作情况;视频监控系统用于接收摄像头获取的动作情况实时视频数据;智能接地线装置用于识别地线柜内置芯片和地线桩内置芯片编码数据获取状态信息和位置信息;
传输层包括交换机和防火墙,交换机用于摄像头获取的实时视频数据的传输和智能接地线装置获取的芯片编码数据的传输,防火墙用于保证系统安全;
处理层包括服务器,用于处理实时视频数据和芯片编码数据,根据视频数据识别接地线状态信息和位置信息,并与芯片编码数据的状态信息和位置信息共同进行防误逻辑校验及发出告警信息;
利用变电站接地线状态检测系统的检测方法具体步骤是:
步骤1摄像头实时采集
布置在变电站内的摄像头实时收集接地线相关的视频数据,视频数据包括接地线的动作情况的整个过程,并将这些视频数据上传到视频监控系统,为后续的特征提取和特征验证提供数据来源;
步骤2 接地线装置获取状态信息和位置信息
智能接地线装置通过读取地线柜和接地桩内置的RFID芯片编码数据,将这些芯片编码数据以二进制的形式上报到服务器,提供通过智能接地线采集到的位置和状态信息;
步骤3 特征提取
视频监控系统获取的实时视频数据,通过传输层上报到处理层的服务器;将实时视频数据的图片数据输入神经网络,将输入数据在神经网络中逐层传递进行特征提取,产生输出数据,经过反复训练得到的模型文件;
步骤4特征验证
使用模型文件对输入神经网络的图片进行预测;
步骤5 汇总变化或动作
将上一步提取的特征验证结果与智能接地线采集到的接地线状态和位置信息汇总后,传输到防误逻辑校验模块中;
步骤6 在防误逻辑校验模块,将来源于特征验证结果的接地线的上端挂接状态和来源于智能接地线装置的下端挂接状态,带入到防误逻辑库;通过与或非逻辑运算得出是否符合防误逻辑,若符合防误逻辑则不做出任何干预;若不符合防误逻辑则禁止继续操作,通知告警输出模块,将告警信息以声音和文字的方式发出警告信息通知给用户;同时,获取到的接地线动作情况,实时展示在用户工作站上,提示接地线动作的时间和位置信息,并支持回放接地线动作时的视频文件;所有接地线告警信息记录到数据库,便于事后追溯。
2.根据权利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:所述服务器安装有安全操作系统,系统内由数据存储、基础类库、接地线状态监测模块三个部分构成;接地线状态监测模块搭建在深度学习框架的基础上,包括模型文件、特征提取、特征验证、防误校验、告警输出这五个子模块。
3.根据权利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:
反复训练得到的模型文件具体过程如下:
1)数据预处理
对每一帧图像进行标注;
2)正向传播
将图片数据输入神经网络,将输入数据在神经网络中逐层传递进行特征提取,产生输出数据;
3)计算损失
将输出数据输入损失函数,进行正则化惩罚,防止过拟合,与期望值比较得到损失值,通过损失值判断识别程度,损失值越小越好;
4)反向传播
利用损失反向求导算出每一个参数的梯度,来确定梯度向量;
5)更新权重
最后通过梯度向量来调整每一个权值,向输出数据与期望值比较得到的误差趋于0或收敛的趋势调节;
6)得到模型文件
重复上述步骤1)-步骤6)过程直到设定次数或损失误差的平均值不再下降,此时训练完成。
4.根据权利要求利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:
特征提取是利用卷积层和池化层提取图片的特征,经过反向传播最终确定卷积核参数,得到最终的特征;
特征提取方式是将传统的颜色特征、形状特征、纹理特征以及空间关系特征有机融合在一起,提取图片的特征时,需要提取多层次、全方位的特征信息,从最下层的地线桩、接地线、母线、接地线挂钩、警示牌一系列原始像素开始滤波器学习,刻画接地线的合法操作的边缘和纹理特征;通过将各种边缘滤波器进行组合,描述不同类型的接地线操作情况;还需要提取作业范围确认、带电状态确认、挂接地线确认。
5.根据权利要求利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:
特征提取过程如下:
(一)初始化卷积核参数
卷积核放在神经网络里,就代表对应的权重,是可以用来提取特征的,开始随机初始化卷积核的参数;
(二)卷积层的卷积操作
卷积核在图像上不断滑动运算就是卷积层所要做的事情,图像和卷积核卷积可以得到特征值,卷积核和图像进行点乘代表卷积核里的权重单独对相应位置的像素进行作用,具体卷积过程如下:
1)从左到右,每隔x列像素,向右移动一次卷积核进行卷积;
2)当已经到最右时,再从上到下,每隔x行像素,向下移动一次卷积核,移动完成,再继续如步骤1)所述,从左到右进行移动;
3)按照步骤1)和步骤2),先从左到右,再从上到下,直到所有像素都被卷积核过了一遍,完成输入图片的当前卷积层的特征提取;
(三)池化层的最大池化操作
在内积结果上取每一局部块的最大值就是最大池化层的操作,池化可以将一幅大的图像缩小,同时又保留其中的重要信息,就是将输入图像进行缩小,减少像素信息,只保留重要信息,因为最大池化保留了每一个小块内的最大值,所以它相当于保留了这一块最佳的匹配结果,因为值越接近1表示匹配越好;
(四)更新卷积核参数
通过基于梯度向后传播算法的优化算法,自适应地调整卷积核的值,从而最小化模型预测值和真实值之间的误差,能够有效地提取特征,使得模型预测值和真实值之间的误差最小。
6.根据权利要求利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:
特征验证就是使用模型文件来对输入神经网络的图片进行预测,具体过程如下:
1)、获得预测分数
基于公式:z = dot(w,x) + b,这个公式中的x代表输入的特征向量,假设特征向量有3个特征,那么x就可以用(x1,x2,x3)来表示;
w表示权重,它对应于每个输入的特征,可以认为代表了每个特征的重要程度;
b表示偏差,是调整神经元被激活的容易程度,dot()函数表示将w和x进行向量相乘,上面的公式展开后就变成了z = (x1 * w1 + x2 * w2 + x3 * w3) + b;
2)、根据预测分数获得最后的预测结果。
7.根据权利要求利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:
所述变电站接地线状态检测系统可以与微机五防系统通过TCP/IP网络通信,实现对接地线取出和放回的闭锁,以及多任务间的相互闭锁。
8.根据权利要求利要求1所述的基于深度学习技术的变电站接地线状态检测方法,其特征是:
在布置摄像头时,要根据变电站接地线可能挂接的实际位置,来矫正摄像头角度和位置,确保摄像头能捕捉到所有接地线的挂接过程和拆除的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431211.2A CN112798979B (zh) | 2020-12-09 | 2020-12-09 | 基于深度学习技术的变电站接地线状态检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431211.2A CN112798979B (zh) | 2020-12-09 | 2020-12-09 | 基于深度学习技术的变电站接地线状态检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112798979A CN112798979A (zh) | 2021-05-14 |
CN112798979B true CN112798979B (zh) | 2024-05-14 |
Family
ID=75806456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431211.2A Active CN112798979B (zh) | 2020-12-09 | 2020-12-09 | 基于深度学习技术的变电站接地线状态检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798979B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657152A (zh) * | 2021-07-07 | 2021-11-16 | 国网江苏省电力有限公司电力科学研究院 | 一种课堂学生行为识别系统构建方法 |
CN114708702B (zh) * | 2022-03-14 | 2024-02-06 | 福寿康(上海)医疗养老服务有限公司 | 基于决策引擎多设备联动监控老人居家安全的平台 |
CN115356657A (zh) * | 2022-08-24 | 2022-11-18 | 南方电网科学研究院有限责任公司 | 一种故障区域的确定方法和装置 |
CN116559564B (zh) * | 2023-05-15 | 2024-01-23 | 国网安徽省电力有限公司天长市供电公司 | 一种地线信息监测分析系统 |
CN117851910B (zh) * | 2024-03-07 | 2024-06-11 | 国网吉林省电力有限公司延边供电公司 | 输电线路新型智能接地装置挂接与拆除自感知方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2492699A1 (en) * | 2011-02-22 | 2012-08-29 | Research In Motion Limited | Automatic detection of ground line in a video cable |
CN104535877A (zh) * | 2014-11-06 | 2015-04-22 | 西安理工大学 | 一种接触网检修挂接地线可视化检报定位方法 |
CN205003233U (zh) * | 2015-08-21 | 2016-01-27 | 西安理工大学 | 基于ZigBee技术的接触网检修挂接地线监测装置 |
CN106597213A (zh) * | 2016-11-11 | 2017-04-26 | 华北电力大学(保定) | 分布式输配电线路检修作业安全保护数字化监测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898207B (zh) * | 2015-01-26 | 2019-05-10 | 杭州海康威视数字技术股份有限公司 | 视频数据的智能处理方法及系统 |
CN108459227A (zh) * | 2017-02-21 | 2018-08-28 | 台达电子企业管理(上海)有限公司 | 地线检测电路 |
-
2020
- 2020-12-09 CN CN202011431211.2A patent/CN112798979B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2492699A1 (en) * | 2011-02-22 | 2012-08-29 | Research In Motion Limited | Automatic detection of ground line in a video cable |
CN104535877A (zh) * | 2014-11-06 | 2015-04-22 | 西安理工大学 | 一种接触网检修挂接地线可视化检报定位方法 |
CN205003233U (zh) * | 2015-08-21 | 2016-01-27 | 西安理工大学 | 基于ZigBee技术的接触网检修挂接地线监测装置 |
CN106597213A (zh) * | 2016-11-11 | 2017-04-26 | 华北电力大学(保定) | 分布式输配电线路检修作业安全保护数字化监测系统 |
Non-Patent Citations (1)
Title |
---|
输电线路工作挂接地线防误操作技术研究;余晶晶 等;电工技术;第72-73, 75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112798979A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112798979B (zh) | 基于深度学习技术的变电站接地线状态检测系统及方法 | |
CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析系统 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
CN109840157A (zh) | 故障诊断的方法、装置、电子设备和存储介质 | |
CN112183265A (zh) | 基于图像识别的电力施工视频监控告警方法及系统 | |
CN110309865A (zh) | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 | |
CN116740654B (zh) | 基于图像识别技术的变电站作业防控方法 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及系统 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN107369291A (zh) | 基于深度学习的高压线路防外力破坏预警系统及方法 | |
CN116245412A (zh) | 一种建筑工程现场安全监测管理系统 | |
Yan et al. | Deep learning‐based substation remote construction management and AI automatic violation detection system | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116881704A (zh) | 电网运行状态的预警方法及系统 | |
CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及系统 | |
CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
CN114252716A (zh) | 一种电网故障诊断方法与装置、存储介质 | |
CN117669874A (zh) | 一种基于qpso的电网规划数据失真智能识别方法及系统 | |
CN115482502A (zh) | 基于特征物体与人体关键点的异常行为识别方法、系统及介质 | |
CN116052356A (zh) | 一种智能工地监控平台 | |
Liu et al. | Deep learning based external-force-damage detection for power transmission line | |
CN114067360A (zh) | 一种行人属性检测方法及装置 | |
Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
Weifu et al. | Research on the application of target detection based on deep learning technology in power grid operation inspection |
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 |