CN113052296A - 基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统 - Google Patents
基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统 Download PDFInfo
- Publication number
- CN113052296A CN113052296A CN202110228452.5A CN202110228452A CN113052296A CN 113052296 A CN113052296 A CN 113052296A CN 202110228452 A CN202110228452 A CN 202110228452A CN 113052296 A CN113052296 A CN 113052296A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- layer
- defect
- power grid
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 26
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
Abstract
基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统,属于图像识别管理系统,尤其是一种电网输电线路缺陷的图像识别管理技术。系统包括数据的采集,以及应用架构的建立,其中应用架构数据层包括电网输电缺陷等级库、部件信息库、缺陷标签库;应用架构模型层包括识别模型、分类模型和派单模型;应用架构设计层则包括图片识别、缺陷分类和智能派单模块。本发明的系统,结构合理,可将电网输电缺陷等级库、部件信息库、缺陷标签库和智能算法建立统一,并实现其优化,使得系统运行稳定,辨识度高,保证数据运算的性能,提高模型或识别的识别、分类速度。
Description
技术领域
本发明属于图像识别管理系统,尤其是一种电网输电线路缺陷的图像识别管理技术。
背景技术
输电线路缺陷的发现和消除对电网安全运行有至关作用。以往,一线员工在实际工作中进行缺陷判定仍然存在一定的模糊,如“轻微锈蚀”和“严重锈蚀”的界定范围,因此不同人员容易依据自己的主观判断对缺陷进行定级,导致缺陷定级出现误差,从而影响到缺陷的消缺工作,对电网可靠的安全运行造成了风险和威胁。目前,随着电网智能化、信息化技术的发展,依靠人为经验判断逐渐被机器替代。利用图像识别技术结合移动互联网,辅助一线操作人员第一时间更加准确的判断缺陷、定级缺陷,非常有利于提升输电线路缺陷定级准确率和效率。
输电缺陷智能管理系统建立,且运行能够高效稳定的因素是缺陷图库和部件库、标签库、卷积神经网络模型的建立和调优。
发明内容
本发明的目的是提出一种基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统,系统能够将缺陷图库、部件库、标签库、卷积神经网络模型建立并优化。
本发明基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统,其特征在于系统包括数据的采集,以及应用架构的建立,其中:
数据采集是利用深度学习算法链对异构数据源,建立多层抽象数据学习模型,进行抽象知识的挖掘推理;同时使用Docker和 Kubernetes构建企业容器云,搭建多层感知器模型(Multi Layer Perceptron)模拟学习神经元行为,通过内建不同场景的配置器对组建应用场景上下文相关的多层次隐层算法链;
应用架构包括数据层、模型层和设计层;数据层分为数据库访问逻辑模块和底层数据实体两部分;模型层承接数据与业务的整合,读取数据用于深度学习、模型调优,同时为设计层提供部件缺陷等级分类的人工智能服务。
本发明的系统,结构合理,可将电网输电缺陷等级库、部件信息库、缺陷标签库和智能算法建立统一,并实现其优化,使得系统运行稳定,辨识度高,保证数据运算的性能,提高模型或识别的识别、分类速度。
系统的运用,辅助员工第一时间更加准确的判断缺陷、定级缺陷,非常有利于提升输电线路缺陷定级准确率和效率,从而正确指导消缺工作计划的安排,避免了对因定级不准导致的未及时消除缺陷,从而威胁电网正常运行的风险。
附图说明
图1是应用架构示意图。
具体实施方式
实施例1:基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统,包括数据的采集,以及应用架构的建立,其中:
数据采集是利用深度学习算法链对异构数据源,建立多层抽象数据学习模型,进行抽象知识的挖掘推理;同时使用Docker和 Kubernetes构建企业容器云,搭建多层感知器模型(Multi Layer Perceptron)模拟学习神经元行为,通过内建不同场景的配置器对组建应用场景上下文相关的多层次隐层算法链,自主总结数据特征,从而归纳和演绎成深层次的模式规律,根据导入数据以及目标模型设定,为最终解决生产环节的目标问题提供优化方案以及效果仿真训练。通过实现局部感知与权值共享。
每个神经元无需对全局图像做感受,只需要感受局部区域(Feature Map)在高层会将整个些感受不同局部的神经元综合起来获得全局信息。
应用架构包括数据层、模型层和设计层;其中:
数据层是部件缺陷智能分类系统的基础,也是最终所展示数据的来源。在应用中数据层分为数据库访问逻辑模块和底层数据实体两部分。逻辑模块以方法的形式封装“连接建立”、“数据访问”、“数据封装”等功能并提供给上层直接调用,达到获取数据的目的。底层数据实体是数据访问逻辑模块操作的对象,底层数据实体提供数据端来源和依据,包括电网输电缺陷等级库、部件信息库、缺陷标签库。
模型层是系统的核心层,它承接数据与业务的整合,它读取数据用于深度学习、模型调优。同时为设计层提供部件缺陷等级分类的人工智能服务。模型层的建立有技术人员发起,包括神经网络参数微调、数据端和设计端的接口对接。模型层包括识别模型、分类模型和派单模型。
设计层则包括图片识别、缺陷分类和智能派单模块,实现部件缺陷等级分类的人工智能服务。
Claims (2)
1.基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统,其特征在于系统包括数据的采集,以及应用架构的建立,其中:
数据采集是利用深度学习算法链对异构数据源,建立多层抽象数据学习模型,进行抽象知识的挖掘推理;同时使用Docker和 Kubernetes构建企业容器云,搭建多层感知器模型(Multi Layer Perceptron)模拟学习神经元行为,通过内建不同场景的配置器对组建应用场景上下文相关的多层次隐层算法链;
应用架构包括数据层、模型层和设计层;数据层分为数据库访问逻辑模块和底层数据实体两部分;模型层承接数据与业务的整合,读取数据用于深度学习、模型调优,同时为设计层提供部件缺陷等级分类的人工智能服务。
2.基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统,其特征在于应用架构数据层包括电网输电缺陷等级库、部件信息库、缺陷标签库;应用架构模型层包括识别模型、分类模型和派单模型;应用架构设计层则包括图片识别、缺陷分类和智能派单模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228452.5A CN113052296A (zh) | 2021-03-02 | 2021-03-02 | 基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228452.5A CN113052296A (zh) | 2021-03-02 | 2021-03-02 | 基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052296A true CN113052296A (zh) | 2021-06-29 |
Family
ID=76509484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228452.5A Pending CN113052296A (zh) | 2021-03-02 | 2021-03-02 | 基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052296A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377759A (zh) * | 2021-07-01 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于专家系统算法的缺陷填报数据治理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070052963A1 (en) * | 2005-05-13 | 2007-03-08 | Orbon Jacob J | Grouping systematic defects with feedback from electrical inspection |
CN105353702A (zh) * | 2015-11-17 | 2016-02-24 | 国家电网公司 | 高压设备智能监控系统 |
US20180247153A1 (en) * | 2017-02-28 | 2018-08-30 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
CN108701453A (zh) * | 2016-03-04 | 2018-10-23 | 微软技术许可有限责任公司 | 模块化深度学习模型 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN110969192A (zh) * | 2019-11-13 | 2020-04-07 | 国网福建省电力有限公司漳州供电公司 | 一种电力巡检图像智能识别方法 |
CN111488052A (zh) * | 2020-04-16 | 2020-08-04 | 中国工商银行股份有限公司 | 应用于物理机集群的容器启用方法和装置、计算机系统 |
CN112052133A (zh) * | 2019-06-06 | 2020-12-08 | 北京京东尚科信息技术有限公司 | 一种基于Kubernetes的业务系统监控方法和装置 |
CN112202243A (zh) * | 2020-09-17 | 2021-01-08 | 许继集团有限公司 | 用于输电线路状态监测的全采集智能终端 |
-
2021
- 2021-03-02 CN CN202110228452.5A patent/CN113052296A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070052963A1 (en) * | 2005-05-13 | 2007-03-08 | Orbon Jacob J | Grouping systematic defects with feedback from electrical inspection |
CN105353702A (zh) * | 2015-11-17 | 2016-02-24 | 国家电网公司 | 高压设备智能监控系统 |
CN108701453A (zh) * | 2016-03-04 | 2018-10-23 | 微软技术许可有限责任公司 | 模块化深度学习模型 |
US20180247153A1 (en) * | 2017-02-28 | 2018-08-30 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN112052133A (zh) * | 2019-06-06 | 2020-12-08 | 北京京东尚科信息技术有限公司 | 一种基于Kubernetes的业务系统监控方法和装置 |
CN110969192A (zh) * | 2019-11-13 | 2020-04-07 | 国网福建省电力有限公司漳州供电公司 | 一种电力巡检图像智能识别方法 |
CN111488052A (zh) * | 2020-04-16 | 2020-08-04 | 中国工商银行股份有限公司 | 应用于物理机集群的容器启用方法和装置、计算机系统 |
CN112202243A (zh) * | 2020-09-17 | 2021-01-08 | 许继集团有限公司 | 用于输电线路状态监测的全采集智能终端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377759A (zh) * | 2021-07-01 | 2021-09-10 | 贵州电网有限责任公司 | 一种基于专家系统算法的缺陷填报数据治理方法 |
CN113377759B (zh) * | 2021-07-01 | 2023-05-16 | 贵州电网有限责任公司 | 一种基于专家系统算法的缺陷填报数据治理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Integrating BIM and AI for smart construction management: Current status and future directions | |
CN109472390B (zh) | 基于机器学习的规划方案智能生成方法及系统 | |
CN109523316A (zh) | 商业服务模型的自动化建模方法 | |
CN103631788B (zh) | 基于共享数据库的车辆制造质量问题诊断系统 | |
CN104809933B (zh) | 一种电网无脚本应急演练系统、演练方法及设备 | |
CN113325816A (zh) | 面向工业互联网的数字孪生体数据管理方法 | |
CN110766151B (zh) | 一种基于场景的开放式神经网络模型管理系统 | |
CN105138802A (zh) | 一种枪管智能设计系统及设计方法 | |
CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策系统 | |
CN112862147A (zh) | 基于bp神经网络的综合管廊运维风险评价模型及方法 | |
CN112182077A (zh) | 一种基于数据中台技术的智能运维系统 | |
CN111814528B (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
CN117351521A (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
CN116468287A (zh) | 一种基于数字孪生的智慧园区控制系统 | |
CN113052296A (zh) | 基于深度学习卷积神经网络技术的电网输电缺陷智能管理系统 | |
CN117411192B (zh) | 一种不间断电源并机系统的监控方法及系统 | |
Embarak | Smart Cities New Paradigm Applications and Challenges | |
CN110599041A (zh) | 基于人工智能技术的企业目标管理方法、云端及系统 | |
CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
CN109801364A (zh) | 一种三维数字建模方法和数字化车间管理系统 | |
KR20220105689A (ko) | 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템 | |
CN116954565A (zh) | 智慧城市消息平台发布方法 | |
CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
CN115457211A (zh) | 基于数字孪生的变电站管理方法及系统 | |
CN112801211A (zh) | 基于图像识别技术的电网缺陷精确识别方法 |
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 |