CN113258670B - 一种基于半监督学习的电网飞线状态判别方法 - Google Patents
一种基于半监督学习的电网飞线状态判别方法 Download PDFInfo
- Publication number
- CN113258670B CN113258670B CN202110449835.5A CN202110449835A CN113258670B CN 113258670 B CN113258670 B CN 113258670B CN 202110449835 A CN202110449835 A CN 202110449835A CN 113258670 B CN113258670 B CN 113258670B
- Authority
- CN
- China
- Prior art keywords
- module
- power grid
- voltage
- semi
- supervised learning
- 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
- 238000012850 discrimination method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000000926 separation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- H02J13/00001—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 characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于图像判别技术领域，具体为一种基于半监督学习的电网飞线状态判别方法，其包括摄像装置、测压装置、半监督学习模块和反馈模块，所述半监督学习模块具有样本获取模块、对比训练模块和修正训练模块，所述对比训练模块具有电压对比模块、图像分隔模块、图像对比模块和储存模块。该发明通过测压装置获取采集电网线路位置电压信息，并通过电压对比模块判定数值是否发生变化，若无发生变化，这说明该电网线路未发生电网飞线情况，并报送到反馈模块，修正训练模块记录下此时此刻的该位置的实时图片，作为标准图片，反复自我训练，提高了标准图片的准确度。
Description
技术领域
本发明涉及图像判别技术领域，具体为一种基于半监督学习的电网飞线状态判别方法。
背景技术
半监督学习是研究如何利用未标记样本获得较好性能和推广能力的一种学习机器。近些年来，随着机器学习的不断发展以及未标记数据的日渐增加，半监督学习正逐渐成为一个研究热点。在许多实际问题中，由于获取人工标记样本的费用高、效率低，往往得到的是大量的未标记样本和少量的标记样本，如果只利用少量的标记样本，将不免造成大量未标记样本的浪费和学习机器的性能不好等问题。半监督学习方法就是解决这类问题的有效方法，它可以有效地利用未标记数据进行学习和建模，提高学习机器的性能。
目前传统的软测量方法也存在无法利用未标记样本的问题，只能用少量的标记进行建模，这使得模型的准确性和可靠性受到较大的影响，因此需要研发一种基于半监督学习的电网飞线状态判别方法。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于现有中存在的问题，提出了本发明。
因此，本发明的目的是提供一种基于半监督学习的电网飞线状态判别方法，通过测压装置获取采集电网线路位置电压信息，并通过电压对比模块判定数值是否发生变化，若无发生变化，这说明该电网线路未发生电网飞线情况，并报送到反馈模块，修正训练模块记录下此时此刻的该位置的实时图片，作为标准图片，反复自我训练，提高了标准图片的准确度。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于半监督学习的电网飞线状态判别方法，其包括摄像装置、测压装置、半监督学习模块和反馈模块，以下步骤为：
S1：所述摄像装置设置有图像获取模块，并通过所述图像获取模块获取采集电网线路位置图片信息；
S2：所述测压装置设置有电压获取模块，并通过所述电压获取模块获取采集电网线路位置电压信息；
S3：所述半监督学习模块具有样本获取模块、对比训练模块和修正训练模块；
31)：通过所述样本获取模块接收所述摄像装置采集到的图片信息和所述测压装置采集到的电压信息；
32)：所述对比训练模块具有电压对比模块、图像分隔模块、图像对比模块和储存模块；
32a)：所述电压对比模块，将采集到的电网线路位置电压信息和所述储存模板内部存储的标准电压数值进行对比，并判定是否发生改变；
32aa)：所述电压对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32ab)：所述电压对比模块判定数值发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32b)：所述图像分隔模块，将采集到的电网线路位置图片信息分隔成16*16区域；
32c)：所述图像对比模块，将所述图像分隔模块分隔完毕的图像，逐个区域的与所述储存模板内部存储的标准图像进行对比，并判定是否发生改变；
32ca)：所述图像对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32cb)：所述图像对比模块判定数值发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
3)：所述修正训练模块，在步骤进入32aa)，即所述电压对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块该步骤时，所述修正训练模块记录该时段的所述图像获取模块获取采集到的图片信息，并储存在所述储存模块中，并不断的将该图片信息替换为所述标准图像。
作为本发明所述的一种基于半监督学习的电网飞线状态判别方法的一种优选方案，其中：所述S1阶段性步骤中，所述摄像装置为微型摄像头，所述微型摄像头用于安装电网线路位置。
作为本发明所述的一种基于半监督学习的电网飞线状态判别方法的一种优选方案，其中：所述S2阶段性步骤中，所述测压装置为万能表，所述万能表用于连接电网线路并形成电路。
作为本发明所述的一种基于半监督学习的电网飞线状态判别方法的一种优选方案，其中：所述储存模块为两份，一份存储于本地硬盘设备当中，另一份存储于云端存储设备中。
作为本发明所述的一种基于半监督学习的电网飞线状态判别方法的一种优选方案，其中：所述反馈模块电连接在用户移动端上，所述移动端为电脑。
与现有技术相比，本发明的有益效果是：通过测压装置获取采集电网线路位置电压信息，并通过电压对比模块判定数值是否发生变化，若无发生变化，这说明该电网线路未发生电网飞线情况，并报送到反馈模块，修正训练模块记录下此时此刻的该位置的实时图片，作为标准图片，反复自我训练，提高了标准图片的准确度。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明系统框图；
图2为本发明半监督学习模块系统框图；
图3为本发明对比训练模块系统框图；
图4为本发明修正训练模块系统框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供如下技术方案：一种基于半监督学习的电网飞线状态判别方法，在使用过程中，通过测压装置获取采集电网线路位置电压信息，并通过电压对比模块判定数值是否发生变化，若无发生变化，这说明该电网线路未发生电网飞线情况，并报送到反馈模块，修正训练模块记录下此时此刻的该位置的实时图片，作为标准图片，反复自我训练，提高了标准图片的准确度。
请参阅图1至图4，包括摄像装置、测压装置、半监督学习模块和反馈模块，所述反馈模块电连接在用户移动端上，所述移动端为电脑，以下步骤为：
S1：所述摄像装置设置有图像获取模块，并通过所述图像获取模块获取采集电网线路位置图片信息，所述摄像装置为微型摄像头，所述微型摄像头用于安装电网线路位置；
S2：所述测压装置设置有电压获取模块，并通过所述电压获取模块获取采集电网线路位置电压信息，所述测压装置为万能表，所述万能表用于连接电网线路并形成电路；
S3：所述半监督学习模块具有样本获取模块、对比训练模块和修正训练模块；
31)：通过所述样本获取模块接收所述摄像装置采集到的图片信息和所述测压装置采集到的电压信息；
32)：所述对比训练模块具有电压对比模块、图像分隔模块、图像对比模块和储存模块，所述储存模块为两份，一份存储于本地硬盘设备当中，另一份存储于云端存储设备中；
32a)：所述电压对比模块，将采集到的电网线路位置电压信息和所述储存模板内部存储的标准电压数值进行对比，并判定是否发生改变；
32aa)：所述电压对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32ab)：所述电压对比模块判定数值发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32b)：所述图像分隔模块，将采集到的电网线路位置图片信息分隔成16*16区域；
32c)：所述图像对比模块，将所述图像分隔模块分隔完毕的图像，逐个区域的与所述储存模板内部存储的标准图像进行对比，并判定是否发生改变；
32ca)：所述图像对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32cb)：所述图像对比模块判定数值发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
3)：所述修正训练模块，在步骤进入32aa)，即所述电压对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块该步骤时，所述修正训练模块记录该时段的所述图像获取模块获取采集到的图片信息，并储存在所述储存模块中，并不断的将该图片信息替换为所述标准图像。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (5)
1.一种基于半监督学习的电网飞线状态判别方法，其特征在于，包括摄像装置、测压装置、半监督学习模块和反馈模块，以下步骤为：
S1：所述摄像装置设置有图像获取模块，并通过所述图像获取模块获取采集电网线路位置图片信息；
S2：所述测压装置设置有电压获取模块，并通过所述电压获取模块获取采集电网线路位置电压信息；
S3：所述半监督学习模块具有样本获取模块、对比训练模块和修正训练模块；
31)：通过所述样本获取模块接收所述摄像装置采集到的图片信息和所述测压装置采集到的电压信息；
32)：所述对比训练模块具有电压对比模块、图像分隔模块、图像对比模块和储存模块；
32a)：所述电压对比模块，将采集到的电网线路位置电压信息和所述储存模块内部存储的标准电压数值进行对比，并判定是否发生改变；
32aa)：所述电压对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32ab)：所述电压对比模块判定数值发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32b)：所述图像分隔模块，将采集到的电网线路位置图片信息分隔成16*16区域；
32c)：所述图像对比模块，将所述图像分隔模块分隔完毕的图像，逐个区域的与所述储存模块内部存储的标准图像进行对比，并判定是否发生改变；
32ca)：所述图像对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
32cb)：所述图像对比模块判定数值发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块；
3)：所述修正训练模块，在步骤进入32aa)，即所述电压对比模块判定数值未发生变化，将阶段性比对数据汇制成表，并发送到所述反馈模块该步骤时，所述修正训练模块记录该时段的所述图像获取模块获取采集到的图片信息，并储存在所述储存模块中，并不断的将该图片信息替换为所述标准图像。
2.根据权利要求1所述的一种基于半监督学习的电网飞线状态判别方法，其特征在于：所述S1步骤中，所述摄像装置为微型摄像头，所述微型摄像头用于安装电网线路位置。
3.根据权利要求1所述的一种基于半监督学习的电网飞线状态判别方法，其特征在于：所述S2步骤中，所述测压装置为万能表，所述万能表用于连接电网线路并形成电路。
4.根据权利要求1所述的一种基于半监督学习的电网飞线状态判别方法，其特征在于：所述储存模块为两份，一份存储于本地硬盘设备当中，另一份存储于云端存储设备中。
5.根据权利要求1所述的一种基于半监督学习的电网飞线状态判别方法，其特征在于：所述反馈模块电连接在用户移动端上，所述移动端为电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110449835.5A CN113258670B (zh) | 2021-04-25 | 2021-04-25 | 一种基于半监督学习的电网飞线状态判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110449835.5A CN113258670B (zh) | 2021-04-25 | 2021-04-25 | 一种基于半监督学习的电网飞线状态判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113258670A CN113258670A (zh) | 2021-08-13 |
| CN113258670B true CN113258670B (zh) | 2023-12-19 |
Family
ID=77221569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110449835.5A Active CN113258670B (zh) | 2021-04-25 | 2021-04-25 | 一种基于半监督学习的电网飞线状态判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113258670B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108493947A (zh) * | 2018-04-12 | 2018-09-04 | 江苏理工学院 | 电压暂降补偿方法和装置 |
| CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
| WO2020093165A1 (en) * | 2018-11-07 | 2020-05-14 | Element Ai Inc. | Removal of sensitive data from documents for use as training sets |
| CN112234641A (zh) * | 2020-09-21 | 2021-01-15 | 清华大学 | 一种直流换相失败阻断与预防控制方法 |
-
2021
- 2021-04-25 CN CN202110449835.5A patent/CN113258670B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108493947A (zh) * | 2018-04-12 | 2018-09-04 | 江苏理工学院 | 电压暂降补偿方法和装置 |
| WO2020093165A1 (en) * | 2018-11-07 | 2020-05-14 | Element Ai Inc. | Removal of sensitive data from documents for use as training sets |
| CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
| CN112234641A (zh) * | 2020-09-21 | 2021-01-15 | 清华大学 | 一种直流换相失败阻断与预防控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| "醒脑开窍"针刺后局灶性脑缺血模型大鼠脑基底核组织在蛋白质水平上的变化;王舒;温景荣;赵晓峰;石学敏;;中国临床康复(第31期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113258670A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875602A (zh) | 监控环境下基于深度学习的人脸识别方法 | |
| CN108170638A (zh) | 基于Excel表的计算方法、装置、设备及存储介质 | |
| CN109783553A (zh) | 一种配电网海量数据质量提升系统 | |
| CN113258670B (zh) | 一种基于半监督学习的电网飞线状态判别方法 | |
| CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 | |
| CN116703114A (zh) | 一种电力调度数据分类存储方法、系统、装置及介质 | |
| CN108228778B (zh) | 基于matlab平台的bpa潮流数据分离等效转换方法 | |
| CN114611869B (zh) | 一种低压台区台户识别方法 | |
| CN115908447A (zh) | 一种基于Yolov5算法分割极片待检测区域的方法 | |
| CN213149201U (zh) | 双路电源实时监测装置 | |
| CN104424236A (zh) | 数据采集中的存储方法及装置 | |
| CN105701607A (zh) | 一种电力统计指标数据的质量评估方法 | |
| CN112966460A (zh) | 铁路信号工程接线端子配线的数字化方法 | |
| CN113836646A (zh) | 一种基于深度学习的风机叶片缺陷智能分析方法及系统 | |
| CN114722939B (zh) | 一种用于步态分析的数据扩充方法及系统 | |
| CN218450091U (zh) | 一种高精度的无独立基准源cpu芯片模拟采样装置 | |
| CN203181094U (zh) | 一种智能视频监控系统 | |
| CN116955117B (zh) | 基于数据可视化增强的电脑散热器性能分析系统 | |
| CN113763389B (zh) | 一种基于多主体检测分割的图像识别方法 | |
| CN117173385B (zh) | 一种变电站的检测方法、装置、介质及设备 | |
| CN216210975U (zh) | 一种教学质量测评成绩记录装置 | |
| CN111881869B (zh) | 一种基于手势数据的分级存储方法及系统 | |
| CN118015080A (zh) | 检测图像帧间位移的方法及装置 | |
| CN116070837A (zh) | 一种变电站电力设备的状态评估方法及终端 | |
| CN116933622A (zh) | 一种电网一次设备的图纸管理系统及方法 |
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 |