CN113344470B - 一种基于区块链的供电系统智能管理方法 - Google Patents

一种基于区块链的供电系统智能管理方法 Download PDF

Info

Publication number
CN113344470B
CN113344470B CN202110878425.2A CN202110878425A CN113344470B CN 113344470 B CN113344470 B CN 113344470B CN 202110878425 A CN202110878425 A CN 202110878425A CN 113344470 B CN113344470 B CN 113344470B
Authority
CN
China
Prior art keywords
layer
power supply
supply system
image
monitoring
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
Application number
CN202110878425.2A
Other languages
English (en)
Other versions
CN113344470A (zh
Inventor
江晓
孙彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Etop Information Co ltd
Original Assignee
Shandong Yanhuang Industrial Design Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Yanhuang Industrial Design Co ltd filed Critical Shandong Yanhuang Industrial Design Co ltd
Priority to CN202110878425.2A priority Critical patent/CN113344470B/zh
Publication of CN113344470A publication Critical patent/CN113344470A/zh
Application granted granted Critical
Publication of CN113344470B publication Critical patent/CN113344470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明所述一种基于区块链的供电系统智能管理方法，包括以下步骤：S1、监测终端实时监测供电系统的运行状态，通过智能合约将有效数据存储于本发明所述区块链系统中，并依据有效数据触发供电系统非正常报警；S2、建立卷积网络，根据监测终端采集到的视频图像信息，对供电系统的老化情况进行评价和预测；S3、创建深度学习网络，根据监测终端的监测参数和供电系统老化情况评价值，对供电系统的完好状态进行评价和预测。本发明采用区块链技术，大大提高系统监测的准确性；采用了基于图像处理技术，可以实现系统老化程度的监测，实现预测性维护；并可对供电系统的整体完好状态进行评价和预测，进一步指导预测性系统维护。

Description

一种基于区块链的供电系统智能管理方法
技术领域
本申请涉及供电系统智能管理领域，尤其涉及一种基于区块链的供电系统智能管理方法。
背景技术
随着建设节约型社会和智慧城市的发展，先进的供电管理技术具有很大的发展空间。现有的自动化监测系统经常存在误报现象，花费高昂成本建设的自动化监测系统仅能作为辅助，现有技术无法确定其信息的准确性，最终故障仍需依赖维护人员现场确认，反而使得维护成本增加；在巡检和维护过程中，对于电气设备的老化等情况的判断，只能依赖于人员经验。
发明内容
本申请提供一种基于区块链的供电系统智能管理方法，以解决现有的供电系统故障监测和报警技术准确性差，给维护工作带来了极大的不便，使得维护成本增加；对于供电系统的整体运行完好度缺乏准确的评价手段等技术问题，以实现智能化准确监测报警运维的技术效果。
本申请的技术方案如下：
一种基于区块链的供电系统智能管理方法，步骤如下：
S1、监测终端实时监测供电系统的运行状态，通过智能合约将有效数据存储于区块链系统中，并依据有效数据触发供电系统非正常报警；
S2、建立卷积网络模型，根据监测终端采集到的视频图像信息，对供电系统的老化情况进行评价和预测；
S3、创建深度学习网络，根据监测终端的监测参数和供电系统老化情况评价值，对供电系统的完好状态进行评价和预测。
优选的，所述步骤S1包括：
首先设置节点部署区块链系统，通过智能合约在系统初始化时创建并维护的所有节点自身的业务数据表作为初始参考业务数据表；同时在系统初始化状态下制定初始参考业务标准；制定完成后，各监测终端向区块链系统广播自身的初始参考业务标准及初始参考业务数据表，进入实时监测运行状态；通过各监测终端实时监测系统运行的数据与自身存储的标准作对比来过滤误报数据。
优选的，所述步骤S2包括：
通过对检测终端采集的供电系统电气设备图像采用散度扩散模型进行图像平滑以及各向异性进行去噪处理，并使用结构元素B对去噪后图像进行扩张膨胀，获得的图像具有较强图像结构纹理信息，以便于后续识别。
优选的，所述步骤S3包括：
通过创建深度学习神经网络，根据监测终端的监测参数和供电系统老化情况评价值，对供电系统的完好状态进行评价和预测；深度学习神经网络包括输入层、隐含层和输出层；将监测参数和供电系统老化情况评价值构成输入矩阵，将所述输入矩阵作为深度学习神经网络输入层的输入，随后将输入层的输出发送到隐含层，对深度学习神经网络的隐含层利用门控循环单元进行改进，使得采用门控循环单元的隐含层的输入包含了隐含层状态，增强了各参数之间的依赖，将带有隐含层状态信息作为输出层的输入，从而得到更准确的输出层输出；通过隐含层计算输入后的参数对应的完好状态值，并将其输出送至深度学习神经网络的输出层得到输出结果；将输出层输出结果传送到分类器中进行判断，得到当前输出对应的供电系统完好状态的四个等级：一级、二级、三级、四级。
优选的，所述步骤S3具体包括以下步骤：
S301 建立深度学习神经网络，通过门控循环单元对循环神经网络隐含层进行改进；所述深度学习神经网络包括输入层、隐含层和输出层，网络输入为供电系统中所有监测终端监测参数的类别和电气设备的老化情况分类结果；
S302 建立优化器，用于更新网络参数，使损失函数近似最小，输出达到或逼近最优值，通过梯度下降法进行迭代，得到合适的神经网络参数
Figure DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE004
，在反向传播时，在某一序列位置t的梯度损失由当前位置的输出对应的梯度损失和序列索引位置t+1时的梯度损失两部分共同决定，对于权值矩阵在某一序列位置t的梯度损失需要反向传播一步步的计算，序列索引t位置的隐含层状态
Figure DEST_PATH_IMAGE005
的梯度为：
Figure DEST_PATH_IMAGE006
其中，L是损失函数量化模型在当前位置的损失。从而得到神经网络参数的梯度计算表达式，依靠梯度更新公式就能够迭代求解模型参数，直到参数的值发生收敛，此时深度学习神经网络构建完成；将测试样本输入深度学习神经网络中，若损失函数值小于预先设定的误差阈值，则神经网络预测精度达到要求。
本发明具有以下有益效果：
（1）本发明采用区块链技术，利用区块链底层的智能合约技术消除了系统误报的情况，大大提高系统监测的准确性。
（2）本发明采用了基于图像处理技术，可以实现系统老化程度的监测，实现预测性维护。
（3）本发明基于区块链和系统运行参数监测，使用了深度网络对供电系统运行完好状态进行准确的分级，可对供电系统的整体完好状态进行评价和预测，进一步指导预测性系统维护。
附图说明
图1为本发明所述具有管理功能的典型供电系统结构框图；
图2为本发明所述基于区块链的供电系统智能管理方法流程图；
图3为本发明所述包含卷积网络模型在内的深度学习网络的网络结构框图。
具体实施方式
为了更好的阐述本发明，下面将结合具体实施例和附图对本发明技术方案进行详细说明。
本发明适用于典型的具有供电、输电以及配电节点的供电系统。参照图1，具有供电管理功能的典型供电系统，包括供电系统、输电系统、配电系统以及用电端。为了便于维护和管理，典型供电系统中还安装有若干个监测终端，所述监测终端，具有边缘计算和处理能力，通过视频监控、实时电流、电压等供电参数的监测实现对整个供电系统供电状态的监测，监测的数据通过有线或无线的方式上传至供电管理平台。
供电系统中所有具有处理能力的监测终端和供电管理平台的计算资源共同组成了可用于供电系统管理的计算资源。区块链系统部署于所述供电系统管理的计算资源，当供电系统原有计算资源不满足本发明所述方法的运行要求时，可以采用替换和附加的方式，确保供电系统的计算资源能够顺畅地运行本发明所述的方法。
参照图2，本发明所述的一种基于区块链的供电系统智能管理方法，包括以下步骤：
S1 监测终端实时监测供电系统的运行状态，通过智能合约将有效数据存储于本发明所述区块链系统中，并依据有效数据触发供电系统非正常报警。记区块链系统中有n-1个监测终端和1个供电管理平台，共计n个节点，n为大于1的整数，在所述n个节点上部署区块链系统。所述区块链系统的智能合约采用以下有效数据判定方法：
S101 系统初始化时，创建并维护所有节点的业务数据表，同时制定初始参考业务标准，用于过滤误报数据；
在系统初始化状态下，所有节点创建自身的业务数据表，所述业务数据表包括但不限于以下关键字段：数据序号、监测字段y个，y为≥1的整数，数据时间；
作为一个具体实施例，供电系统中某个监测终端
Figure DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
，实时监测有电压、电流、电功率、视频图像4个监测字段，则y=4；监测终端
Figure 575451DEST_PATH_IMAGE007
创建自身的业务数据表为：
序号 监测字段1 监测字段2 监测字段3 监测字段4 时间 保留
1 电压值 电流值 电功率值 视频图像 时间 空
各节点的业务数据表创建完成后，向区块链系统广播自身的业务数据表；
同时在系统初始化状态下，各监测终端将实际工况下正常运行的监测参数存储到自身的业务数据表，作为正常监测参数的标准，初始参考业务标准制定完成后，各监测终端向区块链系统广播自身的初始参考业务标准；
S102 各监测终端实时监测系统运行参数，并将有效数据存储到所述的区块链系统中；
经过S101所述的区块链系统初始化执行完毕后，所述系统进入实际监测运行状态。
进一步，在步骤S102中，在区块链系统的智能合约中，加入有效数据的判定如下：
（1）监测终端实时监测供电系统的运行参数，并将所述运行参数与监测终端自身存储的初始参考业务标准比对，正常值直接广播到区块链系统，用于系统存储；
记时刻
Figure DEST_PATH_IMAGE009
时，监测终端
Figure 430275DEST_PATH_IMAGE007
监测到实时参数值为
Figure DEST_PATH_IMAGE010
，将
Figure 616536DEST_PATH_IMAGE010
与监测终端
Figure 215008DEST_PATH_IMAGE007
自身存储的监测参数正常值范围做比对，若
Figure 498222DEST_PATH_IMAGE010
处于正常值范围内，则监测终端
Figure 789526DEST_PATH_IMAGE007
将时刻
Figure 525401DEST_PATH_IMAGE009
时的监测参数值打包后广播到区块链系统存储，打包后的数据包括但不限于监测终端
Figure 193142DEST_PATH_IMAGE007
的标识数据、监测参数
Figure 65283DEST_PATH_IMAGE010
、时刻信息
Figure 527489DEST_PATH_IMAGE009
、正常标记信息等；区块链系统中各节点收到
Figure 747730DEST_PATH_IMAGE007
广播的数据包后，将数据存放到各节点存储的
Figure 953583DEST_PATH_IMAGE007
对应的业务数据表中；
若
Figure 945810DEST_PATH_IMAGE010
超出正常值范围，则执行步骤（2）：
（2）非正常范围的数值处理和存储；
若
Figure 578917DEST_PATH_IMAGE010
超出正常值范围，则监测终端
Figure 23805DEST_PATH_IMAGE007
将时刻
Figure 502191DEST_PATH_IMAGE009
时的监测参数值标记为非正常后，记为
Figure DEST_PATH_IMAGE011
，并将非正常数据打包后向区块链系统广播，打包后的数据包括但不限于监测终端
Figure 83345DEST_PATH_IMAGE007
的标识数据、监测参数
Figure 152932DEST_PATH_IMAGE011
、时刻信息
Figure 85116DEST_PATH_IMAGE009
、非正常标记信息等；
区块链系统中各节点收到
Figure 632772DEST_PATH_IMAGE007
广播的数据包后，将数据存放到各节点存储的
Figure 334011DEST_PATH_IMAGE007
对应的业务数据表中，进入下一时刻
Figure DEST_PATH_IMAGE012
的参数监测；
（3）判定非正常数据的有效性；
对于
Figure 43342DEST_PATH_IMAGE009
时刻监测到的非正常监测参数
Figure 188453DEST_PATH_IMAGE011
，区块链系统取连续的g个时刻数据，g为＞1的整数，即
Figure 539800DEST_PATH_IMAGE009
到
Figure DEST_PATH_IMAGE013
时段的监测参数作对比，若
Figure 564388DEST_PATH_IMAGE009
到
Figure 975778DEST_PATH_IMAGE013
时段的监测参数都为非正常，则区块链系统判定供电系统非正常，触发报警信息；若
Figure 882554DEST_PATH_IMAGE009
到
Figure 709696DEST_PATH_IMAGE013
时段，仅有
Figure 385528DEST_PATH_IMAGE009
时刻的监测参数非正常，则区块链系统判定为误报信息，不触发报警信息。
S2 建立卷积网络模型，根据监测终端采集到的视频图像信息，对供电系统的老化情况进行评价和预测。
S201 对视频图像信息平滑及去噪处理；
记监测终端采集的供电系统电气设备的图像为I，首先对图像I进行平滑处理：
在实际应用中，本发明所述监测终端采集的图像因视景稳定、视觉干扰因素少，具有较好的场景稳定性，因而采用散度扩散模型将明显提高图像处理效率，处理步骤如下：
图像I的扩散模型为：
Figure DEST_PATH_IMAGE014
其中，div是散度算子，用来表征空间各点矢量场发散的强弱程度，
Figure DEST_PATH_IMAGE015
是梯度算子，
Figure DEST_PATH_IMAGE016
是扩散方程；
对图像进行各向异性扩散去噪：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
是去噪前的图像，t是迭代次数，p是图像中任一图像特征坐标位置，
Figure DEST_PATH_IMAGE019
是去噪后的图像，
Figure DEST_PATH_IMAGE020
是控制扩散程度的因子，
Figure DEST_PATH_IMAGE021
是p的邻域，
Figure 653304DEST_PATH_IMAGE021
是以p为圆心、r为半径的圆心区域，
Figure DEST_PATH_IMAGE022
表示圆形面积，q是邻域
Figure 516218DEST_PATH_IMAGE021
中的一个图像特征坐标；
使用结构元素B对去噪后的图像I进行扩张膨胀：
Figure DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
表示逻辑加，x是图像特征信息集合，图像特征信息包含但不仅限于像素特征、纹理特征、形状特征，
Figure DEST_PATH_IMAGE025
是结构元素B的反射，图像I收到元素B的扩张，
Figure 350313DEST_PATH_IMAGE025
被全部x平移后与图像I有交集的图像特征信息，通过膨胀算子对破损区域进行膨胀，获得边缘区域的图像特征信息，即为图像特征值
Figure DEST_PATH_IMAGE026
。处理后增强了图像结构信息，便于后续识别；
S202 创建并训练卷积网络模型，对供电系统中电气设备实时图像的老化情况进行评价和预测；
所述卷积网络模型包括输入层、卷积层、池化层、全连接层以及输出层；
将图像I的图像特征值
Figure 349493DEST_PATH_IMAGE026
从输入层开始按顺序经过卷积层和池化层的逐层处理，然后使用全连接层进行连接，从而使图像特征经过各层的提取后，最终输出老化等级；
具体处理过程如下：
输入的图像特征值为
Figure DEST_PATH_IMAGE027
其中，
Figure DEST_PATH_IMAGE028
为第1帧图像的第m个特征点，
Figure DEST_PATH_IMAGE029
为第2帧图像的第z个特征点，
Figure DEST_PATH_IMAGE030
为第n帧图像的第r个特征点，不同帧图像得到的特征点不同；任一输入某一帧的特征点集合，设立该帧图像的特征点数量为r，则输入层共有r个神经元，卷积神经网络的输入特征需要进行标准化处理；在将学习数据输入卷积神经网络前，需对输入图像特征信息进行归一化，如将分布于
Figure DEST_PATH_IMAGE031
的特征点像素值归一化至
Figure DEST_PATH_IMAGE032
区间，进行归一化处理；
卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，卷积核设定越大，网络训练越慢，结果准确度越高；反之网络训练越快，准确度越低，实际使用时可根据区块链系统的计算资源大小来设定；卷积核对输入特征做矩阵元素乘法求和并叠加偏差量：
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE034
是特征点的图像特征，b为偏差量，
Figure DEST_PATH_IMAGE035
表示交叉相关，
Figure DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
表示第l+1层神经元的卷积输出和输入，
Figure DEST_PATH_IMAGE038
表示第l层神经元的权重， K为特征图的通道数，
Figure DEST_PATH_IMAGE039
为第l层神经第k个通道的输出，f是卷积核大小，
Figure DEST_PATH_IMAGE040
是卷积核尺寸，
Figure DEST_PATH_IMAGE041
是卷积步长，定义了卷积核相邻两次扫过特征图时位置的距离，填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法。将卷积输出发送给池化层；
池化层采用均值池化和极大池化的线性组合：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
是池化调节参数，
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
是均值池化，即卷积层所有卷积输出的平均值，
Figure DEST_PATH_IMAGE046
是极大池化，即卷积层所有卷积输出的最大值，混合池化有利于防止卷积神经网络的过度拟合。
池化层将输出发送给全连接层；
全连接层每一个单元都和前一层的每一个单元相连接，激活函数选择S型函数：
Figure DEST_PATH_IMAGE047
全连接层将输出发送到输出层，从而得到卷积网络模型输出
Figure DEST_PATH_IMAGE048
，即电气设备的老化情况评价值。计算输出误差：
Figure DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
表示样本的误差，取输出层节点的误差平方和作为误差函数；
Figure DEST_PATH_IMAGE051
表示样本的实际值，
Figure DEST_PATH_IMAGE052
表示输出层的输出值。当误差小于预先设定的误差阈值时，卷积网络模型训练完成。
作为一个具体实施例，根据卷积网络模型输出
Figure 151621DEST_PATH_IMAGE048
，为电气设备老化状态值，根据其值的取值范围，具体电气设备老化等级如表所示：
Figure DEST_PATH_IMAGE053
其中，
Figure DEST_PATH_IMAGE054
表示供电系统电气设备的老化等级门限值，且
Figure DEST_PATH_IMAGE055
。
S3 创建深度学习网络，根据监测终端的监测参数和供电系统老化情况评价值，对供电系统的完好状态进行评价和预测。
S301 建立深度学习神经网络，通过门控循环单元对循环神经网络隐含层进行改进；
深度学习神经网络包括输入层、隐含层和输出层，网络输入为供电系统中所有监测终端监测参数的类别和电气设备的老化情况分类结果；
所述供电系统，由n-1个监测终端和1个管理平台组成，每个监测终端监测的参数种类不同，记所有监测终端监测的参数总种类数为d，对于监测终端i，1≤i≤n-1，i为整数，监测的参数矩阵
Figure DEST_PATH_IMAGE056
，其中
Figure DEST_PATH_IMAGE057
，
Figure DEST_PATH_IMAGE058
，表示监测终端i监测到的第j个参数，若某一个监测参数在监测终端i中没有监测，则用0补位，所述供电系统的整体监测参数矩阵：
Figure DEST_PATH_IMAGE059
，此处T表示矩阵的转置，i表示监测终端的计数，进而有：
Figure DEST_PATH_IMAGE060
令深度学习神经网络的输入
Figure DEST_PATH_IMAGE061
为整体监测参数矩阵的行向量，
Figure DEST_PATH_IMAGE062
，Y为卷积网络模型输出即电气设备老化状态值。
设立处理后的数据作为深度学习神经网络的输入
Figure DEST_PATH_IMAGE063
，深度学习神经网络的隐含层状态序列为
Figure DEST_PATH_IMAGE064
，4维输出序列
Figure DEST_PATH_IMAGE065
，分别是供电系统完好状态的四个等级：一级、二级、三级、四级。
门控循环单元改进的隐含层第i个神经元的输入为：
Figure DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE067
是输入层r到隐含层h的权值矩阵，
Figure DEST_PATH_IMAGE068
是第i个输入层输入向量，
Figure DEST_PATH_IMAGE069
是第i-1个隐含层状态，
Figure 423919DEST_PATH_IMAGE002
是隐含层权值矩阵，
Figure DEST_PATH_IMAGE070
是基底；
隐含层的输出为：
Figure DEST_PATH_IMAGE071
，g是激活函数，通过隐含层计算输入后的参数对应的完好状态值。通常由于循环神经网络是识别类的分类模型，所以上面这个激活函数一般是Sigmoid函数；输出层的输入为：
Figure DEST_PATH_IMAGE072
其中，
Figure 592863DEST_PATH_IMAGE003
是隐含层h到输出层y的权值矩阵，
Figure DEST_PATH_IMAGE073
是基底；
输出层的输出为：
Figure DEST_PATH_IMAGE074
；将输出层输出传送到分类器中进行判断，得到当前输出对应的供电系统完好状态的四个等级：一级、二级、三级、四级。所述分类器采用现有技术。
通过损失函数L量化模型在当前位置的损失，即
Figure DEST_PATH_IMAGE075
和
Figure DEST_PATH_IMAGE076
的差距。神经网络t时刻的损失函数选用交叉熵：
Figure DEST_PATH_IMAGE077
其中，
Figure DEST_PATH_IMAGE078
是真实的结果值，
Figure DEST_PATH_IMAGE079
是神经网络给出的预测值。N个时刻的全局损失为：
Figure DEST_PATH_IMAGE080
；
S302 建立优化器，用于更新网络参数，使损失函数近似最小，输出达到或逼近最优值，通过梯度下降法进行迭代，得到合适的神经网络参数
Figure 522249DEST_PATH_IMAGE001
、
Figure 446342DEST_PATH_IMAGE002
、
Figure 815007DEST_PATH_IMAGE003
、
Figure 849959DEST_PATH_IMAGE004
，在反向传播时，在某一序列位置t的梯度损失由当前位置的输出对应的梯度损失和序列索引位置t+1时的梯度损失两部分共同决定，对于权值矩阵在某一序列位置t的梯度损失需要反向传播一步步的计算，序列索引t位置的隐含层状态
Figure 620469DEST_PATH_IMAGE005
的梯度为：
Figure 715464DEST_PATH_IMAGE006
从而得到神经网络参数的梯度计算表达式：
Figure DEST_PATH_IMAGE081
其中，diag是对角矩阵函数，T是转置矩阵，依靠上述梯度更新公式就能够迭代求解模型参数，直到参数的值发生收敛，此时深度学习神经网络构建完成；将测试样本输入深度学习神经网络中，若损失函数值小于预先设定的误差阈值，则神经网络预测精度达到要求，具体实现过程参照图3。这样就可以利用本发明所述的深度网络实现根据监测终端的监测参数和电气设备的老化等级评价供电系统的完好度等级，实现指导性系统维护。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种基于区块链的供电系统智能管理方法，其特征在于：
S1 监测终端实时监测供电系统的运行状态，通过智能合约将有效数据存储于区块链系统中，并依据有效数据触发供电系统非正常报警；首先设置节点部署区块链系统，通过智能合约在系统初始化时创建并维护的所有节点自身的业务数据表作为初始参考业务数据表；同时在系统初始化状态下制定初始参考业务标准；制定完成后，各监测终端向区块链系统广播自身的初始参考业务标准及初始参考业务数据表，进入实时监测运行状态；通过各监测终端实时监测系统运行的数据与自身存储的标准作对比来过滤误报数据；
S2 建立卷积网络模型，根据监测终端采集到的视频图像信息，对供电系统的老化情况进行评价和预测；
S201 对视频图像信息平滑及去噪处理；
S202 创建并训练卷积网络模型，对供电系统中电气设备实时图像的老化情况进行评价和预测；所述卷积网络模型包括输入层、卷积层、池化层、全连接层以及输出层；将图像I的图像特征值
Figure 185912DEST_PATH_IMAGE001
从输入层开始按顺序经过卷积层和池化层的逐层处理，然后使用全连接层进行连接，从而使图像特征经过各层的提取后，最终输出老化等级；其中，监测终端采集的供电系统电气设备的图像为图像I；
S3 创建深度学习网络，根据监测终端的监测参数和供电系统老化情况评价值，对供电系统的完好状态进行评价和预测；
S301 建立深度学习神经网络，通过门控循环单元对循环神经网络隐含层进行改进；深度学习神经网络包括输入层、隐含层和输出层，网络输入为供电系统中所有监测终端监测参数的类别和电气设备的老化情况分类结果；
S302 建立优化器，用于更新网络参数，使损失函数近似最小，输出达到或逼近最优值，通过梯度下降法进行迭代，得到合适的神经网络参数
Figure 78520DEST_PATH_IMAGE002
、
Figure 771669DEST_PATH_IMAGE003
、
Figure 98746DEST_PATH_IMAGE004
、
Figure 851938DEST_PATH_IMAGE005
，在反向传播时，在某一序列位置t的梯度损失由当前位置的输出对应的梯度损失和序列索引位置t+1时的梯度损失两部分共同决定，对于权值矩阵在某一序列位置t的梯度损失需要反向传播一步步的计算，序列索引t位置的隐含层状态
Figure 733306DEST_PATH_IMAGE006
的梯度为：
Figure 964567DEST_PATH_IMAGE007
从而得到神经网络参数的梯度计算表达式：
Figure 614992DEST_PATH_IMAGE008
其中，diag是对角矩阵函数，T是转置矩阵，依靠上述梯度更新公式就能够迭代求解模型参数，直到参数的值发生收敛，此时深度学习神经网络构建完成；将测试样本输入深度学习神经网络中，若损失函数值小于预先设定的误差阈值，则神经网络预测精度达到要求；
Figure 539085DEST_PATH_IMAGE002
是输入层r到隐含层h的权值矩阵；
Figure 642170DEST_PATH_IMAGE003
是隐含层权值矩阵；
Figure 190306DEST_PATH_IMAGE009
是隐含层基底；
Figure 960816DEST_PATH_IMAGE004
是隐含层h到输出层y的权值矩阵；
Figure 586969DEST_PATH_IMAGE010
是输出层基底，
Figure 442930DEST_PATH_IMAGE006
表示t位置隐含层状态，L是损失函数量化模型在当前位置的损失，
Figure 15994DEST_PATH_IMAGE011
是真实的结果值，
Figure 375431DEST_PATH_IMAGE012
是神经网络给出的预测值。
2.如权利要求1所述一种基于区块链的供电系统智能管理方法，其特征在于，所述步骤S2包括：
通过对检测终端采集的供电系统电气设备图像采用散度扩散模型进行图像平滑以及各向异性进行去噪处理，并使用结构元素B对去噪后图像进行扩张膨胀，获得的图像具有较强图像结构信息，以便于后续识别。
3.如权利要求1所述一种基于区块链的供电系统智能管理方法，其特征在于所述步骤S3包括：
通过创建深度学习神经网络，根据监测终端的监测参数和供电系统老化情况评价值，对供电系统的完好状态进行评价和预测；深度学习神经网络包括输入层、隐含层和输出层；将监测参数和供电系统老化情况评价值构成输入矩阵，将所述输入矩阵作为深度学习神经网络输入层的输入，随后将输入层的输出发送到隐含层，对深度学习神经网络的隐含层利用门控循环单元进行改进，使得采用门控循环单元的隐含层的输入包含了隐含层状态，增强了各参数之间的依赖，将带有隐含层状态信息作为输出层的输入，从而得到更准确的输出层输出；通过隐含层计算输入后的参数对应的完好状态值，并将其输出送至深度学习神经网络的输出层得到输出结果；将输出层输出结果传送到分类器中进行判断，得到当前输出对应的供电系统完好状态的四个等级：一级、二级、三级、四级。
CN202110878425.2A 2021-08-02 2021-08-02 一种基于区块链的供电系统智能管理方法 Active CN113344470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110878425.2A CN113344470B (zh) 2021-08-02 2021-08-02 一种基于区块链的供电系统智能管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110878425.2A CN113344470B (zh) 2021-08-02 2021-08-02 一种基于区块链的供电系统智能管理方法

Publications (2)

Publication Number Publication Date
CN113344470A CN113344470A (zh) 2021-09-03
CN113344470B true CN113344470B (zh) 2021-11-16

Family

ID=77480485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110878425.2A Active CN113344470B (zh) 2021-08-02 2021-08-02 一种基于区块链的供电系统智能管理方法

Country Status (1)

Country Link
CN (1) CN113344470B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723743A (zh) * 2022-05-16 2022-07-08 中国信息通信研究院 基于区块链的配电设备安全检测方法和装置
CN116340427B (zh) * 2023-04-25 2023-10-13 北京工业大学 一种用于环保数据预警系统的方法
CN118096123A (zh) * 2024-03-13 2024-05-28 山东泽悦信息技术有限公司 一种基于区块链的设备预测性维护方法
CN118329167A (zh) * 2024-04-24 2024-07-12 南京卢勉哲电子科技有限公司 机械式燃气表状态测量报警系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN111553328A (zh) * 2020-05-29 2020-08-18 深圳市易链信息技术有限公司 基于区块链技术和深度学习的视频监控方法、系统和可读存储介质
CN112862147A (zh) * 2020-11-19 2021-05-28 河南汇祥通信设备有限公司 基于bp神经网络的综合管廊运维风险评价模型及方法
CN113192586A (zh) * 2021-04-22 2021-07-30 阚中强 基于区块链的智慧医疗档案共享方法及医疗大数据系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10963786B1 (en) * 2019-05-07 2021-03-30 Ledgerdomain Inc. Establishing a trained machine learning classifier in a blockchain network
CN111368690B (zh) * 2020-02-28 2021-03-02 珠海大横琴科技发展有限公司 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN112083498B (zh) * 2020-10-16 2021-05-25 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN113077891A (zh) * 2021-04-15 2021-07-06 王小娟 基于算法、区块链和医学影像的大数据疾病诊断系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN111553328A (zh) * 2020-05-29 2020-08-18 深圳市易链信息技术有限公司 基于区块链技术和深度学习的视频监控方法、系统和可读存储介质
CN112862147A (zh) * 2020-11-19 2021-05-28 河南汇祥通信设备有限公司 基于bp神经网络的综合管廊运维风险评价模型及方法
CN113192586A (zh) * 2021-04-22 2021-07-30 阚中强 基于区块链的智慧医疗档案共享方法及医疗大数据系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Integration of blockchain and AI for secure data sharing and detection of CT images for the hospitals";Rajesh Kumar等;《Computerized Medical Imaging and Graphics》;20210131;第87卷;全文 *
"面向边缘人工智能计算的区块链技术综述";方俊杰等;《应用科学学报》;20200131;第38卷(第1期);第1-21页 *

Also Published As

Publication number Publication date
CN113344470A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113344470B (zh) 一种基于区块链的供电系统智能管理方法
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN110210644A (zh) 基于深度神经网络集成的交通流量预测方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN109635763B (zh) 一种人群密度估计方法
CN106779069A (zh) 一种基于神经网络的异常用电检测方法
CN111294812B (zh) 一种资源扩容规划的方法及系统
CN112766597B (zh) 公交客流预测方法及系统
CN110414715B (zh) 一种基于社团检测的客流量预警方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN112819236B (zh) 一种基于神经网络的低轨卫星物联网活跃终端预测方法
CN113516304A (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN112272074B (zh) 一种基于神经网络的信息传输速率控制方法及系统
CN114580087B (zh) 一种船载设备的联邦剩余使用寿命预测方法、装置及系统
CN112329973A (zh) 一种基于图神经网络和区域网格化的时空负荷预测方法
CN112382081A (zh) 一种基于多任务的交通流量预测方法
CN116502763A (zh) 一种基于时空图神经网络的人群拥堵预测方法及系统
Di et al. An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM
Mallik et al. EME-Net: A U-net-based indoor EMF exposure map reconstruction method
CN113191553A (zh) 基于建筑物尺度的人口空间分布估算方法及系统
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
Karthikeyan et al. Deep learning and machine learning based air pollution prediction model for smart environment design planning
CN114615693B (zh) 网络容量预测方法、装置、电子设备及计算机存储介质
CN115965809A (zh) 结合难分样本生成与学习的sar图像目标开集识别方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220727

Address after: 14-15 / F, block a, building 10, Shenzhen Bay science and technology ecological park, No.10, Gaoxin South 9th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000

Patentee after: SHENZHEN ETOP INFORMATION CO.,LTD.

Address before: Room 213, Yijing building, No.1 Hengshan Road, Yantai Economic and Technological Development Zone, Shandong Province

Patentee before: Shandong Yanhuang Industrial Design Co.,Ltd.

TR01 Transfer of patent right