CN113378783A - 基于轻量级卷积神经网络的电力物联网系统 - Google Patents
基于轻量级卷积神经网络的电力物联网系统 Download PDFInfo
- Publication number
- CN113378783A CN113378783A CN202110752125.XA CN202110752125A CN113378783A CN 113378783 A CN113378783 A CN 113378783A CN 202110752125 A CN202110752125 A CN 202110752125A CN 113378783 A CN113378783 A CN 113378783A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- system based
- data
- things system
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000002759 z-score normalization Methods 0.000 claims abstract description 10
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 230000003416 augmentation Effects 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于轻量级卷积神经网络的电力物联网系统,其包括输电终端、数据采集器、前端服务器、主服务器、光伏云平台,输电终端连接到数据采集器,在线监测模块包括变压器局部放电识别过程,变压器局部放电识别过程包括数据库建立、数据预处理、Z‑score归一化处理、监测识别放电模式、数据传输至服务器。本发明的有益效果有:通过轻量级卷积神经网络,对输电终端局部放电故障进行智能识别,准确率高,确保电力物联网系统的正常运行;数据预处理包括图形增广和图像合成处理,使得图像预处理后识别的准确率提高。
Description
技术领域
本发明涉及基于轻量级卷积神经网络的电力物联网系统,属于电力物联网技术领域。
背景技术
电力物联网是物联网在智能电网中的应用,是信息通信技术发展到一定阶段的结果,其将有效整合通信基础设施资源和电力系统基础设施资源,提高电力系统信息化水平,改善电力系统现有基础设施利用效率,为电网发、输、变、配、用电等环节提供重要技术支撑。作为泛在电力物联网建设中重要的环节之一,在线检测和故障诊断是设备信息全面感知和整个电力系统互联互通及多方位服务性应用的前提和基础。
发明内容
本发明要解决的技术问题,在于提供基于轻量级卷积神经网络的电力物联网系统,该系统通过轻量级卷积神经网络,对输电终端局部放电故障进行智能识别,准确率高,确保电力物联网系统的正常运行。
本发明通过下述方案实现:基于轻量级卷积神经网络的电力物联网系统,其包括输电终端、数据采集器、前端服务器、主服务器、光伏云平台,所述输电终端连接到所述数据采集器,所述据采集器连接到所述前端服务器,所述前端服务器连接到所述主服务器,所述主服务器连接到所述光伏云平台,同时,所述输电终端通过在线监测模块之间连接到所述主服务器,所述在线监测模块包括变压器局部放电识别过程,所述变压器局部放电识别过程包括数据库建立、数据预处理、Z-score归一化处理、监测识别放电模式、数据传输至服务器。
所述数据库建立包括数据集、卷积、池化、全连接、Softmax。
对采集的数据集进行验证,首先对其他目标任务下取得优异效果的数据集进行知识迁移,然后采用GIS局部放电信号对数据集进行级联微调,进而对数据集进行验证,对数据进行卷积、池化、构建全连接层,通过Softmax函数进行验证。
所述数据预处理包括图像增广和图像合成处理。
所述图像增广:包括旋转、平移、缩放、亮度变换、添加噪声。
所述图像合成处理:包括放射变换、计算图像掩膜、添加背景图像。
所述Z-score归一化处理是利用Z-score标准化方法对输入数据进行归一化处理,以解决不同来源的数据指标之间的可比性。
在数据预处理时,局部放电时域图谱通过二值化处理转化为单通道,并利用图像压缩技术将输人图片转化为相应卷积神经网络模型要求的大小。
所述验证包括泛化能力、故障识别准确率以及模型测试时间的验证。
本发明的有益效果为:
1、本发明基于轻量级卷积神经网络的电力物联网系统通过轻量级卷积神经网络,对输电终端局部放电故障进行智能识别,准确率高,确保电力物联网系统的正常运行;
2、本发明基于轻量级卷积神经网络的电力物联网系统的数据预处理包括图形增广和图像合成处理,使得图像预处理后识别的准确率提高。
附图说明
图1为本发明基于轻量级卷积神经网络的电力物联网系统的变压器局部放电识别过程流程图。
图2为本发明基于轻量级卷积神经网络的电力物联网系统的流程图。
具体实施方式
下面结合图1-2对本发明进一步说明,但本发明保护范围不局限所述内容。
其中相同的零部件用相同的附图标记表示。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向,且附图均采用非常简化的形式且均使用非精准的比率,仅用以方便、明晰地辅助说明本发明实施例的目的。
为了清楚,不描述实际实施例的全部特征,在下列描述中,不详细描述公知的功能和结构,因为它们会使本发明由于不必要的细节而混乱,应当认为在任何实际实施例的开发中,必须做出大量实施细节以实现开发者的特定目标,例如按照有关系统或有关商业的限制,由一个实施例改变为另一个实施例,另外,应当认为这种开发工作可能是复杂和耗费时间的,但是对于本领域技术人员来说仅仅是常规工作。
基于轻量级卷积神经网络的电力物联网系统,其包括输电终端、数据采集器、前端服务器、主服务器、光伏云平台,输电终端连接到数据采集器,据采集器连接到前端服务器,前端服务器连接到主服务器,主服务器连接到光伏云平台,同时,输电终端通过在线监测模块之间连接到主服务器,在线监测模块包括变压器局部放电识别过程,变压器局部放电识别过程包括数据库建立、数据预处理、Z-score归一化处理、监测识别放电模式、数据传输至服务器。
数据库建立包括数据集、卷积、池化、全连接、Softmax,对采集的数据集进行验证,首先对其他目标任务下取得优异效果的数据集进行知识迁移,然后采用GIS局部放电信号对数据集进行级联微调,进而对数据集进行验证,对数据进行卷积、池化、构建全连接层,通过Softmax函数进行验证。
数据预处理包括图像增广和图像合成处理,图像增广:包括旋转、平移、缩放、亮度变换、添加噪声,图像合成处理:包括放射变换、计算图像掩膜、添加背景图像。
Z-score归一化处理是利用Z-score标准化方法对输入数据进行归一化处理,以解决不同来源的数据指标之间的可比性。
在数据预处理时,局部放电时域图谱通过二值化处理转化为单通道,并利用图像压缩技术将输人图片转化为相应卷积神经网络模型要求的大小。
验证包括泛化能力、故障识别准确率以及模型测试时间的验证。
尽管已经对本发明的技术方案做了较为详细的阐述和列举,应当理解,对于本领域技术人员来说,对上述实施例做出修改或者采用等同的替代方案,这对本领域的技术人员而言是显而易见,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.基于轻量级卷积神经网络的电力物联网系统,其特征在于:其包括输电终端、数据采集器、前端服务器、主服务器、光伏云平台,所述输电终端连接到所述数据采集器,所述据采集器连接到所述前端服务器,所述前端服务器连接到所述主服务器,所述主服务器连接到所述光伏云平台,同时,所述输电终端通过在线监测模块之间连接到所述主服务器,所述在线监测模块包括变压器局部放电识别过程,所述变压器局部放电识别过程包括数据库建立、数据预处理、Z-score归一化处理、监测识别电模式、数据传输至服务器。
2.根据权利要求1所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:所述数据库建立包括数据集、卷积、池化、全连接、Softmax。
3.根据权利要求2所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:对采集的数据集进行验证,首先对其他目标任务下取得优异效果的数据集进行知识迁移,然后采用GIS局部放电信号对数据集进行级联微调,进而对数据集进行验证,对数据进行卷积、池化、构建全连接层,通过Softmax函数进行验证。
4.根据权利要求1所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:所述数据预处理包括图像增广和图像合成处理。
5.根据权利要求4所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:所述图像增广:包括旋转、平移、缩放、亮度变换、添加噪声。
6.根据权利要求4所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:所述图像合成处理:包括放射变换、计算图像掩膜、添加背景图像。
7.根据权利要求1所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:所述Z-score归一化处理是利用Z-score标准化方法对输入数据进行归一化处理,以解决不同来源的数据指标之间的可比性。
8.根据权利要求1所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:在数据预处理时,局部放电时域图谱通过二值化处理转化为单通道,并利用图像压缩技术将输人图片转化为相应卷积神经网络模型要求的大小。
9.根据权利要求2所述的基于轻量级卷积神经网络的电力物联网系统,其特征在于:所述验证包括泛化能力、故障识别准确率以及模型测试时间的验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110752125.XA CN113378783A (zh) | 2021-07-02 | 2021-07-02 | 基于轻量级卷积神经网络的电力物联网系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110752125.XA CN113378783A (zh) | 2021-07-02 | 2021-07-02 | 基于轻量级卷积神经网络的电力物联网系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378783A true CN113378783A (zh) | 2021-09-10 |
Family
ID=77580837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110752125.XA Pending CN113378783A (zh) | 2021-07-02 | 2021-07-02 | 基于轻量级卷积神经网络的电力物联网系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378783A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003307539A (ja) * | 2002-04-16 | 2003-10-31 | Hitachi Ltd | ガス絶縁機器の部分放電診断装置 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112434743A (zh) * | 2020-11-27 | 2021-03-02 | 国网江苏省电力有限公司检修分公司 | 基于gil金属微粒局部放电时域波形图像的故障识别方法 |
-
2021
- 2021-07-02 CN CN202110752125.XA patent/CN113378783A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003307539A (ja) * | 2002-04-16 | 2003-10-31 | Hitachi Ltd | ガス絶縁機器の部分放電診断装置 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112434743A (zh) * | 2020-11-27 | 2021-03-02 | 国网江苏省电力有限公司检修分公司 | 基于gil金属微粒局部放电时域波形图像的故障识别方法 |
Non-Patent Citations (2)
Title |
---|
HONGCHAN CHANG等: "Partial discharge measurement and pattern recognition in gas insulated switchgear", 《2011 7TH ASIA-PACIFIC INTERNATIONAL CONFERENCE ON LIGHTNING》, 22 December 2011 (2011-12-22), pages 459 - 462 * |
杨为等: "电力物联网下基于卷积神经网络和迁移学习的GIS 局部放电模式识别分类方法研究", 《高压电器》, vol. 56, no. 09, 30 September 2020 (2020-09-30), pages 20 - 25 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020590B (zh) | 一种基于三维模型与图像匹配的车辆识别系统及其方法 | |
US20200082199A1 (en) | Method and apparatus for inspecting burrs of electrode slice | |
CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN104320622A (zh) | 一种开源服务器软件的嵌入式视频增强系统 | |
CN105225281A (zh) | 一种车辆检测方法 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
CN113076985A (zh) | 电力用户负荷识别方法、装置及计算机可读介质 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN116311462A (zh) | 一种结合上下文信息和vgg19的人脸图像修复识别方法 | |
CN115640285A (zh) | 电力异常信息发送方法、装置、电子设备和介质 | |
CN105374029A (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 | |
CN115082798A (zh) | 一种基于动态感受野的输电线路销钉缺陷检测方法 | |
WO2024061141A1 (zh) | 共性知识约束的遥感样本迁移方法 | |
CN113378783A (zh) | 基于轻量级卷积神经网络的电力物联网系统 | |
CN116543739A (zh) | 一种基于emd的电力设备噪声控制方法 | |
CN112668416A (zh) | 无人机配网巡检视频实时分析识别方法和嵌入式巡检装置 | |
CN112800140B (zh) | 一种基于区块链预言机的高可信数据获取方法 | |
CN106339567B (zh) | 一种基于系统阻抗的风电场闪变传递计算方法及其装置 | |
CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
Jiang et al. | Research on Lightweight Method of Image Deep Learning Model for Power Equipment | |
Hao et al. | Fine-grained PM2. 5 detection method based on crowdsensing | |
WO2024082452A1 (zh) | 基于transformer架构的城市综合能源物联及智慧管控方法及系统 | |
CN117455774B (zh) | 一种基于差分输出的图像重建方法及系统 | |
CN113723437B (zh) | 一种ai模型的自动化训练方法及ai模型训练系统 |
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 |