CN113420654A - 变电站状态的处理方法、装置以及计算机可读存储介质 - Google Patents
变电站状态的处理方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113420654A CN113420654A CN202110693585.XA CN202110693585A CN113420654A CN 113420654 A CN113420654 A CN 113420654A CN 202110693585 A CN202110693585 A CN 202110693585A CN 113420654 A CN113420654 A CN 113420654A
- Authority
- CN
- China
- Prior art keywords
- data
- substation
- transformer substation
- determining
- state
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010892 electric spark Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种变电站状态的处理方法、装置以及计算机可读存储介质。其中，该方法包括：获取变电站在视频场景下的采样数据；确定采样数据对应的图谱数据；将图谱数据与图谱数据阈值进行比较，得到比较结果；依据比较结果，确定变电站在视频场景下的状态。本发明解决了在变电站发生异常时需要人工查看视频监控，导致无法及时准确地对变电站异常进行处理的技术问题。
Description
技术领域
本发明涉及电网故障处理技术领域，具体而言，涉及一种变电站状态的处理方法、装置以及计算机可读存储介质。
背景技术
目前，调控人员在发生电网故障时，在确认现场设备已决定是否试时，以人工点选、调取现场视频为主要工作手段，若发生较大规模的电网故障，调控人员将无法在短时间内准备判别现场设备情况，严重影响故障处置进程。
而且，电力调控中心要求电网发生故障时，调控人员必须在十五分钟内完成故障设备的试送工作。电网故障经常会涉及到多个场站多种设备的同时跳闸，调度规程要求调控人员在决定设备是否试送前必须先确定设备状态，通过变电站工业视频监控系统查看故障时间点前历史监控画面是调控人员判断故障位置、事故类型、是否试送的重要手段，人工查看少则几路多则几十路的视频监控实时和历史画面来发现异常现象费时费力，影响调控人员对事故的准确判断和快速处理。
针对上述在变电站发生异常时需要人工查看视频监控，导致无法及时准确地对变电站异常进行处理的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种变电站状态的处理方法、装置以及计算机可读存储介质，以至少解决在变电站发生异常时需要人工查看视频监控，导致无法及时准确地对变电站异常进行处理的技术问题。
根据本发明实施例的一个方面，提供了一种变电站状态的处理方法，包括：获取变电站在视频场景下的采样数据；确定所述采样数据对应的图谱数据；将所述图谱数据与图谱数据阈值进行比较，得到比较结果；依据所述比较结果，确定所述变电站在视频场景下的状态。
可选地，依据所述比较结果，确定所述变电站在视频场景下的状态，包括：在所述比较结果为所述图谱数据大于或者等于所述图谱数据阈值的情况下，确定所述变电站在视频场景下处于异常状态；或者，在所述比较结果为所述图谱数据小于所述图谱数据阈值的情况下，确定所述变电站在视频场景下处于正常状态。
可选地，确定所述采样数据对应的图谱数据，包括：基于傅里叶变换的方式将所述采样数据转换为图谱数据，其中，所述图谱数据包括以下至少之一：频域图谱、时域图谱。
可选地，在将所述图谱数据与图谱数据阈值进行比较，得到比较结果之前，还包括：基于所述变电站常态模型，确定所述采样数据对应的所述图谱数据阈值。
可选地，基于所述变电站常态模型，确定所述采样数据对应的所述图谱数据阈值，包括：使用所述变电站在视频场景下处于正常状态的多组训练数据，通过无监督机制学习训练得到变电站常态模型，其中，所述多组训练数据中的每组训练数据包括：不同类型的采样数据以及所述采样数据对应的图谱数据阈值；将所述采样数据输入所述变电站常态模型，由所述变电站常态模型输出所述图谱数据阈值。
可选地，在确定所述变电站在视频场景下处于异常状态之后，还包括：向目标对象推送关于所述异常状态的告警内容，其中，所述告警内容包括以下至少之一：异常视频画面、异常位置。
可选地，所述异常状态包括以下至少之一：着火异常、电火花异常、烟雾异常。
根据本发明实施例的另一方面，还提供了一种变电站状态的处理装置，包括：获取模块，用于获取变电站在视频场景下的采样数据；第一确定模块，用于确定所述采样数据对应的图谱数据；比较模块，用于将所述图谱数据与图谱数据阈值进行比较，得到比较结果；第二确定模块，用于依据所述比较结果，确定所述变电站在视频场景下的状态。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的变电站状态的处理方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的变电站状态的处理方法。
在本发明实施例中，采用获取变电站在视频场景下的采样数据；确定所述采样数据对应的图谱数据；将所述图谱数据与图谱数据阈值进行比较，得到比较结果；依据所述比较结果，确定所述变电站在视频场景下的状态，通过将采样数据对应的图谱数据与图谱数据阈值进行比较，并基于比较结果确定变电站在视频场景下的状态，达到了准确、快速地获知变电站在视频场景下的状态的目的，从而实现了降低工作人员的工作强度，提高变电站异常的处理效率的技术效果，进而解决了在变电站发生异常时需要人工查看视频监控，导致无法及时准确地对变电站异常进行处理的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的变电站状态的处理方法的流程图；
图2是根据本发明实施例的变电站状态的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种变电站状态的处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的变电站状态的处理方法的流程图，如图1所示，该变电站状态的处理方法包括如下步骤：
步骤S102，获取变电站在视频场景下的采样数据；
步骤S104，确定采样数据对应的图谱数据；
步骤S106，将图谱数据与图谱数据阈值进行比较，得到比较结果；
步骤S108，依据比较结果，确定变电站在视频场景下的状态。
在一种可选的实施方式中，当视频画面中有如电火花、冒烟、起火等异常时，依靠布置在变电站内的基于边缘计算的终端，可判定视频画面与常态模型不符，并将该告警内容推送调控中心，供调控人员及时查看，迅速反应，及时故障定位和处理。
通过上述步骤，可以通过将采样数据对应的图谱数据与图谱数据阈值进行比较，并基于比较结果确定变电站在视频场景下的状态，达到了准确、快速地获知变电站在视频场景下的状态的目的，从而实现了降低工作人员的工作强度，提高变电站异常的处理效率的技术效果，进而解决了在变电站发生异常时需要人工查看视频监控，导致无法及时准确地对变电站异常进行处理的技术问题。
可选地，依据比较结果，确定变电站在视频场景下的状态，包括：在比较结果为图谱数据大于或者等于图谱数据阈值的情况下，确定变电站在视频场景下处于异常状态；或者，在比较结果为图谱数据小于图谱数据阈值的情况下，确定变电站在视频场景下处于正常状态。
在一种可选的实施方式中，需要将采样数据对应的图谱数据与图谱数据阈值进行比较，如果图谱数据大于或者等于图谱数据阈值，则可以确定变电站在视频场景下处于异常状态；如果图谱数据小于图谱数据阈值，则可以确定变电站在视频场景下处于正常状态。通过上述实施方式可以利用图谱数据与图谱数据阈值之间的比较来判定变电站在视频场景下的状态，减少调度人员人工查看时间，及时有效的实现故障的定位，发现变电站火灾和火灾隐患，处理分析和决策，有利于相关人员准确判定和处理故障隐患，大幅提升故障处置的质量及效率。
可选地，确定采样数据对应的图谱数据，包括：基于傅里叶变换的方式将采样数据转换为图谱数据，其中，图谱数据包括以下至少之一：频域图谱、时域图谱。
在一种可选的实施方式中，可以利用傅里叶变换将采样数据转换为频域图谱和/或时域图谱。通过上述实施方式可以得到变电站在视频场景下的场景特征，便于后续将该场景特征与常态特征进行比较以确定变电站的运行状态。
可选地，在将图谱数据与图谱数据阈值进行比较，得到比较结果之前，还包括：基于变电站常态模型，确定采样数据对应的图谱数据阈值。
在一种可选的实施方式中，可以通过机器学习训练得到的变电站常态模型，来得到采样数据对应的图谱数据阈值，此时的图谱数据阈值为变电站在视频场景下处于正常状态的图谱数据。通过上述实施方式可以快速、准确的得到采样数据对应的图谱数据阈值。需要说明的是，上述图谱数据阈值包括但不限于频域图谱阈值、时域图谱阈值等。
可选地，基于变电站常态模型，确定采样数据对应的图谱数据阈值，包括：使用变电站在视频场景下处于正常状态的多组训练数据，通过无监督机制学习训练得到变电站常态模型，其中，多组训练数据中的每组训练数据包括：不同类型的采样数据以及采样数据对应的图谱数据阈值；将采样数据输入变电站常态模型，由变电站常态模型输出图谱数据阈值。
上述多组训练数据可以是变电站在正常视频场景下的采样数据，同时，为了避免由于光线明暗变换将站内正常场景误判为异常，可以采集一年内不同时间的采样数据，也可以采集一天24小时的采样数据，进而将这些采样数据作为训练数据来训练变电站常态模型。
另外，利用傅里叶变换的方式将多组训练数据中不同类型的采样数据转换成对应的图谱数据阈值，利用不同类型的采样数据及其对应的图谱数据阈值作为多组训练数据，并通过无监督机制学习训练得到变电站常态模型。
需要说明的是，由于变电站监控视频中的场景绝大多数情况下都是正常的，异常情况很少出现，变电站学习样本稀少，机器学习困难的状况。通过对变电站内视频序列中不同的行为模式进行分析和统计，找出那些出现概率小的事件或行为作为异常。例如，火灾是小概率事件，很难获得穷尽各种烟火形态的训练数据，我们可以只对正常数据建模，也就是建立变电站常态模型，当烟火出现时，场景特征会偏离常态，如果判决其与变电站常态模型不符，则报警。
上述无监督机制学习可以采用聚类算法或者降维算法来实现，例如，K均值聚类算法可以将n个观测聚类或者分组k个聚类，使得中心对应于各个组的各自的平均值。又例如，降维算法可以查找到数据之间的潜在的关系等。通过利用无监督机制学习不需要标记训练样本，有效避免了有监督学习需要人工标记训练样本和异常样本难获取的缺点，同时更契合变电站视频场景着火异常训练样本稀少的特点。
可选地，在确定变电站在视频场景下处于异常状态之后，还包括：向目标对象推送关于异常状态的告警内容，其中，告警内容包括以下至少之一：异常视频画面、异常位置。
上述目标对象包括但不限于调控中心设备、移动终端等，例如，可以向调控中心设备推送有关异常状态的告警内容，使得调控中心的相关人员能够了解变电站的异常视频画面、异常位置等异常状态的告警内容，进而有利于调度员决策以及及时调度相关人员进行现场的异常处理。另外，还可以将距离变电站距离近的移动终端推送有关异常状态的告警内容，需要说明的是，变电站的运维人员可以通过该移动设备及时掌握变电站的运行状态，并对变电站的异常状态进行高效的处理。
在一种可选的实施方式中，在目标对象为移动终端时，向目标对象推送关于异常状态的告警内容，包括：获取移动终端的位置信息以及变电站的位置信息，其中，该位置信息可以为经纬度坐标、相对于固定参照物的坐标等；根据移动终端的位置信息与变电站的位置信息，得到移动终端与变电站之间的距离；在该距离小于距离阈值的情况下，则向该移动终端推送关于异常状态的告警内容。上述距离阈值可以根据具体应用场景而设置，例如，距离阈值可以为50m、100m等。通过上述实施方式可以实现向预定范围内的移动终端推送关于异常状态的告警内容，由于推送对象距离比较近，可以大大提升应对变电站异常的能力。
需要说明的是，上述告警内容包括但不限于异常视频画面、异常位置，还可以提供异常类型、异常解决建议等。
可选地，上述异常状态包括以下至少之一：着火异常、电火花异常、烟雾异常。
在一种可选的实施方式中，上述异常状态为变电设备在运维或者操作的过程中出现的不正常工作状态，在具体实施过程中，上述异常状态包括但不限于着火异常、电火花异常、烟雾异常。
在一种可选的实施方式中，利用人工智能领域的机器识别技术自动分析、捕捉变电站工业视频监控画面中的着火、冒烟、放电、闪络等典型故障现象并推送告警信息给调控人员查看，不仅能降低电网故障紧急处理时调控人员的工作强度，而且有助于调控人员电网故障的准确判断和快速处理。
实施例2
根据本发明实施例的另一方面，还提供了一种变电站状态的处理装置，图2是根据本发明实施例的变电站状态的处理装置的示意图，如图2所示，该变电站状态的处理装置包括：获取模块22、第一确定模块24、比较模块26和第二确定模块28。下面对该变电站状态的处理装置进行详细说明。
获取模块22，用于获取变电站在视频场景下的采样数据；第一确定模块24，连接至上述获取模块22，用于确定采样数据对应的图谱数据；比较模块26，连接至上述第一确定模块24，用于将图谱数据与图谱数据阈值进行比较，得到比较结果；第二确定模块28，连接至上述比较模块26，用于依据比较结果，确定变电站在视频场景下的状态。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；和/或，上述各个模块以任意组合的方式位于不同的处理器中。
在上述实施例中，该变电站状态的处理装置可以通过将采样数据对应的图谱数据与图谱数据阈值进行比较，并基于比较结果确定变电站在视频场景下的状态，达到了准确、快速地获知变电站在视频场景下的状态的目的，从而实现了降低工作人员的工作强度，提高变电站异常的处理效率的技术效果，进而解决了在变电站发生异常时需要人工查看视频监控，导致无法及时准确地对变电站异常进行处理的技术问题。
此处需要说明的是，上述获取模块22、第一确定模块24、比较模块26和第二确定模块28对应于实施例1中的步骤S102至S108，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选地，上述第二确定模块28包括：第一确定单元，用于在比较结果为图谱数据大于或者等于图谱数据阈值的情况下，确定变电站在视频场景下处于异常状态；或者，第二确定单元，用于在比较结果为图谱数据小于图谱数据阈值的情况下，确定变电站在视频场景下处于正常状态。
可选地，上述第一确定模块24包括：转换单元，用于基于傅里叶变换的方式将采样数据转换为图谱数据，其中，图谱数据包括以下至少之一：频域图谱、时域图谱。
可选地，上述装置还包括：第三确定模块，用于在将图谱数据与图谱数据阈值进行比较，得到比较结果之前，基于变电站常态模型，确定采样数据对应的图谱数据阈值。
可选地，上述第三确定模块包括：训练单元，用于使用变电站在视频场景下处于正常状态的多组训练数据，通过无监督机制学习训练得到变电站常态模型，其中，多组训练数据中的每组训练数据包括：不同类型的采样数据以及采样数据对应的图谱数据阈值；处理单元，用于将采样数据输入变电站常态模型，由变电站常态模型输出图谱数据阈值。
可选地，上述装置还包括：推送模块，用于在确定变电站在视频场景下处于异常状态之后，向目标对象推送关于异常状态的告警内容，其中，告警内容包括以下至少之一：异常视频画面、异常位置。
可选地，上述异常状态包括以下至少之一：着火异常、电火花异常、烟雾异常。
实施例3
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的变电站状态的处理方法。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，和/或位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取变电站在视频场景下的采样数据；确定采样数据对应的图谱数据；将图谱数据与图谱数据阈值进行比较，得到比较结果；依据比较结果，确定变电站在视频场景下的状态。
实施例4
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述中任意一项的变电站状态的处理方法。
本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取变电站在视频场景下的采样数据；确定采样数据对应的图谱数据；将图谱数据与图谱数据阈值进行比较，得到比较结果；依据比较结果，确定变电站在视频场景下的状态。
本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取变电站在视频场景下的采样数据；确定采样数据对应的图谱数据；将图谱数据与图谱数据阈值进行比较，得到比较结果；依据比较结果，确定变电站在视频场景下的状态。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种变电站状态的处理方法，其特征在于，包括：
获取变电站在视频场景下的采样数据；
确定所述采样数据对应的图谱数据；
将所述图谱数据与图谱数据阈值进行比较，得到比较结果；
依据所述比较结果，确定所述变电站在视频场景下的状态。
2.根据权利要求1所述的方法，其特征在于，依据所述比较结果，确定所述变电站在视频场景下的状态，包括：
在所述比较结果为所述图谱数据大于或者等于所述图谱数据阈值的情况下，确定所述变电站在视频场景下处于异常状态；
或者，
在所述比较结果为所述图谱数据小于所述图谱数据阈值的情况下，确定所述变电站在视频场景下处于正常状态。
3.根据权利要求1所述的方法，其特征在于，确定所述采样数据对应的图谱数据，包括：
基于傅里叶变换的方式将所述采样数据转换为图谱数据，其中，所述图谱数据包括以下至少之一：频域图谱、时域图谱。
4.根据权利要求1所述的方法，其特征在于，在将所述图谱数据与图谱数据阈值进行比较，得到比较结果之前，还包括：
基于所述变电站常态模型，确定所述采样数据对应的所述图谱数据阈值。
5.根据权利要求4所述的方法，其特征在于，基于所述变电站常态模型，确定所述采样数据对应的所述图谱数据阈值，包括：
使用所述变电站在视频场景下处于正常状态的多组训练数据，通过无监督机制学习训练得到变电站常态模型，其中，所述多组训练数据中的每组训练数据包括：不同类型的采样数据以及所述采样数据对应的图谱数据阈值；
将所述采样数据输入所述变电站常态模型，由所述变电站常态模型输出所述图谱数据阈值。
6.根据权利要求1所述的方法，其特征在于，在确定所述变电站在视频场景下处于异常状态之后，还包括：
向目标对象推送关于所述异常状态的告警内容，其中，所述告警内容包括以下至少之一：异常视频画面、异常位置。
7.根据权利要求6所述的方法，其特征在于，所述异常状态包括以下至少之一：着火异常、电火花异常、烟雾异常。
8.一种变电站状态的处理装置，其特征在于，包括：
获取模块，用于获取变电站在视频场景下的采样数据；
第一确定模块，用于确定所述采样数据对应的图谱数据；
比较模块，用于将所述图谱数据与图谱数据阈值进行比较，得到比较结果；
第二确定模块，用于依据所述比较结果，确定所述变电站在视频场景下的状态。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的变电站状态的处理方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的变电站状态的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693585.XA CN113420654A (zh) | 2021-06-22 | 2021-06-22 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693585.XA CN113420654A (zh) | 2021-06-22 | 2021-06-22 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420654A true CN113420654A (zh) | 2021-09-21 |
Family
ID=77717697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110693585.XA Pending CN113420654A (zh) | 2021-06-22 | 2021-06-22 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420654A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001082444A1 (en) * | 2000-04-20 | 2001-11-01 | The Power Generation Company Ltd. | Generator protection apparatus |
| CA2818453A1 (en) * | 2009-12-08 | 2011-06-16 | Energie H.T. International Inc. | Detecting an abnormality of a switch in a high voltage electrical substation |
| WO2013073004A1 (ja) * | 2011-11-15 | 2013-05-23 | 株式会社エニイワイヤ | 入力信号異常検出方式、およびその方式に使用する子局ターミナル |
| WO2016149699A1 (en) * | 2015-03-19 | 2016-09-22 | Abb Inc. | Secured fault detection in a power substation |
| CN110247800A (zh) * | 2019-06-18 | 2019-09-17 | 国网四川省电力公司内江供电公司 | 一种智能变电站交换机在线监测系统 |
| CN110347561A (zh) * | 2019-06-11 | 2019-10-18 | 平安科技（深圳）有限公司 | 监控告警方法及终端设备 |
| CN110400387A (zh) * | 2019-06-26 | 2019-11-01 | 广东康云科技有限公司 | 一种基于变电站的联合巡检方法、系统和存储介质 |
| CN111541877A (zh) * | 2020-05-18 | 2020-08-14 | 国网河南省电力公司南阳供电公司 | 一种变电站设备自动监测系统 |
| CN111598007A (zh) * | 2020-05-18 | 2020-08-28 | 国网河南省电力公司南阳供电公司 | 一种变电站设备自动监测方法 |
| CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
| CN112484843A (zh) * | 2020-11-23 | 2021-03-12 | 国网北京市电力公司 | 变电站的状态分析方法及装置、电子设备 |
| CN112800116A (zh) * | 2021-04-08 | 2021-05-14 | 腾讯科技（深圳）有限公司 | 一种业务数据的异常检测方法及装置 |
| CN112988527A (zh) * | 2019-12-13 | 2021-06-18 | 中国电信股份有限公司 | Gpu管理平台异常检测方法、装置以及存储介质 |
-
2021
- 2021-06-22 CN CN202110693585.XA patent/CN113420654A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001082444A1 (en) * | 2000-04-20 | 2001-11-01 | The Power Generation Company Ltd. | Generator protection apparatus |
| CA2818453A1 (en) * | 2009-12-08 | 2011-06-16 | Energie H.T. International Inc. | Detecting an abnormality of a switch in a high voltage electrical substation |
| WO2013073004A1 (ja) * | 2011-11-15 | 2013-05-23 | 株式会社エニイワイヤ | 入力信号異常検出方式、およびその方式に使用する子局ターミナル |
| WO2016149699A1 (en) * | 2015-03-19 | 2016-09-22 | Abb Inc. | Secured fault detection in a power substation |
| CN110347561A (zh) * | 2019-06-11 | 2019-10-18 | 平安科技（深圳）有限公司 | 监控告警方法及终端设备 |
| CN110247800A (zh) * | 2019-06-18 | 2019-09-17 | 国网四川省电力公司内江供电公司 | 一种智能变电站交换机在线监测系统 |
| CN110400387A (zh) * | 2019-06-26 | 2019-11-01 | 广东康云科技有限公司 | 一种基于变电站的联合巡检方法、系统和存储介质 |
| CN112988527A (zh) * | 2019-12-13 | 2021-06-18 | 中国电信股份有限公司 | Gpu管理平台异常检测方法、装置以及存储介质 |
| CN111541877A (zh) * | 2020-05-18 | 2020-08-14 | 国网河南省电力公司南阳供电公司 | 一种变电站设备自动监测系统 |
| CN111598007A (zh) * | 2020-05-18 | 2020-08-28 | 国网河南省电力公司南阳供电公司 | 一种变电站设备自动监测方法 |
| CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
| CN112484843A (zh) * | 2020-11-23 | 2021-03-12 | 国网北京市电力公司 | 变电站的状态分析方法及装置、电子设备 |
| CN112800116A (zh) * | 2021-04-08 | 2021-05-14 | 腾讯科技（深圳）有限公司 | 一种业务数据的异常检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| JUNHO HONG等: "Integrated Anomaly Detection for Cyber Security of the Substations", 《2014 IEEE PES GENERAL MEETING: CONFERENCE & EXPOSITION》, pages 1 * |
| 刘罡: "《基于信息融合的柴油机故障诊断方法研究》", 31 January 2017, 吉林大学出版社, pages: 106 * |
| 王英杰等: "大数据技术在特高压变电站运维中的应用", 《电力大数据》, no. 11, pages 74 - 77 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
| CN111310947A (zh) | 基于5g的建筑设施运维方法、设备、存储介质及系统 | |
| CN111734885B (zh) | 一种换流阀在线监测与评估的方法及系统 | |
| CN108872781B (zh) | 基于电力设施智能巡检的分析方法及装置 | |
| CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN111599031A (zh) | 一种电力巡检机器人巡检数据采集分析方法及系统 | |
| CN111045889A (zh) | 封闭网络设备状态监测系统、方法、装置及可读存储介质 | |
| CN114236309A (zh) | 输变电故障确定方法 | |
| CN113343998A (zh) | 电力机械表计读数监测系统、方法、计算机设备及应用 | |
| CN113723268B (zh) | 识别电网故障的方法、装置、计算机存储介质及处理器 | |
| CN111371180A (zh) | 变电站巡查监管与数据分析系统 | |
| CN113420654A (zh) | 变电站状态的处理方法、装置以及计算机可读存储介质 | |
| CN117081249A (zh) | 一种供电线路自动化监控管理平台及线路故障识别方法 | |
| CN110750500A (zh) | 一种智能变电站ccd文件与scd文件检验方法及系统 | |
| CN111060149A (zh) | 一种基于电力设备的数据监测方法及装置 | |
| CN110232769A (zh) | 基于大数据统计的分布式零售终端模块化预警方法 | |
| CN114550046A (zh) | 火灾隐患识别方法、装置、处理器、存储介质和电子设备 | |
| CN113078729B (zh) | 应用于变电站的操作检测方法、装置、电子设备及介质 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN114495007A (zh) | 变电站故障点监控方法及装置 | |
| CN108199482B (zh) | 维护提示方法及装置 | |
| CN110851329A (zh) | 一种机房状态诊断系统及方法 | |
| CN113779005B (zh) | 一次设备的缺陷评估方法和装置、存储介质 | |
| CN117994956B (zh) | 基于数字化智慧平台的预警方法、装置、设备以及介质 | |
| CN117639223A (zh) | 变电站的监控方法、装置、计算机设备及存储介质 |
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 |