CN113537376A - 基于神经网络技术的电网监控系统设备元件连接校核方法 - Google Patents
基于神经网络技术的电网监控系统设备元件连接校核方法 Download PDFInfo
- Publication number
- CN113537376A CN113537376A CN202110853034.5A CN202110853034A CN113537376A CN 113537376 A CN113537376 A CN 113537376A CN 202110853034 A CN202110853034 A CN 202110853034A CN 113537376 A CN113537376 A CN 113537376A
- Authority
- CN
- China
- Prior art keywords
- interface
- information
- connection
- component interface
- error prompt
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000005477 standard model Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000012800 visualization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009429 electrical wiring Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于神经网络技术的电网监控系统设备元件连接校核方法。所述方法包括：响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息，根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息，基于元件接口问题信息，生成错误提示图像，其中，元件接口规范模型基于元件接口的规范信息训练得到。采用上述方法，能够省去人工检测元件接口的繁琐工作，且能够实现元件接口连接的精准检测，无需反复检测，大大提高了检测效率。
Description
技术领域
本申请涉及电力电网技术领域，特别是涉及一种基于神经网络技术的电网监控系统设备元件连接校核方法、装置、计算机设备和存储介质。
背景技术
随着电子化技术在电力网系统中越来越广泛的应用，研究应用于电力系统的图形系统引起了重视。电气接线图是电网中比较重要的图形，电力工作人员可通过它监视整个配电网中各个节点的运行状态，分析电网的拓扑结构等重要的数据。
传统的电气设备元件的接线图主要是由技术人员在绘图系统上进行绘制得到。由于电力站点的复杂性高，在绘图的过程难免会出现元件之间连接错误的问题。因此，对电力站点的电气设备元件进行检测是必不可少的。
目前，对电力站点的电气设备元件的检测方式通常是由非制图的技术人员采用人工的方式对电气设备元件的绘图进行检查，上述方式，检查的时间长，且因工作强度大的原因，容易出现误判，使得电力站点需要进行多次检测。如此，目前的电力站点的电气设备元件的检测方式存在检测效率不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够检测效率的基于神经网络技术的电网监控系统设备元件连接校核方法、装置、计算机设备和存储介质。
一种基于神经网络技术的电网监控系统设备元件连接校核方法，所述方法包括：
响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息；
根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息；
基于元件接口问题信息，生成错误提示图像；
其中，元件接口规范模型基于元件接口的规范信息训练得到。
在一个实施例中，根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息之前，还包括：
构建初始元件接口规范模型；
获取元件接口的规范信息，构建规范信息矩阵；
根据规范信息矩阵和预设电力站点的运行状态标签，训练构建初始元件接口规范模型，得到元件接口规范模型。
在一个实施例中，基于元件接口问题信息，生成错误提示图像包括：
若元件接口问题信息表征两个不同种类元件的接口不符合预设元件接口连接规范要求时，则根据元件接口问题信息，生成与电力线对应的错误提示图像，电力线用于连接两个不同种类元件的接口。
在一个实施例中，基于元件接口问题信息，生成错误提示图像包括：
若元件接口问题信息表征一个元件的一个接口不符合预设元件接口连接规范要求，则根据元件接口问题，生成与接口对应的错误提示图像。
在一个实施例中，基于元件接口问题信息，生成错误提示图像之后，还包括：
响应错误提示图像的操作信息，显示元件接口问题信息、并根据元件接口规范模型，生成、并显示修改建议信息。
在一个实施例中，基于元件接口问题信息，生成错误提示图像包括：
基于元件接口问题信息，结合预设的元件接口问题信息与错误提示图像的对应关系，生成错误提示图像。
在一个实施例中，错误提示图像包括不同颜色和不同形状的错误提示图像。
一种基于神经网络技术的电网监控系统设备元件连接校核装置，所述装置包括：
数据获取模块，用于响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息；
元件接口检测模块，用于根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息，其中，元件接口规范模型基于元件接口的规范信息训练得到；
可视化处理模块，用于基于元件接口问题信息，生成错误提示图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息；
根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息；
基于元件接口问题信息，生成错误提示图像；
其中，元件接口规范模型基于元件接口的规范信息训练得到。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息；
根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息；
基于元件接口问题信息，生成错误提示图像；
其中，元件接口规范模型基于元件接口的规范信息训练得到。
上述基于神经网络技术的电网监控系统设备元件连接校核方法、装置、计算机设备和存储介质，根据元件接口的规范信息预先训练得到元件接口规范模型，通过元件接口规范模型对元件接口的连接信息进行检测，得到不规范的元件接口问题信息，并基于元件接口问题信息，生成错误提示图像，使得用户可根据错误提示图像获知电力站点出现问题的地方，进而能够解决检测元件的接口问题，且提高了元件连接检测的准确性。综上所述，上述方案，省去人工检测元件接口的繁琐工作，且能够实现元件接口连接的精准检测，无需反复检测，大大提高了检测效率。
附图说明
图1为一个实施例中基于神经网络技术的电网监控系统设备元件连接校核方法的流程示意图；
图2为一个实施例中训练元件接口规范模型步骤的流程示意图；
图3为另一个实施例中基于神经网络技术的电网监控系统设备元件连接校核方法的流程示意图；
图4为一个实施例中基于神经网络技术的电网监控系统设备元件连接校核装置的结构框图；
图5为另一个实施例中基于神经网络技术的电网监控系统设备元件连接校核装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于神经网络技术的电网监控系统设备元件连接校核方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤202，响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息。
实际应用中，在完成电力站点绘图工作后，或者在完成电力站点绘图工作的阶段性工作后，用户需要对现有的电力站点绘图进行检测，可以在终端的电力网绘图平台进行电力站点绘图检测操作，然后，响应电力站点绘图检测操作，启动对电力站点中的元件接口的连接信息的检测流程，获取预存的电力站点绘图中元件接口的连接信息，元件接口的连接信息可以是元件接口的连接图。需要说明的是，电力站点绘图检测操作可以是对电力站点的单击操作，也可以是对电力站点的双击操作，本实施例对其不作具体限定。
步骤204，根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息，元件接口规范模型基于元件接口的规范信息训练得到。
规范信息包括IEC 61970规范信息，电力站点中的每个元件接口连接时需要符合IEC 61970规范信息，才能够使得电力站点能够正常运行。具体地，规范信息是指设备与设备之间的连接逻辑关系以及连接的连接线路信息，根据规范信息对神经网络进行学习，可以得到元件接口规范模型(以下可简称规范模型)，该规范模型包括电力站点中的各个元件接口正确的连接图像，不同的电力站点存在不同的电力站点规范，例如：电力站点中的规范信息符合IEC 61970标准，可以根据IEC 61970标准生成设备与设备之间的连接逻辑关系以及连接的连接线路信息。
本实施例中，元件接口规范模型基于元件接口的规范信息训练得到。具体地，可以是根据神经网络算法对元件接口的规范信息进行深度学习卷积计算，得到元件接口规范模型。然后，可以根据规范模型对每个元件接口的连接信息进行遍历，从而能够确定不符合规范信息的元件接口信息，对元件接口信息进行分析，得到接口问题信息。假设，元件接口的连接信息是A设备与B设备之间至少连接3条控制线以及一条传输线的连接图，那么，电力站点绘图中的A设备与B设备之间的连接是否符合规范模型，可以通过将电力站点绘图与规范模型进行比较，当电力站点绘图存在缺少连接线或者连接线连接错误情况时，生成错误提示图像。通过元件接口规范模型对每个元件接口的连接信息进行校核，能够快速检测出元件的接口问题，如缺少连接线或者连接线连接错误情况，得到元件接口问题信息。
步骤206，基于元件接口问题信息，生成错误提示图像。
当得到元件接口问题信息后，可以是在出现问题的元件接口处，生成错误提示图像。具体的，可以是根据不同的接口问题信息，生成不同类型的错误提示图像。错误提示图像可以包含图像信息，也可以包含图像信息和错误提示文字信息。通过生成错误提示图像，用户可直观地获知出现问题的元件接口，进而解决检测元件的接口问题。
上述基于神经网络技术的电网监控系统设备元件连接校核方法中，根据元件接口的规范信息预先训练得到元件接口规范模型，通过元件接口规范模型对元件接口的连接信息进行检测，得到不规范的元件接口问题信息，并基于元件接口问题信息，生成错误提示图像，使得用户可根据错误提示图像获知电力站点出现问题的地方，进而能够解决检测元件的接口问题，且提高了元件连接检测的准确性。综上所述，上述方案，省去人工检测的繁琐工作，且能够实现元件接口连接的精准检测，无需反复检测，大大提高了检测效率。
如图2所示，在一个实施例中，步骤204之前，还包括：
步骤203，构建初始元件接口规范模型；
步骤223，获取元件接口的规范信息，构建规范信息矩阵；
步骤243，根据规范信息矩阵和预设电力站点的运行状态标签，训练构建初始元件接口规范模型，得到元件接口规范模型。
预设电力站点的运行状态标签包括运行、热备用、冷备用以及检修4中状态标签。本实施例中，在得到规范模型之前，需要先构建学习模型。具体地，首先预先创建卷积神经网络的初始模型，搭建出依次连接的输入层、第一特征提取层、第一特征映射层、第二特征提取层、第二特征映射层、卷积层和输出层，得到初始元件接口规范模型。而后，获取元件接口的规范信息，构建规范信息矩阵，逐层训练卷积神经网络，利用两个设备之间的接口的规范信息矩阵和运行状态标签，使规范信息数据矩阵作为输入层，经过逐级的变换，确定模型参数，得到规范模型。本实施例中，通过训练元件接口规范模型，使得通过元件接口规范模型能够快速完成元件接口检测，提高检测效率。
在一个实施例中，错误提示图像包括不同颜色和不同形状的错误提示图像。
具体实施时，错误提示图像可以是针对根据元件接口问题的不同，分为填充色不同和形状不同的图像，例如对某一元件接口上生成红色的交叉形状的图像，在另一元件接口生成蓝色的圆点状的图像。本实施例对其不作具体限定。实际应用中，与电力线对应的错误提示图像在电力网绘图平台中以连接线图像进行显示。例如，当电力线存在过载的情况时，错误提示图像为红色图像，当电力线过载达到80％时，错误提示图像为蓝色图像，当电力线过载低于80％时，错误提示图像为绿色图像。本实施例中，通过生成不同颜色和不同形状的错误提示图像，能够非常直观反映出元件接口的问题类型。
如图3所示，在一个实施例中，基于元件接口问题信息，生成错误提示图像包括：步骤226，基于元件接口问题信息，结合预设的元件接口问题信息与错误提示图像的对应关系，生成错误提示图像。
具体实施时，预设有不同的元件接口问题信息与输出图像的对应关系，可直接根据元件接口问题信息，生成相应的错误提示图像。例如，当接口问题信息为接口与接口之间连接错误，那么输出该连接错误对应的图像。本实施例中，通过预设的元件接口问题信息与错误提示图像的对应关系，能够快速准确地生成相应的错误提示图像。
在一个实施例中，基于元件接口问题信息，生成错误提示图像包括：若元件接口问题信息表征两个不同种类元件的接口不符合预设元件接口连接规范要求时，则根据元件接口问题信息，生成与电力线对应的错误提示图像，电力线用于连接两个不同种类元件的接口。
具体实施时，若元件接口问题信息表征为两个不同种类元件的接口存在问题，则判断得出存在的问题为连接两个接口的电力线出现问题，那么，可以根据元件接口问题信息对用于连接两个不同种类元件的接口的电力线进行可视化处理，生成与电力线对应的错误提示图像。本实施例中，可以是在电力线上生成错误提示图像，以告知用户该电力线存在问题。具体地，电力线的问题可以是电力线的规格存在问题，也可以是电力线的种类出现问题，本实施例对其不作具体限定。错误提示图像可以是在电力线上生成第一颜色的线状的图像，可以是在电力线中间位置生成交叉形状的图像，本实施例对其不作具体限定。本实施例中，通过生成错误提示图像能够直观告知用户问题所在，以便快速解决问题。
在一个实施例中，基于元件接口问题信息，生成错误提示图像包括：若元件接口问题信息表征一个元件的一个接口不符合预设元件接口连接规范要求，则根据元件接口问题，生成与接口对应的错误提示图像。
若元件接口问题信息表征为一个元件的一个接口存在问题，则可以根据接口问题信息对出现问题的接口进行可视化处理，在该接口上生成错误提示图像，以告知用户该接口存在问题。具体的，可以是在该接口上生成圆点状的图像。可以理解的是，在其他实施例中，可以在接口上生成三角形以及其他形状的图像，在此不做限定。本实施例中，通过根据不同的元件接口问题生成不同的错误提示图像，能够便于区别接口问题，直观明了。
在一个实施例中，基于元件接口问题信息，生成错误提示图像之后，还包括：步骤208，响应错误提示图像的操作信息，显示元件接口问题信息、并根据元件接口规范模型，生成、并显示修改建议信息。
具体实施时，当生成错误提示图像之后，用户可通过错误提示图像获知存在的问题的元件接口的具体位置，然后，用户可以对错误提示图像进行点击操作，以获取接口问题信息以及修改建议信息。响应错误提示图像的点击操作，显示元件接口问题信息，同时，根据规范模型生成修改建议信息。在生成修改建议信息后，可以对修改建议信息进行可视化处理，生成连接线，该连接线可以包括正确的连接关系，也可以是正确的电力线规格，本实施例对其不作具体限定。错误提示图像的操作信息可以是对错误提示图像的单击操作，也可以是对错误提示图像的双击操作，本实施例对其不作具体限定。元件接口问题信息可以通过对话框以及文字的方式进行显示，也可以是通过纯文字的方式进行显示，在此不作具体限定。本实施例中，通过显示元件接口问题信息、生成修改建议，能够直观反映正确的元件接口连接关系，使用户快速获知具体的问题点，并据此及时调整元件接口的连接关系，提高纠正绘图问题的效率。
应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于神经网络技术的电网监控系统设备元件连接校核装置，包括：数据获取模块510、元件接口检测模块520和可视化处理模块530，其中：
数据获取模块510，用于响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息。
元件接口检测模块520，用于根据元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息，其中，元件接口规范模型基于元件接口的规范信息训练得到。
可视化处理模块530，用于基于元件接口问题信息，生成错误提示图像。
上述基于神经网络技术的电网监控系统设备元件连接校核装置，根据元件接口的规范信息预先训练得到元件接口规范模型，通过元件接口规范模型对元件接口的连接信息进行检测，得到不规范的元件接口问题信息，并基于元件接口问题信息，生成错误提示图像，使得用户可根据错误提示图像获知电力站点出现问题的地方，进而能够解决检测元件的接口问题，且提高了元件连接检测的准确性。综上所述，通过使用上述装置，省去人工检测的繁琐工作，且能够实现元件接口连接的精准检测，无需反复检测，大大提高了检测效率。
如图5所示，在一个实施例中，装置还包括模型训练模块540，用于构建初始元件接口规范模型，获取元件接口的规范信息，构建规范信息矩阵，根据规范信息矩阵和预设电力站点的运行状态标签，训练构建初始元件接口规范模型，得到元件接口规范模型。
在一个实施例中，可视化处理模块530还用于若元件接口问题信息表征两个不同种类元件的接口不符合预设元件接口连接规范要求时，则根据元件接口问题信息，生成与电力线对应的错误提示图像，电力线用于连接两个不同种类元件的接口。
在一个实施例中，可视化处理模块530还用于若元件接口问题信息表征一个元件的一个接口不符合预设元件接口连接规范要求，则根据元件接口问题，生成与接口对应的错误提示图像。
在一个实施例中，装置还包括修改建议生成模块550，用于响应错误提示图像的操作信息，显示元件接口问题信息、并根据元件接口规范模型，生成修改建议信息。
在一个实施例中，可视化处理模块530还用于对修改建议信息进行可视化处理，生成连接线。
关于基于神经网络技术的电网监控系统设备元件连接校核装置的具体实施例可以参见上文中对于基于神经网络技术的电网监控系统设备元件连接校核方法的实施例，在此不再赘述。上述基于神经网络技术的电网监控系统设备元件连接校核装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于神经网络技术的电网监控系统设备元件连接校核方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述基于神经网络技术的电网监控系统设备元件连接校核方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于神经网络技术的电网监控系统设备元件连接校核方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述方法包括：
响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息；
根据所述元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息；
基于所述元件接口问题信息，生成错误提示图像；
其中，所述元件接口规范模型基于元件接口的规范信息训练得到。
2.根据权利要求1所述的基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述根据所述元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息之前，还包括：
构建初始元件接口规范模型；
获取元件接口的规范信息，构建规范信息矩阵；
根据所述规范信息矩阵和预设电力站点的运行状态标签，训练所述构建初始元件接口规范模型，得到所述元件接口规范模型。
3.根据权利要求1所述的基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述基于所述元件接口问题信息，生成错误提示图像包括：
若所述元件接口问题信息表征两个不同种类元件的接口不符合预设元件接口连接规范要求，则根据所述元件接口问题信息，生成与电力线对应的错误提示图像，所述电力线用于连接所述两个不同种类元件的接口。
4.根据权利要求3所述的基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述基于所述元件接口问题信息，生成错误提示图像包括：
若所述元件接口问题信息表征一个元件的一个接口不符合预设元件接口连接规范要求，则根据所述元件接口问题，生成与接口对应的错误提示图像。
5.根据权利要求1所述的基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述基于所述元件接口问题信息，生成错误提示图像之后，还包括：
响应所述错误提示图像的点击操作，显示元件接口问题信息、并根据所述元件接口规范模型，生成、并显示修改建议信息。
6.根据权利要求1所述的基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述基于所述元件接口问题信息，生成错误提示图像包括：
基于所述元件接口问题信息，结合预设的元件接口问题信息与错误提示图像的对应关系，生成错误提示图像。
7.根据权利要求1所述的基于神经网络技术的电网监控系统设备元件连接校核方法，其特征在于，所述错误提示图像包括不同颜色和不同形状的错误提示图像。
8.一种基于神经网络技术的电网监控系统设备元件连接校核装置，其特征在于，所述装置包括：
数据获取模块，用于响应电力站点绘图检测操作，获取电力站点绘图中元件接口的连接信息；
元件接口检测模块，用于根据所述元件接口的连接信息和已训练的元件接口规范模型，确定不符合预设元件接口连接规范要求的元件接口信息，得到元件接口问题信息，其中，所述元件接口规范模型基于元件接口的规范信息训练得到；
可视化处理模块，用于基于所述元件接口问题信息，生成错误提示图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110853034.5A CN113537376A (zh) | 2021-07-27 | 2021-07-27 | 基于神经网络技术的电网监控系统设备元件连接校核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110853034.5A CN113537376A (zh) | 2021-07-27 | 2021-07-27 | 基于神经网络技术的电网监控系统设备元件连接校核方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537376A true CN113537376A (zh) | 2021-10-22 |
Family
ID=78089279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110853034.5A Pending CN113537376A (zh) | 2021-07-27 | 2021-07-27 | 基于神经网络技术的电网监控系统设备元件连接校核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537376A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251420A (ja) * | 1996-12-27 | 2002-09-06 | Mitsubishi Electric Corp | 図面データ作成装置 |
| CN104156219A (zh) * | 2014-08-20 | 2014-11-19 | 国家电网公司 | 一种基于本体技术的电力营配模型校验方法 |
| CN109829612A (zh) * | 2018-12-26 | 2019-05-31 | 深圳供电局有限公司 | 一种调度自动化装置信息校核方法及装置 |
| CN111079528A (zh) * | 2019-11-07 | 2020-04-28 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于深度学习的图元图纸校核方法及系统 |
| CN111625964A (zh) * | 2020-05-29 | 2020-09-04 | 广东电科院能源技术有限责任公司 | 基于逻辑关系构建变电站图模方法、系统及设备 |
-
2021
- 2021-07-27 CN CN202110853034.5A patent/CN113537376A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251420A (ja) * | 1996-12-27 | 2002-09-06 | Mitsubishi Electric Corp | 図面データ作成装置 |
| CN104156219A (zh) * | 2014-08-20 | 2014-11-19 | 国家电网公司 | 一种基于本体技术的电力营配模型校验方法 |
| CN109829612A (zh) * | 2018-12-26 | 2019-05-31 | 深圳供电局有限公司 | 一种调度自动化装置信息校核方法及装置 |
| CN111079528A (zh) * | 2019-11-07 | 2020-04-28 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于深度学习的图元图纸校核方法及系统 |
| CN111625964A (zh) * | 2020-05-29 | 2020-09-04 | 广东电科院能源技术有限责任公司 | 基于逻辑关系构建变电站图模方法、系统及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李昊 等: "基于深度学习和图匹配的接线图检测与校核", 《北京航空航天大学学报》, vol. 47, no. 3, 31 March 2021 (2021-03-31), pages 539 - 548 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9165100B2 (en) | Methods and apparatus to map schematic elements into a database | |
| CN108427632B (zh) | 自动测试方法及装置 | |
| US8423226B2 (en) | Dynamic decision sequencing method and apparatus for optimizing a diagnostic test plan | |
| CN107015901B (zh) | 一种日志分析方法及装置 | |
| WO2020226770A1 (en) | Providing performance views associated with performance of a machine learning system | |
| CN112149329B (zh) | 核电厂关键设备的状态预演方法、系统、设备及存储介质 | |
| JP2000356696A (ja) | 複雑系で診断を行う方法、複雑系でのエラー状態を診断する際に支援するための装置、及び、複雑系でのエラー状態を診断するシステム | |
| CN107291063A (zh) | 用于监控技术设施的运行的诊断装置和诊断方法 | |
| CN113823396A (zh) | 医疗设备管理方法、装置、计算机设备和存储介质 | |
| CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
| CN116452749A (zh) | 一种基于数字孪生的设备三维热成像方法、装置及设备 | |
| CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
| CN112729365A (zh) | 一种展示风力机传感器测点及调取数据的系统及方法 | |
| CN113537376A (zh) | 基于神经网络技术的电网监控系统设备元件连接校核方法 | |
| CN108802512B (zh) | 一种配电系统测试方法及装置 | |
| CN116126568B (zh) | 故障复现方法、装置、设备和可读存储介质 | |
| CN110704252A (zh) | 一种基于云端动态管理的自动测试装置和测试方法 | |
| CN115114152A (zh) | 基于控件属性和图像识别的自动化测试方法、系统、电子设备及存储介质 | |
| CN114638096A (zh) | 一种程序变量间的逻辑展示方法、装置、设备及存储介质 | |
| CN109101585B (zh) | 一种电网全景潮流图嵌入厂站接线画面的方法及装置 | |
| CN113222393A (zh) | 风险评估方法、装置、计算机设备和计算机可读存储介质 | |
| CN112395201A (zh) | Ats测试方法及装置 | |
| CN112052566A (zh) | 一种智能电缆模拟仿真方法及系统 | |
| CN107870854B (zh) | 图表库数据准确性测试方法和测试装置 | |
| CN111026307B (zh) | 一种用于快速关联图形组态工具中图元的方法及装置 |
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 |