CN113720399B - 特高压带电作业用绝缘吊带远程智能监测方法及装置 - Google Patents
特高压带电作业用绝缘吊带远程智能监测方法及装置 Download PDFInfo
- Publication number
- CN113720399B CN113720399B CN202111290173.8A CN202111290173A CN113720399B CN 113720399 B CN113720399 B CN 113720399B CN 202111290173 A CN202111290173 A CN 202111290173A CN 113720399 B CN113720399 B CN 113720399B
- Authority
- CN
- China
- Prior art keywords
- data
- compressed data
- processed
- data group
- compression
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明涉及人工智能领域,具体为一种特高压带电作业用绝缘吊带远程智能监测方法及装置,该方法包括:获取绝缘吊带的待处理数据组,每个时间周期内的待处理数据组构成一个数据组集合;预设循环压缩次数,利用自编码网络对每个数据组集合进行循环压缩;对于每个数据组集合,每次压缩后,基于压缩数据的压缩比和信息携带量、压缩数据对应的待处理数据组表征的吊带使用状态异常程度、该数据组集合对应时间周期内的电磁干扰程度计算每个压缩数据的得分,基于得分进行传输数据的选择;将选择的数据传输至控制中心,控制中心根据接收的数据进行绝缘吊带的远程监测,实现吊带使用状态与否的监测。本发明可以进行绝缘吊带使用状态的远程检测。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种特高压带电作业用绝缘吊带远程智能监测方法及装置。
背景技术
在进行绝缘子串、线夹更换等检修作业时需要绝缘吊带或绝缘拉棒临时转移绝缘子上的荷载进行安全进行带电检修工作。特高压带电作业用绝缘吊带在使用时同时承担绝缘和支撑大吨位导线荷载的作用,其使用时的安全状态至关重要,因此,有必要实时监测吊带的使用情况,进而确保人员和设备的安全。但现有的没有对绝缘吊带的使用状态进行监测的方法,因此,当吊带处于不安全状态时,往往不能及时发现而导致安全事故。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种特高压带电作业用绝缘吊带远程智能监测方法及装置,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种特高压带电作业用绝缘吊带远程智能监测方法,该方法包括以下具体步骤:
基于预设的时间周期,持续获取可表征吊带使用状态与否的绝缘吊带的待处理数据组,每个时间周期内的待处理数据组构成一个数据组集合;
预设循环压缩次数,利用自编码网络对每个数据组集合进行循环压缩,所述循环压缩为对数据组集合中的每个待处理数据组分别进行压缩,得到相应的压缩数据后,对压缩数据再进行压缩;
对于每个数据组集合,每次压缩后,基于压缩数据的压缩比和信息携带量、压缩数据对应的待处理数据组表征的吊带使用状态异常程度,以及该数据组集合对应时间周期内的电磁干扰程度计算每个压缩数据的得分,基于所述得分进行传输数据的选择;
将所选择的数据传输至控制中心,控制中心根据接收的数据进行绝缘吊带的远程监测,进而实现吊带使用状态与否的监测。
进一步地,在绝缘吊带上部属若干传感器,基于所述传感器获取待处理数据组,每次获取的待处理数据组中包括拉力数据和伸长量数据。
进一步地,循环压缩次数的获取具体为:f(c)=(T/sp)-Nc-1,T为预设的时间周期,sp为传感器的采样频率,N表示一个时间周期内获取N个待处理数据组,f(c)为0时对应的c值为循环压缩次数。
进一步地,进行下一次压缩前,需要对当前若干压缩数据进行个数调整,基于调整后的压缩数据进行下一次压缩,具体地:
当前有n个压缩数据,根据每个压缩数据对应待处理数据组表征的吊带使用状态异常程度计算该压缩数据的必要性占比,必要性占比与n的乘积为调整后该压缩数据的个数;
按照当前压缩数据的顺序,依次调整每个压缩数据的个数,调整后压缩数据的总个数不变。
进一步地,每个压缩数据的压缩比的获取具体为:根据压缩数据的字节的和与压缩数据对应的待处理数据组中数据字节的和的比值计算压缩比,所述比值越大,压缩比越小。
进一步地,每个压缩数据的信息携带量的获取具体为:压缩数据对应的待处理数据组表征的吊带使用状态异常程度的和与压缩数据的字节和的比值为信息携带量。
进一步地,每次获取的待处理数据组表征的吊带使用状态异常程度的获取具体为:利用神经网络对获取的待处理数据组进行处理,得到其表征的吊带使用状态异常程度。
进一步地,所述一个时间周期内电磁干扰程度的获取具体为:吊带上部署有硬件设备,硬件设备接收控制中心发送的验证信息,与存储的标准验证信息进行比对,根据比对后得到的信息完整度、缺失信息分散度和信息接收延迟度计算电磁干扰程度。
进一步地,每个压缩数据的得分的获取具体为:Yr=(By*yb)+Gr/xd,Yr表示该压缩数据的得分;By表示该压缩数据的传输必要性,基于该压缩数据对应待处理数据组表征的吊带使用状态异常程度获取所述传输必要性,传输必要性与吊带使用状态异常程度呈正相关关系;yb表示压缩比;Gr表示电磁干扰程度;xd表示该压缩数据的信息携带量。
第二方面,本发明另一个实施例提供了一种特高压带电作业用绝缘吊带远程智能监测装置,该装置具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种特高压带电作业用绝缘吊带远程智能监测方法的步骤。
本发明实施例至少具有如下有益效果:高压环境带电作业时,无线数据传输不可避免会受到较强的电磁干扰,因此,本发明结合数据压缩等技术来智能化决策电磁干扰环境下要传输的数据,确保实现有效的通信;控制中心对接收的数据进行解码,并进行模拟仿真,进行绝缘吊带使用状态的远程检测,保障作业人员和相关设备的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例绝缘吊带示意图;图中:1、锁扣;2、吊带;3、吊钩;4、拉力传感器;5、红外测距传感器;6、硬件设备;7、发送单元;8、数据处理单元;9、接收单元;10、连接线。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种特高压带电作业用绝缘吊带远程智能监测方法及装置,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例以下面的应用场景为例对本发明进行说明:
在进行绝缘子串、线夹更换等检修作业时需要绝缘吊带或绝缘拉棒临时转移绝缘子上荷载进行安全进行带电检修工作。特高压带电作业用绝缘吊带在使用时同时承担绝缘和支撑大吨位导线荷载的作用,其使用时的安全状态至关重要。因此有必要实时监测绝缘吊带安全状态,确保作业人员和设备的安全,同时高压场景下的电磁干扰很容易使得无线通信出现异常,因此,在对传感器数据进行传输时,需要进行传输数据的选择,减小电磁的干扰。
本发明的主要目的是:利用人工智能技术结合传感器数据,使得能够远程监测带电作业绝缘吊带使用时的安全状态,确保及时发现异常并进行吊带更换。
本发明一个实施例提供了一种特高压带电作业用绝缘吊带远程智能监测方法,该方法包括以下步骤:
步骤S1,基于预设的时间周期,持续获取可表征吊带使用状态与否的绝缘吊带的待处理数据组,每个时间周期内的待处理数据组构成一个数据组集合。
步骤S2,预设循环压缩次数,利用自编码网络对每个数据组集合进行循环压缩,所述循环压缩为对数据组集合中的每个待处理数据组分别进行压缩,得到相应的压缩数据后,对压缩数据再进行压缩。
步骤S3,对于每个数据组集合,每次压缩后,基于压缩数据的压缩比和信息携带量、压缩数据对应的待处理数据组表征的吊带使用状态异常程度,以及该数据组集合对应时间周期内的电磁干扰程度计算压缩数据的得分,基于所述得分进行传输数据的选择。
步骤S4,将所选择的数据传输至控制中心,控制中心根据接收的数据进行绝缘吊带的远程监测,进而实现吊带使用状态与否的监测。
下面对各个步骤进行详细说明:
步骤S1,基于预设的时间周期,持续获取可表征吊带使用状态与否的绝缘吊带的待处理数据组,每个时间周期内的待处理数据组构成一个数据组集合。
需要注意,相较传统的绝缘吊带,本发明中的绝缘吊带上布置了相应的传感器,如图1所示,包括锁扣1、吊带2、吊钩3、拉力传感器4、红外测距传感器5;拉力传感器4用于感知锁扣1和吊带2之间的拉力,红外测距传感器5布置于绝缘吊带两端,用于识别吊带的长度变化,获取吊带的伸长量数据;此外,吊带上部署有硬件设备6,硬件设备6中包括用于无线传输的发送单元7和接收单元9,以及数据处理单元8,其中,硬件设备布置在绝缘吊带上;传感器和硬件设备之间的数据传输为基于连接线10的不受电磁干扰的有线传输,即传感器基于有线通信的方式将采集的数据发送给硬件设备中的数据处理单元。
基于所述传感器获取待处理数据组,每次获取的待处理数据组中包括拉力数据和伸长量数据,待处理数据组用SC表示,则SC=[s1,s2,……,sm],m表示待处理数据组中包括的数据个数,优选地,实施例中根据一个拉力传感器和两个红外测距传感器,获取一个拉力数据和一个伸长量数据,因此m为2,即每次获取的待处理数据组中包括一个拉力数据和一个伸长量数据。需要注意,两个红外测距传感器,一个是红外发射传感器,用于发射红外光,另一个为红外接收传感器,用于接收红外光;根据光速来计算两个红外测距传感器之间的距离,该距离为吊带被拉伸后的吊带长度,再结合吊带未被拉伸时的初始长度,即可得到吊带的伸长量数据。
一个时间周期T内获取N次待处理数据组,则一个时间周期T内获取的待处理数据组构成的一个数据组集合为[SC1,SC2,……,SCN]。
步骤S2,预设循环压缩次数,利用自编码网络对每个数据组集合进行循环压缩,所述循环压缩为对数据组集合中的每个待处理数据组分别进行压缩,得到相应的压缩数据后,对压缩数据再进行压缩。
为了确保数据传输更加高效,且受到的干扰尽量小,所以需要对数据进行压缩操作,而常用的压缩方式为利用自编码神经网络进行压缩,即把高维度的传感器数据输入自编码网络后,得到的低维度的隐含层输出表示对应的压缩数据;自编码网络的输入层中包括m个神经元,m表示待处理数据组中包括m个数据,优选地,实施例中m为3,具体地,循环压缩为:
第一次压缩:对一个数据组集合中第一个待处理数据组进行压缩,得到压缩数据z1,对第二个待处理数据组进行压缩,得到压缩数据z2,……,直至对数据组集合中的待处理数据组均完成压缩,得到多个压缩数据z。
第二次压缩,对得到的每m个压缩数据z再进行压缩,得到多个压缩数据zz;同样的,第三次压缩为对得到的每m个压缩数据zz再进行压缩;后续的压缩过程不再具体描述。
需要说明,对每个待处理数据组进行压缩时,待处理数据组中的数据分别输入m个神经元中,经过自编码网络的处理,得到相应的压缩数据。对得到的每m个压缩数据进行压缩时,以前m个压缩数据z为例,将m个压缩数据z1,z2,……zm分别输入m个神经元中,得到压缩数据zz1。
需要说明,每次压缩后得到的压缩数据的维度是一样的,即压缩数据z、压缩数据zz和压缩数据zzz等压缩数据的维度是相同的,优选地,实施例中压缩数据的维度为二维。
具体地,循环压缩次数的获取具体为:f(c)=(T/sp)-Nc-1,T为预设的时间周期,sp为传感器的采样频率,N表示一个时间周期内获取N个待处理数据组,f(c)为0时对应的c值为循环压缩次数。
一种实施方式中,基于上述循环压缩后得到的压缩数据执行步骤S3和步骤S4。
优选地,为了减小电磁干扰对要传输的数据造成的影响,对吊带的使用状态进行精准监测,另一个实施方式中,在进行下一次压缩前,对当前若干压缩数据进行个数调整,基于调整后的压缩数据进行下一次压缩,按照该方式完成循环压缩后,再执行步骤S3和步骤S4;需要说明,下面步骤均基于对压缩数据进行个数调整后得到的压缩数据进行。
优选地,对当前若干压缩数据进行个数调整具体为:当前有n个压缩数据,根据每个压缩数据对应待处理数据组表征的吊带使用状态异常程度计算该压缩数据的必要性占比,必要性占比与n的乘积为调整后该压缩数据的个数;按照当前压缩数据的顺序,依次调整每个压缩数据的个数,调整后压缩数据的总个数不变;其中,必要性占比与n的乘积需要进行四舍五入取整操作;具体地,每个压缩数据的必要性占比的计算方法为:该压缩数据对应待处理数据组的传输必要性的和与对应的一个数据组集合中所有待处理数据组的传输必要性的和的比值为该压缩数据的必要性占比;其中,基于压缩数据对应待处理数据组表征的吊带使用状态异常程度获取压缩数据的传输必要性,传输必要性与吊带使用状态异常程度呈正相关关系,吊带使用状态异常程度值越大,说明该数据越有必要进行传输,即待处理数据组表征的吊带使用状态异常程度为yc,则该待处理数据组的传输必要性by=a*yc+b,a大于0,优选地,实施例中a=1,b=0;一个数据组集合对应的压缩数据的必要性占比的和为1。下面举例说明所述个数调整的具体调整方法:假设一个数据组集合对应的压缩数据为z1,z2,z3,z4,z5,对应的必要性占比分别为1/5,2/5,1/5,0,1/5,则调整后的压缩数据变为z1,z2,z2,z3,z5。
优选的,压缩数据对应的待处理数据组为:第一次压缩后,每个压缩数据对应一个待处理数据组,除了第一次压缩,之后每次压缩后得到的压缩数据均对应多个待处理数据组;例如,一个数据组集合中的待处理数据组为[SC1,SC2,SC3],第一次压缩后的压缩数据为[z1,z2,z3],则调整前压缩数据z1、z2、z3对应的待处理数据组分别为SC1、SC2、SC3,假设进行个数调整后的压缩数据为[z1,z1,z3],则调整后压缩数据z1、z1、z3对应的待处理数据组分别为SC1、SC1、SC3;第二次对压缩数据[z1,z1,z3]进行压缩后得到压缩数据zz1,假设进行个数调整后,压缩数据zz1还存在,则压缩数据zz1对应的待处理数据组为SC1、SC1、SC3;需要注意,若压缩数据对应的待处理数据组中有重复的待处理数据组,计算必要性占比时,该重复的待处理数据组表征的吊带使用状态异常程度要重复累加,不能只计算一次,后续计算压缩比也是一样。
步骤S3,对于每个数据组集合,每次压缩后,基于压缩数据的压缩比和信息携带量、压缩数据对应的待处理数据组表征的吊带使用状态异常程度,以及该数据组集合对应时间周期内的电磁干扰程度计算压缩数据的得分,基于所述得分进行传输数据的选择。
优选地,每个压缩数据对应的压缩比的获取具体为:根据压缩数据的字节的和与压缩数据对应的待处理数据组中数据字节的和的比值计算压缩比,所述比值越大,压缩比越小,具体地,1减去所述字节和的比值得到压缩比yb。
优选地,每个压缩数据对应的信息携带量的获取具体为:压缩数据对应的待处理数据组表征的吊带使用状态异常程度的和与该压缩数据中数据字节和的比值为信息携带量xd。
优选地,每次获取的待处理数据组表征的吊带使用状态异常程度的获取具体为:利用神经网络对获取的待处理数据组进行处理,得到其表征的吊带使用状态异常程度;具体地,实施例中神经网络为全连接网络,全连接网络的训练过程为:需要人为在室内安全高度下模拟高空的带电作业,采集传感器数据,并由人为进行判断和标注,给出吊带使用状态正常及异常程度的判断,标签的取值范围为[0,1],标签值越大,说明吊带使用状态越异常,继续使用吊带产生危险的可能性越大;利用采集到的传感器数据及人为标注的吊带使用状态异常程度训练全连接网络,选用均方差损失函数来进行回归任务。
优选地,所述一个时间周期内电磁干扰程度的获取具体为:吊带上部署有硬件设备,硬件设备接收控制中心发送的验证信息,具体地,硬件设备中的接收单元接收控制中心发送的验证信息,在数据处理单元中与存储的标准验证信息进行比对,根据比对后得到的信息完整度、缺失信息分散度和信息接收延迟度计算电磁干扰程度;优选地,实施例中标准验证信息为二进制字符串,控制中心按照预设时间间隔持续发送标准验证信息,具体地:
信息完整度的获取为:接收到的信息的字符长度ss与标准验证信息的字符长度sy的比值为信息完整度wz。
缺失信息分散度的获取为:qs=1-∑I i=1(q2 i/(sy-ss)2),qs为缺失信息分散度,I表示比对后共有I个位置存在信息缺失,qi表示第i个位置缺失的信息的字符长度。
信息接收延迟度的获取为:ys=(jt-jg)/jg,ys为信息接收延迟度,jt表示硬件设备本次接收到验证信息的接收时间与上一次接收到验证信息时的接收时间的时间间隔,jg表示控制中心发送标准验证信息的预设时间间隔。
具体地,根据信息完整度、缺失信息分散度和信息接收延迟度计算电磁干扰程度为:Gr= qs*ys/wz,信息完整度值越大,电磁干扰越小,二者呈反比;缺失信息分散度值越大,干扰程度越大,二者呈正比;信息接收延迟度值越大,电磁干扰越严重,二者呈正比;需要注意,本发明认为短时间间隔下,电磁干扰程度不变或变化程度可以接受。
优选地,传输必要性越高,越需要把该数据传输过去,则压缩比越大对应的后续的扩展次数就越多,越能够传输成功;电磁干扰度越高,越容易丢失数据,单个数据携带的信息量越小,丢失后带来的影响越小,结果越好;所以,传输必要性和电磁干扰程度两者互相牵制,一个要求压缩比越高越好,一个要求信息携带量越低越好;因此,每个压缩数据的得分的获取为:Yr=(By*yb)+Gr/xd,Yr表示该压缩数据的得分;By表示该压缩数据的传输必要性,其中,获取该压缩数据对应的每个待处理数据组的传输必要性by,对应的所有待处理数据组的传输必要性的和为该压缩数据的传输必要性By;yb表示压缩比;Gr表示电磁干扰程度;xd表示该压缩数据的信息携带量;传输必要性By高,要求yb也高,两者同向,都高,则数据得分更大;电磁干扰程度Gr高,要求xd要低,两者反向,Gr大,xd小,则数据得分更大。
至此,可得到每次压缩后每个压缩数据的得分。同理,按照上述计算方法可以计算每个待处理数据组的得分,其中,计算待处理数据组得分时,压缩比为0。
基于所述得分进行传输数据的选择,具体地:对于每个数据组集合,每次压缩后得到的所有压缩数据对应得分的均值,与该数据组集合中所有待处理数据组对应得分的均值进行比较,选择要传输的数据,即判断是传输该数据组集合中的所有待处理数据组,还是传输某一次压缩后得到的压缩数据,具体地,选择得分均值最大的数据进行传输。
需要注意,对于每个数据组集合,若该数据组集合对应的要传输的数据为压缩数据,对压缩数据进行复制扩展,直至扩展后的数据字节和接近该数据组集合中数据的字节和,避免过多信息的丢失;其中,根据该数据组集合中数据的字节和与压缩数据的字节和的比值计算扩展次数,例如该数据组集合中数据的字节和为100,压缩数据的字节和为20,则扩展5次,即要传输的数据中包括5组相同的压缩数据。
另一种实施方式中,可只比较每次压缩后得到的压缩数据的得分均值,在压缩数据中选择要传输的数据。
步骤S4,将所选择的数据传输至控制中心,控制中心根据接收的数据进行绝缘吊带的远程监测,进而实现吊带使用状态与否的监测。
硬件设备中的发送单元将相应的数据发送至控制中心,控制中心基于自编码网络进行解码,解码后基于传感器数据进行模拟仿真,获得准确性高的绝缘吊带的状态,从而准确判断吊带的使用状态,实现绝缘吊带的远程智能监测。
基于与上述方法实施例相同的发明构思,本发明一个实施例还提供了一种特高压带电作业用绝缘吊带远程智能监测装置,该装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种特高压带电作业用绝缘吊带远程智能监测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种特高压带电作业用绝缘吊带远程智能监测方法,其特征在于,该方法包括:
基于预设的时间周期,持续获取可表征吊带使用状态与否的绝缘吊带的待处理数据组,每个时间周期内的待处理数据组构成一个数据组集合;
预设循环压缩次数,利用自编码网络对每个数据组集合进行循环压缩,所述循环压缩为对数据组集合中的每个待处理数据组分别进行压缩,得到相应的压缩数据后,对压缩数据再进行压缩;其中,进行下一次压缩前,需要对当前若干压缩数据进行个数调整,基于调整后的压缩数据进行下一次压缩,具体地:当前有n个压缩数据,根据每个压缩数据对应待处理数据组表征的吊带使用状态异常程度计算该压缩数据的必要性占比,必要性占比与n的乘积为调整后该压缩数据的个数;按照当前压缩数据的顺序,依次调整每个压缩数据的个数,调整后压缩数据的总个数不变;
对于每个数据组集合,每次压缩后,基于压缩数据的压缩比和信息携带量、压缩数据对应的待处理数据组表征的吊带使用状态异常程度,以及该数据组集合对应时间周期内的电磁干扰程度计算每个压缩数据的得分,基于所述得分进行传输数据的选择;
将所选择的数据传输至控制中心,控制中心根据接收的数据进行绝缘吊带的远程监测,进而实现吊带使用状态与否的监测。
2.如权利要求1所述的方法,其特征在于,在绝缘吊带上部属若干传感器,基于所述传感器获取待处理数据组,每次获取的待处理数据组中包括拉力数据和伸长量数据。
3.如权利要求2所述的方法,其特征在于,循环压缩次数的获取具体为:f(c)=(T/sp)-Nc-1,T为预设的时间周期,sp为传感器的采样频率,N表示一个时间周期内获取N个待处理数据组,f(c)为0时对应的c值为循环压缩次数。
4.如权利要求3所述的方法,其特征在于,每个压缩数据的压缩比的获取具体为:根据压缩数据的字节的和与压缩数据对应的待处理数据组中数据字节的和的比值计算压缩比,所述比值越大,压缩比越小。
5.如权利要求4所述的方法,其特征在于,每个压缩数据的信息携带量的获取具体为:压缩数据对应的待处理数据组表征的吊带使用状态异常程度的和与压缩数据的字节和的比值为信息携带量。
6.如权利要求5所述的方法,其特征在于,每次获取的待处理数据组表征的吊带使用状态异常程度的获取具体为:利用神经网络对获取的待处理数据组进行处理,得到其表征的吊带使用状态异常程度。
7.如权利要求6所述的方法,其特征在于,所述一个时间周期内电磁干扰程度的获取具体为:吊带上部署有硬件设备,硬件设备接收控制中心发送的验证信息,与存储的标准验证信息进行比对,根据比对后得到的信息完整度、缺失信息分散度和信息接收延迟度计算电磁干扰程度。
8.如权利要求7所述的方法,其特征在于,每个压缩数据的得分的获取具体为:Yr=(By*yb)+Gr/xd,Yr表示该压缩数据的得分;By表示该压缩数据的传输必要性,基于该压缩数据对应待处理数据组表征的吊带使用状态异常程度获取所述传输必要性,传输必要性与吊带使用状态异常程度呈正相关关系;yb表示压缩比;Gr表示电磁干扰程度;xd表示该压缩数据的信息携带量。
9.一种特高压带电作业用绝缘吊带远程智能监测装置,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290173.8A CN113720399B (zh) | 2021-11-02 | 2021-11-02 | 特高压带电作业用绝缘吊带远程智能监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290173.8A CN113720399B (zh) | 2021-11-02 | 2021-11-02 | 特高压带电作业用绝缘吊带远程智能监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113720399A CN113720399A (zh) | 2021-11-30 |
CN113720399B true CN113720399B (zh) | 2022-04-15 |
Family
ID=78686475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290173.8A Active CN113720399B (zh) | 2021-11-02 | 2021-11-02 | 特高压带电作业用绝缘吊带远程智能监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113720399B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114314709B (zh) * | 2021-12-28 | 2022-11-15 | 南京扬子江生态环境产业研究院有限公司 | 一种农村生活污水智能监控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6721445B1 (en) * | 2000-01-31 | 2004-04-13 | Miriad Technologies | Method for detecting anomalies in a signal |
CN109186832A (zh) * | 2018-07-09 | 2019-01-11 | 国家电网有限公司 | 一种新型仓库吊绳智能辅助测量装置 |
CN109409782A (zh) * | 2018-11-23 | 2019-03-01 | 中建隧道建设有限公司 | 高处作业安全智能管理系统 |
CN111064705A (zh) * | 2019-11-22 | 2020-04-24 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
CN211245270U (zh) * | 2019-08-16 | 2020-08-14 | 天津市渤海新能科技有限公司 | 一种带感应功能的安全带 |
CN112023290A (zh) * | 2019-06-04 | 2020-12-04 | 建峰索具有限公司 | 一种智能安全带 |
WO2021001594A1 (en) * | 2019-07-03 | 2021-01-07 | Nokia Technologies Oy | Neural network for variable bit rate compression |
CN112763859A (zh) * | 2020-12-04 | 2021-05-07 | 绍兴精宸智能科技有限公司 | 一种自适应pca模型建立方法及超声加工局部放电检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3238854B2 (ja) * | 1995-02-21 | 2001-12-17 | 富士通株式会社 | データ圧縮方法及びデータ圧縮装置、並びにデータ復元方法及びデータ復元装置 |
JP4165451B2 (ja) * | 2003-08-11 | 2008-10-15 | セイコーエプソン株式会社 | 印刷システム、印刷要求端末および圧縮アルゴリズム選択プログラム、並びに印刷方法 |
US20050210054A1 (en) * | 2004-03-22 | 2005-09-22 | Michael Harris | Information management system |
EP3128432B1 (en) * | 2014-03-31 | 2021-08-11 | Mitsubishi Electric Corporation | Client device, data communication system, data communication method, and program |
JP2019047278A (ja) * | 2017-08-31 | 2019-03-22 | 沖電気工業株式会社 | 圧縮判定処理装置、プログラム及び方法、並びに、無線通信装置 |
US11902369B2 (en) * | 2018-02-09 | 2024-02-13 | Preferred Networks, Inc. | Autoencoder, data processing system, data processing method and non-transitory computer readable medium |
-
2021
- 2021-11-02 CN CN202111290173.8A patent/CN113720399B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6721445B1 (en) * | 2000-01-31 | 2004-04-13 | Miriad Technologies | Method for detecting anomalies in a signal |
CN109186832A (zh) * | 2018-07-09 | 2019-01-11 | 国家电网有限公司 | 一种新型仓库吊绳智能辅助测量装置 |
CN109409782A (zh) * | 2018-11-23 | 2019-03-01 | 中建隧道建设有限公司 | 高处作业安全智能管理系统 |
CN112023290A (zh) * | 2019-06-04 | 2020-12-04 | 建峰索具有限公司 | 一种智能安全带 |
WO2021001594A1 (en) * | 2019-07-03 | 2021-01-07 | Nokia Technologies Oy | Neural network for variable bit rate compression |
CN211245270U (zh) * | 2019-08-16 | 2020-08-14 | 天津市渤海新能科技有限公司 | 一种带感应功能的安全带 |
CN111064705A (zh) * | 2019-11-22 | 2020-04-24 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
CN112763859A (zh) * | 2020-12-04 | 2021-05-07 | 绍兴精宸智能科技有限公司 | 一种自适应pca模型建立方法及超声加工局部放电检测方法 |
Non-Patent Citations (2)
Title |
---|
A novel smart meter data compression method via stacked convolutional sparse auto-encoder;Shouxiang Wang等;《International Journal of Electrical Power & Energy Systems》;20191212;第118卷;第1-11页 * |
基于振动信号分析的旋转机械故障诊断方法研究;刘颉;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20190515;第22-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113720399A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113720399B (zh) | 特高压带电作业用绝缘吊带远程智能监测方法及装置 | |
CN108535589B (zh) | 一种故障电弧检测方法及装置 | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及系统 | |
CN104793062B (zh) | 一种基于农业物联网的田间终端设备防雷方法 | |
CN111327497A (zh) | 智能终端控制方法、装置、电子设备及存储介质 | |
CN110597130A (zh) | 一种无人值班变电站远程信息采集系统 | |
CN209434763U (zh) | 一种耐张绝缘子更换装置 | |
CN207967875U (zh) | 用于监测输电线路的安全后备保护线夹装置 | |
CN212846883U (zh) | 用于输电线路的监测系统 | |
CN107153160B (zh) | 一种风力发电机组全方位安全监控系统 | |
CN112578748A (zh) | 一种用于电缆生产流程的远程维管系统 | |
CN107358020A (zh) | 一种弧垂过大配网导线紧线长度计算方法 | |
CN116884159A (zh) | 一种基于ai识别的消防智能预警方法及系统 | |
CN116363984A (zh) | 一种显示屏闪烁校正方法及校正系统 | |
CN115840895B (zh) | 一种电子器件温度保护系统 | |
CN109242747A (zh) | 一种公共安全反恐综合应用平台分析系统及方法 | |
CN111680578A (zh) | 一种基于物联网的电缆生产过程实时监控系统 | |
CN106226845B (zh) | 一种从opgw振动信号中识别冰雹分布区域的方法 | |
CN113409781A (zh) | 一种5g智慧杆 | |
CN113507076A (zh) | 母线槽远程温湿度实时测控、反馈与控制系统 | |
CN117914450B (zh) | 基于云端控制的发电机组实时数据传输策略优化方法 | |
DE112019004709T5 (de) | Sprachgerät, server, steuersystem, steuerverfahren und programm | |
CN117923269A (zh) | 基于5g技术的物联网智慧电梯控制系统 | |
CN109975625A (zh) | 研究电力变压器短路辐向失稳关键因素的试验方法和装置 | |
CN117571117A (zh) | 一种通过振动频率监测判断架空线路状态的方法 |
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 |