CN113743355B - 开关装置状态校核方法、装置、系统和计算机设备 - Google Patents

开关装置状态校核方法、装置、系统和计算机设备 Download PDF

Info

Publication number
CN113743355B
CN113743355B CN202111081594.XA CN202111081594A CN113743355B CN 113743355 B CN113743355 B CN 113743355B CN 202111081594 A CN202111081594 A CN 202111081594A CN 113743355 B CN113743355 B CN 113743355B
Authority
CN
China
Prior art keywords
opening
closing state
switching device
image data
result
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
CN202111081594.XA
Other languages
English (en)
Other versions
CN113743355A (zh
Inventor
李强
邓集瀚
宋子洋
李金龙
许志浩
项鹏飞
郭纯海
刘世增
宋云海
赵灿圻
杜爱平
李浩丹
杨礼太
高雨杰
田松丰
高晗
周国恩
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.)
Dali Bureau of Extra High Voltage Transmission Co
Original Assignee
Dali Bureau of Extra High Voltage Transmission Co
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 Dali Bureau of Extra High Voltage Transmission Co filed Critical Dali Bureau of Extra High Voltage Transmission Co
Priority to CN202111081594.XA priority Critical patent/CN113743355B/zh
Publication of CN113743355A publication Critical patent/CN113743355A/zh
Application granted granted Critical
Publication of CN113743355B publication Critical patent/CN113743355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种开关装置状态校核方法、装置、系统和计算机设备。所述方法包括：获取开关装置的动作录音数据，提取动作录音数据的音频特征，当根据音频特征识别得到开关装置的第一分合闸状态结果时，获取开关装置的图像数据，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置的第二分合闸状态结果，根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的状态。采用本方法实现了开关装置的无人化监测，通过对开关装置的音频特征和图像数据分别进行音频维度的状态识别和图像维度的状态识别，得到多维度的状态识别结果，进而能够实现全面且准确的状态校核。

Description

开关装置状态校核方法、装置、系统和计算机设备
技术领域
本申请涉及电力设备状态监测技术领域，特别是涉及一种开关装置状态校核方法、装置、系统、计算机设备和存储介质。
背景技术
开关装置是变电站电气系统的关键组成部分，通过控制开关装置的分合闸状态，可以控制变电站的倒闸操作，实现变电站的正常工作。变电站中的开关装置通常包括高压断路器、高压负荷开关和高压隔离开关。高压断路器是电力系统中最重要的保护和控制设备，广泛用于各电压等级电网中，除了日常操作切断负荷电流，也要在故障发生时切断数倍于额定电流的故障电流，其可靠性和安全性直接关系到电网的安全稳定。
长期以来，许多电力故障发生以后通过查因才发现是开关装置如断路器的问题，而且都需要在停电状态下才能进行相应操作。因此，对开关装置进行在线实时监测显得尤为重要。且随着新型电力系统建设的快速推进，国内外使用GIS高压断路器数量呈指数上涨，开发一种高效智能的开关状态检验方法对保障电力系统稳定具有重要意义。
以断路器为例，室内GIS断路器分/合闸需要人为输入指令，但是在操作人员输入电机打压指令、断路器分或合指令后，容易出现电机打压时间过短或者时间过长，断路器动作(包括分/合闸)而其机械视觉没有变化或者相反变化或者断路器无动作且其机械视觉无变化的问题，而这些问题往往不能及时发现，隐藏着巨大的风险。因此，需要提供一种能够实时监控并校核断路器状态的方案。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实时监测断路器状态的开关装置状态校核方法、装置、系统、计算机设备和存储介质。
一种开关装置状态校核方法，所述方法包括：
获取开关装置的动作录音数据，提取动作录音数据的音频特征；
根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果，获取开关装置的图像数据；
检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果；
根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的分合闸状态。
在一个实施例中，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果包括：
根据SSD(Single Shot MultiBox Detector，单激发多盒探测器)目标检测算法，检测图像数据的分合闸状态指示目标区域；
对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果；
将颜色识别结果转化为第二分合闸状态结果。
在一个实施例中，根据SSD目标检测算法，检测图像数据的分合闸状态指示目标区域包括：
将图像数据输入至已训练的SSD目标检测网络，得到图像数据的分合闸状态指示目标区域，已训练的SSD目标检测网络基于开关装置的携带分合闸状态标签的历史图像数据训练得到。
在一个实施例中，已训练的SSD目标检测网络采用下述方式检测出图像数据的分合闸状态指示目标区域：
提取图像数据的特征图，根据特征图生成多个预测框；
确定各预测框的类别和置信度；
筛选出置信度大于或等于预设置信度阈值的初始预测框；
对初始预测框进行解码，根据置信度对解码后的初始预测框进行排序；
采用非极大值抑制算法对排序后的初始预测框进行筛选，得到目标预测框，目标预测框表征分合闸状态指示目标区域。
在一个实施例中，根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果包括：
将音频特征输入至已训练的DNN(Deep Neural Networks，深度神经网络)神经网络以进行音频特征分类，得到分类结果，分类结果包括分闸音频特征或合闸音频特征；
根据分类结果，得到开关装置的第一分合闸状态结果。
在一个实施例中，提取动作录音数据的音频特征包括：
利用梅尔倒谱系数提取动作录音数据的音频特征。
在一个实施例中，对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果包括：
利用opencv对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果。
一种开关装置状态校核装置，装置包括：
音频特征提取模块，用于获取开关装置的动作录音数据，提取动作录音数据的音频特征；
第一分合闸状态结果识别模块，用于根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果时，获取开关装置的图像数据；
第二分合闸状态结果识别模块，用于检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果；
状态确定模块，用于根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的状态。
一种开关装置状态校核系统，包括数据采集模块、数据处理模块以及数据传送模块；
数据采集模块采集开关装置的动作录音数据和图像数据，将开关装置的动作录音数据和图像数据发送至数据处理模块，数据处理模块提取动作录音数据的音频特征，根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果，获取开关装置的图像数据，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果，根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的分合闸状态，将开关装置的分合闸状态通过数据传送模块发送至外部服务器。
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：
获取开关装置的动作录音数据，提取动作录音数据的音频特征；
根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果，获取开关装置的图像数据；
检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果；
根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的分合闸状态。
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：
获取开关装置的动作录音数据，提取动作录音数据的音频特征；
根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果，获取开关装置的图像数据；
检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果；
根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的分合闸状态。
上述开关装置状态校核方法、装置、电力设备和存储介质，获取开关装置的动作录音数据，提取动作录音数据的音频特征，当根据音频特征识别得到开关装置的第一分合闸状态结果时，获取开关装置的图像数据，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置的第二分合闸状态结果，根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的状态。上述方案，实现了开关装置的无人化的在线实时监测，通过对开关装置的音频特征和图像数据分别进行音频维度的状态识别和图像维度的状态识别，得到多维度的状态识别结果，能够实现全面且准确的状态校核。
附图说明
图1为一个实施例中开关装置状态校核方法的流程示意图；
图2为另一个实施例中开关装置状态校核方法的流程示意图；
图3为一个实施例中SSD目标检测网络检测分合闸状态指示目标区域步骤的流程示意图；
图4为一个实施例中开关装置状态校核装置的结构框图；
图5为一个实施例中开关装置状态校核系统的结构框图；
图6为另一个实施例中开关装置状态校核系统的结构框图；
图7为一个实施例中计算机设备的内部结构框图。
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，提供了一种开关装置状态校核方法，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，获取开关装置的动作录音数据，提取动作录音数据的音频特征。
实际应用中，开关装置可以是断路器以及隔离开关等。本申请中，开关装置将以断路器为例，终端以无接触式的断路器分合闸状态检测装置为例进行说明。具体实施时，断路器的动作录音数据可以是由开关装置状态校核装置的音频录放模块每3秒对断路器进行一次录音得到，具体的，可以是操作人员输入电机打压储能指令或断路器分闸/合闸指令，音频录放模块启动音频录制。当获取到开关装置的动作录音数据后，可以是通过梅尔倒谱系数(Mel-scale Frequency Cepstral Cofficients，简称MFCC)提取动作录音数据中的音频特征。
步骤204，根据音频特征识别得到开关装置基于音频特征的第一分合闸状态结果时，获取开关装置的图像数据。
第一分合闸状态结果包括分闸状态或合闸状态，开关装置的图像数据可以是由安装于断路器状态检测装置的摄像头拍摄得到。当提取得到音频特征后，可对音频特征进行处理如分类识别，确定断路器的分闸特征或合闸特征，以此得到断路器的第一分合闸状态结果，当得到断路器的第一分合闸状态结果时，便立即启动摄像头，获取断路器的图像数据。
步骤206，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果。
分合闸状态指示目标区域即指断路器的分合闸标志区域，第二分合闸状态结果包括分闸状态或合闸状态。具体实施时，当断路器发生分合闸动作时，会产生相应的机械视觉变化，断路器分闸和合闸都显示不同的颜色，例如，断路器合闸状态为红色，分闸状态为绿色。本实施例中，可以是通过目标检测算法如YOLO以及SSD算法等，检测出图像数据中的分合闸状态指示目标区域。然后，可以是对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果(包括绿色和红色)，根据颜色识别结果，确定断路器的第二分合闸状态结果。若颜色识别结果为红色，则确定断路器为合闸状态，若颜色识别结果为绿色，则确定断路器为分闸状态。
步骤208，根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的状态。
具体实施时，若断路器的第一分合闸状态结果和第二分合闸状态结果的结果相同，即断路器的机械视觉变化与操作员输入的断路器分闸/合闸指令一致时，则表明断路器为正常状态，可对断路器的分合闸状态进行统一确定，例如，若第一分合闸状态结果为分闸，且第二分合闸状态结果也为分闸，则将断路器的分合闸状态确定为分闸。若断路器的第一分合闸状态结果和第二分合闸状态结果的结果不同，即断路器的机械视觉变化与操作员输入的断路器分闸/合闸指令不一致，则表明断路器为异常状态，进一步的，可通过通信模块推送异常消息，以便操作人员及时发现问题。
上述开关装置状态校核方法中，获取开关装置的动作录音数据，提取动作录音数据的音频特征，当根据音频特征识别得到开关装置的第一分合闸状态结果时，获取开关装置的图像数据，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置的第二分合闸状态结果，根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的状态。上述方案，实现了开关装置的无人化的在线实时监测，通过对开关装置的音频特征和图像数据分别进行音频维度的状态识别和图像维度的状态识别，得到多维度的状态识别结果，能够实现全面且准确的状态校核。
如图2所示，在一个实施例中，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像的第二分合闸状态结果包括：步骤266，根据SSD目标检测算法，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果，将颜色识别结果转化为第二分合闸状态结果。
本实施例中，断路器分合闸视觉图像判断可以是：首先采用SSD目标检测方法锁定GIS断路器的分合闸状态指示目标区域，然后，可以是利用基于python的opencv对分合闸状态指示目标区域进行颜色识别，识别到颜色为红色或绿色，然后将识别到的红色或绿色分别转化为合闸状态或分闸状态。本实施例中，通过SSD目标检测算法，能够快速且准确定位断路器的分合闸状态指示目标区域。
在一个实施例中，根据SSD目标检测算法，检测图像数据的分合闸状态指示目标区域包括：将图像数据输入至已训练的SSD目标检测网络，得到图像数据的分合闸状态指示目标区域，已训练的SSD目标检测网络基于开关装置的携带分合闸状态标签的历史图像数据训练得到。
具体的，SSD目标检测网络的训练过程可以是：
S1：通过GIS断路器分合闸状态检测装置，获取断路器的图像数据集；
S2：根据各图像中的分合闸标志区域制作数据标签；
S3：搭建神经网络，所述网络结构为基于深度学习的SSD目标检测网络；
S4：将步骤S2处理的数据集划分为训练集、测试集和验证集，并输入至SSD目标检测网络以训练模型；
S5：将损失函数定义为位置误差与置信度误差的加权和，训练SSD目标检测网络，调整各层神经网络的取值，以使损失函数最小，得到训练好的SSD目标检测网络。
其中，SSD目标检测网络的网络结构如下：将VGG16的FC6层、FC7层的全连接方式改为卷积层，然后继续向后添加若干卷积层直到Conv10_2，最后添加一个接全连接层。然后，保存卷积后得到的特征图，采用了特征金字塔结构对物体进行回归检测，即检测时会利用多个不同的卷积层产生的特征图。提取特征层作为检测层的输入，在不同尺寸的特征图上产生多个先验框，在这些特征图产生的特征上进行分类和边框回归，以输出检测结果。具体的，对于每个单元的每个先验框，SSD目标检测网络都会输出一套独立的检测值，对应一个边界框，主要分为两个部分。第一部分是各个类别的置信度，在设置类别时，基于深度学习的SSD将背景也划分为一个特殊的类别，如果检测目标共有c个类别，SSD其实需要预测c+1个置信度值。第二部分就是边界框的位置，包含4个值(x，y，w，h)，分别表示边界框的中心坐标以及宽高。真实预测值其实只是边界框相对于先验框的转换值，先验框位置用d＝(dcx，dcy，dw，dh)表示，其对应边界框用b＝(bcx，bcy，bw，bh)表示，那么边界框的预测值1其实是b相对于d的转换值：
lcx＝(bcx-dcx)/dw，lcy＝(bcy-dcy)/dh
lw＝log(bw/dw)，lh＝log(bh/dh)
上述过程为边界框的编码(encode)，预测时，需要反向这个过程即进行解码(decode)，从预测值1中得到边界框的真实位置b：
bcx＝d10lx+dcx，bcq＝dycyecy+dcy
bw＝dwexp(llv)，bh＝dhexp(lh)
本实施例中，通过构建SSD目标检测网络，能够高效地检测出断路器的分合闸状态指示区域。
如图3所示，在一个实施例中，已训练的SSD目标检测网络通过下述方式检测出图像数据的分合闸状态指示目标区域：
步骤216，提取图像数据的特征图，根据特征图生成多个预测框；
步骤226，确定各预测框的类别和置信度；
步骤236，筛选出置信度大于或等于预设置信度阈值的初始预测框；
步骤246，对初始预测框进行解码，根据置信度对解码后的初始预测框进行排序；
步骤256，采用非极大值抑制算法对排序后的初始预测框进行筛选，得到目标预测框，目标预测框表征分合闸状态指示目标区域。
具体实施时，模型的预测过程比较简单，对于每个预测框，首先根据类别置信度确定其类别与置信度值，并过滤掉属于背景的预测框。然后，根据预设的置信度阈值0.7过滤掉阈值较低的预测框，筛选出初始预测框。对于留下的初始预测框进行解码，根据先验框得到其真实的位置参数(解码后一般还需要做clip，防止预测框位置超出图片)。解码之后，根据置信度进行降序排列，然后仅保留top-k(如400)个预测框，最后，采用非极大值抑制算法对排序后的初始预测框进行筛选，过滤掉那些重叠度较大的预测框，得到目标预测框，即GIS断路器状态指示区域的目标检测结果了。
在一个实施例中，提取动作录音数据的音频特征包括：利用梅尔倒谱系数提取动作录音数据的音频特征。
本实施例中，可以利用梅尔倒谱系数(Mel-scale Frequency CepstralCofficients，简称MFCC)对动作录音数据进行音频特征提取，具体的，MFCC特征提取过程包括：首先，获取音频数据，然后对音频数据进行预处理，进行快速傅立叶变换，计算谱线能量，计算通过Mel滤波器的能量，最后，计算DCT倒谱。其中，预处理包括预加重、分帧、加窗函数。预加重就是对音频的高频信号进行提高处理，使得信号的频率变得平摊，保持在低频到高频的整个频带中能用同样的信噪比求频谱。具体的分帧，是先将N个采样点集合成一个观测单位，称为帧。通常情况下N的值为256或512，涵盖的时间约为20～30ms左右。具体的加窗，就是对信号进行周期性阶段，本实施例用于对声音信号处理，所以用汉明窗函数进行处理，将每一帧乘以汉明窗，以增加帧左端和右端的连续性。由于信号在时域上的变换很难看出信号的特征，所以通常将它转换为频域上的能量分布来观察，不同的能量分布，就能代表不同的语音特征。所以在乘上汉明窗后，每一帧还必须经过快速傅里叶变换来得到在频谱上的能量分布。对分帧加窗后的各阵信号进行快速傅里叶变换即可得到各帧的频谱。其中，谱线能量是对音频信号的频谱取模平方得到语音信号的谱线能量。计算通过Mel滤波器的能量，是将谱线能量谱通过一组Mel尺度的三角滤波器组，定义一个有M个滤波器的滤波器组(滤波的个数和临界带的个数相近)，采用的滤波器为三角滤波，中心频率为f(m)。M通常取22-26。各f(m)之间的间隔随着m值的减少而缩小，随着m值的增大而增宽。计算每个滤波器组输出的对数能量。
其中，DCT是离散余弦变换，通过离散余弦变换得到MFCC系数，将对数能量带入离散余弦变换，求出L阶的Mel参数，L阶指MFCC系数阶数，通常为12-16。本实施例中，可以是求得13阶MFCC系数。本实施例中，通过MFCC提取音频特征能在提取出最重要的音频特征的同时达到降维的目的。
在一个实施例中，根据音频特征识别得到开关装置的第一分合闸状态结果包括：将音频特征输入至已训练的DNN神经网络以进行分类，得到分类结果；根据分类结果，得到第一分合闸状态结果。
具体实施时，提取出音频特征之后进行音频处理方法，可以是将音频特征输入至已训练的DNN神经网络以进行分类，将音频特征划分为分闸音频特征或合闸音频特征，然后，基于分闸音频特征或合闸音频特征，确定断路器的状态的为分闸或合闸。具体的，DNN网络的训练过程可以如下：S1：获得13阶梅尔倒谱系数(MFCC)的音频特征；S2：构建深度神经网络(DNN)；S3：将S1得到的音频特征数据集划分为样本集与测试集，分别输入到DNN模型以训练网络；S4：获取新的音频特征并得到梅尔倒谱系数，将其输入至DNN网络进行网络测试，得到分类结果。
其中，构建深度神经网络的过程如下：
S11：首先建立网络结构，建立一个结构为一个输入层、两个隐含层、一个输出层的DNN网络结构；
S22：确定网络结构后，初始化模型参数，用随机数和归零操作初始化权重w和偏置b；
S33：进行前向传播计算，即进行加权线性计算和对线性计算结果进行激活函数处理，采用的激活函数为sigmoid；
S44：计算当前损失函数，DNN模型参数训练过程为最小化期望损失函数为：
JEL＝E(J(W，b；o，y))＝∫oJ(W，b；o，y)p(o)d(o)
其中，J(W，b；o，y)是损失函数，{W，b}是模型参数，o为观察向量，y为相应的输出向量，p(o)是概率密度函数。
S55：定义线性反向传播和线性激活反向传播函数，其中权重w和偏置b的链式求导公式第L层计算如下：
Zl＝WlA[l-1]+b[l]
S66：根据反向计算结果对权值参数进行更新。
本实施例中，根据DNN神经网络实现快速且准确地对音频特征进行分类，识别出断路器的开合闸状态。
在一个实施例中，对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果包括：利用opencv对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果。
本实施例中，可以是利用opencv自带颜色识别功能进行颜色识别，具体的，可以是将RGB转换到HSV函数，建立HSV模型，在模型中设定各颜色的取值范围，其中红色的H值范围在160-179之间，绿色的H值在38-75之间。之后对断路器的图像数据进行直方图均衡，利用opencvAPI对颜色进行阈值检测，得到二值图像。接着对所得到的二值图像进行分操作，删除零星噪点，再进行闭操作，连接部分连通域，最终实现颜色识别，进而判断路器的分合闸状态。
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，提供了一种开关装置状态校核装置，包括：音频特征提取模块410、第一分合闸状态结果识别模块420和第二分合闸状态结果识别模块430和状态确定模块440，其中：
音频特征提取模块410，用于获取开关装置的动作录音数据，提取动作录音数据的音频特征。
第一分合闸状态结果识别模块420，用于根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果，获取开关装置的图像数据。
第二分合闸状态结果识别模块430，用于检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果。
状态确定模块440，用于根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的状态。
采用上述开关装置状态校核装置，实现了开关装置的无人化的在线实时监测，通过对开关装置的音频特征和图像数据分别进行音频维度的状态识别和图像维度的状态识别，得到多维度的状态识别结果，能够实现全面且准确的状态校核。并能够进一步减少电力故障的发生。
在一个实施例中，第二分合闸状态结果识别模块430还用于根据SSD目标检测算法，检测图像数据的分合闸状态指示目标区域；对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果；将颜色识别结果转化为第二分合闸状态结果。
在一个实施例中，第二分合闸状态结果识别模块430还用于将图像数据输入至已训练的SSD目标检测网络，得到图像数据的分合闸状态指示目标区域，已训练的SSD目标检测网络基于携带分合闸状态标签的开关装置的历史图像数据训练得到。
在一个实施例中，第二分合闸状态结果识别模块430还用于提取图像数据的特征图，根据特征图生成多个预测框；确定各预测框的类别和置信度；筛选出置信度大于或等于预设置信度阈值的初始预测框；对初始预测框进行解码，根据置信度对解码后的初始预测框进行排序；采用非极大值抑制算法对排序后的初始预测框进行筛选，得到目标预测框，目标预测框表征分合闸状态指示目标区域。
在一个实施例中，第一分合闸状态结果识别模块420还用于将音频特征输入至已训练的DNN神经网络以进行音频特征分类，得到分类结果，分类结果包括分闸音频特征或合闸音频特征，根据分类结果，得到开关装置的第一分合闸状态结果。
在一个实施例中，音频特征提取模块410还用于利用梅尔倒谱系数提取动作录音数据的音频特征。
在一个实施例中，第二分合闸状态结果识别模块430还用于利用opencv对分合闸状态指示目标区域进行颜色识别，得到颜色识别结果。
关于开关装置状态校核装置的具体实施例可以参见上文中对于开关装置状态校核方法的实施例，在此不再赘述。上述开关装置状态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。
如图5所示，在一个实施例中，提供了一种开关装置状态校核系统，包括数据采集模块510、数据处理模块520以及数据传送模块530，数据采集模块510采集开关装置的动作录音数据和图像数据，将开关装置的动作录音数据和图像数据发送至数据处理模块520，数据处理模块520提取动作录音数据的音频特征，根据音频特征识别得到开关装置基于音频维度的第一分合闸状态结果，获取开关装置的图像数据，检测图像数据的分合闸状态指示目标区域，对分合闸状态指示目标区域进行颜色识别，得到开关装置基于图像维度的第二分合闸状态结果，根据第一分合闸状态结果和第二分合闸状态结果，确定开关装置的分合闸状态，将开关装置的分合闸状态通过数据传送模块530发送至外部服务器。
如图6所示，在一个实施例中，数据采集模块510包括音频录放模块、摄像模块、雷达感应模块。数据处理模块520包括树莓派4B522，数据传送模块530包括4G模块532。
本实施例中，开关装置仍以断路器为例进行说明，音频录放模块采用的是基于树莓派而设计的WM8960低功耗立体声编解码器，其作用是对断路器电机打压储能声音和分/合闸声音进行录音，具体实施时，音频每3秒对断路器进行录音一次并将音频发送到树莓派4B进行音频处理，重点是进行断路器分合闸声纹特征的提取和比对。
摄像模块采用树莓派4专用的OV5647摄像模块。其通过FFC排线连接树莓派4B的CSI接口，然后在Python中调用picamera包来实现拍照功能。摄像头的工作时间是当树莓派4B对音频录放模块发送的音频进行处理后识别到断路器分或合闸状态时，便立即启动摄像头拍照功能，摄像头将拍摄的图片发到树莓派4B。
雷达感应模块使用24GHz的毫米波LD116S雷达传感器来进行运动物体侦测，装置启动后，雷达传感器便会向周围4-6米的范围发出雷达波进行实时监测，如果在范围内检测到人或者物体移动，模块会通过VO引脚输出高电平，树莓派4B在接收到雷达发送的高电平，判断有移动物体靠近断路器，便会启动蜂鸣器进行警示，便于驱走移动物体，并及时向操作人员推送断路器及周边环境实时状况。
4G模块选用Air724UG YunDTU透传4G模块，采用MQTT协议进行数据通信。音频处理数据、图像颜色识别数据、雷达感应输出数据均通过4G模块传送到后台服务器，其中每一项数据都会附带数据发生的时间，便于运维人员及时发现并记录数据。
具体实施时，树莓派4B接通5V电源启动，各个模块进入启动状态，音频录放模块进入断路器录音状态，通过I2C接口控制，I2S接口传输音频，操作人员输入断路器电机打压动作指令或者电路器分合闸指令，录音模块录制GIS断路器动作音频，并将断路器的动作录音数据上传树莓派4B，树莓派4B获取断路器的动作录音数据，提取动作录音数据的音频特征，当根据音频特征识别断路器的分合闸声音特征时，获取断路器的图像数据，根据SSD算法检测GIS断路器状态指示目标区域后，通过图像颜色识别对断路器状态进行确认，若颜色识别结果为红色，则判定断路器为合闸状态，若颜色识别结果为绿色，则判定断路器为分闸状态。然后，根据音频特征识别到的分合闸状态和根据图像数据识别到的分合闸状态，确认最终的断路器的状态。具体的，当识别出现音频有断路器动作声音(包括合闸音频特征或合闸音频特征)，但是图像判断机械视觉出现相反结果或者机械视觉没有变化，说明断路器机械视觉部分出现问题，输出断路器异常状态，最终通过4G模块基于MQTT协议以字符串(“Y(正常)”,“N(异常)”)形式发送到后台服务器。雷达感应模块与音频模块同时工作但是互不干扰，雷达感应模块发出24GHz的毫米波对周围进行扫描，发现移动物体即刻在其VO脚输出高电平，经树莓派4B处理引发蜂鸣器进行警示。
在实际应用中，操作人员还可输入电机打压储能指令后，音频录放模块启动录制音频，将音频发送至树莓派4B，树莓派4B进行音频识别，当识别到电机打压储能声音特征量时，开始记录电机打压声音，当识别到电机打压结束声音后，上传音频，用开始记录时间到记录结束时间计算电机打压声音长短，当时间超高60秒或者小于5秒，则判断电机打压异常，则树莓派将异常信息通过4G模块上传到服务器，便于操作人员及时发现问题。
上述开关装置状态校核系统，相比于附带在断路器上或者内部的断路器状态在线检测技术，解决了近距离接触断路器，监测装置困难，状态识别不准的问题。其次，雷达感应模块扫描范围是4-8米，默认是4米，通过调整雷达感应模块电阻改变扫描距离，测量雷达感应模块数据输出端电平变化，模拟移动物体，直至出现平稳持续的高电平即为雷达感应模块扫描的最佳距离，即本设备与断路器的最佳距离。本系统可以由支架支撑，能够实现对断路器进行全方位在线监测，更好地实现断路器无人化监测，提高了断路器监测效率，节约成本。
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7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开关装置状态校核方法。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7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开关装置状态校核方法中的步骤。
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)

1.一种开关装置状态校核方法，其特征在于，所述方法包括：
获取开关装置的动作录音数据，提取所述动作录音数据的音频特征；
根据所述音频特征识别得到所述开关装置基于音频维度的第一分合闸状态结果，获取所述开关装置的图像数据；
检测所述图像数据的分合闸状态指示目标区域，对所述分合闸状态指示目标区域进行颜色识别，得到所述开关装置基于图像维度的第二分合闸状态结果；
根据所述第一分合闸状态结果和所述第二分合闸状态结果，确定所述开关装置的分合闸状态；
所述检测所述图像数据的分合闸状态指示目标区域包括：将所述图像数据输入至已训练的SSD目标检测网络，得到所述图像数据的分合闸状态指示目标区域，其中，所述SSD目标检测网络基于以下方式构建：将VGG16模型的FC6层和FC7层的全连接方式更改为卷积层，并向后依次添加若干卷积层和一个全连接层，得到所述SSD目标检测网络，所述SSD目标检测网络输出所述图像数据的分合闸状态指示目标区域包括以下处理方式：提取所述图像数据的特征图，采用特征金字塔结构对所述特征图进行回归检测，输出所述图像数据的分合闸状态指示目标区域。
2.根据权利要求1所述的开关装置状态校核方法，其特征在于，所述对所述分合闸状态指示目标区域进行颜色识别，得到所述开关装置基于图像维度的第二分合闸状态结果包括：
对所述分合闸状态指示目标区域进行颜色识别，得到颜色识别结果；
将所述颜色识别结果转化为所述第二分合闸状态结果。
3.根据权利要求1所述的开关装置状态校核方法，其特征在于，所述已训练的SSD目标检测网络基于所述开关装置的携带分合闸状态标签的历史图像数据训练得到。
4.根据权利要求3所述的开关装置状态校核方法，其特征在于，所述已训练的SSD目标检测网络采用下述方式检测所述图像数据的分合闸状态指示目标区域：
提取所述图像数据的特征图，根据所述特征图生成多个预测框；
确定各所述预测框的类别和置信度；
筛选出置信度大于或等于预设置信度阈值的初始预测框；
对所述初始预测框进行解码，根据所述置信度对解码后的初始预测框进行排序；
采用非极大值抑制算法对排序后的所述初始预测框进行筛选，得到目标预测框，所述目标预测框表征所述图像数据的分合闸状态指示目标区域。
5.根据权利要求1至4任一项所述的开关装置状态校核方法，其特征在于，所述根据所述音频特征识别得到所述开关装置基于音频维度的第一分合闸状态结果包括：
将所述音频特征输入至已训练的DNN神经网络以进行音频特征分类，得到分类结果，所述分类结果包括分闸音频特征或合闸音频特征；
根据所述分类结果，得到所述第一分合闸状态结果。
6.根据权利要求1至4任一项所述的开关装置状态校核方法，其特征在于，所述提取所述动作录音数据的音频特征包括：
利用梅尔倒谱系数提取所述动作录音数据的音频特征。
7.根据权利要求1至4任一项所述的开关装置状态校核方法，其特征在于，所述对所述分合闸状态指示目标区域进行颜色识别，得到颜色识别结果包括：
利用opencv对所述分合闸状态指示目标区域进行颜色识别，得到颜色识别结果。
8.一种开关装置状态校核装置，其特征在于，所述装置包括：
音频特征提取模块，用于获取开关装置的动作录音数据，提取所述动作录音数据的音频特征；
第一分合闸状态结果识别模块，用于根据所述音频特征识别得到所述开关装置基于音频维度的第一分合闸状态结果，获取所述开关装置的图像数据；
第二分合闸状态结果识别模块，用于检测所述图像数据的分合闸状态指示目标区域，对所述分合闸状态指示目标区域进行颜色识别，得到所述开关装置基于图像维度的第二分合闸状态结果；
状态确定模块，用于根据所述第一分合闸状态结果和所述第二分合闸状态结果，确定所述开关装置的分合闸状态；
所述检测所述图像数据的分合闸状态指示目标区域包括：将所述图像数据输入至已训练的SSD目标检测网络，得到所述图像数据的分合闸状态指示目标区域，其中，所述SSD目标检测网络基于以下方式构建：将VGG16模型的FC6层和FC7层的全连接方式更改为卷积层，并向后依次添加若干卷积层和一个全连接层，得到所述SSD目标检测网络，所述SSD目标检测网络输出所述图像数据的分合闸状态指示目标区域包括以下处理方式：提取所述图像数据的特征图，采用特征金字塔结构对所述特征图进行回归检测，输出所述图像数据的分合闸状态指示目标区域。
9.一种开关装置状态校核系统，包括数据采集模块、数据处理模块以及数据传送模块；
所述数据采集模块采集开关装置的动作录音数据和图像数据，将所述开关装置的动作录音数据和图像数据发送至所述数据处理模块，所述数据处理模块提取所述动作录音数据的音频特征，根据所述音频特征识别得到所述开关装置基于音频维度的第一分合闸状态结果，获取所述开关装置的图像数据，检测所述图像数据的分合闸状态指示目标区域，对所述分合闸状态指示目标区域进行颜色识别，得到所述开关装置基于图像维度的第二分合闸状态结果，根据所述第一分合闸状态结果和所述第二分合闸状态结果，确定所述开关装置的分合闸状态，将所述开关装置的分合闸状态通过所述数据传送模块发送至外部服务器；
所述检测所述图像数据的分合闸状态指示目标区域包括：将所述图像数据输入至已训练的SSD目标检测网络，得到所述图像数据的分合闸状态指示目标区域，其中，所述SSD目标检测网络基于以下方式构建：将VGG16模型的FC6层和FC7层的全连接方式更改为卷积层，并向后依次添加若干卷积层和一个全连接层，得到所述SSD目标检测网络，所述SSD目标检测网络输出所述图像数据的分合闸状态指示目标区域包括以下处理方式：提取所述图像数据的特征图，采用特征金字塔结构对所述特征图进行回归检测，输出所述图像数据的分合闸状态指示目标区域。
10.一种计算机设备，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。
CN202111081594.XA 2021-09-15 2021-09-15 开关装置状态校核方法、装置、系统和计算机设备 Active CN113743355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111081594.XA CN113743355B (zh) 2021-09-15 2021-09-15 开关装置状态校核方法、装置、系统和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111081594.XA CN113743355B (zh) 2021-09-15 2021-09-15 开关装置状态校核方法、装置、系统和计算机设备

Publications (2)

Publication Number Publication Date
CN113743355A CN113743355A (zh) 2021-12-03
CN113743355B true CN113743355B (zh) 2024-01-09

Family

ID=78739106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111081594.XA Active CN113743355B (zh) 2021-09-15 2021-09-15 开关装置状态校核方法、装置、系统和计算机设备

Country Status (1)

Country Link
CN (1) CN113743355B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118364271B (zh) * 2024-06-19 2024-08-30 国网山东省电力公司邹城市供电公司 基于声音及图像特征的gis断路器运行状态监测方法及系统
CN118483574A (zh) * 2024-07-16 2024-08-13 国网山东省电力公司金乡县供电公司 一种gis断路器异常运行状态的监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186987A (ja) * 2002-12-03 2004-07-02 Mitsubishi Electric Corp 遠隔監視装置及びこれを用いた遠隔監視システム
CN111600386A (zh) * 2020-05-18 2020-08-28 山东电工电气集团有限公司 一种面向gis设备刀闸分合闸状态确认的实时监测系统及方法
CN111600388A (zh) * 2020-06-04 2020-08-28 国网浙江省电力有限公司检修分公司 开关设备开合闸状态的监测方法及装置
CN111597868A (zh) * 2020-01-08 2020-08-28 浙江大学 一种基于ssd的变电站隔离开关状态分析方法
CN112115807A (zh) * 2020-08-28 2020-12-22 国网福建省电力有限公司厦门供电公司 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统
CN112420055A (zh) * 2020-09-22 2021-02-26 甘肃同兴智能科技发展有限公司 基于声纹特征的变电站状态识别方法及装置
CN112733588A (zh) * 2020-08-13 2021-04-30 精英数智科技股份有限公司 机器运行状态检测方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186987A (ja) * 2002-12-03 2004-07-02 Mitsubishi Electric Corp 遠隔監視装置及びこれを用いた遠隔監視システム
CN111597868A (zh) * 2020-01-08 2020-08-28 浙江大学 一种基于ssd的变电站隔离开关状态分析方法
CN111600386A (zh) * 2020-05-18 2020-08-28 山东电工电气集团有限公司 一种面向gis设备刀闸分合闸状态确认的实时监测系统及方法
CN111600388A (zh) * 2020-06-04 2020-08-28 国网浙江省电力有限公司检修分公司 开关设备开合闸状态的监测方法及装置
CN112733588A (zh) * 2020-08-13 2021-04-30 精英数智科技股份有限公司 机器运行状态检测方法、装置及电子设备
CN112115807A (zh) * 2020-08-28 2020-12-22 国网福建省电力有限公司厦门供电公司 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统
CN112420055A (zh) * 2020-09-22 2021-02-26 甘肃同兴智能科技发展有限公司 基于声纹特征的变电站状态识别方法及装置

Also Published As

Publication number Publication date
CN113743355A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113743355B (zh) 开关装置状态校核方法、装置、系统和计算机设备
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
CN112034310A (zh) 一种组合电器局部放电缺陷诊断方法及系统
CN111048114A (zh) 一种设备异常声音检测的设备及方法
CN112420055A (zh) 基于声纹特征的变电站状态识别方法及装置
CN112085071A (zh) 一种基于边缘计算的配电房设备故障分析预判方法及装置
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN116500379B (zh) 一种sts装置电压跌落精准定位方法
CN115471216A (zh) 智慧实验室管理平台的数据管理方法
CN116579998A (zh) 变电设备的缺陷检测方法、装置、设备、介质和程序产品
CN117334218A (zh) 一种干式变压器运行状态评估方法及系统
CN118506846A (zh) 一种硬盘测试装置、系统及方法
CN118038021A (zh) 基于改进yolov4的变电站作业现场异物入侵检测方法
CN112560791B (zh) 识别模型的训练方法、识别方法、装置及电子设备
CN117037847B (zh) 一种端到端社区噪音监测方法、装置及相关组件
CN113012107A (zh) 电网缺陷检测方法及系统
Ying et al. An improved defect detection method for substation equipment
CN114821309A (zh) 一种室内变电站开关及指示灯状态识别方法及系统
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
CN114842295A (zh) 绝缘子故障检测模型的获得方法、装置及电子设备
CN114325072A (zh) 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
CN118061199B (zh) 校园无人巡逻机器人远程智能控制系统及方法
CN111814831B (zh) 一种测定腐蚀箔比容值的方法
CN118015552A (zh) 基于信息融合的站内设备工作状态识别方法、系统及装置
CN117274181A (zh) 设备故障检测方法、装置、设备、介质及红外诊断仪

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