CN113963033A - 一种基于人工智能的电力设备异常检测方法和系统 - Google Patents
一种基于人工智能的电力设备异常检测方法和系统 Download PDFInfo
- Publication number
- CN113963033A CN113963033A CN202111557804.8A CN202111557804A CN113963033A CN 113963033 A CN113963033 A CN 113963033A CN 202111557804 A CN202111557804 A CN 202111557804A CN 113963033 A CN113963033 A CN 113963033A
- Authority
- CN
- China
- Prior art keywords
- equipment
- power supply
- power
- determining
- acquiring
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 230000005856 abnormality Effects 0.000 title claims description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000015654 memory Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力设备检测技术领域,具体公开了一种基于人工智能的电力设备异常检测方法和系统,所述方法包括根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗;获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;当所述异常等级达到预设的等级阈值时,通过球机设备获取图像信息,根据所述图像信息确定风险级别。本发明通过电力参数对电力设备进行初步检测,定位问题设备,通过获取问题设备的运行参数对电力设备进行二级检测,最后再通过图像信息判断电力设备的风险级别。多级检测的方式可以极大的提高计算资源的利用率。
Description
技术领域
本发明涉及电力设备检测技术领域,具体是一种基于人工智能的电力设备异常检测方法和系统。
背景技术
电网规模的壮大和变电设备数量的增加,使得电网的分布区域不断扩大;同时,随着我国电力体制改革不断深入,电力企业在改善服务质量,保证用户供电可靠性的同时,降低企业的运营成本也成为其追求的主要目标之一。随着输变电设备数量的飞速增加,导致设备自身运行故障的增加,尤其是大型输变电设备长期运行;一旦输变电设备发生故障,会造成设备自身损坏甚至出现大面积停电,造成巨大的经济损失和社会影响。因此,需要对电力设备进行异常检测。
现有的电力设备的检测方式大都是在电力设备上安装各种检测传感器,实时监测电力设备的运行参数,每个电力设备的运行参数都有很多,这会使得需要分析的数据量极大,实际上,对于电力设备来说,由于各种干扰使得运行参数出现小的波动很正常的,大的问题无需通过运行参数检测,统一的通过传感器获取数据,然后对这些数据进行分析会造成计算资源的浪费。因此,如何优化电力设备的检测过程是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于人工智能的电力设备异常检测方法和系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于人工智能的电力设备异常检测方法,所述方法包括:
根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型;其中,所述供电网络中含有若干个供电节点,用于连接电力设备;
获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;
根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;
当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送;
接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别。
作为本发明进一步的方案:所述根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型的步骤包括:
获取供电网络,根据所述供电网络中的供电节点确定供电区域;
根据所述供电区域生成以供电节点的标签为索引的区域表;
获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;
获取电力设备的位置信息,根据所述位置信息将所述虚拟阻抗插入相应的区域表,根据所述区域表和供电网络生成供电模型。
作为本发明进一步的方案:所述根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级的步骤包括:
读取实际阻抗和虚拟阻抗,根据所述实际阻抗和虚拟阻抗计算波动幅度;
当所述波动幅度大于预设的幅度阈值时,将电力设备标记为问题设备,根据所述供电模型获取问题设备的位置信息;
根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
作为本发明进一步的方案:所述根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级的步骤包括:
根据所述位置信息定位问题设备,获取问题设备中各模块的输入信号;
将所述输入信号输入训练好的标准设备模型,得到预测信号;
获取问题设备中各模块的输出信号,根据所述输出信号和所述预测信号确定异常等级。
作为本发明进一步的方案:所述枪球标定关系的生成步骤包括:
确定预设的标定点,并获取所述标定点的空间坐标;
依次将枪机画面中的中心十字点对应所述标定点,读取相应的空间坐标;
根据所述空间坐标和球机设备的画面图框确定球机设备的状态表;
其中,状态表包括中心项和状态项,所述中心项为画面图框的中心点对应的空间坐标,所述状态项为球机设备运动件的状态信息;所述画面图框的中心点与所述标定点重合时的元素为状态表的表头元素。
作为本发明进一步的方案:所述当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送的步骤包括:
当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,接收枪机设备获取到的静态图像;
对所述静态图像进行内容识别,确定电力设备的中心坐标,根据所述中心坐标确定标定坐标;
根据所述标定坐标读取状态表中的表头元素中的状态项,根据所述状态项确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送。
作为本发明进一步的方案:所述接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别的步骤包括:
接收球机设备发送的图像信息,随机获取图像信息中预定比例的像素点,生成特征点集;其中,所述像素点的个数为图像信息的总像素点数乘以预设比例;
依次将所述特征点集中的像素点转换为特征值,得到特征数组,并基于所述特征数组生成代表值,所述代表值与所述图像信息为映射关系;
将所述代表值与预设的风险范围进行比对,确定电力设备的风险级别。
本发明技术方案还提供了一种基于人工智能的电力设备异常检测系统,所述系统包括:
模型生成模块,用于根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型;其中,所述供电网络中含有若干个供电节点,用于连接电力设备;
实际阻抗计算模块,用于获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;
异常等级确定模块,用于根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;
指令发送模块,用于当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送;
风险级别确定模块,用于接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别。
作为本发明进一步的方案:所述模型生成模块包括:
区域确定单元,用于获取供电网络,根据所述供电网络中的供电节点确定供电区域;
区域表生成单元,用于根据所述供电区域生成以供电节点的标签为索引的区域表;
虚拟阻抗计算单元,用于获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;
处理执行单元,用于获取电力设备的位置信息,根据所述位置信息将所述虚拟阻抗插入相应的区域表,根据所述区域表和供电网络生成供电模型。
作为本发明进一步的方案:所述异常等级确定模块包括:
波动幅度计算单元,用于读取实际阻抗和虚拟阻抗,根据所述实际阻抗和虚拟阻抗计算波动幅度;
位置信息获取单元,用于当所述波动幅度大于预设的幅度阈值时,将电力设备标记为问题设备,根据所述供电模型获取问题设备的位置信息;
参数分析单元,用于根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
与现有技术相比,本发明的有益效果是:本发明通过电力参数对电力设备进行初步检测,定位问题设备,通过获取问题设备的运行参数对电力设备进行二级检测,最后再通过图像信息判断电力设备的风险级别。多级检测的方式可以极大的提高计算资源的利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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地介绍,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。
图1示出了基于人工智能的电力设备异常检测方法的流程框图。
图2示出了基于人工智能的电力设备异常检测方法的第一子流程框图。
图3示出了基于人工智能的电力设备异常检测方法的第二子流程框图。
图4示出了基于人工智能的电力设备异常检测方法的第三子流程框图。
图5示出了基于人工智能的电力设备异常检测方法的第四子流程框图。
图6示出了基于人工智能的电力设备异常检测方法的第五子流程框图。
图7示出了基于人工智能的电力设备异常检测系统的组成结构框图。
图8示出了基于人工智能的电力设备异常检测系统中模型生成模块的组成结构框图。
图9示出了基于人工智能的电力设备异常检测系统中异常等级确定模块的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1示出了基于人工智能的电力设备异常检测方法的流程框图,本发明实施例中,一种基于人工智能的电力设备异常检测方法,所述方法包括步骤S100至步骤S500:
步骤S100:根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型;其中,所述供电网络中含有若干个供电节点,用于连接电力设备;
供电模型的种类有很多,可以是一张可以实时更新的二维图;首先,获取供电网络,将所述供电网络插入二维图;其中,供电网络中的不同线路可以用不同粗细的线来表示,不同粗细代表着额定电流等电力参数;至于具体的排线方式可以自由设定,比如国内的示意图排序方式一般都是横平竖直的。
然后,根据供电网络的接口对电力设备进行分类,电力设备在供电模型中可以通过矩形来表示,也可以通过电阻符号并联电容符号来代替,具体不作限定;但是,表示的符号大小与虚拟阻抗相关,虚拟阻抗的计算方式取决于电力设备,由电力设备的各种参数确定。
步骤S200:获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;
供电节点中的电力参数可以借助一些电子测量仪来获取,一般情况下,获取电压和电流即可,像一些有可能存在的自感或互感现象,本发明技术方案是忽略的;根据获取到的电力参数可以计算出电力设备的实际阻抗。
步骤S300:根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;
同一电力设备的实际阻抗与虚拟阻抗大概率是不同的,但是它们的差距应该在一定的限度内,如果差距过大,就可以认为是电力设备出现了一些问题,需要进行进一步的判断,判断方式是获取该问题设备的运行参数,然后根据所述运行参数确定异常等级。
步骤S400:当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送;
步骤S500:接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别;
步骤S400至步骤S500提供了一种更进一步的检测方式,直接从视觉上对问题设备进行异常检测,其借助的监测设备是枪机设备和球机设备,通过枪机设备和球机设备的联动获取问题设备的图像信息,根据所述图像信息进行风险级别的确定。
图2示出了基于人工智能的电力设备异常检测方法的第一子流程框图,所述根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型的步骤包括步骤S101至步骤S104:
步骤S101:获取供电网络,根据所述供电网络中的供电节点确定供电区域;
步骤S102:根据所述供电区域生成以供电节点的标签为索引的区域表;
步骤S103:获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;
步骤S104:获取电力设备的位置信息,根据所述位置信息将所述虚拟阻抗插入相应的区域表,根据所述区域表和供电网络生成供电模型。
步骤S101至步骤S104提供了一种具体的供电模型生成方案,首先,获取供电区域的供电节点,根据所述供电节点对电力设备进行分类;其中,供电节点是有编号的,编号之间存在层级关系;然后获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;其中,设备参数就是一些额定参数,也可以说是出厂参数;最后,根据电力设备的位置信息将所述虚拟阻抗插入相应的区域表,最终得到的供电模型是含有各个供电节点的供电网络,每个供电节点都对应着一张区域表。
可以想到,一个设备有可能存在于多张区域表,所述多张区域表之间的层级关系与相应供电节点的层级关系相同。
图3示出了基于人工智能的电力设备异常检测方法的第二子流程框图,所述根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级的步骤包括步骤S301至步骤S303:
步骤S301:读取实际阻抗和虚拟阻抗,根据所述实际阻抗和虚拟阻抗计算波动幅度;
步骤S302:当所述波动幅度大于预设的幅度阈值时,将电力设备标记为问题设备,根据所述供电模型获取问题设备的位置信息;
步骤S303:根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
根据所述实际阻抗和虚拟阻抗计算波动幅度的过程就是简单的百分比计算过程,计算实际阻抗相对于虚拟阻抗偏移了多少。当所述波动幅度大于预设的幅度阈值时,获取相应电力设备的位置信息,根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
图4示出了基于人工智能的电力设备异常检测方法的第三子流程框图,所述根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级的步骤包括步骤S3031至步骤S3033:
步骤S3031:根据所述位置信息定位问题设备,获取问题设备中各模块的输入信号;
步骤S3032:将所述输入信号输入训练好的标准设备模型,得到预测信号;
步骤S3033:获取问题设备中各模块的输出信号,根据所述输出信号和所述预测信号确定异常等级。
电力设备由多个模块组成,获取这些模块的输入信号和输出信号需要借助通讯模块;根据输入信号得到预测信号,然后将所述预测信号与所述输出信号进行比对,最终可以确定一个异常等级。需要说明的是,预测信号与输出信号的比对过程是波形的比对过程,当某一时间段的预测信号与输出信号的差距过大时,根据所述差距的大小确定问题设备的异常等级。
作为本发明技术方案进一步的限定,所述枪球标定关系的生成步骤包括:
确定预设的标定点,并获取所述标定点的空间坐标;
依次将枪机画面中的中心十字点对应所述标定点,读取相应的空间坐标;
根据所述空间坐标和球机设备的画面图框确定球机设备的状态表;
其中,状态表包括中心项和状态项,所述中心项为画面图框的中心点对应的空间坐标,所述状态项为球机设备运动件的状态信息;所述画面图框的中心点与所述标定点重合时的元素为状态表的表头元素。
通俗地说,枪机可以理解为固定式摄像头,球机设备可以理解为可以转动的摄像头,枪机获取的画面是很稳定的,根据枪机获取的图像可以定位电力设备,然后根据定位数据控制球机设备获取进一步的画面;其中,根据定位数据控制球机设备获取进一步的画面需要涉及到枪球标定关系,上述内容就是对这一标定关系的具体限定。
所述空间坐标一般指的是相对坐标,相对于电力设备所在区域的坐标;从枪机画面中确定标定点的坐标,然后向球机设备发送方向转动指令,能够获取标定点图像的球机设备状态有很多,也就是上述球机设备的状态表;其中,最好的角度就是球机设备正对于标定点,因此,所述状态表的表头元素为球机设备正对于标定点时的球机设备状态。
图5示出了基于人工智能的电力设备异常检测方法的第四子流程框图,所述当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送的步骤包括步骤S401至步骤S403:
步骤S401:当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,接收枪机设备获取到的静态图像;
步骤S402:对所述静态图像进行内容识别,确定电力设备的中心坐标,根据所述中心坐标确定标定坐标;
步骤S403:根据所述标定坐标读取状态表中的表头元素中的状态项,根据所述状态项确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送。
步骤S401至步骤S403的目的具体的根据枪球标定关系获取球机设备图像,在枪球标定关系确定的前提下,完成这一过程并不困难。
图6示出了基于人工智能的电力设备异常检测方法的第五子流程框图,所述接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别的步骤包括步骤S501至步骤S503:
步骤S501:接收球机设备发送的图像信息,随机获取图像信息中预定比例的像素点,生成特征点集;其中,所述像素点的个数为图像信息的总像素点数乘以预设比例;
步骤S502:依次将所述特征点集中的像素点转换为特征值,得到特征数组,并基于所述特征数组生成代表值,所述代表值与所述图像信息为映射关系;
步骤S503:将所述代表值与预设的风险范围进行比对,确定电力设备的风险级别。
步骤S501至步骤S503的目的是对图像信息进行分析,其原理是对图像信息进行特征值转换,得到一个特征值,然后将这一特征值与预设的参考值进行比对,根据比对结果判断电力设备的风险级别。
其中,特征值的生成过程有很多,比如,可以提取图像信息中的一些像素点,然后将这些像素点转换为单值,比如灰度值,然后计算灰度值的平均值即可。
实施例2
图7示出了基于人工智能的电力设备异常检测系统的组成结构框图,本发明实施例中,一种基于人工智能的电力设备异常检测系统,所述系统10包括:
模型生成模块11,用于根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型;其中,所述供电网络中含有若干个供电节点,用于连接电力设备;
实际阻抗计算模块12,用于获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;
异常等级确定模块13,用于根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;
指令发送模块14,用于当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送;
风险级别确定模块15,用于接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别。
图8示出了基于人工智能的电力设备异常检测系统中模型生成模块的组成结构框图,所述模型生成模块11包括:
区域确定单元111,用于获取供电网络,根据所述供电网络中的供电节点确定供电区域;
区域表生成单元112,用于根据所述供电区域生成以供电节点的标签为索引的区域表;
虚拟阻抗计算单元113,用于获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;
处理执行单元114,用于获取电力设备的位置信息,根据所述位置信息将所述虚拟阻抗插入相应的区域表,根据所述区域表和供电网络生成供电模型。
图9示出了基于人工智能的电力设备异常检测系统中异常等级确定模块的组成结构框图,所述异常等级确定模块13包括:
波动幅度计算单元131,用于读取实际阻抗和虚拟阻抗,根据所述实际阻抗和虚拟阻抗计算波动幅度;
位置信息获取单元132,用于当所述波动幅度大于预设的幅度阈值时,将电力设备标记为问题设备,根据所述供电模型获取问题设备的位置信息;
参数分析单元133,用于根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
所述基于人工智能的电力设备异常检测方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述基于人工智能的电力设备异常检测方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/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,本发明实现上述实施例系统中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个系统实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工智能的电力设备异常检测方法,其特征在于,所述方法包括:
根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型;其中,所述供电网络中含有若干个供电节点,用于连接电力设备;
获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;
根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;
当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送;
接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别。
2.根据权利要求1所述的基于人工智能的电力设备异常检测方法,其特征在于,所述根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型的步骤包括:
获取供电网络,根据所述供电网络中的供电节点确定供电区域;
根据所述供电区域生成以供电节点的标签为索引的区域表;
获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;
获取电力设备的位置信息,根据所述位置信息将所述虚拟阻抗插入相应的区域表,根据所述区域表和供电网络生成供电模型。
3.根据权利要求2所述的基于人工智能的电力设备异常检测方法,其特征在于,所述根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级的步骤包括:
读取实际阻抗和虚拟阻抗,根据所述实际阻抗和虚拟阻抗计算波动幅度;
当所述波动幅度大于预设的幅度阈值时,将电力设备标记为问题设备,根据所述供电模型获取问题设备的位置信息;
根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
4.根据权利要求3所述的基于人工智能的电力设备异常检测方法,其特征在于,所述根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级的步骤包括:
根据所述位置信息定位问题设备,获取问题设备中各模块的输入信号;
将所述输入信号输入训练好的标准设备模型,得到预测信号;
获取问题设备中各模块的输出信号,根据所述输出信号和所述预测信号确定异常等级。
5.根据权利要求1所述的基于人工智能的电力设备异常检测方法,其特征在于,所述枪球标定关系的生成步骤包括:
确定预设的标定点,并获取所述标定点的空间坐标;
依次将枪机画面中的中心十字点对应所述标定点,读取相应的空间坐标;
根据所述空间坐标和球机设备的画面图框确定球机设备的状态表;
其中,状态表包括中心项和状态项,所述中心项为画面图框的中心点对应的空间坐标,所述状态项为球机设备运动件的状态信息;所述画面图框的中心点与所述标定点重合时的元素为状态表的表头元素。
6.根据权利要求5所述的基于人工智能的电力设备异常检测方法,其特征在于,所述当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送的步骤包括:
当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,接收枪机设备获取到的静态图像;
对所述静态图像进行内容识别,确定电力设备的中心坐标,根据所述中心坐标确定标定坐标;
根据所述标定坐标读取状态表中的表头元素中的状态项,根据所述状态项确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送。
7.根据权利要求6所述的基于人工智能的电力设备异常检测方法,其特征在于,所述接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别的步骤包括:
接收球机设备发送的图像信息,随机获取图像信息中预定比例的像素点,生成特征点集;其中,所述像素点的个数为图像信息的总像素点数乘以预设比例;
依次将所述特征点集中的像素点转换为特征值,得到特征数组,并基于所述特征数组生成代表值,所述代表值与所述图像信息为映射关系;
将所述代表值与预设的风险范围进行比对,确定电力设备的风险级别。
8.一种基于人工智能的电力设备异常检测系统,其特征在于,所述系统包括:
模型生成模块,用于根据供电网络对电力设备进行分类,并计算相应的虚拟阻抗,生成供电模型;其中,所述供电网络中含有若干个供电节点,用于连接电力设备;
实际阻抗计算模块,用于获取供电网络中各供电节点的电力参数,根据所述电力参数计算实际阻抗;
异常等级确定模块,用于根据所述实际阻抗和虚拟阻抗定位问题设备,获取问题设备的运行参数,根据所述运行参数确定异常等级;
指令发送模块,用于当所述异常等级达到预设的等级阈值时,定位相应的枪机设备,根据枪球标定关系确定球机设备的运动指令,并将所述运动指令向相应的球机设备发送;
风险级别确定模块,用于接收所述球机设备获取的图像信息,根据所述图像信息确定风险级别。
9.根据权利要求8所述的基于人工智能的电力设备异常检测系统,其特征在于,所述模型生成模块包括:
区域确定单元,用于获取供电网络,根据所述供电网络中的供电节点确定供电区域;
区域表生成单元,用于根据所述供电区域生成以供电节点的标签为索引的区域表;
虚拟阻抗计算单元,用于获取电力设备的设备参数,根据所述设备参数计算虚拟阻抗;
处理执行单元,用于获取电力设备的位置信息,根据所述位置信息将所述虚拟阻抗插入相应的区域表,根据所述区域表和供电网络生成供电模型。
10.根据权利要求9所述的基于人工智能的电力设备异常检测系统,其特征在于,所述异常等级确定模块包括:
波动幅度计算单元,用于读取实际阻抗和虚拟阻抗,根据所述实际阻抗和虚拟阻抗计算波动幅度;
位置信息获取单元,用于当所述波动幅度大于预设的幅度阈值时,将电力设备标记为问题设备,根据所述供电模型获取问题设备的位置信息;
参数分析单元,用于根据所述位置信息获取问题设备的运行参数,根据所述运行参数确定异常等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111557804.8A CN113963033B (zh) | 2021-12-20 | 2021-12-20 | 一种基于人工智能的电力设备异常检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111557804.8A CN113963033B (zh) | 2021-12-20 | 2021-12-20 | 一种基于人工智能的电力设备异常检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963033A true CN113963033A (zh) | 2022-01-21 |
CN113963033B CN113963033B (zh) | 2022-03-25 |
Family
ID=79473258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111557804.8A Active CN113963033B (zh) | 2021-12-20 | 2021-12-20 | 一种基于人工智能的电力设备异常检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963033B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018854A (zh) * | 2022-08-10 | 2022-09-06 | 南京和电科技有限公司 | 一种重大危险源监测预警系统及其方法 |
CN115549313A (zh) * | 2022-11-09 | 2022-12-30 | 国网江苏省电力有限公司徐州供电分公司 | 基于人工智能的用电监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04219865A (ja) * | 1990-12-20 | 1992-08-10 | Fujitsu Ltd | ビルの設備機器監視方式 |
US20160072270A1 (en) * | 2014-09-05 | 2016-03-10 | Southern States, Llc | Fault detection and isolation using a common reference clock |
CN107403225A (zh) * | 2017-06-23 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种共享设备故障报修方法及装置 |
CN108564181A (zh) * | 2018-04-10 | 2018-09-21 | 国家电网公司 | 电力设备故障检测与维修方法及终端设备 |
US20180349817A1 (en) * | 2017-06-01 | 2018-12-06 | Autodesk, Inc. | Architecture, engineering and construction (aec) risk analysis system and method |
CN110826740A (zh) * | 2019-12-03 | 2020-02-21 | 杭州绿安智能电网技术有限公司 | 一种电力电网线路设备故障检测分析系统 |
CN111257775A (zh) * | 2020-02-24 | 2020-06-09 | 上海蔚来汽车有限公司 | 基于充电过程监控电池阻抗异常的方法、系统以及装置 |
CN111967571A (zh) * | 2020-07-07 | 2020-11-20 | 华东交通大学 | 一种基于mhma的异常检测方法和设备 |
CN113486078A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司金乡县供电公司 | 一种分布式配电网运行监控方法及系统 |
-
2021
- 2021-12-20 CN CN202111557804.8A patent/CN113963033B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04219865A (ja) * | 1990-12-20 | 1992-08-10 | Fujitsu Ltd | ビルの設備機器監視方式 |
US20160072270A1 (en) * | 2014-09-05 | 2016-03-10 | Southern States, Llc | Fault detection and isolation using a common reference clock |
US20180349817A1 (en) * | 2017-06-01 | 2018-12-06 | Autodesk, Inc. | Architecture, engineering and construction (aec) risk analysis system and method |
CN107403225A (zh) * | 2017-06-23 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种共享设备故障报修方法及装置 |
CN108564181A (zh) * | 2018-04-10 | 2018-09-21 | 国家电网公司 | 电力设备故障检测与维修方法及终端设备 |
CN110826740A (zh) * | 2019-12-03 | 2020-02-21 | 杭州绿安智能电网技术有限公司 | 一种电力电网线路设备故障检测分析系统 |
CN111257775A (zh) * | 2020-02-24 | 2020-06-09 | 上海蔚来汽车有限公司 | 基于充电过程监控电池阻抗异常的方法、系统以及装置 |
CN111967571A (zh) * | 2020-07-07 | 2020-11-20 | 华东交通大学 | 一种基于mhma的异常检测方法和设备 |
CN113486078A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司金乡县供电公司 | 一种分布式配电网运行监控方法及系统 |
Non-Patent Citations (4)
Title |
---|
APOSTOLOS N.MILIOUDIS ET AL.: "Detection and location of high impedance faults in multiconductor overhead distribution lines using power line communication devices", 《IEEE TRANSACTIONS ON SMART GRID》 * |
XIAOHUI YAN ET AL.: "Infrared image segment and fault location for power equipment", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
余石明: "肇庆500kv玉城变电站GIS局部放电在线监测系统的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
杨帅等: "基于移动运维平台的二次设备风险隐患评价系统", 《技术与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018854A (zh) * | 2022-08-10 | 2022-09-06 | 南京和电科技有限公司 | 一种重大危险源监测预警系统及其方法 |
CN115549313A (zh) * | 2022-11-09 | 2022-12-30 | 国网江苏省电力有限公司徐州供电分公司 | 基于人工智能的用电监测方法及系统 |
CN115549313B (zh) * | 2022-11-09 | 2024-03-08 | 国网江苏省电力有限公司徐州供电分公司 | 基于人工智能的用电监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113963033B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN113239314A (zh) | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 | |
CN111860300A (zh) | 一种关键点检测方法、装置、终端设备及存储介质 | |
CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和系统 | |
CN114548832B (zh) | 一种基于大数据的风电设备状态评估方法及系统 | |
CN115330887B (zh) | 一种智能变电站保护装置的自动测试系统及测试方法 | |
CN112258507B (zh) | 互联网数据中心的目标对象检测方法、装置和电子设备 | |
CN112184688B (zh) | 网络模型的训练方法、目标检测方法及相关装置 | |
CN113888480A (zh) | 一种基于mes的质量追溯方法和系统 | |
CN115549313B (zh) | 基于人工智能的用电监测方法及系统 | |
CN115797811B (zh) | 一种基于视觉的农产品检测方法及系统 | |
CN114581442B (zh) | 用于mes系统的产品检测方法及装置 | |
CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
CN115086343B (zh) | 一种基于人工智能的物联网数据交互方法及系统 | |
CN115734072A (zh) | 一种工业自动化设备的物联网集中监控方法及装置 | |
CN116486146A (zh) | 一种旋转机械设备的故障检测方法、系统、装置和介质 | |
CN116245808A (zh) | 工件缺陷检测方法、装置、电子设备及存储介质 | |
CN113608207A (zh) | 一种高炉料面形状测量方法、终端设备及存储介质 | |
CN112445709A (zh) | 一种通过gan解决afl测试模型数据不平衡的方法及装置 | |
KR102568037B1 (ko) | 파이프 인식 모델 생성 방법 및 장치, 이를 이용한 파이프 이상 영역 판단 방법 및 시스템 | |
CN115598309B (zh) | 一种大气环境铅含量的监测预警方法及系统 | |
CN117609881B (zh) | 一种基于人工智能的金属重叠检测方法及系统 | |
CN116597390B (zh) | 输电线路周边的施工隐患检测方法、装置和计算机设备 | |
CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 | |
CN112199418B (zh) | 一种工业对象的状态识别方法、装置及设备 |
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 |