CN113989490A - 变电站的压板状态识别方法、可读存储介质及计算机设备 - Google Patents
变电站的压板状态识别方法、可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113989490A CN113989490A CN202111248425.0A CN202111248425A CN113989490A CN 113989490 A CN113989490 A CN 113989490A CN 202111248425 A CN202111248425 A CN 202111248425A CN 113989490 A CN113989490 A CN 113989490A
- Authority
- CN
- China
- Prior art keywords
- information
- platen
- pressing plate
- state
- result set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009993 protective function Effects 0.000 description 1
- 230000003068 static effect 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于属于变电站领域,提供了一种变电站的压板状态识别方法、计算机可读存储介质及计算机设备。所述方法利用当前识别屏柜Cbi对应的图片Pn和压板配置信息,采用压板区域目标检测模型Da、压板状态目标检测模型Ds和压板状态分类模型C得到识别结果。即基于人工智能实现压板状态的识别,从而提高了巡检的效率和精度。
Description
技术领域
本申请属于变电站领域,尤其涉及一种变电站的压板状态识别方法、计算机可读存储介质及计算机设备。
背景技术
电力二次系统中的压板也叫保护连片,是保护装置联系外部接线的桥梁和纽带,关系到保护的功能和动作出口能否正常发挥作用,因此非常重要。各类压板的功能和投、退,特别是当现场运行方式发生变化时,有些压板也要作相应的切换,避免由于误投或漏投压板造成保护误动或拒动等人为误操作事故的发生。
按照压板接入保护装置二次回路位置的不同,压板可分为保护功能压板和出口压板两大类。保护功能压板实现了保护装置某些功能(如主保护、距离保护、零序保护等的投、退)。出口压板决定了保护动作的结果,根据保护动作出口作用的对象不同,可分为跳闸出口压板和启动压板。跳闸出口压板直接作用于本开关或联跳其他开关;启动压板作为其他保护开关之用,如失灵启动压板、闭锁备自投压板等。
从电力事故统计资料表明,人为误投退硬压板引发的事故比例仍然很高,由此可见压板的状态是否正确,对电力系统正常运行有重要影响,因此对压板状态的巡检工作也是电力系统的重要工作之一。现有的硬压板的状态监视和巡检工作主要靠人工完成,由于硬压板布局上的高度密集,形态近似度高,人工巡检存在工作量大和失误率高的问题。
发明内容
本申请的目的在于提供一种变电站的压板状态识别方法、计算机可读存储介质及计算机设备,旨在解决现有的硬压板的状态监视和巡检工作主要靠人工完成,人工巡检存在工作量大和失误率高的问题。
第一方面,本申请提供了一种变电站的压板状态识别方法,包括以下步骤:
S101、读取当前识别屏柜Cbi对应的图片Pn和压板配置信息,清空第一结果集合R={(cz,az,ez,rz,cz)}中的所有元素,第一结果集合R中的每个元素包括单个压板的状态信息cz、位置信息az、综合可信度评估信息ez、行信息rz和列信息cz;
S102、将屏柜Cbi对应的图片Pn输入到压板区域目标检测模型Da中,输出第二结果集合Va={(am,em)},第二结果集合Va中的每个元素包括目标检测得到的压板区域位置信息am和可信度评估信息em,并将可信度评估信息em大于压板区域目标检测模型的可信度阀值Damin的元素添加到第三结果集合A中;
S103、判断第三结果集合A是否为空,如果第三结果集合A为空,则将屏柜Cbi对应的图片Pn作为压板区域位置信息am以及将可信度评估信息em设置为1添加到第三结果集合A中作为第三结果集合A的元素,然后执行S104,如果第三结果集合A不为空,则直接执行S104;
S104、对第三结果集合A中的每个元素,根据压板区域位置信息am在屏柜Cbi对应的图片Pn中提取第一局部图片数据pm;
S105、将第一局部图片数据pm输入到压板状态检测模型Ds中,输出第四结果集合Vs={(sx,ax,ex)},第四结果集合Vs中的每个元素包括目标检测得到的单个压板的状态信息sx、位置信息ax和可信度评估信息ex,并将可信度评估信息ex大于压板状态目标检测模型的可信度阀值Dsmin的元素添加到第五结果集合S中;
S106、对第五结果集合S中的每个元素,根据位置信息ax在第一结果集合R中进行匹配,如果没有匹配的元素,在第一结果集合R中添加新元素(sx,ax,ex),如果与第一结果集合R中元素(sz,az,ez)匹配成功,则合并两个结果,调整综合可信度评估信息ez;
S107、判断是否有屏柜Cbi对应的图片Pn的下一张图片Pn+1,如果有,则返回S102,否则直接执行S108;
S108、将第一结果集合R中的元素(sz,az,ez),对照当前识别屏柜Cbi的压板配置信息及单个压板的位置信息az进行排列,并将行信息rz和列信息cz添加在每个元素中,得到更新后的第一结果集合R={(sz,az,ez,rz,cz)},并将综合可信度评估信息ez小于压板状态目标检测模型的综合可信度Emin的元素添加到第六结果集合R’中;
S109、按照当前识别屏柜Cbi的压板配置信息检查第一结果集合R的完整性,对缺失行信息rz和列信息cz的元素,采用临近元素的位置信息推算得到位置信息az,并构造元素(0,az,0,rz,cz)添加到第六结果集合R’中;
S1010、对第六结果集合R’中的每个元素,按照位置信息az在屏柜Cbi对应的图片Pn中提取第二局部图片数据pz;
S1011、将第二局部图片数据pz输入到压板状态分类模型C中,输出分类得到的单个压板的状态信息sy和可信度评估信息ey,并将可信度评估信息ey大于压板状态分类模型的可信度阀值Cmin的元素添加到第六结果集合R’中;
S1012、按照元素的行信息rz和列信息cz将第六结果集合R’中的元素合并到第一结果集合R中作为最终识别结果。
第二方面,本申请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存储有计算机程序,所述计算机程序被处理器执行时实现如所述的变电站的压板状态识别方法的步骤。
第三方面,本申请提供了一种计算机设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如所述的变电站的压板状态识别方法的步骤。
在本申请中,由于利用当前识别屏柜Cbi对应的图片Pn和压板配置信息,采用压板区域目标检测模型Da、压板状态目标检测模型Ds和压板状态分类模型C得到识别结果。即基于人工智能实现压板状态的识别,从而提高了巡检的效率和精度。
附图说明
图1是本申请一实施例提供的变电站的压板状态识别方法的流程图。
图2是本申请一实施例提供的计算机设备的具体结构框图。
具体实施方式
为了使本申请的目的、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,对本申请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申请,并不用于限定本申请。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
请参阅图1,是本申请一实施例提供的变电站的压板状态识别方法的流程图,本实施例主要以该变电站的压板状态识别方法应用于计算机设备为例来举例说明,本申请一实施例提供的变电站的压板状态识别方法包括以下步骤:
S101、读取当前识别屏柜Cbi对应的图片Pn和压板配置信息,清空第一结果集合R={(cz,az,ez,rz,cz)}中的所有元素,第一结果集合R中的每个元素包括单个压板的状态信息cz、位置信息az、综合可信度评估信息ez、行信息rz和列信息cz。
在本申请一实施例中,图片Pn是指摄像头拍摄屏柜Cbi得到的照片,压板配置信息包括压板排列的行数和列数。
S102、将屏柜Cbi对应的图片Pn输入到压板区域目标检测模型Da中,输出第二结果集合Va={(am,em)},第二结果集合Va中的每个元素包括目标检测得到的压板区域位置信息am和可信度评估信息em,并将可信度评估信息em大于压板区域目标检测模型的可信度阀值Damin的元素添加到第三结果集合A中。
在本申请一实施例中,所述将屏柜Cbi对应的图片Pn输入到压板区域目标检测模型Da中具体可以为:
将屏柜Cbi对应的图片Pn转换成张量输入到压板区域目标检测模型Da中。
S103、判断第三结果集合A是否为空,如果第三结果集合A为空,则将屏柜Cbi对应的图片Pn作为压板区域位置信息am以及将可信度评估信息em设置为1添加到第三结果集合A中作为第三结果集合A的元素,然后执行S104,如果第三结果集合A不为空,则直接执行S104。
S104、对第三结果集合A中的每个元素,根据压板区域位置信息am在屏柜Cbi对应的图片Pn中提取第一局部图片数据pm。
S105、将第一局部图片数据pm输入到压板状态检测模型Ds中,输出第四结果集合Vs={(sx,ax,ex)},第四结果集合Vs中的每个元素包括目标检测得到的单个压板的状态信息sx、位置信息ax和可信度评估信息ex,并将可信度评估信息ex大于压板状态目标检测模型的可信度阀值Dsmin的元素添加到第五结果集合S中。
在本申请一实施例中,所述将第一局部图片数据pm输入到压板状态检测模型Ds中具体可以为:
将第一局部图片数据pm转换成张量输入到压板状态检测模型Ds中。
S106、对第五结果集合S中的每个元素,根据位置信息ax在第一结果集合R中进行匹配,如果没有匹配的元素,在第一结果集合R中添加新元素(sx,ax,ex),如果与第一结果集合R中元素(sz,az,ez)匹配成功,则合并两个结果,调整综合可信度评估信息ez。
在本申请一实施例中,所述调整综合可信度评估信息ez具体可以选择综合可信度评估信息的最大值作为综合可信度评估信息ez,也可以采用加权平均算法得出综合可信度评估信息ez。
S107、判断是否有屏柜Cbi对应的图片Pn的下一张图片Pn+1,如果有,则返回S102,否则直接执行S108。
S108、将第一结果集合R中的元素(sz,az,ez),对照当前识别屏柜Cbi的压板配置信息及单个压板的位置信息az进行排列,并将行信息rz和列信息cz添加在每个元素中,得到更新后的第一结果集合R={(sz,az,ez,rz,cz)},并将综合可信度评估信息ez小于压板状态目标检测模型的综合可信度Emin的元素添加到第六结果集合R’中。
S109、按照当前识别屏柜Cbi的压板配置信息检查第一结果集合R的完整性,对缺失行信息rz和列信息cz的元素,采用临近元素的位置信息推算得到位置信息az,并构造元素(0,az,0,rz,cz)添加到第六结果集合R’中。
S1010、对第六结果集合R’中的每个元素,按照位置信息az在屏柜Cbi对应的图片Pn中提取第二局部图片数据pz。
S1011、将第二局部图片数据pz输入到压板状态分类模型C中,输出分类得到的单个压板的状态信息sy和可信度评估信息ey,并将可信度评估信息ey大于压板状态分类模型的可信度阀值Cmin的元素添加到第六结果集合R’中。
S1012、按照元素的行信息rz和列信息cz将第六结果集合R’中的元素合并到第一结果集合R中作为最终识别结果。
因为第六结果集合R’中的元素的原始数据来源正是第一结果集合R中挑选的可信度低或者缺少的,所以按照元素的行信息rz和列信息cz将第六结果集合R’中的元素合并到第一结果集合R中即可以作为完整的最终识别结果。
在本申请一实施例中,在S101之前,所述方法还包括以下步骤:
S1001、读取识别可信度的阀值配置数据,所述阀值配置数据包括压板区域目标检测模型的可信度阀值Damin、压板状态目标检测模型的可信度阀值Dsmin、综合可信度Emin和压板状态分类模型的可信度阀值Cmin。
在本申请一实施例中,在S1001之前,所述方法还包括以下步骤:
建立目标数据集,所述目标数据集包括摄像头拍摄屏柜得到的照片、与所述屏柜对应的压板区域位置信息、单个压板的位置信息和单个压板的状态信息;
根据目标数据集训练出压板区域目标检测模型、压板状态目标检测模型和压板状态分类模型。
所述方法还可以包括:对目标数据集进行图像处理以对目标数据集进行扩充。
在本申请一实施例中,对于压板区域目标检测模型和压板状态目标检测模型,可以根据需要和使用的场景来决定采用two-stage检测器(最具代表性的是Faster R-CNN[8])或一步检测器(如YOLO[9]、SSD[10])。two-stage检测器具有较高的定位和目标识别精度,而一步检测器具有较高的推理速度。
在本申请一实施例中,压板状态分类模型采用卷积神经网络的模型,具有更为强大的特征表达能力,在图像识别任务中性能更加出色。
S1002、加载并初始化压板区域目标检测模型Da、压板状态目标检测模型Ds和压板状态分类模型C。
本申请一实施例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存储有计算机程序,所述计算机程序被处理器执行时实现如本申请一实施例提供的变电站的压板状态识别方法的步骤。
图2示出了本申请一实施例提供的计算机设备的具体结构框图,一种计算机设备100包括:一个或多个处理器101、存储器102、以及一个或多个计算机程序,其中所述处理器101和所述存储器102通过总线连接,所述一个或多个计算机程序被存储在所述存储器102中,并且被配置成由所述一个或多个处理器101执行,所述处理器101执行所述计算机程序时实现如本申请一实施例提供的变电站的压板状态识别方法的步骤。计算机设备包括服务器和终端等。该计算机设备可以是台式计算机、移动终端或车载设备,移动终端包括手机、平板电脑、个人数字助理或可穿戴设备等中的至少一种。
在本申请中,由于利用当前识别屏柜Cbi对应的图片Pn和压板配置信息,采用压板区域目标检测模型Da、压板状态目标检测模型Ds和压板状态分类模型C得到识别结果。即基于人工智能实现压板状态的识别,从而提高了巡检的效率和精度。
应该理解的是,本申请各实施例中的各个步骤并不是必然按照步骤标号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,各实施例中至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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。
以上实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种变电站的压板状态识别方法,其特征在于,包括以下步骤:
S101、读取当前识别屏柜Cbi对应的图片Pn和压板配置信息,清空第一结果集合R={(cz,az,ez,rz,cz)}中的所有元素,第一结果集合R中的每个元素包括单个压板的状态信息cz、位置信息az、综合可信度评估信息ez、行信息rz和列信息cz;
S102、将屏柜Cbi对应的图片Pn输入到压板区域目标检测模型Da中,输出第二结果集合Va={(am,em)},第二结果集合Va中的每个元素包括目标检测得到的压板区域位置信息am和可信度评估信息em,并将可信度评估信息em大于压板区域目标检测模型的可信度阀值Damin的元素添加到第三结果集合A中;
S103、判断第三结果集合A是否为空,如果第三结果集合A为空,则将屏柜Cbi对应的图片Pn作为压板区域位置信息am以及将可信度评估信息em设置为1添加到第三结果集合A中作为第三结果集合A的元素,然后执行S104,如果第三结果集合A不为空,则直接执行S104;
S104、对第三结果集合A中的每个元素,根据压板区域位置信息am在屏柜Cbi对应的图片Pn中提取第一局部图片数据pm;
S105、将第一局部图片数据pm输入到压板状态检测模型Ds中,输出第四结果集合Vs={(sx,ax,ex)},第四结果集合Vs中的每个元素包括目标检测得到的单个压板的状态信息sx、位置信息ax和可信度评估信息ex,并将可信度评估信息ex大于压板状态目标检测模型的可信度阀值Dsmin的元素添加到第五结果集合S中;
S106、对第五结果集合S中的每个元素,根据位置信息ax在第一结果集合R中进行匹配,如果没有匹配的元素,在第一结果集合R中添加新元素(sx,ax,ex),如果与第一结果集合R中元素(sz,az,ez)匹配成功,则合并两个结果,调整综合可信度评估信息ez;
S107、判断是否有屏柜Cbi对应的图片Pn的下一张图片Pn+1,如果有,则返回S102,否则直接执行S108;
S108、将第一结果集合R中的元素(sz,az,ez),对照当前识别屏柜Cbi的压板配置信息及单个压板的位置信息az进行排列,并将行信息rz和列信息cz添加在每个元素中,得到更新后的第一结果集合R={(sz,az,ez,rz,cz)},并将综合可信度评估信息ez小于压板状态目标检测模型的综合可信度Emin的元素添加到第六结果集合R’中;
S109、按照当前识别屏柜Cbi的压板配置信息检查第一结果集合R的完整性,对缺失行信息rz和列信息cz的元素,采用临近元素的位置信息推算得到位置信息az,并构造元素(0,az,0,rz,cz)添加到第六结果集合R’中;
S1010、对第六结果集合R’中的每个元素,按照位置信息az在屏柜Cbi对应的图片Pn中提取第二局部图片数据pz;
S1011、将第二局部图片数据pz输入到压板状态分类模型C中,输出分类得到的单个压板的状态信息sy和可信度评估信息ey,并将可信度评估信息ey大于压板状态分类模型的可信度阀值Cmin的元素添加到第六结果集合R’中;
S1012、按照元素的行信息rz和列信息cz将第六结果集合R’中的元素合并到第一结果集合R中作为最终识别结果。
2.如权利要求1所述的方法,其特征在于,所述图片Pn是指拍摄屏柜Cbi得到的照片,压板配置信息包括压板排列的行数和列数。
3.如权利要求1所述的方法,其特征在于,所述将屏柜Cbi对应的图片Pn输入到压板区域目标检测模型Da中具体为:
将屏柜Cbi对应的图片Pn转换成张量输入到压板区域目标检测模型Da中;
所述将第一局部图片数据pm输入到压板状态检测模型Ds中具体为:
将第一局部图片数据pm转换成张量输入到压板状态检测模型Ds中。
4.如权利要求1所述的方法,其特征在于,在S101之前,所述方法还包括以下步骤:
S1001、读取识别可信度的阀值配置数据,所述阀值配置数据包括压板区域目标检测模型的可信度阀值Damin、压板状态目标检测模型的可信度阀值Dsmin、综合可信度Emin和压板状态分类模型的可信度阀值Cmin;
S1002、加载并初始化压板区域目标检测模型Da、压板状态目标检测模型Ds和压板状态分类模型C。
5.如权利要求4所述的方法,其特征在于,在S1001之前,所述方法还包括以下步骤:
建立目标数据集,所述目标数据集包括摄像头拍摄屏柜得到的照片、与所述屏柜对应的压板区域位置信息、单个压板的位置信息和单个压板的状态信息;
根据目标数据集训练出压板区域目标检测模型、压板状态目标检测模型和压板状态分类模型。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:对目标数据集进行图像处理以对目标数据集进行扩充。
7.如权利要求1所述的方法,其特征在于,压板区域目标检测模型和压板状态目标检测模型采用two-stage检测器或一步检测器。
8.如权利要求1所述的方法,其特征在于,压板状态分类模型采用卷积神经网络的模型。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的变电站的压板状态识别方法的步骤。
10.一种计算机设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的变电站的压板状态识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248425.0A CN113989490B (zh) | 2021-10-26 | 2021-10-26 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248425.0A CN113989490B (zh) | 2021-10-26 | 2021-10-26 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989490A true CN113989490A (zh) | 2022-01-28 |
CN113989490B CN113989490B (zh) | 2022-07-29 |
Family
ID=79741692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111248425.0A Active CN113989490B (zh) | 2021-10-26 | 2021-10-26 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989490B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11105263A (ja) * | 1997-10-03 | 1999-04-20 | Toyo Ink Mfg Co Ltd | 刷版の識別符与方法、刷版の装置・確認方法およびその装置 |
CN109740696A (zh) * | 2019-01-30 | 2019-05-10 | 亮风台(上海)信息科技有限公司 | 一种用于压板识别的方法与设备 |
CN110020643A (zh) * | 2018-01-10 | 2019-07-16 | 亮风台(上海)信息科技有限公司 | 一种压板识别方法与设备 |
CN110674808A (zh) * | 2019-08-28 | 2020-01-10 | 国网天津市电力公司电力科学研究院 | 一种变电站压板状态智能识别方法及装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及系统 |
CN113221687A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种压板状态识别模型的训练方法及压板状态识别方法 |
-
2021
- 2021-10-26 CN CN202111248425.0A patent/CN113989490B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11105263A (ja) * | 1997-10-03 | 1999-04-20 | Toyo Ink Mfg Co Ltd | 刷版の識別符与方法、刷版の装置・確認方法およびその装置 |
CN110020643A (zh) * | 2018-01-10 | 2019-07-16 | 亮风台(上海)信息科技有限公司 | 一种压板识别方法与设备 |
CN109740696A (zh) * | 2019-01-30 | 2019-05-10 | 亮风台(上海)信息科技有限公司 | 一种用于压板识别的方法与设备 |
CN110674808A (zh) * | 2019-08-28 | 2020-01-10 | 国网天津市电力公司电力科学研究院 | 一种变电站压板状态智能识别方法及装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及系统 |
CN113221687A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种压板状态识别模型的训练方法及压板状态识别方法 |
Non-Patent Citations (2)
Title |
---|
吕志宁等: "基于图像处理的保护压板定位及状态识别研究", 《数字技术与应用》 * |
王铭民等: "基于图像识别技术的变电站设备短路损耗工况检测模型算法", 《科技通报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113989490B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818369A (zh) | 变电设备故障处理方法及终端设备 | |
CN109001596B (zh) | 一种电网故障诊断与输电线路参数辨识系统 | |
CN108595523B (zh) | 设备数据检索模型构建方法、装置及计算机设备 | |
US20230215201A1 (en) | Identify card number | |
CN110954734A (zh) | 故障诊断方法、装置、设备和存储介质 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN113989490B (zh) | 变电站的压板状态识别方法、可读存储介质及计算机设备 | |
CN113807353A (zh) | 图像转换模型训练方法、装置、设备及存储介质 | |
CN117170894A (zh) | 基于实时计算的事件中心管理方法和装置 | |
CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN115327299A (zh) | 一种电力系统连锁故障的识别方法及相关设备 | |
CN116361567B (zh) | 应用于云办公的数据处理方法及系统 | |
CN110838940B (zh) | 地下电缆巡检任务配置方法和装置 | |
CN111258608A (zh) | 终端设备的软件升级方法、装置和电子系统 | |
CN116402354A (zh) | 评估参数确定方法、装置、介质与电子设备 | |
CN114707912B (zh) | 一种电网风险检测方法、装置和设备 | |
CN112054509B (zh) | 一种变电站母线拓扑结构的识别方法及系统、设备、介质 | |
CN113922343A (zh) | 配电网保护定值整定方法、终端设备和存储介质 | |
CN111861787A (zh) | 变电操作票处理方法、装置、计算机设备和存储介质 | |
CN107862144B (zh) | 基于电网的计算机模拟方法及系统 | |
CN111951141A (zh) | 基于大数据智能分析的双随机监管方法、系统及终端设备 | |
CN110647450B (zh) | 业务流程断点修复方法、装置、计算机设备和存储介质 | |
CN112396100A (zh) | 一种细粒度分类模型的优化方法、系统及相关装置 | |
CN113161918B (zh) | 变电站就地测控终端的防误闭锁逻辑展示方法和装置 | |
CN113158751B (zh) | 一种便于快速处理压板开关状态的方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method for identifying the status of pressure plates in substations, readable storage media, and computer equipment Granted publication date: 20220729 Pledgee: Nanjing Zidong sub branch of Bank of Nanjing Co.,Ltd. Pledgor: NANJING SP-NICE TECHNOLOGY DEVELOPMENT CO.,LTD. Registration number: Y2024980015368 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |