CN114037873A - 基于人工智能的变电站二次回路保护压板检测系统及方法 - Google Patents
基于人工智能的变电站二次回路保护压板检测系统及方法 Download PDFInfo
- Publication number
- CN114037873A CN114037873A CN202111322231.0A CN202111322231A CN114037873A CN 114037873 A CN114037873 A CN 114037873A CN 202111322231 A CN202111322231 A CN 202111322231A CN 114037873 A CN114037873 A CN 114037873A
- Authority
- CN
- China
- Prior art keywords
- image
- pressing plate
- transformer substation
- secondary circuit
- segmentation
- 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
- 238000003825 pressing Methods 0.000 title claims abstract description 135
- 230000004224 protection Effects 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010191 image analysis Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012567 pattern recognition method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
- H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
- H02J13/0004—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers involved in a protection system
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明基于人工智能的变电站二次回路保护压板检测系统及方法，属于变电站二次回路保护压板检测技术领域；所要解决的技术问题为：提供基于人工智能的变电站二次回路保护压板检测系统硬件结构的改进；解决上述技术问题采用的技术方案为：包括拍照模块、标准数据库模块、图像分析处理模块，所述拍照模块用于采集变电站二次回路压板的图像数据，并将该图像数据发送至图像分析处理模块进行图像分割、图像识别，所述标准数据库模块内部存储有不同型号压板的标准状态数据，将经过图像识别的压板与对应型号的压板数据库进行比较，判断各压板状态是否正确，输出识别结果；本发明应用于变电站保护压板。
Description
技术领域
本发明基于人工智能的变电站二次回路保护压板检测系统及方法，属于二次回路压板状态智能检测技术领域。
背景技术
随着电网规模的扩大，变电站二次系统保护压板的数量与日俱增，将耗费大量的人力资源，与国家电网公司倡导的精益化管理相悖。变电站二次系统的继电保护是守护电网安全的重要防线，其物理回路上的保护压板是二次设备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。
变电站二次回路保护压板投退的正确性是各类保护正确动作的前提，因此，按照有关规定，变电站运维人员每月须定期开展保护压板核对工作，在很大程度上避免因保护压板的投退错误而引发事故事件。目前运维人员普遍采用现场人工核对方式，两人为一组，一人拿着压板表，另一人复诵并手指核对，这种方法效率较低。
虽然继电保护本身的信息化、智能化水平很高，但在保护硬压板管理方面的信息化、智能化水平则相对较低，技术手段已经不能满足运维管理精益化、自动化的需要，具体表现在物理回路硬压板运行状态完全依赖于现场人工巡检，而由于保护压板在屏柜布局上的高度密集性，在功能上的集成复合性等特点，很容易出现压板巡检疏漏及操作错误。特别是智能变电站投入运行后，压板状态的获取、查看和核对出现了不直观、数量多等问题，导致压板错误更难以及时发现，进而会造成继电保护装置误动或拒动，造成变电站停电事故发生。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于人工智能的变电站二次回路保护压板检测系统及方法的改进。
为了解决上述技术问题，本发明采用的技术方案为：基于人工智能的变电站二次回路保护压板检测系统，包括拍照模块、标准数据库模块、图像分析处理模块，所述拍照模块用于采集变电站二次回路压板的图像数据，并将该图像数据发送至图像分析处理模块进行图像分割、图像识别，所述标准数据库模块内部存储有不同型号压板的标准状态数据，将经过图像识别的压板与对应型号的压板数据库进行比较，判断各压板状态是否正确，输出识别结果。
所述拍照模块具体采用带有摄像头的平板电脑，所述平板电脑上搭载有操作系统，所述平板电脑上安装有压板检测客户端；
所述图像分析处理模块包括对采集的压板图像的图像预处理、图像识别算法，其中图像预处理包括几何校正、光照补偿、滤波、转换为HSV空间的数据预处理，图像识别算法包括图像分割、特征提取、决策分类，其中图像分割算法采用基于Mean Shift的图像分割算法去除背景、提取目标，所述图像识别算法具体采用模式识别或特征分类HOG+SVM或深度神经网络的一种及多种组合。
所述标准数据库模块包括对压板投退状态执行写入和修改的模块，其中写入模块的步骤为：打开平板电脑上的压板检测客户端，顺序录入保护屏的屏号、压板行数及列数，输入保护屏各压板的投退状态，执行写入保存输入结果，作为压板定值；
修改模块的步骤为：打开平板电脑上的压板检测客户端，执行修改功能，以列表方式显示压板数据库，根据需要修改各压板的投退状态，并保存修改结果。
所述图像预处理包括几何校正、光照补偿、滤波、转换为HSV空间。
基于人工智能的变电站二次回路保护压板检测方法，包括如下步骤：
步骤一：构建数据集：变电站二次回路保护压板作业图像采集，并将采集的图像数据作为数据集；
步骤二：图像预处理：将步骤一中采集的压板数据进行几何校正、光照补偿、滤波、转换为HSV空间的数据预处理；
步骤三：图像识别：将预处理后的图像数据输入图像识别模型中进行图像处理；
步骤四：将经过图像处理的后的压板图像再经过轮廓检测，得到压板检测的结果。
所述图像识别包括图像分割、特征提取、决策分类，其中图像分割具体采用基于Mean Shift的图像分割算法，决策分类具体采用SVM决策分类器。
所述图像分割步骤包括：
根据图像的空间信息和色彩或灰度信息，组成一个p+维的向量＝(xs，xt)，其中xs表示坐标空间(Spatia，px，py)，xt表示颜色空间(Range：[r，g，b])；
分别用xi和zi(i＝1，2，……，n)表示原始和分割后的图像，定义向量：
上式中：ω(xi)为采样点x的权重，离x近的采样点，xi有较大的权重；
定义核函数来估计x的分布：
上式中：hs、hr为分割分辨率，分别代表坐标空间和颜色空间的带宽，其值越大，越多的图像细节就会被忽略；C为归一化常量；
分割的具体步骤如下：对每一个像素点：①初始化j＝1，并且使yi，1＝xi；②计算mh(x)；③把mh(x)赋给x；④如果||mh(x)-x||＜ε，分割结束，记收敛后的值为yi，c，否则，继续执行①；⑤赋值zi＝(xs i，yr i，c)；⑥收敛至同一点的起始点归为一类，合并像素点过少的类，融合局部像素，得到分割结果。
所述特征提取包括：分割后的图像区域包括多种特征，包括颜色、边缘、纹理、形状和大小特征；
通过非线性分类器进行图像区域识别：首先，将颜色直方图作为图像区域特征；然后，采用计算图像区域的大小及形状、并与颜色直方图配合，来对图像区域进行描述。
所述决策分类的步骤如下：
经过图像分割之后，得到一系列区域，利用模式识别方法，建立一个SVM决策分类器，区域分为两类：一类为压板区域；另一类为非压板区域；
设n维训练样本为x1，x2，……，xn，训练样本各个维度的物理意义为图像中的压板区域大小、长轴长度、短轴长度、周长、形心和颜色特征；
采用最优分类界面H为：wTx-b＝0；H为n维空间中的超平面的向量方程：其中，w和x都是n维列向量，x为平面上的点，w为平面上的法向量，决定了超平面的方向，b是一个实数，代表超平面到原点的距离；T表示集合，wT为法向量集。因此，公式等于0时就是决策分类器的最优分类。
给定训练样本集：
式中，yi为某个区域是否为压板的标志位，取值为1或0，其中1表示是压板区域；0表示非压板区域。
本发明相对于现有技术具备的有益效果为：本发明提供的基于人工智能的变电站二次回路保护压板检测系统解决了变电站二次回路压板状态数据的采集及状态监测困难、人工巡检工作量大和误操作等问题，大幅提升了智能站运维的工作效率，变电站运维周期明显缩短；同时，降低了误操作风险，提升了现场运行维护、检修作业和专业管理水平。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明的系统结构示意图；
图2为本发明的算法流程图；
图3为本发明向量机的决策流程图。
具体实施方式
如图1至图3所示，本发明基于人工智能的变电站二次回路保护压板检测系统，包括拍照模块、标准数据库模块、图像分析处理模块，所述拍照模块用于采集变电站二次回路压板的图像数据，并将该图像数据发送至图像分析处理模块进行图像分割、图像识别，所述标准数据库模块内部存储有不同型号压板的标准状态数据，将经过图像识别的压板与对应型号的压板数据库进行比较，判断各压板状态是否正确，输出识别结果。
所述拍照模块具体采用带有摄像头的平板电脑，所述平板电脑上搭载有操作系统，所述平板电脑上安装有压板检测客户端；
所述图像分析处理模块包括对采集的压板图像的图像预处理、图像识别算法，其中图像预处理包括几何校正、光照补偿、滤波、转换为HSV空间的数据预处理，图像识别算法包括图像分割、特征提取、决策分类，其中图像分割算法采用基于Mean Shift的图像分割算法去除背景、提取目标，所述图像识别算法具体采用模式识别或特征分类HOG+SVM或深度神经网络的一种及多种组合。
所述标准数据库模块包括对压板投退状态执行写入和修改的模块，其中写入模块的步骤为：打开平板电脑上的压板检测客户端，顺序录入保护屏的屏号、压板行数及列数，输入保护屏各压板的投退状态，执行写入保存输入结果，作为压板定值；
修改模块的步骤为：打开平板电脑上的压板检测客户端，执行修改功能，以列表方式显示压板数据库，根据需要修改各压板的投退状态，并保存修改结果。
所述图像预处理包括几何校正、光照补偿、滤波、转换为HSV空间。
基于人工智能的变电站二次回路保护压板检测方法，包括如下步骤：
步骤一：构建数据集：变电站二次回路保护压板作业图像采集，并将采集的图像数据作为数据集；
步骤二：图像预处理：将步骤一中采集的压板数据进行几何校正、光照补偿、滤波、转换为HSV空间的数据预处理；
步骤三：图像识别：将预处理后的图像数据输入图像识别模型中进行图像处理；
步骤四：将经过图像处理的后的压板图像再经过轮廓检测，得到压板检测的结果。
所述图像识别包括图像分割、特征提取、决策分类，其中图像分割具体采用基于Mean Shift的图像分割算法，决策分类具体采用SVM决策分类器。
所述图像分割步骤包括：
根据图像的空间信息和色彩或灰度信息，组成一个p+维的向量＝(xs，xt)，其中xs表示坐标空间(Spatia，px，py)，xt表示颜色空间(Range：[r，g，b])；
分别用xi和zi(i＝1，2，……，n)表示原始和分割后的图像，定义向量：
上式中：ω(xi)为采样点x的权重，离x近的采样点，xi有较大的权重；
定义核函数来估计x的分布：
上式中：hs、hr为分割分辨率，分别代表坐标空间和颜色空间的带宽，其值越大，越多的图像细节就会被忽略；C为归一化常量；
分割的具体步骤如下：对每一个像素点：①初始化j＝1，并且使yi，1＝xi；②计算mh(x)；③把mh(x)赋给x；④如果||mh(x)-x||＜ε，分割结束，记收敛后的值为yi，c，否则，继续执行①；⑤赋值zi＝(xs i，yr i，c)；⑥收敛至同一点的起始点归为一类，合并像素点过少的类，融合局部像素，得到分割结果。
所述特征提取包括：分割后的图像区域包括多种特征，包括颜色、边缘、纹理、形状和大小特征；
通过非线性分类器进行图像区域识别：首先，将颜色直方图作为图像区域特征；然后，采用计算图像区域的大小及形状、并与颜色直方图配合，来对图像区域进行描述。
所述决策分类的步骤如下：
经过图像分割之后，得到一系列区域，利用模式识别方法，建立一个SVM决策分类器，区域分为两类：一类为压板区域；另一类为非压板区域；
设n维训练样本为x1，x2，……，xn，训练样本各个维度的物理意义为图像中的压板区域大小、长轴长度、短轴长度、周长、形心和颜色特征；
采用最优分类界面H为：wTx-b＝0；w和x都是n维列向量，x为平面上的点，w为平面上的法向量，决定了超平面的方向，b是一个实数；H为n维空间中的超平面的向量方程，b是一个实数，代表超平面到原点的距离。因此，公式等于0时就是决策分类器的最优分类。T表示集合，这是向量机SVM决策算法的简化表示方程公式，由于综合判断压板状态有多个维度参数，wT为法向量集，x＝(x1，x2，x3…)也是数据集。
给定训练样本集：
式中，yi为某个区域是否为压板的标志位，取值为1或0，其中1表示是压板区域；0表示非压板区域。
本发明针对变电站二次回路压板状态数据的采集及状态监测困难、人工巡检工作量大和误操作等问题，为了有效提升智能站运维的工作效率，降低误操作风险，提升现场运行维护、检修作业和专业管理水平，本发明研究基于人工智能辨识技术的二次回路压板状态智能校验及防误预警技术，开发变电站二次回路压板智能运维管理系统及防误管控装置，实现二次回路硬压板投退状态的自动校对、异常变位报警、硬压板投退操作执行流程的规范化管理和操作前后的自适应防误校验等功能，提高变电站二次系统的安全保障和智能化运维管理水平。
本发明提出的二次物理回路硬压板模式识别系统由硬件与软件组成，硬件采用带摄像功能的平板电脑，搭载windows操作系统；软件基于VC++、OpenCV工具进行构建，主要功能模块包括图像拍照、标准数据库和图像分析等。系统结构如图1所示。
各模块的主要功能如下：
1)图像拍照。启动摄像头，对准要拍摄的保护压板，按下“拍照保存”，输入“压板型号”，存储为800×600像素图像文件。在图像上“截取图像”，作为基准图元关联相应的动作值。
2)标准数据库。顺序录入保护屏的屏号、压板行数及列数，输入保护屏各压板的投退状态，执行“写入”保存输入结果，作为压板定值。执行“修改”功能，以列表方式显示压板数据库，可根据需要修改各压板的投退状态，并保存修改结果。
3)图像分析。对图像文件进行模式识别，与对应型号的压板数据库进行比较，判定各压板状态是否正确，输出识别结果。
本发明将自动采集监控范围内所有压板的状态，与正常保护运行方式的状态进行全方位的比对，自动生成核对结果，并且以可视化图形、报表等形式展现，最终完成二次物理回路压板投退状态的就地精准识别与自动校核，通过技术手段完成二次压板的巡检工作。详细记录变电站二次保护硬压板的每一次投退操作，并记录相应的发生时间，形成压板动作档案，方便查找和事故追溯。
根据对变电站二次回路压板状态核对的要求，摄像头获取目标对象的图像后，则立即送入图像识别算法中。图像识别主要包括几何校正、光照补偿、滤波、转换为HSV空间、算法处理和状态判定。对保护压板现场实物图经过一系列图像处理后，再经过轮廓检测，便可得到压板检测的结果。算法流程如图2所示。
本发明采用基于Mean Shift的图像分割算法作为去除背景、提取目标的方法，将分割后面积较大的区域作为背景区域去除，所有面积较小的区域均作为目标区域输入，以向量机决策分类器进行判决。向量机决策流程如图3所示。
(1)图像分割
由于二次物理回路保护压板图像的边缘条件不复杂，所以采用常规的图像分割方法，如基于区域、基于阈值以及基于边缘的算法，都能取得良好的分割效果。
Mean Shift是一种特征空间分析方法，运用于图像分割时，统一考虑图像的空间信息和色彩(或灰度等)信息，p+维的向量＝(xs，xt)，其中xs表示坐标空间(Spatia，px，py)，xt表示颜色空间(Range：[r，g，b])，若图像为灰度，则p＝1，若图像为彩色RGB，则p＝3。分别用xi和zi(i＝1，2，……，n)表示原始和分割后的图像，定义向量：
式中，ω(xi)为采样点x的权重，离x近的采样点，xi有较大的权重，即离x越近的采样点对估计x周围的统计特性越有效；反之亦然。
定义核函数来估计x的分布：
式中，hs、hr可看作分割分辨率，分别代表坐标空间和颜色空间的带宽，其值越大，越多的图像细节就会被忽略；C为归一化常量。
分割的具体步骤如下(对每一个像素点)：①初始化j＝1，并且使yi，1＝xi；②计算mh(x)；③把mh(x)赋给x；④如果||mh(x)-x||＜ε，分割结束，记收敛后的值为yi，c，否则，继续执行①；⑤赋值zi＝(xs i，yr i，c)；⑥收敛至同一点的起始点归为一类，合并像素点过少的类，融合局部像素，得到分割结果。
(2)特征提取
分割后的图像区域可以由多种特征表示，包括颜色、边缘、纹理、形状和大小等特征。在本发明中将尽可能地提取丰富的特征信息，并通过设计非线性分类器进行图像区域识别。首先，将颜色直方图作为图像区域特征；然后，采用计算图像区域的大小及形状、并与颜色直方图配合，来对图像区域进行描述。
(3)决策分类
经过图像分割之后，得到一系列区域，利用模式识别方法，建立一个SVM决策分类器。区域分为2类：一类为压板区域；另一类为非压板区域。设n维训练样本为x1，x2，……，xn，训练样本各个维度的物理意义为图像中的压板区域大小、长轴长度、短轴长度、周长、形心和颜色等特征。采用最优分类界面H为：
ωTx-b＝0 (式3-3)
给定训练样本集：
式中，yi为某个区域是否为压板的标志位，取值为1或0。1表示是压板区域；0表示非压板区域。
在核对时，系统获取与变电站压板运行方案中压板状态的定义和基准值，对二次物理回路硬压板位置可根据选定的运行方式进行数字化校验核对并生成核对报告，对于基准值不一致的压板进行告警，实现二次回路压板状态的自动核对、监测报警等功能，及时提醒运维人员处理异常信息。核对的起始时间点、核对周期以及待核对变电站支持动态设置，支持按变电站、起始时间、装置和压板等条件对压板的变化断面进行查询，包括压板名称、类型、变位时间和变位前后状态等，用于电网故障分析与回溯查询。
本发明提出基于人工智能图像识别与形态特征分析的智能变电站保护压板状态精准识别和自动校核方法，通过对监控场景中保护压板图像序列的语义理解，建立二次物理回路压板的形态特征分析模型，提出适用于硬压板特征的图形图像识别算法，为开展压板状态获取、变位监视、位置核对和操作预警等各类应用奠定基础。
本发明基于多维信息构建了远方许可、远程监护、检修人员操作、设备巡检与状态确认协同作业模式，实现对硬压板投退操作执行流程的规范化管理和操作前后的自适应数字化防误校验，提高安全保障，降低工作强度。
本发明提出的变电站二次回路保护压板检测系统解决了变电站二次回路压板状态数据的采集及状态监测困难、人工巡检工作量大和误操作等问题，大幅提升了智能站运维的工作效率，变电站运维周期明显缩短；同时，降低了误操作风险，提升了现场运行维护、检修作业和专业管理水平。后续可在各电压等级、各类型变电站进行应用推广，深入推进变电站二次运维的信息化、智能化、移动化水平提升，有力保障电网的安全稳定运行，具有广泛的应用前景。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.基于人工智能的变电站二次回路保护压板检测系统，其特征在于：包括拍照模块、标准数据库模块、图像分析处理模块，所述拍照模块用于采集变电站二次回路压板的图像数据，并将该图像数据发送至图像分析处理模块进行图像分割、图像识别，所述标准数据库模块内部存储有不同型号压板的标准状态数据，将经过图像识别的压板与对应型号的压板数据库进行比较，判断各压板状态是否正确，输出识别结果。
2.根据权利要求1所述的基于人工智能的变电站二次回路保护压板检测系统，其特征在于：所述拍照模块具体采用带有摄像头的平板电脑，所述平板电脑上搭载有操作系统，所述平板电脑上安装有压板检测客户端；
所述图像分析处理模块包括对采集的压板图像的图像预处理、图像识别算法，其中图像预处理包括几何校正、光照补偿、滤波、转换为HSV空间的数据预处理，图像识别算法包括图像分割、特征提取、决策分类，其中图像分割算法采用基于Mean Shift的图像分割算法去除背景、提取目标，所述图像识别算法具体采用模式识别或特征分类HOG+SVM或深度神经网络的一种及多种组合。
3.根据权利要求1所述的基于人工智能的二次回路压板状态模式识别系统，其特征在于：所述标准数据库模块包括对压板投退状态执行写入和修改的模块，其中写入模块的步骤为：打开平板电脑上的压板检测客户端，顺序录入保护屏的屏号、压板行数及列数，输入保护屏各压板的投退状态，执行写入保存输入结果，作为压板定值；
修改模块的步骤为：打开平板电脑上的压板检测客户端，执行修改功能，以列表方式显示压板数据库，根据需要修改各压板的投退状态，并保存修改结果。
4.根据权利要求1所述的基于人工智能的二次回路压板状态模式识别系统，其特征在于：所述图像预处理包括几何校正、光照补偿、滤波、转换为HSV空间。
5.基于人工智能的变电站二次回路保护压板检测方法，其特征在于：包括如下步骤：
步骤一：构建数据集：变电站二次回路保护压板作业图像采集，并将采集的图像数据作为数据集；
步骤二：图像预处理：将步骤一中采集的压板数据进行几何校正、光照补偿、滤波、转换为HSV空间的数据预处理；
步骤三：图像识别：将预处理后的图像数据输入图像识别模型中进行图像处理；
步骤四：将经过图像处理的后的压板图像再经过轮廓检测，得到压板检测的结果。
6.根据权利要求5所述的于人工智能的变电站二次回路保护压板检测方法，其特征在于：所述图像识别包括图像分割、特征提取、决策分类，其中图像分割具体采用基于MeanShift的图像分割算法，决策分类具体采用SVM决策分类器。
7.根据权利要求6所述的于人工智能的变电站二次回路保护压板检测方法，其特征在于：所述图像分割步骤包括：
根据图像的空间信息和色彩或灰度信息，组成一个p+维的向量＝(xs，xt)，其中xs表示坐标空间(Spatia，px，py)，xt表示颜色空间(Range：[r，g，b])；
分别用xi和zi(i＝1，2，……，n)表示原始和分割后的图像，定义向量：
上式中：ω(xi)为采样点x的权重，离x近的采样点，xi有较大的权重；
定义核函数来估计x的分布：
上式中：hs、hr为分割分辨率，分别代表坐标空间和颜色空间的带宽，其值越大，越多的图像细节就会被忽略；C为归一化常量；
分割的具体步骤如下：对每一个像素点：①初始化j＝1，并且使yi，1＝xi；②计算mh(x)；③把mh(x)赋给x；④如果||mh(x)-x||＜ε，分割结束，记收敛后的值为yi，c，否则，继续执行①；⑤赋值zi＝(xs i，yr i，c)；⑥收敛至同一点的起始点归为一类，合并像素点过少的类，融合局部像素，得到分割结果。
8.根据权利要求6所述的于人工智能的变电站二次回路保护压板检测方法，其特征在于：所述特征提取包括：分割后的图像区域包括多种特征，包括颜色、边缘、纹理、形状和大小特征；
通过非线性分类器进行图像区域识别：首先，将颜色直方图作为图像区域特征；然后，采用计算图像区域的大小及形状、并与颜色直方图配合，来对图像区域进行描述。
9.根据权利要求6所述的于人工智能的变电站二次回路保护压板检测方法，其特征在于：所述决策分类的步骤如下：
经过图像分割之后，得到一系列区域，利用模式识别方法，建立一个SVM决策分类器，区域分为两类：一类为压板区域；另一类为非压板区域；
设n维训练样本为x1，x2，……，xn，训练样本各个维度的物理意义为图像中的压板区域大小、长轴长度、短轴长度、周长、形心和颜色特征；
采用最优分类界面H为：wTx-b＝0；w和x都是n维列向量，x为平面上的点，w为平面上的法向量，决定了超平面的方向，b是一个实数，T表示集合，wT为法向量集；
给定训练样本集：
式中，yi为某个区域是否为压板的标志位，取值为1或0，其中1表示是压板区域；0表示非压板区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111322231.0A CN114037873A (zh) | 2021-11-09 | 2021-11-09 | 基于人工智能的变电站二次回路保护压板检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111322231.0A CN114037873A (zh) | 2021-11-09 | 2021-11-09 | 基于人工智能的变电站二次回路保护压板检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037873A true CN114037873A (zh) | 2022-02-11 |
Family
ID=80136939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111322231.0A Pending CN114037873A (zh) | 2021-11-09 | 2021-11-09 | 基于人工智能的变电站二次回路保护压板检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037873A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116231576A (zh) * | 2023-05-10 | 2023-06-06 | 广东电网有限责任公司湛江供电局 | 一种继电保护装置的定检智能识别方法、装置及设备 |
| CN117437589A (zh) * | 2023-10-30 | 2024-01-23 | 国网四川省电力公司绵阳供电公司 | 变电站继电保护设备防误检测方法、系统、设备及介质 |
-
2021
- 2021-11-09 CN CN202111322231.0A patent/CN114037873A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116231576A (zh) * | 2023-05-10 | 2023-06-06 | 广东电网有限责任公司湛江供电局 | 一种继电保护装置的定检智能识别方法、装置及设备 |
| CN117437589A (zh) * | 2023-10-30 | 2024-01-23 | 国网四川省电力公司绵阳供电公司 | 变电站继电保护设备防误检测方法、系统、设备及介质 |
| CN117437589B (zh) * | 2023-10-30 | 2024-08-09 | 国网四川省电力公司绵阳供电公司 | 变电站继电保护设备防误检测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110854807B (zh) | 基于ocr技术的新能源继电保护智能校核及预警系统 | |
| CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
| CN114037873A (zh) | 基于人工智能的变电站二次回路保护压板检测系统及方法 | |
| CN111209864B (zh) | 一种电力设备目标识别方法 | |
| CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
| CN111402224A (zh) | 一种用于电力设备的目标识别方法 | |
| CN108537196B (zh) | 基于运动历史点云生成的时空分布图的人体行为识别方法 | |
| US11810348B2 (en) | Method for identifying power equipment targets based on human-level concept learning | |
| CN114049589A (zh) | 一种基于人工智能的变电站监测系统 | |
| CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
| CN117115727A (zh) | 一种变电站缺陷判别方法及系统 | |
| CN116740654A (zh) | 基于图像识别技术的变电站作业防控方法 | |
| CN116824517A (zh) | 基于可视化的变电站运维安全管控系统 | |
| CN114241542A (zh) | 基于图像拼接的人脸识别方法 | |
| CN113076825A (zh) | 一种变电站工作人员爬高安全监测方法 | |
| Yang et al. | Safety helmet wearing detection based on an improved YOLOv3 scheme | |
| CN116311082B (zh) | 基于关键部位与图像匹配的穿戴检测方法及系统 | |
| CN117636129A (zh) | 一种电力施工监督图像的识别方法 | |
| Imran et al. | Image-based automatic energy meter reading using deep learning | |
| CN103824058A (zh) | 基于局部分布式线性嵌套算法的人脸识别系统及方法 | |
| CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
| CN116310967A (zh) | 一种基于改进YOLOv5的化工厂安全帽佩戴检测方法 | |
| Lu et al. | Anomaly detection method for substation equipment based on feature matching and multi-Semantic classification |
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 |