CN114861985A - 基于开放神经网络交换算法的冰害预警方法、系统和介质 - Google Patents

基于开放神经网络交换算法的冰害预警方法、系统和介质 Download PDF

Info

Publication number
CN114861985A
CN114861985A CN202210380292.0A CN202210380292A CN114861985A CN 114861985 A CN114861985 A CN 114861985A CN 202210380292 A CN202210380292 A CN 202210380292A CN 114861985 A CN114861985 A CN 114861985A
Authority
CN
China
Prior art keywords
transmission line
power transmission
icing
ice
early warning
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
Application number
CN202210380292.0A
Other languages
English (en)
Inventor
李晓刚
刘祝鸿
杨代铭
谢敏
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.)
Research Institute Of Tsinghua Pearl River Delta
Original Assignee
Research Institute Of Tsinghua Pearl River Delta
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 Research Institute Of Tsinghua Pearl River Delta filed Critical Research Institute Of Tsinghua Pearl River Delta
Priority to CN202210380292.0A priority Critical patent/CN114861985A/zh
Publication of CN114861985A publication Critical patent/CN114861985A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于开放神经网络交换算法的冰害预警方法、系统和介质，可应用于高压电线路安全技术领域。本发明方法通过双目摄像头实时采集输电线路图像，并对输电线路图像进行预处理，以提高后续识别和检测精度；接着将预处理后的输电线路图像输入多尺度目标检测网络，以得到输电线路当前时刻的覆冰厚度，同时，将对预处理后的输电线路图像进行覆冰类型识别，以得到输电线路当前时刻的覆冰类型；然后根据微气象信息结合当前时刻的覆冰厚度和当前时刻的覆冰类型，通过记忆网络预测得到下一时刻的输电线路覆冰情况，并根据预测结果生成冰害预警信号，以实现自动覆冰预警功能，提高覆冰情况发现的及时性，有效降低输电线路路事故发生概率。

Description

基于开放神经网络交换算法的冰害预警方法、系统和介质
技术领域
本发明涉及高压电线路安全技术领域，尤其是一种基于开放神经网络交换算法的冰害预警方法、系统和介质。
背景技术
相关技术中，当输电线路路处于冷暖流交汇区，加之江河纵横、地形和气候等因素，导致很大一部分架空输电线路都处于低温、高湿度、风力大的微气象区内，使得线路易发生覆冰灾害。对于覆冰灾害，目前的预警方法是依赖于人工巡线，人工巡线方式会出现覆冰情况发现不及时的情况，从而提高了输电线路路事故发生的概率。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于开放神经网络交换算法的冰害预警方法、系统和介质，能够有效降低输电线路路事故发生概率。
一方面，本发明实施例提供了一种基于开放神经网络交换算法的冰害预警方法，包括以下步骤：
获取双目摄像头实时采集的输电线路图像；
对所述输电线路图像进行预处理；
将预处理后的所述输电线路图像输入多尺度目标检测网络，得到输电线路当前时刻的覆冰厚度；
对预处理后的所述输电线路图像进行覆冰类型识别，得到输电线路当前时刻的覆冰类型；
获取输电线路所属区域内传感器模块实时采集的微气象信息；
根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况；
根据所述下一时刻的输电线路覆冰情况生成冰害预警信号。
在一些实施例中，所述对所述输电线路图像进行预处理，包括：
采用图像去雾算法对所述输电线路图像进行去雾化处理；
其中，所述图像去雾算法的处理过程包括：
将所述输电线路图像输入预设循环生成对抗网络，通过所述预设循环生成对抗网络内的颜色损失和特征损失对所述输电线路图像进行去雾化处理。
在一些实施例中，所述对所述输电线路图像进行预处理，还包括：
将去雾化处理后的所述输电线路图像输入卷积神经网络，得到覆冰图像特征。
在一些实施例中，所述卷积神经网络的激活层包括支持向量机；所述对预处理后的所述输电线路图像进行覆冰类型识别，包括：
将所述覆冰图像特征输入所述支持向量机进行覆冰类型识别。
在一些实施例中，所述获取输电线路所属区域内传感器模块实时采集的微气象信息，包括：
获取输电线路所属区域内传感器模块实时采集的环境温度、相对湿度、气压、风速、风向、雨雪或光照度中的其中至少一项。
在一些实施例中，所述根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况，包括：
根据所述微气象信息实时分析覆冰形成条件；
根据所述覆冰形成条件、所述当前时刻的覆冰厚度和所述当前时刻的覆冰类型，通过记忆网络预测得到下一时刻的输电线路覆冰情况。
在一些实施例中，在所述通过记忆网络预测得到下一时刻的输电线路覆冰情况之前，所述方法还包括：
获取输电线路的粗细、输电线路的加速度和铁塔的倾斜度；
根据所述输电线路的粗细、所述输电线路的加速度和所述铁塔的倾斜度调节所述记忆网络的加权系数。
另一方面，本发明实施例提供了一种基于开放神经网络交换算法的冰害预警系统，包括：
第一获取模块，用于获取双目摄像头实时采集的输电线路图像；
预处理模块，用于对所述输电线路图像进行预处理；
检测模块，用于将预处理后的所述输电线路图像输入多尺度目标检测网络，得到输电线路当前时刻的覆冰厚度；
识别模块，用于对预处理后的所述输电线路图像进行覆冰类型识别，得到输电线路当前时刻的覆冰类型；
第二获取模块，用于获取输电线路所属区域内传感器模块实时采集的微气象信息；
预测模块，用于根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况；
生成模块，用于根据所述下一时刻的输电线路覆冰情况生成冰害预警信号。
另一方面，本发明实施例提供了一种基于开放神经网络交换算法的冰害预警系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行所述的基于开放神经网络交换算法的冰害预警方法。
另一方面，本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现所述的基于开放神经网络交换算法的冰害预警方法。
本发明实施例提供的一种基于开放神经网络交换算法的冰害预警方法，具有如下有益效果：
本实施例通过双目摄像头实时采集输电线路图像，并对输电线路图像进行预处理，以提高后续识别和检测精度；接着将预处理后的输电线路图像输入多尺度目标检测网络，以得到输电线路当前时刻的覆冰厚度，同时，将对预处理后的输电线路图像进行覆冰类型识别，以得到输电线路当前时刻的覆冰类型；然后根据实时获取的微气象信息结合当前时刻的覆冰厚度和当前时刻的覆冰类型，通过记忆网络预测得到下一时刻的输电线路覆冰情况，并根据预测结果生成冰害预警信号，以实现自动覆冰预警功能，提高覆冰情况发现的及时性，有效降低输电线路路事故发生概率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为本发明实施例的一种基于开放神经网络交换算法的冰害预警方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
输电线路覆冰类型可以分类四大类：
雨凇：温度较低的水滴下落过程中遇到低温物体的表面时，将会形成一种玻璃状的光滑透明的冰盖层，这种情况称之为雨凇。雨凇的表层是光滑的，其横截面则是椭圆形或者楔子形，其具体的结构与风向有着密切关联。比较显著的几个个物理特性是密度大、硬度高、黏着力强，通常情况下雨凇密度大于0.8g/cm2。可以说，这些物理性质决定了雨淞所引起的机械负载远比其他形式的覆冰严重，相应地，其对线路和绝缘子的危害也是所有覆冰类型中最大的。
雾凇：雾凇有软雾凇和硬雾凇两种形式。软雾凇又名粒状雾淞，多形成于-3℃～-8℃的气温条件下。周围天气为雾霾或小雨时，大气湿度非常高，丰沛的水汽附着在导线上，有可能发生凝结，形成放射状的结晶体。软雾凇的密度为0.1g/cm2～0.5g/cm2，比较显著的物理特性是粘附力弱、颗粒状强。硬雾凇则又称为品状雾淞或者混合淞，周围环境气温为-10℃～-20℃时，过冷却的水滴降落在迎风面的导线上，此时的覆冰成为一种雨凇和软雾凇的混合体，不再具有透明的特性。硬雾凇的硬度高、粘附力强。
积雪：雪降落粘附在导线上形成积雪。积雪有干雪和湿雪之分，干雪蓬松干燥，其密度小于0.1g/cm3，容易散落，不容易附着在导线上；湿雪的密度为0.1g/cm3～0.5g/cm3，粘附力较干雪强，但是比雾凇弱。
白霜：大气湿度数值比较高的情况下，水汽与0℃以下的低温物体发生接触，就会在低温物体的表面形成凝结。一般而言，白霜增大了导线的电晕损耗。
对于覆冰灾害，目前的预警方法是依赖于人工巡线，但是靠人工巡检的话，会出现发现不及时从而引发事故，而且高压和超高压输电线路分布的区域地形复杂、环境恶劣，使得巡线工作非常艰苦。
基于此，参照图1，本发明实施例提供了一种基于开放神经网络交换算法的冰害预警方法，包括以下步骤：
步骤110、获取双目摄像头实时采集的输电线路图像。具体地，双目摄像头可以预先设置在需要监测的输电线路所属区域内，其拍摄范围包括需要监测的输电线路。
步骤120、对所述输电线路图像进行预处理。
在本申请实施例中，由于在冰雪天气中可见度低，双目摄像头获取的图像质量也会下降，因此，为了提高后续步骤处理的精度，需要对实时采集的输电线路图像进行处理。具体地，可以采用图像去雾算法对所述输电线路图像进行去雾化处理。其中，图像去雾算法的处理过程包括将输电线路图像输入预设循环生成对抗网络内，然后通过预设循环生成对抗网络内的颜色损失和特征损失对所述输电线路图像进行去雾化处理。其中，该预设循环生成对抗网络不需要使用成对的数据进行训练。在进行图像处理过程中，通过优化生成器生成的无雾图与真实无雾图之间的颜色损失，使生成器能够生成与无雾图像具有相同颜色分布的图像。同时，引入特征损失解决了经典的循环生成对抗网络在图像转换时存在的图像失真的问题，更好地还原了原始图像的细节特征。本实施例所采用的网络模型在结构性相似度和峰值信噪比上均优于传统模型，拥有较好的去雾效果。
在本实施例中，在对实时采集的输电线路图像去雾化后，还可以将去雾化处理后的所述输电线路图像输入卷积神经网络，得到覆冰图像特征。其中，本步骤中所采用的卷积神经网络可以是轻量化的卷积神经网络MobileNetV3。在进行特征提取时，可以引入多感受视野模块增大模型对覆冰影像的映射区域，从而增强其特征提取能力。
步骤130、将预处理后的所述输电线路图像输入多尺度目标检测网络，得到输电线路当前时刻的覆冰厚度。
在本申请实施例中，多尺度目标检测网络包括single shot multibox detector，简称SSD。覆冰厚度的等级可以根据严重程度由重到轻分为四级，分别为Ⅰ、Ⅱ、Ⅲ、Ⅳ。在本实施例中，当识别到覆冰厚度达到Ⅱ级时进行预警。在多尺度目标检测网络应用之前，可对多尺度目标检测网络进行训练，然后采用实际场景下感知到的覆冰影像在计算资源有限的边缘智能装置中进行试验验证。
步骤140、对预处理后的所述输电线路图像进行覆冰类型识别，得到输电线路当前时刻的覆冰类型。
在本申请实施例中，可以通过将上述步骤中提取到的覆冰图像特征输入所述支持向量机进行覆冰类型识别。具体地，本实施例首先利用卷积神经网络提取覆冰图像特征，然后利用支持向量机代替卷积神经网络的softmax层，以通过支持向量机实现冰雪覆盖检测图像的分类。其中，覆冰的类型有雨凇、雾凇、混合凇和积雪四种类型。与卷积神经网络相比，本实施例所采用的卷积神经网络和支持向量机的混合分类模型具有更好的图像分类效果，进一步提高了冰雪电网检测图像的分类性能，保证了检测的可靠性和安全性。
步骤150、获取输电线路所属区域内传感器模块实时采集的微气象信息。具体地，微气象信息包括环境温度、相对湿度、气压、风速、风向、雨雪或光照度中的其中至少一项。实时采集的微气象信息包括当前时刻的微气象信息和下一时刻的微气象信息。
步骤160、根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况。
在本申请实施例中，通过微气象信息中是至少一项信息实时分析覆冰形成条件，然后根据覆冰形成条件、当前时刻的覆冰厚度和当前时刻的覆冰类型，通过记忆网络预测得到下一时刻的输电线路覆冰情况。其中，下一时刻的输电线路覆冰情况包括覆冰类型和覆冰等级。在本实施例中，除开微气象信息外，导线和铁塔因素也是记忆网络算法预测的重要依据。因此，本实施例还会获取输电线路的粗细、输电线路的加速度和铁塔的倾斜度，然后在记忆网络进行应用之前，根据所述输电线路的粗细、所述输电线路的加速度和所述铁塔的倾斜度调节记忆网络的加权系数。记忆网络包括基于时间序列的LSTM网络。LSTM(LongShort-Term Memory)网络是一种长短期记忆网络，也是一种时间递归神经网络，相比于普通的RNN网络，LSTM网络能够在更长的序列中有更好的表现。具体地，本实施例通过用过去和现在环境温度、相对湿度、气压、风速、风向、雨雪、光照度以及未来气象预报信息为输入，预测导线覆冰类型和对应等级为输出。在应用之前，对LSTM网络进行训练，并在训练过程中进行模型参数的优化。具体地，通过尝试不同的优化器进行对比最小误差，选出最合适的优化器。由于本实施例的模型可以利用不断获取的实际数据扩充数据集来进行模型更新，实时调整预测结果，从而可以使预测值更接近真实值。
步骤170、根据所述下一时刻的输电线路覆冰情况生成冰害预警信号。
在一些应用系统中，该系统可以基于Atlas 200的多传感模块自组网系统，利用JETSON AGX XAVIER模组实现对各类传感数据和神经网络模型的调用，可以用双目视觉摄像头对导线进行变焦采样识别，对冰情进行追踪定位，对导线、绝缘子进行无死角监测，基于边缘轻量计算实现覆冰预测与冰害预测。
具体地，该应用系统的硬件方面，可以采用多传感器自组网络系统。其中，多传感器包括微气象传感模块、倾斜角传感模块、加速度传感模块和图像与声音传感模块。微气象传感模块、倾斜角传感模块和加速度传感模块作为基础模块，声音传感模块作为增强模块。基础型模块通过2.4G或433M局域无线方式与增强型模块交互数据，增强型模块通过NB-IoT(有基站信号的区域)或Lora(无基站信号的区域)与云服务器交互数据。各模块均自带信号采集、数据处理、数据传输、能量捕获和能量存储功能。增强型模块搭载英伟达JETSON AGXXAVIER模组，具备图像边缘处理、广域无线联网、云边协同等功能。
具体地，在该系统的图像采集方面，可以采用双目视觉摄像头对导线进行变焦采样，然后将采集的图像通过局域网无线传输方式传输到处理端或云端进行覆冰情况识别，并对冰情进行追踪定位，以实现对导线和绝缘子进行无死角监测。在本实施例中，由于寒冷湿度又高的天气下，双目摄像头的镜片很容易有水雾使其模糊，通过基于循环生成对抗网络的改进算法，对相片进行去雾处理，还原了图像的细节特征，然后用轻量化的卷积神经网络MobileNetV3对去雾处理的图片进行覆冰厚度的识别，当达到II级时进行预警。
在本实施例中，为了获取覆冰发展趋势以实现脱冰预警，通过微气象传感模块及位移传感模块采集多因素，包括环境温度、相对湿度、气压、风速、风向、雨雪、光照度、倾斜角和加速度等，记忆神经网络算法通过的历史数据的训练从而对输电线路的覆冰情况进行预测，从而实现冰害疫情的边缘再确认功能；通过将遗传算法和反馈神经网络相结合形成GA-BP神经网络，从而对导线舞动进行预测。并通过使用声音信号语谱图和卷积神经网络相结合的方式来提取声音信号的特征参数，搭建了多个不同结构的卷积神经网络，采用Adam优化函数，通过声音识别对跳闸声、冲击放电声、球隙放电声、工频放电声、电晕放电声以及空气噪声从而实现对跳闸与绝缘子表面放电状况进行监测。通过双目视觉对导线和绝缘子连续成像可实现实时冰害预测，但海量图片带来大量的数据，通过K-Means算法结合了层次聚类和K近邻算法，提取了关键的帧，去除冗余信息，减少数据传输的压力和传输价值不高的图像，降低通讯信道的压力。
在该应用系统中，在无信号区其数据采集无线传感网络采用Lora组网，通过Lora传输到临近有信号的冰害预警机；在有基站信号的区域采用NB-IoT方式与云服务器交互数据，将多个冰害预警机的数据统一上传到云端。
本发明实施例提供了一种基于开放神经网络交换算法的冰害预警系统，包括：
第一获取模块，用于获取双目摄像头实时采集的输电线路图像；
预处理模块，用于对所述输电线路图像进行预处理；
检测模块，用于将预处理后的所述输电线路图像输入多尺度目标检测网络，得到输电线路当前时刻的覆冰厚度；
识别模块，用于对预处理后的所述输电线路图像进行覆冰类型识别，得到输电线路当前时刻的覆冰类型；
第二获取模块，用于获取输电线路所属区域内传感器模块实时采集的微气象信息；
预测模块，用于根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况；
生成模块，用于根据所述下一时刻的输电线路覆冰情况生成冰害预警信号。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种基于开放神经网络交换算法的冰害预警系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行图1所示的基于开放神经网络交换算法的冰害预警方法。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现图1所示的基于开放神经网络交换算法的冰害预警方法。
本发明实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的基于开放神经网络交换算法的冰害预警方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (10)

1.一种基于开放神经网络交换算法的冰害预警方法，其特征在于，包括以下步骤：
获取双目摄像头实时采集的输电线路图像；
对所述输电线路图像进行预处理；
将预处理后的所述输电线路图像输入多尺度目标检测网络，得到输电线路当前时刻的覆冰厚度；
对预处理后的所述输电线路图像进行覆冰类型识别，得到输电线路当前时刻的覆冰类型；
获取输电线路所属区域内传感器模块实时采集的微气象信息；
根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况；
根据所述下一时刻的输电线路覆冰情况生成冰害预警信号。
2.根据权利要求1所述的一种基于开放神经网络交换算法的冰害预警方法，其特征在于，所述对所述输电线路图像进行预处理，包括：
采用图像去雾算法对所述输电线路图像进行去雾化处理；
其中，所述图像去雾算法的处理过程包括：
将所述输电线路图像输入预设循环生成对抗网络，通过所述预设循环生成对抗网络内的颜色损失和特征损失对所述输电线路图像进行去雾化处理。
3.根据权利要求2所述的一种基于开放神经网络交换算法的冰害预警方法，其特征在于，所述对所述输电线路图像进行预处理，还包括：
将去雾化处理后的所述输电线路图像输入卷积神经网络，得到覆冰图像特征。
4.根据权利要求3所述的一种基于开放神经网络交换算法的冰害预警方法，其特征在于，所述卷积神经网络的激活层包括支持向量机；所述对预处理后的所述输电线路图像进行覆冰类型识别，包括：
将所述覆冰图像特征输入所述支持向量机进行覆冰类型识别。
5.根据权利要求1所述的一种基于开放神经网络交换算法的冰害预警方法，其特征在于，所述获取输电线路所属区域内传感器模块实时采集的微气象信息，包括：
获取输电线路所属区域内传感器模块实时采集的环境温度、相对湿度、气压、风速、风向、雨雪或光照度中的其中至少一项。
6.根据权利要求5所述的一种基于开放神经网络交换算法的冰害预警方法，其特征在于，所述根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况，包括：
根据所述微气象信息实时分析覆冰形成条件；
根据所述覆冰形成条件、所述当前时刻的覆冰厚度和所述当前时刻的覆冰类型，通过记忆网络预测得到下一时刻的输电线路覆冰情况。
7.根据权利要求6所述的一种基于开放神经网络交换算法的冰害预警方法，其特征在于，在所述通过记忆网络预测得到下一时刻的输电线路覆冰情况之前，所述方法还包括：
获取输电线路的粗细、输电线路的加速度和铁塔的倾斜度；
根据所述输电线路的粗细、所述输电线路的加速度和所述铁塔的倾斜度调节所述记忆网络的加权系数。
8.一种基于开放神经网络交换算法的冰害预警系统，其特征在于，包括：
第一获取模块，用于获取双目摄像头实时采集的输电线路图像；
预处理模块，用于对所述输电线路图像进行预处理；
检测模块，用于将预处理后的所述输电线路图像输入多尺度目标检测网络，得到输电线路当前时刻的覆冰厚度；
识别模块，用于对预处理后的所述输电线路图像进行覆冰类型识别，得到输电线路当前时刻的覆冰类型；
第二获取模块，用于获取输电线路所属区域内传感器模块实时采集的微气象信息；
预测模块，用于根据所述当前时刻的覆冰厚度、所述当前时刻的覆冰类型和所述微气象信息，通过记忆网络预测得到下一时刻的输电线路覆冰情况；
生成模块，用于根据所述下一时刻的输电线路覆冰情况生成冰害预警信号。
9.一种基于开放神经网络交换算法的冰害预警系统，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的基于开放神经网络交换算法的冰害预警方法。
10.一种存储介质，其特征在于，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的基于开放神经网络交换算法的冰害预警方法。
CN202210380292.0A 2022-04-12 2022-04-12 基于开放神经网络交换算法的冰害预警方法、系统和介质 Pending CN114861985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210380292.0A CN114861985A (zh) 2022-04-12 2022-04-12 基于开放神经网络交换算法的冰害预警方法、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210380292.0A CN114861985A (zh) 2022-04-12 2022-04-12 基于开放神经网络交换算法的冰害预警方法、系统和介质

Publications (1)

Publication Number Publication Date
CN114861985A true CN114861985A (zh) 2022-08-05

Family

ID=82630863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210380292.0A Pending CN114861985A (zh) 2022-04-12 2022-04-12 基于开放神经网络交换算法的冰害预警方法、系统和介质

Country Status (1)

Country Link
CN (1) CN114861985A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363116A (zh) * 2023-04-12 2023-06-30 周晓菲 输电铁塔雷击概率分时判断系统
CN117007984A (zh) * 2023-09-27 2023-11-07 南通国轩新能源科技有限公司 一种电池包运行故障动态监测方法及系统
CN118196008A (zh) * 2024-02-28 2024-06-14 国网江苏省电力有限公司南京供电分公司 一种光缆覆冰检测方法、装置、电子设备及介质
CN118470443A (zh) * 2024-07-10 2024-08-09 西安理工大学 一种输电线路绝缘子覆冰种类识别方法、装置及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363116A (zh) * 2023-04-12 2023-06-30 周晓菲 输电铁塔雷击概率分时判断系统
CN116363116B (zh) * 2023-04-12 2023-09-01 周晓菲 输电铁塔雷击概率分时判断系统
CN117007984A (zh) * 2023-09-27 2023-11-07 南通国轩新能源科技有限公司 一种电池包运行故障动态监测方法及系统
CN117007984B (zh) * 2023-09-27 2023-12-15 南通国轩新能源科技有限公司 一种电池包运行故障动态监测方法及系统
CN118196008A (zh) * 2024-02-28 2024-06-14 国网江苏省电力有限公司南京供电分公司 一种光缆覆冰检测方法、装置、电子设备及介质
CN118470443A (zh) * 2024-07-10 2024-08-09 西安理工大学 一种输电线路绝缘子覆冰种类识别方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN114861985A (zh) 基于开放神经网络交换算法的冰害预警方法、系统和介质
CN109117858B (zh) 监测风力发电机叶片结冰的方法及装置
CN114419825B (zh) 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法
CN115437036A (zh) 一种基于葵花卫星的对流初生预报方法
CN115761537B (zh) 一种面向动态特征补充机制的输电线路异物入侵识别方法
CN104237890B (zh) 一种由“列车效应”引起的暴雨识别及预报方法
Guo et al. Correction of sea surface wind speed based on SAR rainfall grade classification using convolutional neural network
CN111444818A (zh) 一种基于cnn的市场摊区违规摊位检测方法
CN118135445B (zh) 一种农业气象灾害动态监测及产量定损系统
Sun et al. A practical weather detection method built in the surveillance system currently used to monitor the large-scale freeway in China
CN111444857B (zh) 无人机巡检数据处理方法
CN114241292A (zh) 基于智能网关的输电线路覆冰监测方法和装置
CN118429893A (zh) 基于多源覆冰监测数据的二阶集成覆冰预测方法和设备
CN115423810B (zh) 一种风力发电机组叶片覆冰形态分析方法
Dongtao et al. Traffic sign detection method of improved ssd based on deep learning
CN115902812A (zh) 一种短时暴雨天气背景自动判别方法、系统、设备及终端
CN116645355A (zh) 一种基于图像识别的输电线路监测系统
CN116704366A (zh) 基于transformer深度学习模型的暴雨落区识别预警方法和装置
CN115014216A (zh) 一种输电线路覆冰检测方法及装置
Bai et al. Comparative Differences of Physical Mechanism Model and Data-Driven Model on Overhead Transmission Line Icing Thickness Prediction
CN117723068B (zh) 巡检无人车、视觉定位优化系统、方法、电子设备及介质
CN112670893A (zh) 基于高度订正的线路覆冰实况计算方法及系统
CN117894133B (zh) 一种输电线结冰报警方法及系统
CN118247283B (zh) 基于图像灰度共生矩阵的输电线路覆冰预警方法及系统
CN118732087B (zh) 一种基于雷暴大风潜势预报天气雷达协同调度方法及装置

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