CN115797708B - 一种输配电同步数据采集方法 - Google Patents
一种输配电同步数据采集方法 Download PDFInfo
- Publication number
- CN115797708B CN115797708B CN202310067237.0A CN202310067237A CN115797708B CN 115797708 B CN115797708 B CN 115797708B CN 202310067237 A CN202310067237 A CN 202310067237A CN 115797708 B CN115797708 B CN 115797708B
- Authority
- CN
- China
- Prior art keywords
- power transmission
- feature
- distribution
- vector
- distribution line
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 355
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请公开了一种输配电同步数据采集方法。其首先将获取的多个预定时间点的输配电线路的监控图像分别通过第一卷积神经网络模型以得到多个输配电线路表面状态特征图,接着将所述多个输配电线路表面状态特征图进行特征图展开后通过上下文编码器以得到状态时序语义特征向量,然后将获取的多个预定时间点的所述输配电线路的周围预设范围内的气象数据排列后通过多尺度邻域特征提取模块以得到气象时序特征向量,最后将融合所述状态时序语义特征向量和所述气象时序特征向量得到的分类特征向量通过分类器以得到用于表示输配电线路是否存在受异常天气影响的安全隐患的分类结果。这样可以判断输配电线路是否存在受异常天气影响的安全隐患。
Description
技术领域
本申请涉及数据采集领域,且更为具体地,涉及一种输配电同步数据采集方法。
背景技术
随着电力系统的不断庞大,输配电线路的分布越来越广,对于室外分布的输配电线路来说,分布区域广、分布距离长、且长期暴露在空气之中,容易受到外界人为以及自然因素的影响,导致输配电线路的损坏,进而影响电力系统的正常运行。
传统技术中,一般采用人工巡检的方式,来监测输配电线路的异常情况。然而,目前的人工巡检方式,由于其工作量较大,导致人工巡检的效率低。
因此,期待一种用于输配电的数据采集与监测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种输配电同步数据采集方法。其首先将获取的多个预定时间点的输配电线路的监控图像分别通过第一卷积神经网络模型以得到多个输配电线路表面状态特征图,接着,将所述多个输配电线路表面状态特征图进行特征图展开后通过上下文编码器以得到状态时序语义特征向量,然后,将获取的多个预定时间点的所述输配电线路的周围预设范围内的气象数据排列后通过多尺度邻域特征提取模块以得到气象时序特征向量,最后,将融合所述状态时序语义特征向量和所述气象时序特征向量得到的分类特征向量通过分类器以得到用于表示输配电线路是否存在受异常天气影响的安全隐患的分类结果。这样,可以判断输配电线路是否存在受异常天气影响的安全隐患。
根据本申请的一个方面,提供了一种输配电同步数据采集方法,其包括:
获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;
将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;
将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;
将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;
将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;
融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
在上述的输配电同步数据采集方法中,所述将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图,包括:
分别从所述第一卷积神经网络模型的浅层提取多个浅层特征图;
分别从所述第一卷积神经网络模型的深层提取多个深层特征图;以及
使用所述第一卷积神经网络模型的深浅特征融合模块来分别融合所述多个浅层特征图和所述多个深层特征图以得到所述多个输配电线路表面状态特征图。
在上述的输配电同步数据采集方法中,所述将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量,包括:
将所述多个输配电线路表面状态特征图沿着行向量或者列向量进行特征图展开以得到所述多个输配电线路表面状态展开特征向量。
在上述的输配电同步数据采集方法中,所述将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量,包括:
使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量;以及
将所述多个上下文输配电线路表面状态展开特征向量进行级联以得到所述状态时序语义特征向量。
在上述的输配电同步数据采集方法中,所述使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量,包括:
将所述多个输配电线路表面状态展开特征向量分别通过所述基于转换器的上下文编码器的嵌入层以将所述多个输配电线路表面状态展开特征向量分别转化为嵌入向量以得到信号嵌入向量的序列;以及
将所述信号嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个上下文输配电线路表面状态展开特征向量。
在上述的输配电同步数据采集方法中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述的输配电同步数据采集方法中,所述将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量,包括:
使用所述多尺度邻域特征提取模块的所述第一卷积层对所述气象数据输入向量进行一维卷积编码以得到所述第一尺度气象特征向量;
其中,所述公式为:
其中,为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一一维卷积核的尺寸,表示所述气象数据输入向量;
使用所述多尺度邻域特征提取模块的所述第二卷积层对所述气象数据输入向量进行一维卷积编码以得到所述第二尺度气象特征向量;
其中,所述公式为:
其中,为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二一维卷积核的尺寸,表示所述气象数据输入向量;以及
使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气象特征向量和所述第二尺度气象特征向量进行级联以得到所述气象时序特征向量。
在上述的输配电同步数据采集方法中,所述融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量,包括:
以如下公式融合所述状态时序语义特征向量和所述气象时序特征向量以得到所述分类特征向量;
其中,所述公式为:
其中,表示所述状态时序语义特征向量,表示所述气象时序特征向量,表示所述分类特征向量,和为超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述的输配电同步数据采集方法中,所述将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患,包括:
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种输配电数据采集系统,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;
第一卷积编码模块,用于将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;
特征图展开模块,用于将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;
上下文编码模块,用于将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;
多尺度编码模块,用于将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;
向量融合模块,用于融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;以及
分类结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
与现有技术相比,本申请提供的输配电同步数据采集方法以及系统,其首先将获取的多个预定时间点的输配电线路的监控图像分别通过第一卷积神经网络模型以得到多个输配电线路表面状态特征图,接着将所述多个输配电线路表面状态特征图进行特征图展开后通过上下文编码器以得到状态时序语义特征向量,然后将获取的多个预定时间点的所述输配电线路的周围预设范围内的气象数据排列后通过多尺度邻域特征提取模块以得到气象时序特征向量,最后将融合所述状态时序语义特征向量和所述气象时序特征向量得到的分类特征向量通过分类器以得到用于表示输配电线路是否存在受异常天气影响的安全隐患的分类结果。这样可以判断输配电线路是否存在受异常天气影响的安全隐患。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的输配电同步数据采集方法的场景示意图。
图2为根据本申请实施例的输配电同步数据采集方法的流程图。
图3为根据本申请实施例的输配电同步数据采集方法的架构示意图。
图4为根据本申请实施例的输配电同步数据采集方法中步骤S120的子步骤流程图。
图5为根据本申请实施例的输配电同步数据采集方法中步骤S140的子步骤流程图。
图6为根据本申请实施例的输配电同步数据采集方法中步骤S141的子步骤流程图。
图7为根据本申请实施例的输配电同步数据采集方法中步骤S170的子步骤流程图。
图8为根据本申请实施例的输配电数据采集系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
相应地,在本申请的技术方案中,可通过无人机来采集输配电线路的监控图像,以通过所述输配电线路的监控图像来对所述输配电线路进行表面状态监测。但是,在本申请的技术方案中,在进行输配电数据采集的过程中,如果仅关注输配电线路的表面状态,无法准确进行输配电线路预警,其原因为在不同天气条件下,输配电线路的表面状态存在不同呈现。因此,在本申请的技术方案中,在进行输配电数据采集的过程中,同时采集所述输配电线路的周围预设范围内的气象数据,并综合所述输配电线路的周围预设范围内的气象数据和所述输配电线路的表面状态来进行状态预警,即,判断输配电线路是否存在受异常天气影响的安全隐患。
具体地,在本申请的技术方案中,首先获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据。
在采集到上述数据后,将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述输配电线路的表面状态特征。特别地,在本申请的技术方案中,本领域普通技术人员应知晓,所述卷积神经网络模型使用具有可学习参数的卷积核作为特征过滤因子对所述输配电线路的监控图像进行局部空间域的特征模式挖掘和表达,但是,随着所述卷积神经网络模型的编码深度的加深,浅层特征会被削弱甚至被淹没,而在本申请的技术方案中,在提取所述输配电线路的表面状态特征时,如果浅层特征能够被充分保留,则能够显著地提升所述输配电线路表面状态特征图的表征能力和丰富度。
并且,在本申请的技术方案中,考虑到天气是一个时间维度上的展开数据,因此,在本申请的技术方案中,同样期待能够关注到所述输配电线路的表面状态特征在时间维度上的变化模式特征。具体地,在本申请的技术方案中,首先将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量,接着将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量。也就是,首先对所述多个输配电线路表面状态特征图进行维度重构以使之适配于转换器的编码特性,接着,使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于自注意力机制的全局上下文语义编码以捕捉所述输配电线路的表面状态特征在时间维度上的变化模式特征,以得到所述状态时序语义特征向量。
针对于所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据,在本申请的技术方案中,将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量。也就是,首先将所述输配电线路的周围预设范围内的气象数据进行基于时间维度的向量化,并使用所述多尺度邻域特征提取模块对所述气象数据输入向量进行多尺度一维卷积编码以捕捉不同局部时间窗口内气象数据之间的关联模式特征。
具体地,在本申请的技术方案中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在得到所述状态时序语义特征向量(所述输配电线路的表面状态特征和表面状态特征在时间维度上的变化模式特征)以及所述气象时序特征向量(气象数据在时间维度上的关联模式特征),融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量。进而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。也就是,使用所述分类器来确定所述分类特征向量所属的类概率标签,其中,所述类概率标签包括输配电线路存在受异常天气影响的安全隐患(第一标签)以及,输配电线路不存在受异常天气影响的安全隐患(第二标签)。
特别地,在本申请的技术方案中,所述状态时序语义特征向量通过所述包含深浅特征融合模块的第一卷积神经网络模型和所述基于转换器的上下文编码器编码得到,而所述气象时序特征向量则通过所述多尺度邻域特征提取模块得到,应注意到所述状态时序语义特征向量和所述气象时序特征向量分别通过不同的编码器得到,并且两者具有不同的编码深度,因此,所述状态时序语义特征向量和所述气象时序特征向量具有不同的特征深度层级差异。
基于此,如果以按位置加权和的方式来融合所述气象时序特征向量和所述状态时序语义特征向量来得到所述分类特征向量,因所述气象时序特征向量和所述状态时序语义特征向量具有不同的编码深度,因此,所述气象时序特征向量和所述状态时序语义特征向量存在特征表达深度错配,这会影响分类特征向量通过分类器的分类结果的精准度。
因此,在本申请的技术方案中,对所述状态时序语义特征向量和所述气象时序特征向量进行域自适应类图拓扑融合以得到分类特征向量:
以特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边,来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播,以使得融合得到的分类特征向量不仅具有像素级别的特征稀疏性和非网络属性,同时还具有相对较优的特征稠密性,以此对所述状态时序语义特征向量和所述气象时序特征向量进行特征对齐和聚合,以提高所述分类特征向量的分类精准度。
基于此,本申请提供了一种输配电同步数据采集方法,其包括:获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;以及,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
图1为根据本申请实施例的输配电同步数据采集方法的应用场景图。如图1所示,在该应用场景中,获取预定时间段内多个预定时间点的输配电线路的监控图像(例如,如图1中所示意的D1)以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据(例如,如图1中所示意的D2),然后,将所述多个预定时间点的输配电线路的监控图像和所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据输入至部署有输配电数据采集算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于所述输配电数据采集算法得到用于表示输配电线路是否存在受异常天气影响的安全隐患的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的输配电同步数据采集方法的流程图。如图2所示,根据本申请实施例的输配电同步数据采集方法,包括步骤:
S110,获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;
S120,将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;
S130,将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;
S140,将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;
S150,将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;
S160,融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;
S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
图3为根据本申请实施例的输配电同步数据采集方法的架构示意图。如图3所示,在该网络架构中,首先,获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;接着,将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;然后,将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;接着,将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;然后,将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;接着,融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;最后,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
更具体地,在步骤S110中,获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据。在本申请的技术方案中,可通过无人机来采集输配电线路的监控图像,以通过所述输配电线路的监控图像来对所述输配电线路进行表面状态监测。但是,在本申请的技术方案中,在进行输配电数据采集的过程中,如果仅关注输配电线路的表面状态,无法准确进行输配电线路预警,其原因为在不同天气条件下,输配电线路的表面状态存在不同呈现。因此,在本申请的技术方案中,在进行输配电数据采集的过程中,同时采集所述输配电线路的周围预设范围内的气象数据,并综合所述输配电线路的周围预设范围内的气象数据和所述输配电线路的表面状态来进行状态预警。
更具体地,在步骤S120中,将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述输配电线路的表面状态特征。特别地,在本申请的技术方案中,本领域普通技术人员应知晓,所述卷积神经网络模型使用具有可学习参数的卷积核作为特征过滤因子对所述输配电线路的监控图像进行局部空间域的特征模式挖掘和表达,但是,随着所述卷积神经网络模型的编码深度的加深,浅层特征会被削弱甚至被淹没,而在本申请的技术方案中,在提取所述输配电线路的表面状态特征时,如果浅层特征能够被充分保留,则能够显著地提升所述输配电线路表面状态特征图的表征能力和丰富度。
相应地,在一个具体示例中,如图4所示,所述将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图,包括:
S121,分别从所述第一卷积神经网络模型的浅层提取多个浅层特征图;
S122,分别从所述第一卷积神经网络模型的深层提取多个深层特征图;
S123,使用所述第一卷积神经网络模型的深浅特征融合模块来分别融合所述多个浅层特征图和所述多个深层特征图以得到所述多个输配电线路表面状态特征图。
更具体地,在步骤S130中,将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量。考虑到天气是一个时间维度上的展开数据,因此,在本申请的技术方案中,同样期待能够关注到所述输配电线路的表面状态特征在时间维度上的变化模式特征。具体地,在本申请的技术方案中,首先将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量,接着将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量。也就是,先对所述多个输配电线路表面状态特征图进行维度重构以使之适配于转换器的编码特性。
相应地,在一个具体示例中,所述将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量,包括:将所述多个输配电线路表面状态特征图沿着行向量或者列向量进行特征图展开以得到所述多个输配电线路表面状态展开特征向量。
更具体地,在步骤S140中,将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量。使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于自注意力机制的全局上下文语义编码以捕捉所述输配电线路的表面状态特征在时间维度上的变化模式特征,以得到所述状态时序语义特征向量。
相应地,在一个具体示例中,如图5所示,所述将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量,包括:S141,使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量;以及,S142,将所述多个上下文输配电线路表面状态展开特征向量进行级联以得到所述状态时序语义特征向量。
相应地,在一个具体示例中,如图6所示,所述使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量,包括:
S1411,将所述多个输配电线路表面状态展开特征向量分别通过所述基于转换器的上下文编码器的嵌入层以将所述多个输配电线路表面状态展开特征向量分别转化为嵌入向量以得到信号嵌入向量的序列;
S1412,将所述信号嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个上下文输配电线路表面状态展开特征向量。
更具体地,在步骤S150中,将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量。也就是,首先将所述输配电线路的周围预设范围内的气象数据进行基于时间维度的向量化,并使用所述多尺度邻域特征提取模块对所述气象数据输入向量进行多尺度一维卷积编码以捕捉不同局部时间窗口内气象数据之间的关联模式特征。
相应地,在一个具体示例中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
相应地,在一个具体示例中,所述将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量,包括:使用所述多尺度邻域特征提取模块的所述第一卷积层对所述气象数据输入向量进行一维卷积编码以得到所述第一尺度气象特征向量;其中,所述公式为:
其中,为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一一维卷积核的尺寸,表示所述气象数据输入向量;使用所述多尺度邻域特征提取模块的所述第二卷积层对所述气象数据输入向量进行一维卷积编码以得到所述第二尺度气象特征向量;其中,所述公式为:
其中,为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二一维卷积核的尺寸,表示所述气象数据输入向量;以及,使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气象特征向量和所述第二尺度气象特征向量进行级联以得到所述气象时序特征向量。
更具体地,在步骤S160中,融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量。
特别地,在本申请的技术方案中,所述状态时序语义特征向量通过所述包含深浅特征融合模块的第一卷积神经网络模型和所述基于转换器的上下文编码器编码得到,而所述气象时序特征向量则通过所述多尺度邻域特征提取模块得到,应注意到所述状态时序语义特征向量和所述气象时序特征向量分别通过不同的编码器得到,并且两者具有不同的编码深度,因此,所述状态时序语义特征向量和所述气象时序特征向量具有不同的特征深度层级差异。
基于此,如果以按位置加权和的方式来融合所述气象时序特征向量和所述状态时序语义特征向量来得到所述分类特征向量,因所述气象时序特征向量和所述状态时序语义特征向量具有不同的编码深度,因此,所述气象时序特征向量和所述状态时序语义特征向量存在特征表达深度错配,这会影响分类特征向量通过分类器的分类结果的精准度。因此,在本申请的技术方案中,对所述状态时序语义特征向量和所述气象时序特征向量进行域自适应类图拓扑融合以得到分类特征向量。
相应地,在一个具体示例中,所述融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量,包括:以如下公式融合所述状态时序语义特征向量和所述气象时序特征向量以得到所述分类特征向量;其中,所述公式为:
其中,表示所述状态时序语义特征向量,表示所述气象时序特征向量,表示所述分类特征向量,和为超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
以特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边,来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播,以使得融合得到的分类特征向量不仅具有像素级别的特征稀疏性和非网络属性,同时还具有相对较优的特征稠密性,以此对所述状态时序语义特征向量和所述气象时序特征向量进行特征对齐和聚合,以提高所述分类特征向量的分类精准度。
更具体地,在步骤S170中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。也就是,使用所述分类器来确定所述分类特征向量所属的类概率标签,其中,所述类概率标签包括输配电线路存在受异常天气影响的安全隐患(第一标签)以及,输配电线路不存在受异常天气影响的安全隐患(第二标签)。
相应地,在一个具体示例中,如图7所示,所述将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患,包括:
S171,使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
S172,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的输配电同步数据采集方法,其首先将获取的多个预定时间点的输配电线路的监控图像分别通过第一卷积神经网络模型以得到多个输配电线路表面状态特征图,接着,将所述多个输配电线路表面状态特征图进行特征图展开后通过上下文编码器以得到状态时序语义特征向量,然后,将获取的多个预定时间点的所述输配电线路的周围预设范围内的气象数据排列后通过多尺度邻域特征提取模块以得到气象时序特征向量,最后,将融合所述状态时序语义特征向量和所述气象时序特征向量得到的分类特征向量通过分类器以得到用于表示输配电线路是否存在受异常天气影响的安全隐患的分类结果。这样,可以判断输配电线路是否存在受异常天气影响的安全隐患。
示例性系统
图8为根据本申请实施例的输配电数据采集系统100的框图。如图8所示,根据本申请实施例的输配电数据采集系统100,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;第一卷积编码模块120,用于将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;特征图展开模块130,用于将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;上下文编码模块140,用于将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;多尺度编码模块150,用于将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;向量融合模块160,用于融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;以及,分类结果生成模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
在一个示例中,在上述输配电数据采集系统100中,所述第一卷积编码模块120,进一步用于:分别从所述第一卷积神经网络模型的浅层提取多个浅层特征图;分别从所述第一卷积神经网络模型的深层提取多个深层特征图;以及,使用所述第一卷积神经网络模型的深浅特征融合模块来分别融合所述多个浅层特征图和所述多个深层特征图以得到所述多个输配电线路表面状态特征图。
在一个示例中,在上述输配电数据采集系统100中,所述特征图展开模块130,进一步用于:将所述多个输配电线路表面状态特征图沿着行向量或者列向量进行特征图展开以得到所述多个输配电线路表面状态展开特征向量。
在一个示例中,在上述输配电数据采集系统100中,所述上下文编码模块140,进一步用于:使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量;以及,将所述多个上下文输配电线路表面状态展开特征向量进行级联以得到所述状态时序语义特征向量。
在一个示例中,在上述输配电数据采集系统100中,所述使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量,包括:将所述多个输配电线路表面状态展开特征向量分别通过所述基于转换器的上下文编码器的嵌入层以将所述多个输配电线路表面状态展开特征向量分别转化为嵌入向量以得到信号嵌入向量的序列;以及,将所述信号嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个上下文输配电线路表面状态展开特征向量。
在一个示例中,在上述输配电数据采集系统100中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个示例中,在上述输配电数据采集系统100中,所述多尺度编码模块150,进一步用于:使用所述多尺度邻域特征提取模块的所述第一卷积层对所述气象数据输入向量进行一维卷积编码以得到所述第一尺度气象特征向量;其中,所述公式为:
其中,为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一一维卷积核的尺寸,表示所述气象数据输入向量;使用所述多尺度邻域特征提取模块的所述第二卷积层对所述气象数据输入向量进行一维卷积编码以得到所述第二尺度气象特征向量;其中,所述公式为:
其中,为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二一维卷积核的尺寸,表示所述气象数据输入向量;以及,使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气象特征向量和所述第二尺度气象特征向量进行级联以得到所述气象时序特征向量。
在一个示例中,在上述输配电数据采集系统100中,所述向量融合模块160,进一步用于:以如下公式融合所述状态时序语义特征向量和所述气象时序特征向量以得到所述分类特征向量;其中,所述公式为:
其中,表示所述状态时序语义特征向量,表示所述气象时序特征向量,表示所述分类特征向量,和为超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在一个示例中,在上述输配电数据采集系统100中,所述分类结果生成模块170,进一步用于:使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述输配电数据采集系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的输配电同步数据采集方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的输配电数据采集系统100可以实现在各种无线终端中,例如具有输配电数据采集算法的服务器等。在一个示例中,根据本申请实施例的输配电数据采集系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该输配电数据采集系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该输配电数据采集系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该输配电数据采集系统100与该无线终端也可以是分立的设备,并且该输配电数据采集系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种输配电同步数据采集方法,其特征在于,包括:
获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;
将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;
将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;
将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;
将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;
融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
2.根据权利要求1所述的输配电同步数据采集方法,其特征在于,所述将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图,包括:
分别从所述第一卷积神经网络模型的浅层提取多个浅层特征图;
分别从所述第一卷积神经网络模型的深层提取多个深层特征图;以及
使用所述第一卷积神经网络模型的深浅特征融合模块来分别融合所述多个浅层特征图和所述多个深层特征图以得到所述多个输配电线路表面状态特征图。
3.根据权利要求2所述的输配电同步数据采集方法,其特征在于,所述将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量,包括:
将所述多个输配电线路表面状态特征图沿着行向量或者列向量进行特征图展开以得到所述多个输配电线路表面状态展开特征向量。
4.根据权利要求3所述的输配电同步数据采集方法,其特征在于,所述将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量,包括:
使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量;以及
将所述多个上下文输配电线路表面状态展开特征向量进行级联以得到所述状态时序语义特征向量。
5.根据权利要求4所述的输配电同步数据采集方法,其特征在于,所述使用所述基于转换器的上下文编码器对所述多个输配电线路表面状态展开特征向量进行基于全局的上下文语义编码以得到多个上下文输配电线路表面状态展开特征向量,包括:
将所述多个输配电线路表面状态展开特征向量分别通过所述基于转换器的上下文编码器的嵌入层以将所述多个输配电线路表面状态展开特征向量分别转化为嵌入向量以得到信号嵌入向量的序列;以及
将所述信号嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个上下文输配电线路表面状态展开特征向量。
6.根据权利要求5所述的输配电同步数据采集方法,其特征在于,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
7.根据权利要求6所述的输配电同步数据采集方法,其特征在于,所述将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量,包括:
使用所述多尺度邻域特征提取模块的所述第一卷积层以如下公式对所述气象数据输入向量进行一维卷积编码以得到第一尺度气象特征向量;
其中,所述公式为:
其中,为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一一维卷积核的尺寸,表示所述气象数据输入向量;
使用所述多尺度邻域特征提取模块的所述第二卷积层以如下公式对所述气象数据输入向量进行一维卷积编码以得到第二尺度气象特征向量;
其中,所述公式为:
其中,为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第二一维卷积核的尺寸,表示所述气象数据输入向量;以及
使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度气象特征向量和所述第二尺度气象特征向量进行级联以得到所述气象时序特征向量。
8.根据权利要求7所述的输配电同步数据采集方法,其特征在于,所述融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量,包括:
以如下公式融合所述状态时序语义特征向量和所述气象时序特征向量以得到所述分类特征向量;
其中,所述公式为:
其中,表示所述状态时序语义特征向量,表示所述气象时序特征向量,表示所述分类特征向量,和为超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
9.根据权利要求8所述的输配电同步数据采集方法,其特征在于,所述将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患,包括:
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种输配电数据采集系统,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的输配电线路的监控图像以及所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据;
第一卷积编码模块,用于将所述多个预定时间点的输配电线路的监控图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个输配电线路表面状态特征图;
特征图展开模块,用于将所述多个输配电线路表面状态特征图进行特征图展开以得到多个输配电线路表面状态展开特征向量;
上下文编码模块,用于将所述多个输配电线路表面状态展开特征向量通过基于转换器的上下文编码器以得到状态时序语义特征向量;
多尺度编码模块,用于将所述多个预定时间点的所述输配电线路的周围预设范围内的气象数据按照时间维度排列为气象数据输入向量后通过多尺度邻域特征提取模块以得到气象时序特征向量;
向量融合模块,用于融合所述状态时序语义特征向量和所述气象时序特征向量以得到分类特征向量;以及
分类结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示输配电线路是否存在受异常天气影响的安全隐患。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067237.0A CN115797708B (zh) | 2023-02-06 | 2023-02-06 | 一种输配电同步数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067237.0A CN115797708B (zh) | 2023-02-06 | 2023-02-06 | 一种输配电同步数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797708A CN115797708A (zh) | 2023-03-14 |
CN115797708B true CN115797708B (zh) | 2023-04-28 |
Family
ID=85429971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310067237.0A Active CN115797708B (zh) | 2023-02-06 | 2023-02-06 | 一种输配电同步数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797708B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149280B (zh) * | 2023-04-04 | 2023-07-07 | 福建德尔科技股份有限公司 | 电子级氢氧化钾的智能生产系统 |
CN116130721B (zh) * | 2023-04-11 | 2023-06-16 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池的状态诊断系统及方法 |
CN117202430B (zh) * | 2023-09-20 | 2024-03-19 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理系统及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271181A (zh) * | 2022-07-06 | 2022-11-01 | 同济大学 | 一种基于多模态数据融合的台风概率预报智能方法及装置 |
CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103673960B (zh) * | 2012-08-30 | 2016-12-21 | 国际商业机器公司 | 用于预测输电线路上的覆冰状态的方法和装置 |
CN107784395A (zh) * | 2017-10-27 | 2018-03-09 | 云南电网有限责任公司电力科学研究院 | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108537122B (zh) * | 2018-03-07 | 2023-08-22 | 中国科学院西安光学精密机械研究所 | 包含气象参数的图像融合采集系统及图像存储方法 |
CN108447123A (zh) * | 2018-03-27 | 2018-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路走廊地质灾害勘测方法和系统 |
CN108615010B (zh) * | 2018-04-24 | 2022-02-11 | 重庆邮电大学 | 基于平行卷积神经网络特征图融合的人脸表情识别方法 |
CN111696330B (zh) * | 2019-03-13 | 2023-10-24 | 中国电力科学研究院有限公司 | 一种用于输电线路风灾的分类方法和系统 |
CN111208818B (zh) * | 2020-01-07 | 2023-03-07 | 电子科技大学 | 基于视觉时空特征的智能车预测控制方法 |
KR20210133084A (ko) * | 2020-04-28 | 2021-11-05 | 삼성전자주식회사 | 뉴럴 네트워크의 학습 방법 및 장치 |
CN111652846B (zh) * | 2020-04-30 | 2022-08-16 | 成都数之联科技股份有限公司 | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 |
US11704912B2 (en) * | 2020-06-16 | 2023-07-18 | Ford Global Technologies, Llc | Label-free performance evaluator for traffic light classifier system |
CN111860417A (zh) * | 2020-07-29 | 2020-10-30 | 山东大学 | 一种人体动作识别方法 |
CN112488235A (zh) * | 2020-12-11 | 2021-03-12 | 江苏省特种设备安全监督检验研究院 | 一种基于深度学习的电梯时序数据的异常诊断方法 |
CN112785138A (zh) * | 2021-01-18 | 2021-05-11 | 内蒙古电力(集团)有限责任公司呼和浩特供电局 | 基于数值天气进行三跨线路监测分析预警的方法 |
CN113569914B (zh) * | 2021-06-29 | 2024-02-09 | 山东信通电子股份有限公司 | 一种融合点云数据的输电线路巡检方法及系统 |
CN113935458A (zh) * | 2021-09-15 | 2022-01-14 | 上海师范大学 | 基于卷积自编码深度学习的空气污染多站点联合预测方法 |
CN114049296A (zh) * | 2021-09-30 | 2022-02-15 | 许继集团有限公司 | 一种基于多源数据融合的输电线路覆冰监测装置及方法 |
CN114155451A (zh) * | 2021-11-15 | 2022-03-08 | 武汉富思特创新信息技术有限公司 | 一种图像识别地下室淹水隐患的方法及系统 |
CN114548320A (zh) * | 2022-03-04 | 2022-05-27 | 桂林医学院 | 一种基于ResNet与决策树的胃癌分型方法 |
CN115392370A (zh) * | 2022-08-24 | 2022-11-25 | 诸暨市萤朵贸易有限公司 | 用于火力发电设备的故障诊断方法及其系统 |
-
2023
- 2023-02-06 CN CN202310067237.0A patent/CN115797708B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271181A (zh) * | 2022-07-06 | 2022-11-01 | 同济大学 | 一种基于多模态数据融合的台风概率预报智能方法及装置 |
CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115797708A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797708B (zh) | 一种输配电同步数据采集方法 | |
CN109029381A (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
Wang et al. | Change detection from synthetic aperture radar images via graph-based knowledge supplement network | |
Zheng et al. | Component identification and defect detection in transmission lines based on deep learning | |
CN109784205B (zh) | 一种基于多光谱巡检图像的杂草智能识别方法 | |
CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
CN112013966A (zh) | 一种基于测量温度的电力设备红外图像处理方法 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
Gao et al. | Series arc fault diagnosis method of photovoltaic arrays based on GASF and improved DCGAN | |
CN112966656A (zh) | 数据处理方法及装置 | |
CN117528946A (zh) | Sip硬板的制备方法及其系统 | |
CN106022302A (zh) | 一种通过usfpf特征识别故障跳线联板的方法 | |
CN116342496A (zh) | 一种用于智能巡检的异常物体检测方法和系统 | |
CN114839466B (zh) | 用于水泵的emc电磁兼容性测试系统及其测试方法 | |
CN116363536A (zh) | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 | |
CN116247824A (zh) | 电力设备的控制方法及其系统 | |
CN114552601A (zh) | 双目视觉输电线震荡监测及三维重建方法 | |
Qi et al. | Efficient real-time detection of electrical equipment images using a lightweight detector model | |
Zhencang et al. | A Structural Information Aided Method for Intelligent Detection of Power Line Targets | |
CN117217103B (zh) | 基于多尺度注意力机制的星载sar海杂波生成方法及系统 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN116882458A (zh) | 用于检测绝缘子缺陷的神经网络及获得神经网络的方法 | |
Ji et al. | Enhancing Transmission Line Safety: Real-Time Detection of Foreign Objects Using MFMAM-YOLO Algorithm | |
Kuang et al. | Research on insulator recognition algorithm based on deep learning | |
Shi et al. | LSKF-YOLO: Large selective kernel feature fusion network for power tower detection in high-resolution satellite remote sensing images |
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 |