CN116245230A - 一种电站设备的运行巡检与趋势分析方法及系统 - Google Patents

一种电站设备的运行巡检与趋势分析方法及系统 Download PDF

Info

Publication number
CN116245230A
CN116245230A CN202310083426.7A CN202310083426A CN116245230A CN 116245230 A CN116245230 A CN 116245230A CN 202310083426 A CN202310083426 A CN 202310083426A CN 116245230 A CN116245230 A CN 116245230A
Authority
CN
China
Prior art keywords
inspection
equipment
information
equipment state
power station
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
Application number
CN202310083426.7A
Other languages
English (en)
Other versions
CN116245230B (zh
Inventor
李东璐
侯梦龙
李德武
蔡喜昌
周玉权
刘欣
谢国栋
冯文嵛
王靖宇
方勇
张云轩
林泳骏
刘冠杰
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.)
Operation Branch Of China Southern Power Grid Peak Shaving And Frequency Modulation Power Generation Co ltd
Original Assignee
Operation Branch Of China Southern Power Grid Peak Shaving And Frequency Modulation Power Generation Co ltd
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 Operation Branch Of China Southern Power Grid Peak Shaving And Frequency Modulation Power Generation Co ltd filed Critical Operation Branch Of China Southern Power Grid Peak Shaving And Frequency Modulation Power Generation Co ltd
Priority to CN202310083426.7A priority Critical patent/CN116245230B/zh
Publication of CN116245230A publication Critical patent/CN116245230A/zh
Application granted granted Critical
Publication of CN116245230B publication Critical patent/CN116245230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • H02J13/00001—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 the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，提供了一种电站设备的运行巡检与趋势分析方法及系统，所述方法包括：在巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息，输入图像处理识别模型，获取设备状态识别信息；连接目标电站设备，获取上传数据，进行设备状态预测，获取设备状态预测结果，设置巡检任务；巡检摄像机依照巡检任务，对目标电站设备进行自动巡检，解决了电站设备的运行巡检效率低且精确度不高，电站设备的运行巡检信息可靠性低技术问题，实现了搭建识别模型，提高精确度，利用设备状态预测，优化巡检摄像机的巡检任务中的巡检路线，依照巡检任务进行自动巡检，加快运行巡检效率，维护运行巡检信息可靠性技术效果。

Description

一种电站设备的运行巡检与趋势分析方法及系统
技术领域
本发明涉及数据处理相关技术领域，具体涉及一种电站设备的运行巡检与趋势分析方法及系统。
背景技术
近年来随着电网无人值守电站的大力推广，智能巡检摄像机将逐步代替人工完成电站设备的巡检。待巡检的仪表设备中大部分是指针式仪表设备，如气压表、温度表、油温表、避雷器表等，这类仪表结构简单、制作成本低、维护方便、抗电磁干扰能力强、可靠性高、具有防尘、防水、防冻特性，广泛应用于电力系统。
由于仪表设备中大部分是指针式仪表设备，输出结果不是数字信号，无法直接输入计算机系统中，传统的仪表读数识别多是通过人工判别，采用人眼识别易受到诸多人为因素的影响，检测效率低且精确度不高，还存在一些高辐射、高危险的场合，无法采用人工判读。
综上所述，现有技术中存电站设备的运行巡检效率低且精确度不高，电站设备的运行巡检信息可靠性低的技术问题。
发明内容
本申请通过提供了一种电站设备的运行巡检与趋势分析方法及系统，旨在解决现有技术中的电站设备的运行巡检效率低且精确度不高，电站设备的运行巡检信息可靠性低的技术问题。
鉴于上述问题，本申请实施例提供了一种电站设备的运行巡检与趋势分析方法及系统。
本申请公开的第一个方面，提供了一种电站设备的运行巡检与趋势分析方法，其中，所述方法应用于运行巡检与趋势分析系统，所述运行巡检与趋势分析系统与巡检摄像机通信互联，所述方法包括：在所述巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；连接目标电站设备，获取上传数据；基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果；通过所述设备状态预测结果，设置巡检任务；所述巡检摄像机依照所述巡检任务，对所述目标电站设备进行自动巡检。
本申请公开的另一个方面，提供了一种电站设备的运行巡检与趋势分析系统，其中，所述系统包括：视频信息获取模块，用于在巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；设备状态识别模块，用于将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；上传数据获取模块，用于连接目标电站设备，获取上传数据；设备状态预测模块，用于基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果；巡检任务设置模块，用于通过所述设备状态预测结果，设置巡检任务；自动巡检模块，用于所述巡检摄像机依照所述巡检任务，对所述目标电站设备进行自动巡检。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了在巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；将电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；连接目标电站设备，获取上传数据；基于设备状态识别信息，通过上传数据，进行设备状态预测，获取设备状态预测结果，设置巡检任务；巡检摄像机依照巡检任务，对目标电站设备进行自动巡检，，实现了搭建识别模型，提高精确度，利用设备状态预测，优化巡检摄像机的巡检任务中的巡检路线，依照巡检任务进行自动巡检，加快运行巡检效率，维护运行巡检信息可靠性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种电站设备的运行巡检与趋势分析方法可能的流程示意图；
图2为本申请实施例提供了一种电站设备的运行巡检与趋势分析方法中进行巡检路线更新可能的流程示意图；
图3为本申请实施例提供了一种电站设备的运行巡检与趋势分析系统可能的结构示意图。
附图标记说明：视频信息获取模块100，设备状态识别模块200，上传数据获取模块300，设备状态预测模块400，巡检任务设置模块500，自动巡检模块600。
具体实施方式
本申请实施例提供了一种电站设备的运行巡检与趋势分析方法及系统，解决了电站设备的运行巡检效率低且精确度不高，电站设备的运行巡检信息可靠性低的技术问题，实现了搭建识别模型，提高精确度，利用设备状态预测，优化巡检摄像机的巡检任务中的巡检路线，依照巡检任务进行自动巡检，加快运行巡检效率，维护运行巡检信息可靠性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种电站设备的运行巡检与趋势分析方法，其中，所述方法应用于运行巡检与趋势分析系统，所述运行巡检与趋势分析系统与巡检摄像机通信互联，所述方法包括：
S10：在所述巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；
S20：将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；
步骤S20包括步骤：
S21：在此前所述目标电站设备处于不同地设备状态，同步提取多个样本图像信息；
S22：根据所述多个样本图像信息，确定对应的多个样本设备状态识别信息；
S23：采用所述多个样本图像信息和多个样本设备状态识别信息，构建所述图像处理识别模型；
S24：将所述电站设备实时视频信息输入图像处理识别模型内，获取所述设备状态识别信息。
具体而言，所述运行巡检与趋势分析系统与巡检摄像机通信互联，所述通信互联简单来说就是通过信号的传输交互，在所述运行巡检与趋势分析系统与巡检摄像机之间构成通讯网络，在所述巡检摄像机进行巡视过程(巡检摄像机携带着可见光、红外、声音等各类传感器)中，启动视频采集设备，利用所述视频采集设备，采集目标电站设备的声、像信息，获取电站设备实时视频信息，为后续处理提供数据支持；
具体而言，将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息，具体包括：基于所述行巡检与趋势分析系统，在此前所述目标电站设备处于不同地设备状态，同步提取多个样本图像信息(多个样本图像信息与不同地设备状态一一对应)；根据所述多个样本图像信息，在目标电站设备的运行日志中，确定对应的多个样本设备状态识别信息；采用所述多个样本图像信息和多个样本设备状态识别信息，构建所述图像处理识别模型；将所述电站设备实时视频信息作为输入数据，输入所述图像处理识别模型内，输出所述设备状态识别信息(所述设备状态识别信息包括表记读数信息与所述盘柜指示状态)，为后续代入图像处理识别模型提供参考。
步骤S23包括步骤：
S231：以卷积神经网络为模型基础，构建所述图像处理识别模型，所述图像处理识别模型的输入数据为电站设备实时视频信息，输出数据为设备状态识别信息；
S232：采用所述多个样本图像信息和多个样本设备状态识别信息，分解获取训练信息集和验证信息集；
S233：设置第一模型准确率阈值；
S234：通过所述训练信息集和验证信息集对所述图像处理识别模型进行监督训练和验证，直到图像处理识别模型准确率满足所述模型准确率阈值，获得所述图像处理识别模型。
具体而言，采用所述多个样本图像信息和多个样本设备状态识别信息，构建所述图像处理识别模型，具体包括：以卷积神经网络为模型基础，构建所述图像处理识别模型，(所述图像处理识别模型输入端的输入数据为电站设备实时视频信息，所述图像处理识别模型输出端的输出数据为设备状态识别信息)；采用8：2的比例对所述多个样本图像信息和多个样本设备状态识别信息进行划分，分解获取训练信息集和验证信息集；设置第一模型准确率阈值；将所述训练信息集中的多个样本图像信息和多个样本设备状态识别信息作为输入训练数据，输入所述卷积神经网络中，采用每次根据训练得到的结果与预想结果(预想结果：多个样本设备状态识别信息)进行误差分析，进而修改权值和阈值(进而修改权值和阈值可以将卷积神经网络训练至适用于进行设备状态识别)，一步一步监督训练得到能输出和预想结果一致的模型，在模型输出趋于稳定(模型稳定：输出和预想结果一致)后，将所述验证信息集中的多个样本图像信息和多个样本设备状态识别信息作为输入进行验证，计算获取图像处理识别模型准确率(图像处理识别模型准确率＝验证通过次数/验证总次数×100％)，直到图像处理识别模型准确率满足所述第一模型准确率阈值时，验证通过，确定图像处理识别模型，为进行设备状态识别提供模型支持。
步骤S231还包括步骤：
S231-1：以卷积神经网络为模型基础，设置表记读数识别算法与指示灯识别算法；
S231-2：采用所述表记读数识别算法，识别表记读数信息；
S231-3：采用所述指示灯识别算法，识别盘柜指示灯颜色；
S231-4：通过所述表记读数信息与所述盘柜指示灯颜色，识别输出所述设备状态识别信息。
具体而言，巡检摄像机从目标电站内采集到各种仪表图像(电压表、电流表、数显表及刀闸仪表等)，在仪表图像分析过程中，仪表数字识别属于一种场景文字识别，场景文件识别是在自然场景下，具有比较复杂的背景，字体多样，大小多变，形状多变，方向不规整等特点，识别难度大；
以卷积神经网络为模型基础，设置指示灯识别算法：盘柜指示灯颜色与盘柜指示状态一一对应，需要依照盘柜指示灯的主体设备使用说明，通过盘柜指示灯颜色，对照确认盘柜指示状态，修改HoughCircles()(HoughCircles为函数名)函数中的doubleparam2(param2为函数中的变量，double：双精度浮点型)参数，降低识别的圆度标准，单独对该部分指示灯区域进行处理，利用迭代法的思想逐步降低该参数的数值大小，直至识别出圆为止，不能一开始就将param2数值设置成过低，因为这样会检测出许多可能不存在的圆，造成误识别现象的发生，将不同颜色指示灯的状态进行输出；
以卷积神经网络为模型基础，设置表记读数识别算法：对图像处理识别模型的输入数据进行去除噪声，为后续指针中心线的精确提取提供清晰的图像；设置平滑窗口(过大或过小的平滑窗口，就会使仪表图像的细节比如边界轮廓、线条等变得模糊不清或边界轮廓断裂，本申请实施例采用5×5方形平滑窗口)，采用平滑窗口的中值滤波器去除图像噪声，既能达到去噪的目的，又能保持图像中的细节信息；进行指针定位，一般的，仪表图像中指针具有顶端细，底端粗，灰度关于中心线对称的特性，且指针中心线必过转动轴心，指针定位可通过提取过表盘转动轴心的指针中心线来实现，提取指针中心线可使用直线提取方法；指针仪表读数识别是利用指针中心线相对于仪表量程初始刻度的角度和量程的关系识别仪表的读数。
以压力表表盘为例，其量程范围为(Min，Max)，为计算出表盘的读数，以表盘转动轴心为原点建立直角坐标系XY，图像空间的坐标系UV。图像像素坐标系UV转化为表盘坐标系XY，坐标原点O位于表盘转动轴心像素点(m，n)处，OF为表盘指针所在的射线，OI为表盘转动轴心到表盘初始刻度所在的射线，OA为表盘转动轴心到表盘最大刻度所在的射线，由X轴负方向沿顺时针方向转至射线OA、OI和OF的角度，角度的取值范围为(﹣180°，180°)，顺时针方向转动所得角度为正角度，逆时针方向转动所得角度为负角度；
采用所述表记读数识别算法，识别表记读数信息，所述表记读数信息包含文字状态、颜色状态、指针方向；采用所述指示灯识别算法，识别盘柜指示灯颜色；通过所述表记读数信息与所述盘柜指示灯颜色，依照盘柜指示灯的主体设备使用说明，识别输出所述设备状态识别，为保证设备状态识别的精确性提供技术支持。
S30：连接目标电站设备，获取上传数据；
S40：基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果；
步骤S40包括步骤：
S41：构建设备状态预测链；
S42：将所述设备状态识别信息作为当前状态，将所述上传数据输入所述设备状态预测链，进行设备状态预测；
S43：通过所述设备状态预测链，预测获取设备状态预测结果。
具体而言，采用通信互联的方式连接目标电站设备，获取上传数据，所述上传数据包括系统未响应的控制指令(在多发并行控制指令响应执行过程中，会将未响应的控制指令存储于寄存器中)；基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果，具体包括：构建设备状态预测链；以马尔科夫链为模型基础，将所述设备状态识别信息作为当前状态，将所述上传数据输入所述设备状态预测链，进行设备次状态(设备次状态为所述当前状态的下一个设备状态)预测，获取设备状态预测结果，为后续代入设备状态预测链提供参考。
步骤S41包括步骤：
S411：以马尔科夫链为模型基础，构建所述设备状态预测链；
S412：将多个样本上传数据作为激励信息，将多个样本设备状态识别信息设定状态信息，建立初始化设备状态预测链；
S413：在所述多个样本设备状态识别信息与多个样本设备状态识别信息进行数据随机抽取，建立验证信息集；
S414：设置第二模型准确率阈值；
S415：通过所述验证信息集对所述初始化设备状态预测链进行验证，直到所述初始化设备状态的预测链准确率满足所述模型准确率阈值，获得所述设备状态预测链。
具体而言，以马尔科夫链为模型基础，构建设备状态预测链，具体包括：以马尔科夫链为模型基础，将多个样本上传数据作为激励信息，将多个样本设备状态识别信息设定状态信息，建立初始化设备状态预测链；以10％的比例在所述多个样本设备状态识别信息与多个样本设备状态识别信息进行数据随机抽取(随机抽取为现有技术)，建立验证信息集；设置第二模型准确率阈值；通过所述验证信息集中的多个样本设备状态识别信息与多个样本设备状态识别信息，对所述初始化设备状态预测链进行验证，直到所述初始化设备状态的预测链准确率(预测链准确率＝验证通过次数/验证总次数×100％)满足所述模型准确率阈值，获得所述设备状态预测链，为进行设备状态预测提供模型支持。
S50：通过所述设备状态预测结果，设置巡检任务；
S60：所述巡检摄像机依照所述巡检任务，对所述目标电站设备进行自动巡检。
如图2所示，步骤S50包括步骤：
S51：通过所述设备状态预测结果，获取巡检路线规划；
S52：在所述巡检摄像机进行巡视过程中，获取初始化巡检路线规划；
S53：通过所述巡检路线规划，对所述初始化巡检路线规划进行修正，获取修正化巡检路线规划；
S54：将所述修正化巡检路线规划添加至所述巡检任务，进行巡检路线更新。
具体而言，通过所述设备状态预测结果，设置巡检任务，具体包括：通过所述设备状态预测结果(同一个设备的指示灯与指针仪表优先进行打包处理，将所述设备状态预测结果与设备状态识别信息变化大的优先进行巡检，所述设备状态预测结果与设备状态识别信息变化大即表明数据存在较大的跳变，可能存在电站设备的运行异常的风险)，获取巡检路线规划；在所述巡检摄像机进行巡视过程中，获取初始化巡检路线规划(初始化巡检路线规划依照巡检路程最优化设定，初始化巡检路线规划的巡检路程最短)；通过所述巡检路线规划，对所述初始化巡检路线规划进行修正(将同一个设备的运行巡检进行打包，对目标电站设备中可能存在电站设备的运行异常的风险的优先进行巡检)，获取修正化巡检路线规划(简单来说，可能存在电站设备的运行异常的风险坐标为(5，8)，一般情况下，起点默认为(1，1)，可以将巡检起点修改为(5，8)，所述修正化巡检路线规划可以是从(5，8)开始进行巡检，最后巡检(1，1)～(5，8)之间的电站设备)；将所述修正化巡检路线规划添加至所述巡检任务，进行巡检路线更新，为保证巡检摄像机的巡视路线的合理性。
综上所述，本申请实施例所提供的一种电站设备的运行巡检与趋势分析方法及系统具有如下技术效果：
1.由于采用了在巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；将电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；连接目标电站设备，获取上传数据；基于设备状态识别信息，通过上传数据，进行设备状态预测，获取设备状态预测结果，设置巡检任务；巡检摄像机依照巡检任务，对目标电站设备进行自动巡检，本申请通过提供了一种电站设备的运行巡检与趋势分析方法及系统，实现了搭建识别模型，提高精确度，利用设备状态预测，优化巡检摄像机的巡检任务中的巡检路线，依照巡检任务进行自动巡检，加快运行巡检效率，维护运行巡检信息可靠性的技术效果。
2.由于采用了通过设备状态预测结果，获取巡检路线规划；在巡检摄像机进行巡视过程中，获取初始化巡检路线规划，对初始化巡检路线规划进行修正，获取修正化巡检路线规划，添加至巡检任务，进行巡检路线更新，为保证巡检摄像机的巡视路线的合理性。
实施例二
基于与前述实施例中一种电站设备的运行巡检与趋势分析方法相同的发明构思，如图3所示，本申请实施例提供了一种电站设备的运行巡检与趋势分析系统，其中，所述系统包括：
视频信息获取模块100，用于在巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；
设备状态识别模块200，用于将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；
上传数据获取模块300，用于连接目标电站设备，获取上传数据；
设备状态预测模块400，用于基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果；
巡检任务设置模块500，用于通过所述设备状态预测结果，设置巡检任务；
自动巡检模块600，用于所述巡检摄像机依照所述巡检任务，对所述目标电站设备进行自动巡检。
进一步的，所述系统包括：
样本图像信息提取模块，用于在此前所述目标电站设备处于不同地设备状态，同步提取多个样本图像信息；
样本设备状态识别信息确定模块，用于根据所述多个样本图像信息，确定对应的多个样本设备状态识别信息；
处理识别模型构建模块，用于采用所述多个样本图像信息和多个样本设备状态识别信息，构建所述图像处理识别模型；
设备状态识别信息获取模块，用于将所述电站设备实时视频信息输入图像处理识别模型内，获取所述设备状态识别信息。
进一步的，所述系统包括：
图像处理识别模型构建模块，用于以卷积神经网络为模型基础，构建所述图像处理识别模型，所述图像处理识别模型的输入数据为电站设备实时视频信息，输出数据为设备状态识别信息；
信息集分解模块，用于采用所述多个样本图像信息和多个样本设备状态识别信息，分解获取训练信息集和验证信息集；
第一模型准确率阈值设置模块，用于设置第一模型准确率阈值；
图像处理识别模型获得模块，用于通过所述训练信息集和验证信息集对所述图像处理识别模型进行监督训练和验证，直到图像处理识别模型准确率满足所述模型准确率阈值，获得所述图像处理识别模型。
进一步的，所述系统包括：
识别算法设置模块，用于以卷积神经网络为模型基础，设置表记读数识别算法与指示灯识别算法；
表记读数信息识别模块，用于采用所述表记读数识别算法，识别表记读数信息；
盘柜指示灯颜色识别模块，用于采用所述指示灯识别算法，识别盘柜指示灯颜色；
设备状态识别信息输出模块，用于通过所述表记读数信息与所述盘柜指示灯颜色，识别输出所述设备状态识别信息。
进一步的，所述系统包括：
预测链构建模块，用于构建设备状态预测链；
设备状态预测模块，用于将所述设备状态识别信息作为当前状态，将所述上传数据输入所述设备状态预测链，进行设备状态预测；
设备状态预测结果获取模块，用于通过所述设备状态预测链，预测获取设备状态预测结果。
进一步的，所述系统包括：
设备状态预测链构建模块，用于以马尔科夫链为模型基础，构建所述设备状态预测链；
初始化设备状态预测链建立模块，用于将多个样本上传数据作为激励信息，将多个样本设备状态识别信息设定状态信息，建立初始化设备状态预测链；
数据随机抽取模块，用于在所述多个样本设备状态识别信息与多个样本设备状态识别信息进行数据随机抽取，建立验证信息集；
第二模型准确率阈值设置模块，用于设置第二模型准确率阈值；
设备状态预测链获得模块，用于通过所述验证信息集对所述初始化设备状态预测链进行验证，直到所述初始化设备状态的预测链准确率满足所述模型准确率阈值，获得所述设备状态预测链。
进一步的，所述系统包括：
巡检路线规划获取模块，用于通过所述设备状态预测结果，获取巡检路线规划；
初始化巡检路线规划获取模块，用于在所述巡检摄像机进行巡视过程中，获取初始化巡检路线规划；
修正化巡检路线规划获取模块，用于通过所述巡检路线规划，对所述初始化巡检路线规划进行修正，获取修正化巡检路线规划；
巡检路线更新模块，用于将所述修正化巡检路线规划添加至所述巡检任务，进行巡检路线更新。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种电站设备的运行巡检与趋势分析方法，其特征在于，所述方法应用于运行巡检与趋势分析系统，所述运行巡检与趋势分析系统与巡检摄像机通信互联，所述方法包括：
在所述巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；
将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；
连接目标电站设备，获取上传数据；
基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果；
通过所述设备状态预测结果，设置巡检任务；
所述巡检摄像机依照所述巡检任务，对所述目标电站设备进行自动巡检。
2.如权利要求1所述的方法，其特征在于，将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息，所述方法包括：
在此前所述目标电站设备处于不同地设备状态，同步提取多个样本图像信息；
根据所述多个样本图像信息，确定对应的多个样本设备状态识别信息；
采用所述多个样本图像信息和多个样本设备状态识别信息，构建所述图像处理识别模型；
将所述电站设备实时视频信息输入图像处理识别模型内，获取所述设备状态识别信息。
3.如权利要求2所述的方法，其特征在于，采用所述多个样本图像信息和多个样本设备状态识别信息，构建所述图像处理识别模型，所述方法包括：
以卷积神经网络为模型基础，构建所述图像处理识别模型，所述图像处理识别模型的输入数据为电站设备实时视频信息，输出数据为设备状态识别信息；
采用所述多个样本图像信息和多个样本设备状态识别信息，分解获取训练信息集和验证信息集；
设置第一模型准确率阈值；
通过所述训练信息集和验证信息集对所述图像处理识别模型进行监督训练和验证，直到图像处理识别模型准确率满足所述模型准确率阈值，获得所述图像处理识别模型。
4.如权利要求3所述的方法，其特征在于，以卷积神经网络为模型基础，构建所述图像处理识别模型，所述方法还包括：
以卷积神经网络为模型基础，设置表记读数识别算法与指示灯识别算法；
采用所述表记读数识别算法，识别表记读数信息；
采用所述指示灯识别算法，识别盘柜指示灯颜色；
通过所述表记读数信息与所述盘柜指示灯颜色，识别输出所述设备状态识别信息。
5.如权利要求1所述的方法，其特征在于，基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果，所述方法包括：
构建设备状态预测链；
将所述设备状态识别信息作为当前状态，将所述上传数据输入所述设备状态预测链，进行设备状态预测；
通过所述设备状态预测链，预测获取设备状态预测结果。
6.如权利要求5所述的方法，其特征在于，所述构建设备状态预测链，所述方法包括：
以马尔科夫链为模型基础，构建所述设备状态预测链；
将多个样本上传数据作为激励信息，将多个样本设备状态识别信息设定状态信息，建立初始化设备状态预测链；
在所述多个样本设备状态识别信息与多个样本设备状态识别信息进行数据随机抽取，建立验证信息集；
设置第二模型准确率阈值；
通过所述验证信息集对所述初始化设备状态预测链进行验证，直到所述初始化设备状态的预测链准确率满足所述模型准确率阈值，获得所述设备状态预测链。
7.如权利要求1所述的方法，其特征在于，通过所述设备状态预测结果，设置巡检任务，所述方法包括：
通过所述设备状态预测结果，获取巡检路线规划；
在所述巡检摄像机进行巡视过程中，获取初始化巡检路线规划；
通过所述巡检路线规划，对所述初始化巡检路线规划进行修正，获取修正化巡检路线规划；
将所述修正化巡检路线规划添加至所述巡检任务，进行巡检路线更新。
8.一种电站设备的运行巡检与趋势分析系统，其特征在于，用于实施权利要求1-7任一一项所述的一种电站设备的运行巡检与趋势分析方法，包括：
视频信息获取模块，用于在巡检摄像机进行巡视过程中，启动视频采集设备，获取电站设备实时视频信息；
设备状态识别模块，用于将所述电站设备实时视频信息输入图像处理识别模型，获取设备状态识别信息；
上传数据获取模块，用于连接目标电站设备，获取上传数据；
设备状态预测模块，用于基于所述设备状态识别信息，通过所述上传数据，进行设备状态预测，获取设备状态预测结果；
巡检任务设置模块，用于通过所述设备状态预测结果，设置巡检任务；
自动巡检模块，用于所述巡检摄像机依照所述巡检任务，对所述目标电站设备进行自动巡检。
CN202310083426.7A 2023-02-03 2023-02-03 一种电站设备的运行巡检与趋势分析方法及系统 Active CN116245230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310083426.7A CN116245230B (zh) 2023-02-03 2023-02-03 一种电站设备的运行巡检与趋势分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310083426.7A CN116245230B (zh) 2023-02-03 2023-02-03 一种电站设备的运行巡检与趋势分析方法及系统

Publications (2)

Publication Number Publication Date
CN116245230A true CN116245230A (zh) 2023-06-09
CN116245230B CN116245230B (zh) 2024-03-19

Family

ID=86625533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310083426.7A Active CN116245230B (zh) 2023-02-03 2023-02-03 一种电站设备的运行巡检与趋势分析方法及系统

Country Status (1)

Country Link
CN (1) CN116245230B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720854A (zh) * 2023-08-11 2023-09-08 成都煦联得节能科技有限公司 基于智慧巡检的设备协调控制方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002092592A (ja) * 2000-09-12 2002-03-29 Toko Electric Corp 自動巡視システムおよび自動巡視方法
CN110121054A (zh) * 2018-02-07 2019-08-13 中国石油化工股份有限公司 一种基于视频分析的石化装置巡检系统
CN110514957A (zh) * 2019-08-19 2019-11-29 深圳供电局有限公司 变电站自动巡检方法和平台
CN110989594A (zh) * 2019-12-02 2020-04-10 交控科技股份有限公司 一种智能机器人巡检系统及方法
CN111985352A (zh) * 2020-07-30 2020-11-24 国网智能科技股份有限公司 一种ai前端化的变电站巡检视频实时识别方法及系统
CN112100575A (zh) * 2020-09-11 2020-12-18 石化盈科信息技术有限责任公司 设备状态趋势预测方法、装置、计算机设备和存储介质
CN113592864A (zh) * 2021-09-28 2021-11-02 广东电网有限责任公司惠州供电局 基于卷积神经网络的变压器监控方法、装置、系统及介质
WO2022021739A1 (zh) * 2020-07-30 2022-02-03 国网智能科技股份有限公司 一种语义智能变电站机器人仿人巡视作业方法及系统
CN114768158A (zh) * 2022-04-21 2022-07-22 广东永耀消防安全技术有限公司 一种智慧消防系统及其自动巡检方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002092592A (ja) * 2000-09-12 2002-03-29 Toko Electric Corp 自動巡視システムおよび自動巡視方法
CN110121054A (zh) * 2018-02-07 2019-08-13 中国石油化工股份有限公司 一种基于视频分析的石化装置巡检系统
CN110514957A (zh) * 2019-08-19 2019-11-29 深圳供电局有限公司 变电站自动巡检方法和平台
CN110989594A (zh) * 2019-12-02 2020-04-10 交控科技股份有限公司 一种智能机器人巡检系统及方法
CN111985352A (zh) * 2020-07-30 2020-11-24 国网智能科技股份有限公司 一种ai前端化的变电站巡检视频实时识别方法及系统
WO2022021739A1 (zh) * 2020-07-30 2022-02-03 国网智能科技股份有限公司 一种语义智能变电站机器人仿人巡视作业方法及系统
CN112100575A (zh) * 2020-09-11 2020-12-18 石化盈科信息技术有限责任公司 设备状态趋势预测方法、装置、计算机设备和存储介质
CN113592864A (zh) * 2021-09-28 2021-11-02 广东电网有限责任公司惠州供电局 基于卷积神经网络的变压器监控方法、装置、系统及介质
CN114768158A (zh) * 2022-04-21 2022-07-22 广东永耀消防安全技术有限公司 一种智慧消防系统及其自动巡检方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720854A (zh) * 2023-08-11 2023-09-08 成都煦联得节能科技有限公司 基于智慧巡检的设备协调控制方法及系统
CN116720854B (zh) * 2023-08-11 2023-11-03 成都煦联得节能科技有限公司 基于智慧巡检的设备协调控制方法及系统

Also Published As

Publication number Publication date
CN116245230B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN112115927B (zh) 一种基于深度学习的机房设备智能识别方法及系统
CN110569762A (zh) 一种基于多级神经网络的销钉脱落检测方法及装置
CN111650345B (zh) 大气环境污染检测数据的处理方法、装置、设备及介质
CN103528617A (zh) 一种座舱仪表自动识别和检测方法及装置
CN111931565A (zh) 一种基于光伏电站uav的自主巡检与热斑识别方法及系统
CN111398176B (zh) 基于像元尺度特征的水体水色异常遥感识别方法和装置
CN116245230B (zh) 一种电站设备的运行巡检与趋势分析方法及系统
JP2020118484A (ja) アナログメータの指針の指示値の自動読み取りシステム及び自動読み取り方法
CN104239899A (zh) 一种用于无人机巡检的输电线路间隔棒识别方法
CN111723821A (zh) 一种电厂仪表图像的检测识别方法及装置
CN103954334A (zh) 一种全自动摄像式水表检定系统及其工作方法
CN113532882A (zh) 一种汽车仪表测试方法、装置、系统及存储介质
CN113705350A (zh) 变电站的指针仪表读数识别方法、装置、介质和电子设备
CN112184903A (zh) 高压线行树障风险点的检测方法、装置、设备及介质
CN117095246A (zh) 基于偏振成像的深度学习指针仪表读数识别方法
CN116310913A (zh) 基于小型无人机测量技术的自然资源调查监测方法及装置
CN114691661B (zh) 一种基于同化的云导风、温湿廓线预处理分析方法及系统
CN114255458A (zh) 一种巡检场景下指针仪表读数的识别方法与系统
CN112668448B (zh) 一种生态进程变化分析方法、装置、介质及终端设备
CN113012137B (zh) 一种面板缺陷检查方法、系统、终端设备及存储介质
CN109870404B (zh) 一种雨棚结构损伤识别方法、装置及终端设备
CN114155432A (zh) 一种基于机器人的表计读数识别方法
JP2022089389A (ja) アナログメータの指針の指示値の読み取り方法およびアナログメータの指針の指示値の読み取りシステム
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN116912476B (zh) 松材线虫病无人机遥感监测快速定位方法及相关装置

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
GR01 Patent grant
GR01 Patent grant