CN116432183A - 一种智慧地铁综合监控系统及方法 - Google Patents
一种智慧地铁综合监控系统及方法 Download PDFInfo
- Publication number
- CN116432183A CN116432183A CN202310434460.4A CN202310434460A CN116432183A CN 116432183 A CN116432183 A CN 116432183A CN 202310434460 A CN202310434460 A CN 202310434460A CN 116432183 A CN116432183 A CN 116432183A
- Authority
- CN
- China
- Prior art keywords
- power
- equipment
- coefficient
- virus
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241000700605 Viruses Species 0.000 claims abstract description 101
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003612 virological effect Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 230000009545 invasion Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 13
- 238000011176 pooling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
- G06F21/568—Computer malware detection or handling, e.g. anti-virus arrangements eliminating virus, restoring damaged files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
- G06F21/562—Static detection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Virology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种智慧地铁综合监控系统及方法,涉及电力监控技术领域,包括数据采集模块、数据处理模块、安全分析模块、定位监测模块、执行模块和控制中心,通过数据采集模块采集电力设备相关数据,并利用数据处理模块对电力设备相关数据进行处理,然后进行安全分析,利用定位监测模块和控制中心对病毒位置进行定位,最后利用执行模块对病毒进行清除;根据由多次预先采集建立的病毒侵占位置分布集合来对利用采集分析的电力设备相关数据计算得出的病毒分布概率进行特征匹配,得到病毒所在的具体位置后,对病毒进行精准清除,实现了能够检测电力系统中是否出现病毒,并对病毒进行定位处理,最后对病毒进行清除的功能。
Description
技术领域
本发明涉及电力监控技术领域,具体的是一种智慧地铁综合监控系统及方法。
背景技术
地铁综合监控系统(ISCS)的主要功能包括对机电设备的实时集中监控功能和各系统之间协调联动功能两大部分。一方面,通过地铁综合监控系统可实现对电力设备、火灾报警信息及其设备、车站环控设备、区间环控设备、环境参数、屏蔽门设备、防淹门设备、电扶梯设备、照明设备、门禁设备、自动售检票设备、广播和闭路电视设备、乘客信息显示系统的播出信息和时钟信息等进行实时集中监视和控制的基本功能;另一方面,通过地铁综合监控系统,还可实现晚间非运营情况下、日间正常运营情况下、紧急突发情况下和重要设备故障情况下各相关系统设备之间协调互动等高级功能。因此,地铁综合监控系统对于地铁线路的综合运营极为重要。
现有的地铁综合监控系统对于电力设备的监控主要体现在对于电力系统中的病毒的监控和电力设备是否出现问题,但是现有的地铁综合监控系统只能获取到电力系统中是否出现病毒,但是无法对病毒进行自动溯源处理,定位病毒所处位置。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种智慧地铁综合监控系统及方法,能够检测电力系统中是否出现病毒,并对病毒进行定位处理,最后对病毒进行清除。
本发明的目的可以通过以下技术方案实现:一种智慧地铁综合监控系统,包括:
数据采集模块:用于采集电力设备相关数据,并且将采集到的电力设备相关数据发送至数据处理模块;
数据处理模块:用于对接收到的电力设备相关数据进行特征提取,得到设备电压、设备电流、设备功率和电力设备数,并对设备电压、设备电流、设备功率和电力设备数进行标记,当电力设备数小于5时,发送重新采集信号至数据采集模块,数据采集模块重新采集电力设备相关数据,若电力设备数大于等于5时,利用标记后的电力设备相关数据计算得出电力判定系数,并将电力判定系数发送至安全分析模块;
安全分析模块:用于对电力判定系数进行分析,设定标准电力判定系数,分别求出电力判定系数和标准电力判定系数的一阶导数,得到一阶电力判定系数导数与一阶标准电力判定系数导数,计算一阶电力判定系数导数与一阶标准电力判定系数导数的绝对值之差,得到差值,将差值与设定的差值阈值进行比例判定,得到比例系数,若比例系数大于等于2,则重新采集电力设备相关数据,若比例系数小于2,则将电力判定系数和标准电力判定系数发送至定位检测模块;
定位监测模块:用于将电力判定系数和标准电力判定系数计算得出病毒分布概率,并获取控制中心内的病毒侵占位置分布集合,将病毒分布概率与病毒侵占位置分布集合进行特征匹配,确定病毒的位置,并发送位置处理信号至执行模块;
执行模块:根据定位监测模块发送的位置处理信号,将对应位置的病毒进行清除;
控制中心:用于获取并存储病毒侵占位置分布集合。
优选地,所述数据采集模块包括:电压采集单元、电流采集单元和功率采集单元;所述电压采集单元用于采集设备电压,所述电流采集单元用于采集设备电流,所述功率采集单元用于采集设备功率。
优选地,所述数据处理模块的处理过程包括以下步骤:
对电力设备相关数据进行特征提取,从而得到设备电压、设备电流、设备功率和电力设备数,将设备电压标记为Vi,设备电流标记为Ii,设备功率标记为Pi,电力设备数标记为Ti,其中i为采集次数标号,且i=1、2、3、...、n,n为采集次数总数;
若电力设备数Ti<5,则需要对电力设备相关数据进行重新采集,数据处理模块发送重新采集信号至数据采集模块,数据采集模块对电力设备相关数据进行重新采集,若电力设备数Ti≥5,则利用公式计算得出电力判定系数Dli,式中,V0为设备电压标准系数,I0为设备电流标准系数,P0为设备功率标准系数,α为设备电压影响系数,β为设备电流影响系数,a为设备功率影响系数,T0为标准设备数量。
优选地,所述安全分析模块的分析过程包括以下步骤:
设定标准电力判定系数Dl0,且对电力判定系数Dli进行一阶求导,得到一阶电力判定系数导数Dli1,对标准电力判定系数Dl0进行一阶求导,得到一阶标准电力判定系数导数Dl01;
利用得到的一阶电力判定系数导数Dli1与一阶标准电力判定系数导数Dl01,计算一阶电力判定系数导数Dli1与一阶标准电力判定系数导数Dl01的绝对值之差,公式如下:Czi=|Dli1|-|Dl01|,得到差值Czi,并且与设定的差值阈值Cz0进行比例判定,利用公式计算得出比例系数Bli,若Bli≥2,则安全分析模块发送采集信号至数据采集模块进行重新采集,若Bli<2,安全分析模块将电力判定系数Dli和标准电力判定系数Dl0发送至定位监测模块对病毒进行定位监测。
优选地,所述定位监测模块进行定位监测的过程包括以下步骤:
获取控制中心内的病毒侵占位置分布集合Wzp,其中p为病毒侵占位置分布概率标号,且p=1、2、3、...、m,m为病毒侵占位置总数,若Wzp-1≤Gli≤Wzp,则说明此时病毒侵占在位置p,定位监测模块发送位置p处理信号至执行模块,执行模块对位置p的病毒进行清除。
优选地,所述病毒侵占位置分布集合Wzp={Wz1、Wz2、...、Wzm}。
优选地,所述控制中心内存储的病毒侵占位置分布集合Wzp的获取过程如下:
通过控制中心内的数据采集终端来对电力设备数据进行录入,其中,所述电力设备数据包括设备电压、设备电流和设备功率;
将电力设备数据与病毒分布映射模型相结合,获取并存储病毒侵占位置分布概率,然后将所有获取得到的病毒侵占位置分布概率进行整合形成病毒侵占位置分布集合,需要进行说明的是,所述病毒分布映射模型基于人工智能模型进行训练。
优选地,基于人工智能模型来对病毒分布映射模型进行训练,过程为:
通过服务器整合并获取标准训练数据,其中,标准训练数据包括电力设备数据和病毒侵占位置分布概率;
通过标准训练数据对人工智能模型进行训练,获取并存储病毒分布映射模型;其中,人工智能模型包括深度卷积神经网络模型和RBF神经网络模型。
一种智慧地铁综合监控方法,方法包括以下步骤:
采集电力设备相关数据,并进行特征提取,得到设备电压、设备电流、设备功率和电力设备数,并对特征提取后的电力设备相关数据分别进行标记;
若电力设备数小于5,则重新采集电力设备相关数据,若电力设备数大于等于5,则利用标记后的电力设备相关数据计算得出电力判定系数;
设定标准电力判定系数,分别求出电力判定系数和标准电力判定系数的一阶导数,得到一阶电力判定系数导数与一阶标准电力判定系数导数,计算一阶电力判定系数导数与一阶标准电力判定系数导数的绝对值之差,得到差值;
将差值与设定的差值阈值进行比例判定,得到比例系数,若比例系数大于等于2,则重新采集电力设备相关数据,若比例系数小于2,则利用电力判定系数和标准电力判定系数计算得出病毒分布概率;
将病毒分布概率与预先建立的病毒侵占位置分布集合进行特征匹配,得到病毒所在的位置,并对病毒进行清除。
本发明的有益效果:
本发明根据由多次预先采集建立的病毒侵占位置分布集合来对利用采集分析的电力设备相关数据计算得出的病毒分布概率进行特征匹配,得到病毒所在的具体位置后,对病毒进行精准清除,实现了能够检测电力系统中是否出现病毒,并对病毒进行定位处理,最后对病毒进行清除的功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1是本发明原理结构示意图;
图2是本发明方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种智慧地铁综合监控系统,包括数据采集模块、数据处理模块、安全分析模块、定位监测模块、执行模块和控制中心;
所述数据采集模块用于采集电力设备相关数据,需要进一步进行说明的是,在具体实施过程中,所述电力设备相关数据包括:设备电压、设备电流、设备功率和电力设备数;
需要进一步进行说明的是,在具体实施过程中,所述数据采集模块包括:电压采集单元、电流采集单元和功率采集单元;所述电压采集单元用于采集设备电压,所述电流采集单元用于采集设备电流,所述功率采集单元用于采集设备功率;
并且将采集得到的电力设备相关数据发送至数据处理模块进行处理,所述数据处理模块用于对接收到的电力设备相关数据进行处理,具体的,数据处理模块对电力设备相关数据进行处理的过程包括以下步骤:
对电力设备相关数据进行特征提取,从而得到设备电压、设备电流、设备功率和电力设备数,并且对设备电压、设备电流、设备功率和电力设备数进行标记,将设备电压标记为Vi,设备电流标记为Ii,设备功率标记为Pi,电力设备数标记为Ti,其中i为采集次数标号,且i=1、2、3、...、n,n为采集次数总数;
若电力设备数Ti<5,则说明采集的电力设备相关数据未达到监测标准,此时需要对电力设备相关数据进行重新采集,数据处理模块发送重新采集信号至数据采集模块,数据采集模块对电力设备相关数据进行重新采集,若电力设备数Ti≥5,则说明采集的电力设备相关数据达到了监测标准,则利用公式计算得出电力判定系数Dli,式中,V0为设备电压标准系数,I0为设备电流标准系数,P0为设备功率标准系数,α为设备电压影响系数,β为设备电流影响系数,a为设备功率影响系数,T0为标准设备数量;
需要进一步进行说明的是,在具体实施过程中,所述数据处理模块包括特征提取单元和计算单元,所述特征提取单元用于对电力设备相关数据进行提取,并且将提取后的电力设备相关数据发送至计算单元,所述计算单元用于对电力设备相关数据进行计算;
将计算得出的电力判定系数Dli发送至安全分析模块进行安全分析,所述安全分析模块在接收到数据处理模块发送的电力判定系数Dli后,进行安全分析,具体的,安全分析模块对电力判定系数Dli的分析过程包括以下步骤:
设定标准电力判定系数Dl0,且对电力判定系数Dli进行一阶求导,得到一阶电力判定系数导数Dli1,对标准电力判定系数Dl0进行一阶求导,得到一阶标准电力判定系数导数Dl01;
利用得到的一阶电力判定系数导数Dli1与一阶标准电力判定系数导数Dl01,计算一阶电力判定系数导数Dli1与一阶标准电力判定系数导数Dl01的绝对值之差,公式如下:Czi=|Dli1|-|Dl01|,得到差值Czi,并且与设定的差值阈值Cz0进行比例判定,利用公式计算得出比例系数Bli,若Bli≥2,则说明此批电力设备未被病毒感染,安全分析模块发送采集信号至数据采集模块进行重新采集,若Bli<2,则说明此批电力设备被病毒感染,安全分析模块将电力判定系数Dli和标准电力判定系数Dl0发送至定位监测模块对病毒进行定位监测;
需要进一步进行说明的是,所述安全分析模块包括计算单元和比较单元,所述计算单元用于计算差值和比例系数,所述比较单元用于将差值与差值阈值进行比例系数计算后进行比较;
所述定位监测模块在接收到安全分析模块发送的电力判定系数Dli和标准电力判定系数Dl0后,对病毒进行定位监测,具体的,定位监测模块对病毒进行定位监测的过程包括以下步骤:
获取控制中心内的病毒侵占位置分布集合Wzp={Wz1、Wz2、...、Wzm},其中p为病毒侵占位置分布概率标号,m为病毒侵占位置总数;
若Wz1≤Gli≤Wz2,则说明此时病毒侵占在位置1,定位监测模块发送位置1处理信号至执行模块,执行模块对位置1的病毒进行清除;
若Wz2≤Gli≤Wz3,则说明此时病毒侵占在位置2,定位监测模块发送位置2处理信号至执行模块,执行模块对位置2的病毒进行清除;
.
.
Wzm-1≤Gli≤Wzm
若,则说明此时病毒侵占在位置m,定位监测模块发送位置m处理信号至执行模块,执行模块对位置m的病毒进行清除。
需要进一步进行说明的是,在具体实施过程中,综上,若Wzp-1≤Gli≤Wzp,则说明此时病毒侵占在位置p,定位监测模块发送位置p处理信号至执行模块,执行模块对位置p的病毒进行清除,其中p=1、2、3、...、m。
需要进一步进行说明的是,在具体实施过程中,所述控制中心内存储的病毒侵占位置分布集合Wzp的获取过程如下:
通过控制中心内的数据采集终端来对电力设备数据进行录入,其中,所述电力设备数据包括设备电压、设备电流和设备功率;
将电力设备数据与病毒分布映射模型相结合,获取并存储病毒侵占位置分布概率,然后将所有获取得到的病毒侵占位置分布概率进行整合形成病毒侵占位置分布集合,需要进行说明的是,所述病毒分布映射模型基于人工智能模型进行训练;
需要进一步进行说明的是,在具体实施过程中,基于人工智能模型来对病毒分布映射模型进行训练,具体过程为:
通过服务器整合并获取标准训练数据,其中,标准训练数据包括电力设备数据和病毒侵占位置分布概率;
通过标准训练数据对人工智能模型进行训练,获取并存储病毒分布映射模型;其中,人工智能模型包括深度卷积神经网络模型和RBF神经网络模型。
需要进一步进行说明的是,在具体实施过程中,所述人工智能模型用于训练病毒分布映射模型,所述病毒分布映射模型用于生成病毒侵占位置分布概率。
需要进一步进行说明的是,所述深度卷积神经网络模型是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一,卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类,卷积是一种线性运算,需要将一组权重与输入相乘,以生成称为滤波器的二维权重数组。如果调整滤波器以检测输入中的特定特征类型,则在整个输入图像中重复使用该滤波器可以发现图像中任意位置的特征,结构包括:输入层:卷积神经网络的输入层可以处理多维数据,常见地,一维卷积神经网络的输入层接收一维或二维数组,其中一维数组通常为时间或频谱采样;二维数组可能包含多个通道;二维卷积神经网络的输入层接收二维或三维数组;三维卷积神经网络的输入层接收四维数组[16]。由于卷积神经网络在计算机视觉领域应用较广,因此许多研究在介绍其结构时预先假设了三维输入数据,即平面上的二维像素点和RGB通道。与其它神经网络算法类似,由于使用梯度下降算法进行学习,卷积神经网络的输入特征需要进行标准化处理。具体地,在将学习数据输入卷积神经网络前,需在通道或时间/频率维对输入数据进行归一化。
隐含层:卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑,在一些更为现代的算法中可能有Inception模块、残差块(residual block)等复杂构筑。在常见构筑中,卷积层和池化层为卷积神经网络特有。卷积层中的卷积核包含权重系数,而池化层不包含权重系数,因此在文献中,池化层可能不被认为是独立的层。以LeNet-5为例,3类常见构筑在隐含层中的顺序通常为:输入-卷积层-池化层-全连接层-输出。
所述RBF神经网络模型又称为径向基神经网络模型,是一种三层前向网络,第一层为由信号源节点组成的输入层,第二层为隐层,隐单元数视问题需要而定,隐单元的变换函数为非负非线性的函数RBF(径向基函数),第三层为输出层,输出层是对隐层神经元输出的线性组合,RBF神经网络模型的基本思想是:用RBF作为隐单元的基构成隐含层空间,这样就可以将输入矢量直接映射到隐空间,而不需要通过权连接。当RBF的中心点确定以后,这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的,即网络的输出是隐单元输出的线性加权和,此处的权即为网络可调参数。其中,隐含层的作用是把向量从低维度的映射到高维度的,这样低维度线性不可分的情况到高维度就可以变得线性可分了,主要就是核函数的思想。这样,网络由输入到输出的映射是非线性的,而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出,从而大大加快学习速度并避免局部极小问题。
如图2所示,本发明提出了一种智慧地铁综合监控方法,方法包括以下步骤:
采集电力设备相关数据,并进行特征提取,得到设备电压、设备电流、设备功率和电力设备数,并对特征提取后的电力设备相关数据分别进行标记;
若电力设备数小于5,则重新采集电力设备相关数据,若电力设备数大于等于5,则利用标记后的电力设备相关数据计算得出电力判定系数;
设定标准电力判定系数,分别求出电力判定系数和标准电力判定系数的一阶导数,得到一阶电力判定系数导数与一阶标准电力判定系数导数,计算一阶电力判定系数导数与一阶标准电力判定系数导数的绝对值之差,得到差值;
将差值与设定的差值阈值进行比例判定,得到比例系数,若比例系数大于等于2,则重新采集电力设备相关数据,若比例系数小于2,则利用电力判定系数和标准电力判定系数计算得出病毒分布概率;
将病毒分布概率与预先建立的病毒侵占位置分布集合进行特征匹配,得到病毒所在的位置,并对病毒进行清除。
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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公开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。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解,本公开不受上述实施例的限制,上述实施例和说明书中描述的只是说明本公开的原理,在不脱离本公开精神和范围的前提下,本公开还会有各种变化和改进,这些变化和改进都落入要求保护的本公开范围内容。
Claims (9)
1.一种智慧地铁综合监控系统,其特征在于,包括:
数据采集模块:用于采集电力设备相关数据,并且将采集到的电力设备相关数据发送至数据处理模块;
数据处理模块:用于对接收到的电力设备相关数据进行特征提取,得到设备电压、设备电流、设备功率和电力设备数,并对设备电压、设备电流、设备功率和电力设备数进行标记,当电力设备数小于5时,发送重新采集信号至数据采集模块,数据采集模块重新采集电力设备相关数据,若电力设备数大于等于5时,利用标记后的电力设备相关数据计算得出电力判定系数,并将电力判定系数发送至安全分析模块;
安全分析模块:用于对电力判定系数进行分析,设定标准电力判定系数,分别求出电力判定系数和标准电力判定系数的一阶导数,得到一阶电力判定系数导数与一阶标准电力判定系数导数,计算一阶电力判定系数导数与一阶标准电力判定系数导数的绝对值之差,得到差值,将差值与设定的差值阈值进行比例判定,得到比例系数,若比例系数大于等于2,则重新采集电力设备相关数据,若比例系数小于2,则将电力判定系数和标准电力判定系数发送至定位检测模块;
定位监测模块:用于将电力判定系数和标准电力判定系数计算得出病毒分布概率,并获取控制中心内的病毒侵占位置分布集合,将病毒分布概率与病毒侵占位置分布集合进行特征匹配,确定病毒的位置,并发送位置处理信号至执行模块;
执行模块:根据定位监测模块发送的位置处理信号,将对应位置的病毒进行清除;
控制中心:用于获取并存储病毒侵占位置分布集合。
2.根据权利要求1所述的一种智慧地铁综合监控系统,其特征在于,所述数据采集模块包括:电压采集单元、电流采集单元和功率采集单元;所述电压采集单元用于采集设备电压,所述电流采集单元用于采集设备电流,所述功率采集单元用于采集设备功率。
3.根据权利要求1所述的一种智慧地铁综合监控系统,其特征在于,所述数据处理模块的处理过程包括以下步骤:
对电力设备相关数据进行特征提取,从而得到设备电压、设备电流、设备功率和电力设备数,将设备电压标记为Vi,设备电流标记为Ii,设备功率标记为Pi,电力设备数标记为Ti,其中i为采集次数标号,且i=1、2、3、...、n,n为采集次数总数;
4.根据权利要求1所述的一种智慧地铁综合监控系统,其特征在于,所述安全分析模块的分析过程包括以下步骤:
设定标准电力判定系数Dl0,且对电力判定系数Dli进行一阶求导,得到一阶电力判定系数导数Dli1,对标准电力判定系数Dl0进行一阶求导,得到一阶标准电力判定系数导数Dl01;
6.根据权利要求5所述的一种智慧地铁综合监控系统,其特征在于,所述病毒侵占位置分布集合Wzp={Wz1、Wz2、...、Wzm}。
7.根据权利要求5所述的一种智慧地铁综合监控系统,其特征在于,所述控制中心内存储的病毒侵占位置分布集合Wzp的获取过程如下:
通过控制中心内的数据采集终端来对电力设备数据进行录入,其中,所述电力设备数据包括设备电压、设备电流和设备功率;
将电力设备数据与病毒分布映射模型相结合,获取并存储病毒侵占位置分布概率,然后将所有获取得到的病毒侵占位置分布概率进行整合形成病毒侵占位置分布集合,需要进行说明的是,所述病毒分布映射模型基于人工智能模型进行训练。
8.根据权利要求7所述的一种智慧地铁综合监控系统,其特征在于,基于人工智能模型来对病毒分布映射模型进行训练,过程为:
通过服务器整合并获取标准训练数据,其中,标准训练数据包括电力设备数据和病毒侵占位置分布概率;
通过标准训练数据对人工智能模型进行训练,获取并存储病毒分布映射模型;其中,人工智能模型包括深度卷积神经网络模型和RBF神经网络模型。
9.一种智慧地铁综合监控方法,其特征在于,方法包括以下步骤:
采集电力设备相关数据,并进行特征提取,得到设备电压、设备电流、设备功率和电力设备数,并对特征提取后的电力设备相关数据分别进行标记;
若电力设备数小于5,则重新采集电力设备相关数据,若电力设备数大于等于5,则利用标记后的电力设备相关数据计算得出电力判定系数;
设定标准电力判定系数,分别求出电力判定系数和标准电力判定系数的一阶导数,得到一阶电力判定系数导数与一阶标准电力判定系数导数,计算一阶电力判定系数导数与一阶标准电力判定系数导数的绝对值之差,得到差值;
将差值与设定的差值阈值进行比例判定,得到比例系数,若比例系数大于等于2,则重新采集电力设备相关数据,若比例系数小于2,则利用电力判定系数和标准电力判定系数计算得出病毒分布概率;
将病毒分布概率与预先建立的病毒侵占位置分布集合进行特征匹配,得到病毒所在的位置,并对病毒进行清除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310434460.4A CN116432183B (zh) | 2023-04-21 | 2023-04-21 | 一种智慧地铁综合监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310434460.4A CN116432183B (zh) | 2023-04-21 | 2023-04-21 | 一种智慧地铁综合监控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116432183A true CN116432183A (zh) | 2023-07-14 |
CN116432183B CN116432183B (zh) | 2024-03-26 |
Family
ID=87079509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310434460.4A Active CN116432183B (zh) | 2023-04-21 | 2023-04-21 | 一种智慧地铁综合监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432183B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983040A (zh) * | 2018-05-30 | 2018-12-11 | 广东电网有限责任公司 | 一种基于贝叶斯分析的配电网故障定位方法 |
CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
KR20210094786A (ko) * | 2020-01-22 | 2021-07-30 | 한국전력공사 | 실시간 고장 분석 시스템 및 고장 판정 방법 |
CN113918947A (zh) * | 2021-10-28 | 2022-01-11 | 深圳供电局有限公司 | 一种电力监控系统 |
CN115078915A (zh) * | 2022-07-19 | 2022-09-20 | 中铁电气化局集团有限公司 | 一种接触网故障位置智能预测方法 |
-
2023
- 2023-04-21 CN CN202310434460.4A patent/CN116432183B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983040A (zh) * | 2018-05-30 | 2018-12-11 | 广东电网有限责任公司 | 一种基于贝叶斯分析的配电网故障定位方法 |
CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
KR20210094786A (ko) * | 2020-01-22 | 2021-07-30 | 한국전력공사 | 실시간 고장 분석 시스템 및 고장 판정 방법 |
CN113918947A (zh) * | 2021-10-28 | 2022-01-11 | 深圳供电局有限公司 | 一种电力监控系统 |
CN115078915A (zh) * | 2022-07-19 | 2022-09-20 | 中铁电气化局集团有限公司 | 一种接触网故障位置智能预测方法 |
Non-Patent Citations (1)
Title |
---|
陈伟强: "基于概率分析的高阻接地故障检测新方法", 湖北电力, no. 05, 28 October 2007 (2007-10-28), pages 22 - 24 * |
Also Published As
Publication number | Publication date |
---|---|
CN116432183B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1815260A1 (fr) | Procédé et dispositif de détection d'un phénomène d'arc électrique sur au moins un câble électrique | |
CN106851229B (zh) | 一种基于图像识别的安防智能决策的方法与系统 | |
CN110928862A (zh) | 数据清洗方法、数据清洗设备以及计算机存储介质 | |
CN113095189B (zh) | 基于机器视觉和数据分析的电力系统变电站运行环境安全智能监测管理系统 | |
CN113743260B (zh) | 一种地铁站台密集人流情况下的行人跟踪方法 | |
CN111178235A (zh) | 一种目标数量确定方法、装置、设备及存储介质 | |
CN116129353B (zh) | 一种基于图像识别进行智能监控的方法及系统 | |
CN115980050A (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
Yu et al. | Design of the transmission line inspection system based on UAV | |
CN114519879A (zh) | 人体数据归档方法、装置、设备及存储介质 | |
CN116432183B (zh) | 一种智慧地铁综合监控系统及方法 | |
CN115830012A (zh) | 一种接触网线索损伤数据检测分析方法 | |
US20220148193A1 (en) | Adaptive object recognition apparatus and method in fixed closed circuit television edge terminal using network | |
CN114638304A (zh) | 图像识别模型的训练方法、图像识别方法及装置 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN112395993A (zh) | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 | |
CN116895286B (zh) | 一种打印机故障监控方法以及相关装置 | |
CN111313541A (zh) | 变电设备异常处理方法及系统 | |
CN118115856A (zh) | 图像标记方法、装置、设备及存储介质 | |
Zhang et al. | Angle steel tower bolt defect detection based on YOLO-V3 | |
CN116805435B (zh) | 一种数电机房智能巡检装置 | |
CN113407428B (zh) | 人工智能系统的可靠性评估方法、装置和计算机设备 | |
CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 | |
Wu et al. | Detection Method of Conductor Strand Defects Based on Multi-modal Data Fusion |
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 |