CN117522872B - 一种光伏电站的实时异常检测方法及装置 - Google Patents
一种光伏电站的实时异常检测方法及装置 Download PDFInfo
- Publication number
- CN117522872B CN117522872B CN202410013813.8A CN202410013813A CN117522872B CN 117522872 B CN117522872 B CN 117522872B CN 202410013813 A CN202410013813 A CN 202410013813A CN 117522872 B CN117522872 B CN 117522872B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- image
- inspection
- anomaly
- sub
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 240
- 238000007689 inspection Methods 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 23
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 230000007547 defect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种光伏电站的实时异常检测方法及装置,涉及光伏异常检测技术领域,包括:获取光伏电站的光伏项目,获得光伏项目的巡检图像;利用分割算法将巡检图像分割成子图像;构建异常检测模型,将子图像依次输入异常检测模型中,得到子图像的异常分类和异常级别;根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度;基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;将异常图像、异常程度、异常优先级形成异常报告,并基于告警级别对异常报告进行可视化展示。本发明能够提高检测效率,实现精细化检测,提高异常识别准确性和精度。
Description
技术领域
本发明涉及光伏异常检测技术领域,具体涉及一种光伏电站的实时异常检测方法及装置。
背景技术
光伏电站是利用光能转换为电能的设备,是一种清洁、可再生的能源发电方式。随着全球对清洁能源的需求不断增加,光伏电站的建设和运营也越来越受到关注。然而,光伏电站在运行过程中常常会受到天气、环境、设备等多种因素的影响,导致发电效率下降或者设备出现故障,影响发电量和运营效益。因此,实时监测光伏电站的运行状态,及时发现和处理异常情况,对于提高光伏电站的发电效率和降低运营成本具有重要意义。
目前,光伏电站的实时异常检测主要依靠人工巡检和监测设备报警。人工巡检需要耗费大量的人力物力,而且只能发现问题,无法实时监测设备运行状态。监测设备报警虽然能够实时监测设备状态,但是只能发现已经发生的故障,无法对故障做初步的判断。
中国申请号为202310325707.9的发明专利公开了一种基于大数据在线监测的光伏组件故障定位分析方法,其对光伏阵列中的异常运行光伏板进行智能筛分,并分析各光伏板的电力输出稳定指数,最后统计各异常运行光伏板的各结构组件,来综合诊断分析,该现有技术的是根据现有发生的故障,从光伏板结构层角度来进行故障分析,其能够有效减少人工成本,但仍然会存在检测不够准确的问题。
发明内容
有鉴于此,本发明提供一种光伏电站的实时异常检测方法及装置,通过制定巡检计划实时巡检,并基于构建的异常检测模型做异常检测,能够提高检测效率,实现精细化检测,提高异常识别准确性和精度,对于光伏电站的运行状态监测和异常处理具有明显的效果。
本发明的技术目的是这样实现的:
一方面,本发明提供一种光伏电站的实时异常检测方法,包括以下步骤:
S1获取光伏电站的光伏项目,确定每个光伏项目的标准巡检项,并制定巡检计划;
S2利用巡检设备按照巡检计划对光伏项目进行标准巡检项的巡检,得到巡检图像;
S3利用分割算法将巡检图像分割成子图像,其中,每个巡检图像分割得到多个子图像;
S4构建异常检测模型,包括异常分类网络和异常定级网络,异常分类网络包括3个残差模块和一个分类层,异常定级网络为自编码器,将子图像依次输入异常检测模型中,对子图像进行异常识别和异常定级,得到子图像的异常分类和异常级别;
S5根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度,其中,异常程度分为非常严重、严重、中等、一般和轻微;
S6基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;
S7将异常图像、异常程度、异常优先级形成异常报告,并基于告警级别对异常报告进行可视化展示。
在上述技术方案的基础上,优选的,步骤S1中,光伏电站的光伏项目包括光伏电池板、逆变器、箱变和智能网关,标准巡检项包括各个光伏项目的采集数据项,巡检计划包括任务名称、巡检类型、巡检周期、巡检开始时间、巡检路线、任务状态、路线描述和计划描述;
其中,巡检路线覆盖光伏电站的所有光伏项目的标准巡检项。
在上述技术方案的基础上,优选的,步骤S3包括以下步骤:
S31利用形态学算法对巡检图像进行边缘重建,对巡检图像做数据增强,得到重建后的巡检图像;
S32将单个重建后的巡检图像基于像素点分割算法进行像素级的聚类,得到k个聚类簇,即k个子图像,每个聚类簇中的像素点为同质像素点。
在上述技术方案的基础上,优选的,步骤S31中,形态学算法为:
定义腐蚀和膨胀操作的结构元B;
对巡检图像进行灰度处理,形成标记图像;
利用形态学闭合重建算子RC处理巡检图像,得到重建后的巡检图像:
;
;
;
式中,f为巡检图像,a表示腐蚀操作,表示形态学腐蚀重建,b表示膨胀操作,表示形态学膨胀重建,g表示标记图像,i表示像素点。
在上述技术方案的基础上,优选的,步骤S32包括以下步骤:
S321以均匀网格步长采样巡检图像的聚类中心Ck:
;
式中,S为相邻聚类中心的距离,N为像素点个数,k为聚类中心的个数;
S322将聚类中心Ck移动到其3×3邻域中梯度最低的位置;
S323设置每个像素点i的标签为-1,定义每个像素点i到其聚类中心的距离为d(i)=∞;
S324对于每个当前聚类中心的2S×2S区域中的每个像素点,计算单个像素点和对应聚类中心之间的距离D:
;
式中,ds为空间距离,dc为颜色距离,m为常数;
S325若D≤d(i),则执行步骤S36;若D>d(i),则重新为该像素点匹配聚类中心并返回步骤S324;
S326设置像素点的d(i)=D,并将标签更改为k;
S327计算新的聚类中心,并计算前后两次聚类中心之间的残差E;
S328判断E是否小于阈值,若否,则将新的聚类中心设为当前聚类中心并返回步骤S324,若是,则结束分割算法,输出k个聚类簇,即k个子图像。
在上述技术方案的基础上,优选的,步骤S4包括以下步骤:
S41构建异常检测模型,包括异常分类网络和异常定级网络,异常分类网络包括3个残差模块和一个分类层,异常定级网络为自编码器;
S42将子图像输入异常分类网络中,利用3个残差模块依次提取子图像的三个特征,将三个特征做均值处理,得到均值特征;
S43将均值特征输入分类层中,利用分类层对均值特征进行异常预测,基于预测概率对均值特征进行标签赋予,输出得到均值特征的异常分类结果,根据均值特征的异常分类结果得到数据子集的异常分类;
S44将均值特征输入自编码器中,自编码器包括编码网络和解码网络,利用编码网络将均值特征做编码降维,形成特征向量,将特征向量输入解码网络进行特征重构,得到重构特征,根据重构特征与均值特征的重构误差得到异常分数,根据异常分数确定子图像的异常级别。
在上述技术方案的基础上,优选的,步骤S4还包括对异常检测模型进行预训练,在训练过程中,以损失函数收敛为训练截止条件,损失函数表示如下:
;
;
;
式中,L为总损失函数,L1为异常分类网络的损失函数,L2为异常定级网络的损失函数,n为子图像的数量,Xj表示输入的子图像,表示网络实际输出的特征向量,yj表示网络期望输出的特征向量,μ表示网络的权重,λ为正则化参数,xj表示输入的均值特征,x, j表示输出的重构特征,/>为xj经编码网络得到的方差,/>为xj经编码网络得到的均值。
在上述技术方案的基础上,优选的,步骤S5包括以下步骤:
S51在巡检图像{RA}中选取一张巡检图像Ra作为目标巡检图像,确定其子图像的数量m;
S52对异常分类和异常级别做赋值处理:
异常分类为异常或正常,对异常分类按照异常、正常依次赋值为-1和1,异常级别为5个级别,对异常级别按照从高到低依次赋值I5、I4、I3、I2、I1;
S53分别将m张子图像的异常分类和异常级别进行赋值转换,以两个赋值为一组作为对应子图像的标签,作为第一标签Y1和第二标签Y2;
S54统计m张子图像中第一标签Y1为-1的数量m1,统计m1张子图像的第二标签Y2的赋值分布,判定Ra的异常分类和异常程度:
若m1>0,则Ra的异常分类为异常,若m1=0,则Ra的异常分类为正常,若Ra为异常,则将其归为异常图像;
当Ra为异常图像,则计算Ra的异常程度:
;
式中,Y3(Ra)为Ra的异常程度值,nt,t=1,2,3,4,5分别表示m1张子图像的第二标签Y2中异常级别赋值为I1、I2、I3、I4、I5的数量,ωt,t=1,2,3,4,5分别表示异常级别赋值为I1、I2、I3、I4、I5的权重,其中ω5>ω4>ω3>ω2>ω1,且ω5+ω4+ω3+ω2+ω1=1;
将Y3的值域归一化至[0,1]内,将该值域五等分为五个子值域区间,将子值域区间按数值从大到小分别对应至非常严重、严重、中等、一般、轻微的五个异常程度,判断Y3(Ra)的子值域区间,以得到Ra的异常程度;
S55重复步骤S51-S54,得到巡检图像{RA}的异常分类和异常程度。
在上述技术方案的基础上,优选的,步骤S6包括以下步骤:
S61设置异常优先级为P5、P4、P3、P2、P1,分别对应异常程度为非常严重、严重、中等、一般、轻微;
S62根据异常程度对异常图像进行划分,归至对应的异常优先级中;
S63将异常图像按照异常优先级从高到低排序,形成异常图像列表;
S64设置告警级别的映射,将P5、P4、P3、P2、P1映射为红色、橙色、黄色、蓝色和绿色;
S65遍历异常图像列表,根据异常优先级对异常图像进行一一映射,得到异常图像的告警级别。
另一方面,本发明还提供一种光伏电站的实时异常检测装置,所述装置用于执行上述任一项所述的方法,所述装置包括:
图像采集设备,其包括多台巡检设备,用于控制巡检设备按照巡检计划对光伏项目进行标准巡检项的巡检,得到巡检图像;
图像处理系统,其用于利用分割算法将巡检图像分割成子图像,其中,每个巡检图像分割得到多个子图像;
异常检测模型,其包括异常分类网络和异常定级网络,用于对子图像进行异常识别和定级,得到子图像的异常分类和异常级别;
异常识别模块,其用于根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度;
告警模块,其用于基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;
报告生成模块,其用于将异常图像、异常程度、异常优先级形成异常报告,异常报告为报表格式;
可视化展示模块,其用于基于告警级别对异常报告进行可视化展示。
本发明的方法相对于现有技术具有以下有益效果:
(1)本发明提供的异常检测方法结合了光伏电站的实时异常检测需求,通过巡检设备获取巡检图像,利用分割算法将图像分割成子图像,然后通过异常检测模型进行异常识别和定级,最终形成异常报告并进行可视化展示;该方法能够实时获取光伏电站的巡检图像,并通过快速的分割算法和异常检测模型实现对异常的实时识别和定级;通过异常检测模型对子图像进行异常识别和定级,能够准确地判断出异常情况,帮助运维人员及时发现和处理问题;整个过程通过算法和模型实现,能够自动化地对异常图像进行处理和报告生成,减轻了人工处理的负担;通过可视化展示模块,异常报告能够以直观的方式展现,使得异常情况一目了然,为决策提供了直观的参考;
(2)本发明在采集到巡检图像后,对其做了一定程度的图像增强,采用的是形态学算法做边缘重建,形态学算法可以突出图像中的边缘和细节,从而增强图像的辨识度和清晰度,有助于更准确地识别图像中的各种特征和缺陷。重建后的图像更适合于后续的像素级分割和聚类算法,因为重建后的图像更加清晰、易于处理,有助于提高后续算法的准确性和稳健性;
(3)本发明采用像素级的聚类可以将图像中的像素点分成不同的类别,从而实现对图像的分割,有助于识别和定位图像中的不同目标、缺陷或特征。聚类簇中的像素点为同质像素点,可以帮助提取图像中的局部特征,有助于后续的图像分析和识别任务。得到k个聚类簇后,可以更容易地识别图像中的不同目标,并进行更精确的定位,有助于后续的缺陷检测和目标识别任务;
(4)本发明利用异常分类网络和异常定级网络构建了复杂的异常检测模型,能够对子图像进行异常识别和定级,通过残差模块和自编码器对子图像的特征进行提取和处理,能够有效地捕获图像中的异常信息,并进行异常分类和级别划分,通过预训练过程对异常检测模型进行了充分的训练,包括异常分类网络和异常定级网络的训练,确保模型具有较高的准确性和泛化能力;
(5)本发明将异常分类和异常级别赋予子图像,使得每个子图像都有清晰的标签,为后续的数据分析和模型训练提供了标记好的数据集,将异常分类和异常级别转换为标签Y1和Y2,可以更好地关联图像中的异常情况,为后续的数据分析提供了关键的数据基础,通过对异常分类和异常级别进行赋值转换,可以更准确地识别和分类图像中的异常情况,为后续的异常检测提供了重要的数据支持,通过统计子图像的标签分布,可以更准确地判定目标巡检图像的异常分类和异常程度,为异常检测结果提供更精确的依据;
(6)本发明提供的异常检测装置中设置了用于执行上述异常检测方法的各个模块,通过这些模块的协同作用,实现了对光伏项目进行标准巡检,并对巡检图像进行分割、异常识别、优先级确定、告警级别设置、报告生成和可视化展示。这使得装置能够快速、准确地识别光伏项目中的异常情况,并根据异常程度进行优先级排序和告警级别设置。报告生成模块将异常信息整合成报表格式,可视化展示模块则提供直观的异常情况展示,为运维和管理人员提供了有力的决策支持。整体上,这个装置提高了光伏项目的安全性和运行效率,同时为运维和管理工作提供了强大的技术支持。
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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例的方法流程图;
图2为本发明实施例的异常分类网络的结构示意图;
图3为本发明实施例的异常定级网络的实现示意图;
图4为本发明实施例的装置框架图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明提供一种光伏电站的实时异常检测方法,包括以下步骤:
S1获取光伏电站的光伏项目,确定每个光伏项目的标准巡检项,并制定巡检计划;
S2利用巡检设备按照巡检计划对光伏项目进行标准巡检项的巡检,得到巡检图像;
S3利用分割算法将巡检图像分割成子图像,其中,每个巡检图像分割得到多个子图像;
S4构建异常检测模型,包括异常分类网络和异常定级网络,异常分类网络包括3个残差模块和一个分类层,异常定级网络为自编码器,将子图像依次输入异常检测模型中,对子图像进行异常识别和异常定级,得到子图像的异常分类和异常级别;
S5根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度,其中,异常程度分为非常严重、严重、中等、一般和轻微;
S6基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;
S7将异常图像、异常程度、异常优先级形成异常报告,并基于告警级别对异常报告进行可视化展示。
具体地,本发明一实施例中,步骤S1中,光伏电站的光伏项目包括光伏电池板、逆变器、箱变和智能网关,标准巡检项包括各个光伏项目的采集数据项,巡检计划包括任务名称、巡检类型、巡检周期、巡检开始时间、巡检路线、任务状态、路线描述和计划描述;
其中,巡检路线覆盖光伏电站的所有光伏项目的标准巡检项。
具体地,光伏电池板的标准巡检项包括各个光伏电池板的温度、输出电压、输出电流、绝缘状态、电池板外表面、电池板连接线路、工作环境等;逆变器的标准巡检项包括输入电压、输出电压、输入电流、输出电流、工作温度、散热装置、工作环境等;箱变的标准巡检项包括温度、湿度、输入输出电压、输入输出电流、绝缘状态、设备表面、工作环境等;智能网关的标准巡检项包括网络运行数据、通讯状态等。
在确定巡检路线时,根据各个光伏项目的位置和数量进行最优路径规划,若中途位置和数量等发生变化,管理员可手动修改巡检路线中的内容。
具体地,步骤S2中,巡检设备包括巡检机器人、巡检无人机和巡检监控系统,巡检设备按照巡检计划中的巡检周期、巡检开始时间、巡检路线来对各光伏项目进行巡检,其中,巡检机器人、巡检无人机主要巡检各光伏项目的标准巡检项中的工作环境、设备表面等,其采集的是遥感图像,巡检监控系统主要巡检各光伏项目的标准巡检项中的一些运行数据、参数数据等,在采集到这些数据后,根据时频信号等转换方式形成时频图,将遥感图像和时频图统一采集,得到巡检图像。
具体地,本发明一实施例中,步骤S3包括以下步骤:
S31利用形态学算法对巡检图像进行边缘重建,对巡检图像做数据增强,得到重建后的巡检图像;
S32将单个重建后的巡检图像基于像素点分割算法进行像素级的聚类,得到k个聚类簇,即k个子图像,每个聚类簇中的像素点为同质像素点。
本实施例中,步骤S31中,形态学算法为:
定义腐蚀和膨胀操作的结构元B;
对巡检图像进行灰度处理,形成标记图像;
利用形态学闭合重建算子RC处理巡检图像,得到重建后的巡检图像:
;
;
;
式中,f为巡检图像,a表示腐蚀操作,表示形态学腐蚀重建,b表示膨胀操作,表示形态学膨胀重建,g表示标记图像,i表示像素点。
其中,和/>满足的条件包括:/>,,/>,/>,其中∨和∧分别代表逐点的最大值和最小值,为了便于计算,本实施例设置g=a(f)满足膨胀重建中的条件g≤f,g=b(f)满足腐蚀重建中的条件g≥f。
本实施例采用形态学闭合重建算子RC来处理巡检图像,这是因为RC更适合平滑图像的纹理细节。
本实施例中,步骤S32包括以下步骤:
S321以均匀网格步长采样巡检图像的聚类中心Ck:
;
式中,S为相邻聚类中心的距离,N为像素点个数,k为聚类中心的个数;
S322将聚类中心Ck移动到其3×3邻域中梯度最低的位置;
具体地,像素点的梯度可采用Sobel算子进行计算,其计算过程为:
使用Sobel算子对每个聚类中心Ck的3×3邻域中的像素点做卷积操作,得到水平方向上的梯度值Gx和垂直方向上的梯度值Gy;
根据Gx和Gy计算每个像素点的梯度大小和方向,计算公式为:
;
得到每个像素点的梯度大小和方向后,从而可以找到3×3邻域中梯度最低的位置,将聚类中心移动到该位置。
S323设置每个像素点i的标签为-1,定义每个像素点i到其聚类中心的距离为d(i)=∞;
具体地,初始化每个像素点的标签为-1,表示未分配到任何聚类中心,同时,定义每个像素点到聚类中心的初始距离是一个较大的值,记为d(i)=∞。
S324对于每个当前聚类中心的2S×2S区域中的每个像素点,计算单个像素点和对应聚类中心之间的距离D:
;
式中,ds为空间距离,dc为颜色距离,m为常数;
S325若D≤d(i),则执行步骤S36;若D>d(i),则重新为该像素点匹配聚类中心并返回步骤S324;
具体地,按照聚类中心周围2S×2S区域为目标,计算该区域内每个像素点与该聚类中心之间的实际距离D,根据D与d(i)的大小关系确定该像素点的聚类中心。
S326设置像素点的d(i)=D,并将标签更改为k;
具体地,上一步骤中,确定该像素点i的聚类中心即当前聚类中心Ck,则为其更改标签,表示该像素点i归于当前聚类中心的聚类簇中。
S327计算新的聚类中心,并计算前后两次聚类中心之间的残差E;
在遍历了当前聚类中心2S×2S区域的所有像素点后,计算这些像素点在各个通道上的均值,将均值作为新的聚类中心的坐标,其数学表达式为:
;
式中,为均值向量,即新的聚类中心,Σ表示求和,/>表示像素点的数量,xi表示像素点i的坐标。
假设第t次迭代得到的聚类中心为,第t+1次迭代得到的聚类中心为,则可以利用下式计算残差E:
;
式中,‖·‖表示两个聚类中心的坐标距离。
S328判断E是否小于阈值,若否,则将新的聚类中心设为当前聚类中心并返回步骤S324,若是,则结束分割算法,输出k个聚类簇,即k个子图像。
具体地,阈值可设为0.2。
具体地,本发明在采集到巡检图像后,对其做了一定程度的图像增强,采用的是形态学算法做边缘重建,形态学算法可以突出图像中的边缘和细节,从而增强图像的辨识度和清晰度,有助于更准确地识别图像中的各种特征和缺陷。重建后的图像更适合于后续的像素级分割和聚类算法,因为重建后的图像更加清晰、易于处理,有助于提高后续算法的准确性和稳健性。
在本实施例中,采用像素级的聚类可以将图像中的像素点分成不同的类别,从而实现对图像的分割,有助于识别和定位图像中的不同目标、缺陷或特征。聚类簇中的像素点为同质像素点,可以帮助提取图像中的局部特征,有助于后续的图像分析和识别任务。得到k个聚类簇后,可以更容易地识别图像中的不同目标,并进行更精确的定位,有助于后续的缺陷检测和目标识别任务。
本发明在异常检测之前对巡检图像预先处理,可以提高图像的质量和清晰度,丰富数据集,改善后续算法的准确性和稳健性,实现图像的分割、特征提取,从而为巡检图像的分析和处理提供更多效果。
具体地,在本发明一实施例中,步骤S4包括以下步骤:
S41构建异常检测模型,包括异常分类网络和异常定级网络,异常分类网络包括3个残差模块和一个分类层,异常定级网络为自编码器;
S42将子图像输入异常分类网络中,利用3个残差模块依次提取子图像的三个特征,将三个特征做均值处理,得到均值特征;
S43将均值特征输入分类层中,利用分类层对均值特征进行异常预测,基于预测概率对均值特征进行标签赋予,输出得到均值特征的异常分类结果,根据均值特征的异常分类结果得到数据子集的异常分类;
S44将均值特征输入自编码器中,自编码器包括编码网络和解码网络,利用编码网络将均值特征做编码降维,形成特征向量,将特征向量输入解码网络进行特征重构,得到重构特征,根据重构特征与均值特征的重构误差得到异常分数,根据异常分数确定子图像的异常级别。
步骤S4还包括对异常检测模型进行预训练,在训练过程中,以损失函数收敛为训练截止条件,损失函数表示如下:
;
;
;
式中,L为总损失函数,L1为异常分类网络的损失函数,L2为异常定级网络的损失函数,n为子图像的数量,Xj表示输入的子图像,表示网络实际输出的特征向量,yj表示网络期望输出的特征向量,μ表示网络的权重,λ为正则化参数,xj表示输入的均值特征,x, j表示输出的重构特征,/>为xj经编码网络得到的方差,/>为xj经编码网络得到的均值。
在本实施例中,异常检测模型的预训练过程分开进行,异常分类网络的预训练过程如下:
构建异常分类网络,异常分类网络由三个残差模块和一个全连接层构成,网络的结构如图2所示,其中三个残差块中采用了扩张卷积,扩张卷积指的是对于上一层 t 时刻的值,仅与下一层 t 时刻元素大小及之前的输入有关,用来确保未来的数据不存在泄漏。扩张卷积中引入了扩张系数使得有效窗口的大小随着层数的增加呈指数式增长,这样就可以用较少的层数获得比较大的感受野。扩张卷积的计算公式为:
;
对于一个输入x,其中,F(S)表示经过依次扩张卷积计算后在S位置上的网络输出结果,d为扩张系数,且d以2的指数幂形式增长,β为卷积核大小,M为过滤器,M(α)表示对第α个输入进行过滤操作。本实施例中,网络层数为1;卷积核个数为600;卷积核大小为2×1;三个残差块中扩张卷积的扩张系数按数据流向分别取1,2,4。
获取样本集,样本集包含正常样本和异常样本,将样本集按7:3的比例划分为训练集和测试集,利用训练集训练网络,利用测试集测试网络性能,测试时的评估指标采用RMSE和MAE。
在训练时,应用Dropout方法,Dropout率为50%,即连接层神经元输出随机设置为0。这样对应的权重就不会被更新,有助于减少过拟合。训练方法采用Nesterov梯度加速方法,能保证凸函数有更强的理论收敛性。Nesterov方法是在相同的梯度方向上加速,在变化的梯度方向上减速。
在进行Nesterov动量更新时,学习率设为0.005;激活函数为ReLU;优化器为Adam;动量因子设为0.9;batch size设为64,总共2000步,即25个epoch。训练中的第一损失函数为:
;
直至第一损失函数收敛,则训练结束,本实施例中,第一损失函数最终达到了0.2,这是一个非常小的值。之后利用RMSE和MAE进行测试,最终预测误差保持在0.0296和0.0241。
在预训练完成后,将子图像输入异常分类网络中,即可得到子图像的异常分类结果。
异常定级网络的预训练过程如下:
构建异常定级网络,包括编码网络Φ和解码网络Ψ,其网络实现过程如图3所示。
本实施例的自编码器将输入变为高斯分布,在高斯分布中提取随机样本作为解码器的输入,解码器可以生成近似输入的新样本。
本实施例在训练时,采用异常分类网络的样本集,由于异常定级网络仅用于对异常图像做异常级别的判定,因此仅挪用异常分类网络对异常样本提取的均值特征,在该训练过程中,仅包括训练,不包含测试。
先将训练特征样本依次输入自编码器中进行训练,训练时,对于单个训练特征样本xj,将其输入编码网络Φ中,得到一个编码网络计算的均值γj和方差的对数,根据均值γj和方差的对数/>进行采样得到Zj,Zj=γj+ξσj,其中,ξ是均值为0方差为1的标准正态分布,即ξ∈N(0,1)。将Zj输入解码网络Ψ中,即可得到重构特征x, j。
在训练时第二损失函数为:
;
第二损失函数中的第一项为重构损失,第二项为离散度损失,第二项是为了让解码器得到的分布都向N(0,1)看齐。
当第二损失函数收敛,即训练完毕。
本实施例中,重构损失也作为重构误差,即均值特征输入训练后的自编码器,得到重构特征后,计算重构误差(xj-x, j)2的值,将其当做异常分数,将异常分数归一化到[0,1]的值,依次将值域划分为[0,0.2),[0.2,0.4),[0.4,0.6),[0.6,0.8),[0.8,1],按照划分分别对应五个从高到低的异常级别,根据异常分数的值,即可得到子图像的异常级别。
具体地,本发明利用异常分类网络和异常定级网络构建了复杂的异常检测模型,能够对子图像进行异常识别和定级,通过残差模块和自编码器对子图像的特征进行提取和处理,能够有效地捕获图像中的异常信息,并进行异常分类和级别划分,通过预训练过程对异常检测模型进行了充分的训练,包括异常分类网络和异常定级网络的训练,确保模型具有较高的准确性和泛化能力。
具体地,本发明一实施例中,步骤S5包括以下步骤:
S51在巡检图像{RA}中选取一张巡检图像Ra作为目标巡检图像,确定其子图像的数量m;
S52对异常分类和异常级别做赋值处理:
异常分类为异常或正常,对异常分类按照异常、正常依次赋值为-1和1,异常级别为5个级别,对异常级别按照从高到低依次赋值I5、I4、I3、I2、I1;
本实施例对异常分类和异常级别进行了赋值处理,以便后续的标签化和分析,从而更好地识别和分析图像中的异常情况。
S53分别将m张子图像的异常分类和异常级别进行赋值转换,以两个赋值为一组作为对应子图像的标签,作为第一标签Y1和第二标签Y2;
S54统计m张子图像中第一标签Y1为-1的数量m1,统计m1张子图像的第二标签Y2的赋值分布,判定Ra的异常分类和异常程度:
若m1>0,则Ra的异常分类为异常,若m1=0,则Ra的异常分类为正常,若Ra为异常,则将其归为异常图像;
当Ra为异常图像,则计算Ra的异常程度:
;/>
式中,Y3(Ra)为Ra的异常程度值,nt,t=1,2,3,4,5分别表示m1张子图像的第二标签Y2中异常级别赋值为I1、I2、I3、I4、I5的数量,ωt,t=1,2,3,4,5分别表示异常级别赋值为I1、I2、I3、I4、I5的权重,其中ω5>ω4>ω3>ω2>ω1,且ω5+ω4+ω3+ω2+ω1=1;
将Y3的值域归一化至[0,1]内,将该值域五等分为五个子值域区间,将子值域区间按数值从大到小分别对应至非常严重、严重、中等、一般、轻微的五个异常程度,判断Y3(Ra)的子值域区间,以得到Ra的异常程度;
S55重复步骤S51-S54,得到巡检图像{RA}的异常分类和异常程度。
本实施例将异常分类和异常级别赋予子图像,使得每个子图像都有清晰的标签,为后续的数据分析和模型训练提供了标记好的数据集,将异常分类和异常级别转换为标签Y1和Y2,可以更好地关联图像中的异常情况,为后续的数据分析提供了关键的数据基础,通过对异常分类和异常级别进行赋值转换,可以更准确地识别和分类图像中的异常情况,为后续的异常检测提供了重要的数据支持,通过统计子图像的标签分布,可以更准确地判定目标巡检图像的异常分类和异常程度,为异常检测结果提供更精确的依据。
本实施例在计算异常图像的异常程度时,利用异常子图像的数量m1在子图像m中的数量占比、m1张异常子图像的第二标签Y2中各个异常级别的占比和权重要计算目标异常图像的异常程度,能够综合考虑异常级别的分布情况和权重,得出目标异常图像的综合异常程度。
具体地,本发明一实施例中,步骤S6包括以下步骤:
S61设置异常优先级为P5、P4、P3、P2、P1,分别对应异常程度为非常严重、严重、中等、一般、轻微;
S62根据异常程度对异常图像进行划分,归至对应的异常优先级中;
S63将异常图像按照异常优先级从高到低排序,形成异常图像列表;
S64设置告警级别的映射,将P5、P4、P3、P2、P1映射为红色、橙色、黄色、蓝色和绿色;
S65遍历异常图像列表,根据异常优先级对异常图像进行一一映射,得到异常图像的告警级别。
本实施例通过上述步骤实现对光伏电站巡检图像中异常情况的优先级划分、排序和告警级别设置,以及异常图像的告警级别映射。这样的方式可以帮助运维人员快速准确地识别光伏电站异常情况的严重程度,及时采取相应的处理措施,提高光伏电站的安全性和运行效率。同时,通过告警级别的设置和异常图像的映射,可以直观地展示异常情况的严重程度,为运维人员提供直观的参考,帮助他们进行快速决策和处理。
具体地,本发明一实施例中,步骤S7包括:
异常报告的信息收集:包括收集异常图像、异常程度、异常优先级以及其他相关信息,例如异常图像对应的光伏项目、光伏电站名称、光伏项目对应的编码、名称等。
异常报告生成:将收集到的异常报告信息整合并生成异常报告。在生成异常报告后,系统将自动检查异常报告中是否缺失必要项,必要项为异常图像、异常程度、异常优先级、异常图像对应的光伏项目、光伏电站名称。若缺失,则系统报错,返回异常报告信息收集的步骤,重新收集信息并识别,形成新的异常报告。
基于告警级别的可视化展示:根据异常报告中的告警级别,对异常报告进行可视化展示。使用不同的颜色来表示不同告警级别的异常情况,以便运维人员能够直观地了解异常情况的严重程度。
本实施例中,通过上述步骤可以帮助运维人员快速准确地了解光伏电站异常情况的严重程度,并及时采取相应的处理措施。同时,异常报告的生成和可视化展示也为管理人员提供了直观的数据支持,帮助他们进行决策和管理。
另外,请参阅图4,本发明还提供一种光伏电站的实时异常检测装置,所述装置用于执行上述任一项所述的方法,所述装置包括:
图像采集设备,其包括多台巡检设备,用于控制巡检设备按照巡检计划对光伏项目进行标准巡检项的巡检,得到巡检图像。
图像处理系统,其用于利用分割算法将巡检图像分割成子图像,其中,每个巡检图像分割得到多个子图像;
异常检测模型,其包括异常分类网络和异常定级网络,用于对子图像进行异常识别和定级,得到子图像的异常分类和异常级别;
异常识别模块,其用于根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度;
告警模块,其用于基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;
报告生成模块,其用于将异常图像、异常程度、异常优先级形成异常报告,异常报告为报表格式;
可视化展示模块,其用于基于告警级别对异常报告进行可视化展示。
本实施例基于上述异常检测方法对应提供了一种异常检测装置,该装置中设置了用于执行上述异常检测方法的各个模块,通过这些模块的协同作用,实现了对光伏项目进行标准巡检,并对巡检图像进行分割、异常识别、优先级确定、告警级别设置、报告生成和可视化展示。这使得装置能够快速、准确地识别光伏项目中的异常情况,并根据异常程度进行优先级排序和告警级别设置。报告生成模块将异常信息整合成报表格式,可视化展示模块则提供直观的异常情况展示,为运维和管理人员提供了有力的决策支持。整体上,这个装置提高了光伏项目的安全性和运行效率,同时为运维和管理工作提供了强大的技术支持。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种光伏电站的实时异常检测方法,其特征在于,包括以下步骤:
S1获取光伏电站的光伏项目,确定每个光伏项目的标准巡检项,并制定巡检计划;
S2利用巡检设备按照巡检计划对光伏项目进行标准巡检项的巡检,得到巡检图像;
S3利用分割算法将巡检图像分割成子图像,其中,每个巡检图像分割得到多个子图像;
S4构建异常检测模型,包括异常分类网络和异常定级网络,异常分类网络包括3个残差模块和一个分类层,异常定级网络为自编码器,将子图像依次输入异常检测模型中,对子图像进行异常识别和异常定级,得到子图像的异常分类和异常级别;
步骤S4包括以下步骤:
S41构建异常检测模型,包括异常分类网络和异常定级网络,异常分类网络包括3个残差模块和一个分类层,异常定级网络为自编码器;
S42将子图像输入异常分类网络中,利用3个残差模块依次提取子图像的三个特征,将三个特征做均值处理,得到均值特征;
S43将均值特征输入分类层中,利用分类层对均值特征进行异常预测,基于预测概率对均值特征进行标签赋予,输出得到均值特征的异常分类结果,根据均值特征的异常分类结果得到子图像的异常分类;
S44将均值特征输入自编码器中,自编码器包括编码网络和解码网络,利用编码网络将均值特征做编码降维,形成特征向量,将特征向量输入解码网络进行特征重构,得到重构特征,根据重构特征与均值特征的重构误差得到异常分数,根据异常分数确定子图像的异常级别;
S5根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度,其中,异常程度分为非常严重、严重、中等、一般和轻微;
S6基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;
S7将异常图像、异常程度、异常优先级形成异常报告,并基于告警级别对异常报告进行可视化展示。
2.如权利要求1所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S1中,光伏电站的光伏项目包括光伏电池板、逆变器、箱变和智能网关,标准巡检项包括各个光伏项目的采集数据项,巡检计划包括任务名称、巡检类型、巡检周期、巡检开始时间、巡检路线、任务状态、路线描述和计划描述;
其中,巡检路线覆盖光伏电站的所有光伏项目的标准巡检项。
3.如权利要求1所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S3包括以下步骤:
S31利用形态学算法对巡检图像进行边缘重建,对巡检图像做数据增强,得到重建后的巡检图像;
S32将单个重建后的巡检图像基于像素点分割算法进行像素级的聚类,得到k个聚类簇,即k个子图像,每个聚类簇中的像素点为同质像素点。
4.如权利要求3所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S31中,形态学算法为:
定义腐蚀和膨胀操作的结构元B;
对巡检图像进行灰度处理,形成标记图像;
利用形态学闭合重建算子RC处理巡检图像,得到重建后的巡检图像:
;
;
;
式中,f为巡检图像,a表示腐蚀操作,表示形态学腐蚀重建,b表示膨胀操作,/>表示形态学膨胀重建,g表示标记图像,i表示像素点。
5.如权利要求3所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S32包括以下步骤:
S321以均匀网格步长采样巡检图像的聚类中心Ck:
;
式中,S为相邻聚类中心的距离,N为像素点个数,k为聚类中心的个数;
S322将聚类中心Ck移动到其3×3邻域中梯度最低的位置;
S323设置每个像素点i的标签为-1,定义每个像素点i到其聚类中心的距离为d(i)=∞;
S324对于每个当前聚类中心的2S×2S区域中的每个像素点,计算单个像素点和对应聚类中心之间的距离D:
;
式中,ds为空间距离,dc为颜色距离,m为常数;
S325若D≤d(i),则执行步骤S36;若D>d(i),则重新为该像素点匹配聚类中心并返回步骤S324;
S326设置像素点的d(i)=D,并将标签更改为k;
S327计算新的聚类中心,并计算前后两次聚类中心之间的残差E;
S328判断E是否小于阈值,若否,则将新的聚类中心设为当前聚类中心并返回步骤S324,若是,则结束分割算法,输出k个聚类簇,即k个子图像。
6.如权利要求1所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S4还包括对异常检测模型进行预训练,在训练过程中,以损失函数收敛为训练截止条件,损失函数表示如下:
;
;
;
式中,L为总损失函数,L1为异常分类网络的损失函数,L2为异常定级网络的损失函数,n为子图像的数量,Xj表示输入的子图像,表示网络实际输出的特征向量,yj表示网络期望输出的特征向量,μ表示网络的权重,λ为正则化参数,xj表示输入的均值特征,x, j表示输出的重构特征,/>为xj经编码网络得到的方差,/>为xj经编码网络得到的均值。
7.如权利要求1所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S5包括以下步骤:
S51在巡检图像{RA}中选取一张巡检图像Ra作为目标巡检图像,确定其子图像的数量m;
S52对异常分类和异常级别做赋值处理:
异常分类为异常或正常,对异常分类按照异常、正常依次赋值为-1和1,异常级别为5个级别,对异常级别按照从高到低依次赋值I5、I4、I3、I2、I1;
S53分别将m张子图像的异常分类和异常级别进行赋值转换,以两个赋值为一组作为对应子图像的标签,作为第一标签Y1和第二标签Y2;
S54统计m张子图像中第一标签Y1为-1的数量m1,统计m1张子图像的第二标签Y2的赋值分布,判定Ra的异常分类和异常程度:
若m1>0,则Ra的异常分类为异常,若m1=0,则Ra的异常分类为正常,若Ra为异常,则将其归为异常图像;
当Ra为异常图像,则计算Ra的异常程度:
;
式中,Y3(Ra)为Ra的异常程度值,nt,t=1,2,3,4,5分别表示m1张子图像的第二标签Y2中异常级别赋值为I1、I2、I3、I4、I5的数量,ωt,t=1,2,3,4,5分别表示异常级别赋值为I1、I2、I3、I4、I5的权重,其中ω5>ω4>ω3>ω2>ω1,且ω5+ω4+ω3+ω2+ω1=1;
将Y3的值域归一化至[0,1]内,将该值域五等分为五个子值域区间,将子值域区间按数值从大到小分别对应至非常严重、严重、中等、一般、轻微的五个异常程度,判断Y3(Ra)的子值域区间,以得到Ra的异常程度;
S55重复步骤S51-S54,得到巡检图像{RA}的异常分类和异常程度。
8.如权利要求7所述的一种光伏电站的实时异常检测方法,其特征在于,步骤S6包括以下步骤:
S61设置异常优先级为P5、P4、P3、P2、P1,分别对应异常程度为非常严重、严重、中等、一般、轻微;
S62根据异常程度对异常图像进行划分,归至对应的异常优先级中;
S63将异常图像按照异常优先级从高到低排序,形成异常图像列表;
S64设置告警级别的映射,将P5、P4、P3、P2、P1映射为红色、橙色、黄色、蓝色和绿色;
S65遍历异常图像列表,根据异常优先级对异常图像进行一一映射,得到异常图像的告警级别。
9.一种光伏电站的实时异常检测装置,其特征在于,所述装置用于执行权利要求1-8任一项所述的方法,所述装置包括:
图像采集设备,其包括多台巡检设备,用于控制巡检设备按照巡检计划对光伏项目进行标准巡检项的巡检,得到巡检图像;
图像处理系统,其用于利用分割算法将巡检图像分割成子图像,其中,每个巡检图像分割得到多个子图像;
异常检测模型,其包括异常分类网络和异常定级网络,用于对子图像进行异常识别和定级,得到子图像的异常分类和异常级别;
异常识别模块,其用于根据子图像的异常分类和异常级别,得到巡检图像中的异常图像及其异常程度;
告警模块,其用于基于异常程度对异常图像进行异常优先级的确定,并根据异常优先级的顺序对异常图像依次进行告警级别的设置;
报告生成模块,其用于将异常图像、异常程度、异常优先级形成异常报告,异常报告为报表格式;
可视化展示模块,其用于基于告警级别对异常报告进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013813.8A CN117522872B (zh) | 2024-01-04 | 2024-01-04 | 一种光伏电站的实时异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013813.8A CN117522872B (zh) | 2024-01-04 | 2024-01-04 | 一种光伏电站的实时异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117522872A CN117522872A (zh) | 2024-02-06 |
CN117522872B true CN117522872B (zh) | 2024-03-22 |
Family
ID=89755326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410013813.8A Active CN117522872B (zh) | 2024-01-04 | 2024-01-04 | 一种光伏电站的实时异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522872B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6091846A (en) * | 1996-05-31 | 2000-07-18 | Texas Instruments Incorporated | Method and system for anomaly detection |
CN102196250A (zh) * | 2011-05-24 | 2011-09-21 | 深圳市海云天科技股份有限公司 | 考试监控系统的图像处理方法和系统 |
CN106780475A (zh) * | 2016-12-27 | 2017-05-31 | 北京市计算中心 | 一种基于病理组织切片图像组织区域的图像处理方法及装置 |
CN109117749A (zh) * | 2018-07-23 | 2019-01-01 | 福建中海油应急抢维修有限责任公司 | 一种基于无人机巡检影像的异常目标监管方法及系统 |
CN109583489A (zh) * | 2018-11-22 | 2019-04-05 | 中国科学院自动化研究所 | 缺陷分类识别方法、装置、计算机设备和存储介质 |
CN109829914A (zh) * | 2019-02-26 | 2019-05-31 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN110827243A (zh) * | 2019-10-25 | 2020-02-21 | 深圳中科保泰科技有限公司 | 网格梁覆盖区域异常检测方法和装置 |
CN115393347A (zh) * | 2022-10-11 | 2022-11-25 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的电网智能巡检方法及系统 |
JP2023077059A (ja) * | 2021-11-24 | 2023-06-05 | 株式会社キーエンス | 外観検査装置及び外観検査方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8584000B2 (en) * | 2008-10-09 | 2013-11-12 | Nec Corporation | Abnormality detection system, abnormality detection method, and abnormality detection program storage medium |
EP3885989A1 (en) * | 2020-03-26 | 2021-09-29 | Another Brain | Anomaly detection based on an autoencoder and clustering |
US20230169149A1 (en) * | 2021-12-01 | 2023-06-01 | International Business Machines Corporation | Image recognition training data quality enhancement |
-
2024
- 2024-01-04 CN CN202410013813.8A patent/CN117522872B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6091846A (en) * | 1996-05-31 | 2000-07-18 | Texas Instruments Incorporated | Method and system for anomaly detection |
CN102196250A (zh) * | 2011-05-24 | 2011-09-21 | 深圳市海云天科技股份有限公司 | 考试监控系统的图像处理方法和系统 |
CN106780475A (zh) * | 2016-12-27 | 2017-05-31 | 北京市计算中心 | 一种基于病理组织切片图像组织区域的图像处理方法及装置 |
CN109117749A (zh) * | 2018-07-23 | 2019-01-01 | 福建中海油应急抢维修有限责任公司 | 一种基于无人机巡检影像的异常目标监管方法及系统 |
CN109583489A (zh) * | 2018-11-22 | 2019-04-05 | 中国科学院自动化研究所 | 缺陷分类识别方法、装置、计算机设备和存储介质 |
CN109829914A (zh) * | 2019-02-26 | 2019-05-31 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN110827243A (zh) * | 2019-10-25 | 2020-02-21 | 深圳中科保泰科技有限公司 | 网格梁覆盖区域异常检测方法和装置 |
JP2023077059A (ja) * | 2021-11-24 | 2023-06-05 | 株式会社キーエンス | 外観検査装置及び外観検査方法 |
CN115393347A (zh) * | 2022-10-11 | 2022-11-25 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的电网智能巡检方法及系统 |
Non-Patent Citations (3)
Title |
---|
Attention classification-and-segmentation network for micro-crack anomaly detection of photovoltaic module cells;Yu Jiang 等;《ELSEVIER》;20221231;全文 * |
Monitoring image anomaly detection based on lightweight network MobileNet;Qi Zhou 等;《ICMAR 2022》;20221231;全文 * |
胃间质瘤CT影像特征及纹理参数与危险度分级的相关性.《中南大学学报(医学版)》.全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117522872A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
CN109785288A (zh) | 基于深度学习的输电设备缺陷检测方法及系统 | |
CN111753653B (zh) | 基于注意力机制的高铁接触网紧固件识别与定位方法 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及系统 | |
CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
CN114387261A (zh) | 一种适用于铁路钢桥螺栓病害的自动检测方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN117522872B (zh) | 一种光伏电站的实时异常检测方法及装置 | |
CN116704444A (zh) | 一种基于级联注意力U-Net的视频异常事件检测方法 | |
Wang et al. | Image recognition of wind turbines blade surface defects based on mask-RCNN | |
CN115202404A (zh) | 基于无人机的光伏发电组维护巡检方法 | |
Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
Rahimzadeh et al. | State-of-the-art deep learning anomaly detection method for analyzing electroluminescence images of solar cells | |
CN118015839B (zh) | 一种高速公路路域风险预测方法及装置 | |
Cano-Ortiz et al. | An end-to-end computer vision system based on deep learning for pavement distress detection and quantification | |
CN116778362B (zh) | 基于领域知识与深度学习的电力杆塔验收构件识别方法 |
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 |