CN117612095A - 一种电力安全控制方法及装置 - Google Patents
一种电力安全控制方法及装置 Download PDFInfo
- Publication number
- CN117612095A CN117612095A CN202311601746.3A CN202311601746A CN117612095A CN 117612095 A CN117612095 A CN 117612095A CN 202311601746 A CN202311601746 A CN 202311601746A CN 117612095 A CN117612095 A CN 117612095A
- Authority
- CN
- China
- Prior art keywords
- equipment
- images
- risk
- image
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 168
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000012502 risk assessment Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
提供了一种电力安全控制方法及装置,属于电力设备技术领域。方法包括:第二设备接收第一设备请求,获取监测区域的多角度图像,筛选出待校验第二设备,发送包含图像和标识信息的数据帧给第一设备。第一设备解析数据帧,选择目标第二设备发送请求,目标第二设备获取更多图像,发送给第一设备,第一设备确定风险处理策略。本申请旨在改善对电力设备安全风险识别和响应不够准确迅速的问题。
Description
技术领域
本申请涉及电力设备技术领域,尤其涉及一种电力安全控制方法及装置。
背景技术
随着电力技术的不断发展,电力设备数量和种类也在快速增加,而对电力设备进的行安全监管和控制的难度也呈指数级上升。因此,如何对大规模设备的状态监测和故障预测是亟待解决的技术问题。
相关技术中,主要人工的或者由远程服务端来对风险进行识别,但是由于设备体量和距离的因素的影响,往往使得对电力设备的安全风险识别不够准确以及对电力设备的安全风险响应不够迅速。
发明内容
本申请实施例提供一种电力安全控制方法及装置,用于解决上述背景技术中的问题。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种电力安全控制方法,应用于电力安全控制系统,电力安全控制系统包括一个第一设备和多个第二设备,方法包括:
第二设备响应于第一设备的发送的第一请求消息,采用第一频率获取监测区域内的多个第一图像,其中,每个第二设备对应一个监测区域;
第二设备根据多个第一图像,构建监测区域的多角度监控图像,并根据多角度监控图像,筛选出待校验第二设备;
待校验第二设备将包含多角度监控图像和标识信息的第一数据帧发送给第一设备;
第一设备接收并解析第一数据帧,以从多个待校验第二设备中选择目标第二设备,并向目标第二设备发送第二请求消息;
目标第二设备响应于第一设备的发送的第二请求消息,采用第二频率获取监测区域内的多个第二图像,其中,第二频率大于第一频率,第二图像的分辨率大于第一图像的分辨率;
目标第二设备根据将包含多个第二图像的第二数据帧发送给第一设备,第一设备确定对应的风险处理策略。
本申请提供的电力安全控制方法,通过赋予更靠近现场电力设备的第二设备一定的风险识别能力,从而过滤掉大量无效数据对第一设备的影响,从而将第一设备的算力更多的应用在更高精度的图像处理和决策处理上,从而提高对电力设备的安全风险的识别精度以及对电力设备的安全风险响应速度。
在一种可能的实施方式中,第二设备部署有第一图像处理模型,第二设备根据多个第一图像,构建监测区域的多角度监控图像,并根据多角度监控图像,筛选出待校验第二设备,包括:
对多个第一图像进行图像预处理,并将经过图像预处理后的多个第一图像进行多视角融合,以获得多角度监控图像;
将多角度监控图像输入第一图像处理模型,以获得第二设备对应的监测区域的第一风险评估分数;
根据第一风险评估分数与预设阈值的大小关系,确定待校验第二设备,其中,第一图像处理模型为轻量级神经网络模型。
在一种可能的实施方式中,将多角度监控图像输入第一图像处理模型,以获得第二设备对应的监测区域的第一风险评估分数,包括:
根据多角度监控图像,构建图像输入特征;
将图像输入特征输入第一图像处理模型,以获得第二设备对应的监测区域的风险种类和风险数量;
根据风险种类和风险数量,确定第二设备对应的监测区域的第一风险评估分数。
在一种可能的实施方式中,第一设备部署有第二图像处理模型,第一设备接收并解析第一数据帧,以从多个待校验第二设备中选择目标第二设备,包括:
第一设备对多角度监控图像进行超分辨率重建,并将经过超分辨率重建后的多角度监控图像输入第二图像处理模型;
第二图像处理模型输出待校验第二设备对应的监测区域的复核风险评估分数,并根据复核风险评估分数与预设阈值的大小关系,确定目标第二设备。
在一种可能的实施方式中,根据复核风险评估分数与预设阈值的大小关系,确定目标第二设备,包括:
将复核风险评估分数大于预设阈值的待校验第二设备确定为目标第二设备。
在一种可能的实施方式中,在第二设备响应于第一设备的发送的第一请求消息之前,方法还包括:
将第一图像处理模型的第一数据集输入至预先训练得到的第二图像处理模型,并根据第二图像处理模型的输出以及难度系数计算方法,对第一数据集中的所有训练样本进行难度系数计算并排序,以获得第二数据集;
将第二数据集划分为多个不同难度等级的子数据集,并根据多个不同难度等级的子数据集,对第一图像处理模型进行训练。
在一种可能的实施方式中,第一设备确定对应的风险处理策略包括:
第一设备根据多个第二图像,确定目标第二设备对应的监测区域的电力风险等级;
目标第二设备根据电力风险等级,确定对应的风险处理策略。
在一种可能的实施方式中,根据多个第二图像,确定目标第二设备对应的监测区域的电力风险等级,包括:
第一设备根据多个第二图像,生成对应的多角度监控图像;
将多角度监控图像输入第二图像处理模型,以获得目标第二设备对应的监测区域的第二风险评估分数;
根据目标第二设备对应的监测区域的复核风险评估分数和第二风险评估分数的数值变化关系,确定目标第二设备对应的监测区域的电力风险等级。
第二方面,提供了一种电力安全控制装置,装置包括:
第一采集模块,用于第二设备响应于第一设备的发送的第一请求消息,采用第一频率获取监测区域内的多个第一图像,其中,每个第二设备对应一个监测区域;
筛选模块,用于第二设备根据多个第一图像,构建监测区域的多角度监控图像,并根据多角度监控图像,筛选出待校验第二设备;
校验模块,用于待校验第二设备将包含多角度监控图像和标识信息的第一数据帧发送给第一设备;
解析模块,用于第一设备接收并解析第一数据帧,以从多个待校验第二设备中选择目标第二设备,并向目标第二设备发送第二请求消息;
第二采集模块,用于目标第二设备响应于第一设备的发送的第二请求消息,采用第二频率获取监测区域内的多个第二图像,其中,第二频率大于第一频率,第二图像的分辨率大于第一图像的分辨率;
风险判断模块,用于目标第二设备根据将包含多个第二图像的第二数据帧发送给第一设备,第一设备确定对应的风险处理策略。
在一种可能的实施方式中,筛选模块包括:
图像处理子模块,用于对多个第一图像进行图像预处理,并将经过图像预处理后的多个第一图像进行多视角融合,以获得多角度监控图像;
输入子模块,用于将多角度监控图像输入第一图像处理模型,以获得第二设备对应的监测区域的第一风险评估分数;
筛选子模块,用于根据第一风险评估分数与预设阈值的大小关系,确定待校验第二设备,其中,第一图像处理模型为轻量级神经网络模型。
在一种可能的实施方式中,输入子模块,包括:
特征构建单元,用于根据多角度监控图像,构建图像输入特征;
输入单元,用于将图像输入特征输入第一图像处理模型,以获得第二设备对应的监测区域的风险种类和风险数量;
评估单元,用于根据风险种类和风险数量,确定第二设备对应的监测区域的第一风险评估分数。
在一种可能的实施方式中,解析模块,包括:
图像重构子模块,用于第一设备对多角度监控图像进行超分辨率重建,并将经过超分辨率重建后的多角度监控图像输入第二图像处理模型;
复核子模块,用于第二图像处理模型输出待校验第二设备对应的监测区域的复核风险评估分数,并根据复核风险评估分数与预设阈值的大小关系,确定目标第二设备。
在一种可能的实施方式中,电力安全控制装置还包括模型训练模块,模型训练模块包括:
第一训练子模块,用于将第一图像处理模型的第一数据集输入至预先训练得到的第二图像处理模型,并根据第二图像处理模型的输出以及难度系数计算方法,对第一数据集中的所有训练样本进行难度系数计算并排序,以获得第二数据集;
第二训练子模块,用于将第二数据集划分为多个不同难度等级的子数据集,并根据多个不同难度等级的子数据集,对第一图像处理模型进行训练。
在一种可能的实施方式中,风险判断模块包括:
风险等级确定子模块,用于第一设备根据多个第二图像,确定目标第二设备对应的监测区域的电力风险等级;
风险处理策略确定子模块,用于目标第二设备根据电力风险等级,确定对应的风险处理策略。
在一种可能的实施方式中,风险等级确定子模块,包括:
图像生成单元,用于第一设备根据多个第二图像,生成对应的多角度监控图像;
图像输入单元,用于将多角度监控图像输入第二图像处理模型,以获得目标第二设备对应的监测区域的第二风险评估分数;
判断单元,用于根据目标第二设备对应的监测区域的复核风险评估分数和第二风险评估分数的数值变化关系,确定目标第二设备对应的监测区域的电力风险等级。
第三方面,提供了一种电子设备,包括存储器和处理器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时实现如上述第一方面中任一项的方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
第二方面至第四方面的技术效果参照第一方面及其任一实施方式的技术效果,在此不再重复。
附图说明
图1是本发明实施例提供的一种电力安全控制方法的步骤流程图;
图2是本发明实施例提供的一种电力安全控制装置的功能模块示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合图1-图2及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的,不能理解为用于指示相对重要性、数量、顺序等。
本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例涉及的术语“耦合”、“连接”应做广义理解,例如,可以指物理上的直接连接,也可以指通过电子器件实现的间接连接,例如通过电阻、电感、电容或其他电子器件实现的连接。
目前,在当前的相关技术中,电力设备的安全风险通常是通过人工分析或者由远程服务端的算法来进行识别和评估。然而,正如前述,电力设备的设备体积和分布距离常常带来一系列挑战,影响了这些方法的准确性和迅速性。人工识别风险需要耗费大量时间和劳动力,而且容易受主观因素的影响,这可能导致遗漏或误判潜在的风险。另一方面,依赖远程服务端的算法进行识别虽然提供了自动化的优势,但由于设备遥远,数据传输延迟和通信问题可能导致对风险的响应不够及时。此外,一些远程服务设备的算力和资源受限,可能无法满足大规模设备的实时监测和风险响应需求。
基于此,发明人提出了本申请的发明构思:赋予更靠近现场电力设备的第二设备一定的风险识别能力,从而过滤掉大量无效数据对第一设备的影响,并将第一设备的算力更多的应用在更高精度的图像处理和决策处理上,从而提高对电力设备的安全风险的识别精度以及对电力设备的安全风险响应速度。
参照图1,本发明的实施例提供了一种电力安全控制方法,应用于电力安全控制系统,电力安全控制系统包括一个第一设备和多个第二设备。第一设备作为远程服务端,负责集中管理和协调多个第二设备的运行,同时也承担数据存储和分析的角色,第一设备可以通过互联网或其他通信渠道与多个第二设备通信,多个第二设备充当近端服务端,位于不同地点的电力设备附近。它们负责实际监测电力设备的状态、收集数据以及执行必要的控制操作。这些第二设备与电力设备连接,并能够实时传输数据和接收指令,以确保电力设备的正常运行和安全性。
本申请具体可以包括以下步骤:
S101:第二设备响应于第一设备的发送的第一请求消息,采用第一频率获取监测区域内的多个第一图像。
在本实施方式中,第二设备会定期向其覆盖范围内的第一设备的发送的第一请求消息,第一请求消息用于请求第一设备上传潜在的风险信息,而第二设备在接收到第一请求消息后,会通过第一设备上的图像采集装置并按照第一频率采集第一设备监测区域内各个电力设备的图像信息。一旦第一设备接收到这一请求消息,会通过第一设备上的图像采集装置,并按照事先规定的第一频率进行图像信息的采集。第一频率通常是为了确保充分监测并捕获覆盖区域内各个电力设备的运行状态。通过这种方式,第二设备能够进行风险评估和监测,从而确保电力系统的可靠性和安全性,出于减轻数据处理压力的目的,设置第一图像的分辨率较低。
S102:第二设备根据多个第一图像,构建监测区域的多角度监控图像,并根据多角度监控图像,筛选出待校验第二设备。
在本实施方式中,每个第二设备需要根据其自身采集的多个第一图像,来判断其监测的区域是否存在潜在风险。而第一图像可能来自不同的角度或视角,因此第二设备会将多个第一图像合成或处理,以生成一个综合的多角度监控图像。这个多角度监控图像提供了更全面的视角,基于这个多角度监控图像,第二设备执行筛选操作,筛选出待监测的区域内存在潜在风险的待校验第二设备,而其具体的实现步骤包括:
S1021:对多个第一图像进行图像预处理,并将经过图像预处理后的多个第一图像进行多视角融合,以获得多角度监控图像;
S1022:将多角度监控图像输入第一图像处理模型,以获得第二设备对应的监测区域的第一风险评估分数;
S1023:根据第一风险评估分数与预设阈值的大小关系,确定待校验第二设备,其中,第一图像处理模型为轻量级神经网络模型。
在S1021至S1023的实施方式中,多个第一图像首先经过图像预处理。图像预处理可能包括去噪、对比度调整、图像增强等操作,以供后续处理。然后,经过图像预处理的这些图像进行多视角融合,多视角融合的具体过程包括:首先,将各个视角的图像进行校正以确保它们在相同坐标系下对齐。然后,通过加权平均、图像叠加或其他融合技术将这些校正后的图像合并成一个综合图像。这个综合图像包含了不同视角的信息,提供了更全面的视角,以便用于进一步的分析或监测,生成的多角度监控图像随后被输入到第一图像处理模型中。第二设备由于设备自身的算力和成本的限制,在其上部署的第一图像处理模型为轻量级神经网络模型,它具有相对较少的参数和计算复杂性,同时在特定任务上表现出良好的性能,并且具有体积小、内存占用和计算资源占用少的优点。第一图像处理模型通过分析多角度监控图像,可以生成与第二设备对应的监测区域的第一风险评估分数。这个分数反映了监测区域内可能存在的潜在风险。根据第一风险评估分数与预设阈值的大小关系,可以决定哪些第二设备需要进行进一步的校验。如果第一风险评估分数高于预设的阈值,相应的第二设备被确定为待校验的第二设备。
而确定第一风险评估分数的具体步骤包括:
S10221:根据多角度监控图像,构建图像输入特征;
S10222:将图像输入特征输入第一图像处理模型,以获得第二设备对应的监测区域的风险种类和风险数量;
S10223:根据风险种类和风险数量,确定第二设备对应的监测区域的第一风险评估分数。
在S10221至S10223的实施方式中,利用多角度监控图像,构建图像输入特征。图像输入特征是从图像中提取的有关监测区域的相关信息,可能包括物体、特征、形状、颜色等。这些特征是为了更有效地表示监测区域内的情况而从图像中提取的。生成的图像输入特征被输入到第一图像处理模型中。通过模型的处理,可以获得有关第二设备对应的监测区域的风险种类和风险数量的信息。电力设备的风险种类可以包括多个方面,如环境风险、人行为风险等。环境风险可能包括自然灾害(如风暴、洪水、地震)、气候变化、电力供应中断等,这些因素可能对电力设备的正常运行产生负面影响。另一方面,人行为风险涵盖了人为因素,如设备操作不当、维护不到位、安全卫生问题、未经授权的访问等,这些因素可能导致事故或设备故障。这些信息可以反映监测区域内潜在的风险情况。基于获得的风险种类和风险数量,系统确定第二设备对应的监测区域的第一风险评估分数。这个分数反映了监测区域内可能存在的风险的严重程度。这个分数可以用于指导进一步的决策和操作,以确保电力设备的安全性和可靠性。
示例性的,将图像输入特征输入到第一图像处理模型进行分析,模型产生了以下结果:风险种类为2(表示可能有两种不同类型的风险),风险数量为5(表示检测到了5个潜在风险情况)。基于风险种类和风险数量,进行风险评估计算。假设风险种类的权重为0.7,风险数量的权重为0.3。所以,第一风险评估分数为2.9。
S103:待校验第二设备将包含多角度监控图像和标识信息的第一数据帧发送给第一设备。
而由于第二设备的算力有限,因此第二设备的判断结果可能不够准确,因此第一设备需要对第二设备的判断结果进行进一步的验证,以确保决策的准确性和可靠性。所以待校验第二设备需要将包含多角度监控图像和标识信息的第一数据帧发送给第一设备。以方便第一设备根据标识信息确定哪些第二设备可能存在风险。
S104:第一设备接收并解析第一数据帧,以从多个待校验第二设备中选择目标第二设备,并向目标第二设备发送第二请求消息。
在本实施方式中,在解析数据帧后,第一设备会选择目标第二设备,即需要进行进一步验证或处理的特定设备,并随后向该目标第二设备发送第二请求消息,第二请求消息用于指示目标第二设备进行更频繁的数据监控。
其具体的步骤包括:
S1041:第一设备对多角度监控图像进行超分辨率重建,并将经过超分辨率重建后的多角度监控图像输入第二图像处理模型;
S1042:第二图像处理模型输出待校验第二设备对应的监测区域的复核风险评估分数,并根据复核风险评估分数与预设阈值的大小关系,确定目标第二设备。
在S1041至S1042的实施方式中,超分辨率重建的主要目的是从多个低分辨率图像中合成一个高分辨率图像,通过分析和处理单个低分辨率的多角度监控图像,使用插值和图像处理算法来增加图像的分辨率,从而提供更多细节和更清晰的视觉信息。第二图像处理模型是一个用于图像处理和识别的深度学习模型,具有大量参数,并且精度较高。在获得超分辨率重建后的多角度监控图像后,将其输入到第二图像处理模型中,以获得待校验第二设备对应的监测区域的复核风险评估分数,然后将复核风险评估分数大于预设阈值的待校验第二设备,确定为目标第二设备。
S105:目标第二设备响应于第一设备的发送的第二请求消息,采用第二频率获取监测区域内的多个第二图像。
在本实施方式中,使用第二频率可以更频繁地捕获图像,这有助于捕获更多的时序信息,特别是在需要实时监测或快速变化的情况下,可以提供更准确的数据。第二图像的分辨率高于第一图像的分辨率,高于较高分辨率的图像包含更多的细节和信息。通过这些设置,可以获得更多、更高质量的数据,从而有助于提高数据的准确性。这在许多应用中是至关重要的,特别是在需要进行精确的监测、分析和决策时。高频率和高分辨率的数据有助于减少信息丢失,提供更全面的情况了解,从而提高了判断准确性。
S106:目标第二设备根据将包含多个第二图像的第二数据帧发送给第一设备,第一设备确定对应的风险处理策略。
在本实施方式中,目标第二设备将多个第二图像打包为一个数据帧,然后将其发送给第一设备。第一设备负责制定和执行与监测和风险相关的策略。这些策略包括对异常情况的处理、设备维护计划、报警触发条件等。第一设备将接收到的第二数据帧中的多个第二图像进行数据分析,基于数据分析的结果,第一设备将确定相应的风险处理策略。
其具体包括:
S1061:第一设备根据多个第二图像,确定目标第二设备对应的监测区域的电力风险等级。
在本实施方式中,电力风险等级是对电力设备运行风险的一种度量,基于从第二图像中提取的多个特征。通过对这些特征进行分析和处理,第一设备能够评估目标第二设备对应的监测区域的电力风险等级。电力风险等级可以分为低风险、中等风险和高风险三个等级,其中高风险等级表示监测区域内可能存在较大的电力设备故障或安全隐患。
而对电力风险等级的具体判断过程包括:
S10611:第一设备根据多个第二图像,生成对应的多角度监控图像;
S10612:将多角度监控图像输入第二图像处理模型,以获得目标第二设备对应的监测区域的第二风险评估分数;
S10613:根据目标第二设备对应的监测区域的复核风险评估分数和第二风险评估分数的数值变化关系,确定目标第二设备对应的监测区域的电力风险等级。
在S10611至S10613的实施方式中,第一设备对接收到的第二数据帧中的多个第二图像进行图像解码,将解码后的第二图像进行图像拼接,得到对应的多角度监控图像,对多角度监控图像进行图像增强,包括对比度调整、锐化等操作,将增强后的多角度监控图像进行图像分割,提取出电力设备的特征。第二图像处理模型用于对输入的多角度监控图像进行风险评估。将增强后的多角度监控图像输入到该模型中,经过模型的处理和计算,输出目标第二设备对应的监测区域的第二风险评估分数。根据目标第二设备对应的监测区域的复核风险评估分数和第二风险评估分数的数值变化关系,确定目标第二设备对应的监测区域的电力风险等级。
示例性的,若第二风险评估分数相比于复核分数大幅增加,则说明目标第二设备对应的监测区域可能存在较高的风险,因此目标第二设备对应的监测区域的电力风险等级可以为高风险等级;若第二风险评估分数相比于复核分数,基本保持不变,因此目标第二设备对应的监测区域的电力风险等级可以为中风险等级;若第二风险评估分数相比于复核分数大幅减小,则说明目标第二设备对应的监测区域风险在降低,因此目标第二设备对应的监测区域的电力风险等级可以为低风险等级。
S1062:第一设备根据电力风险等级,确定相应的风险处理策略。
在本实施方式中,第一设备根据电力风险等级制定相应的风险处理策略。对于低风险等级,可以采取常规的监测和巡检计划;对于中风险等级,需要增加巡检频率和加强监测,以预防可能的故障或安全隐患;对于高风险等级,需要立即采取行动,包括紧急维修、更换部件或停机检查等。这些策略可以通过预设的规则或算法来实现,也可以根据实际情况进行调整和优化。通过以上步骤,第一设备能够根据第二设备的监测数据和分析结果,制定相应的风险处理策略,以确保电力设备的安全可靠运行。
在一种可行的实施方式中,对第一图像的训练过程包括:
将第一图像处理模型的第一数据集输入至预先训练得到的第二图像处理模型,并根据第二图像处理模型的输出以及难度系数计算方法,对第一数据集中的所有训练样本进行难度系数计算并排序,以获得第二数据集;
将第二数据集划分为多个不同难度等级的子数据集,并根据多个不同难度等级的子数据集,对第一图像处理模型进行训练。
在本实施方式中,第一图像处理模型可以为轻量级神经网络,第二图像处理模型为可以为深度学习模型,例如卷积神经网络(CNN)。第一数据集可以是从为电力设备故障的历史图像数据集。
在将第一数据集输入至第二图像处理模型之前,可以对该数据集进行预处理,例如去除重复的图像、进行图像缩放、裁剪等操作,以提高模型的训练效果。根据第二图像处理模型的输出以及难度系数计算方法,可以对第一数据集中的所有训练样本进行难度系数计算并排序。难度系数可以是一个根据图像内容、纹理、色彩等因素计算得出的数值,用于表示该图像的复杂程度和难度水平。排序后的数据集即为第二数据集。
将第二数据集划分为多个不同难度等级的子数据集,可以根据需要选择不同的划分方式。例如,可以将数据集按照难度系数的大小划分成不同的等级,或者按照图像的类型、内容等因素进行划分。根据多个不同难度等级的子数据集,可以对第一图像处理模型进行训练。在训练过程中,可以使用梯度下降等优化算法来调整模型的参数,以最小化预测误差和损失函数。
通过以上步骤,可以获得一个针对不同难度等级的子数据集进行训练的轻量级神经网络,即第一图像处理模型,使得部署在算力有限的第二设备上的第一图像处理模型可以更好地处理不同复杂程度的电力设备故障图像,提高其准确率和鲁棒性。
本发明实施例还提供了一种电力安全控制装置,参照图2,示出了本发明一种电力安全控制装置的功能模块图,该装置可以包括以下模块:
第一采集模块201,用于第二设备响应于第一设备的发送的第一请求消息,采用第一频率获取监测区域内的多个第一图像,其中,每个第二设备对应一个监测区域;
筛选模块202,用于第二设备根据多个第一图像,构建监测区域的多角度监控图像,并根据多角度监控图像,筛选出待校验第二设备;
校验模块203,用于待校验第二设备将包含多角度监控图像和标识信息的第一数据帧发送给第一设备;
解析模块204,用于第一设备接收并解析第一数据帧,以从多个待校验第二设备中选择目标第二设备,并向目标第二设备发送第二请求消息;
第二采集模块205,用于目标第二设备响应于第一设备的发送的第二请求消息,采用第二频率获取监测区域内的多个第二图像,其中,第二频率大于第一频率,第二图像的分辨率大于第一图像的分辨率;
风险判断模块206,用于目标第二设备根据将包含多个第二图像的第二数据帧发送给第一设备,第一设备确定对应的风险处理策略。
在一种可能的实施方式中,筛选模块包括:
图像处理子模块,用于对多个第一图像进行图像预处理,并将经过图像预处理后的多个第一图像进行多视角融合,以获得多角度监控图像;
输入子模块,用于将多角度监控图像输入第一图像处理模型,以获得第二设备对应的监测区域的第一风险评估分数;
筛选子模块,用于根据第一风险评估分数与预设阈值的大小关系,确定待校验第二设备,其中,第一图像处理模型为轻量级神经网络模型。
在一种可能的实施方式中,输入子模块,包括:
特征构建单元,用于根据多角度监控图像,构建图像输入特征;
输入单元,用于将图像输入特征输入第一图像处理模型,以获得第二设备对应的监测区域的风险种类和风险数量;
评估单元,用于根据风险种类和风险数量,确定第二设备对应的监测区域的第一风险评估分数。
在一种可能的实施方式中,解析模块,包括:
图像重构子模块,用于第一设备对多角度监控图像进行超分辨率重建,并将经过超分辨率重建后的多角度监控图像输入第二图像处理模型;
复核子模块,用于第二图像处理模型输出待校验第二设备对应的监测区域的复核风险评估分数,并根据复核风险评估分数与预设阈值的大小关系,确定目标第二设备。
在一种可能的实施方式中,电力安全控制装置还包括模型训练模块,模型训练模块包括:
第一训练子模块,用于将第一图像处理模型的第一数据集输入至预先训练得到的第二图像处理模型,并根据第二图像处理模型的输出以及难度系数计算方法,对第一数据集中的所有训练样本进行难度系数计算并排序,以获得第二数据集;
第二训练子模块,用于将第二数据集划分为多个不同难度等级的子数据集,并根据多个不同难度等级的子数据集,对第一图像处理模型进行训练。
在一种可能的实施方式中,风险判断模块包括:
风险等级确定子模块,用于第一设备根据多个第二图像,确定目标第二设备对应的监测区域的电力风险等级;
风险处理策略确定子模块,用于目标第二设备根据电力风险等级,确定对应的风险处理策略。
在一种可能的实施方式中,风险等级确定子模块,包括:
图像生成单元,用于第一设备根据多个第二图像,生成对应的多角度监控图像;
图像输入单元,用于将多角度监控图像输入第二图像处理模型,以获得目标第二设备对应的监测区域的第二风险评估分数;
判断单元,用于根据目标第二设备对应的监测区域的复核风险评估分数和第二风险评估分数的数值变化关系,确定目标第二设备对应的监测区域的电力风险等级。
基于同一发明构思,本发明另一实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明的电力安全控制方法。
上述终端提到的通信总线可以是外设部件互联标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器(RandomAccess Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储系统。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable GateArray,简称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。
此外,为实现上述目的,本发明的实施例还提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本发明实施例的电力安全控制方法。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用车辆(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“”和/或“”表示可以选择两者之中的任意一个,也可以两者都选择。而且,术语“”包括“”“”包含“”或者其任何其他变体意在涵盖非排他性地包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“”包括一个……“”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电力安全控制方法,其特征在于,应用于电力安全控制系统,所述电力安全控制系统包括一个第一设备和多个第二设备,所述方法包括:
第二设备响应于第一设备的发送的第一请求消息,采用第一频率获取监测区域内的多个第一图像,其中,每个所述第二设备对应一个监测区域;
所述第二设备根据所述多个第一图像,构建所述监测区域的多角度监控图像,并根据所述多角度监控图像,筛选出待校验第二设备;
所述待校验第二设备将包含所述多角度监控图像和标识信息的第一数据帧发送给所述第一设备;
所述第一设备接收并解析所述第一数据帧,以从多个所述待校验第二设备中选择目标第二设备,并向所述目标第二设备发送第二请求消息;
所述目标第二设备响应于第一设备的发送的第二请求消息,采用第二频率获取监测区域内的多个第二图像,其中,所述第二频率大于所述第一频率,所述第二图像的分辨率大于所述第一图像的分辨率;
所述目标第二设备根据将包含所述多个第二图像的第二数据帧发送给所述第一设备,所述第一设备确定对应的风险处理策略。
2.根据权利要求1所述的电力安全控制方法,其特征在于,所述第二设备部署有第一图像处理模型,所述第二设备根据所述多个第一图像,构建所述监测区域的多角度监控图像,并根据所述多角度监控图像,筛选出待校验第二设备,包括:
对所述多个第一图像进行图像预处理,并将经过图像预处理后的所述多个第一图像进行多视角融合,以获得所述多角度监控图像;
将所述多角度监控图像输入所述第一图像处理模型,以获得所述第二设备对应的监测区域的第一风险评估分数;
根据所述第一风险评估分数与预设阈值的大小关系,确定所述待校验第二设备,其中,所述第一图像处理模型为轻量级神经网络模型。
3.根据权利要求2所述的电力安全控制方法,其特征在于,所述将所述多角度监控图像输入所述第一图像处理模型,以获得所述第二设备对应的监测区域的第一风险评估分数,包括:
根据所述多角度监控图像,构建图像输入特征;
将所述图像输入特征输入所述第一图像处理模型,以获得所述第二设备对应的监测区域的风险种类和风险数量;
根据所述风险种类和风险数量,确定所述第二设备对应的监测区域的第一风险评估分数。
4.根据权利要求1所述的电力安全控制方法,其特征在于,所述第一设备部署有第二图像处理模型,所述第一设备接收并解析所述第一数据帧,以从多个所述待校验第二设备中选择目标第二设备,包括:
所述第一设备对所述多角度监控图像进行超分辨率重建,并将经过超分辨率重建后的所述多角度监控图像输入所述第二图像处理模型;
所述第二图像处理模型输出所述待校验第二设备对应的监测区域的复核风险评估分数,并根据所述复核风险评估分数与预设阈值的大小关系,确定所述目标第二设备。
5.根据权利要求1所述的电力安全控制方法,其特征在于,所述根据所述复核风险评估分数与预设阈值的大小关系,确定所述目标第二设备,包括:
将所述复核风险评估分数大于预设阈值的待校验第二设备确定为所述目标第二设备。
6.根据权利要求1所述的电力安全控制方法,其特征在于,在所述第二设备响应于第一设备的发送的第一请求消息之前,所述方法还包括:
将第一图像处理模型的第一数据集输入至预先训练得到的第二图像处理模型,并根据所述第二图像处理模型的输出以及难度系数计算方法,对所述第一数据集中的所有训练样本进行难度系数计算并排序,以获得第二数据集;
将所述第二数据集划分为多个不同难度等级的子数据集,并根据所述多个不同难度等级的子数据集,对所述第一图像处理模型进行训练。
7.根据权利要求1所述的电力安全控制方法,其特征在于,所述第一设备确定对应的风险处理策略包括:
所述第一设备根据所述多个第二图像,确定所述目标第二设备对应的监测区域的电力风险等级;
所述目标第二设备根据所述电力风险等级,确定对应的风险处理策略。
8.根据权利要求7所述的电力安全控制方法,其特征在于,所述根据所述多个第二图像,确定所述目标第二设备对应的监测区域的电力风险等级,包括:
所述第一设备根据所述多个第二图像,生成对应的多角度监控图像;
将所述多角度监控图像输入第二图像处理模型,以获得所述目标第二设备对应的监测区域的第二风险评估分数;
根据所述目标第二设备对应的监测区域的复核风险评估分数和所述第二风险评估分数的数值变化关系,确定所述目标第二设备对应的监测区域的电力风险等级。
9.一种电力安全控制装置,其特征在于,所述装置包括:
第一采集模块,用于第二设备响应于第一设备的发送的第一请求消息,采用第一频率获取监测区域内的多个第一图像,其中,每个所述第二设备对应一个监测区域;
筛选模块,用于所述第二设备根据所述多个第一图像,构建所述监测区域的多角度监控图像,并根据所述多角度监控图像,筛选出待校验第二设备;
校验模块,用于所述待校验第二设备将包含所述多角度监控图像和标识信息的第一数据帧发送给所述第一设备;
解析模块,用于所述第一设备接收并解析所述第一数据帧,以从多个所述待校验第二设备中选择目标第二设备,并向所述目标第二设备发送第二请求消息;
第二采集模块,用于所述目标第二设备响应于第一设备的发送的第二请求消息,采用第二频率获取监测区域内的多个第二图像,其中,所述第二频率大于所述第一频率,所述第二图像的分辨率大于所述第一图像的分辨率;
风险判断模块,用于所述目标第二设备根据将包含所述多个第二图像的第二数据帧发送给所述第一设备,所述第一设备确定对应的风险处理策略。
10.根据权利要求9所述的电力安全控制装置,其特征在于,所述筛选模块包括:
图像处理子模块,用于对所述多个第一图像进行图像预处理,并将经过图像预处理后的所述多个第一图像进行多视角融合,以获得所述多角度监控图像;
输入子模块,用于将所述多角度监控图像输入所述第一图像处理模型,以获得所述第二设备对应的监测区域的第一风险评估分数;
筛选子模块,用于根据所述第一风险评估分数与预设阈值的大小关系,确定所述待校验第二设备,其中,所述第一图像处理模型为轻量级神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601746.3A CN117612095A (zh) | 2023-11-27 | 2023-11-27 | 一种电力安全控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601746.3A CN117612095A (zh) | 2023-11-27 | 2023-11-27 | 一种电力安全控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612095A true CN117612095A (zh) | 2024-02-27 |
Family
ID=89951107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311601746.3A Pending CN117612095A (zh) | 2023-11-27 | 2023-11-27 | 一种电力安全控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612095A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178246A (zh) * | 2019-12-27 | 2020-05-19 | 深圳供电局有限公司 | 基于电力施工操作的远程监测方法、装置和计算机设备 |
CN111915842A (zh) * | 2020-07-02 | 2020-11-10 | 广东技术师范大学 | 异常监控方法、装置、计算机设备及存储介质 |
CN112272288A (zh) * | 2020-10-23 | 2021-01-26 | 岭东核电有限公司 | 核电作业监控方法、装置、计算机设备和存储介质 |
CN112669316A (zh) * | 2021-01-29 | 2021-04-16 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
CN112989910A (zh) * | 2020-12-12 | 2021-06-18 | 南方电网调峰调频发电有限公司 | 电力目标检测方法、装置、计算机设备和存储介质 |
CN114399681A (zh) * | 2022-01-14 | 2022-04-26 | 国网河北省电力有限公司经济技术研究院 | 电力能源设备识别方法、装置和终端设备 |
CN115223078A (zh) * | 2022-07-01 | 2022-10-21 | 宁海县雁苍山电力建设有限公司 | 一种基于高位监控的电力行为识别预警方法、系统及设备 |
CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
CN116777713A (zh) * | 2023-08-24 | 2023-09-19 | 湖南天成新宇网络科技有限公司 | 基于数据分析的智慧园区安全管理方法和系统 |
-
2023
- 2023-11-27 CN CN202311601746.3A patent/CN117612095A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178246A (zh) * | 2019-12-27 | 2020-05-19 | 深圳供电局有限公司 | 基于电力施工操作的远程监测方法、装置和计算机设备 |
CN111915842A (zh) * | 2020-07-02 | 2020-11-10 | 广东技术师范大学 | 异常监控方法、装置、计算机设备及存储介质 |
CN112272288A (zh) * | 2020-10-23 | 2021-01-26 | 岭东核电有限公司 | 核电作业监控方法、装置、计算机设备和存储介质 |
CN112989910A (zh) * | 2020-12-12 | 2021-06-18 | 南方电网调峰调频发电有限公司 | 电力目标检测方法、装置、计算机设备和存储介质 |
CN112669316A (zh) * | 2021-01-29 | 2021-04-16 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
WO2022160413A1 (zh) * | 2021-01-29 | 2022-08-04 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
CN114399681A (zh) * | 2022-01-14 | 2022-04-26 | 国网河北省电力有限公司经济技术研究院 | 电力能源设备识别方法、装置和终端设备 |
CN115223078A (zh) * | 2022-07-01 | 2022-10-21 | 宁海县雁苍山电力建设有限公司 | 一种基于高位监控的电力行为识别预警方法、系统及设备 |
CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
CN116777713A (zh) * | 2023-08-24 | 2023-09-19 | 湖南天成新宇网络科技有限公司 | 基于数据分析的智慧园区安全管理方法和系统 |
Non-Patent Citations (1)
Title |
---|
孔英会;王维维;张珂;戚银城;: "基于改进Mask R-CNN模型的电力场景目标检测方法", 科学技术与工程, no. 08, 18 March 2020 (2020-03-18) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
US11029260B2 (en) | Solder paste printing quality inspection system and method | |
CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及系统 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN111524118B (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
CN104267346A (zh) | 一种发电机励磁系统故障远程诊断方法 | |
CN114723082B (zh) | 一种智能低压成套设备的异常预警方法及系统 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN107563263A (zh) | 基于仪表的视频图像识别方法及系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN112634254A (zh) | 绝缘子缺陷检测方法及相关装置 | |
CN116055690A (zh) | 一种机房监控视频的处理方法及设备 | |
Hu et al. | Automatic defect detection from X-ray scans for aluminum conductor composite core wire based on classification neutral network | |
US10812206B2 (en) | Method and apparatus for predicting the bitrate of a repaired communication channel | |
CN117612095A (zh) | 一种电力安全控制方法及装置 | |
CN113765683B (zh) | 网络切片的割接告警屏蔽方法及装置 | |
CN116614366A (zh) | 一种基于边缘计算的工业互联网优化方法及系统 | |
US20220269904A1 (en) | Network status classification | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
CN114463683A (zh) | 基于人工智能和大数据的变电设备智能监控系统和方法 | |
CN113743326A (zh) | 安全带佩戴状态监测系统、方法、装置和计算机设备 | |
CN113724211A (zh) | 一种基于状态感应的故障自动识别方法及系统 | |
CN110782431A (zh) | 一种基于深度学习的高压电线结冰区域检测方法 | |
CN116563777A (zh) | 电力设备图像监控方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |