CN117668631A - 输电线路的安全隐患监测方法、装置、系统、设备及介质 - Google Patents
输电线路的安全隐患监测方法、装置、系统、设备及介质 Download PDFInfo
- Publication number
- CN117668631A CN117668631A CN202311419281.XA CN202311419281A CN117668631A CN 117668631 A CN117668631 A CN 117668631A CN 202311419281 A CN202311419281 A CN 202311419281A CN 117668631 A CN117668631 A CN 117668631A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- potential safety
- safety hazard
- deep learning
- learning model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 185
- 230000005540 biological transmission Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000013138 pruning Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 13
- 238000010276 construction Methods 0.000 description 11
- 239000003990 capacitor Substances 0.000 description 10
- 238000013139 quantization Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000007600 charging Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Abstract
本申请涉及输电线路监测技术领域,提出了一种输电线路的安全隐患监测方法、装置、系统、设备及介质,其中,方法包括:获取目标输电线路通道监测场景的当前环境监测数据;通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。通过该技术方案,由于采用的是轻量级深度学习模型,降低了模型复杂度,在保证识别精度的前提下,进一步提高处理速度。
Description
【技术领域】
本申请涉及输电线路监测技术领域,尤其涉及一种输电线路的安全隐患监测方法、装置、系统、设备及介质。
【背景技术】
当前对于特殊地段地区比如电缆线口上方路段,针对施工机械车辆的智能分析隐患识别尤为重要,由于本身线路的地理位置较为重要,需要特别关注来减少施工机械车辆造成的外力破坏隐患。
外破隐患作为输电线路在线监测中最常见且危害最直接的隐患,一直是输电线路上防患和监测重点,以往相关的防治手段还是以人防为主,针对吊车、挖掘机等大型机械车辆加强保护线路的巡查管理,梳理可能因施工造成威胁的隐患点,加大巡查次数,对重大隐患点做到每日一巡;加大对危险点的管控力度,宣传电力法律法规;加大电力设施安全保护宣传力度,有效遏制外力破坏电力线路。但是,这需要耗费大量的财力和人力。
【发明内容】
本申请实施例提供了一种输电线路的安全隐患监测方法、装置、系统、设备及介质,旨在解决相关技术中需要耗费大量财力和人力进行输电线路安全隐患监测等技术问题。
第一方面,本申请实施例提供了一种输电线路的安全隐患监测方法,包括:
获取目标输电线路通道监测场景的当前环境监测数据;
通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;
响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;
响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。
在一个实施例中,可选的,所述轻量级深度学习模型包括依次设置的第一卷积层、第一激活层、第二卷积层、和第二激活层,其中,所述第一卷积层中合并有第一BN层和第一scale层,所述第二卷积层中合并有第二BN层和第二scale层。
在一个实施例中,可选的,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型;
确定所述训练后的深度学习模型的权重参数,以及各权重参数对于模型误差的影响值;
根据所述影响值对权重参数进行降序排序;
根据降序排序结果,删除影响值小于预设阈值的目标权重参数,以得到轻量级深度学习模型。
在一个实施例中,可选的,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型,其中,所述预设的深度学习模型的检测头中部分卷积层的卷积核尺寸为1x1;
对所述训练后的深度学习模型的各层进行解析,获取各层卷积核数量对模型确定结果的影响因子;
根据所述影响因子和预设的剪枝优化规则,调整各层卷积核的数量和anchor的数量,以得到轻量级深度学习模型。
在一个实施例中,可选的,获取目标输电线路通道监测场景的当前环境监测数据,包括:
通过摄像装置获取目标输电线路通道监测场景的当前环境监测图像。
在一个实施例中,可选的,通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据,包括:
从所述当前环境监测数据中提取出目标特征向量;
将所述目标特征向量输入至所述轻量级深度学习模型,以计算所述目标特征向量和预设安全隐患特征向量之间的相似度;
当相似度大于预设相似度时,确定所述当前环境监测数据中存在安全隐患监测数据。
第二方面,本申请实施例提供了一种输电线路的安全隐患监测装置,包括:
获取模块,用于获取目标输电线路通道监测场景的当前环境监测数据;
确定模块,用于通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;
第一处理模块,用于响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;
第二处理模块,用于响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。
第三方面,提供了一种输电线路的安全隐患监测系统,包括:
终端设备,用于执行如第一方面实施例中任一项所述的方法;
数据采集设备,用于采集目标输电线路通道监测场景的当前环境监测数据;
其中,所述终端设备和所述数据采集设备之间的连接方式包括以下至少一项:有线连接、无线连接和微功率连接。
第四方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述输电线路的安全隐患监测方法的步骤。
第五方面,提供了一种计算机可读存储介质,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上述输电线路的安全隐患监测方法的步骤。
以上输电线路的安全隐患监测方法、装置、系统、设备及介质所实现的方案中,获取目标输电线路通道监测场景的当前环境监测数据;通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。在本发明中,通过轻量级深度学习模型,对输电线路中的安全隐患进行识别,在识别到安全隐患监测数据时,及时回传至监控平台,由于采用的是轻量级深度学习模型,降低了模型复杂度,这样,在保证识别精度的前提下,可以进一步提高处理速度。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,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它的附图。
图1示出了根据本申请的一个实施例的输电线路的安全隐患监测方法的示意流程图。
图2示出了根据本申请的一个实施例的输电线路的安全隐患监测方法中步骤S102的示意流程图。
图3示出了根据本申请的一个实施例的不同程度的量化对模型预测性能的影响示意图。
图4示出了根据本申请的一个实施例的输电线路的安全隐患监测装置的框图。
图5示出了根据本申请的一个实施例的剪枝后网络结构聚类效果图。
图6示出了根据本申请的一个实施例的计算机设备的一结构示意图。
图7示出了根据本申请的一个实施例的计算机设备的另一结构示意图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1示出了根据本申请的一个实施例的输电线路的安全隐患监测方法的示意流程图。该输电线路的安全隐患监测方法用于解决相关技术中需要耗费大量财力和人力进行输电线路安全隐患监测等技术问题。
如图1所示,根据本申请的一个实施例输电线路的安全隐患监测方法,流程包括:
步骤S101,获取目标输电线路通道监测场景的当前环境监测数据;
环境监测数据可以是图像监测数据、视频监测数据、导线测温数据、微气象监测数据、杆塔倾斜监测数据、覆冰监测数据和风偏舞动数据等。
具体地,可以通过摄像等装置获取当前环境监测图像。可以通过导线测温传感器获取导线测温数据,通过微气象监测传感器获取微气象监测数据,通过杆塔倾斜监测传感器获取杆塔倾斜监测数据,通过覆冰监测传感器获取覆冰监测数据,通过风向传感器监测风偏舞动数据。
通过各装置和传感器获取到当前环境监测数据后,可以将获取的当前环境监测数据传输至输电线路融合型智慧终端,通过输电线路融合型智慧终端进行安全隐患监测数据的识别。其中,各设备和传感器与输电线路融合型智慧终端之间的连接方式包括有线连接、微功率无线连接和WIFI连接等。
其中,目标输电线路通道监测场景可以是输电线路中有施工机械车辆的路段,由于施工机械车辆可能会对输电线路造成外力破坏,因此针对施工机械车辆路段进行重点监控,从而降低所关注地段的线路运行概况,提高运行效率,保证线路安全。
步骤S102,通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;
在一个实施例中,可选的,所述轻量级深度学习模型包括依次设置的第一卷积层、第一激活层、第二卷积层、和第二激活层,其中,所述第一卷积层中合并有第一BN层和第一scale层,所述第二卷积层中合并有第二BN层和第二scale层。
该轻量级算法推理过程中,前向传播路径为3x3卷积层->Batch层->scale层->ReLU激活层1x1卷积层->Batch层->scale层->ReLU激活层。其中Batch层和scale层的作用主要是在训练阶段加速模型收敛。Batch层和scale层虽然在深度学习模型训练时起到了一定的积极作用,但是在预测时因为凭空多了一些层,影响了整体的计算速度并占用了更多内存或者显存空间,本发明中进一步将Batch层和scale层合并到相邻的卷积层,减少前向传播的计算量。
具体合并过程如下:
记卷积权重:W,卷积偏置:B,卷积层运算:
W×X+B
BN层中均值:μ,方差:σ,缩放因子:γ,偏移:β,一个较小数(防止分母为0):θ
BN层和卷积层合并后:
Wmerged=W×α
Bmerged=B×α+(β-μ×α)
合并后,基本模块层数由8层减为4层。
深度神经网络是由很多层的卷积堆叠而成,不同位置其卷积核的影响因子及所需要的卷积核数量不尽相同。但是在最初的神经网络设计时无法准确预估此类信息,因此,参数冗余是神经网络设计初期不可避免的问题。对于面向终端应用的神经网络算法开发,训练后期,需要对冗余参数进行修剪。
具体地,可以采用以下方式对神经网络进行剪枝。
在一个实施例中,可选的,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型;
在该实施例中,可以采用历史环境监测数据,如历史环境监测图像,和图像中标注的安全隐患标签,对预设的深度学习模型进行训练,从而得到训练后的深度学习模型。在一个具体实施例中,环境监测数据可以是输电线路中具体施工机械车辆的通道的环境监测数据。例如,针对施工机械车辆的通道采集到图像,对图像进行识别,如果识别出车辆距离输电线路的距离小于预设距离,则说明车辆会接触或者破坏输电通道,存在安全隐患。
确定所述训练后的深度学习模型的权重参数,以及各权重参数对于模型误差的影响值;
根据所述影响值对权重参数进行降序排序;
根据降序排序结果,删除影响值小于预设阈值的目标权重参数,以得到轻量级深度学习模型。
在该实施例中,可以对整个神经网络各层进行无差别剪枝。例如,根据权重参数对误差影响的大小,对权重进行排序,并根据设定的阈值删除影响小的权重。
在一个实施例中,可选的,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型,其中,所述预设的深度学习模型的检测头中部分卷积层的卷积核尺寸为1x1;
在detection head中,大量存在3x3的卷积,综合考虑了检测效果、算力消耗以及任务复杂度,通过大量试验,可以将detection head中的部分3x3的卷积替换为1x1的卷积,基本卷积单元的参数量将为原来的1/9,进一步地,将部分卷积结构移除,在保证效果损失可控的前提下,给出一个轻量化detection head的设计结构。
对所述训练后的深度学习模型的各层进行解析,获取各层卷积核数量对模型确定结果的影响因子;
根据所述影响因子和预设的剪枝优化规则,调整各层卷积核的数量和anchor的数量,以得到轻量级深度学习模型。
在该实施例中,获取各层卷积核数量对算法性能的影响因子,对算法性能影响较大的层进行多维度剪枝优化。例如,对每个卷积层分别进行卷积核数量减半的操作,观察网络预测结果准确率的损失程度以及网络推理耗时的变化。如表1所示,backbone部分随着卷积层所在深度的增加,其对检测性能影响越大,各层推理效率影响因子接近。Detectionhead部分,其对检测性能影响最弱,但是对推理效率影响最大。
为了进一步提升推理效率,可以对detection head进行多维度压缩。对卷积核的数量进行调整,将各层的卷积核数量从最初的几百个调整到数十个,性能依然没有受到明显影响。最后,对detection head的anchor数量进行了压缩,在保证性能不受影响的情况下,删减了冗余的anchor,如表2所示。
表1
表2
步骤S103,响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;
安全隐患监测数据为存在安全隐患的监测数据,例如,施工机械车辆距离输电线路距离过近的监测数据,即施工机械车辆有触碰输电线路的隐患。
步骤S104,响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。
在该实施例中,为保证线路正常运行、检修及发生外破时处理的可靠,为响应确保重点线路地段无外破发生的要求,使用针对施工机械车辆的智能识别终端确保线路运行安全,通过智能识别终端定时抓拍当前通道照片,并进行AI智能分析,若识别到施工机械车辆等可能发生外破隐患的隐患图片就立即回传至监控平台,若未识别到相应隐患图片,则定时回传现场线路状况至平台,降低发生外力破坏的概率。
如图2所示,在一个实施例中,可选的,步骤S102包括:
步骤S201,从所述当前环境监测数据中提取出目标特征向量;
步骤S202,将所述目标特征向量输入至所述轻量级深度学习模型,以计算所述目标特征向量和预设安全隐患特征向量之间的相似度;
预设安全隐患特征向量可以是事先从预设安全隐患数据中提取出来的。预设安全隐患数据可以是用户预设的,也可以是经过模型识别挑选出来的。
步骤S203,当相似度大于预设相似度时,确定所述当前环境监测数据中存在安全隐患监测数据。
具体地,可以通过现有多种相似度计算方法计算两个向量之间的相似度,如余弦相似度等,在此不做具体限制。
基于服务器训练的模型其参数格式是float类型,可表达高精度数值,但是对于神经网络来来说,模型预测性能的高低与参数数值的精度并不是线性关系,而是呈sigmoid曲线关系,在实际部署中,当参数精度达到一定程度后,再继续增加参数的精度并不会带来预测性能的明显提升,但是内存、带宽、算力的消耗却明显增加。
为了能够估计出参数精度与预测性能的曲线关系,本发明按照精度损失大小分别试验了12bit、8bit、5bit、3bit、1bit定点量化。
如图3所示,图中曲线大致给出了不同程度的量化对模型预测性能的影响。相比于float模型,量化都造成预测性能的损失,但是8bit量化和12bit量化造成的损失在2%以内。
为了能够进一步压缩模型大小,试验了组合量化方式。对于参数量较大的层,分别试验1bit、3bit、5bit量化。定点量化可表示的数值范围相对来说十分有限,不可避免得造成模型性能的损失,在模型大小不变的情况下,采用动态的定点表示法可适当减小模型性能。最终的量化策略如表3所示,模型性能损失控制在了1%以内。
表3
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4示出了根据本申请的一个实施例的输电线路的安全隐患监测装置的框图。
如图4所示,第二方面,本申请实施例提供了一种输电线路的安全隐患监测装置40,包括:
获取模块41,用于获取目标输电线路通道监测场景的当前环境监测数据;
确定模块42,用于通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;
第一处理模块43,用于响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;
第二处理模块44,用于响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。
在一个实施例中,可选的,所述轻量级深度学习模型包括依次设置的第一卷积层、第一激活层、第二卷积层、和第二激活层,其中,所述第一卷积层中合并有第一BN层和第一scale层,所述第二卷积层中合并有第二BN层和第二scale层。
在一个实施例中,可选的,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型;
确定所述训练后的深度学习模型的权重参数,以及各权重参数对于模型误差的影响值;
根据所述影响值对权重参数进行降序排序;
根据降序排序结果,删除影响值小于预设阈值的目标权重参数,以得到轻量级深度学习模型。
在一个实施例中,可选的,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型,其中,所述预设的深度学习模型的检测头中部分卷积层的卷积核尺寸为1x1;
对所述训练后的深度学习模型的各层进行解析,获取各层卷积核数量对模型确定结果的影响因子;
根据所述影响因子和预设的剪枝优化规则,调整各层卷积核的数量和anchor的数量,以得到轻量级深度学习模型。
在一个实施例中,可选的,获取模块用于:
通过摄像装置获取目标输电线路通道监测场景的当前环境监测图像。
在一个实施例中,可选的,确定模块包括:
提取单元,用于从所述当前环境监测数据中提取出目标特征向量;
计算单元,用于将所述目标特征向量输入至所述轻量级深度学习模型,以计算所述目标特征向量和预设安全隐患特征向量之间的相似度;
确定单元,用于当相似度大于预设相似度时,确定所述当前环境监测数据中存在安全隐患监测数据。
第三方面,提供了一种输电线路的安全隐患监测系统,包括:
终端设备,用于执行如第一方面实施例中任一项所述的方法;
数据采集设备,用于采集目标输电线路通道监测场景的当前环境监测数据;
其中,所述终端设备和所述数据采集设备之间的连接方式包括以下至少一项:有线连接、无线连接和微功率连接。
在该实施例中,可以通过4G/5G等通信方式,支持不同的通信规约,如I1规约、B接口规约、MQTT规约等,使终端接入通道可视化、统一视频、物联管理平台等。同时,终端支持5G的eMBB切片设置,以及可与基于CDN的5G MEC边缘云通信,实现超高清视频和信息的安全传输。智慧终端采用DC18V30W太阳能电池板进行充电,经过电源转化电路后提供给主控单元。设备采用磷酸铁锂电池+超级电容的储能方案,一方面是由于磷酸铁锂电池的大容量长寿命能够为设备提供长时间工作储能,另一方面超级电容具有充电时间快、寿命长的优点;通过设计,超级电容能够在1小时内充满,并且在白天充满的状态下能够为设备提供电能补充,充满的超级电容能够保证设备在正常工作状态下维持20小时以上的工作时间,也就是说正常情况下是不需要电池供电的。超级电容充满以后,多余的太阳能将补给给磷酸铁锂电池。为了给磷酸铁锂电池提供较优的充电方案,我们选用了专用的充电管理芯片,磷酸铁锂电池的充电设计为先恒流,再恒压的充电方式,所以充电效率高,而且能够一定程度上保证电池的寿命。超级电容采用恒压充电方式。设备放电过程采用电压比较的方式控制超级电容和磷酸铁锂电池的放电。当超级电容电压高于磷酸铁锂电池电压时,设备由超级电容供电;当超级电容电压低于磷酸铁锂电池时,设备由磷酸铁锂电池供电。
为了加速神经网络算法推理,终端芯片采用了四维输入的卷积运算单元,最大化触发运算单元的并行化。但是经过剪枝后的神经网络运算单元其输入的维度不再是固定的。为了兼顾推理效率、资源利用率和功耗,芯片采用了支持不同输入尺寸的运算单元的多核设计。
图5是剪枝后,网络结构按运算单元进行聚类的效果。cluster0与cluster1表示网络结构中3x3的卷积运算被分配到3x3x64x64输入和3x3x256x256输入的运算单元的划分情况;cluster2与cluster3表示网络结构中1x1的卷积运算被分配到1x1x64x64输入与1x1x256x256输入的运算单元的划分情况。可以看到:
(1)各个运算单元的负载相对均衡;
(2)每个运算单元的输入维度分布相对集中;
因此,在推理中,运算资源利用率较高。
针对所设计的面向输电线路通道状态检测的轻量化深度学习算法以及所采用的自主可控低功耗人工智能芯片的硬件设计特点,对软件算法的基本运算单元进行聚类分析,然后把算子有针对性的分配到芯片的硬件运算部件中,提升硬件运算部件的利用率,使算子利用率达到80%以上,充分利用芯片硬件加速资源,进而提升算法的执行效率。
关于输电线路的安全隐患监测装置的具体限定可以参见上文中对于输电线路的安全隐患监测方法的限定,在此不再赘述。上述输电线路的安全隐患监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路的安全隐患监测方法服务端侧的功能或步骤。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是客户端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路的安全隐患监测方法客户端侧的功能或步骤。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器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 Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的计算机设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现第一方面实施例所述的方法。
需要说明的是,上述关于计算机可读存储介质或电子设备所能实现的功能或步骤,可对应参阅前述方法实施例中的相关描述,为避免重复,这里不再一一描述。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二等来描述设置单元,但这些设置单元不应限于这些术语。这些术语仅用来将设置单元彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一设置单元也可以被称为第二设置单元,类似地,第二设置单元也可以被称为第一设置单元。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输电线路的安全隐患监测方法,其特征在于,包括:
获取目标输电线路通道监测场景的当前环境监测数据;
通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;
响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;
响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。
2.根据权利要求1所述的方法,其特征在于,所述轻量级深度学习模型包括依次设置的第一卷积层、第一激活层、第二卷积层、和第二激活层,其中,所述第一卷积层中合并有第一BN层和第一scale层,所述第二卷积层中合并有第二BN层和第二scale层。
3.根据权利要求1所述的方法,其特征在于,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型;
确定所述训练后的深度学习模型的权重参数,以及各权重参数对于模型误差的影响值;
根据所述影响值对权重参数进行降序排序;
根据降序排序结果,删除影响值小于预设阈值的目标权重参数,以得到轻量级深度学习模型。
4.根据权利要求1所述的方法,其特征在于,轻量级深度学习模型的训练过程包括:
采用历史环境监测数据和标注的安全隐患标签,对预设的深度学习模型进行训练,得到训练后的深度学习模型,其中,所述预设的深度学习模型的检测头中部分卷积层的卷积核尺寸为1x1;
对所述训练后的深度学习模型的各层进行解析,获取各层卷积核数量对模型确定结果的影响因子;
根据所述影响因子和预设的剪枝优化规则,调整各层卷积核的数量和anchor的数量,以得到轻量级深度学习模型。
5.根据权利要求1所述的方法,其特征在于,获取目标输电线路通道监测场景的当前环境监测数据,包括:
通过摄像装置获取目标输电线路通道监测场景的当前环境监测图像。
6.根据权利要求1所述的方法,其特征在于,通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据,包括:
从所述当前环境监测数据中提取出目标特征向量;
将所述目标特征向量输入至所述轻量级深度学习模型,以计算所述目标特征向量和预设安全隐患特征向量之间的相似度;
当相似度大于预设相似度时,确定所述当前环境监测数据中存在安全隐患监测数据。
7.一种输电线路的安全隐患监测装置,其特征在于,包括:
获取模块,用于获取目标输电线路通道监测场景的当前环境监测数据;
确定模块,用于通过预训练的轻量级深度学习模型对所述当前环境监测数据进行识别,确定当前环境监测数据中是否存在安全隐患监测数据;
第一处理模块,用于响应于存在安全隐患监测数据,回传所述安全隐患监测数据至监控平台;
第二处理模块,用于响应于不存在安全隐患监测数据,按照预设时间间隔回传环境监测数据至所述监控平台。
8.一种输电线路的安全隐患监测系统,其特征在于,包括:
终端设备,用于执行如权利要求1至6中任一项所述的方法;
数据采集设备,用于采集目标输电线路通道监测场景的当前环境监测数据;
其中,所述终端设备和所述数据采集设备之间的连接方式包括以下至少一项:有线连接、无线连接和微功率连接。
9.一种计算机设备,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311419281.XA CN117668631A (zh) | 2023-10-30 | 2023-10-30 | 输电线路的安全隐患监测方法、装置、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311419281.XA CN117668631A (zh) | 2023-10-30 | 2023-10-30 | 输电线路的安全隐患监测方法、装置、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668631A true CN117668631A (zh) | 2024-03-08 |
Family
ID=90074223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311419281.XA Pending CN117668631A (zh) | 2023-10-30 | 2023-10-30 | 输电线路的安全隐患监测方法、装置、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668631A (zh) |
-
2023
- 2023-10-30 CN CN202311419281.XA patent/CN117668631A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102399602B1 (ko) | 배터리 상태 추정 방법 및 장치 | |
US9841463B2 (en) | Method and system for predicting energy consumption of a vehicle using a statistical model | |
Du et al. | Power load forecasting using BiLSTM-attention | |
CN111626519A (zh) | 一种航班到达时间预测方法、装置和电子设备 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
CN110794308B (zh) | 列车电池容量预测方法及装置 | |
CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
CN113328908A (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN117668631A (zh) | 输电线路的安全隐患监测方法、装置、系统、设备及介质 | |
CN115542934A (zh) | 一种无人驾驶航空器的智能续航管理方法、系统和介质 | |
CN115499315A (zh) | Ota升级任务的执行方法、装置和电子设备 | |
CN114066079B (zh) | 一种基于多租户的网约车供需差预测方法及装置 | |
CN113447037B (zh) | 行程偏航检测方法及装置 | |
US20220207357A1 (en) | Method of short-term load forecasting via active deep multi-task learning, and an apparatus for the same | |
CN114839554A (zh) | 一种电池告警方法、装置、电子设备及存储介质 | |
CN110782126B (zh) | 一种电动汽车用直流充电桩运行可靠性评估方法 | |
CN113920720A (zh) | 高速公路隧道设备故障处理方法、装置及电子设备 | |
CN114359602A (zh) | 产品缺陷的检测方法及装置、存储介质、电子设备 | |
CN111178630A (zh) | 一种负荷预测方法及装置 | |
CN113823011B (zh) | 巡逻机器人的算力分配方法及相关设备 | |
CN116883764B (zh) | 一种电池系统故障识别方法及装置 | |
CN112036622B (zh) | 一种基于图谱分析确定配电终端运行状态的方法及系统 | |
CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN111506510B (zh) | 一种软件质量确定方法和相关装置 | |
CN115206078A (zh) | 基于云数据分析的铁路锚固检测及预警方法、系统及设备 |
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 |