CN117710832A - 一种电网卫星、无人机、视频监控图像智能识别方法 - Google Patents

Abstract

本申请提供一种电网卫星、无人机、视频监控图像智能识别方法，包括：整合已分析的监控数据，通过比对历史数据进行标记违规行为或异常状态，以提高对潜在违规行为的预警能力；对各行为进行打分和分类，以区分正常行为与违规行为，同时降低环境干扰或人为干扰及误报率；构建行为分类模型，行为分类模型用于从多角度和多层次理解电网监控场景中的事件和行为；根据更新的数据和监控结果优化行为分类模型的自身结构和分类标准，以适应电网运维活动及环境的变化；将识别和分类结果通过人机交互界面反馈于操作人员，生成监控报告和数据分析报告。

Description

一种电网卫星、无人机、视频监控图像智能识别方法

技术领域

本发明涉及信息技术领域，尤其涉及一种电网卫星、无人机、视频监控图像智能识别方法。

背景技术

在电力电网监控领域，卫星、无人机、视频监控设备都是重要的视频信息来源。它们各自在一定场合下发挥着其无可替代的作用，然而在实际应用中也存在各自的局限性和挑战。智能图像识别技术的主要是从这些多源视频信息中准确的识别出违规行为，如电网开垦、盗窃等，并将它们与正常的维护和周边活动区分开来。卫星拍摄的视频具有覆盖面广和时效性较好的特点，尤其适用于大范围的电网监控，但其分辨率相比无人机和地面视频监控较低，难以捕捉到地面细节和小规模的违章行为。无人机则拥有较高的灵活性和中等范围的清晰度，适合于对特定区域进行重点监控。它可以近距离捕捉到细节信息，但航时和受天气影响较大，不适合长时间持续监控。视频监控设备通常被安装在电网关键区域，能够提供实时的、高清晰度的画面。然而，其监控范围有限，且易受周边环境干扰，无法实现对广阔区域的全面监控。为了应对复杂的多源信息环境，需要智能图像识别技术高效地结合和分析来自这三种不同源头的数据。在技术层面，识别算法需要具备高度的准确性和强大的分析能力，以区分正常活动与违规行为。这就要求算法能识别和学习各种违规行为的特征，剔除误报，并在众多干扰信息中正确地锁定目标。在多源视频信息处理时，合理的取舍择优策略非常关键。比如对于开垦活动的实时监控，无人机提供的高清视频可能比卫星更有价值；而对于长期趋势的分析，则需要综合卫星的大范围覆盖能力。视频监控设备的数据则更适合用来监控和审查特定重点区域的细节。如何能够集合多源信息，实现自动的筛选、分类、分析与报警，从而提升电网监控的精确度和反应速度，确保电网的安全稳定运行。

发明内容

本发明提供了一种电网卫星、无人机、视频监控图像智能识别方法，主要包括：

获取电网监控视频流数据，训练生成图像识别模型，图像识别模型用于识别电网监控视频中的目标特征，以确保准确捕捉电网监控中的目标对象；通过持续获取并分析视频监控数据，调整图像识别模型的参数，以提升图像识别模型对复杂天气条件和光线变化的响应能力；获取并将卫星、无人机和固定视频监控设备的数据整合到同一框架中，并针对不同数据源的特点，确定数据采样频率和分析粒度，以提升监控数据的综合利用效率；根据电网监控的实际需求，设计优先级策略，优先级策略包括设置处理不同区域监控数据的优先级和依据各监控场景设定对应的告警级别，以辅助决策者快速响应潜在安全威胁；整合已分析的监控数据，通过比对历史数据进行标记违规行为或异常状态，以提高对潜在违规行为的预警能力；对各行为进行打分和分类，以区分正常行为与违规行为，同时降低环境干扰或人为干扰及误报率；构建行为分类模型，行为分类模型用于从多角度和多层次理解电网监控场景中的事件和行为；根据更新的数据和监控结果优化行为分类模型的自身结构和分类标准，以适应电网运维活动及环境的变化；将识别和分类结果通过人机交互界面反馈于操作人员，生成监控报告和数据分析报告。

进一步可选的，所述获取电网监控视频流数据，训练生成图像识别模型，图像识别模型用于识别电网监控视频中的目标特征，以确保准确捕捉电网监控中的目标对象，包括：

获取高分辨率包含目标对象的电网监控视频流数据，作为第一视频流数据集；对第一视频流数据集进行数据预处理，包括图像裁剪、大小调整、灰度化或归一化操作；将第一视频流数据集作为图像识别模型的输入，利用TensorFlow深度学习框架训练生成图像识别模型；通过OpenCV库将训练好的图像识别模型部署到电网监控系统中；利用训练好的图像识别模型对电网监控视频进行分析和目标对象的捕捉，识别出其中的目标特征。

进一步可选的，所述通过持续获取并分析视频监控数据，调整图像识别模型的参数，以提升图像识别模型对复杂天气条件和光线变化的响应能力，包括：

获取各种天气条件和光线变化的视频监控流，并作为第二视频流数据集；对第二视频流数据集进行预处理；使用第二视频流数据集进行图像识别模型的模型训练，并调整模型的参数；图像识别模型增加输出层或修改损失函数；将优化后的图像识别模型应用于实时视频流，进行实时监测和识别；通过持续获取和分析视频监控数据，实时判断和识别复杂天气条件和光线变化下的事件和相关属性；根据实时监测和识别结果，对图像识别模型迭代优化，以提升图像识别模型对复杂天气条件和光线变化的响应能力，以及事件属性的识别准确性。

进一步可选的，所述获取并将卫星、无人机和固定视频监控设备的数据整合到同一框架中，并针对不同数据源的特点，确定数据采样频率和分析粒度，以提升监控数据的综合利用效率，包括：

获取卫星、无人机和固定视频监控设备的数据；对卫星采集的数据中的噪声和畸变进行去噪处理，同时进行图像的对齐和裁剪；对固定视频监控设备采集的视频流数据进行实时解码和帧率分析；设计一个数据整合框架，以整合卫星、无人机和固定视频监控设备的数据，包括：使用NTP协议保持多源数据时间上的一致性；根据卫星、无人机和固定视频监控设备的不同数据源特点，分别确定对应设备的数据格式、数据传输方式和数据量以及数据采样频率和数据分析的粒度。

进一步可选的，所述根据电网监控的实际需求，设计优先级策略，优先级策略包括设置处理不同区域监控数据的优先级和依据各监控场景设定对应的告警级别，以辅助决策者快速响应潜在安全威胁，包括：

通过分析电网的拓扑结构和关键设备的分布情况，将不同区域划分为关键基础设施和普通基础设施，并设置对应的优先级；根据监控场景的重要性和对电网安全的影响程度，确定监控数据的权重；依据监控数据的权重设定相应的告警级别；通过设定的告警级别，对接收到的监控数据进行实时分析，识别出潜在的告警信息，并为不同的安全威胁设定相应的告警等级；获取告警信息后，传递给决策支持人员进行排除潜在安全威胁。

进一步可选的，所述整合已分析的监控数据，通过比对历史数据进行标记违规行为或异常状态，以提高对潜在违规行为的预警能力，包括：

提取监控数据中的待匹配信息，待匹配信息至少包括时间戳信息、设备信息、位置信息、监控数据来源和监控数据类型中的一种或多种；将监控数据中的待匹配信息与预设的阈值进行比对，得到匹配结果；通过监控数据与历史数据进行比对和分析，判断并标记监控数据是否偏离正常范围；整合匹配结果和异常状态检测结果，判断是否存在潜在违规行为或异常状态；对潜在违规行为或异常状态进行标记，确定标记结果；根据潜在违规行为或异常状态的严重程度进行判定预警级别；依据判定结果进行确定处理结果；根据处理结果，进行报警或警告或记录的处理措施，以提高对潜在违规行为的预警能力。

进一步可选的，所述对各行为进行打分和分类，以区分正常行为与违规行为，同时降低环境干扰或人为干扰及误报率，包括：

提取各行为相应的行为特征，行为特征包括操作类型和操作频率；通过高斯函数对各操作类型和操作频率赋予模糊值；依据以下公式对各行为进行打分：S＝a1*A+a2*B；S为行为的分数，a1为操作类型的权重值，A为操作类型的模糊值，a2为操作频率的权重值，B为操作频率的模糊值；依据各行为的打分结果，运用K-means聚类算法将各行为聚集成维护行为，日常活动，违规行为类别；通过设定的聚类中心和欧氏距离度量，找出对应的行为类型。

进一步可选的，所述构建行为分类模型，行为分类模型用于从多角度和多层次理解电网监控场景中的事件和行为，包括：

获取电网监控场景中的事件信息和行为信息，将电网监控场景中的事件信息和行为信息作为行为分类模型的输入，包括：使用K均值聚类提取事件及行为空间相关的特征；使用滑动窗口方法提取事件和行为时间的特征；使用物联网获取电网中的电力设备、传感器、线路的参数信息和状态信息，并将参数信息和状态信息作为参数特征；通过分析历史数据，确定事件和行为对电网的影响程度、紧急程度、危害程度的动态相关特征；使用最小生成树方法分析事件和行为之间的关系，得到关系特征；将事件及行为空间相关的特征、事件和行为时间的特征、参数特征、动态相关特征和关系特征作为行为分类模型的输入；基于卷积神经网络架构进行构建行为分类模型。

进一步可选的，所述根据更新的数据和监控结果优化行为分类模型的自身结构和分类标准，以适应电网运维活动及环境的变化，包括：

获取电网运维过程中产生的原始数据，通过环境监测设备获取运营环境变化信息，以确保数据的时效性与完整性；对原始数据进行预处理；将预处理后的数据用于更新行为分类模型，提升行为分类模型准确度，并对行为分类模型进行实时训练；对行为分类模型的输出结果进行评估，确定监控结果与实际电网状况的吻合度；对行为分类模型在实际电网运维中的表现进行评价，获得模型效能的定量指标；根据定量指标与预设标准进行比较，优化行为分类模型结构，以增进分类模型结构的泛化能力；优化行为分类模型结构包括：调整行为分类模型的神经网络层数或连接权重；整合更新结果和监测结果循环优化行为分类模型。

进一步可选的，所述将识别和分类结果通过人机交互界面反馈于操作人员，生成监控报告和数据分析报告，包括：

运用行为分类模型对获取的监控数据进行行为识别和分类；通过电网监控系统的人机交互界面，获取操作人员的分析需求；对行为识别和分类结果进行图形化处理，得到监控报告；根据监控报告的内容，部署决策树模型对数据进行分析，得到关于潜在问题和趋势预测的数据分析报告，以增加决策层面的前瞻性；基于操作人员的分析需求，利用贪婪算法对得到的数据分析结果进行解读，生成行动建议，以辅助操作人员应对紧急情况；获取操作人员对行动建议的执行反馈，并将执行反馈数据编码为单输入项输入电网监控系统；判断是否接受一个以上操作人员的执行反馈，若判断为接收到一个以上操作人员的执行反馈时，运用多模态融合网络整合执行反馈后编码为多输入项输入电网监控系统；电网监控系统依据单输入项和多输入项进行优化行为分类模型，以提高行为分类模型的准确性和性能。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明公开了一种电网卫星、无人机、视频监控图像智能识别方法。通过持续获取并分析视频监控数据，调整图像识别模型的参数，可以提升图像识别模型对复杂天气条件和光线变化的响应能力。根据不同数据源的特点确定数据采样频率和分析粒度，以提升监控数据的综合利用效率。根据电网监控的实际需求设计的优先级策略可以辅助决策者快速响应潜在安全威胁。标记违规行为和异常状态可以提高对潜在违规行为的预警能力。对各行为进行打分可以区分正常行为与违规行为，还可以降低环境干扰或人为干扰。本发明能够集合多源信息，实现自动的筛选、分类、分析与报警，能够提供准确、高效的图像识别和行为分类，以实现对电网监控的精确监控和预警。

附图说明

图1为本发明的一种电网卫星、无人机、视频监控图像智能识别方法的流程图。

图2为本发明的一种电网卫星、无人机、视频监控图像智能识别方法的示意图。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本实施例一种电网卫星、无人机、视频监控图像智能识别方法具体可以包括：

步骤S101，获取电网监控视频流数据，训练生成图像识别模型，图像识别模型用于识别电网监控视频中的目标特征，以确保准确捕捉电网监控中的目标对象。

获取高分辨率包含目标对象的电网监控视频流数据，作为第一视频流数据集。对第一视频流数据集进行数据预处理，包括图像裁剪、大小调整、灰度化或归一化操作。将第一视频流数据集作为图像识别模型的输入，利用TensorFlow深度学习框架训练生成图像识别模型。通过OpenCV库将训练好的图像识别模型部署到电网监控系统中。利用训练好的图像识别模型对电网监控视频进行分析和目标对象的捕捉，识别出其中的目标特征。

例如，有一个高分辨率的电网监控视频流，分辨率为1920x1080像素，其中包含电线杆、电线和变压器等目标对象。可以使用TensorFlow深度学习框架来训练一个图像识别模型，以自动识别和捕捉这些目标对象。需要对视频流数据集进行预处理。可以将视频流中的每一帧进行图像裁剪，以仅保留包含目标对象的区域，或者调整图像大小以适应的模型输入要求。还可以将图像转换为灰度图像，以减少输入数据的维度，并简化模型训练过程。可以对图像进行归一化操作，以确保输入数据具有相似的数值范围。完成了图像识别模型的训练后，可以使用OpenCV库将其部署到电网监控系统中。可以编写一个Python脚本，使用OpenCV库来读取电网监控视频流，然后使用训练好的图像识别模型对每一帧进行分析和目标对象的识别。通过图像识别对电网监控视频流的识别结果，可以计算出电线杆、电线和变压器在视频中的出现频率或密度等关键特征。若在一小时的监控视频中，共识别出100个电线杆、200条电线和50个变压器。根据这些识别结果，可以计算出电线杆的平均密度为100个/小时，电线的平均密度为200条/小时，变压器的平均密度为50个/小时。

步骤S102，通过持续获取并分析视频监控数据，调整图像识别模型的参数，以提升图像识别模型对复杂天气条件和光线变化的响应能力。

获取各种天气条件和光线变化的视频监控流，并作为第二视频流数据集。对第二视频流数据集进行预处理。使用第二视频流数据集进行图像识别模型的模型训练，并调整模型的参数。图像识别模型增加输出层或修改损失函数。将优化后的图像识别模型应用于实时视频流，进行实时监测和识别。通过持续获取和分析视频监控数据，实时判断和识别复杂天气条件和光线变化下的事件和相关属性。根据实时监测和识别结果，对图像识别模型迭代优化，以提升图像识别模型对复杂天气条件和光线变化的响应能力，以及事件属性的识别准确性。

例如，通过电网监控系统获取各种天气条件和光线变化下的不同场景的视频流数据，使用这些视频流数据来构建第二视频流数据集。收集晴天、阴天和雨天等不同天气条件下的监控视频，还可以包括早晨、中午和傍晚等不同时间段的光线变化。可以通过直方图均衡化技术来提高图像质量。一个监控设备拍摄了一张图像，其像素值的分布如下：[10,15,20,25,30,35,40,45,50]。通过直方图均衡化，可以将像素值分布调整为均匀分布，得到结果为[1,2,3,4,5,6,7,8,9]。直方图均衡化可以增强图像的对比度，使得图像中的细节更加清晰。可以应用一个3x3的高斯滤波器，通过对每个像素周围的像素进行加权平均来模糊图像，并减少图像中的噪声，平滑图像并降低噪声的影响。使用反向传播算法来更新模型的权重和偏置，以提高识别准确度。对于人物行为预测，可以在图像识别模型的基础上设置一个多类别分类器，输出不同的行为类别。图像识别模型用于监测交通情况，可以根据实时监测和识别结果，统计每分钟通过某个交通路口的车辆数量，并分析各种天气条件和光线变化对交通流量的影响。通过持续分析视频监控数据，可以对图像识别模型进行迭代优化，以提升其对复杂天气条件和光线变化的响应能力，以及特定事件属性的识别准确性。图像识别模型判断一个人行道上的行人行为，可以在实时视频流中识别到每分钟通过人行道的行人数量，并分析各种天气条件和光线变化对行人行为的影响。通过持续分析视频监控数据，可以优化图像识别模型，以提升其对不同天气条件和光线变化下行人行为的识别准确性。

步骤S103，获取并将卫星、无人机和固定视频监控设备的数据整合到同一框架中，并针对不同数据源的特点，确定数据采样频率和分析粒度，以提升监控数据的综合利用效率。

获取卫星、无人机和固定视频监控设备的数据。对卫星采集的数据中的噪声和畸变进行去噪处理，同时进行图像的对齐和裁剪。对固定视频监控设备采集的视频流数据进行实时解码和帧率分析。设计一个数据整合框架，以整合卫星、无人机和固定视频监控设备的数据，包括：使用NTP协议保持多源数据时间上的一致性；根据卫星、无人机和固定视频监控设备的不同数据源特点，分别确定对应设备的数据格式、数据传输方式和数据量以及数据采样频率和数据分析的粒度。

例如，根据卫星数据源的特点，可以采用多光谱遥感影像数据格式，通过卫星通信技术进行数据传输。数据量可能会非常庞大，每个影像文件大小可能达到几十GB。针对无人机数据源，可以采用视频流数据格式，如MP4，通过无线网络传输。数据量相对较小，每秒传输的视频数据量可能在几百KB到几MB之间。对于固定视频监控设备，可以采用标准视频格式，如H.264，通过有线网络传输。同时使用一个视频解码器，并成功将视频流数据解码为每秒30帧的图像序列。还可以对帧率进行分析，如计算平均帧率、最大帧率和最小帧率等。数据量取决于视频质量和帧率，每分钟的视频数据量可能在几百MB到几GB之间。针对不同数据源的特点，可以根据监控需求来设置数据采样频率。卫星数据源可以根据目标区域的变化情况来设置每天、每周或每月获取一次数据。无人机数据可以根据任务需求设置每秒、每分钟或每小时获取一次数据。固定视频监控设备可以根据被监控区域的活动程度设置每秒、每分钟或每小时获取一次数据。数据的分析粒度也可以根据不同数据源的特点进行调整。对于卫星数据源，可以将数据分析粒度设置为每个像素点，以获取更详细的地表信息。对于无人机数据源，可以将数据分析粒度设置为每帧图像，以进行目标识别和轨迹分析。对于固定视频监控设备，可以将数据分析粒度设置为每个视频片段，以进行行为分析和异常检测。设计一个数据整合框架，可以通过建立一个中央服务器来实现不同数据源的数据整合和统一管理。使用NTP协议进行时间同步，保持各设备之间的时间误差在1毫秒以内。不同数据源的数据可以通过数据传输技术将其发送到中央服务器，并进行存储和索引。为了保证数据的安全性和隐私保护，可以采用数据加密、权限管理和身份验证等措施。可以对数据进行加密传输和存储，只有具备合法权限的用户才能访问和处理数据。对于监控数据的综合利用需求，可以不断改进和优化数据采样频率和分析粒度的方法。

步骤S104，根据电网监控的实际需求，设计优先级策略，优先级策略包括设置处理不同区域监控数据的优先级和依据各监控场景设定对应的告警级别，以辅助决策者快速响应潜在安全威胁。

通过分析电网的拓扑结构和关键设备的分布情况，将不同区域划分为关键基础设施和普通基础设施，并设置对应的优先级。根据监控场景的重要性和对电网安全的影响程度，确定监控数据的权重。依据监控数据的权重设定相应的告警级别。通过设定的告警级别，对接收到的监控数据进行实时分析，识别出潜在的告警信息，并为不同的安全威胁设定相应的告警等级。获取告警信息后，传递给决策支持人员进行排除潜在安全威胁。

例如，某电网共有4个区域，分别是A区、B区、C区和D区。通过对电网的拓扑结构和关键设备的分布情况进行分析，确定A区和B区为关键基础设施，C区和D区为普通基础设施。在A区和B区，关键设备包括变电站和重要输电线路，分别有10个和8个。C区和D区的普通基础设施包括配电站和一般输电线路，分别有5个和6个。根据关键基础设施和普通基础设施的区分，可以设置对应的优先级。若关键基础设施的优先级为1，普通基础设施的优先级为2。接下来需要确定监控数据的权重。以变电站的监控数据为例，变电站的电流数据对电网安全的影响程度较大，其权重可以设定为8。而配电站的电流数据对电网安全的影响程度较小，其权重可以设定为5。根据监控数据的权重，可以设定相应的告警级别。当变电站的电流数据超过阈值时，设定为一级告警，当配电站的电流数据超过阈值时，设定为二级告警。通过设定的告警级别，对接收到的监控数据进行实时分析。某时刻，A区的一个变电站的电流数据超过了阈值，根据之前设定的权重和告警级别，可以判断该告警信息的权重为8，告警级别为一级。根据告警级别，可以为不同的安全威胁设定相应的告警等级。若一级告警为紧急级别，二级告警为重要级别。获取告警信息后，可以传递给决策支持人员进行排除潜在安全威胁。当决策支持人员收到了一条一级告警，根据告警等级的设定，可以判断该安全威胁为紧急级别，需要立即采取行动。

步骤S105，整合已分析的监控数据，通过比对历史数据进行标记违规行为或异常状态，以提高对潜在违规行为的预警能力。

提取监控数据中的待匹配信息，待匹配信息至少包括时间戳信息、设备信息、位置信息、监控数据来源和监控数据类型中的一种或多种。将监控数据中的待匹配信息与预设的阈值进行比对，得到匹配结果。通过监控数据与历史数据进行比对和分析，判断并标记监控数据是否偏离正常范围。整合匹配结果和异常状态检测结果，判断是否存在潜在违规行为或异常状态。对潜在违规行为或异常状态进行标记，确定标记结果。根据潜在违规行为或异常状态的严重程度进行判定预警级别。依据判定结果进行确定处理结果。根据处理结果，进行报警或警告或记录的处理措施，以提高对潜在违规行为的预警能力。

例如，某个监控数据中的待匹配信息是设备信息，其中包括设备的型号、生产日期和供应商信息。预设的阈值是设备型号必须为"A001"，生产日期在2019年之后，供应商为"SupplierA"。如果监控数据中的设备型号为"A001"，生产日期为2020年1月1日，供应商为"SupplierA"，则可以判断该设备匹配成功。另外，若监控数据中的待匹配信息是位置信息，其中包括经度和纬度。预设的阈值是经度不得超过100，纬度不得低于30。如果监控数据中的经度为90，纬度为35，则可以判断该位置正常。在进行异常状态检测时，如果监控数据是某个工厂的生产产量数据，历史数据显示该工厂每天的平均产量为100个产品。如果某天的监控数据显示产量为50个产品，则可以判断该监控数据异常，偏离了正常范围。根据匹配结果和异常状态检测结果，若存在一个潜在违规行为是某个员工在工作时间内离开了工作区域。根据监控数据中的时间戳信息和位置信息，可以判断员工在工作时间内从工作区域移动到了休息区域。根据潜在违规行为的严重程度，可以划分预警级别为高。针对判定为预警级别高的潜在违规行为，可以进行相关联事件的分析和处理，如查看员工在工作时间内离开工作区域的具体原因，是否有特殊情况需要考虑。根据处理结果，可以采取报警措施，通知相关负责人进行进一步调查或采取相应的纪律处罚措施，以提高对潜在违规行为的预警能力。

步骤S106，对各行为进行打分和分类，以区分正常行为与违规行为，同时降低环境干扰或人为干扰及误报率。

提取各行为相应的行为特征，行为特征包括操作类型和操作频率。通过高斯函数对各操作类型和操作频率赋予模糊值。依据以下公式对各行为进行打分：S＝a1*A+a2*B；S为行为的分数，a1为操作类型的权重值，A为操作类型的模糊值，a2为操作频率的权重值，B为操作频率的模糊值。依据各行为的打分结果，运用K-means聚类算法将各行为聚集成维护行为，日常活动，违规行为类别。通过设定的聚类中心和欧氏距离度量，找出对应的行为类型。

例如，有一个用户的行为数据，包括操作类型和操作频率。将操作类型分为"点击"、"浏览"和"购买"三种类型，操作频率表示操作的次数。用户A的行为数据如下；操作类型，点击、浏览、购买、点击、浏览、浏览、购买；操作频率，5次、3次、2次、11次、4次、2次、3次。首先计算每种操作类型和操作频率的模糊值，可以使用高斯函数进行赋值。对于操作类型，假设"点击"类型的模糊值为8，"浏览"类型的模糊值为5，"购买"类型的模糊值为3。对于操作频率，可以假设操作次数越多，模糊值越高，如1次的模糊值为2，2次的模糊值为4，以此类推。根据以上赋值，可以计算每个行为的分数。操作类型的权重值a1为6，操作频率的权重值a2为4，则用户A的每个行为的分数可以计算如下；点击行为的分数＝6*8+4*8＝80；浏览行为的分数＝6*5+4*4＝46；购买行为的分数＝6*3+4*3＝30。接下来，可以使用K-means聚类算法将这些行为聚集成三个类别：维护行为、日常活动和违规行为。设定的聚类中心分别为8、5和3，可以根据欧氏距离度量找出对应的行为类型。根据以上计算，用户A的点击行为的分数最接近维护行为的聚类中心8，浏览行为的分数最接近日常活动的聚类中心5，购买行为的分数最接近违规行为的聚类中心3。因此，用户A的点击行为被归类为维护行为，浏览行为被归类为日常活动，购买行为被归类为违规行为。

步骤S107，构建行为分类模型，行为分类模型用于从多角度和多层次理解电网监控场景中的事件和行为。

获取电网监控场景中的事件信息和行为信息，将电网监控场景中的事件信息和行为信息作为行为分类模型的输入，包括：使用K均值聚类提取事件及行为空间相关的特征；使用滑动窗口方法提取事件和行为时间的特征；使用物联网获取电网中的电力设备、传感器、线路的参数信息和状态信息，并将参数信息和状态信息作为参数特征；通过分析历史数据，确定事件和行为对电网的影响程度、紧急程度、危害程度的动态相关特征；使用最小生成树方法分析事件和行为之间的关系，得到关系特征。将事件及行为空间相关的特征、事件和行为时间的特征、参数特征、动态相关特征和关系特征作为行为分类模型的输入。基于卷积神经网络架构进行构建行为分类模型。

例如，在电网监控场景中，可以获取以下事件信息和行为信息。事件信息，事件1，线路A发生短路；事件2，变压器B温度超过阈值；事件3，传感器C检测到异常电流行为信息；行为1，发生短路后，自动切断电流；行为2，温度超过阈值后，触发报警并调整变压器负载；行为3，检测到异常电流后，自动断开供电并通知维修人员。针对上述事件信息和行为信息，可以将其作为行为分类模型的输入，以识别和分类不同的行为类型。使用K均值聚类提取事件及行为空间相关的特征；电网监控图中节点代表设备或传感器，边代表它们之间的连接关系。可以使用K均值聚类算法将节点分成不同的群组，每个群组代表一种事件类型。如果一组节点在发生短路时同时出现异常，则可以将它们聚类为一个事件群组。电网监控数据包括事件发生的时间点。可以使用滑动窗口方法来提取以下特征；事件1在时间点t1发生，事件2在时间点t2发生。事件1和事件2之间的时间间隔为t2-t1。事件1在过去24小时内发生了5次。使用物联网获取电网中的电力设备、传感器、线路的实时参数和状态信息，并将其作为参数特征，如变压器温度、线路电流等。可以将这些参数特征提取出来，作为行为分类模型的输入。如果变压器温度超过阈值，则可以将其作为行为分类模型的参数特征。通过分析历史数据，确定事件和行为对电网的影响程度、紧急程度、危害程度的动态相关特征。历史数据记录了事件和行为对电网的影响程度、紧急程度、危害程度等信息。可以通过分析历史数据，确定这些动态相关特征，并将其作为行为分类模型的输入。如果事件1的影响程度较大，紧急程度较高，则可以将其作为行为分类模型的动态相关特征。可以使用最小生成树方法分析事件和行为之间的关系，得到关系特征。如果事件1和行为1之间存在边，则可以将其作为行为分类模型的关系特征。将上述提取的事件及行为空间相关的特征、事件和行为时间的特征、参数特征、动态相关特征和关系特征作为行为分类模型的输入，可以使用卷积神经网络进行构建行为分类模型。行为分类模型可以通过输入电网监控数据，并输出对应的行为类型。

步骤S108，根据更新的数据和监控结果优化行为分类模型的自身结构和分类标准，以适应电网运维活动及环境的变化。

获取电网运维过程中产生的原始数据，通过环境监测设备获取运营环境变化信息，以确保数据的时效性与完整性。对原始数据进行预处理。将预处理后的数据用于更新行为分类模型，提升行为分类模型准确度，并对行为分类模型进行实时训练。对行为分类模型的输出结果进行评估，确定监控结果与实际电网状况的吻合度。对行为分类模型在实际电网运维中的表现进行评价，获得模型效能的定量指标。根据定量指标与预设标准进行比较，优化行为分类模型结构，以增进分类模型结构的泛化能力。优化行为分类模型结构包括：调整行为分类模型的神经网络层数或连接权重。整合更新结果和监测结果循环优化行为分类模型。

例如，在电网运维过程中，通过环境监测设备获取到的原始数据可能包括每小时的温度、湿度和风速等环境变化信息。某次收集到的原始数据如下，温度为25℃、26℃、27℃、28℃、30℃；湿度为50％、52％、51％、55％、60％。风速为5m/s、4m/s、3m/s、6m/s、7m/s。对这些原始数据进行预处理，可以先进行去噪操作，如去除温度中的异常值。在上述数据中，30℃可能是一个异常值，因为与其他数据相比显得过高。因此，可以将其排除在预处理之外。去噪后的数据，温度为25℃、26℃、27℃、28℃；湿度为50％、52％、51％、55％；风速为5m/s、4m/s、3m/s、6m/s、7m/s。接下来，对数据进行异常值处理。在湿度数据中有一个异常值50％，可以将其替换为一个合理的值，如使用前后数据的平均值52％来代替。处理后的数据，温度为25℃、26℃、27℃、28℃；湿度为52％、52％、51％、55％；风速为5m/s、4m/s、3m/s、6m/s、7m/s。接着对数据进行标准化转化，以确保不同类型的数据具有相同的变化范围。使用z-score标准化方法将数据转化为标准正态分布。标准化后的数据如下；温度为3416、4472、4472、3416；湿度为555、555、7203、8308；风速为2236、6708、1179、6708、1179。通过行为分类模型对预处理后的数据进行分类，得到以下结果；行为1为温度下降，湿度变化不大，风速下降。行为2为温度上升，湿度下降，风速上升。行为3为温度上升，湿度下降，风速下降。行为4为温度上升，湿度上升，风速上升。对行为分类模型的输出结果进行评估，可以与实际电网状况进行比对，计算其吻合度。实际电网状况为行为1为温度下降，湿度变化不大，风速下降。行为2为温度上升，湿度下降，风速上升。行为3为温度上升，湿度下降，风速下降。行为4为温度上升，湿度下降，风速上升。可以计算出行为分类模型的准确度为75％。根据定量指标与预设标准进行比较后，发现行为分类模型的准确度不达标。为了优化行为分类模型结构，可以调整神经网络的层数或连接权重。如在行为分类模型上增加一个隐藏层或调整连接权重的值。优化后的行为分类模型可以增进模型的泛化能力，提高其在实际电网运维中的表现。

步骤S109，将识别和分类结果通过人机交互界面反馈于操作人员，生成监控报告和数据分析报告。

运用行为分类模型对获取的监控数据进行行为识别和分类。通过电网监控系统的人机交互界面，获取操作人员的分析需求。对行为识别和分类结果进行图形化处理，得到监控报告。根据监控报告的内容，部署决策树模型对数据进行分析，得到关于潜在问题和趋势预测的数据分析报告，以增加决策层面的前瞻性。基于操作人员的分析需求，利用贪婪算法对得到的数据分析结果进行解读，生成行动建议，以辅助操作人员应对紧急情况。获取操作人员对行动建议的执行反馈，并将执行反馈数据编码为单输入项输入电网监控系统。判断是否接受一个以上操作人员的执行反馈，若判断为接收到一个以上操作人员的执行反馈时，运用多模态融合网络整合执行反馈后编码为多输入项输入电网监控系统。电网监控系统依据单输入项和多输入项进行优化行为分类模型，以提高行为分类模型的准确性和性能。

例如，电网监控系统中存在一个行为分类模型，行为分类模型可以识别和分类操作人员的行为。操作人员希望了解每天的用电量峰值和谷值，以便做出相应的调整措施。通过监控数据，行为分类模型可以将每天的用电量分为峰值和谷值两类。使用图形化处理技术，可以将这些数据以柱状图的形式表示出来，让操作人员一目了然地看到每天的用电量分布情况。然后，可以部署决策树模型对数据进行分析，从中获取潜在问题和趋势预测的数据分析报告。利用决策树模型可以发现某一天的用电量异常高，可能存在电网故障或其他问题。同时，模型也可以预测未来几天的用电趋势，帮助操作人员做出相应的调整措施。基于操作人员的分析需求，可以利用贪婪算法对数据分析结果进行解读，生成相应的行动建议。如果决策树模型发现某一天的用电量异常高，利用贪婪算法可以建议操作人员检查电网设备是否正常运行，并采取相应的修复措施。获取操作人员对行动建议的执行反馈，可以将执行反馈数据编码为单输入项输入电网监控系统。电网监控系统还可以判断是否接受一个以上操作人员的执行反馈，若判断为接收到一个以上操作人员的执行反馈时，运用多模态融合网络整合执行反馈后编码为多输入项输入电网监控系统。电网监控系统可以根据单输入项和多输入项进行优化行为分类模型，以提高行为分类模型的准确性和性能。通过整合执行反馈数据，可以对模型进行训练和优化，以更准确地识别和分类操作人员的行为。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种电网卫星、无人机、视频监控图像智能识别方法，其特征在于，所述方法包括：

获取电网监控视频流数据，训练生成图像识别模型，图像识别模型用于识别电网监控视频中的目标特征，以确保准确捕捉电网监控中的目标对象；通过持续获取并分析视频监控数据，调整图像识别模型的参数，以提升图像识别模型对复杂天气条件和光线变化的响应能力；获取并将卫星、无人机和固定视频监控设备的数据整合到同一框架中，并针对不同数据源的特点，确定数据采样频率和分析粒度，以提升监控数据的综合利用效率；根据电网监控的实际需求，设计优先级策略，优先级策略包括设置处理不同区域监控数据的优先级和依据各监控场景设定对应的告警级别，以辅助决策者快速响应潜在安全威胁；整合已分析的监控数据，通过比对历史数据进行标记违规行为或异常状态，以提高对潜在违规行为的预警能力；对各行为进行打分和分类，以区分正常行为与违规行为，同时降低环境干扰或人为干扰及误报率；构建行为分类模型，行为分类模型用于从多角度和多层次理解电网监控场景中的事件和行为；根据更新的数据和监控结果优化行为分类模型的自身结构和分类标准，以适应电网运维活动及环境的变化；将识别和分类结果通过人机交互界面反馈于操作人员，生成监控报告和数据分析报告。

2.根据权利要求1所述的方法，其中，所述获取电网监控视频流数据，训练生成图像识别模型，图像识别模型用于识别电网监控视频中的目标特征，以确保准确捕捉电网监控中的目标对象，包括:

获取高分辨率包含目标对象的电网监控视频流数据，作为第一视频流数据集；对第一视频流数据集进行数据预处理，包括图像裁剪、大小调整和灰度化或归一化操作；将第一视频流数据集作为图像识别模型的输入，利用TensorFlow深度学习框架训练生成图像识别模型；通过OpenCV库将训练好的图像识别模型部署到电网监控系统中；利用训练好的图像识别模型对电网监控视频进行分析和目标对象的捕捉，识别出其中的目标特征。

3.根据权利要求1所述的方法，其中，所述通过持续获取并分析视频监控数据，调整图像识别模型的参数，以提升图像识别模型对复杂天气条件和光线变化的响应能力，包括:

获取各种天气条件和光线变化的视频监控流，并作为第二视频流数据集；对第二视频流数据集进行预处理；使用第二视频流数据集进行图像识别模型的模型训练，并调整模型的参数；图像识别模型增加输出层或修改损失函数；将优化后的图像识别模型应用于实时视频流，进行实时监测和识别；通过持续获取和分析视频监控数据，实时判断和识别复杂天气条件和光线变化下的事件和相关属性；根据实时监测和识别结果，对图像识别模型迭代优化，以提升图像识别模型对复杂天气条件和光线变化的响应能力，以及事件属性的识别准确性。

4.根据权利要求1所述的方法，其中，所述获取并将卫星、无人机和固定视频监控设备的数据整合到同一框架中，并针对不同数据源的特点，确定数据采样频率和分析粒度，以提升监控数据的综合利用效率，包括:

获取卫星、无人机和固定视频监控设备的数据；对卫星采集的数据中的噪声和畸变进行去噪处理，同时进行图像的对齐和裁剪；对固定视频监控设备采集的视频流数据进行实时解码和帧率分析；设计一个数据整合框架，以整合卫星、无人机和固定视频监控设备的数据，包括：使用NTP协议保持多源数据时间上的一致性；根据卫星、无人机和固定视频监控设备的不同数据源特点，分别确定对应设备的数据格式、数据传输方式和数据量以及数据采样频率和数据分析的粒度。

5.根据权利要求1所述的方法，其中，所述根据电网监控的实际需求，设计优先级策略，优先级策略包括设置处理不同区域监控数据的优先级和依据各监控场景设定对应的告警级别，以辅助决策者快速响应潜在安全威胁，包括:

通过分析电网的拓扑结构和关键设备的分布情况，将不同区域划分为关键基础设施和普通基础设施，并设置对应的优先级；根据监控场景的重要性和对电网安全的影响程度，确定监控数据的权重；依据监控数据的权重设定相应的告警级别；通过设定的告警级别，对接收到的监控数据进行实时分析，识别出潜在的告警信息，并为不同的安全威胁设定相应的告警等级；获取告警信息后，传递给决策支持人员进行排除潜在安全威胁。

6.根据权利要求1所述的方法，其中，所述整合已分析的监控数据，通过比对历史数据进行标记违规行为或异常状态，以提高对潜在违规行为的预警能力，包括:

提取监控数据中的待匹配信息，待匹配信息至少包括时间戳信息、设备信息、位置信息、监控数据来源和监控数据类型中的一种或多种；将监控数据中的待匹配信息与预设的阈值进行比对，得到匹配结果；通过监控数据与历史数据进行比对和分析，判断并标记监控数据是否偏离正常范围；整合匹配结果和异常状态检测结果，判断是否存在潜在违规行为或异常状态；对潜在违规行为或异常状态进行标记，确定标记结果；根据潜在违规行为或异常状态的严重程度进行判定预警级别；依据判定结果进行确定处理结果；根据处理结果，进行报警或警告或记录的处理措施，以提高对潜在违规行为的预警能力。

7.根据权利要求1所述的方法，其中，所述对各行为进行打分和分类，以区分正常行为与违规行为，同时降低环境干扰或人为干扰及误报率，包括:

提取各行为相应的行为特征，行为特征包括操作类型和操作频率；通过高斯函数对各操作类型和操作频率赋予模糊值；依据以下公式对各行为进行打分：S＝a1*A+a2*B；S为行为的分数，a1为操作类型的权重值，A为操作类型的模糊值，a2为操作频率的权重值，B为操作频率的模糊值；依据各行为的打分结果，运用K-means聚类算法将各行为聚集成维护行为，日常活动，违规行为类别；通过设定的聚类中心和欧氏距离度量，找出对应的行为类型。

8.根据权利要求1所述的方法，其中，所述构建行为分类模型，行为分类模型用于从多角度和多层次理解电网监控场景中的事件和行为，包括:

获取电网监控场景中的事件信息和行为信息，将电网监控场景中的事件信息和行为信息作为行为分类模型的输入，包括：使用K均值聚类提取事件及行为空间相关的特征；使用滑动窗口方法提取事件和行为时间的特征；使用物联网获取电网中的电力设备、传感器、线路的参数信息和状态信息，并将参数信息和状态信息作为参数特征；通过分析历史数据，确定事件和行为对电网的影响程度、紧急程度和危害程度的动态相关特征；使用最小生成树方法分析事件和行为之间的关系，得到关系特征；将事件及行为空间相关的特征、事件和行为时间的特征、参数特征、动态相关特征和关系特征作为行为分类模型的输入；基于卷积神经网络架构进行构建行为分类模型。

9.根据权利要求1所述的方法，其中，所述根据更新的数据和监控结果优化行为分类模型的自身结构和分类标准，以适应电网运维活动及环境的变化，包括:

获取电网运维过程中产生的原始数据，通过环境监测设备获取运营环境变化信息，以确保数据的时效性与完整性；对原始数据进行预处理；将预处理后的数据用于更新行为分类模型，提升行为分类模型准确度，并对行为分类模型进行实时训练；对行为分类模型的输出结果进行评估，确定监控结果与实际电网状况的吻合度；对行为分类模型在实际电网运维中的表现进行评价，获得模型效能的定量指标；根据定量指标与预设标准进行比较，优化行为分类模型结构，以增进分类模型结构的泛化能力；优化行为分类模型结构包括：调整行为分类模型的神经网络层数或连接权重；整合更新结果和监测结果循环优化行为分类模型。

10.根据权利要求1所述的方法，其中，所述将识别和分类结果通过人机交互界面反馈于操作人员，生成监控报告和数据分析报告，包括:

运用行为分类模型对获取的监控数据进行行为识别和分类；通过电网监控系统的人机交互界面，获取操作人员的分析需求；对行为识别和分类结果进行图形化处理，得到监控报告；根据监控报告的内容，部署决策树模型对数据进行分析，得到关于潜在问题和趋势预测的数据分析报告，以增加决策层面的前瞻性；基于操作人员的分析需求，利用贪婪算法对得到的数据分析结果进行解读，生成行动建议，以辅助操作人员应对紧急情况；获取操作人员对行动建议的执行反馈，并将执行反馈数据编码为单输入项输入电网监控系统；判断是否接受一个以上操作人员的执行反馈，若判断为接收到一个以上操作人员的执行反馈时，运用多模态融合网络整合执行反馈后编码为多输入项输入电网监控系统；电网监控系统依据单输入项和多输入项进行优化行为分类模型，以提高行为分类模型的准确性和性能。