CN117787143A - 变电站毒害气体的气流分布场重构方法及系统、电子设备 - Google Patents
变电站毒害气体的气流分布场重构方法及系统、电子设备 Download PDFInfo
- Publication number
- CN117787143A CN117787143A CN202410199654.5A CN202410199654A CN117787143A CN 117787143 A CN117787143 A CN 117787143A CN 202410199654 A CN202410199654 A CN 202410199654A CN 117787143 A CN117787143 A CN 117787143A
- Authority
- CN
- China
- Prior art keywords
- image
- field
- distribution
- airflow
- gas flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002341 toxic gas Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000007789 gas Substances 0.000 title claims description 61
- 238000010586 diagram Methods 0.000 claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000000295 complement effect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 231100000331 toxic Toxicity 0.000 claims description 3
- 230000002588 toxic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 28
- 230000000694 effects Effects 0.000 description 7
- 238000004204 optical analysis method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910018503 SF6 Inorganic materials 0.000 description 3
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 3
- 229960000909 sulfur hexafluoride Drugs 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 208000002381 Brain Hypoxia Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002041 carbon nanotube Substances 0.000 description 1
- 229910021393 carbon nanotube Inorganic materials 0.000 description 1
- 238000007084 catalytic combustion reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004867 photoacoustic spectroscopy Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本公开涉及计算机视觉技术领域，尤其涉及一种变电站毒害气体的气流分布场重构方法及系统、电子设备，所述方法包括，基于仿真技术获取变电站毒害气体的气流场二维分布热力图；对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；基于非完整编码器以及解码器，构建深度估计网络；基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。本公开采用少量的采样数据（50%至80%）便能够准确预测出完整的数据，对于变电站毒害气场的快速分布预测、毒气寻源具有重要意义。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及变电站毒害气体的气流分布场重构方法及系统、电子设备。
背景技术
变电站作为电力系统中的重要一环，能够将高压电能通过变压器等电气设备变成低压电能，以满足工业、商业、民用等各个领域的需求，其安全稳定运行在电力输送过程中起着至关重要的作用。在变电站中，一些惰性气体例如六氟化硫（SF6）以其高耐电强度及良好的热稳定性能，被广泛应用于高压电气设备中。纯净的SF6气体是无毒的，但在大电流开断时，由于强烈的电弧放电会产生一些含硫的低氟化物。这些物质反应能力较强，当有水和氧气时又会与电极材料、水分进一步反应，从而分解产生有毒气体。室内变电站毒害气体积聚到一定浓度，当工作人员进入时，会发生大脑缺氧，甚至快速窒息等严重威胁人身安全的事故。因此，对有毒有害气体浓度场分布进行快速估计，一方面能有效引导电力工作人员避开高浓度的局部危险区域快速撤离，另一方面能够依据精细的浓度场分布估计结果快速锁定危害气体泄漏源区域，有效提升毒害气体泄漏处置效率。
对于气体浓度的检测主要分为非光学分析法和光学分析法，其中非光学分析法主要采用气敏传感器检测气体的浓度，常用的气敏传感器有催化燃烧式传感器、热导式传感器、电化学传感器、红外传感器、碳纳米管传感器等，这种方法具有检测气体种类多，性价比高等优势，但也存在检测速度慢、实时性差等不足。光学分析法中主流的技术有：差分吸收光谱技术、激光光声光谱技术、差分吸收激光雷达技术、傅里叶变换红外光谱技术、激光诱导荧光光谱技术等。相比于非光学分析法，光学分析法具有非接触、测量实时、灵敏度高等优点，但也存在检测气体种类少且价格昂贵等缺点。需要强调一点，以上两种方法仅能对气流场中的局部单点进行测量，要想获得一定区域内整个气流场的浓度分布情况，一方面可以在气流场中密集的布设多个传感器同时进行测量，另一方面也可以采用搭载气体传感器的移动机器人对一定区域内进行遍历检测。前一种方法适用于变化较为剧烈的气流场分布探测，后一种方法适用于变化较为平缓的气流场探测。
密集布设多个传感器的方法尽管流场分布估计精度较高，但传感器布设太多造价太高，经济性差。为此，非常有必要研制一种在满足高精度估计前提下尽可能减少传感器数量的有效方法。
发明内容
本公开目的在于提供一种变电站毒害气体的气流分布场重构方法及系统，本公开借鉴图像补全的思路，将气流场分布转化为二维浓度分布热力图，并创新地提出基于非完整编解码网络架构的稀疏采样快速高精度重构气流场分布的估计方法。图像补全是指在图像部分像素被遮住或缺失的情况下，去预测不可见的像素，在本公开中，可以将气流场中未被采样到的区域当作缺失的像素点，利用稀疏采样的少量数据对这些缺失的像素值进行估计。为实现上述目的，本公开提供如下技术方案：
在本公开的第一方面，提供了一种变电站毒害气体的气流分布场重构方法，所述方法包括，
基于仿真技术获取变电站毒害气体的气流场二维分布热力图；
对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；
基于非完整编码器以及解码器，构建深度估计网络；
基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。
进一步地，所述基于仿真技术获取变电站毒害气体的气流场二维分布热力图，包括，
利用气流场仿真软件模拟出变电站毒害气体的三维浓度分布数据；
对所述三维浓度分布数据进行切片，生成变电站毒害气体的气流场二维分布热力图。
进一步地，所述气流场二维分布热力图包括不同高度平面内的二维分布热力图。
进一步地，所述对所述气流场二维分布热力图进行部分遮挡处理，包括：
将所述气流场二维分布热力图划分多个为固定尺寸的小块；
随机或有规律的选取部分所述小块进行遮挡。
进一步地，所述气流场二维分布热力图的遮挡率设置为50%至80%。
进一步地，所述非完整编码器包括非完整Transformer编码器和非完整卷积编码器。
进一步地，所述基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像，包括：
基于非完整Transformer编码器，获取所述稀疏采样的气流场分布图像中的可见小块的中间层特征；
基于非完整卷积编码器，获取所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征；
将所述可见小块的中间层特征和所述遮挡小块的中间层特征按位置进行拼接，获取补全图像的解码结果；
将所述补全图像的解码结果进行多层感知机处理，重构变电站毒害气体的气流分布场图像。
进一步地，所述稀疏采样的气流场分布图像中的可见小块的中间层特征，
采用如下公式得到：
其中,N表示可见小块的个数，分别表示为第1个直至第n个可见的小块，E表示线性投影层，/>表示位置嵌入层，MSA表示多头注意力模块，MLP表示多层感知机，LN表示layer norm层，L表示Transformer块的个数/>表示第l个Transformer块输出的特征，/>表示第/>个Transformer块输出的特征；/>表示Transformer块的输入特征，表示第/>个Transformer块的中间层特征，/>表示气流场图像中可见小块的中间层特征。
进一步地，所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征，采用如下公式得到：
其中，表示第q层卷积输出的图像特征图，/>表示第q层卷积输出的二值掩码特征图，N表示卷积层层数第q-1层卷积输出的图像特征图和二值掩码特征图，/>为卷积核的尺寸，/>代表点乘操作，/>表示/>中非零元素的个数，/>表示最后一层卷积输出的图像特征图，m表示最终输出的图像特征图，/>和/>分别表示气流场图像和二值掩码的卷积核，/>和/>分别表示第q-1层卷积输出的图像特征图和二值掩码特征图。
进一步地，所述方法还包括：
对重构变电站毒害气体的气流分布场图像进行训练，使所述变电站毒害气体的气流分布场图像得精度达到阈值。
进一步地，所述对重构变电站毒害气体的气流分布场图像进行训练，包括，
选取所述电站毒害气体的气流场二维分布热力图作为标签图像；
计算所述标签图像与重构变电站毒害气体的气流分布场图像的损失函数；
当所述损失函数小于第一阈值时，所述重构变电站毒害气体的气流分布场图像的精度达到阈值；
当所述损失函数大于或等于第一阈值时，采用最速梯度下降优化算法迭代更新深度估计网络参数；直到所述损失函数小于第一阈值。
进一步地，所述损失函数包括均方误差和结构相似性指数。
进一步地，均方误差是采用如下公式计算：
其中，表示均方误差；w, h代表图像分辨率的高和宽，/>和/>分别代表重构变电站毒害气体的气流分布场图像和标签图像中第i行第j列对应的像素值。
进一步地，结构相似性指数采用如下公式计算：
其中，SSIM表示结构相似性指数；x, y分别代表重构变电站毒害气体的气流分布场图像和标签图像，是x的平均值，/>是x的方差，/>是y的平均值，/>是y的方差，/>是x和y的协方差，c1，c2为常数。
在本公开的第二方面，提供了一种变电站毒害气体的气流分布场重构系统，所述系统包括，
第一获取模块，用于基于仿真技术，获取变电站毒害气体的气流场二维分布热力图；
第二获取模块，用于对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；
构建模块，用于基于非完整编码器以及解码器，构建深度估计网络；
重构模块，用于基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。
进一步地，所述第二获取模块所执行的步骤，包括：
将所述气流场二维分布热力图划分多个为固定尺寸的小块；
随机或有规律的选取部分所述小块进行遮挡。
进一步地，所述重构模块包括：
第一获取子模块，用于基于非完整Transformer编码器，获取所述稀疏采样的气流场分布图像中的可见小块的中间层特征；
第二获取子模块，用于基于非完整卷积编码器，获取所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征；
第三获取子模块，用于将所述可见小块的中间层特征和所述遮挡小块的中间层特征按位置进行拼接，获取补全图像的解码结果；
重构子模块，用于将所述补全图像的解码结果进行多层感知机处理，重构变电站毒害气体的气流分布场图像。
在本公开的第三方面，提供了一种电子设备，所述电子设备包括至少一个处理器和至少一个存储器，所述存储器与所述处理器数据连接，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，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
本公开的技术效果和优点：
本公开提出基于非完整编解码网络架构，融合了非完整Transformer编码器和非完整卷积编码器提取稀疏采样的毒害气流场分布图像特征，相比于使用标准的卷积的Transformer编码器和卷积编码器，减少了计算成本，快速解码出完整的气流场分布图像。本公开采用少量的采样数据（50%至80%）便能够准确预测出完整的数据，对于变电站毒害气场的快速分布预测、毒气寻源具有重要意义。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
图1为本公开实施例中一种变电站毒害气体的气流分布场重构方法流程图；
图2为本公开实施例中一种变电站毒害气体的气流分布场重构系统图；
图3为根据本公开实施例的电子设备结构框图；
图4为本公开实施例中仿真模型的示意图；
图5a为本公开实施例中构建的气流场分布数据集部分图像一；
图5b为本公开实施例中构建的气流场分布数据集部分图像二；
图6a为本公开实施例中网格采样策略的示意图；
图6b为本公开实施例中随机采样策略的示意图；
图7为本公开实施例中非完整编解码架构结构图；
图8a为本公开实施例中随机采样策略下的重构结果；
图8b为本公开实施例中网格采样策略下的重构结果。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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例，都属于本公开保护的范围。
为解决现有技术的不足，本公开公开了一种变电站毒害气体的气流分布场重构方法，如图1所示，所述方法包括，
步骤1：基于仿真技术获取变电站毒害气体的气流场二维分布热力图；
步骤2：对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；
步骤3：基于非完整编码器以及解码器，构建深度估计网络；
步骤4：基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。
在本公开的一个具体实施例中，对于步骤1，具体操作为：利用气流场仿真软件模拟出变电站毒害气体的三维浓度分布数据；对所述三维浓度分布数据进行切片，生成变电站毒害气体的气流场二维分布热力图；其中，所述气流场二维分布热力图包括不同高度平面内的二维分布热力图。
在本公开的一个具体实施例中，对于步骤2，具体操作为：将所述气流场二维分布热力图划分多个为固定尺寸的小块；
根据不同的采样策略，随机或有规律的选取部分所述小块进行遮挡；对气流场分布图像中的大量小块加入遮挡，所述气流场二维分布热力图的遮挡率为50-80%，本实施例优选气流场二维分布热力图的遮挡率为75%。获得稀疏采样的气流场分布图像，作为深度估计网络输入，对应未遮挡的完整图像作为网络训练输出的标签图像。
在本公开的一个具体实施例中，对于步骤3：基于非完整编码器以及解码器，构建深度估计网络；其中，在本公开系统中所述非完整的编码器，由非完整Transformer编码器和非完整卷积编码器两部分组成。
在本公开的一个具体实施例中，对于步骤4：基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像，包括：
步骤401：基于非完整Transformer编码器，获取所述稀疏采样的气流场分布图像中的可见小块的中间层特征；
步骤402：基于非完整卷积编码器，获取所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征；
步骤403：将所述可见小块的中间层特征和所述遮挡小块的中间层特征按位置进行拼接，获取补全图像的解码结果；
步骤404：将所述补全图像的解码结果进行多层感知机处理，重构变电站毒害气体的气流分布场图像。
对于步骤401，具体操作为：非完整Transformer编码器在编码部分仅对气流场中小部分稀疏采样（未遮挡）的小块进行编码处理，先后经过线性投影层、位置嵌入层和一系列Transformer块处理后，得到稀疏采样的气流场图像中可见小块的中间层特征Z。
所述稀疏采样的气流场分布图像中的可见小块的中间层特征，采用如下公式得到：
其中,N表示可见小块的个数，分别表示为第1个直至第n个可见的小块，E表示线性投影层，/>表示位置嵌入层，MSA表示多头注意力模块，MLP表示多层感知机，LN表示layer norm层，L表示Transformer块的个数/>表示第l个Transformer块输出的特征，/>表示第/>个Transformer块输出的特征；/>表示Transformer块的输入特征，表示第/>个Transformer块的中间层特征，/>表示气流场图像可见小块的中间层特征。
对于步骤402，具体操作为：非完整卷积编码器的输入为稀疏采样的气流场图像和对应的二值掩码，气流场图像和二值掩码点乘后再进行卷积操作从而区分了可见小块和遮挡小块。由于卷积网络较大的局部感受野，可以利用非完整卷积编码器的输出来预测遮挡小块的中间层特征m；
所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征，采用如下公式得到：
其中，表示第q层卷积输出的图像特征图，/>表示第q层卷积输出的二值掩码特征图，N表示卷积层层数，/>和/>分别表示气流场图像和二值掩码的卷积核，/>和分别表示第q-1层卷积输出的图像特征图和二值掩码特征图，/>表示卷积核的尺寸，表示点乘操作，/>表示/>中非零元素的个数，/>表示最后一层卷积输出的图像特征图，m表示最终输出的图像特征图。
在本公开的一个具体实施例中，对于步骤404，具体操作为：构建按位置拼接的完整解码模块，即将非完整Transformer编码器得到的稀疏采样小块的图像中间层特征和非完整卷积编码器得到的遮挡小块的特征按位置进行拼接，共同输入至一系列Transformer块得到完整补全图像的解码结果。
在本公开的一个具体实施例中，所述方法还包括：对重构变电站毒害气体的气流分布场图像进行训练，使所述变电站毒害气体的气流分布场图像得精度达到阈值，具体为：
计算重构图像和标签图像之间的均方误差（MSE）和结构相似性指数（SSIM）作为损失函数，对步骤401到步骤404中所述的深度估计网络进行反向传播，迭代更新深度估计网络的参数；
在测试阶段，将稀疏采样得到的大量数据缺失的气流场分布图像作为深度估计网络的输入，得到重构的完整气流场分布图像，利用MSE和 SSIM两个指标计算补全图像和标签图像之间的相似度，其中，MSE值越小代表图像越相似，重构效果越好；SSIM值越大代表图像越相似，重构效果越好,以此来测算气流场分布估计算法的精准度。
在本公开的一个具体实施例中，所述对重构变电站毒害气体的气流分布场图像进行训练，包括，
选取所述电站毒害气体的气流场二维分布热力图作为标签图像；
计算所述标签图像与重构变电站毒害气体的气流分布场图像的损失函数；
当所述损失函数小于第一阈值时，所述重构变电站毒害气体的气流分布场图像的精度达到阈值；
当所述损失函数大于或等于第一阈值时，采用最速梯度下降优化算法迭代更新深度估计网络的参数，直到所述损失函数小于第一阈值。
在本公开的一个具体实施例中，所述损失函数包括均方误差和结构相似性指数,其中，
均方误差是采用如下公式计算：
其中，表示均方误差；w, h代表图像分辨率的高和宽，/>和/>分别代表重构变电站毒害气体的气流分布场图像和标签图像中第i行第j列对应的像素值；
结构相似性指数采用如下公式计算：
其中，SSIM表示结构相似性指数；x, y分别代表重构变电站毒害气体的气流分布场图像和标签图像，是x的平均值，/>是x的方差，/>是y的平均值，/>是y的方差，/>是x和y的协方差，c1，c2为常数。
本公开还提供了一种变电站毒害气体的气流分布场重构系统，如图2所示，所述系统包括，
第一获取模块，用于基于仿真技术，获取变电站毒害气体的气流场二维分布热力图；
第二获取模块，用于对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；
构建模块，用于基于非完整编码器以及解码器，构建深度估计网络；
重构模块，用于基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。
在本公开的一个具体实施例中，所述第二获取模块所执行的步骤，包括：
将所述气流场二维分布热力图划分多个为固定尺寸的小块；
随机或有规律的选取部分所述小块进行遮挡；
所述气流场二维分布热力图的遮挡率为75%。
在本公开的一个具体实施例中，所述重构模块包括：
第一获取子模块，用于基于非完整Transformer编码器，获取所述稀疏采样的气流场分布图像中的可见小块的中间层特征；
第二获取子模块，用于基于非完整卷积编码器，获取所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征；
第三获取子模块，用于将所述可见小块的中间层特征和所述遮挡小块的中间层特征按位置进行拼接，获取补全图像的解码结果；
重构子模块，用于将所述补全图像的解码结果进行多层感知机处理，重构变电站毒害气体的气流分布场图像。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于上述公开的内容，对应地本公开还提供了一种电子设备。如图3所示，本公开实施例的电子设备包括电气连接的至少一个处理器和只要一个存储器，所述存储器与所述处理器电气连接，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，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上控制器执行的所述方法步骤。
下面结合附图和具体实施方式对发明作进一步的详细说明。实施例是对本发明中技术方案清楚完整的描述，所描述的实施例是本发明一部分实施例而不是全部实施例。此处所描述的具体实施例方式仅用于解释本发明，并不用于限定本发明的保护范围。
1）本发明中的毒害气体选择六氟化硫(SF6)，在仿真软件Ansys Fluent中，构建一个长为10m、宽为10m、高为5m (10m10m/>6m)的六边形，用来模拟变电站的环境，并以此作为流体域。在六边形的正面开一个矩形小口，从此口输入气体，用于模拟有毒有害气体的泄漏。考虑到对于空间中可压缩气体的分布情况而言，风速是最大的影响因素，因此除了正面之外，还需要在后面、左面、右面分别开一个矩形小口，用于模拟入风口和出风口。然后通过网格划分，对该区域进行离散化。也就是将整个模型划分为一个个节点，然后在节点上对微分方程进行处理，如图4所示，为构建的仿真模型网格划分的结果；
2）设定好SF6气体对应的参数如密度、比热容、导热率等，开始模拟SF6泄漏以及通风两种不同的工况，经过迭代后，将得到的数值解转化为分布热力图，分辨率为224×224，如图5a和5b所示，图像中越亮的地方代表SF6质量分数越高。仿真得到1000张图像作为训练集，100张图像作为测试集；
3）将气流场分布热力图划分为固定大小的小块，本发明中每一个小块的大小为16×16，一张图像划分为196个小块。根据随机采样和网格采样两种策略，对部分小块加入遮挡获得稀疏采样的气流场分布图像，遮挡率设置为75%，如图6a和6b所示。稀疏采样的气流场分布图像作为深度估计网络输入，对应未遮挡的完整图像作为网络训练输出的标签图像；
4）如图7所示，为本发明中非完整的编解码架构结构图，由非完整Transformer编码器和非完整卷积编码器两部分组成。训练阶段，首先在编码部分仅对气流场中小部分稀疏采样（未遮挡）的小块进行编码处理，先后经过线性投影层、位置嵌入层和一系列Transformer块处理后，得到稀疏采样的气流场图像中可见小块的中间层特征z；然后根据稀疏采样的气流场图像提取对应的二值掩码，二值掩码中有效采样点对应的像素值为1，未采样点对应的像素值为0，将气流场图像和对应的二值掩码图像作为非完整卷积编码器的输入，输出遮挡小块的中间层特征m，将气流场图像可见一块的特征和遮挡小块的特征按位置进行拼接，共同输入至一系列Transformer块得到完整补全图像的解码结果；最后将完整补全图像的解码结果经过多层感知机（MLP）处理后高精度的重构出气流场分布图像；
5）在非完整Transformer编码器中，输出的气流场图像可见小块的中间层特征，采用如下公式得到：
其中,N表示可见小块的个数，分别表示为第1个直至第n个可见的小块，E表示线性投影层，/>表示位置嵌入层，MSA表示多头注意力模块，MLP表示多层感知机，LN表示layer norm层，L表示Transformer块的个数/>表示第l个Transformer块输出的特征，/>表示第/>个Transformer块输出的特征；/>表示Transformer块的输入特征，表示第/>个Transformer块的中间层特征，/>表示气流场图像可见小块的中间层特征。
在非完整卷积编码器中，输出的气流场图像遮挡小块的中间层特征m，采用如下公式得到：
其中，N为卷积层层数，和/>分别代表气流场图像和二值掩码的卷积核，/>和分别代表第q-1层卷积输出的图像特征图和二值掩码特征图，/>为卷积核的尺寸，/>代表点乘操作，/>为/>中非零元素的个数。
6）为了确保重构图像和真实图像之间的一致性，需要计算补全图像和标签图像之间的均方误差（MSE）和结构相似性指数（SSIM）作为损失函数，对网络进行反向传播，迭代更新网络参数。MSE是采用如下公式得到：
其中，w, h代表图像分辨率的高和宽，和/>分别代表补全图像和标签图像中第i行第j列对应的像素值；
SSIM是采用如下公式计算：
其中，SSIM表示结构相似性指数；x, y分别代表补全图像和标签图像，是x的平均值，/>是x的方差，/>是y的平均值，/>是y的方差，/>是x和y的协方差，c1，c2为常数，避免分母出现零的情况。
7）在测试阶段，将稀疏采样得到的缺失气流场分布图像作为输入，得到的重构后的图像作为完整的气流场分布图像。如图8a和8b所示，本公开实施例中图8a示出了3组随机采样策略下的重构结果；图8b示出了3组中网格采样策略下的重构结果，根据上述6组的重构结果可知，在测试集上不同采样策略的重构结果，即使是在75%缺失率的情况下，仅仅利用少量可见的像素点，本发明的方法在两种采样策略下依然能够准确的重构出完整的气流场分布；
8）表1给出了本方法和其他数据补全方法的比较，评价指标选用MSE和SSIM。MSE计算两张图片之间的差异，越小说明图像补全效果越好，SSIM计算两张图片的相似度，越大说明图像补全效果越好。对比了如下三种方法：线性插值、最近邻插值和三阶样条插值。根据实验结果，可以看到，在两项指标上我们的方法均取得了最好的效果；此外，相比与随机采样，网格采样也能够取得更好的效果，这为毒害气体传感器的分布及巡检机器人的巡检路线提供参考。
表1本方法和其他数据补全方法的比较
由此可见，本公开提出的一种变电站毒害气体分布场稀疏采样快速高精度重构方法，将毒害气体气流场分布数据转化为二维分布热力图，可以利用稀疏采样的少量数据，通过非完整的编解码结构，快速、实时地重构出完整的气流场分布，解决了传统测量方法难以获得实时性与连贯性数据的问题，能够大幅度减少毒害气体检测成本，一方面能有效引导电力工作人员避开高浓度的局部危险区域快速撤离，另一方面能够依据精细的浓度场分布估计结果快速锁定危害气体泄漏源区域，有效提升毒害气体泄漏处置效率。
最后应说明的是：以上所述仅为本公开的优选实施例而已，并不用于限制本公开，尽管参照前述实施例对本公开进行了详细的说明，对于本领域的技术人员来说，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，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (18)
1.一种变电站毒害气体的气流分布场重构方法，其特征在于，所述方法包括，
基于仿真技术获取变电站毒害气体的气流场二维分布热力图；
对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；
基于非完整编码器以及解码器，构建深度估计网络；
基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。
2.根据权利要求1所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述基于仿真技术获取变电站毒害气体的气流场二维分布热力图，包括，
利用气流场仿真软件模拟出变电站毒害气体的三维浓度分布数据；
对所述三维浓度分布数据进行切片，生成变电站毒害气体的气流场二维分布热力图。
3.根据权利要求2所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述气流场二维分布热力图包括不同高度平面内的二维分布热力图。
4.根据权利要求1所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述对所述气流场二维分布热力图进行部分遮挡处理，包括：
将所述气流场二维分布热力图划分多个为固定尺寸的小块；
随机或有规律的选取部分所述小块进行遮挡。
5.根据权利要求4所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，
所述气流场二维分布热力图的遮挡率设置为50%至80%。
6.根据权利要求1所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，
所述非完整编码器包括非完整Transformer编码器和非完整卷积编码器。
7.根据权利要求6所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像，包括：
基于非完整Transformer编码器，获取所述稀疏采样的气流场分布图像中的可见小块的中间层特征；
基于非完整卷积编码器，获取所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征；
将所述可见小块的中间层特征和所述遮挡小块的中间层特征按位置进行拼接，获取补全图像的解码结果；
将所述补全图像的解码结果进行多层感知机处理，重构变电站毒害气体的气流分布场图像。
8.根据权利要求7所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述稀疏采样的气流场分布图像中的可见小块的中间层特征，
采用如下公式得到：
其中,N表示可见小块的个数，分别表示为第1个直至第n个可见的小块，E表示线性投影层，/>表示位置嵌入层，MSA表示多头注意力模块，MLP表示多层感知机，LN表示layer norm层，L表示Transformer块的个数/>表示第l个Transformer块输出的特征，表示第/>个Transformer块输出的特征；/>表示Transformer块的输入特征，/>表示第/>个Transformer块的中间层特征，/>表示气流场图像中可见小块的中间层特征。
9.根据权利要求7所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征，采用如下公式得到：
其中，表示第q层卷积输出的图像特征图，/>表示第q层卷积输出的二值掩码特征图，N表示卷积层层数第q-1层卷积输出的图像特征图和二值掩码特征图，/>为卷积核的尺寸，/>代表点乘操作，/>表示/>中非零元素的个数，/> 表示最后一层卷积输出的图像特征图，m表示最终输出的图像特征图，/>和/>分别表示气流场图像和二值掩码的卷积核，和/>分别表示第q-1层卷积输出的图像特征图和二值掩码特征图。
10.根据权利要求1-9任一项所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述方法还包括：
对重构变电站毒害气体的气流分布场图像进行训练，使所述变电站毒害气体的气流分布场图像得精度达到阈值。
11.根据权利要求10所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，所述对重构变电站毒害气体的气流分布场图像进行训练，包括，
选取所述电站毒害气体的气流场二维分布热力图作为标签图像；
计算所述标签图像与重构变电站毒害气体的气流分布场图像的损失函数；
当所述损失函数小于第一阈值时，所述重构变电站毒害气体的气流分布场图像的精度达到阈值；
当所述损失函数大于或等于第一阈值时，采用最速梯度下降优化算法迭代更新深度估计网络参数；直到所述损失函数小于第一阈值。
12.根据权利要求11所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，
所述损失函数包括均方误差和结构相似性指数。
13.根据权利要求12所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，
均方误差是采用如下公式计算：
其中，表示均方误差；w, h代表图像分辨率的高和宽，/>和/>分别代表重构变电站毒害气体的气流分布场图像和标签图像中第i行第j列对应的像素值。
14.根据权利要求12所述的一种变电站毒害气体的气流分布场重构方法，其特征在于，
结构相似性指数采用如下公式计算：
其中，SSIM表示结构性相似指数；x, y分别代表重构变电站毒害气体的气流分布场图像和标签图像，是x的平均值，/>是x的方差，/>是y的平均值，/>是y的方差，/>是x和y的协方差，c1，c2为常数。
15.一种变电站毒害气体的气流分布场重构系统，其特征在于，所述系统包括，
第一获取模块，用于基于仿真技术获取变电站毒害气体的气流场二维分布热力图；
第二获取模块，用于对所述气流场二维分布热力图进行部分遮挡处理，获取稀疏采样的气流场分布图像；
构建模块，用于基于非完整编码器以及解码器，构建深度估计网络；
重构模块，用于基于所述稀疏采样的气流场分布图像和所述深度估计网络，重构变电站毒害气体的气流分布场图像。
16.根据权利要求15所述的一种变电站毒害气体的气流分布场重构系统，其特征在于，所述第二获取模块所执行的步骤，包括：
将所述气流场二维分布热力图划分多个为固定尺寸的小块；
随机或有规律的选取部分所述小块进行遮挡。
17.根据权利要求15所述的一种变电站毒害气体的气流分布场重构系统，其特征在于，所述重构模块包括：
第一获取子模块，用于基于非完整Transformer编码器，获取所述稀疏采样的气流场分布图像中的可见小块的中间层特征；
第二获取子模块，用于基于非完整卷积编码器，获取所述稀疏采样的气流场分布图像中的遮挡小块的中间层特征；
第三获取子模块，用于将所述可见小块的中间层特征和所述遮挡小块的中间层特征按位置进行拼接，获取补全图像的解码结果；
重构子模块，用于将所述补全图像的解码结果进行多层感知机处理，重构变电站毒害气体的气流分布场图像。
18.一种电子设备，所述电子设备包括至少一个处理器和至少一个存储器，所述存储器与所述处理器数据连接，其特征在于，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199654.5A CN117787143B (zh) | 2024-02-23 | 2024-02-23 | 变电站毒害气体的气流分布场重构方法及系统、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199654.5A CN117787143B (zh) | 2024-02-23 | 2024-02-23 | 变电站毒害气体的气流分布场重构方法及系统、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787143A true CN117787143A (zh) | 2024-03-29 |
| CN117787143B CN117787143B (zh) | 2024-06-21 |
Family
ID=90380096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199654.5A Active CN117787143B (zh) | 2024-02-23 | 2024-02-23 | 变电站毒害气体的气流分布场重构方法及系统、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787143B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104614342A (zh) * | 2015-02-03 | 2015-05-13 | 清华大学 | 一种高温气流扰动下空气折射率三维重构测量方法 |
| CN110705540A (zh) * | 2019-11-25 | 2020-01-17 | 中国农业科学院农业信息研究所 | 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置 |
| CN211651687U (zh) * | 2020-04-10 | 2020-10-09 | 国网安徽省电力有限公司界首市供电公司 | 一种基于变电站电缆沟综合环境实时动态监测系统 |
| CN112326583A (zh) * | 2020-11-13 | 2021-02-05 | 武汉市公安局轨道交通管理分局 | 一种基于物联网的毒害气体智能检测系统及方法 |
| CN213580659U (zh) * | 2020-11-13 | 2021-06-29 | 武汉市公安局轨道交通管理分局 | 一种基于物联网的毒害气体智能检测系统 |
| CN115097083A (zh) * | 2022-08-25 | 2022-09-23 | 广东银纳增材制造技术有限公司 | 一种喷漆工艺中毒害气体的检测方法及装置 |
| CN115861490A (zh) * | 2022-11-17 | 2023-03-28 | 北京石油化工学院 | 一种基于注意力机制的图像动画构建方法和系统 |
| CN116342999A (zh) * | 2023-01-06 | 2023-06-27 | 国网河南省电力公司超高压公司 | 超高压变电站开放空间火灾烟雾检测与识别方法 |
| CN116704316A (zh) * | 2023-08-03 | 2023-09-05 | 四川金信石信息技术有限公司 | 基于阴影图像重构的变电站渗漏油检测方法、系统及介质 |
| CN116957931A (zh) * | 2023-06-05 | 2023-10-27 | 武汉唯理科技有限公司 | 一种基于神经辐射场的相机图像画质提升方法 |
| WO2024021253A1 (zh) * | 2022-07-28 | 2024-02-01 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 |
| CN117576461A (zh) * | 2023-11-17 | 2024-02-20 | 国网宁夏电力有限公司 | 一种用于变电站场景的语义理解方法、介质及系统 |
-
2024
- 2024-02-23 CN CN202410199654.5A patent/CN117787143B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104614342A (zh) * | 2015-02-03 | 2015-05-13 | 清华大学 | 一种高温气流扰动下空气折射率三维重构测量方法 |
| CN110705540A (zh) * | 2019-11-25 | 2020-01-17 | 中国农业科学院农业信息研究所 | 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置 |
| CN211651687U (zh) * | 2020-04-10 | 2020-10-09 | 国网安徽省电力有限公司界首市供电公司 | 一种基于变电站电缆沟综合环境实时动态监测系统 |
| CN112326583A (zh) * | 2020-11-13 | 2021-02-05 | 武汉市公安局轨道交通管理分局 | 一种基于物联网的毒害气体智能检测系统及方法 |
| CN213580659U (zh) * | 2020-11-13 | 2021-06-29 | 武汉市公安局轨道交通管理分局 | 一种基于物联网的毒害气体智能检测系统 |
| WO2024021253A1 (zh) * | 2022-07-28 | 2024-02-01 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 |
| CN115097083A (zh) * | 2022-08-25 | 2022-09-23 | 广东银纳增材制造技术有限公司 | 一种喷漆工艺中毒害气体的检测方法及装置 |
| CN115861490A (zh) * | 2022-11-17 | 2023-03-28 | 北京石油化工学院 | 一种基于注意力机制的图像动画构建方法和系统 |
| CN116342999A (zh) * | 2023-01-06 | 2023-06-27 | 国网河南省电力公司超高压公司 | 超高压变电站开放空间火灾烟雾检测与识别方法 |
| CN116957931A (zh) * | 2023-06-05 | 2023-10-27 | 武汉唯理科技有限公司 | 一种基于神经辐射场的相机图像画质提升方法 |
| CN116704316A (zh) * | 2023-08-03 | 2023-09-05 | 四川金信石信息技术有限公司 | 基于阴影图像重构的变电站渗漏油检测方法、系统及介质 |
| CN117576461A (zh) * | 2023-11-17 | 2024-02-20 | 国网宁夏电力有限公司 | 一种用于变电站场景的语义理解方法、介质及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 李吉功等: "时边流场环境中机器人跟踪气味烟羽方法", 《自动化学报》, vol. 35, no. 10, 31 October 2009 (2009-10-31) * |
| 王小朋: "多种检测技术在变压器火花放电中的应用", 《电工电气》, vol. 8, 31 August 2023 (2023-08-31) * |
| 秦云飞等: "融合多层次浅层信息的航拍小目标检测", 《软件技术》, vol. 33, no. 2, 2 January 2024 (2024-01-02) * |
| 马世乾: "基于机会约束的有源配电网智能软开关电压控制方法", 《电力系统及其自动化学报》, vol. 31, no. 9, 30 September 2019 (2019-09-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787143B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598843A (zh) | 基于深度学习的电力变压器呼吸器目标缺陷检测方法 | |
| Han et al. | Improved U-Net based insulator image segmentation method based on attention mechanism | |
| Yuan et al. | Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm | |
| CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
| CN116862847A (zh) | 一种红外图像电力设备交互式分割方法和系统 | |
| CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
| Ou et al. | A hyperspectral image change detection framework with self-supervised contrastive learning pretrained model | |
| Zhang et al. | Automatic classification of marine plankton with digital holography using convolutional neural network | |
| CN115828642A (zh) | 基于Unity的GPU加速X射线数字成像仿真方法 | |
| CN116543346A (zh) | 一种基于深度学习的输电线路视频山火检测方法 | |
| CN115641263A (zh) | 基于深度学习的单幅电力设备红外图像超分辨率重建方法 | |
| CN117787143B (zh) | 变电站毒害气体的气流分布场重构方法及系统、电子设备 | |
| Li et al. | Safe distance monitoring of live equipment based upon instance segmentation and pseudo-LiDAR | |
| CN114022764A (zh) | 一种基于特征增强卷积网络的遥感影像输电杆塔检测方法 | |
| Huang et al. | Research on intelligent detection of sulfur hexafluoride gas leakage in confined spaces | |
| Cao et al. | Surveillance of ship emissions and fuel sulfur content based on imaging detection and multi-task deep learning | |
| Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
| CN115128166B (zh) | 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 | |
| CN116363075A (zh) | 一种光伏组件热斑检测方法、系统和电子设备 | |
| GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
| CN115641498A (zh) | 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法 | |
| Li et al. | Multi-scale feature extraction and fusion net: Research on UAVs image semantic segmentation technology | |
| Das et al. | Convolutional neural network and Bi‐directional long short memory hybrid deep network aided infrared image classification framework for non‐contact monitoring of overhead insulators | |
| CN117935099B (zh) | 基于增强现实的gis设备无损检测方法及系统 | |
| CN113689035B (zh) | 一种基于卷积神经网络的max-doas光谱预测对流层no2廓线的方法 |
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 |