CN117848515B - 一种开关柜温度监测方法及系统 - Google Patents
一种开关柜温度监测方法及系统 Download PDFInfo
- Publication number
- CN117848515B CN117848515B CN202410257790.5A CN202410257790A CN117848515B CN 117848515 B CN117848515 B CN 117848515B CN 202410257790 A CN202410257790 A CN 202410257790A CN 117848515 B CN117848515 B CN 117848515B
- Authority
- CN
- China
- Prior art keywords
- feature map
- inputting
- layer
- characteristic diagram
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000001931 thermography Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 188
- 230000004913 activation Effects 0.000 claims description 182
- 238000011176 pooling Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000026676 system process Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 14
- 230000000737 periodic effect Effects 0.000 description 10
- 230000007774 longterm Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000001932 seasonal effect Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000013021 overheating Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007634 remodeling Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种开关柜温度监测方法及系统,属于电力监测技术领域。首先对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像;其次对所述温度数据进行滤波、校准,得到各部件的标准温度数据;然后将所述热成像图像输入检测网络进行特征提取,得到识别结果;根据所述识别结果,分析部件区域的温度,得到热成像特征;最后结合所述标准温度数据和所述热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。本发明能够实现对开关柜内部部件温度的实时、准确监控,提高了监测的精度和效率;通过预测部件的未来温度状态,可及时发现温升异常,为电力系统的安全运行提供了有力的保障。
Description
技术领域
本发明属于电力监测技术领域,涉及一种开关柜温度监测方法及系统。
背景技术
开关柜是电力系统中的重要电气设备,其内部部件的温度状态直接影响其运行的安全性和可靠性。由于开关柜的结构特点,其内部部件的温度难以直接测量,且受环境温度、负荷电流、接触电阻等因素的影响,容易出现过热、老化、烧毁等故障。因此,对开关柜内部部件的温度进行实时监测和预测,是保障电力系统正常运行的重要措施。
目前,常用的开关柜温度监测方法有红外测温法、光纤测温法、有源无线测温法等,但这些方法都存在一定的局限性和缺陷,如红外测温法受光路遮挡的影响,光纤测温法需要复杂的布线,有源无线测温法存在供电问题等。因此,需要一种新的开关柜温度监测方法,能够实现无源无线的温度测量和传输,提高温度监测的准确性和可靠性。
发明内容
基于上述技术问题,本发明提供一种开关柜温度监测方法及系统,结合温度传感器和热成像技术,利用图像处理和机器学习技术,实现对开关柜内部部件温度的实时、准确监测。
本发明提供一种开关柜温度监测方法,方法包括:
步骤S1:对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像;
步骤S2:对所述温度数据进行滤波、校准,得到各部件的标准温度数据;
步骤S3:将所述热成像图像输入检测网络进行特征提取,得到识别结果;根据所述识别结果,分析部件区域的温度,得到热成像特征;
步骤S4:结合所述标准温度数据和所述热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。
可选地,所述将所述热成像图像输入检测网络进行特征提取,得到识别结果,具体包括:
将热成像图像输入到标准卷积模块进行卷积操作,得到特征图T4;
将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29;
将所述特征图T29依次输入到第一残差模块、第二残差模块和第三残差模块进行残差操作,得到特征图T61;
将所述特征图T61进行上采样与特征图T50输入到第五张量拼接层进行张量拼接操作,得到特征图T62;将所述特征图T62进行上采样与特征图T40输入到第六张量拼接层进行张量拼接操作,得到特征图T63;所述特征图T61、所述特征图T62、所述特征图T63分别为检测网络第一尺度特征、第二尺度特征和第三尺度特征;
根据所述第一尺度特征、所述第二尺度特征和所述第三尺度特征进行识别,得到识别结果。
可选地,所述将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29,具体包括:
将注意力输入层输入到第一标准卷积激活层进行卷积和激活操作,得到特征图T5,所述注意力输入层为特征图T4;将所述注意力输入层输入到第二标准卷积激活层进行卷积和激活操作,得到特征图T6;将所述注意力输入层输入到第三标准卷积激活层进行卷积和激活操作,得到特征图T7;将所述注意力输入层输入到第四标准卷积激活层进行卷积和激活操作,得到特征图T8;
将所述特征图T5、所述特征图T6和所述特征图T7输入到第一张量拼接层进行张量拼接操作,得到特征图T9;将所述特征图T9输入到第三标准卷积层进行卷积操作,得到特征图T10;将所述特征图T8和所述特征图T10输入到第一元素相乘层进行元素相乘操作,得到特征图T11;将所述特征图T8和所述特征图T11输入到第一元素相加层进行元素相加操作,得到特征图T12;将所述特征图T12输入到第五标准卷积激活层进行卷积和激活操作,得到特征图T13;
将所述特征图T13输入到第一最大池化层进行最大池化操作,得到特征图T14;将所述特征图T14输入到第六标准卷积激活层进行卷积和激活操作,得到特征图T15;将所述特征图T15输入到第七标准卷积激活层进行卷积和激活操作,得到特征图T16;将所述特征图T16输入到第一激活函数层进行激活操作,得到特征图T17;将所述特征图T17输入到第一全局平均池化层进行全局平均池化操作,得到特征图T18;将所述特征图T18输入到第一张量重塑层进行张量重塑操作,得到特征图T19;
将所述特征图T13输入到第二最大池化层进行最大池化操作,得到特征图T20;将所述特征图T20输入到第二全局平均池化层进行全局平均池化操作,得到特征图T21;将所述特征图T21输入到第二张量重塑层进行张量重塑操作,得到特征图T22;将所述特征图T22输入到第一全连接层进行全连接操作,得到特征图T23;将所述特征图T23输入到第三张量重塑层进行张量重塑操作,得到特征图T24;将所述特征图T24输入到第二激活函数层进行激活操作,得到特征图T25;将所述特征图T13和所述特征图T25输入到第二元素相乘层进行元素相乘操作,得到特征图T26;
将所述特征图T19和所述特征图T26输入到第三元素相乘层进行元素相乘操作,得到特征图T27;将所述特征图T4和所述特征图T27输入到第二元素相加层进行元素相加操作,得到特征图T28;将所述特征图T28输入到第八标准卷积激活层进行卷积和激活操作,得到特征图T29。
本发明还提供一种开关柜温度监测系统,所述系统包括:
数据采集模块,用于对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像;
数据处理模块,用于对所述温度数据进行滤波、校准,得到各部件的标准温度数据;
特征提取模块,用于将热成像图像输入检测网络进行特征提取,得到识别结果;根据所述识别结果,分析部件区域的温度,得到热成像特征;
模型构造模块,用于结合所述标准温度数据和所述热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。
可选地,所述特征提取模块,具体包括:
标准卷积子模块,用于将热成像图像输入到标准卷积模块进行卷积操作,得到特征图T4;
双分支注意力子模块,用于将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29;
残差子模块,用于将所述特征图T29依次输入到第一残差模块、第二残差模块和第三残差模块进行残差操作,得到特征图T61;
特征生成子模块,用于将所述特征图T61进行上采样与特征图T50输入到第五张量拼接层进行张量拼接操作,得到特征图T62;将所述特征图T62进行上采样与特征图T40输入到第六张量拼接层进行张量拼接操作,得到特征图T63;所述特征图T61、所述特征图T62、所述特征图T63分别为检测网络第一尺度特征、第二尺度特征和第三尺度特征;
特征识别子模块,用于根据所述第一尺度特征、所述第二尺度特征和所述第三尺度特征进行识别,得到识别结果。
可选地,所述双分支注意力子模块,具体包括:
将注意力输入层输入到第一标准卷积激活层进行卷积和激活操作,得到特征图T5,所述注意力输入层为特征图T4;将所述注意力输入层输入到第二标准卷积激活层进行卷积和激活操作,得到特征图T6;将所述注意力输入层输入到第三标准卷积激活层进行卷积和激活操作,得到特征图T7;将所述注意力输入层输入到第四标准卷积激活层进行卷积和激活操作,得到特征图T8;
将所述特征图T5、所述特征图T6和所述特征图T7输入到第一张量拼接层进行张量拼接操作,得到特征图T9;将所述特征图T9输入到第三标准卷积层进行卷积操作,得到特征图T10;将所述特征图T8和所述特征图T10输入到第一元素相乘层进行元素相乘操作,得到特征图T11;将所述特征图T8和所述特征图T11输入到第一元素相加层进行元素相加操作,得到特征图T12;将所述特征图T12输入到第五标准卷积激活层进行卷积和激活操作,得到特征图T13;
将所述特征图T13输入到第一最大池化层进行最大池化操作,得到特征图T14;将所述特征图T14输入到第六标准卷积激活层进行卷积和激活操作,得到特征图T15;将所述特征图T15输入到第七标准卷积激活层进行卷积和激活操作,得到特征图T16;将所述特征图T16输入到第一激活函数层进行激活操作,得到特征图T17;将所述特征图T17输入到第一全局平均池化层进行全局平均池化操作,得到特征图T18;将所述特征图T18输入到第一张量重塑层进行张量重塑操作,得到特征图T19;
将所述特征图T13输入到第二最大池化层进行最大池化操作,得到特征图T20;将所述特征图T20输入到第二全局平均池化层进行全局平均池化操作,得到特征图T21;将所述特征图T21输入到第二张量重塑层进行张量重塑操作,得到特征图T22;将所述特征图T22输入到第一全连接层进行全连接操作,得到特征图T23;将所述特征图T23输入到第三张量重塑层进行张量重塑操作,得到特征图T24;将所述特征图T24输入到第二激活函数层进行激活操作,得到特征图T25;将所述特征图T13和所述特征图T25输入到第二元素相乘层进行元素相乘操作,得到特征图T26;
将所述特征图T19和所述特征图T26输入到第三元素相乘层进行元素相乘操作,得到特征图T27;将所述特征图T4和所述特征图T27输入到第二元素相加层进行元素相加操作,得到特征图T28;将所述特征图T28输入到第八标准卷积激活层进行卷积和激活操作,得到特征图T29。
本发明与现有技术相比,具有以下有益效果:
本发明采用无线温度传感器,无需外部供电,避免了电池更换和互感取能的问题,降低了系统的维护成本和复杂度;采用卷积神经网络作为检测网络,实现了热成像图像的特征提取和识别,提高了系统的智能化和准确性,同时利用残差模块和注意力模块增强了网络的深度和表达能力;采用温度反演模型作为预测模型,实现了温度状态的预测,提高了系统的预警能力和效率,同时利用卡尔曼滤波和贝叶斯法则优化了温度数据的滤波和校准。
附图说明
图1为本发明的一种开关柜温度监测方法流程图;
图2为本发明的特征提取网络结构图;
图3为本发明的双分支注意力模块结构图;
图4为本发明的第一残差模块结构图;
图5为本发明的第二残差模块结构图;
图6为本发明的第三残差模块结构图;
图7为本发明的一种开关柜温度监测系统结构图。
具体实施方式
下面结合具体实施案例和附图对本发明作进一步说明,但本发明并不局限于这些实施例。
实施例1
如图1所示,本发明公开一种开关柜温度监测方法,方法包括:
步骤S1:对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像。
步骤S2:对温度数据进行滤波、校准,得到各部件的标准温度数据。
步骤S3:将热成像图像输入检测网络进行特征提取,得到识别结果;根据识别结果,分析部件区域的温度,得到热成像特征。
步骤S4:结合标准温度数据和热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。
下面对各个步骤进行详细论述:
步骤S1:对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像。
步骤S1具体包括:
在开关柜内部安装温度传感器和热成像摄像头,温度传感器用于测量开关柜内各部件的温度(触头、母排、电缆接头、断路器),热成像摄像头用于拍摄开关柜内各部件的热成像;温度传感器采用的是感应取电技术,即通过感应高压线路中的磁场来获取能量,转换成电能供传感器工作;避免了复杂的电源布线,并且减少了与高压设备的直接电气连接,降低了绝缘要求。
本实施例中,触头在开关动作时会因电流通过产生热量;长期运行或接触不良会导致过热,增加故障风险;热成像可以直观显示触头区域的温度分布,特别是接触不良导致的局部过热区域;母排作为电能分配的主要通道,其连接点的紧固情况直接影响整个开关柜的安全运行;连接点的松动或瑕疵会导致过热;热成像能够捕捉到母排及其连接点的温度异常,为维护人员提供准确的故障定位,特别是在连接点难以直视的情况下;电缆接头是电力传输的关键节点,不良接头会因为电阻增大而过热,影响系统稳定性;热成像可以识别出电缆接头处的异常高温区域,提供早期故障警示,避免故障扩散;断路器的内部机械接触部分和电气接触点频繁操作的部位,容易发热和磨损;通过热成像技术,可以监测到断路器内部在正常操作和故障状态下的温度变化,尤其是电气接触点的过热情况。
步骤S2:对温度数据进行滤波、校准,得到各部件的标准温度数据。
步骤S2具体包括:
建立状态方程和观测方程,表示为:
式中,为/>时刻开关柜内各部件的状态变量;/>为八维列向量,表示开关柜内各部件的真实温度和真实温度变化率,/>表示为:
式中,为第/>个部件的真实温度,/>为第/>个部件的真实温度变化率。
为八维列向量,表示开关柜内各部件的测量温度和其他部件的干扰温度,/>表示为:
式中,为第/>个部件的测量温度,/>;/>为其他部件的干扰温度,;/>为状态转移矩阵,表示系统状态从上一时刻到当前时刻的变化规律,即描述了开关柜内各部件的真实温度和真实温度变化率如何随着时间的推移而变化;/>为控制输入矩阵,表示系统状态受控制输入的影响程度,即描述了开关柜的负载电流,环境温度,和环境湿度如何影响开关柜内各部件的真实温度和真实温度变化率;/>为控制输入向量,表示了系统受到的外部控制,即描述了开关柜的负载电流,环境温度,和环境湿度;/>为观测矩阵,表示了系统观测与系统状态的关系,即描述了温度传感器的测量温度与开关柜内各部件的真实温度的关系;/>为系统过程噪声,/>为服从均值为零,协方差矩阵为的正态分布,即/>;/>为系统观测噪声,/>为服从均值为零,协方差矩阵为/>的正态分布,即/>。
根据上一时刻的状态估计和控制输入,预测当前时刻的状态估计和误差协方差,表示为:
式中,为/>时刻的状态先验估计;/>为/>时刻的误差协方差先验估计;为/>时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为过程噪声协方差矩阵。
根据当前时刻的观测数据和先验估计,利用贝叶斯法则,更新当前时刻的状态后验估计和误差协方差后验估计,表示为:
式中,为/>时刻的状态后验估计,也称为最优估计值,对系统真实状态的最佳估计,利用了预测值和观测值的信息;/>为/>时刻的误差协方差后验估计,表示状态后验估计的不确定度,越小则表示估计越准确;/>为卡尔曼增益,它表示了观测数据对状态估计的影响程度,越大则越依赖观测数据,越小则越依赖状态预测;/>为单位矩阵;/>为观测噪声协方差矩阵。
输出状态后验估计,即温度传感器的滤波和校准后的数据,表示为:
式中,为第/>个部件的温度估计值,它们与真实温度/>的差距越小,说明温度测量的精度越高。
本实施例中,温度数据的滤波,是指去除温度数据中的噪声和异常值,使数据更加平滑和稳定;噪声和异常值可能是由于传感器的误差、环境的干扰、数据的采集和传输等原因造成的,它们会影响数据的真实性和可信度,从而降低温度反演和预测的准确性;校准则是确保测量数据与实际温度之间的关系准确无误,可能需要对传感器读数进行校正,以匹配已知的温度标准或校准点;确保温度数据的准确性和可靠性;这包括去除噪声、校正偏差等,以确保输入到模型中的数据反映了实际的温度情况。
通过进行温度数据的分析,识别温度数据中的关键特征、模式和趋势,具体包括:
基础统计分析,计算各部件在不同时间段的平均温度;确定各部件的最高温度和最低温度,了解温度的波动范围;衡量温度数据的离散程度,了解温度波动的稳定性。
时间序列分析,识别长期温度变化的趋势,例如,是否存在逐年上升或下降的模式,表示为:
式中,为时间/>的温度值;/>为常数项;/>为第一个线性段的斜率;/>为线性段的个数;/>为一个分段函数;/>为第/>个趋势变化点的时间;/>为第/>个线性段相对于第/>个线性段的斜率变化量;/>为随机误差项;此模型参数可以用最小二乘法方法来估计,线性段的个数可以用信息准则来选择。
参数估计是指根据观测数据来推断模型参数的值的过程;在分段线性回归模型中,参数包括常数项,各个线性段的斜率/>,以及趋势变化点的时间。参数估计的目的是找到一组参数值,使得模型能够尽可能地拟合数据,即使得误差项/>的平方和最小。
误差项为独立同分布的正态随机变量,即/>,并且参数是固定的未知常数,通过最小化误差平方和来求解参数,表示为:
式中,为数据点的个数。
本实施例中,为了识别长期温度变化的趋势,使用分段线性回归的方法,将时间序列分成若干个线性段,每个段内温度变化呈现一个线性关系,而段与段之间的连接点则是可能的趋势变化点;这种方法可以自动地确定线性段的个数和位置,以及每个段的斜率和截距,从而揭示出温度的上升或下降的模式。
分析温度数据中的季节性变化,如夏季温度是否普遍高于冬季,或者设备启动和停机周期对温度的影响,表示为:
式中,是为时间/>的温度值;/>为季节性成分;/>为趋势成分,/>为随机成分;此模型的分解采用局部加权回归的方法,可以根据数据的局部特征来拟合出平滑的曲线;对于每个时间点,用它附近的一些数据点来构建一个加权的线性回归模型,然后用这个模型来预测该时间点的值,从而得到一个平滑的曲线,模型表示为:
式中,为时间/>的温度值;/>和/>为线性回归模型的参数;/>是权重函数,它反映了数据点与预测点的距离,距离越近,权重越大,距离越远,权重越小;这个模型的参数可以用加权最小二乘法来估计,权重函数可以用高斯核来定义。
本实施例中,为了分析温度数据中的季节性变化,使用季节性和趋势分解的方法,它可以将时间序列分解为三个部分:季节性成分,趋势成分和随机成分;这种方法可以分别展示出温度的季节性波动,长期趋势和不规则波动,从而帮助理解温度与季节或设备周期的关系。
识别温度变化的周期性模式,如每日的温度变化规律,表示为:
式中,为时间/>的温度值;/>为周期性成分的个数;/>为第/>个周期性成分的幅度;/>为第/>个周期性成分的频率;/>为第/>个周期性成分的相位;/>为随机误差项;这个模型的参数可以用傅里叶变换或周期图法来估计,周期性成分的个数可以用信息准则或谱密度函数的峰值来选择。
本实施例中,为了识别温度变化的周期性模式,将时间序列转换为频域,从而揭示出温度的周期性成分和对应的周期长度。
相关性分析,分析温度变化与外部因素(如环境温度、设备负载等)之间的相关性,确定哪些因素对设备温度有显著影响;探索不同部件间温度的相关性,了解某一部件的温度异常是否会影响到其他部件。
通过对温度数据进行基础统计分析、时间序列分析、相关性分析,计算温度变化的速率等方法来分析温度数据,得到开关柜内各部件的温度分布和变化趋势;这个分析过程有助于发现数据中可能存在的规律性,包括识别正常的温度范围、季节性变化、设备运行状态对温度的影响等,例如,设备在特定时间段内温度升高的模式,以及潜在的异常温度变化模式,如温度突然上升。
将温度数据与LSTM模型结合,LSTM模型的输入主要是经过预处理(滤波和校准)的温度时间序列数据;通过温度分析获得的理解用于指导模型的设计;例如,如果分析发现每天的温度有周期性变化,可能会决定在LSTM模型中添加时间特征(如一天中的时间)作为额外的输入变量;对于后续温度反演和预测是非常有用的,LSTM模型学习时间序列数据中的长期依赖关系,以预测未来的温度变化;这里的关键是模型能够基于历史数据捕捉到温度变化的模式和趋势。
步骤S3:将热成像图像输入检测网络进行特征提取,得到识别结果;根据识别结果,分析部件区域的温度,得到热成像特征。
步骤S3具体包括:
图2-图6中,Conv2D表示标准卷积层,卷积核尺寸为7×7、5×5、3×3和1×1;Strides表示步长,取值1或2;规范化激活层包含批归一化层(Batch Normalization)和激活函数层(Activation(ReLU)),规范化激活层选择ReLU激活函数,单独的批归一化层(Batch Normalization),单独的激活函数层(Activation()),/>取值为ReLU和Sigmoid;Attention Input表示注意力输入层;Residual Input表示残差输入层;Reshape代表张量重塑层;Dense代表全连接层;Multiply()表示进行逐元素相乘;Concat()表示张量拼接层;Add()表示进行逐元素相加;GlobalAveragePooling2D表示全局平均池化层;Maxpooling2D表示最大池化层;T/>表示检测网络中得到的各特征图,/>取值范围为[1,63],/>为整数。
将热成像图像输入检测网络进行特征提取,得到识别结果,具体包括:
将热成像图像输入到标准卷积模块进行卷积操作,得到特征图T4,具体包括:
将热成像图像(256,256,3)输入到第一标准卷积层进行卷积操作,得到特征图T1,第一标准卷积层卷积核数量为16,卷积核尺寸为3×3,步长为2;特征图T1为16通道的128×128;将特征图T1输入到第一规范化激活层进行批归一化和激活操作,得到特征图T2;特征图T2为16通道的128×128;将特征图T2输入到第二标准卷积层进行卷积操作,得到特征图T3,第二标准卷积层卷积核数量为32,卷积核尺寸为3×3,步长为2;特征图T3为32通道的64×64;将特征图T3输入到第二规范化激活层进行批归一化和激活操作,得到特征图T4;特征图T4为32通道的64×64。
本实施例中,标准卷积模块包括第一标准卷积层、第一规范化激活层、第二标准卷积层和第二规范化激活层。
将特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29,具体包括:
将注意力输入层(特征图T4)输入到第一标准卷积激活层进行卷积和激活操作,得到特征图T5,第一标准卷积激活层卷积核数量为32,卷积核尺寸为7×7,步长为1;特征图T5为32通道的64×64;将注意力输入层输入到第二标准卷积激活层进行卷积和激活操作,得到特征图T6,第二标准卷积激活层卷积核数量为32,卷积核尺寸为5×5,步长为1;特征图T6为32通道的64×64;将注意力输入层输入到第三标准卷积激活层进行卷积和激活操作,得到特征图T7,第三标准卷积激活层卷积核数量为32,卷积核尺寸为3×3,步长为1;特征图T7为32通道的64×64;将注意力输入层输入到第四标准卷积激活层进行卷积和激活操作,得到特征图T8,第四标准卷积激活层卷积核数量为32,卷积核尺寸为1×1,步长为1;特征图T8为32通道的64×64。
将特征图T5、特征图T6和特征图T7输入到第一张量拼接层进行张量拼接操作,得到特征图T9;特征图T9为96通道的64×64;将特征图T9输入到第三标准卷积层进行卷积操作,得到特征图T10,第三标准卷积层卷积核数量为32,卷积核尺寸为3×3,步长为1;特征图T10为32通道的64×64;将特征图T8和特征图T10输入到第一元素相乘层进行元素相乘操作,得到特征图T11,特征图T11为32通道的64×64;将特征图T8和特征图T11输入到第一元素相加层进行元素相加操作,得到特征图T12,特征图T12为32通道的64×64;将特征图T12输入到第五标准卷积激活层进行卷积和激活操作,得到特征图T13,第五标准卷积激活层卷积核数量为32,卷积核尺寸为1×1,步长为1;特征图T13为32通道的64×64。
将特征图T13输入到第一最大池化层进行最大池化操作,得到特征图T14;特征图T14为32通道的32×32;将特征图T14输入到第六标准卷积激活层进行卷积和激活操作,得到特征图T15,第六标准卷积激活层卷积核数量为32,卷积核尺寸为3×3,步长为1;特征图T15为32通道的32×32;将特征图T15输入到第七标准卷积激活层进行卷积和激活操作,得到特征图T16,第七标准卷积激活层卷积核数量为32,卷积核尺寸为3×3,步长为1;特征图T16为32通道的32×32;将特征图T16输入到第一激活函数层进行激活操作,得到特征图T17;特征图T17为32通道的32×32;将特征图T17输入到第一全局平均池化层进行全局平均池化操作,得到特征图T18;特征图T18为(32,);将特征图T18输入到第一张量重塑层进行张量重塑操作,得到特征图T19;特征图T19为32通道的1×1。
将特征图T13输入到第二最大池化层进行最大池化操作,得到特征图T20;特征图T20为32通道的32×32;将特征图T20输入到第二全局平均池化层进行全局平均池化操作,得到特征图T21;特征图T21为(32,);(32,)表示经过全局平均池化后,每个通道的32×32的二维数组被简化为一个单一的值;对于32个通道,最终得到一个包含32个元素的一维向量;这个向量(特征图T21)的维度为(32,),表示它是一维的,并且包含32个值,每个值代表原先对应通道的全局平均激活强度。将特征图T21输入到第二张量重塑层进行张量重塑操作,得到特征图T22;特征图T22为32通道的1×1;将特征图T22输入到第一全连接层进行全连接操作,得到特征图T23;特征图T23为32通道的1×1;将特征图T23输入到第三张量重塑层进行张量重塑操作,得到特征图T24;特征图T24为32通道的1×1;将特征图T24输入到第二激活函数层进行激活操作,得到特征图T25;特征图T25为32通道的1×1;将特征图T13和特征图T25输入到第二元素相乘层进行元素相乘操作,得到特征图T26;特征图T26为32通道的64×64。
将特征图T19和特征图T26输入到第三元素相乘层进行元素相乘操作,得到特征图T27;特征图T27为32通道的64×64;将特征图T4和特征图T27输入到第二元素相加层进行元素相加操作,得到特征图T28;特征图T28为32通道的64×64;将特征图T28输入到第八标准卷积激活层进行卷积和激活操作,得到特征图T29,第八标准卷积激活层卷积核数量为32,卷积核尺寸为1×1,步长为1;特征图T29为32通道的64×64。
本实施例中,双分支注意力模块包括注意力输入层、第一标准卷积激活层、第二标准卷积激活层、第三标准卷积激活层、第四标准卷积激活层、第一张量拼接层、第三标准卷积层、第一元素相乘层、第一元素相加层、第五标准卷积激活层、第一最大池化层、第六标准卷积激活层、第七标准卷积激活层、第一激活函数层、第一全局平均池化层、第一张量重塑层、第二最大池化层、第二全局平均池化层、第二张量重塑层、第一全连接层、第三张量重塑层、第二激活函数层、第二元素相乘层、第三元素相乘层、第二元素相加层、第八标准卷积激活层。
将特征图T29输入到第一残差模块进行残差操作,得到特征图T40,具体包括:
将第一残差输入层(特征图T29)输入到第四标准卷积层进行卷积操作,得到特征图T30,第四标准卷积层卷积核数量为64,卷积核尺寸为3×3,步长为2;特征图T30为64通道的32×32;将特征图T30输入到第三规范化激活层进行批归一化和激活操作,得到特征图T31;特征图T31为64通道的32×32;将特征图T31输入到第六标准卷积层进行卷积操作,得到特征图T34,第六标准卷积层卷积核数量为64,卷积核尺寸为3×3,步长为2;特征图T34为64通道的16×16;将特征图T34输入到第五规范化激活层进行批归一化和激活操作,得到特征图T35;特征图T35为64通道的16×16;将特征图T31输入到第七标准卷积层进行卷积操作,得到特征图T36,第七标准卷积层卷积核数量为64,卷积核尺寸为3×3,步长为2;特征图T36为64通道的16×16;将特征图T36输入到第六规范化激活层进行批归一化和激活操作,得到特征图T37;特征图T37为64通道的16×16;将特征图T35和特征图T37输入到第三元素相加层进行元素相加操作,得到特征图T38;特征图T38为64通道的16×16。
将第一残差输入层输入到第五标准卷积层进行卷积操作,得到特征图T32,第五标准卷积层卷积核数量为64,卷积核尺寸为1×1,步长为2;特征图T32为64通道的32×32;将特征图T32输入到第四规范化激活层进行批归一化和激活操作,得到特征图T33;特征图T33为64通道的32×32;将特征图T33输入到第三最大池化层进行最大池化操作,得到特征图T39;特征图T39为64通道的16×16。
将特征图T38和特征图T39输入到第二张量拼接层进行张量拼接操作,得到特征图T40;特征图T40为128通道的16×16。
将特征图T40输入到第二残差模块进行残差操作,得到特征图T50,具体包括:
将第二残差输入层(特征图T40)输入到第八标准卷积层进行卷积操作,得到特征图T41,第八标准卷积层卷积核数量为128,卷积核尺寸为3×3,步长为2;特征图T41为128通道的8×8;将特征图T41输入到第七规范化激活层进行批归一化和激活操作,得到特征图T42;特征图T42为128通道的8×8;将特征图T42输入到第十标准卷积层进行卷积操作,得到特征图T45,第十标准卷积层卷积核数量为128,卷积核尺寸为1×1,步长为1;特征图T45为128通道的8×8;将特征图T45输入到第九规范化激活层进行批归一化和激活操作,得到特征图T46;特征图T46为128通道的8×8;将特征图T42输入到第十一标准卷积层进行卷积操作,得到特征图T47,第十一标准卷积层卷积核数量为128,卷积核尺寸为1×1,步长为1;特征图T47为128通道的8×8;将特征图T47输入到第十规范化激活层进行批归一化和激活操作,得到特征图T48;特征图T48为128通道的8×8;将特征图T46和特征图T48输入到第四元素相加层进行元素相加操作,得到特征图T49;特征图T49为128通道的8×8。
将第二残差输入层输入到第九标准卷积层进行卷积操作,得到特征图T43,第九标准卷积层卷积核数量为64,卷积核尺寸为1×1,步长为2;特征图T43为128通道的8×8;将特征图T43输入到第八规范化激活层进行批归一化和激活操作,得到特征图T44;特征图T44为128通道的8×8。
将特征图T44和特征图T49输入到第三张量拼接层进行张量拼接操作,得到特征图T50;特征图T50为256通道的8×8。
将特征图T50输入到第三残差模块进行残差操作,得到特征图T61,具体包括:
将第三残差输入层(特征图T50)输入到第十二标准卷积层进行卷积操作,得到特征图T51,第十二标准卷积层卷积核数量为256,卷积核尺寸为3×3,步长为2;特征图T51为256通道的4×4;将特征图T51输入到第十一规范化激活层进行批归一化和激活操作,得到特征图T52;特征图T52为256通道的4×4;将特征图T52输入到第十四标准卷积层进行卷积操作,得到特征图T55,第十四标准卷积层卷积核数量为256,卷积核尺寸为3×3,步长为1;特征图T55为256通道的4×4;将特征图T55输入到第十三规范化激活层进行批归一化和激活操作,得到特征图T56;特征图T56为256通道的4×4;将特征图T52输入到第十五标准卷积层进行卷积操作,得到特征图T57,第十五标准卷积层卷积核数量为256,卷积核尺寸为3×3,步长为1;特征图T57为256通道的4×4;将特征图T57输入到第十四规范化激活层进行批归一化和激活操作,得到特征图T58;特征图T58为256通道的4×4;将特征图T56和特征图T58输入到第五元素相加层进行元素相加操作,得到特征图T59;特征图T59为256通道的4×4。
将第三残差输入层输入到第十三标准卷积层进行卷积操作,得到特征图T53,第十三标准卷积层卷积核数量为256,卷积核尺寸为1×1,步长为1;特征图T53为256通道的8×8;将特征图T53输入到第十二规范化激活层进行批归一化和激活操作,得到特征图T54;特征图T54为256通道的8×8;将特征图T54输入到第四最大池化层进行最大池化操作,得到特征图T60;特征图T60为256通道的4×4。
将特征图T59和特征图T60输入到第四张量拼接层进行张量拼接操作,得到特征图T61;特征图T61为512通道的4×4。
本实施例中,上述内容为检测网络中的特征提取网络,下文为检测头网络。
将特征图T61进行上采样与特征图T50输入到第五张量拼接层进行张量拼接操作,得到特征图T62;特征图T62为768通道的8×8;将特征图T62进行上采样与特征图T40输入到第六张量拼接层进行张量拼接操作,得到特征图T63;特征图T63为384通道的16×16;特征图T61、特征图T62、特征图T63分别为检测网络的第一尺度特征、第二尺度特征和第三尺度特征。
根据第一尺度特征、第二尺度特征和第三尺度特征捕获不同尺度的特征,从而能够检测不同大小的对象;一个检测头负责寻找特定尺度的特征图上的物体;较小的特征图用来检测较大的物体,因为它们包含了更高层次、更抽象的信息;相反,较大的特征图则用于检测较小的物体,因为它们保留了更多的空间细节;每个检测头的输出通常包含三个主要部分:一是物体的边界框(bounding boxes),二是物体类别的概率得分,三是一个关于物体存在的置信度分数(confidence score);边界框用于指定图像中物体的位置和大小,类别概率得分表明了每个类别适配该边界框的可能性有多大,而置信度分数则是指模型对检测到的物体是否真实存在的把握程度;在模型的训练过程中,每个检测头都将学习特定的特征,并根据其在网络中的位置对不同大小的物体进行预测。
首先,模型输出的原始预测需要解码成实际的边界框坐标;将模型的输出与先验定义的锚框(anchor boxes)相结合,通过数学运算转换成图像坐标系中的实际边界框;随后,模型需要计算每个预测边界框的类别得分,并将这些得分与置信度分数结合起来,以得出最终的得分;这个得分将用于判断边界框内是否包含物体,以及物体的类别;最后,为了减少重叠和错误的检测,通常会应用非极大值抑制(NMS)算法;NMS通过比较所有检测框的得分,并保留得分最高的同时抑制那些与高得分检测框重叠度高的边界框;可以确保每个物体只被检测一次,并且检测结果是最优的;这个多尺度检测机制使得模型在检测不同大小物体时更加灵活和准确;小尺度的特征图可以捕获到小物体的细节,而大尺度的特征图则包含了对大物体的全局信息;通过这种方式,模型能够在不同的图像区域和不同的尺度上执行准确的目标检测。
根据识别结果,分析部件区域的温度,得到热成像特征,具体包括:
根据识别结果使用图像处理库OpenCV切割出每个部件的图像区域;此切割操作基于边界框坐标,提取出每个识别部件的图像,确保后续分析针对的是特定部件;对于每个切割出的部件图像区域,根据该区域内的像素值来计算平均温度和最高温度;在热成像图像中,像素值一般与温度直接相关,这些值可以通过图像的元数据或摄像头的标定信息转换为实际温度值。
对于每个切割出的部件图像区域,遍历所有像素,根据该区域内的像素值来计算平均温度和最高温度;这一步的目的是为了从每个部件的图像区域中提取与温度相关的特征,这些特征可以反映部件的热状态,也可以作为后续LSTM模型的输入;这一步可以使用OpenCV的cv2.mean函数和cv2.minMax Loc函数来计算图像区域的平均温度和最高温度;平均温度是所有像素温度值的平均数,提供了部件整体的温度信息;最高温度是区域内所有像素温度值中的最大值,指示可能的热点或过热区域。
步骤S4:结合标准温度数据和热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态,具体包括:
收集开关柜内各部件(触头、母排、电缆接头、断路器)过去一段时间内的温度记录;收集与历史温度记录同期的热成像图像;确保每个图像都有时间戳,以便与温度数据匹配。
本实施例,采用过去一段时间特征作为辅助输入变量,根据实际情况调整采用季节特征、特殊事件特征(记录设备过去是否经历过电流过载或短路等事件,这些事件可能导致设备部件产生额外的热量;设备过去的异常报警记录,如过热报警,也可以作为预测未来温度的参考);其他时间特征(设备在一天中不同时间段的工作状态,比如高峰时段和非高峰时段可能会有不同的负载特性;与历史同一时间段的温度数据进行比较,考虑长期趋势和周期性变化)。
将标准温度数据和热成像特征整合,形成数据集,具体包括:
输入数据集主要由两部分组成:温度数据和热成像特征;标准温度数据包括历史温度记录,这些记录反映了开关柜内各部件在过去一段时间内的温度变化情况;经过滤波(去除噪声和异常值)和校准(确保数据准确性)的数据,以确保输入数据的质量;热成像特征包括平均温度和最高温度,这两个特征分别从每个部件的热成像图像区域计算得到;这些特征反映了每个部件的整体温度状态和潜在的过热区域。
输出数据集是模型需要预测的目标值,即未来一段时间内各部件的温度;输出可以是某个未来时间点的温度预测值,或者一个未来时间段内的温度趋势(例如,接下来24小时内每小时的温度预测)。
数据集包括训练集和测试集,具体包括:
训练集,选取历史数据的一个时间段(如过去一年的数据),包括对应时间点的温度数据和热成像特征作为输入,以及这些时间点后一段时间的实际温度作为输出,这部分数据用于训练长短期记忆网络(LSTM)模型。
测试集,选取与训练集不重叠的另一段历史数据,同样包括输入的温度数据和热成像特征,以及预测的输出温度,这部分数据用于评估模型的预测性能。
使用LSTM进行模型训练,具体包括:
使用训练集数据训练LSTM模型,模型通过学习输入数据(温度数据和热成像特征)与输出数据(未来温度)之间的关系,来预测温度变化;长短期记忆网络(LSTM)是一种循环神经网络的变体,它可以处理长期依赖的序列数据,如时间序列数据,它由输入门、遗忘门、输出门和记忆单元组成,可以学习和记忆序列数据的长期和短期特征。
初始化模型的参数,如权重矩阵和偏置向量,可以使用随机数或正态分布等方法;从训练集中随机抽取一个批次的数据,将其输入到模型中,计算模型的输出和损失函数的值;根据损失函数的梯度,使用优化算法,更新模型的参数;重复上述步骤,直到训练集中的所有数据都被训练过,或者达到预设的训练轮数或停止条件;使用测试集中的数据,将其输入到模型中,计算模型的输出和损失函数的值,以及其他评估指标,如准确率、召回率、F1值等,来评估模型的性能和泛化能力;如果模型的性能和泛化能力达到预期的水平,或者无法进一步提升,那么停止训练,保存模型的参数,否则继续训练,直到满足条件。
本实施例中,后续进行故障预防和维护;目的是根据预测得到的未来温度状态,实现对开关柜内部的故障预防和维护,具体包括:
根据预测结果设置阈值,超过阈值时发出预警信号,并将告警信息发送到远程监控中心;阈值可以根据开关柜的设计规范和安全要求进行设定,也可以根据历史数据和统计分析进行动态调整;预警信号可以是声音、灯光或其他形式;告警信息可以包括开关柜的编号、位置、温度、时间等,以便远程监控中心及时了解情况并采取措施。
根据预测的温度趋势,制定预防性维护计划,包括但不限于调整运行参数、进行部件清理或更换等;维护决策可以根据预测结果的不确定性、风险评估、成本效益分析等进行优化,以达到最佳的维护效果;维护计划可以通过远程监控中心下发给现场人员,或者由现场人员自主执行。
持续监控LSTM模型的预测准确性和实际应用效果;使用实时数据不断评估模型预测的准确度,确保模型能够可靠地预测未来温度;定期将新收集的温度数据和热成像数据整合到训练集中,以更新模型;这有助于模型适应可能的新变化,如设备老化、环境变化等;根据性能监控的结果,适时调整LSTM模型的结构或参数,包括增加隐藏层的数量、调整学习率等,以提高预测的准确性和鲁棒性。
实施例2
如图7所示,本发明公开一种开关柜温度监测系统,系统包括:
数据采集模块10,用于对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像。
数据处理模块20,用于对温度数据进行滤波、校准,得到各部件的标准温度数据。
特征提取模块30,用于将热成像图像输入检测网络进行特征提取,得到识别结果;根据识别结果,分析部件区域的温度,得到热成像特征。
模型构造模块40,用于结合标准温度数据和热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。
作为一种可选地实施方式,本发明数据处理模块20,具体包括:
建立状态方程和观测方程,表示为:
/>
式中,为/>时刻开关柜内各部件的状态变量。
表示为:
式中,为第/>个部件的真实温度,/>为第/>个部件的真实温度变化率。
为开关柜内各部件的测量温度和其他部件的干扰温度,/>表示为:
式中,为第/>个部件的测量温度,/>;/>为其他部件的干扰温度,;/>为状态转移矩阵;/>为控制输入矩阵;/>为控制输入向量;/>为观测矩阵;/>为系统过程噪声;/>为系统观测噪声。
根据上一时刻的状态估计和控制输入,预测当前时刻的状态估计和误差协方差,表示为:
式中,为/>时刻的状态先验估计;/>为/>时刻的误差协方差先验估计;为/>时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为过程噪声协方差矩阵。
根据当前时刻的观测数据和先验估计,利用贝叶斯法则,更新当前时刻的状态后验估计和误差协方差后验估计,表示为:
式中,为/>时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为卡尔曼增益;/>为单位矩阵;/>为观测噪声协方差矩阵。
输出状态后验估计,即温度传感器的滤波和校准后的数据,表示为:
式中,为第/>个部件的温度估计值。
作为一种可选地实施方式,本发明特征提取模块30,具体包括:
标准卷积子模块,用于将热成像图像输入到标准卷积模块进行卷积操作,得到特征图T4。
双分支注意力子模块,用于将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29。
残差子模块,用于将所述特征图T29依次输入到第一残差模块、第二残差模块和第三残差模块进行残差操作,得到特征图T61。
特征生成子模块,用于将所述特征图T61进行上采样与特征图T50输入到第五张量拼接层进行张量拼接操作,得到特征图T62;将所述特征图T62进行上采样与特征图T40输入到第六张量拼接层进行张量拼接操作,得到特征图T63;所述特征图T61、所述特征图T62、所述特征图T63分别为检测网络第一尺度特征、第二尺度特征和第三尺度特征。
特征识别子模块,用于根据所述第一尺度特征、所述第二尺度特征和所述第三尺度特征进行识别,得到识别结果。
作为一种可选地实施方式,本发明双分支注意力子模块,具体包括:
将注意力输入层输入到第一标准卷积激活层进行卷积和激活操作,得到特征图T5,所述注意力输入层为特征图T4;将所述注意力输入层输入到第二标准卷积激活层进行卷积和激活操作,得到特征图T6;将所述注意力输入层输入到第三标准卷积激活层进行卷积和激活操作,得到特征图T7;将所述注意力输入层输入到第四标准卷积激活层进行卷积和激活操作,得到特征图T8。
将所述特征图T5、所述特征图T6和所述特征图T7输入到第一张量拼接层进行张量拼接操作,得到特征图T9;将所述特征图T9输入到第三标准卷积层进行卷积操作,得到特征图T10;将所述特征图T8和所述特征图T10输入到第一元素相乘层进行元素相乘操作,得到特征图T11;将所述特征图T8和所述特征图T11输入到第一元素相加层进行元素相加操作,得到特征图T12;将所述特征图T12输入到第五标准卷积激活层进行卷积和激活操作,得到特征图T13。
将所述特征图T13输入到第一最大池化层进行最大池化操作,得到特征图T14;将所述特征图T14输入到第六标准卷积激活层进行卷积和激活操作,得到特征图T15;将所述特征图T15输入到第七标准卷积激活层进行卷积和激活操作,得到特征图T16;将所述特征图T16输入到第一激活函数层进行激活操作,得到特征图T17;将所述特征图T17输入到第一全局平均池化层进行全局平均池化操作,得到特征图T18;将所述特征图T18输入到第一张量重塑层进行张量重塑操作,得到特征图T19。
将所述特征图T13输入到第二最大池化层进行最大池化操作,得到特征图T20;将所述特征图T20输入到第二全局平均池化层进行全局平均池化操作,得到特征图T21;将所述特征图T21输入到第二张量重塑层进行张量重塑操作,得到特征图T22;将所述特征图T22输入到第一全连接层进行全连接操作,得到特征图T23;将所述特征图T23输入到第三张量重塑层进行张量重塑操作,得到特征图T24;将所述特征图T24输入到第二激活函数层进行激活操作,得到特征图T25;将所述特征图T13和所述特征图T25输入到第二元素相乘层进行元素相乘操作,得到特征图T26。
将所述特征图T19和所述特征图T26输入到第三元素相乘层进行元素相乘操作,得到特征图T27;将所述特征图T4和所述特征图T27输入到第二元素相加层进行元素相加操作,得到特征图T28;将所述特征图T28输入到第八标准卷积激活层进行卷积和激活操作,得到特征图T29。
作为一种可选地实施方式,本发明第一残差模块,具体包括:
将第一残差输入层输入到第四标准卷积层进行卷积操作,得到特征图T30,所述第一残差输入层为特征图T29;将所述特征图T30输入到第三规范化激活层进行批归一化和激活操作,得到特征图T31;将所述特征图T31输入到第六标准卷积层进行卷积操作,得到特征图T34;将所述特征图T34输入到第五规范化激活层进行批归一化和激活操作,得到特征图T35;将所述特征图T31输入到第七标准卷积层进行卷积操作,得到特征图T36;将所述特征图T36输入到第六规范化激活层进行批归一化和激活操作,得到特征图T37;将所述特征图T35和所述特征图T37输入到第三元素相加层进行元素相加操作,得到特征图T38。
将所述第一残差输入层输入到第五标准卷积层进行卷积操作,得到特征图T32;将所述特征图T32输入到第四规范化激活层进行批归一化和激活操作,得到特征图T33;将所述特征图T33输入到第三最大池化层进行最大池化操作,得到特征图T39。
将所述特征图T38和所述特征图T39输入到第二张量拼接层进行张量拼接操作,得到特征图T40。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (6)
1.一种开关柜温度监测方法,其特征在于,所述方法包括:
步骤S1:对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像;
步骤S2:对所述温度数据进行滤波、校准,得到各部件的标准温度数据,具体包括:
建立状态方程和观测方程,表示为:
;
;
式中,为/>时刻开关柜内各部件的状态变量;
表示为:
;
式中,为第/>个部件的真实温度,/>为第/>个部件的真实温度变化率;/>为开关柜内各部件的测量温度和其他部件的干扰温度,/>表示为:
;
式中,为第/>个部件的测量温度,/>;/>为其他部件的干扰温度,;/>为状态转移矩阵;/>为控制输入矩阵;/>为控制输入向量;/>为观测矩阵;/>为系统过程噪声;/>为系统观测噪声;
根据上一时刻的状态估计和控制输入,预测当前时刻的状态估计和误差协方差,表示为:
;
;
式中,为/>时刻的状态先验估计;/>为/>时刻的误差协方差先验估计;/>为时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为过程噪声协方差矩阵;
根据当前时刻的观测数据和先验估计,利用贝叶斯法则,更新当前时刻的状态后验估计和误差协方差后验估计,表示为:
;
;
;
式中,为/>时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为卡尔曼增益;/>为单位矩阵;/>为观测噪声协方差矩阵;
输出状态后验估计,即温度传感器的滤波和校准后的数据,表示为:
;
式中,为第/>个部件的温度估计值;
步骤S3:将所述热成像图像输入检测网络进行特征提取,得到识别结果,具体包括:
将所述热成像图像输入到标准卷积模块进行卷积操作,得到特征图T4;
将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29;
将所述特征图T29依次输入到第一残差模块、第二残差模块和第三残差模块进行残差操作,得到特征图T61;
将所述特征图T61进行上采样与特征图T50输入到第五张量拼接层进行张量拼接操作,得到特征图T62;将所述特征图T62进行上采样与特征图T40输入到第六张量拼接层进行张量拼接操作,得到特征图T63;所述特征图T61、所述特征图T62、所述特征图T63分别为检测网络第一尺度特征、第二尺度特征和第三尺度特征;
根据所述第一尺度特征、所述第二尺度特征和所述第三尺度特征进行识别,得到识别结果;
根据所述识别结果,分析部件区域的温度,得到热成像特征;
步骤S4:结合所述标准温度数据和所述热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。
2.根据权利要求1所述的一种开关柜温度监测方法,其特征在于,所述将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29,具体包括:
将注意力输入层输入到第一标准卷积激活层进行卷积和激活操作,得到特征图T5,所述注意力输入层为特征图T4;将所述注意力输入层输入到第二标准卷积激活层进行卷积和激活操作,得到特征图T6;将所述注意力输入层输入到第三标准卷积激活层进行卷积和激活操作,得到特征图T7;将所述注意力输入层输入到第四标准卷积激活层进行卷积和激活操作,得到特征图T8;
将所述特征图T5、所述特征图T6和所述特征图T7输入到第一张量拼接层进行张量拼接操作,得到特征图T9;将所述特征图T9输入到第三标准卷积层进行卷积操作,得到特征图T10;将所述特征图T8和所述特征图T10输入到第一元素相乘层进行元素相乘操作,得到特征图T11;将所述特征图T8和所述特征图T11输入到第一元素相加层进行元素相加操作,得到特征图T12;将所述特征图T12输入到第五标准卷积激活层进行卷积和激活操作,得到特征图T13;
将所述特征图T13输入到第一最大池化层进行最大池化操作,得到特征图T14;将所述特征图T14输入到第六标准卷积激活层进行卷积和激活操作,得到特征图T15;将所述特征图T15输入到第七标准卷积激活层进行卷积和激活操作,得到特征图T16;将所述特征图T16输入到第一激活函数层进行激活操作,得到特征图T17;将所述特征图T17输入到第一全局平均池化层进行全局平均池化操作,得到特征图T18;将所述特征图T18输入到第一张量重塑层进行张量重塑操作,得到特征图T19;
将所述特征图T13输入到第二最大池化层进行最大池化操作,得到特征图T20;将所述特征图T20输入到第二全局平均池化层进行全局平均池化操作,得到特征图T21;将所述特征图T21输入到第二张量重塑层进行张量重塑操作,得到特征图T22;将所述特征图T22输入到第一全连接层进行全连接操作,得到特征图T23;将所述特征图T23输入到第三张量重塑层进行张量重塑操作,得到特征图T24;将所述特征图T24输入到第二激活函数层进行激活操作,得到特征图T25;将所述特征图T13和所述特征图T25输入到第二元素相乘层进行元素相乘操作,得到特征图T26;
将所述特征图T19和所述特征图T26输入到第三元素相乘层进行元素相乘操作,得到特征图T27;将所述特征图T4和所述特征图T27输入到第二元素相加层进行元素相加操作,得到特征图T28;将所述特征图T28输入到第八标准卷积激活层进行卷积和激活操作,得到特征图T29。
3.根据权利要求1所述的一种开关柜温度监测方法,其特征在于,所述第一残差模块,具体包括:
将第一残差输入层输入到第四标准卷积层进行卷积操作,得到特征图T30,所述第一残差输入层为特征图T29;将所述特征图T30输入到第三规范化激活层进行批归一化和激活操作,得到特征图T31;将所述特征图T31输入到第六标准卷积层进行卷积操作,得到特征图T34;将所述特征图T34输入到第五规范化激活层进行批归一化和激活操作,得到特征图T35;将所述特征图T31输入到第七标准卷积层进行卷积操作,得到特征图T36;将所述特征图T36输入到第六规范化激活层进行批归一化和激活操作,得到特征图T37;将所述特征图T35和所述特征图T37输入到第三元素相加层进行元素相加操作,得到特征图T38;
将所述第一残差输入层输入到第五标准卷积层进行卷积操作,得到特征图T32;将所述特征图T32输入到第四规范化激活层进行批归一化和激活操作,得到特征图T33;将所述特征图T33输入到第三最大池化层进行最大池化操作,得到特征图T39;
将所述特征图T38和所述特征图T39输入到第二张量拼接层进行张量拼接操作,得到特征图T40。
4.一种开关柜温度监测系统,其特征在于,所述系统包括:
数据采集模块,用于对开关柜内部部件进行温度测量和图像采集,得到温度数据和对应的热成像图像;
数据处理模块,用于对所述温度数据进行滤波、校准,得到各部件的标准温度数据,具体包括:
建立状态方程和观测方程,表示为:
;
;
式中,为/>时刻开关柜内各部件的状态变量;
表示为:
;
式中,为第/>个部件的真实温度,/>为第/>个部件的真实温度变化率;/>为开关柜内各部件的测量温度和其他部件的干扰温度,/>表示为:
;
式中,为第/>个部件的测量温度,/>;/>为其他部件的干扰温度,;/>为状态转移矩阵;/>为控制输入矩阵;/>为控制输入向量;/>为观测矩阵;/>为系统过程噪声;/>为系统观测噪声;
根据上一时刻的状态估计和控制输入,预测当前时刻的状态估计和误差协方差,表示为:
;
;
式中,为/>时刻的状态先验估计;/>为/>时刻的误差协方差先验估计;/>为时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为过程噪声协方差矩阵;
根据当前时刻的观测数据和先验估计,利用贝叶斯法则,更新当前时刻的状态后验估计和误差协方差后验估计,表示为:
;
;
;
式中,为/>时刻的状态后验估计;/>为/>时刻的误差协方差后验估计;/>为卡尔曼增益;/>为单位矩阵;/>为观测噪声协方差矩阵;
输出状态后验估计,即温度传感器的滤波和校准后的数据,表示为:
;
式中,为第/>个部件的温度估计值;
特征提取模块,用于将热成像图像输入检测网络进行特征提取,得到识别结果,具体包括:
标准卷积子模块,用于将热成像图像输入到标准卷积模块进行卷积操作,得到特征图T4;
双分支注意力子模块,用于将所述特征图T4输入到双分支注意力模块进行注意力操作,得到特征图T29;
残差子模块,用于将所述特征图T29依次输入到第一残差模块、第二残差模块和第三残差模块进行残差操作,得到特征图T61;
特征生成子模块,用于将所述特征图T61进行上采样与特征图T50输入到第五张量拼接层进行张量拼接操作,得到特征图T62;将所述特征图T62进行上采样与特征图T40输入到第六张量拼接层进行张量拼接操作,得到特征图T63;所述特征图T61、所述特征图T62、所述特征图T63分别为检测网络第一尺度特征、第二尺度特征和第三尺度特征;
特征识别子模块,用于根据所述第一尺度特征、所述第二尺度特征和所述第三尺度特征进行识别,得到识别结果;
根据所述识别结果,分析部件区域的温度,得到热成像特征;
模型构造模块,用于结合所述标准温度数据和所述热成像特征建立温度反演模型,预测开关柜内部部件的未来温度状态。
5.根据权利要求4所述的一种开关柜温度监测系统,其特征在于,所述双分支注意力子模块,具体包括:
将注意力输入层输入到第一标准卷积激活层进行卷积和激活操作,得到特征图T5,所述注意力输入层为特征图T4;将所述注意力输入层输入到第二标准卷积激活层进行卷积和激活操作,得到特征图T6;将所述注意力输入层输入到第三标准卷积激活层进行卷积和激活操作,得到特征图T7;将所述注意力输入层输入到第四标准卷积激活层进行卷积和激活操作,得到特征图T8;
将所述特征图T5、所述特征图T6和所述特征图T7输入到第一张量拼接层进行张量拼接操作,得到特征图T9;将所述特征图T9输入到第三标准卷积层进行卷积操作,得到特征图T10;将所述特征图T8和所述特征图T10输入到第一元素相乘层进行元素相乘操作,得到特征图T11;将所述特征图T8和所述特征图T11输入到第一元素相加层进行元素相加操作,得到特征图T12;将所述特征图T12输入到第五标准卷积激活层进行卷积和激活操作,得到特征图T13;
将所述特征图T13输入到第一最大池化层进行最大池化操作,得到特征图T14;将所述特征图T14输入到第六标准卷积激活层进行卷积和激活操作,得到特征图T15;将所述特征图T15输入到第七标准卷积激活层进行卷积和激活操作,得到特征图T16;将所述特征图T16输入到第一激活函数层进行激活操作,得到特征图T17;将所述特征图T17输入到第一全局平均池化层进行全局平均池化操作,得到特征图T18;将所述特征图T18输入到第一张量重塑层进行张量重塑操作,得到特征图T19;
将所述特征图T13输入到第二最大池化层进行最大池化操作,得到特征图T20;将所述特征图T20输入到第二全局平均池化层进行全局平均池化操作,得到特征图T21;将所述特征图T21输入到第二张量重塑层进行张量重塑操作,得到特征图T22;将所述特征图T22输入到第一全连接层进行全连接操作,得到特征图T23;将所述特征图T23输入到第三张量重塑层进行张量重塑操作,得到特征图T24;将所述特征图T24输入到第二激活函数层进行激活操作,得到特征图T25;将所述特征图T13和所述特征图T25输入到第二元素相乘层进行元素相乘操作,得到特征图T26;
将所述特征图T19和所述特征图T26输入到第三元素相乘层进行元素相乘操作,得到特征图T27;将所述特征图T4和所述特征图T27输入到第二元素相加层进行元素相加操作,得到特征图T28;将所述特征图T28输入到第八标准卷积激活层进行卷积和激活操作,得到特征图T29。
6.根据权利要求4所述的一种开关柜温度监测系统,其特征在于,所述第一残差模块,具体包括:
将第一残差输入层输入到第四标准卷积层进行卷积操作,得到特征图T30,所述第一残差输入层为特征图T29;将所述特征图T30输入到第三规范化激活层进行批归一化和激活操作,得到特征图T31;将所述特征图T31输入到第六标准卷积层进行卷积操作,得到特征图T34;将所述特征图T34输入到第五规范化激活层进行批归一化和激活操作,得到特征图T35;将所述特征图T31输入到第七标准卷积层进行卷积操作,得到特征图T36;将所述特征图T36输入到第六规范化激活层进行批归一化和激活操作,得到特征图T37;将所述特征图T35和所述特征图T37输入到第三元素相加层进行元素相加操作,得到特征图T38;
将所述第一残差输入层输入到第五标准卷积层进行卷积操作,得到特征图T32;将所述特征图T32输入到第四规范化激活层进行批归一化和激活操作,得到特征图T33;将所述特征图T33输入到第三最大池化层进行最大池化操作,得到特征图T39;
将所述特征图T38和所述特征图T39输入到第二张量拼接层进行张量拼接操作,得到特征图T40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410257790.5A CN117848515B (zh) | 2024-03-07 | 2024-03-07 | 一种开关柜温度监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410257790.5A CN117848515B (zh) | 2024-03-07 | 2024-03-07 | 一种开关柜温度监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117848515A CN117848515A (zh) | 2024-04-09 |
CN117848515B true CN117848515B (zh) | 2024-05-07 |
Family
ID=90542214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410257790.5A Active CN117848515B (zh) | 2024-03-07 | 2024-03-07 | 一种开关柜温度监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117848515B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820017A (zh) * | 2021-08-19 | 2021-12-21 | 西安理工大学 | 基于红外图像的发电机碳刷温度监测系统及温度预测方法 |
CN114821328A (zh) * | 2022-05-10 | 2022-07-29 | 南京南瑞信息通信科技有限公司 | 一种基于完全学习的电力图像处理方法及装置 |
CN115615575A (zh) * | 2022-10-24 | 2023-01-17 | 广西大学 | 一种多时间图谱卷积注意力网络的锅炉炉壁温度预测方法 |
CN115840917A (zh) * | 2022-10-09 | 2023-03-24 | 宁波菲仕技术股份有限公司 | 一种电机温升预测方法 |
CN116345340A (zh) * | 2023-05-30 | 2023-06-27 | 沈阳飞驰电气设备有限公司 | 一种开关柜智能监测系统 |
CN116865261A (zh) * | 2023-07-19 | 2023-10-10 | 王克佳 | 基于孪生网络的电力负荷预测方法及系统 |
CN117309159A (zh) * | 2023-09-04 | 2023-12-29 | 安徽中盛轨道交通产业有限公司 | 基于红外热成像的列车机柜火焰预警方法 |
CN117419814A (zh) * | 2023-11-10 | 2024-01-19 | 国网河南省电力公司郑州供电公司 | 一种基于电气设备红外热像的图像处理系统 |
CN117542049A (zh) * | 2024-01-09 | 2024-02-09 | 吉林建筑大学 | 基于深度学习的图像识别方法及系统 |
CN117633522A (zh) * | 2023-11-30 | 2024-03-01 | 江苏领储宇能科技有限公司 | 一种电池大模型云平台预警方法及系统 |
-
2024
- 2024-03-07 CN CN202410257790.5A patent/CN117848515B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820017A (zh) * | 2021-08-19 | 2021-12-21 | 西安理工大学 | 基于红外图像的发电机碳刷温度监测系统及温度预测方法 |
CN114821328A (zh) * | 2022-05-10 | 2022-07-29 | 南京南瑞信息通信科技有限公司 | 一种基于完全学习的电力图像处理方法及装置 |
CN115840917A (zh) * | 2022-10-09 | 2023-03-24 | 宁波菲仕技术股份有限公司 | 一种电机温升预测方法 |
CN115615575A (zh) * | 2022-10-24 | 2023-01-17 | 广西大学 | 一种多时间图谱卷积注意力网络的锅炉炉壁温度预测方法 |
CN116345340A (zh) * | 2023-05-30 | 2023-06-27 | 沈阳飞驰电气设备有限公司 | 一种开关柜智能监测系统 |
CN116865261A (zh) * | 2023-07-19 | 2023-10-10 | 王克佳 | 基于孪生网络的电力负荷预测方法及系统 |
CN117309159A (zh) * | 2023-09-04 | 2023-12-29 | 安徽中盛轨道交通产业有限公司 | 基于红外热成像的列车机柜火焰预警方法 |
CN117419814A (zh) * | 2023-11-10 | 2024-01-19 | 国网河南省电力公司郑州供电公司 | 一种基于电气设备红外热像的图像处理系统 |
CN117633522A (zh) * | 2023-11-30 | 2024-03-01 | 江苏领储宇能科技有限公司 | 一种电池大模型云平台预警方法及系统 |
CN117542049A (zh) * | 2024-01-09 | 2024-02-09 | 吉林建筑大学 | 基于深度学习的图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117848515A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240106974A1 (en) | Methods and systems for remote monitoring of electrical equipment | |
Reddy et al. | Condition monitoring of 11 kV distribution system insulators incorporating complex imagery using combined DOST-SVM approach | |
US20230152187A1 (en) | Fault signal locating and identifying method of industrial equipment based on microphone array | |
LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
Zhang et al. | A recognition technology of transmission lines conductor break and surface damage based on aerial image | |
CN109060039B (zh) | 一种电气预警保护方法 | |
KR100944791B1 (ko) | 수위 관측 시스템 및 수위레벨 원격 측정 방법 | |
CN113056665A (zh) | 使用混合传感系统对防火绝缘层下腐蚀进行检查与故障检测 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN110992393B (zh) | 一种基于视觉的目标运动跟踪方法 | |
Jadin et al. | Thermal condition monitoring of electrical installations based on infrared image analysis | |
CN114485954A (zh) | 一种电缆附件温度数据异常判断方法及系统 | |
Liu et al. | Fault diagnosis method of substation equipment based on You Only Look Once algorithm and infrared imaging | |
CN116609651A (zh) | 一种光伏用多功能断路器的检测方法 | |
CN117848515B (zh) | 一种开关柜温度监测方法及系统 | |
CN117057234B (zh) | 基于激光器的光纤测温点定位系统 | |
JP2010128711A (ja) | 天候変化検出装置、天候変化検出方法及び天候変化検出プログラム | |
CN117388893B (zh) | 一种基于gps的多设备定位系统 | |
CN116910491B (zh) | 一种雷电监测预警系统、方法、电子设备及存储介质 | |
CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
JP2022525963A (ja) | 機器監視のための装置 | |
CN110318953B (zh) | 风电机组电控系统的温度监控方法和设备 | |
Claro et al. | Detection and mapping of monopiles in offshore wind farms using autonomous surface vehicles | |
CN107808393B (zh) | 智能视频监控领域中具有抗干扰性的目标跟踪方法 | |
CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 |
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 |