CN117935004A - 接线状态监测方法、接线状态监测模型的训练方法及装置 - Google Patents
接线状态监测方法、接线状态监测模型的训练方法及装置 Download PDFInfo
- Publication number
- CN117935004A CN117935004A CN202410001407.XA CN202410001407A CN117935004A CN 117935004 A CN117935004 A CN 117935004A CN 202410001407 A CN202410001407 A CN 202410001407A CN 117935004 A CN117935004 A CN 117935004A
- Authority
- CN
- China
- Prior art keywords
- state monitoring
- wiring state
- monitoring model
- vertical terminal
- wiring
- 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 264
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 230000008054 signal transmission Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 30
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 210000001503 joint Anatomy 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种接线状态监测方法、接线状态监测模型的训练方法及装置。方法包括:采集电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输;将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果;根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。采用本方法能够提高接线状态识别准确率。
Description
技术领域
本申请涉及电力电子技术领域,特别是涉及一种接线状态监测方法、接线状态监测模型的训练方法及装置。
背景技术
在电力系统中,屏柜背部的竖端子接线状态的监测与诊断在变电站中具有重要意义。屏柜背部的竖端子的正确接线与否直接关系着继电保护功能是否正常,以及电网的安全稳定运行。
相关技术中,由于屏柜背部的竖端子处于柜内,外部巡检机器人无法打开柜门操作,因此一般需要在柜内安装导轨机器人来实现竖端子拍照。随后,通过卷积神经网络(Convolutional Neural Networks,CNN)等机器学习算法,对拍摄的屏柜背部端子图像进行特征提取和识别。
然而,由于屏柜背部端子的光照条件、接线方式、拍照角度等因素的复杂多变,传统的图像识别方法对于竖端子的接线状态的识别准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高接线状态识别准确率的接线状态监测方法、接线状态监测模型的训练方法及装置。
第一方面,本申请提供了一种接线状态监测方法。所述方法包括:
获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
在其中一个实施例中,所述残差神经网络中包括第一处理单元和多个第二处理单元,所述第一处理单元用于对输入的所述待检测图像进行预处理,所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
在其中一个实施例中,所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
在其中一个实施例中,在所述将所述竖端子的图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果之前,所述方法还包括:
获取所述电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型。
第二方面,本申请提供了一种接线状态监测模型的训练方法。所述方法包括:
获取电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
第三方面,本申请还提供了一种接线状态监测装置。所述装置包括:
采集模块,用于获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
监测模块,用于将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
确定模块,用于根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
在其中一个实施例中,所述残差神经网络中包括第一处理单元和多个第二处理单元,所述第一处理单元用于对输入的所述待检测图像进行预处理,所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
在其中一个实施例中,所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
在其中一个实施例中,所述装置还包括:
处理模块,用于获取所述电力系统中的各个屏柜背部的竖端子的历史图像;通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;使用所述样本集训练所述接线状态监测模型。
第四方面,本申请还提供了一种接线状态监测模型的训练装置。所述装置包括:
获取模块,用于获取电力系统中的各个屏柜背部的竖端子的历史图像;
生成模块,用于通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
训练模块,用于使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
第五方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的接线状态监测方法或第二方面所述的接线状态监测模型的训练方法。
第六方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的接线状态监测方法或第二方面所述的接线状态监测模型的训练方法。
第七方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现实现第一方面所述的接线状态监测方法或第二方面所述的接线状态监测模型的训练方法。
上述接线状态监测方法、接线状态监测模型的训练方法及装置,首先采集电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输。随后,将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。最后,根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。由于本申请中的接线状态监测模型,在识别待检测图像时,会对不同的特征图进行特征融合,从而使得对接线状态识别准确率更高。
附图说明
图1为本申请实施例提供的一种接线状态监测方法的应用环境图;
图2为本申请实施例提供的一种接线状态监测方法的流程示意图;
图3为本申请实施例提供的一种接线状态监测模型的结构示意图;
图4为本申请实施例提供的一种接线状态监测模型的训练方法的流程示意图;
图5为本申请实施例提供的另一种接线状态监测方法的流程示意图;
图6为本申请实施例提供的一种接线状态监测装置的结构框图;
图7为本申请实施例提供的一种接线状态监测模型的训练装置的结构框图;
图8为本申请实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的接线状态监测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102可以采集电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输。随后,终端102将屏柜背部的竖端子的待检测图像发送给服务器104。服务器104可以将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。最后,服务器104根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。
其中,终端102可以为任意具备图像拍摄功能的设备,包括但不限于摄像头、导轨机器人、个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种接线状态监测方法,以该方法应用于图1中的服务器为例进行说明,包括S201-S203:
S201、获取电力系统的屏柜背部的竖端子的待检测图像。
在本申请中,当需要对屏柜背部的竖端子进行监测时,服务器可以获取电力系统的屏柜背部的竖端子的待检测图像,以便对待检测图像进行识别,确定待检测图像中的竖端子的接线状态。
其中,上述屏柜背部的竖端子,可以为安装在屏柜背板上的一组竖直排列的电气连接端子。竖端子用于在电力系统中进行电气连接或信号传输,包括连接电源、信号线、通信线等电气设备。
应理解,本申请实施例对于如何获取电力系统的屏柜背部的竖端子的待检测图像,在一些实施例中,终端可以采集屏柜背部的竖端子的待检测图像,并将该屏柜背部的竖端子的待检测图像发送给服务器。
示例性的,上述终端可以为安装在屏柜背部的导轨机器人,该导轨机器人可以在柜内移动并拍摄竖端子的待检测图像。示例性的,该导轨机器人可以实时拍摄竖端子的待检测图像,或者,该导轨机器人也可以按照预设的时间间隔(例如一分钟、十分钟等)。
S202、将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果。
在本步骤中,当服务器获取电力系统的屏柜背部的竖端子的待检测图像后,可以将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果。
其中,接线状态监测结果用于表征竖端子的通断。上述通断可以指示竖端子是否连接,也可以指示竖端子是否接触。
下面对于本申请涉及的接线状态监测模型进行说明。
在一些实施例中,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。
示例性的,上述接线状态监测模型可以为改进后的更快的区域卷积神经网络(Faster Region-based Convolutional Neural Network,Faster R-CNN)模型。该FasterR-CNN模型主要采用残差神经网络(Residual Neural Network,ResNet)进行改进,残差神经网络可以为ResNet50网络,即网络深度为50的ResNet。
应理解,ResNet50网络从残差扩展网络(Residual Networks with ExtremelyLarge Number of Training Samples,ResneXt)、启发式(inception)网络网络和选择性卷积网络(Selective Kernel Network,SK Net)网络的思想中汲取灵感。通过增加不同大小的感受域和跨通道之间的相互作用,在不显着增加参数数量的情况下进一步提高了精度。
示例性的,ResNet50网络的网络结构可以集成不同的特征层。示例性的,表1为本申请实施例提供的一种ResNet50网络的结构表,如表1所示,ResNet网络集成了不同的特征层,允许较低层的高语义信息特征图和较高层的粗目标位置特征图的融合,从而使得ResNet50网络在分类、分割和检测方面取得满意的结果。
在本申请中,接线状态监测模型可以为改进的Faster R-CNN模型,将Faster R-CNN模型中的VGG16网络替换为ResNet网络,由于适当的深度和高度的非线性,ResNet50网络可以提取更详细的特征,从而使得接线状态监测模型的识别准确度更高。
表1
在一些实施例中,残差神经网络中包括第一处理单元和多个第二处理单元,第一处理单元用于对输入的待检测图像进行预处理,多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
其中,多个第二处理单元可以为大于2的任意数量,例如四个。同时,每个第二处理单元中均包括不同数量的瓶颈子单元,例如三个、四个、六个等。
在一些实施例中,瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,第一瓶颈子单元和第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
示例的,图3为本申请实施例提供的一种接线状态监测模型的结构示意图。如图3所示,接线状态监测模型包括一个第一处理单元和四个第二处理单元,第一处理单元对应处理阶段(STAGE)0,四个第二处理单元分别对应STAGE1-4。其中,STAGE0中包括一个卷积层和一个最大池化层,用于对输入的待检测图像进行预处理。STAGE1中包括第一瓶颈子单元和两个第二瓶颈子单元,共三个瓶颈子单元。STAGE2中包括第一瓶颈子单元和三个第二瓶颈子单元,共四个瓶颈子单元。STAGE3中包括第一瓶颈子单元和五个第二瓶颈子单元,共六个瓶颈子单元。STAGE4中包括第一瓶颈子单元和两个第二瓶颈子单元,共三个瓶颈子单元。继续参考图3,第一瓶颈子单元(BTNK1)中包括四个卷积层和一个激活函数,第二瓶颈子单元(BTNK2)中包括三个卷积层和一个激活函数。
在本申请中,改进的接线状态监测模型使用RestNet50从输入图像中提取特征,生成特征图,从而可以实现更加精准的识别,实现对屏柜背部竖端子接线状态的智能检查。
应理解,为了提高接线状态监测模型的识别准确率,还可以使用大量样本对网络进行训练,以执行不同的任务。
在一些实施例中,服务器可以获取电力系统中的各个屏柜背部的竖端子的历史图像。随后,服务器通过分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集,标识信息用于指示历史图像中的竖端子的通断。最后,服务器使用样本集训练接线状态监测模型。
其中,历史图像可以为不同屏柜背部的竖端子在执行不同任务时采集的图像,通过提高采样范围,可以更好地对接线状态监测模型进行训练,从而提高接线状态监测模型的识别准确率。
应理解,本申请实施例对于如何分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集不做限制。在一些实施例中,可以由用户针对每个历史图像分别输入对应的标识信息,再由服务器获取用户输入的标识信息,并将用户信息和历史图像进行匹配,最后,在匹配的历史图像上添加标识信息。在另一些实施例中,也可以由服务器对历史图像进行初步识别并添加标识信息,再由用户对添加的标识信息进行校验。
在本申请中,通过大量的历史样本对接线状态监测模型进行训练,从而可以提高提高算法的准确率。在实际使用中,将进后的Faster R-CNN作为接线状态监测模型,在经过训练后,对于屏柜背部竖端子的接线状态的识别准确率高于95%。
S203、根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。
在本步骤中,当服务器将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果后,可以根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。
应理解,本申请实施例对于如何确定屏柜背部的竖端子的是否存在误连接不做限制。在一些实施例中,服务器中可以预先存储各个竖端子对应的标准连接状态。随后,将接线状态监测模型识别出的接线状态监测结果,与各个竖端子对应的标准连接状态进行对比。若接线状态监测结果指示的接线状态与标准连接状态一致,则服务器确定屏柜背部的竖端子不存在误连接。若接线状态监测结果指示的接线状态与标准连接状态不一致,则服务器确定屏柜背部的竖端子存在误连接。
在一些实施例中,若服务器检测到屏柜背部的竖端子的存在误连接,则可以向对应的预警设备发送报警信息,从而通过预警设备提醒用户对屏柜背部的竖端子的连接进行调整。
本申请提供的接线状态监测方法,在变电站、电力系统运行维护、智能电网等领域可以有广泛的应用。首先,在变电站中,屏柜背部竖端子接线状态的监测与诊断对于继电保护功能的正常运行至关重要。现有的接线状态监测方法,在复杂多变的环境下存在准确率低、误报、漏报等问题,而本申请提出的接线状态监测方法所使用的接线状态监测模型,具有更高的图像识别率,对屏柜背部端子状态的识别准确率高于95%。通过使用摄像头拍摄的图像和接线状态监测模型提取的特征图,可以智能检查屏柜背部竖端子接线状态,提高对继电保护功能的监测和诊断能力。
其次,在电力系统运行维护中,屏柜背部竖端子接线状态的正确与否直接关系到电网的安全稳定运行。通过使用本申请提出的接线状态监测方法,可以实现对屏柜背部竖端子接线状态的智能监测,及时发现和诊断端子接线异常,避免因端子接线错误导致的电网事故和故障,提高电力系统的运行可靠性和安全性。
此外,在智能电网建设中,屏柜背部竖端子接线状态的监测与诊断是智能化管理和控制的重要环节。通过使用本发明提出的接线状态监测方法,可以实现对屏柜背部竖端子接线状态的智能化监控,实时掌握端子接线的状态,为智能电网的运行和管理提供可靠的数据支持。
基于此,本申请提供的接线状态监测方法,应用前景广阔,可以在变电站、电力系统运行维护、智能电网等领域发挥重要作用,满足市场对于屏柜背部竖端子接线状态监测与诊断的需求。
本申请实施例提供的接线状态监测方法,首先采集电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输。随后,将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。最后,根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。由于本申请中的接线状态监测模型,在识别待检测图像时,会对不同的特征图进行特征融合,从而使得对接线状态识别准确率更高。
下面对于接线状态监测模型的训练过程进行说明。图4为本申请实施例提供的一种接线状态监测模型的训练方法的流程示意图。如图4所示,该接线状态监测模型的训练方法,包括S301-S303:
S301、获取电力系统中的各个屏柜背部的竖端子的历史图像。
其中,历史图像可以为不同屏柜背部的竖端子在执行不同任务时采集的图像,通过提高采样范围,可以更好地对接线状态监测模型进行训练,从而提高接线状态监测模型的识别准确率。
S302、通过分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集,标识信息用于指示历史图像中的竖端子的通断。
应理解,本申请实施例对于如何分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集不做限制。在一些实施例中,可以由用户针对每个历史图像分别输入对应的标识信息,再由服务器获取用户输入的标识信息,并将用户信息和历史图像进行匹配,最后,在匹配的历史图像上添加标识信息。在另一些实施例中,也可以由服务器对历史图像进行初步识别并添加标识信息,再由用户对添加的标识信息进行校验。
S303、使用样本集训练接线状态监测模型。
在本申请中,通过大量的历史样本对接线状态监测模型进行训练,从而可以提高提高算法的准确率。在实际使用中,将进后的Faster R-CNN作为接线状态监测模型,在经过训练后,对于屏柜背部竖端子的接线状态的识别准确率高于95%。
图5为本申请实施例提供的另一种接线状态监测方法的流程示意图。如图5所示,该接线状态监测方法,包括S401-S406:
S401、获取电力系统中的各个屏柜背部的竖端子的历史图像。
S402、通过分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集,标识信息用于指示历史图像中的竖端子的通断。
S403、使用样本集训练接线状态监测模型。
S404、获取电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输;
S405、将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果。
其中,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。
S406、根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。
本申请实施例提供的接线状态监测方法,首先采集电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输。随后,将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。最后,根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。由于本申请中的接线状态监测模型,在识别待检测图像时,会对不同的特征图进行特征融合,从而使得对接线状态识别准确率更高。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的接线状态监测方法的接线状态监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个接线状态监测装置实施例中的具体限定可以参见上文中对于接线状态监测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种接线状态监测装置500,包括:采集模块501、监测模块502、确定模块503和处理模块504,其中:
采集模块501,用于获取电力系统的屏柜背部的竖端子的待检测图像,竖端子用于在电力系统中进行电气连接或信号传输。
监测模块502,用于将竖端子的待检测图像输入接线状态监测模型,并获取接线状态监测模型输出的接线状态监测结果,接线状态监测结果用于表征竖端子的通断,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。
确定模块503,用于根据接线状态监测结果,确定屏柜背部的竖端子的是否存在误连接。
在其中一个实施例中,残差神经网络中包括第一处理单元和多个第二处理单元,第一处理单元用于对输入的待检测图像进行预处理,多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
在其中一个实施例中,瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,第一瓶颈子单元和第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
在其中一个实施例中,接线状态监测装置500还包括:
处理模块504,用于获取电力系统中的各个屏柜背部的竖端子的历史图像;通过分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集,标识信息用于指示历史图像中的竖端子的通断;使用样本集训练接线状态监测模型。
上述接线状态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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的接线状态监测模型的训练方法的接线状态监测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个接线状态监测模型的训练装置实施例中的具体限定可以参见上文中对于接线状态监测模型的训练方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种接线状态监测模型的训练装置600,包括:获取模块601、生成模块602和训练模块603,其中:
获取模块601,用于获取电力系统中的各个屏柜背部的竖端子的历史图像。
生成模块602,用于通过分别在每个历史图像上添加标识信息,生成接线状态监测模型的样本集,标识信息用于指示历史图像中的竖端子的通断。
训练模块603,用于使用样本集训练接线状态监测模型,接线状态监测模型中包括残差神经网络,残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合,以根据融合后的特征图确定接线状态监测结果。
上述接线状态监测模型的训练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器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。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。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终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接线状态监测方法或接线状态监测模型的训练方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
在其中一个实施例中,所述残差神经网络中包括第一处理单元和多个第二处理单元,所述第一处理单元用于对输入的所述待检测图像进行预处理,所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
在其中一个实施例中,所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
在其中一个实施例中,所述残差神经网络中包括第一处理单元和多个第二处理单元,所述第一处理单元用于对输入的所述待检测图像进行预处理,所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
在其中一个实施例中,所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
在其中一个实施例中,所述残差神经网络中包括第一处理单元和多个第二处理单元,所述第一处理单元用于对输入的所述待检测图像进行预处理,所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
在其中一个实施例中,所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种接线状态监测方法,其特征在于,所述方法包括:
获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
2.根据权利要求1所述的方法,其特征在于,所述残差神经网络中包括第一处理单元和多个第二处理单元,所述第一处理单元用于对输入的所述待检测图像进行预处理,所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图,每个瓶颈子单元中均包括多个卷积层。
3.根据权利要求2任一项所述的方法,其特征在于,所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元,所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
4.根据权利要求1所述的方法,其特征在于,在所述将所述竖端子的图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果之前,所述方法还包括:
获取所述电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型。
5.一种接线状态监测模型的训练方法,其特征在于,所述方法包括:
获取电力系统中的各个屏柜背部的竖端子的历史图像;
通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
6.一种接线状态监测装置,其特征在于,所述装置包括:
采集模块,用于获取电力系统的屏柜背部的竖端子的待检测图像,所述竖端子用于在电力系统中进行电气连接或信号传输;
监测模块,用于将所述竖端子的待检测图像输入接线状态监测模型,并获取所述接线状态监测模型输出的接线状态监测结果,所述接线状态监测结果用于表征所述竖端子的通断,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果;
确定模块,用于根据所述接线状态监测结果,确定所述屏柜背部的竖端子的是否存在误连接。
7.一种接线状态监测模型的训练装置,其特征在于,所述装置包括:
获取模块,用于获取电力系统中的各个屏柜背部的竖端子的历史图像;
生成模块,用于通过分别在每个历史图像上添加标识信息,生成所述接线状态监测模型的样本集,所述标识信息用于指示所述历史图像中的竖端子的通断;
训练模块,用于使用所述样本集训练所述接线状态监测模型,所述接线状态监测模型中包括残差神经网络,所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合,以根据融合后的特征图确定所述接线状态监测结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001407.XA CN117935004A (zh) | 2024-01-02 | 2024-01-02 | 接线状态监测方法、接线状态监测模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001407.XA CN117935004A (zh) | 2024-01-02 | 2024-01-02 | 接线状态监测方法、接线状态监测模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117935004A true CN117935004A (zh) | 2024-04-26 |
Family
ID=90769443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410001407.XA Pending CN117935004A (zh) | 2024-01-02 | 2024-01-02 | 接线状态监测方法、接线状态监测模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117935004A (zh) |
-
2024
- 2024-01-02 CN CN202410001407.XA patent/CN117935004A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343847B (zh) | 异常数据检测方法、装置、计算机设备和可读存储介质 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN114666473A (zh) | 耕地保护用视频监控方法、系统、终端及存储介质 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
CN114189506A (zh) | 一种设备巡检方法、装置及系统 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN116204846B (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 | |
CN110888949B (zh) | 基于三维地图的设备告警屏蔽方法、装置、设备及介质 | |
CN117935004A (zh) | 接线状态监测方法、接线状态监测模型的训练方法及装置 | |
CN114198863B (zh) | 机房空调的故障检测方法、装置、计算机设备、存储介质 | |
Chang et al. | Fault diagnosis of lithium-ion batteries based on voltage dip behavior | |
CN115562227A (zh) | 变电站巡检机器人监控方法、装置和计算机设备 | |
CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
CN116054414B (zh) | 线路缺陷隐患监测方法、装置、计算机设备、存储介质 | |
CN117557108B (zh) | 电力作业风险智能识别模型的训练方法和装置 | |
CN116597390B (zh) | 输电线路周边的施工隐患检测方法、装置和计算机设备 | |
CN115081898B (zh) | 电网运行风险识别方法、装置、计算机设备和存储介质 | |
CN117833174A (zh) | 配电网线路保护方法、装置、计算机设备和存储介质 | |
CN112232115B (zh) | 一种计算因子植入方法、介质及设备 | |
CN116188370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
CN118091308A (zh) | 开关操作箱二次回路的故障定位方法、装置和计算机设备 | |
CN115392293B (zh) | 变压器故障的监测方法、装置、计算机设备和存储介质 | |
CN117828486A (zh) | 故障停电预警方法、装置、计算机设备和存储介质 | |
CN117074866A (zh) | 单相双分裂并联电缆故障诊断方法、装置、设备和介质 | |
CN116995812A (zh) | 输电线路终端设备的监控方法、系统、计算机设备和存储介质 |
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 |