CN111209434A - 一种基于多源异构数据融合的变电站设备巡检***及方法 - Google Patents
一种基于多源异构数据融合的变电站设备巡检***及方法 Download PDFInfo
- Publication number
- CN111209434A CN111209434A CN202010022973.0A CN202010022973A CN111209434A CN 111209434 A CN111209434 A CN 111209434A CN 202010022973 A CN202010022973 A CN 202010022973A CN 111209434 A CN111209434 A CN 111209434A
- Authority
- CN
- China
- Prior art keywords
- equipment
- acquisition module
- data acquisition
- data
- classification result
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 238000007689 inspection Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000003825 pressing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于多源异构数据融合的变电站设备巡检***，包括多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块；多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，本发明采用多个摄像头采集多种视频数据，采用多种传感器采集多种传感数据，形成了每个设备的多种数据来源，继而对多种数据来源采用两种深度神经网络分别对视频数据和传感数据进行识别分类，经过模糊积分算法对两识别分类结果进行融合，结合多种数据以及结合两类识别分类结果各自的特性和优势，获得更优的识别效果。
Description
技术领域
本发明涉及电力设备检测领域，具体涉及一种基于多源异构数据融合的变电站设备巡检***及方法。
背景技术
变电站设备及环境巡检是确保变电站运行正常的重要方法，随着智能电网的发展，无人值守变电站数量不断增加，现有的变电站巡检机器人搭载各种传感器、仪器和摄像机等，在无人值守变电站对室外高压设备和环境进行巡检，实时获取变电站主要设备和环境的各种数据，利用后台分析算法可及时发现电力设备的缺陷和异常，为变电站安全运行提供必要的保障。
通常情况下，变电站的真实场景一般都比较复杂，同一目标在不同光照、遮挡、角度等情况下，目标之间差别较大，目前主流的技术手段仅能在简单的环境下提供较好的识别性能，使得目标检测存在误检、漏检等情况。在监测中，为了提高目标的检测精度，往往需要对多个状态参数描述，在此基础上，将所测量的多个参数综合起来分析，提高信息的冗余性和互补性，提高检测准确度是现在急需解决的问题。
发明内容
针对上述现有技术存在的问题，本发明提供了一种基于多源异构数据融合的变电站设备巡检***及方法，技术方案为：采用多摄像头和多传感器获取全站每个设备的多方面参数信息，解决由于传感器不足而带来的故障信息误检、漏检问题，采用分类器对摄像头和传感器采集到的信息进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑各个分类器与不同故障类型的关联程度的基础上，采用模糊积分融合方法进行决策融合诊断，提高检测准确度。
本发明提出的具体方案是：
一种基于多源异构数据融合的变电站设备巡检方法，具体步骤为：
(1)多源异构数据采集，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
(2)多源异构数据存储，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
(3)多源异构数据融合，包括：深度神经网络分类和分类结果融合，用于将采集的视频图像数据和传感数据进行数据特征提取和目标状态识别，利用模糊积分对各识别结果进行融合，获取最终的设备状态识别结果。
所述深度神经网络分类，用于建立卷积神经网络和深度随机配置网络，网络模型参数设为初始值；确定网络模型中的层数和损失函数，所述损失函数用于反向传播时网络修正模型参数，直到损失函数收敛，模型建立完成；按照预设时刻采集数据样本，并记录对应时刻的设别状态真实值，所述数据样本分别输入到卷积神经网络和深度随机配置网络，对应得到第一分类结果和第二分类结果。
所述分类结果融合，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。
进一步的，所述卷积神经网络具体步骤为：
(1)将视频图像数据按比例划分为训练集、测试集及验证集，并进行数据集的标签制作；
(2)设计所述深度卷积神经网络的结构，设置卷积层、池化层和全连接层参数，池化方法使用max-pooling，分类器则使用softmax回归分类，网络模型层数设为四层，其中第一层和第三层为卷积层，其余两层为池化操作层；
(3)将训练集的数据作为卷积神经网络的输入，采用随机梯度下降的BP算法对卷积神经网络进行训练，优化整个模型的损失函数，当卷积神经网络在训练集上的误差完全收敛时，终止训练，保存卷积神经网络各个层的参数；
(4)设定类别置信度阈值，将测试集及验证集数据输入卷积神经网络，对卷积神经网络进行微调，得到输出。
进一步的，所述深度随机配置网络具体步骤为：
(1)将传感采集数据按比例划分为训练集、测试集及验证集，并进行数据集的标签制作；
(2)设计所述深度卷积神经网络的结构，设置卷积层、池化层和全连接层参数，选取激活函数采用LeakyReLU；
(3)将训练集的数据作为卷积神经网络的输入，采用学习率自适应的随机梯度下降法对卷积神经网络进行训练，优化整个模型的损失函数，当卷积神经网络在训练集上的误差完全收敛时，终止训练，保存卷积神经网络各个层的参数；
具体的，采用低秩分解的策略，通过已知低秩分解之前卷积层的计算复杂度和需要加速的倍数，计算各个低秩分解之后第一个卷积层输出特征图的数目，对所述卷积神经网络的进行逐层低秩分解训练，以减少计算量；
具体的，采用网络剪枝的策略，对已经低秩分解后的所述卷积神经网络模型进行再训练，对所述卷积神经网络的各层的剩余连接的权值进行k-means聚类，对聚类所得的结果进行微调，去除所述卷积神经网络的卷积层以及全连接层的冗余连接以减少存储量。
(4)设定类别置信度阈值，将测试集及验证集数据输入卷积神经网络，对卷积神经网络进行微调，得到输出。
进一步的，所述模糊积分算法具体步骤为：
(1)利用模糊技术对所述第一分类结果和第二分类结果进行预处理，进行初级故障诊断，确定可能的故障分类结果，将可能的故障分类结果作为故障候选类型。选用的隶属度如下：
其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。
(2)根据可能的故障分类结果形成故障候选类型集D＝{d1，d2，…，dN}，其中，d为故障候选类型；
(3)根据可能的故障分类结果形成各个故障候选类型的直接关联类型集合Di-direct＝{dm，…，dn}与隔一级关联类型集合Di-inairect＝{dk，…，di}；
(4)确定模糊密度，即gi＝g({xi}，i＝1，2，…，n，gi就是第i个信息的模糊密度，亦即为其权重；
(5)根据式
确定λi，然后根据式
g(x1)＝g({x1})和g(x1)＝g({xi})+g(xi-1)+λg({xi})g(xi-1),i＝2,…,n，求取模糊测度g，λi是一个中间数；
(6)根据拓扑信息及各类型的诊断结论，形成直接关联类型对该故障候选类型的支持程度的集合Fi-direct＝{fm，…，fn}与隔一级关联类型对该故障候选类型的支持程度的集合Fi-indirect＝{fk，…，fl}；
(7)根据式
计算模糊积分值ei，ei即为综合诊断给出的故障类型可能性指标，形成故障候选类型的故障类型可能性指标集E＝{e1，e2，…，eN}，根据故障类型可能性指标集，确定故障类型，从而给出最终的分类结果。
一种基于多源异构数据融合的变电站设备巡检***，包括：
多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，用于获取设备状态的识别结果；
所述深度神经网络分类模块，将视频图像数据采集模块和传感数据采集模块采集的数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；
所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。
本发明的一种基于多源异构数据融合的变电站设备巡检***及方法，具备如下有益效果：
采用多个摄像头采集多种视频数据，采用多种传感器采集多种传感数据，形成了每个设备的多种数据来源，继而对多种数据来源采用两种深度神经网络分别对视频数据和传感数据进行识别分类，经过模糊积分算法对两识别分类结果进行融合，结合多种数据以及结合两类识别分类结果各自的特性和优势，获得更优的识别效果。
附图说明
图1为本发明一种基于多源异构数据融合的变电站设备巡检***的流程框图；
图2为本发明一种基于多源异构数据融合的变电站设备巡检***的数据处理流程框图；
实施方式
下面将结合说明书附图和具体的实施例对本发明所述的一种基于多源异构数据融合的变电站设备巡检***及方法做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不应当限定。
参照附图1-2，一种基于多源异构数据融合的变电站设备巡检***，包括：
多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，用于获取设备状态的识别结果；
所述深度神经网络分类模块，将视频图像数据采集模块和传感数据采集模块采集的数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；
所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。
作为上述方案的进一步优化，所述监控摄像头对设备采用多方位多角度设置，用于获取每个设备的多角度视频数据；所述传感器包括变电站SF6压力表、油位表、装置面板液晶显示及指示灯等传感数据，用于获取每个设备的多种传感信息。
为了获取更全面的视频数据，所述监控摄像头分为三级结构，分为近景级，中景级和远景级，所述近景级摄像头用于采集设备的近景数据，所述中景级摄像头采集数据的范围为预设数量个近景级摄像头所采集的区域范围，所述远景级摄像头采集数据的范围为预设数量个中景级摄像头所采集的区域范围。
为了对采集的多种数据整合，获取大量数据之间的联系进而识别出设备的状态，先对数据采用深度神经网络分类，包括卷积神经网络和深度随机配置网络，所述卷积神经网络用于对视频图像数据采集模块采集的数据进行特征目标识别和目标状态识别，所述深度随机配置网络用于对传感数据采集模块采集的数据进行状态识别。
作为上述方案的进一步优化，所述深度神经网络分类模块具体为：
建立卷积神经网络和深度随机配置网络，网络模型参数设为初始值；
确定网络模型中的层数和损失函数，所述损失函数用于反向传播时网络修正模型参数，直到损失函数收敛，模型建立完成；
按照预设时刻采集数据样本，并记录对应时刻的设别状态真实值，所述数据样本分别输入到卷积神经网络和深度随机配置网络，对应得到第一分类结果和第二分类结果。
分类结果融合模块中，对卷积神经网络和深度随机配置网络获得的两种设备状态识别结果进行融合，从而获得优化的分类结果，采用了模糊积分算法，具体包括：
根据所述第一分类结果和第二分类结果分别建立一个矩阵，每个矩阵的每一列表示不同样本对同一设备的识别结果，其中设备状态为正常记为0，设备状态异常记为1，设备状态为断开记为0，设备状态闭合记为1，每个矩阵的每一行表示同一样本中不同设备的识别结果；
每个深度神经网络的多个样本的识别结果整理成表格形式，如表1所示：
| 识别状态 | 设备1 | 设备1 | ...... | 设备n |
| 样本1 | ||||
| 样本2 | ||||
| ...... | ||||
| 样本m |
表1深度神经网络输出数据整理结果
根据公式获取对每个设备在第一类分类结果和第二类分类结果中，分类结果为j时真实值为i的概率，其中i和j表示设备状态，取值范围为0和1，记为pij；S1 ij
对一个设备的状态识别结果采用模糊积分算法的过程进行说明如下：
表2一个设备的数据整理结果
在本实施例中，Sij的结果为0或者1，对应的pij的结果有p01表示分类结果为1的情况下设备状态真实值为0的概率，p11表示分类结果为1的情况下设备状态真实值为1的概率，p00表示分类结果为0的情况下设备状态真实值为1的概率，p01表示分类结果为1的情况下设备状态真实值为0的概率，
根据每个设备的每种分类结果的可信度获取模糊积分中的λ，公式为：
在本实施例中，对于设备1的两种深度神经网络识别分类结果中，p00表示识别分类结果为0时正确的概率即可信度，p11表示识别分类结果为1时正确的概率即可信度，则获取中间数λ的公式为：λ+1＝(1+p00)(1+p11)。
获取模糊积分中的模糊测度值g，公式为：
g(A1)＝g({yi})＝g1
g(Ai)＝gi+g(ai-1)+λgig(ai-1)，1＜i≤n；
获取模糊积分值e，即最终的分类结果，公式为：
本发明还公开了一种基于多源异构数据融合的变电站设备巡检方法，包括：
多源异构数据采集，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
多源异构数据存储，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
多源异构数据融合，包括：深度神经网络分类和分类结果融合，
所述深度神经网络分类，将采集的视频图像数据和传感数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；
所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。
所述深度神经网络分类，包括卷积神经网络和深度随机配置网络，所述卷积神经网络用于对视频图像数据采集模块采集的数据进行特征目标识别和目标状态识别，所述深度随机配置网络用于对传感数据采集模块采集的数据进行状态识别。
在本实施例中，针对工作票视频图像数据量大、特征维度高以及要求检索相应时间短的特点，采用基于结构自适应卷积神经网络的视频图像多层面压缩特征提取算法，包括以下步骤：(1)读取训练样本图像和测试样本图像；(2)对所有图像做大小、姿态和光照的归一化处理；(3)随机选取处理后的训练图像加权平均产生新的训练样本，使样本扩增；(4)初始化卷积神经网络的网络结构，并设定两个控制网络增长的指标值：***平均误差和训练样本的识别率；(5)将处理后的训练样本送入初始网络中，在规定的训练次数内，判断初始网络是否有收敛趋势，若网络不收敛，则在初始网络基础上添加一条全局支路，固定原有网络结构，只训练新增支路。若新增支路仍不收敛，再添加新支路，以此类推，直到添加某条支路时满足收敛条件，此时训练整个网络直到***平均误差达到期望值，完成全局网络的扩展；若初始网络已经有收敛趋势，则不展开全局扩展，一直训练初始网络直到***平均误差达到期望值；(6)全局网络学习结束后，若训练样本的识别率未达到期望值，则展开局部扩展，即添加一条局部支路，固定原有全局网络结构，只训练新增局部支路，直到训练样本的识别率达到期望值，结束全局网络的学习；若全局网络学习结束后，训练样本的识别率达到期望值，则不展开局部扩展，此时即实现了保证识别率前提下的图像压缩特征提取。
在本实施例中，收集变电一次设备运行现场表计图片样本，分析表计类典型应用场景现状，调查变电站SF6压力表、油位表等配置情况及形态、视觉特征，分析并提出数值型表计、刻度型表计的不同的数值、状态读取方案。根据设备管理运行规定，确定不同表计的正常工作区间、异常状态区间，为表计智能图像识别算法的训练提供支持。
二次设备包含变电站SF6压力表、油位表、装置面板液晶显示及指示灯、切换把手、空开和二次压板投退。技术实施方案与一次设备技术实施方案类似。本项目研究的二次压板存在以下几种图形：1、双位置开闭式2、双位置插拔式3、三位置切换式，通过压板形状和状态的对比，实现压板状态的读取和校核。
在本实施例中，视频人脸图像的分析与识别，包括图像摄取、人脸检测与定位、图像与处理和特征提取与识别等几个步骤，实现方式如下：①使用摄像机采集人脸图像或使用照片形成人脸图像文件，将这些图像文件经过处理后生成人脸数据库，作为识别的基础；②使用摄像机获取监控场景的视频，在视频流中采取人脸检测算法获得人脸图像并记录相应的位置、时间等信息；③使用当前的人脸图像与资料库中的存储数据进行对比。其中最关键的部分在于对人脸识别中的特征提取与分类上。人脸的特征描述方法作为连接底层信息和高层理解的桥梁，在人脸识别中处于重要地位，特征的分类能力和复杂度是特征提取方法需要考虑的最主要因素。在人员身份识别的基础上进行人员追踪方面，通过在站端部署的全局摄像机及全景摄像机，可以自动识别大画面场景下的活动目标(人、车等)，并且在不丢失大画面场景视频的情况下对识别到的活动目标进行细节跟踪，在目标追踪场景中最重要的问题是要解决多摄像头之间的切换和视角的对应关系。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (9)
1.一种基于多源异构数据融合的变电站设备巡检***，其特征在于，包括：
多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，
所述深度神经网络分类模块，将视频图像数据采集模块和传感数据采集模块采集的数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；
所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。
2.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析***，其特征在于，所述监控摄像头对设备采用多方位多角度设置，用于获取每个设备的多角度视频数据；所述传感器包括消防类传感设备(火焰探测器、消防管道压力传感器、独立式感烟火灾探测器等)、环境传感器(温湿度传感器、水浸传感器、SF6传感器等)、变压器内的传感器(振动监测传感器、电流传感器等)，用于获取每个设备的多种传感信息。
3.根据权利要求2所述的一种基于多源异构数据融合的变电站设备状态分析***，其特征在于，所述监控摄像头分为三级结构，分为近景级，中景级和远景级，所述近景级摄像头用于采集设备的近景数据，所述中景级摄像头采集数据的范围为预设数量个近景级摄像头所采集的区域范围，所述远景级摄像头采集数据的范围为预设数量个中景级摄像头所采集的区域范围。
4.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析***，其特征在于，所述深度神经网络分类模块，包括卷积神经网络和深度随机配置网络，所述卷积神经网络用于对视频图像数据采集模块采集的数据进行特征目标识别和目标状态识别，所述深度随机配置网络用于对传感数据采集模块采集的数据进行状态识别。
5.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析***，其特征在于，所述设备分为变压器、电线电缆、开关类设备，变压器和电线电缆的设备状态为正常和异常，开关类设备的设备状态为断开和闭合。
6.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析***，其特征在于，所述分类结果融合模块，具体包括：
(6.1)、根据所述第一分类结果和第二分类结果分别建立一个矩阵，每个矩阵的每一列表示不同样本对同一设备的识别结果，其中设备状态为正常记为0，设备状态异常记为1，设备状态为断开记为0，设备状态闭合记为1，每个矩阵的每一行表示同一样本中不同设备的识别结果；
(6.2)、根据公式获取对每个设备在第一类分类结果和第二类分类结果中，分类结果为j时真实值为i的概率，其中i和j表示设备状态，取值范围为0和1，记为pij；
(6.3)、根据每个设备的第一分类结果的可信度获取模糊积分中的λ，公式为：
(6.3)、获取模糊积分中的g值，公式为：
g(A1)＝g({yi})＝g1
g(Ai)＝gi+g(ai-1)+λgig(ai-1)，1＜i≤n；
(6.4)、获取模糊积分值，即最终的分类结果，公式为：
7.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析***，其特征在于，所述深度神经网络分类模块具体为：
7.1、建立卷积神经网络和深度随机配置网络，网络模型参数设为初始值；
7.2、确定网络模型中的层数和损失函数，所述损失函数用于反向传播时网络修正模型参数，直到损失函数收敛，模型建立完成；
7.3、按照预设时刻采集数据样本，并记录对应时刻的设别状态真实值，所述数据样本分别输入到卷积神经网络和深度随机配置网络，对应得到第一分类结果和第二分类结果。
8.一种基于多源异构数据融合的变电站设备巡检方法，其特征在于，包括：
多源异构数据采集，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
多源异构数据存储，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
多源异构数据融合，包括：深度神经网络分类和分类结果融合，
所述深度神经网络分类，将采集的视频图像数据和传感数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；
所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。
9.根据权利要求8所述的一种基于多源异构数据融合的变电站设备巡检方法，其特征在于，所述深度神经网络分类，包括卷积神经网络和深度随机配置网络，所述卷积神经网络用于对视频图像数据采集模块采集的数据进行特征目标识别和目标状态识别，所述深度随机配置网络用于对传感数据采集模块采集的数据进行状态识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022973.0A CN111209434B (zh) | 2020-01-09 | 2020-01-09 | 一种基于多源异构数据融合的变电站设备巡检***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022973.0A CN111209434B (zh) | 2020-01-09 | 2020-01-09 | 一种基于多源异构数据融合的变电站设备巡检***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111209434A true CN111209434A (zh) | 2020-05-29 |
| CN111209434B CN111209434B (zh) | 2024-02-13 |
Family
ID=70786095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010022973.0A Active CN111209434B (zh) | 2020-01-09 | 2020-01-09 | 一种基于多源异构数据融合的变电站设备巡检***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111209434B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582399A (zh) * | 2020-05-15 | 2020-08-25 | 吉林省森祥科技有限公司 | 一种面向杀菌机器人的多传感器信息融合方法 |
| CN112082094A (zh) * | 2020-08-12 | 2020-12-15 | 苏州聆听智能科技有限公司 | 基于异构传感器的管道异常信号定位检测方法及装置 |
| CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
| CN112465030A (zh) * | 2020-11-28 | 2021-03-09 | 河南大学 | 一种基于两级迁移学习的多源异构信息融合故障诊断方法 |
| CN112667717A (zh) * | 2020-12-23 | 2021-04-16 | 贵州电网有限责任公司电力科学研究院 | 变电站巡检信息处理方法、装置、计算机设备和存储介质 |
| CN112700840A (zh) * | 2021-02-03 | 2021-04-23 | 山东中医药大学 | 一种基于双通道异构神经网络的多模态人体动作识别方案 |
| CN112766795A (zh) * | 2021-01-29 | 2021-05-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊智能信息管理方法及*** |
| CN113076991A (zh) * | 2021-03-30 | 2021-07-06 | 中国人民解放军93114部队 | 基于非线性积分算法的多元目标信息综合处理方法及装置 |
| CN113110351A (zh) * | 2021-04-28 | 2021-07-13 | 广东省科学院智能制造研究所 | 一种工业生产现场异构状态数据采集***及方法 |
| CN113129285A (zh) * | 2021-04-20 | 2021-07-16 | 国网山东省电力公司安丘市供电公司 | 一种区域保护压板校验方法及*** |
| CN113297972A (zh) * | 2021-05-25 | 2021-08-24 | 国网湖北省电力有限公司检修公司 | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 |
| CN113327219A (zh) * | 2021-06-21 | 2021-08-31 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与*** |
| CN113438451A (zh) * | 2021-06-21 | 2021-09-24 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
| CN114697771A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种多传感器异构数据同步采集匹配*** |
| CN114863324A (zh) * | 2022-04-18 | 2022-08-05 | 山东浪潮科学研究院有限公司 | 一种新能源电力设备的火灾监测方法、设备及介质 |
| CN116109599A (zh) * | 2023-02-17 | 2023-05-12 | 湖北清江水电开发有限责任公司 | 一种发电机碳刷打火监测*** |
| CN117312828A (zh) * | 2023-09-28 | 2023-12-29 | 光谷技术有限公司 | 公共设施监控方法和*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
| CN103630244A (zh) * | 2013-12-18 | 2014-03-12 | 重庆大学 | 电力***设备故障诊断方法及*** |
| US20190114481A1 (en) * | 2017-10-18 | 2019-04-18 | The Trustees Of Columbia University In The City Of New York | Methods and systems for pattern characteristic detection |
-
2020
- 2020-01-09 CN CN202010022973.0A patent/CN111209434B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
| CN103630244A (zh) * | 2013-12-18 | 2014-03-12 | 重庆大学 | 电力***设备故障诊断方法及*** |
| US20190114481A1 (en) * | 2017-10-18 | 2019-04-18 | The Trustees Of Columbia University In The City Of New York | Methods and systems for pattern characteristic detection |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582399A (zh) * | 2020-05-15 | 2020-08-25 | 吉林省森祥科技有限公司 | 一种面向杀菌机器人的多传感器信息融合方法 |
| CN112082094A (zh) * | 2020-08-12 | 2020-12-15 | 苏州聆听智能科技有限公司 | 基于异构传感器的管道异常信号定位检测方法及装置 |
| CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
| CN112465030A (zh) * | 2020-11-28 | 2021-03-09 | 河南大学 | 一种基于两级迁移学习的多源异构信息融合故障诊断方法 |
| CN112667717A (zh) * | 2020-12-23 | 2021-04-16 | 贵州电网有限责任公司电力科学研究院 | 变电站巡检信息处理方法、装置、计算机设备和存储介质 |
| CN112766795A (zh) * | 2021-01-29 | 2021-05-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊智能信息管理方法及*** |
| CN112766795B (zh) * | 2021-01-29 | 2024-05-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊智能信息管理方法及*** |
| CN112700840A (zh) * | 2021-02-03 | 2021-04-23 | 山东中医药大学 | 一种基于双通道异构神经网络的多模态人体动作识别方案 |
| CN113076991A (zh) * | 2021-03-30 | 2021-07-06 | 中国人民解放军93114部队 | 基于非线性积分算法的多元目标信息综合处理方法及装置 |
| CN113076991B (zh) * | 2021-03-30 | 2024-03-08 | 中国人民解放军93114部队 | 基于非线性积分算法的多元目标信息综合处理方法及装置 |
| CN113129285A (zh) * | 2021-04-20 | 2021-07-16 | 国网山东省电力公司安丘市供电公司 | 一种区域保护压板校验方法及*** |
| CN113110351A (zh) * | 2021-04-28 | 2021-07-13 | 广东省科学院智能制造研究所 | 一种工业生产现场异构状态数据采集***及方法 |
| CN113297972B (zh) * | 2021-05-25 | 2022-03-22 | 国网湖北省电力有限公司检修公司 | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 |
| CN113297972A (zh) * | 2021-05-25 | 2021-08-24 | 国网湖北省电力有限公司检修公司 | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 |
| CN113438451A (zh) * | 2021-06-21 | 2021-09-24 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
| CN113438451B (zh) * | 2021-06-21 | 2022-04-19 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
| CN113327219B (zh) * | 2021-06-21 | 2022-01-28 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与*** |
| CN113327219A (zh) * | 2021-06-21 | 2021-08-31 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与*** |
| CN114697771A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种多传感器异构数据同步采集匹配*** |
| CN114863324A (zh) * | 2022-04-18 | 2022-08-05 | 山东浪潮科学研究院有限公司 | 一种新能源电力设备的火灾监测方法、设备及介质 |
| CN114863324B (zh) * | 2022-04-18 | 2024-05-07 | 山东浪潮科学研究院有限公司 | 一种新能源电力设备的火灾监测方法、设备及介质 |
| CN116109599A (zh) * | 2023-02-17 | 2023-05-12 | 湖北清江水电开发有限责任公司 | 一种发电机碳刷打火监测*** |
| CN116109599B (zh) * | 2023-02-17 | 2024-06-11 | 湖北清江水电开发有限责任公司 | 一种发电机碳刷打火监测*** |
| CN117312828A (zh) * | 2023-09-28 | 2023-12-29 | 光谷技术有限公司 | 公共设施监控方法和*** |
| CN117312828B (zh) * | 2023-09-28 | 2024-06-14 | 光谷技术有限公司 | 公共设施监控方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111209434B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209434A (zh) | 一种基于多源异构数据融合的变电站设备巡检***及方法 | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN110827251A (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
| CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
| CN115395646B (zh) | 一种数字孪生式牵引变电所智慧运维*** | |
| CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及*** | |
| CN112016772A (zh) | 一种自然灾害预警***及方法 | |
| CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及*** | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN114743089A (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
| CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| CN117277566A (zh) | 基于大数据的电网数据分析电力调度***及方法 | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析*** | |
| CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、***及设备 | |
| CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
| CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 | |
| CN114220084A (zh) | 一种基于红外图像的配电设备缺陷识别方法 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| Han et al. | Research on Portable Infrared Diagnosis Device of Substation Equipment | |
| CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
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 |