CN112085710A - 保护定值与压板巡检***及方法 - Google Patents
保护定值与压板巡检***及方法 Download PDFInfo
- Publication number
- CN112085710A CN112085710A CN202010860082.2A CN202010860082A CN112085710A CN 112085710 A CN112085710 A CN 112085710A CN 202010860082 A CN202010860082 A CN 202010860082A CN 112085710 A CN112085710 A CN 112085710A
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- standard
- value data
- protection
- fixed value
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003825 pressing Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种保护定值与压板巡检***及方法,包括:移动终端、屏柜标识、定值数据比对模块和压板识别比对模块;所述定值数据比对模块将屏柜标识对应的编码信息与标准定值数据进行关联,将移动终端通过保护屏柜的打印机接口采集获取的保护定值数据与标准定值数据进行比较并输出比较结果;所述压板识别比对模块将屏柜标识对应的编码信息与标准压板状态进行关联,将移动终端通过摄像头采集获取的压板运行状态图像进行投退识别,与标准压板状态进行比对并输出比对结果。其能有效解决变电站传统保护定值和压板运行状态核对“纸质+手动记录”易疲劳、易出错、耗工时、效率低等问题,实现保护定值和压板运行状态核对工作智能化,无纸化。
Description
技术领域
本发明涉及电力维护领域,尤其涉及一种保护定值与压板巡检***及方法。
背景技术
随着继电保护设备的存量越来越多,在工业、高速铁路等高危用户用电安全要求逐渐增加的情况下,促使电力企业必须加大不定期检查工作,尤其是保护定值的核查和压板的核查。近几年的保护监督统计资料表明,人为误投退、漏投退压板引起的事故绝对值居高不下,造成的负荷损失愈发严重,因此,须定期安排专业人员对保护定值和压板运行状态进行核对。
当前保护定值核对通常是巡查人员带着纸质打印的标准定值单,到变电站保护屏柜处,现场从屏柜以外接市电,并接通打印机,将保护屏内的定值单打印出来,并人工逐个核对,工作繁琐,量大,容易出错。
压板状态的核对一般为人工“纸质+手动记录”进行,存在人工巡查工作量大、效率低、人工错查/漏查、管理人员无法管控运维情况、与生产***(PMS)无法数据联通等问题。
以下是现有技术存在的主要问题:
1、人工核对工作量大、效率低
人工“纸质+手动记录”核对,需要对保护屏柜逐个进行检查核对,并对检查后的数据进行整理,运维人员工作量大且效率低。
2、人工错查、漏查
运维人员逐个检查,容易因为疏忽导致错查、漏查;
多种保护压板正确的投切方式不一且经常变更,运维人员容易因为混淆或变更信息未及时了解导致检查错误;保护定值及波形数据量大,人工不容易记住。
3、管理人员无法管控核对任务情况
管理人员无法管控保护定值和压板运行状态核对任务执行情况,纸质记录繁杂且不方便针对识别记录进的检查房间、检查日期等信息进行问题的追溯管理。
发明内容
本发明针对现有技术存在的缺陷和不足,提出一种保护定值与压板巡检***及方法。
其具体采用以下技术方案:
一种保护定值与压板巡检***,其特征在于,包括:移动终端、屏柜标识、定值数据比对模块和压板识别比对模块;所述定值数据比对模块将屏柜标识对应的编码信息与标准定值数据进行关联,将移动终端通过保护屏柜的打印机接口采集获取的保护定值数据与标准定值数据进行比较并输出比较结果;所述压板识别比对模块将屏柜标识对应的编码信息与标准压板状态进行关联,将移动终端通过摄像头采集获取的压板运行状态图像进行投退识别,与标准压板状态进行比对并输出比对结果。
优选地,所述压板识别比对模块的图像识别模型通过YOLO V3机器学习框架训练获得。
优选地,所述屏柜标识为设置在保护屏柜上的二维码。
优选地,所述定值数据比对模块或压板识别比对模块根据移动终端通过摄像头采集获取的二维码图像提取的编码信息,选择对应的标准定值数据或标准压板状态。
优选地,所述定值数据比对模块输出与标准定值数据不一致的数据信息;所述压板识别比对模块将与标准压板状态不一致的退投状态进行突出显示。
优选地,所述图像识别模型的训练过程包括以下步骤:
步骤A1:在训练集图片上生成候选区域,根据所述候选区域与图片上真实框之间的位置关系对候选区域进行标注;并划分正样本和负样本;
步骤A2:采用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测;将每个预测框视为一个样本,根据真实框相对样本的位置和类别进行标注获得标签值;
步骤A3:将网络预测值和标签值进行比较,建立损失函数。
优选地,所述标准压板状态通过标准压板图像获得,所述定值数据比对模块通过以下步骤对压板运行状态图像进行投退识别和对比:
步骤B1:根据所述图像识别模型,分别对压板运行状态图像和标准压板图像进行检测,生成位置坐标和标签;
步骤B2:分别进行二次处理,包括:降低阈值和IOU去重,并输出框选位置坐标和标签;
步骤B3:分别以二维数组方式进行排序,输出矩阵;
步骤B4:对压板运行状态图像和标准压板图像的输出矩阵进行比较,并输出比较结果。
以及根据以上保护定值与压板巡检***的巡检方法之一,其特征在于,包括以下步骤:
步骤C1:向所述移动终端导入标准定值数据集;
步骤C2:采用所述移动终端扫描屏柜标识,通过屏柜标识对应的编码信息与待巡检设备对应的标准定值数据进行关联;
步骤C3:将所述移动终端连接保护屏柜的打印机接口,设置波特率并采集获取保护定值数据;
步骤C4:将所述保护定值数据与标准定值数据进行比较并输出比较结果。
以及根据以上保护定值与压板巡检***的巡检方法之二,其特征在于,包括以下步骤:
步骤D1:向所述移动终端导入标准压板图像集;
步骤D2:采用所述移动终端扫描屏柜标识,通过屏柜标识对应的编码信息与待巡检设备对应标准压板图像进行关联;
步骤D3:采用所述移动终端拍摄待巡检设备的压板运行状态图像;
步骤D4:将所述压板运行状态图像进行投退识别,并与标准压板图像对应的标准压板状态进行比较并输出比较结果。
本发明及其优选方案相对于现有的人工核查的方式,以移动终端为载体,以屏柜标识为最小执行单元,通过对接保护屏柜的打印机接口,获取保护定值数据,并与标准数据进行比对,可以展示比对异常指标数据;并能够利用图像识别技术快速识别屏柜保护压板的运行状态,通过与标准压板状态的比对实现对当前压板运行状态异常的快速核对。该方案能有效解决变电站传统保护定值和压板运行状态核对“纸质+手动记录”易疲劳、易出错、耗工时、效率低等问题,实现保护定值和压板运行状态核对工作智能化,无纸化。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1是本发明实施例 YOLO V3算法训练流程示意图;
图2是本发明实施例压板图像预测与识别对比流程示意图;
图3是本发明实施例***主界面示意图;
图4是本发明实施例采集获取保护定值数据界面示意图;
图5是本发明实施例保护定值数据比较结果输出界面示意图;
图6是本发明实施例保护定值数据比较结果历史状态界面示意图;
图7是本发明实施例压板运行状态比较结果界面示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,并配合附图,作详细说明如下:
如图3所示,本实施例提供了一种保护定值与压板巡检***,包括:移动终端、屏柜标识、定值数据比对模块和压板识别比对模块。
在本实施例中,屏柜标识为设置在保护屏柜上的二维码。
定值数据比对模块将屏柜标识对应的编码信息与标准定值数据进行关联,将移动终端通过保护屏柜的打印机接口采集获取的保护定值数据与标准定值数据进行比较并输出比较结果;压板识别比对模块将屏柜标识对应的编码信息与标准压板状态进行关联,将移动终端通过摄像头采集获取的压板运行状态图像进行投退识别,与标准压板状态进行比对并输出比对结果。本实施例采用的移动终端为平板电脑,硬件配置如下:
CPU : Intel Cherrytrail Z8350 1.44G
RAM : 2G
ROM : 32GB
屏幕尺寸 : 10.1 inch 16:10
屏幕分辨率 : 800*1280 IPS屏
摄像头 : 后置5.0MP
USB线 : USB转micro 5P L=1.2M
操作*** : windows 10
其也可以通过智能手机来实现对应的功能,定值数据比对模块和压板识别比对模块通过app的形式安装在移动终端之中,可在无网络环境及流量费用压力的情况下有效执行比对任务。
采用该***进行定值数据比对操作的过程包括以下步骤:
步骤C1:向移动终端导入标准定值数据集;如,通过PC1、将局方提供的与设备编码对应的模板文档导入;
步骤C2:采用移动终端扫描屏柜标识,通过屏柜标识对应的编码信息与待巡检设备对应的标准定值数据进行关联,如图3所示;
步骤C3:将移动终端连接保护屏柜的打印机接口,设置波特率并采集获取保护定值数据,其界面如图4所示;
步骤C4:将保护定值数据与标准定值数据进行比较并输出比较结果。如图5所示,本实施例可以核查出现异常的信息,并提供标准信息进行对照,如图6所示,本实施例还提供了历史异常信息的查询功能。
采用该***进行压板运行状态核查的过程包括以下步骤:
步骤D1:向移动终端导入标准压板图像集;
步骤D2:采用移动终端扫描屏柜标识,通过屏柜标识对应的编码信息与待巡检设备对应标准压板图像进行关联;
步骤D3:采用移动终端拍摄待巡检设备的压板运行状态图像;
步骤D4:将压板运行状态图像进行投退识别,并与标准压板图像对应的标准压板状态进行比较并输出比较结果,如图7所示,本实施例分别输出压板运行状态图像和标准压板图像的投退矩阵,并对不一致的地方进行标记。
在本实施例中,压板识别比对模块的图像识别模型通过YOLO V3机器学习框架训练获得,其以DARKNET模型为基础。
具体地,如图1所示,图像识别模型的训练过程包括以下步骤:
步骤A1:在训练集图片上生成候选区域,根据候选区域与图片上真实框之间的位置关系对候选区域进行标注;并划分正样本和负样本;
步骤A2:采用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测;将每个预测框视为一个样本,根据真实框相对样本的位置和类别进行标注获得标签值;
步骤A3:将网络预测值和标签值进行比较,建立损失函数。
其算法的基本思想可以分成两部分:①按一定规则在图片上产生一系列的候选区域,然后根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注。跟真实框足够接近的那些候选区域会被标注为正样本,同时将真实框的位置作为正样本的位置目标。偏离真实框较大的那些候选区域则会被标注为负样本,负样本不需要预测位置或者类别。②使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测。这样每个预测框就可以看成是一个样本,根据真实框相对它的位置和类别进行了标注而获得标签值,通过网络模型预测其位置和类别,将网络预测值和标签值进行比较,就可以建立起损失函数。
如图2所示,在本实施例中,标准压板状态通过标准压板图像获得,定值数据比对模块通过以下步骤对压板运行状态图像进行投退识别和对比:
步骤B1:根据图像识别模型,分别对压板运行状态图像和标准压板图像进行检测,生成位置坐标和标签;
步骤B2:分别进行二次处理,包括:降低阈值和IOU(Intersection over Union,是一种测量在特定数据集中检测相应物体准确度的一个标准。)去重,并输出框选位置坐标和标签;
步骤B3:分别以二维数组方式进行排序,输出矩阵;
步骤B4:对压板运行状态图像和标准压板图像的输出矩阵进行比较,并输出比较结果。
移动终端初始化加载程序时,利用加载上述训练出来的模型,现场检测图像与模板图像开始检测图片,按一定的规则在图像上生成一系列框,将这些框看做是可能的候选区域,对框是否包含目标物体进行预测,如果包含目标物体,还需要预测包含物体的类别。生成位置坐标和标签时,程序再对其进行二次处理,主要包含降低阈值与IOU去重,当去重IOU大于0.8时,程序将其认定为同一个框,直接输出框选位置坐标和标签;否则,要进行交叠面积去重,然后再输出框选位置坐标和标签。输出的框选位置坐标和标签,以二维数组方式进行排序,输出矩阵。此时,本地检测图像和模板图像的输出矩阵各自展现出来,通过将本地检测图像与模板图像进行比较,若比较不同,则将它们之间的差异进行高亮输出显示;否则,直接输出显示结果。
本实施例通过两个目标检测,将本地检测图像与模板图像分别提取特征,进行特征值卷积训练,产生图像模型,智能终端在其基础上进行了降低阈值与IOU的去重方式,充分利用图像特征,增强了模型对于压板图像的适应性,能够有效的提高预测比与识别率。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的保护定值与压板巡检***及方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (9)
1.一种保护定值与压板巡检***,其特征在于,包括:移动终端、屏柜标识、定值数据比对模块和压板识别比对模块;所述定值数据比对模块将屏柜标识对应的编码信息与标准定值数据进行关联,将移动终端通过保护屏柜的打印机接口采集获取的保护定值数据与标准定值数据进行比较并输出比较结果;所述压板识别比对模块将屏柜标识对应的编码信息与标准压板状态进行关联,将移动终端通过摄像头采集获取的压板运行状态图像进行投退识别,与标准压板状态进行比对并输出比对结果。
2.根据权利要求1所述的保护定值与压板巡检***,其特征在于:所述压板识别比对模块的图像识别模型通过YOLO V3机器学习框架训练获得。
3.根据权利要求1所述的保护定值与压板巡检***,其特征在于:所述屏柜标识为设置在保护屏柜上的二维码。
4.根据权利要求3所述的保护定值与压板巡检***,其特征在于:所述定值数据比对模块或压板识别比对模块根据移动终端通过摄像头采集获取的二维码图像提取的编码信息,选择对应的标准定值数据或标准压板状态。
5.根据权利要求1所述的保护定值与压板巡检***,其特征在于:所述定值数据比对模块输出与标准定值数据不一致的数据信息;所述压板识别比对模块将与标准压板状态不一致的退投状态进行突出显示。
6.根据权利要求2所述的保护定值与压板巡检***,其特征在于:所述图像识别模型的训练过程包括以下步骤:
步骤A1:在训练集图片上生成候选区域,根据所述候选区域与图片上真实框之间的位置关系对候选区域进行标注;并划分正样本和负样本;
步骤A2:采用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测;将每个预测框视为一个样本,根据真实框相对样本的位置和类别进行标注获得标签值;
步骤A3:将网络预测值和标签值进行比较,建立损失函数。
7.根据权利要求6所述的保护定值与压板巡检***,其特征在于:所述标准压板状态通过标准压板图像获得,所述定值数据比对模块通过以下步骤对压板运行状态图像进行投退识别和对比:
步骤B1:根据所述图像识别模型,分别对压板运行状态图像和标准压板图像进行检测,生成位置坐标和标签;
步骤B2:分别进行二次处理,包括:降低阈值和IOU去重,并输出框选位置坐标和标签;
步骤B3:分别以二维数组方式进行排序,输出矩阵;
步骤B4:对压板运行状态图像和标准压板图像的输出矩阵进行比较,并输出比较结果。
8.根据权利要求1-7其中任一所述的保护定值与压板巡检***的巡检方法,其特征在于,包括以下步骤:
步骤C1:向所述移动终端导入标准定值数据集;
步骤C2:采用所述移动终端扫描屏柜标识,通过屏柜标识对应的编码信息与待巡检设备对应的标准定值数据进行关联;
步骤C3:将所述移动终端连接保护屏柜的打印机接口,设置波特率并采集获取保护定值数据;
步骤C4:将所述保护定值数据与标准定值数据进行比较并输出比较结果。
9.根据权利要求1-7其中任一所述的保护定值与压板巡检***的巡检方法,其特征在于,包括以下步骤:
步骤D1:向所述移动终端导入标准压板图像集;
步骤D2:采用所述移动终端扫描屏柜标识,通过屏柜标识对应的编码信息与待巡检设备对应标准压板图像进行关联;
步骤D3:采用所述移动终端拍摄待巡检设备的压板运行状态图像;
步骤D4:将所述压板运行状态图像进行投退识别,并与标准压板图像对应的标准压板状态进行比较并输出比较结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860082.2A CN112085710A (zh) | 2020-08-25 | 2020-08-25 | 保护定值与压板巡检***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860082.2A CN112085710A (zh) | 2020-08-25 | 2020-08-25 | 保护定值与压板巡检***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085710A true CN112085710A (zh) | 2020-12-15 |
Family
ID=73728007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860082.2A Pending CN112085710A (zh) | 2020-08-25 | 2020-08-25 | 保护定值与压板巡检***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085710A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159097A (zh) * | 2021-02-05 | 2021-07-23 | 广东驰行电力设备有限公司 | 一种无网络条件下压板开关状态自动识别***的实现方法 |
CN113794277A (zh) * | 2021-08-25 | 2021-12-14 | 国网福建省电力有限公司 | 一种压板状态图像识别方法和*** |
CN113869473A (zh) * | 2021-09-30 | 2021-12-31 | 广东电网有限责任公司 | 一种配电终端定值智能核对方法和装置 |
CN114422689A (zh) * | 2021-12-03 | 2022-04-29 | 国网山西省电力公司超高压变电分公司 | 一种基于边缘智能的硬压板状态识别装置和方法 |
CN117541028A (zh) * | 2024-01-09 | 2024-02-09 | 国网山东省电力公司菏泽供电公司 | 一种保护压板的管理*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802547A (zh) * | 2018-06-12 | 2018-11-13 | 国网江苏省电力有限公司电力科学研究院 | 一种基于云存储的智能变电站继电保护装置自动测试***和方法 |
CN209028642U (zh) * | 2018-11-28 | 2019-06-25 | 朱明增 | 一种保护压板自动核对校验装置 |
AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
-
2020
- 2020-08-25 CN CN202010860082.2A patent/CN112085710A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802547A (zh) * | 2018-06-12 | 2018-11-13 | 国网江苏省电力有限公司电力科学研究院 | 一种基于云存储的智能变电站继电保护装置自动测试***和方法 |
CN209028642U (zh) * | 2018-11-28 | 2019-06-25 | 朱明增 | 一种保护压板自动核对校验装置 |
AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
Non-Patent Citations (1)
Title |
---|
赖宝鹏等: ""基于图像识别的保护压板投退状态APP设计"", 《山东工业技术》, 17 August 2018 (2018-08-17), pages 114 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159097A (zh) * | 2021-02-05 | 2021-07-23 | 广东驰行电力设备有限公司 | 一种无网络条件下压板开关状态自动识别***的实现方法 |
CN113794277A (zh) * | 2021-08-25 | 2021-12-14 | 国网福建省电力有限公司 | 一种压板状态图像识别方法和*** |
CN113869473A (zh) * | 2021-09-30 | 2021-12-31 | 广东电网有限责任公司 | 一种配电终端定值智能核对方法和装置 |
CN114422689A (zh) * | 2021-12-03 | 2022-04-29 | 国网山西省电力公司超高压变电分公司 | 一种基于边缘智能的硬压板状态识别装置和方法 |
CN117541028A (zh) * | 2024-01-09 | 2024-02-09 | 国网山东省电力公司菏泽供电公司 | 一种保护压板的管理*** |
CN117541028B (zh) * | 2024-01-09 | 2024-04-12 | 国网山东省电力公司菏泽供电公司 | 一种保护压板的管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085710A (zh) | 保护定值与压板巡检***及方法 | |
CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
CN110992302A (zh) | 一种压板自动校验的方法及装置 | |
CN110807460A (zh) | 一种基于图像识别的变电站智能巡视***及其应用方法 | |
CN110738289A (zh) | 电力作业标准化的多维联动综合研判装置及其使用方法 | |
CN113054748A (zh) | 在移动运维中基于图像识别的压板状态辨识***及方法 | |
CN112839200A (zh) | 基于5g技术的电厂违章行为识别方法、***和网络服务端 | |
CN112564291A (zh) | 一种电力设备压板状态监测***及监测方法 | |
CN112364145A (zh) | 一种工单处理方法、装置、电子设备及存储介质 | |
CN113343998A (zh) | 电力机械表计读数监测***、方法、计算机设备及应用 | |
CN114460519A (zh) | 基于电力互感器检验的现场与终端融合管理***和方法 | |
CN111950745B (zh) | 一种基于影像处理的倒闸操作管理方法及*** | |
CN117271593A (zh) | 一种基于作业类型的安全措施执行检查智能识别*** | |
CN109165753B (zh) | 一种基于移动平台的变电站缺陷管理方法 | |
CN111382710A (zh) | 一种基于图像识别的图纸比对方法 | |
CN116862843A (zh) | 一种施工现场安全风险无感巡检方法及*** | |
CN113176962B (zh) | 一种用于数据中心的机房it设备故障精准检测方法及*** | |
CN114996697A (zh) | 一种微电网智能控制*** | |
CN115187086A (zh) | 一种应急管理智能化管控*** | |
CN114118908A (zh) | 电力物资验收判别***和方法 | |
CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
TWI801830B (zh) | 監控系統及其方法 | |
CN116778407A (zh) | 一种变电站保护屏内装置状态自动识别的识别分析方法及装置 | |
CN111914127A (zh) | 一种变电站二次设备运行状态在线监视与诊断方法 | |
CN117077040B (zh) | 基于机器学习的大型复杂装备故障诊断与预测*** |
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 |