CN113486873B - 一种基于大数据和人工智能的变电站设备巡检方法及*** - Google Patents
一种基于大数据和人工智能的变电站设备巡检方法及*** Download PDFInfo
- Publication number
- CN113486873B CN113486873B CN202111046029.XA CN202111046029A CN113486873B CN 113486873 B CN113486873 B CN 113486873B CN 202111046029 A CN202111046029 A CN 202111046029A CN 113486873 B CN113486873 B CN 113486873B
- Authority
- CN
- China
- Prior art keywords
- equipment
- substation
- degree
- calculating
- artificial intelligence
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 79
- 230000007547 defect Effects 0.000 claims description 41
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 52
- 230000008859 change Effects 0.000 description 10
- 239000012212 insulator Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B3/00—Apparatus specially adapted for the manufacture, assembly, or maintenance of boards or switchgear
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于大数据和人工智能的变电站设备巡检方法及***,属于变电站设备巡检技术领域。方法包括以下步骤:获取电网中各变电站节点的电气信息,计算各变电站对应的各设备的故障程度;判断各设备的故障程度是否大于设定故障程度阈值,若大于,则获取该设备对应的图像,根据所述图像计算设备对应的损毁程度;求所述故障程度和对应的损毁程度的差值,根据该差值计算设备对应的注意力矢量场;根据设备对应的注意力矢量场确定变电站设备的巡检路线。本发明根据故障程度和对应的损毁程度的差值确定注意力矢量场,根据注意力矢量场确定巡检路线,参考了设备其它侧面的损毁情况,精简了巡检路线,提高了效率。
Description
技术领域
本发明涉及变电站设备巡检技术领域,具体涉及一种基于大数据和人工智能的变电站设备巡检方法及***。
背景技术
对于大型的高压或特高压变电站,其结构和功能都相当复杂,既要实现升压降压功能,又要实现对电力的分配和调度等,为了进行变电站的安全和稳定运行,需要关注变电站设备的状态,其中设备的缺陷检测便是其中重要的一个环节。目前常用的巡检方法有人为巡检和机器巡检,其中机器巡检包括机器人巡检和无人机巡检等,机器巡检不仅能节省人力,还能方便的携带各种检测设备,例如RGB相机,激光雷达等,用于辅助检测。
常规巡检方法是机器人或无人机沿固定的巡检路线进行巡检,通过实时改变位置,采集不同设备的图像,获取设备的缺陷数据,然后进行记录和存储,进而完成整个变电站设备的巡检。现有的这些巡检方法,为了实现对设备故障的准确判断,往往对同一设备进行多角度拍摄,获得同一设备的多角度图像,以综合分析该设备是否存在故障以及故障的具体情况;然而,当某一设备不存在故障或者某一设备的故障区域较集中时,无需对该设备进行巡检以及无需对该设备进行多角度拍摄,若不加区别地对全部设备进行巡检以及对需要巡检设备均进行多角度拍摄,无疑会延长变电站设备巡检时间,导致巡检效率较低。
发明内容
本发明的目的在于提供一种基于大数据和人工智能的变电站设备巡检方法及***,用于解决现有变电站巡检方法存在的巡检效率较低的问题。
为了解决上述问题,本发明的一种基于大数据和人工智能的变电站设备巡检方法的技术方案,包括以下步骤:
获取电网中各变电站节点的电气信息,根据各变电站节点的电气信息计算各变电站对应的各设备的故障程度;
判断各设备的故障程度是否大于设定故障程度阈值,若大于,则获取该设备对应的图像,根据所述图像计算设备对应的损毁程度;
求所述故障程度和对应的损毁程度的差值,根据该差值计算设备对应的注意力矢量场;
根据设备对应的注意力矢量场确定变电站设备的巡检路线。
本发明还提供了一种基于大数据和人工智能的变电站设备巡检***的技术方案,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述基于大数据和人工智能的变电站设备巡检方法。
上述巡检方法和巡检***的有益效果是:本发明根据各变电站节点的电气信息计算各变电站对应的各设备的故障程度,故障程度反映的是一个设备的整体故障程度;若某设备的故障程度大于设定阈值,则表明该设备是需要巡检的对象;本发明对于需要巡检的设备,进一步获取该设备的图像,并根据该图像计算该设备对应的损毁程度,由于设备的图像是无人机或机器人在某一视角下拍摄的,只能够拍摄设备的某一侧面,因此,计算得到的设备对应的损毁程度反映的是设备某一侧面的损毁情况;本发明通过求故障程度与损毁程度的差值判断设备其它侧面的损毁情况,根据上述差值计算设备对应的注意力矢量场,计算出的注意力矢量场可以反映设备其它侧面的损毁情况,本发明根据设备的注意力矢量场确定巡检路线,参考了设备其它侧面的损毁情况,可以只在设备的其它侧面的损毁情况较严重时才对故障设备进行其它视角的拍摄,而在设备的其它侧面的损毁情况较轻微时不对故障设备进行其它视角的拍摄,本发明精简了巡检路线,提高了巡检效率。
进一步地,根据设备对应的注意力矢量场确定变电站设备的巡检路线的方法包括:
根据设备对应的注意力矢量场确定设备对应的主成分方向;
判断设备的主成分方向对应的矢量值是否大于设定矢量阈值;若大于,则将该设备的位置作为巡检路线经过的位置,将设备对应的主成分方向作为巡检路线经过对应位置时轨迹的切线方向。
进一步地,根据设备对应的注意力矢量场确定变电站设备的巡检路线的方法还包括:根据巡检路线与注意力矢量场中各矢量方向的夹角余弦值之和确定两设备之间的巡检路线。
进一步地,计算设备对应的注意力矢量场的方法包括:
根据设备的图像,得到设备对应的纹理缺陷边缘图;
利用灰度共生矩阵将设备对应的纹理缺陷边缘图转换为纹理特征影像图;
计算纹理特征影像图中设备的中心像素点到其它各像素点的位移矢量,位移矢量的长度更新为纹理特征影像图中对应像素点的像素值;
计算设备的故障程度和对应的损毁程度的差值,利用差值更新设备的中心像素点到其它各像素点的位移矢量,将更新后的设备的中心像素点到其它各像素点的位移矢量合成为设备对应的注意力矢量场。
进一步地,计算各变电站对应的各设备的故障程度的方法包括:
根据各变电站节点的电气信息,利用DNN网络得到各节点的故障程度;
根据各节点与各设备的关联程度,计算各设备的故障程度。
进一步地,采用如下公式计算第n个设备对应的故障程度:
进一步地,所述根据图像计算设备对应的损毁程度的方法包括:
根据设备的图像,得到设备对应的纹理缺陷边缘图;
根据设备对应的纹理缺陷边缘图计算设备对应的缺陷区域的面积;
求设备对应的缺陷区域的面积与对应的设备表面积的比值,将比值作为设备对应的损毁程度。
附图说明
图1是本发明的基于大数据和人工智能的变电站设备巡检方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行介绍。
基于大数据和人工智能的变电站设备巡检方法实施例
变电站电网网架上分布了大量的绝缘子,绝缘子的主要功能是实现电气绝缘和机械固定,该类设备在使用过程中由于震动、温差热涨、天气环境(雷雨,积雪、风沙等)和自身设备质量等因素产生灰尘、脏污、破裂、划痕等,改变电阻、产生闪络和击穿,使得其表面不光滑或破损,会改变容抗,增加电流电压的损失,影响电网的稳定、产生安全事故。
本实施例所巡检的设备以绝缘子为例进行说明,巡检的目的是检测绝缘子设备是否存在破损和划痕;作为其它实施方式,也可以检测变电站除绝缘子之外的其他设备或者设备上的其他缺陷。
本实施例以无人机进行变电站设备巡检为例进行说明,现有巡检方法中,无人机在巡检时,为了获得设备的缺陷信息,需要采集每个设不同角度的图像信息进行缺陷检测,由于设备过多,若对所有的设备都进行全视角检测,那么必然会使巡检时间过长,且存在对同一设备的重复巡检等问题;为了减少巡检时间,若随机减少巡检设备的个数和检测的视角个数,又可能使设备的巡检数据不完备。
为了解决上述问题,如图1所示,本实施例的基于大数据和人工智能的变电站设备巡检方法包括以下步骤:
1)获取电网中各变电站节点的电气信息,根据各变电站节点的电气信息计算各变电站对应的各设备的故障程度;
本实施例获取变电站每个节点的电压电流幅值随时间的变化序列;变电站每个节点的电压电流不一定是固定不变的,引起其变化的原因主要有两方面,一方面是由于大电网的不稳定,例如负载的变化等;另一方面是由于设备存在故障引起的,例如绝缘子的破裂。当前者引起电流电压波动时,由于节点的电压电流受潮流方程的约束,不同节点间的电压电流波动是存在关联的,与后者引起的波动具有不同的特征。当后者引起电压电流波动时,往往会使得某个节点发生电压或电流的减少,不同节点间的波动没有关联。可见,这两方面引起的节点的电压电流变化是可以被区分出来的。
本实施例使用节点的故障程度来表征由于设备缺陷或损坏而引起节点的电压电流波动特征,计算节点的故障程度的过程为:获取变电站每个节点的电压电流随时间的变化序列,每个变化序列中的元素与每个节点的额定电流电压作差,得到每个节点电压电流波动大小随时间的变化序列,将作差后得到的所有变化序列一同输入训练好的TCN网络中,输出的结果为每个节点的故障程度。
本实施例训练TCN网络的方法为:计算机模拟大电网的运行环境,使大电网上每个负载发生变化,并通过改变参数来模拟设备的损坏,例如绝缘子的阻抗、容抗等,模拟出电网发生负载变化和设备缺陷损坏时电网的运行情况,采集出大量数据集,数据集中每个数据是指变电站所有节点电压电流波动大小随时间变化的序列,并人为的为数据集中每个数据标注标签,标注方法是根据设备模拟环境下的设备的损害情况将每个节点分为不同的故障程度等级:0.0,0.1,……,1.0;TCN的每一个训练数据就是变电站所有节点电压电流的波动大小随时间的变化序列和所有节点的标签,利用均方差损失函数和随机梯度下降法训练TCN网络。
至此可以获得每个节点的故障程度,该故障程度表示的是与该节点存在连接关系的设备发生故障时所引起的节点的不稳定情况。已知的是节点的故障程度是由于节点所连接的设备发生故障而产生的,本实施例需要根据节点的故障评估每个设备的缺陷损坏情况,将设备的缺陷损坏情况用设备的故障程度表征,具体方法如下。
对于某个节点x,获取与该节点相连的所有设备集合S,例如支撑该节点的绝缘子支柱;S中第n个设备与该节点x存在一个关联权重,该权重表示第n个设备发生故障时对该节点的影响程度,其值是在变电站规划设计时就确定的,是已知的,满足;N表示与节点x相连的设备有N个。设该节点的故障程度为,那么第n个设备的故障程度为。其中,K表示的是与第n个设备连接的节点的总个数。表示第n个设备与第x个节点连接时的故障程度;表示第n个设备与所有的K个节点连接时的故障程度之和。
本实施例至此可以获得每个设备的故障程度。
2)判断各设备的故障程度是否大于设定故障程度阈值,若大于,则获取该设备对应的图像,根据所述图像计算设备对应的损毁程度;
设备的故障程度反映的是该设备的整体故障程度,若某设备的故障程度大于设定故障程度阈值,则表明该设备出现了故障,是需要巡检的对象;需要巡检的设备所在的位置是巡检路线需要经过的位置,但是,确定了需要巡检的设备也只是确定了无人机需要经过的位置而已,对于单个需要进行巡检的设备,无人机是否有必要对其进行多角度拍摄以及应该如何进行多角度拍摄仍是未知的,本实施例接下来就对该内容进行研究。
对于需要巡检的设备,本实施例使用无人机巡检时,通过采集这些设备的RGB图像获取设备的缺陷,具体方法为:获取采集到的一张图像,图像中包括需要巡检的一个设备。本实施例使用MaskRCNN获取该设备的语义区域,将该设备提取出来进行后续的缺陷检测。
根据该设备的语义区域,提取包含该设备信息的RGB图像,然后获取RGB图像对应的灰度图像,对灰度图像进行均值滤波,然后使用Canny算子进行边缘提取,获取设备纹理的边缘纹理图;由于设备本身的纹理是有规律的分布的,而设备的破损划痕以及脏污等缺陷的纹理是不规则分布的,本实施例基于此可以将边缘纹理图输入DNN中获得设备缺陷的纹理边缘图。
根据无人机的位置获取相机的位置,根据无人机与设备的距离获取相机到设备的距离,根据相机的朝向以及相机的内参,可将图像上的二维的设备缺陷的纹理边缘映射到设备的三维模型上,获得设备三维表面缺陷的边缘。根据三维表面缺陷的边缘获取缺陷区域的面积,该面积与设备表面积的比值记为设备的损毁程度。
3)求所述故障程度和对应的损毁程度的差值,根据该差值计算设备对应的注意力矢量场;
对于设备缺陷的纹理边缘图,利用灰度共生矩阵获得一张纹理特征影像图:具体方法是用每一个小窗口形成的子影像,计算小窗口影像灰度共生矩阵和灰度共生矩阵的熵值,然后将熵值赋值给窗口的中心点,这就完成了第一小窗口的纹理特征计算。然后窗口被移动一个像素形成另外一个小的窗口影像,再重复计算新共生矩阵和熵值。依次类推,这样整个图象就会生成纹理特征影像图,与原图等大小,该特征影像图的每个像素表示纹理的复杂或混乱程度,值越大表示纹理分布越复杂,说明缺陷纹理越多,越复杂。对于设备的语义区域内,且在纹理特征影像图上所有像素,获取语义区域的中心坐标到每个像素坐标的单位位移矢量,每个单位位移向量与对应像素的像素值的乘积称其为设备的一个注意力度矢量。由于存在多个像素,因此获得多个注意力度矢量。
获取多个注意力度矢量,将矢量方向相同的矢量求和,然后通过均值漂移聚类将分布密集的矢量聚为一类,每个类别中所有矢量求均值后合并为一个矢量。最终一个设备对应多个矢量,这些矢量合成后称为设备的注意力度矢量场。矢量场中每个矢量的方向和大小表示在该方向有一个缺陷纹理的关注力度,关注力度越大说明在该方向上缺陷分布越多,越需要无人机飞往该方向是去进一步获取设备缺陷。此时获得的设备的注意力度矢量场是图像中二维的矢量场,将二维的矢量场映射到变电站三维虚拟场景中,获得设备的三维注意力度矢量场。
计算设备的故障程度和对应的损毁程度的差值,表征第k个设备当前其他视角没有被检测到的故障程度,表示的是设备的故障严重程度,该数据是根据电网状态计算出来的;也能表示设备的损毁严重程度,该数据是无人机通过采集设备的某一视角的数据计算出来的,那么越大说明该设备其他视角没有被检测到的故障程度就越大,为了更准确地判断无人机是否有必要采集设备的其他视角,本实施例根据将设备的注意力度矢量场进行扩大,具体是将该设备的注意力度矢量场中的每个矢量乘以来更新设备注意力度矢量场,需要说明的是一个矢量乘以一个标量仍然是矢量。
4) 根据设备对应的注意力矢量场确定变电站设备的巡检路线。
根据设备对应的注意力矢量场确定设备对应的主成分方向,该主成分方向是设备对应的注意力矢量场中长度最长的矢量,是最需要被关注的方向,也是决定无人机是否有必要进行多视角拍摄的方向;
判断设备的主成分方向对应的矢量值是否大于设定矢量阈值;若大于,表明设备沿该主成分方向分布缺陷较多,需要无人机飞向该方向去进一步获取设备缺陷,因此本实施例将该设备的位置作为巡检路线经过的位置,将设备对应的主成分方向作为巡检路线经过对应位置时轨迹的切线方向;若不大于,表明设备沿该主成分方向分布缺陷较少,无需无人机飞向该方向去进一步获取设备缺陷,因此,只需将该设备的位置作为巡检路线经过的位置即可,无需将设备对应的主成分方向作为巡检路线经过对应位置时轨迹的切线方向。
由于两设备之间存在多条巡检曲线,本实施例还根据巡检路线与注意力矢量场中各矢量方向的夹角余弦值之和确定两大于设定故障程度阈值的设备之间的巡检路线,具体为:获取长度最短的K条曲线的集合CK,比如K=20,对于其中第k条曲线,获取其上任意点的切线,获取该切线与矢量场中所有矢量夹角的余弦值之和,获取该曲线的合理性,将第对应的曲线作为最终的巡检路线,满足。
本实施例在确定巡检路线时还考虑了巡检路线与注意力矢量场中各矢量方向的夹角余弦值之和,作为其它实施方式,也可以在主成分方向大于设定矢量阈值时参考无人机经过各设备时的主成分方向和两设备之间距离最短确定巡检路线,在主成分方向不大于设定矢量阈值时只参考两设备之间距离最短确定巡检路线。
本实施例通过故障程度与损毁程度之差计算了设备对应的注意力矢量场,设备对应的注意力矢量场反映的是设备其它侧面的损毁情况,本实施例根据设备的注意力矢量场确定巡检路线,参考了设备其它侧面的损毁情况,可以只在设备的其它侧面的损毁情况较严重时才对故障设备进行其它视角的拍摄,而在设备的其它侧面的损毁情况较轻微时不对故障设备进行其它视角的拍摄,本实施例精简了巡检路线,提高了巡检效率。
基于大数据和人工智能的变电站设备巡检***实施例
本实施例的基于大数据和人工智能的变电站设备巡检***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如基于大数据和人工智能的变电站设备巡检方法实施例所描述的基于大数据和人工智能的变电站设备巡检方法。
由于基于大数据和人工智能的变电站设备巡检方法实施例中已经对基于大数据和人工智能的变电站设备巡检方法进行了说明,此处就不再赘述。
需要说明的是,尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (8)
1.一种基于大数据和人工智能的变电站设备巡检方法,其特征在于,包括以下步骤:
获取电网中各变电站节点的电气信息,根据各变电站节点的电气信息计算各变电站对应的各设备的故障程度;
判断各设备的故障程度是否大于设定故障程度阈值,若大于,则获取该设备对应的图像,根据所述图像计算设备对应的损毁程度;
求所述故障程度和对应的损毁程度的差值,根据该差值计算设备对应的注意力矢量场;
根据设备对应的注意力矢量场确定变电站设备的巡检路线。
2.根据权利要求1所述的基于大数据和人工智能的变电站设备巡检方法,其特征在于,根据设备对应的注意力矢量场确定变电站设备的巡检路线的步骤包括:
根据设备对应的注意力矢量场确定设备对应的主成分方向;
判断设备的主成分方向对应的矢量值是否大于设定矢量阈值;若大于,则将该设备的位置作为巡检路线经过的位置,将设备对应的主成分方向作为巡检路线经过对应位置时轨迹的切线方向。
3.根据权利要求2所述的基于大数据和人工智能的变电站设备巡检方法,其特征在于,根据设备对应的注意力矢量场确定变电站设备的巡检路线的步骤还包括:根据巡检路线与注意力矢量场中各矢量方向的夹角余弦值之和确定两设备之间的巡检路线。
4.根据权利要求1所述的基于大数据和人工智能的变电站设备巡检方法,其特征在于,计算设备对应的注意力矢量场的步骤包括:
根据设备的图像,得到设备对应的纹理缺陷边缘图;
利用灰度共生矩阵将设备对应的纹理缺陷边缘图转换为纹理特征影像图;
计算纹理特征影像图中设备的中心像素点到其它各像素点的位移矢量,位移矢量的长度更新为纹理特征影像图中对应像素点的像素值;
计算设备的故障程度和对应的损毁程度的差值,利用差值更新设备的中心像素点到其它各像素点的位移矢量,将更新后的设备的中心像素点到其它各像素点的位移矢量合成为设备对应的注意力矢量场。
5.根据权利要求1所述的基于大数据和人工智能的变电站设备巡检方法,其特征在于,计算各变电站对应的各设备的故障程度的步骤包括:
根据各变电站节点的电气信息,利用TCN网络得到各节点的故障程度;
根据各节点与各设备的关联程度,计算各设备的故障程度。
7.根据权利要求1所述的基于大数据和人工智能的变电站设备巡检方法,其特征在于,所述根据图像计算设备对应的损毁程度的步骤包括:
根据设备的图像,得到设备对应的纹理缺陷边缘图;
根据设备对应的纹理缺陷边缘图计算设备对应的缺陷区域的面积;
求设备对应的缺陷区域的面积与对应的设备表面积的比值,将比值作为设备对应的损毁程度。
8.一种基于大数据和人工智能的变电站设备巡检***,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-7任一项所述的基于大数据和人工智能的变电站设备巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111046029.XA CN113486873B (zh) | 2021-09-07 | 2021-09-07 | 一种基于大数据和人工智能的变电站设备巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111046029.XA CN113486873B (zh) | 2021-09-07 | 2021-09-07 | 一种基于大数据和人工智能的变电站设备巡检方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486873A CN113486873A (zh) | 2021-10-08 |
CN113486873B true CN113486873B (zh) | 2021-12-07 |
Family
ID=77947320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111046029.XA Active CN113486873B (zh) | 2021-09-07 | 2021-09-07 | 一种基于大数据和人工智能的变电站设备巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117387603B (zh) * | 2023-12-13 | 2024-02-23 | 西安新视空间信息科技有限公司 | 电力巡检地图导航方法及装置、介质、电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105334428A (zh) * | 2015-11-30 | 2016-02-17 | 国家电网公司 | 配电网线路故障检测***及方法 |
CN108152676A (zh) * | 2017-12-22 | 2018-06-12 | 北京映翰通网络技术股份有限公司 | 一种基于智能体的配电网故障定位方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102084137B1 (ko) * | 2019-09-23 | 2020-03-04 | 주식회사 신광기술사 | 가공배전선로의 고장구간 검출시스템 |
CN111506093A (zh) * | 2020-04-09 | 2020-08-07 | 陕西省地方电力(集团)有限公司延安供电分公司 | 一种基于无人机的电力巡检***及方法 |
-
2021
- 2021-09-07 CN CN202111046029.XA patent/CN113486873B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105334428A (zh) * | 2015-11-30 | 2016-02-17 | 国家电网公司 | 配电网线路故障检测***及方法 |
CN108152676A (zh) * | 2017-12-22 | 2018-06-12 | 北京映翰通网络技术股份有限公司 | 一种基于智能体的配电网故障定位方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113486873A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN107392247B (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN111798407B (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN112379231A (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
CN110796107A (zh) | 电力巡检图像缺陷识别方法和***、电力巡检无人机 | |
CN112001260A (zh) | 一种基于红外可见光图像融合的电缆沟故障检测方法 | |
CN113486873B (zh) | 一种基于大数据和人工智能的变电站设备巡检方法及*** | |
CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
CN111507975A (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
CN115275870A (zh) | 一种基于高空线路维护的巡检*** | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
CN116403129A (zh) | 一种适应复杂气候环境的绝缘子检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 | |
CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和*** | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN105043275A (zh) | 基于图像处理的输电导线覆冰厚度测量方法 | |
CN114494186B (zh) | 一种高压输变电线路电气设备的故障检测方法 |
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 |