CN113705763B - 一种基于神经计算棒的配网变压器实时检测方法及*** - Google Patents
一种基于神经计算棒的配网变压器实时检测方法及*** Download PDFInfo
- Publication number
- CN113705763B CN113705763B CN202010429817.6A CN202010429817A CN113705763B CN 113705763 B CN113705763 B CN 113705763B CN 202010429817 A CN202010429817 A CN 202010429817A CN 113705763 B CN113705763 B CN 113705763B
- Authority
- CN
- China
- Prior art keywords
- transformer
- distribution network
- real
- positioning
- detection
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000011897 real-time detection Methods 0.000 title claims abstract description 37
- 210000005036 nerve Anatomy 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 14
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 13
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 13
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000010207 Bayesian analysis Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000004817 gas chromatography Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 26
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005265 energy consumption Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 claims 1
- 239000007789 gas Substances 0.000 description 54
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000001237 Raman spectrum Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000004057 DFT-B3LYP calculation Methods 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 2
- 239000005977 Ethylene Substances 0.000 description 2
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经计算棒的配网变压器实时检测方法及***,包括,利用yolo3目标检测策略采集待检测的配网变压器图片并转化为图像数据传输到图像传感器内进行仿射变换输出相应的实际位置;利用气相色谱分析法采集变压器中的变压器油特征气体,融合WSMOTE策略进行预处理;基于分布式序贯评估气体泄露源位置策略构建定位模型检测配网变压器实际位置和预处理后的特征气体,结合AI加速器实时加快定位模型定位判断进程,输出定位结果;将定位结果导入贝叶斯分析模型内进行二次验证判定,得到配网变压器的位置信息并利用移动终端或树莓派显示器实时显示结果。本发明通过采用AI加速器的神经计算棒达到高速AI推理运算能力和低功耗的能力。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于神经计算棒的配网变压器实时检测方法及***。
背景技术
为了实现变电站主要电力设备的智能化管理,保障电力***安全可靠运行,电力公司加强了对电力设备运行监测方法和手段。目前,基于红外热像仪带电检测、无人机巡检、视频在线监测等大力推广和使用,产生了海量的可见光和红外图像,但主要还是采取人工分析的方式处理主要设备的各项问题。这种方式会导致大量人力资源的浪费,还会由于缺乏客观性导致出错。因此,利用图像识别技术进行电力设备目标智能识别对于后续的电力设备的故障检测和诊断非常必要,这种方式不仅能降低人工工作量,还可避免人为检测实物导致的误判,达到提高检测的准确性的目的。
目前,人工智能在电力行业逐渐应用,对于配网的变压器识别的过程,传统的解决方案是通过图像处理的方式离线识别但是存在识别效果较差的问题,也有采用深度学习的方式但模型部署在GPU服务器上,这样成本较高,所提供的在线服务AI接口,在网络良好的情况下可以使用,但是特定的使用场景存在着无网络或者网络延迟高等情况无法使用在线服务AI接口,所以急需提出一种便携的性能高,功耗低、体积小的嵌入式设备,来完成配网变压器离线实时识别任务。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于神经计算棒的配网变压器实时检测方法及***,能够解决无法在离线状态下完成配网变压器的实时检测任务的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,利用yolo3目标检测策略采集待检测的配网变压器图片并转化为图像数据传输到图像传感器内进行仿射变换输出相应的实际位置;利用气相色谱分析法采集变压器中的变压器油特征气体,融合WSMOTE策略进行预处理;基于分布式序贯评估气体泄露源位置策略构建定位模型检测所述配网变压器实际位置和预处理后的所述特征气体,结合AI加速器实时加快所述定位模型定位判断进程,输出定位结果;将所述定位结果导入贝叶斯分析模型内进行二次验证判定,得到所述配网变压器的位置信息并利用移动终端或树莓派显示器实时显示结果。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测方法的一种优选方案,其中:采集所述配网变压器图片并进行仿射变换输出所述实际位置包括,利用摄像头持续探测变压器桩头截面面积特征,结合所述yolo3目标检测策略进行实时检测;当检测所述变压器桩头截面面积特征时,若检测结果为否,则继续进行该特征检测,直至检测到所述变压器桩头截面面积特征时再进行对变压器铭牌的检测;当检测所述变压器铭牌时,若检测结果为否,则继续进行该检测,直至检测到所述变压器铭牌时再进行对配网设备环境的检测;检测所述配网设备环境中有无所述配网变压器时,若检测结果为否,则直接返回检测所述变压器桩头截面面积特征这一动作并重新进行检测,若所述检测结果为是,则返回至所述变压器桩头坐标;对所述变压器桩头bbox中心点坐标进行计算,且以point2f格式按照采集的图片顺序保存坐标值;将所述坐标值进行仿射变换转换为相对配网设备的实际坐标,并利用变换后的所述实际坐标计算轨迹,得到所述变压器在所述配网设备中的位置。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测方法的一种优选方案,其中:计算所述轨迹需提前训练神经网络模型,包括,利用所述摄像头采集所述配网设备环境视频数据并转换为一帧帧的图片数据进行保存;对每帧所述图片数据生成同样尺寸的png图片,且标注出所述变压器桩头截面位置、铭牌位置和所述变压器在各电气设备中所处位置;分别获得1000张1920*1080分辨率的图片和同样张数的标注数据,将其输入构建的所述神经网络模型内;设置训练参数,训练所述神经网络模型直至准确输出所述轨迹数据。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测方法的一种优选方案,其中:预处理所述特征气体包括,将采集的所述变压器油特征气体进行标注划分,构建样本数据集;利用基于权值的过采样策略生成分类器,对所述分类器进行N轮迭代训练;每轮迭代训练中分别使用不同权值分布的所述样本数据集,并对其进行更新、学习和修改直至生成一个新分类器和新的样本,且所述新样本添加至原有的所述数据集中;当结束所述N轮迭代训练时,则将生成的所述分类器全部整合在一起并输出处理结果。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测方法的一种优选方案,其中:构建所述定位模型包括,利用湍流扩散理论构建时均气体扩散模型,同时结合气体浓度随传播距离增加而衰减的特性建立传感器节点在t时刻的观测模型;利用传感器节点之间信息增益参数与网络通信链路能耗参数构建信息融合目标函数,计算分布式最小均方误差预测量确定气体泄露源位置参数;基于所述信息融合目标函数及所述yolo3多目标检测策略构建所述定位模型,且根据所述预测量的均方误差实时调整相邻节点集合的大小。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测方法的一种优选方案,其中:包括,所述定位模型求解当前节点及其相邻节点之间目标函数的极值以选择路由节点;根据所述气体泄露源位置参数及所述神经网络模型输出的所述轨迹数据实时输出并定位气体泄露源位置坐标;其中,所述AI加速器实时加快所述定位模型定位判断进程,输出所述定位结果。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测方法的一种优选方案,其中:所述二次验证判定包括,将所述定位结果输入所述贝叶斯分析模型内;对所述变压器的频率量、脉冲量和气体挥发量进行融合处理和错误概率计算,如下,
P(Bi|Ai)=Bi|Ai,i=1,2,……n
其中,Bi:第i个协同分析因子中被正确识别的特征参数个数,Ai:第i个协同分析因子中识别的特征参数个数;若验证结果概率大于等于0.5,则所述定位结果正确;若所述验证结果概率小于0.5,则所述定位结果错误。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测***的一种优选方案,其中:包括,检测模块,用于采集所述配网变压器图片和所述特征气体,其包括摄像头和传感器,所述摄像头用于实时探测拍摄所述变压器图片,所述传感器用于实时捕获所述变压器油特征气体;图像传感模块与所述摄像头相连接,用于获取拍摄的所述变压器图片并对其进行特征处理,识别、转换为所述图像数据,且传输至核心处理模块内;所述核心处理模块用于统一计算处理所述检测模块采集的所述图像数据和所述特征气体,其包括数据运算单元、数据库及输入输出管理单元,所述数据运算单元用于计算获取的数据信息,给出运算结果,所述数据库用于为所述数据运算单元提供样本数据集及存储所述运算结果,所述输入输出管理单元用于连接各单元进行信息传输的交互;AI加速器连接于所述核心处理模块,其用于加快所述核心处理模块的运算处理速度,同时控制降低所述核心处理模块的能耗。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测***的一种优选方案,其中:还包括,网络模块与所述核心处理模块相连接,用于为所述核心处理模块分配网络;电源供应模块连接于所述核心处理模块和所述网络模块,其用于对所述核心处理模块和所述网络模块进行5v供电和充电;扩展接口模块与所述核心处理模块相连接,用于为所述核心处理模块扩展接口。
作为本发明所述的一种基于神经计算棒的配网变压器实时检测***的一种优选方案,其中:包括,所述AI加速器为intel的二代神经计算棒,其包括openvino平台,用于对所述定位模型进行优化压缩;所述网络模块是无线路由器,通过网线连接所述核心处理模块分配网络并提供WiFi,使得连接WiFi的设备访问所述核心处理模块提供的图片实时检测服务。
本发明的有益效果:本发明通过采用AI加速器的神经计算棒达到高速AI推理运算能力和低功耗的能力,同时通过对变压器图像和气体的采集检测分别进行坐标判断,再利用定位模型对两个坐标判断结果进行统一的整合定位,最后通过二次验证分析保证定位结果的准确度,在达到续航时间长的基础条件下实现无网络准确实时识别检测变压器。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种基于神经计算棒的配网变压器实时检测方法的流程示意图;
图2为本发明第一个实施例所述的一种基于神经计算棒的配网变压器实时检测方法的传统变压器故障红外图像识别检测方法仿真测试结果示意图;
图3为本发明第一个实施例所述的一种基于神经计算棒的配网变压器实时检测方法的传统变压器特征气体拉曼光谱检测方法仿真测试结果示意图;
图4为本发明第一个实施例所述的一种基于神经计算棒的配网变压器实时检测方法的本发明方法仿真测试结果示意图;
图5为本发明第二个实施例所述的一种基于神经计算棒的配网变压器实时检测***的模块结构分布示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了一种基于神经计算棒的配网变压器实时检测方法,包括:
S1:利用yolo3目标检测策略采集待检测的配网变压器图片并转化为图像数据传输到图像传感器内进行仿射变换输出相应的实际位置。其中需要说明的是,采集配网变压器图片并进行仿射变换输出实际位置包括:
利用摄像头持续探测变压器桩头截面面积特征,结合yolo3目标检测策略进行实时检测;
当检测变压器桩头截面面积特征时,若检测结果为否,则继续进行该特征检测,直至检测到变压器桩头截面面积特征时再进行对变压器铭牌的检测;
当检测变压器铭牌时,若检测结果为否,则继续进行该检测,直至检测到变压器铭牌时再进行对配网设备环境的检测;
检测配网设备环境中有无配网变压器时,若检测结果为否,则直接返回检测变压器桩头截面面积特征这一动作并重新进行检测,若检测结果为是,则返回至变压器桩头坐标;
对变压器桩头bbox中心点坐标进行计算,且以point2f格式按照采集的图片顺序保存坐标值;
将坐标值进行仿射变换转换为相对配网设备的实际坐标,并利用变换后的实际坐标计算轨迹,得到变压器在配网设备中的位置。
进一步的,计算轨迹需提前训练神经网络模型,包括:
利用摄像头采集配网设备环境视频数据并转换为一帧帧的图片数据进行保存;
对每帧图片数据生成同样尺寸的png图片,且标注出变压器桩头截面位置、铭牌位置和变压器在各电气设备中所处位置;
分别获得1000张1920*1080分辨率的图片和同样张数的标注数据,将其输入构建的神经网络模型内;
设置训练参数,训练神经网络模型直至准确输出轨迹数据。
再进一步的是,需要对图像进行特征提取,包括:
输入图片为摄像头采集到的原始图片,分辨率1920*1080,通道数3个(r、g、b),输入神经网络预处理单元;
对输入的图片进行resize处理,调整后的图像分辨率为512*512,通道数不变;
对图片进行卷积操作,卷积核大小3*3,卷积核数量64,卷积方式为“same”,卷积后原图像尺寸不变,通道数变为64;
对512*512*64的特征图像进行Relu激活操作,再进行步长为2的maxpooling,pooling后得到的特征图尺寸减半,通道数不变。
更进一步的是,对提取的特征图像进行卷积操作,包括:
对特征图进行卷积操作,卷积核大小3*3,卷积核数量512,得到特征图64*64*512,该卷积操作重复3次;
对64*64*512的特征图进行上采样,缩放因子为2,采样方式为bilinear,得到特征图大小为128*128*512;
将特征图叠加在一起,叠加时前两维不变,最后一位通道数相加,得到特征图为128*128*768。
S2:利用气相色谱分析法采集变压器中的变压器油特征气体,融合WSMOTE策略进行预处理。本步骤需要说明的是,预处理特征气体包括:
将采集的变压器油特征气体(氢气、氧气、甲烷、乙烯、乙烷、乙炔、一氧化碳和二氧化碳含量全分析)进行标注划分,构建样本数据集;
利用基于权值的过采样策略生成分类器,对分类器进行N轮迭代训练;
每轮迭代训练中分别使用不同权值分布的样本数据集,并对其进行更新、学习和修改直至生成一个新分类器和新的样本,且新样本添加至原有的数据集中;
当结束N轮迭代训练时,则将生成的分类器全部整合在一起并输出处理结果。
具体的,利用WSMOTE策略进行迭代训练,包括:
(1)参数初始化,t=0;
(2)利用相似性衡量和过采样率R合成新的样本,构建新的训练集,
Xd=Xi+δ*(Xa-Xi)
其中,X=(x1,x2,…,xm)和Y=(y1,y2,…,ym)表示两个样本,m:样本特征的数量,Xi:少数样本,Wi:第i个特征的权重,Xd:新的合成样本,Xa:少数样本的一个近邻样本,δ:取值(0,1)之间的随机参数;
(3)对新训练集进行学习,得到基分类器并利用下式计算基分类器的权值,
其中,ft:基分类器,at:权值,et:特征权值;
(4)根据分类错误率计算特征权重并对现有的特征权值进行更新、对样本权值进行修改,如下
(5)若t≥T,则退出迭代训练,利用加权组合计算得出最终的分类器并输出结果;
(6)若t<T,则重新合成新的样本,构建新的训练集继续进行迭代训练直至满足要求结束迭代训练。
S3:基于分布式序贯评估气体泄露源位置策略构建定位模型检测配网变压器实际位置和预处理后的特征气体,结合AI加速器实时加快定位模型定位判断进程,输出定位结果。其中还需要说明的是,构建定位模型包括,
利用湍流扩散理论构建时均气体扩散模型,同时结合气体浓度随传播距离增加而衰减的特性建立传感器节点在t时刻的观测模型,
Zk(t)=θk(Xs)+Vk(t),k=1,2,......n
其中,Ck(Xs):坐标Xk的传感器节点Sk处的浓度值,n:网络中传感器节点的总数,q:气体释放率,k:湍流扩散系数,U:风速值,θk(Xs):包含气体泄露源位置信息的随机量,Vk(t):传感器测量噪声;
利用传感器节点之间信息增益参数(当前节点和相邻节点的测量值以及气体泄露源的位置信息)与网络通信链路能耗参数(带宽、延迟、节点信息采集与处理能量消耗和节点间信息传输)构建信息融合目标函数,计算分布式最小均方误差预测量确定气体泄露源位置参数,如下所示:
R(Sj,Sk)=βRi(θk,ZK,Yk)+(1-β)Rc(Sj,Sk)
其中,Ri(θk,ZK,Yk):正在运算的节点Sj选择下一路由器节点Sk时所产生的信息增益,Rc(Sj,Sk):节点Sj和Sk之间的通信链路能耗,β∈[0,1]是平衡两个参数对目标函数影响的系数,当β=1时,下一路由节点的选择以信息增益为主而忽略通信链路能耗的影响,当β=0时则以降低通信链路能耗为主而忽略信息增益的影响,Yk:当前节点传递给下一路由节点的含有噪声的预测信息;
基于信息融合目标函数及yolo3多目标检测策略构建定位模型,求解当前节点及其相邻节点之间目标函数的极值以选择路由节点,如下:
当k=1时,定义θ1(Xs)和观测噪声V1相互独立,基于观测值Z1的节点s1获得的预测量为
均方误差为
当k>1时,节点sk的预测量θk和对应的均方误差Mk分别为
利用预测量的均方误差实时调整相邻节点集合的大小,消除误差精度;
根据气体泄露源位置参数及神经网络模型输出的轨迹数据实时输出并定位气体泄露源位置坐标;
进一步的,AI加速器实时加快定位模型定位判断进程,输出定位结果。
具体的,基于分布式序贯评估气体泄露源位置策略的路由节点选择,包括,
启动初始评估预测运算,激活节点并接收前节点的预测信息;
更新预测量和预测量最小均方差,输入观测模型的节点观测值,判断是否达到性能指标阈值;
若为是,则输出最终运算选择结果数据;
若为否,则根据运算结果从相邻节点集合中选择下一路由节点向其传递预测信息,根据前节点预测方差值调整相邻节点集合选择半径并更新候选节点集合,将当前节点转入休眠模式且重新激活节点接收前节点预测信息直至运算结果满足性能指标阈值要求。
S4:将定位结果导入贝叶斯分析模型内进行二次验证判定,得到配网变压器的位置信息并利用移动终端或树莓派显示器实时显示结果。本步骤还需要说明的是,二次验证判定包括:
将定位结果输入贝叶斯分析模型内;
对变压器的频率量、脉冲量和气体挥发量进行融合处理和错误概率计算,如下,
P(Bi|Ai)=Bi|Ai,i=1,2,……n
其中,Bi:第i个协同分析因子中被正确识别的特征参数个数,Ai:第i个协同分析因子中识别的特征参数个数;
若验证结果概率大于等于0.5,则定位结果正确;
若验证结果概率小于0.5,则定位结果错误。
优选的,本实施例还需要说明的是,针对配网变压器的检测方法一般是采用图像识别或者是利用特征气体单独进行设备故障检测,例如,传统的变压器特征气体拉曼光谱检测方法主要是利用拉曼散射效应对变压器绝缘油中的烷类气体和氢气进行直接测量,推断物质性质、含量的一种光谱分析方法,其解决的问题主要针对于复杂故障特征气体和气体交叉干扰的微量检测,而在现实生活应用中会存在传感器易老化、最小检测浓度分析受限的现象,影响气体检测的准确性和可操作性;传统的变压器故障红外图像识别方法主要利用热红外成像技术在图像上通过不同大小的窗口进行扫描,并根据手工浅层图像特征训练分类模型完成目标分类识别检测,其解决的问题主要针对于人为提取描述特征较差的适应性、对设备运行状态的主观判断,而在现实生活应用中,这种浅层图像特征不具备语义层面上的性质,且全图的扫描会耗费大量的计算时间,同时,这种处理方式中会出现大量的重复现象,即同一个目标部件会存在多个重叠的定位窗口,易造成误删图像、检测精度较低、效率较低的情况;而本发明方法通过将图像识别检测与特征气体检测结合,利用定位模型和贝叶斯分析模型分别进行一次定位和二次验证定位,极大的提高了识别结果的准确率,且利用AI加速器实时推动运算效率、平衡功耗,在实现较低能耗运算和网络随意切换的条件下提升工作效率并进行实时检测,避免了上述两种方法单独应用时的弊端。
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的变压器故障红外图像识别检测方法和传统的变压器特征气体拉曼光谱检测方法分别与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的变压器故障红外图像识别检测方法检测精度较低、效率较低,传统的变压器特征气体拉曼光谱检测方法准确的较低、可操作性较低,为验证本发明方法相对两种传统方法具有较高的检测精度、较低的功耗性能、较快的运算速度、较好的实时性,本实施例中将采用两种传统方法和本发明方法分别对某一变电站的变压器进行实时测量对比。
测试条件:(1)传统的变压器故障红外图像识别检测方法需要进行加权灰度处理再利用Canny算子进行边缘检测,获得滤波以使得后续进行识别分析达到检测的目的,分别采用VS2008、OpenCV、650*590的红外热像,利用MATLB平台进行仿真;
(2)传统的变压器特征气体拉曼光谱检测方法基于密度泛函B3LYP策略优化特征气体分子模型(氢气、一氧化碳、二氧化碳、甲烷、乙烷、乙烯、乙炔),利用Gaussian软件选用三参数Becke交换势和LYP相关势的广义梯度近似组成的B3LYP杂化函数分析变压器油中气体分子运动状态和所处能级,分别采用270mm*195mm*190mm不锈钢油气渗透装置、管式中空渗透膜温度调节仪、电动机及柱塞泵联合,利用MATLB平台进行仿真;
(3)本发明方法开启自动化测试设备(摄像头、传感器、树莓派及AI加速器)并利用MATLB平台进行仿真,根据实验结果得到仿真数据。
仿真输出结果分别参照图2、图3和图4,图2为传统变压器故障红外图像识别检测方法在不同迭代优化次数下获得的检测准确度,如图2的示意,随着检测迭代次数的增加,准确度有所波动,呈不稳定趋势,且准确度时高时低,由此可见,检测准确度并不具有较好的实用性;图3为传统变压器特征气体拉曼光谱检测方法在不同检测距离、气体浓度情况下获得的检测准确度,如图3的示意,随着检测距离的增加,气体浓度随之减少,检测准确度也越来越低,呈下降趋势,由此可知,该方法并不具有实质意义的检测研究;而图4是本发明方法是根据不同距离角度的图像识别、不同距离浓度的气体分析进行整合定位及二次验证判定的检测方法,如图4的示意,随着气体浓度的改变(即增加或减少),检测精度值并不会随之进行波动变化,且随着检测工作运算量的增加,检测时间也并未有所增加,由此可见,本发明方法克服了气体浓度影响准确度的问题,且相对于两种传统方法具有更高的效率。
实施例2
参照图5,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于神经计算棒的配网变压器实时检测***,包括:
检测模块100,用于采集配网变压器图片和特征气体,其包括摄像头101和传感器102,摄像头101用于实时探测拍摄变压器图片,传感器102用于实时捕获变压器油特征气体;
图像传感模块200与摄像头101相连接,用于获取拍摄的变压器图片并对其进行特征处理,识别、转换为图像数据,且传输至核心处理模块300内;
核心处理模块300用于统一计算处理检测模块100采集的图像数据和特征气体,其包括数据运算单元301、数据库302及输入输出管理单元303,数据运算单元301用于计算获取的数据信息,给出运算结果,数据库302用于为数据运算单元301提供样本数据集及存储运算结果,输入输出管理单元303用于连接各单元进行信息传输的交互;
AI加速器400连接于核心处理模块300,其用于加快核心处理模块300的运算处理速度,同时控制降低核心处理模块300的能耗;
网络模块500与核心处理模块300相连接,用于为核心处理模块300分配网络;
电源供应模块600连接于核心处理模块300和网络模块500,其用于对核心处理模块300和网络模块500进行5v供电和充电;
扩展接口模块700与核心处理模块300相连接,用于为核心处理模块300扩展接口。
较佳的,需要说明的是,检测模块100内设置有为通过配网变压器标注数据图片训练的tiny-yolo3模型,计算量较小,能够在移动端或设备端运行并部署在树莓派3B+上提供图片实时检测服务;核心处理模块300采用ARM处理芯片树莓派3B+,所述树莓派3B+为5v电压供电,搭载linux以运行tensorflow框架;AI加速器400为intel的二代神经计算棒,其包括openvino平台,用于对定位模型进行优化压缩;网络模块500是无线路由器,通过网线连接核心处理模块300分配网络并提供WiFi,使得连接WiFi的设备访问核心处理模块300提供的图片实时检测服务;电源供应模块600采用一个容量较大的充电宝,提供两个5V充电接口,使得所述树莓派在低功耗的状态下长时间持续供电。
优选的,本实施例还需要说明的是,本发明***实时检测配网变压器的过程是:
利用摄像头101实时采集照片并将每帧图像通过图像传感器发送给树莓派进行预处理;
传感器102实时采集变压器油特征气体并将其传输给树莓派进行预处理;
数据运算单元301读取预处理后的特征气体数据和图像数据并对其进行分析运算,同时,AI加速器400通过图像传感模块200的USB端口连接树莓派,支撑数据运算单元301加速运算处理;
输入输出管理单元303输出配网变压器的位置信息并返回至网络模块500连接的终端或树莓派显示器显示结果。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“***”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于神经计算棒的配网变压器实时检测方法,其特征在于:包括,
利用yolo3目标检测策略采集待检测的配网变压器图片并转化为图像数据传输到图像传感器内进行仿射变换输出相应的实际位置;
利用气相色谱分析法采集变压器中的变压器油特征气体,融合WSMOTE策略进行预处理;
基于分布式序贯评估气体泄露源位置策略构建定位模型检测所述配网变压器实际位置和预处理后的所述特征气体,结合AI加速器实时加快所述定位模型定位判断进程,输出定位结果;
将所述定位结果导入贝叶斯分析模型内进行二次验证判定,得到所述配网变压器的位置信息并利用移动终端或树莓派显示器实时显示结果;
采集所述配网变压器图片并进行仿射变换输出所述实际位置包括,
利用摄像头持续探测变压器桩头截面面积特征,结合所述yolo3目标检测策略进行实时检测;
当检测所述变压器桩头截面面积特征时,若检测结果为否,则继续进行该特征检测,直至检测到所述变压器桩头截面面积特征时再进行对变压器铭牌的检测;
当检测所述变压器铭牌时,若检测结果为否,则继续进行该检测,直至检测到所述变压器铭牌时再进行对配网设备环境的检测;
检测所述配网设备环境中有无所述配网变压器时,若检测结果为否,则直接返回检测所述变压器桩头截面面积特征这一动作并重新进行检测,若所述检测结果为是,则返回至所述变压器桩头坐标;
对所述变压器桩头bbox中心点坐标进行计算,且以point2f格式按照采集的图片顺序保存坐标值;
将所述坐标值进行仿射变换转换为相对配网设备的实际坐标,并利用变换后的所述实际坐标计算轨迹,得到所述变压器在所述配网设备中的位置;
计算所述轨迹需提前训练神经网络模型,包括,
利用所述摄像头采集所述配网设备环境视频数据并转换为一帧帧的图片数据进行保存;
对每帧所述图片数据生成同样尺寸的png图片,且标注出所述变压器桩头截面位置、铭牌位置和所述变压器在各电气设备中所处位置;
分别获得1000张1920*1080分辨率的图片和同样张数的标注数据,将其输入构建的所述神经网络模型内;
设置训练参数,训练所述神经网络模型直至准确输出所述轨迹数据;
预处理所述特征气体包括,
将采集的所述变压器油特征气体进行标注划分,构建样本数据集;
利用基于权值的过采样策略生成分类器,对所述分类器进行N轮迭代训练;
每轮迭代训练中分别使用不同权值分布的所述样本数据集,并对其进行更新、学习和修改直至生成一个新分类器和新的样本,且所述新样本添加至原有的所述数据集中;
当结束所述N轮迭代训练时,则将生成的所述分类器全部整合在一起并输出处理结果;
构建所述定位模型包括,
利用湍流扩散理论构建时均气体扩散模型,同时结合气体浓度随传播距离增加而衰减的特性建立传感器节点在t时刻的观测模型;
利用传感器节点之间信息增益参数与网络通信链路能耗参数构建信息融合目标函数,计算分布式最小均方误差预测量确定气体泄露源位置参数;
基于所述信息融合目标函数及所述yolo3多目标检测策略构建所述定位模型,且根据所述预测量的均方误差实时调整相邻节点集合的大小;
所述定位模型求解当前节点及其相邻节点之间目标函数的极值以选择路由节点;
根据所述气体泄露源位置参数及所述神经网络模型输出的所述轨迹数据实时输出并定位气体泄露源位置坐标;
其中,所述AI加速器实时加快所述定位模型定位判断进程,输出所述定位结果。
2.根据权利要求1所述的基于神经计算棒的配网变压器实时检测方法,其特征在于:所述二次验证判定包括,
将所述定位结果输入所述贝叶斯分析模型内;
对所述变压器的频率量、脉冲量和气体挥发量进行融合处理和错误概率计算,如下,
P(Bi|Ai)=Bi|Ai,i=1,2,……n
其中,Bi:第i个协同分析因子中被正确识别的特征参数个数,Ai:第i个协同分析因子中识别的特征参数个数;
若验证结果概率大于等于0.5,则所述定位结果正确;
若所述验证结果概率小于0.5,则所述定位结果错误。
3.一种基于神经计算棒的配网变压器实时检测***,基于权利要求1~2任一所述的基于神经计算棒的配网变压器实时检测方法,其特征在于:包括,
检测模块(100),用于采集所述配网变压器图片和所述特征气体,其包括摄像头(101)和传感器(102),所述摄像头(101)用于实时探测拍摄所述变压器图片,所述传感器(102)用于实时捕获所述变压器油特征气体;
图像传感模块(200)与所述摄像头(101)相连接,用于获取拍摄的所述变压器图片并对其进行特征处理,识别、转换为所述图像数据,且传输至核心处理模块(300)内;
所述核心处理模块(300)用于统一计算处理所述检测模块(100)采集的所述图像数据和所述特征气体,其包括数据运算单元(301)、数据库(302)及输入输出管理单元(303),所述数据运算单元(301)用于计算获取的数据信息,给出运算结果,所述数据库(302)用于为所述数据运算单元(301)提供样本数据集及存储所述运算结果,所述输入输出管理单元(303)用于连接各单元进行信息传输的交互;
AI加速器(400)连接于所述核心处理模块(300),其用于加快所述核心处理模块(300)的运算处理速度,同时控制降低所述核心处理模块(300)的能耗。
4.根据权利要求3所述的基于神经计算棒的配网变压器实时检测***,其特征在于:还包括,
网络模块(500)与所述核心处理模块(300)相连接,用于为所述核心处理模块(300)分配网络;
电源供应模块(600)连接于所述核心处理模块(300)和所述网络模块(500),其用于对所述核心处理模块(300)和所述网络模块(500)进行5v供电和充电;
扩展接口模块(700)与所述核心处理模块(300)相连接,用于为所述核心处理模块(300)扩展接口。
5.根据权利要求4所述的基于神经计算棒的配网变压器实时检测***,其特征在于:包括,
所述AI加速器(400)为intel的二代神经计算棒,其包括openvino平台,用于对定位模型进行优化压缩;
所述网络模块(500)是无线路由器,通过网线连接所述核心处理模块(300)分配网络并提供WiFi,使得连接WiFi的设备访问所述核心处理模块(300)提供的图片实时检测服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010429817.6A CN113705763B (zh) | 2020-05-20 | 2020-05-20 | 一种基于神经计算棒的配网变压器实时检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010429817.6A CN113705763B (zh) | 2020-05-20 | 2020-05-20 | 一种基于神经计算棒的配网变压器实时检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705763A CN113705763A (zh) | 2021-11-26 |
CN113705763B true CN113705763B (zh) | 2024-02-20 |
Family
ID=78645500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010429817.6A Active CN113705763B (zh) | 2020-05-20 | 2020-05-20 | 一种基于神经计算棒的配网变压器实时检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705763B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462555B (zh) * | 2022-04-13 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 基于树莓派的多尺度特征融合配电网设备识别方法 |
CN117829822B (zh) * | 2024-03-04 | 2024-06-04 | 合肥工业大学 | 一种电力变压器故障预警方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201402257Y (zh) * | 2009-02-20 | 2010-02-10 | 国网电力科学研究院 | 变压器油中气体含量在线监测*** |
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN106052962A (zh) * | 2016-05-13 | 2016-10-26 | 重庆大学 | 一种无风度风向测量的无线传感器网络气源定位技术 |
CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
CN107332898A (zh) * | 2017-06-27 | 2017-11-07 | 中国矿业大学(北京) | 一种多源传感器融合的矿井瓦斯释放源定位方法 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN109711437A (zh) * | 2018-12-06 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于yolo网络模型的变压器部件识别方法 |
CN109856299A (zh) * | 2018-11-26 | 2019-06-07 | 国家电网有限公司 | 一种变压器在线监测差异化阈值动态设置方法、*** |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6498552B2 (ja) * | 2015-07-15 | 2019-04-10 | 株式会社日立製作所 | 漏油検出システム |
CN108536648B (zh) * | 2018-03-30 | 2021-07-06 | 武汉大学 | 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 |
-
2020
- 2020-05-20 CN CN202010429817.6A patent/CN113705763B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201402257Y (zh) * | 2009-02-20 | 2010-02-10 | 国网电力科学研究院 | 变压器油中气体含量在线监测*** |
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN106052962A (zh) * | 2016-05-13 | 2016-10-26 | 重庆大学 | 一种无风度风向测量的无线传感器网络气源定位技术 |
CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
CN107332898A (zh) * | 2017-06-27 | 2017-11-07 | 中国矿业大学(北京) | 一种多源传感器融合的矿井瓦斯释放源定位方法 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN109856299A (zh) * | 2018-11-26 | 2019-06-07 | 国家电网有限公司 | 一种变压器在线监测差异化阈值动态设置方法、*** |
CN109711437A (zh) * | 2018-12-06 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于yolo网络模型的变压器部件识别方法 |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测*** |
Non-Patent Citations (4)
Title |
---|
Weighted-SMOTE: A modification to SMOTE for event classification in sodium cooled fast reactors;Manas Ranjan Prusty等;《Progress in Nuclear Energy》;355-364 * |
基于不平衡数据分类的中药肝毒性检测;郭玉萱;《计算应用与软件》;第35卷(第8期);226-230 * |
基于分布传感技术的变压器油色谱在线监测技术应用研究;王伦宾;《中国优秀硕士学位论文全文数据库(电子期刊)》;C042-47 * |
基于油气量和超高频局放信号的变压器故障诊断研究;洪浪;《中国优秀硕士学位论文全文数据库(电子期刊)》;C042-271 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705763A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325347B (zh) | 基于可解释视觉推理模型的危险预警描述自动生成方法 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN109242033A (zh) | 晶片缺陷模式分类方法及装置、存储介质、电子设备 | |
CN104573706A (zh) | 一种物体图像识别方法及其*** | |
CN113705763B (zh) | 一种基于神经计算棒的配网变压器实时检测方法及*** | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN109544548A (zh) | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及*** | |
Wang | An improved machine learning and artificial intelligence algorithm for classroom management of English distance education | |
CN113435282A (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
US20230048386A1 (en) | Method for detecting defect and method for training model | |
CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及*** | |
Hu et al. | Building occupancy detection and localization using CCTV camera and deep learning | |
CN107992873A (zh) | 目标检测方法及装置、存储介质、电子设备 | |
CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
CN110728548A (zh) | 一种vr旅游产品评价*** | |
Pu et al. | AutoRepo: A general framework for multimodal LLM-based automated construction reporting | |
CN109583513B (zh) | 一种相似帧的检测方法、***、装置及可读存储介质 | |
KR20210142864A (ko) | 계량기 숫자 인식 장치 및 방법 | |
Kopanas et al. | Improving nerf quality by progressive camera placement for unrestricted navigation in complex environments | |
CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 | |
CN115937662A (zh) | 智能家居***控制方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |