CN113792795A - 基于网关设备的变电站设备识别方法、装置和网关设备 - Google Patents
基于网关设备的变电站设备识别方法、装置和网关设备 Download PDFInfo
- Publication number
- CN113792795A CN113792795A CN202111083009.XA CN202111083009A CN113792795A CN 113792795 A CN113792795 A CN 113792795A CN 202111083009 A CN202111083009 A CN 202111083009A CN 113792795 A CN113792795 A CN 113792795A
- Authority
- CN
- China
- Prior art keywords
- equipment
- area
- substation
- type identification
- identified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling 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
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于网关设备的变电站设备识别方法、装置、网关设备和存储介质。所述方法包括:网关设备响应于针对变电站设备的设备类型识别请求,获取与设备类型识别请求对应的待识别区域;从图像采集设备中获取待识别区域对应的图像数据;将图像数据输入预先训练的至少两个设备类型识别模型,通过至少两个设备类型识别模型分别得到针对于待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;根据至少两个初始设备类型识别结果,得到针对于待识别区域中包含的变电站设备的目标设备类型识别结果。采用本方法能够提高变电站设备类型识别的准确率。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种基于网关设备的变电站设备识别方法、装置、网关设备和存储介质。
背景技术
随着电力技术的发展,对于电力***的安全运行已经越来越受到社会各界的关注,其中,变电站作为电力***的重要组成部分,种类越来越多的设备被投入进了变电站的运行中。因此,对变电站设备的监控识别的依赖程度也随之增高。
传统技术当中,针对变电站设备的识别通常是采用安装在变电站中的图像采集设备,采集变电站的图像信息,并利用预先设计的图像识别模型,对采集的图像中的变电站设备进行识别分类。然而,这种识别方式在变电站设备不断增多时,会造成识别准确率下降,因此目前的变电站设备识别方法,变电站设备类型识别的准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种基于网关设备的变电站设备识别方法、装置、网关设备和存储介质。
一种基于网关设备的变电站设备识别方法,应用于网关设备,所述方法包括:
响应于针对变电站设备的设备类型识别请求,获取与所述设备类型识别请求对应的待识别区域;
从图像采集设备中获取所述待识别区域对应的图像数据;
将所述图像数据输入预先训练的至少两个设备类型识别模型,通过所述至少两个设备类型识别模型分别得到针对于所述待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;
根据所述至少两个初始设备类型识别结果,得到针对于所述待识别区域中包含的变电站设备的目标设备类型识别结果。
在其中一个实施例中,所述设备类型识别请求携带有所述待识别区域的区域标识;所述响应于针对变电站设备的设备类型识别请求,获取与所述设备类型识别请求对应的待识别区域,包括:获取所述待识别区域的区域标识;基于预先设定的区域标识与变电站区域的对应关系,从多个变电站区域中获取与所述区域标识对应的变电站区域,作为所述待识别区域。
在其中一个实施例中,所述图像采集设备的数量为多个;所述从图像采集设备中获取所述待识别区域对应的图像数据,包括:基于预先设定的区域标识与图像采集设备的对应关系,从多个图像采集设备中确定出与所述区域标识对应的图像采集设备,作为目标图像采集设备;获取所述目标图像采集设备采集的图像数据,作为所述待识别区域对应的图像数据。
在其中一个实施例中,所述至少两个设备类型识别模型包括:基于预先设定的网络框架进行搭建的,至少两种算法构建的神经网络模型训练得到。
在其中一个实施例中,所述预先设定的网络框架包括:pytorch框架以及darknet框架中的至少一种;所述至少两种算法构建的神经网络模型包括:通过YOLO算法构建的神经网络模型、通过SSD算法构建的神经网络模型,以及通过FasterR-CNN算法构建的神经网络模型中的至少两个。
在其中一个实施例中,所述将所述图像数据输入预先训练的至少两个设备类型识别模型之前,还包括:获取样本变电站区域图像,以及所述样本变电站区域图像对应的变电站设备类型标签;将所述样本变电站区域图像分别输入至少两种算法构建的至少两个待训练的神经网络模型,通过所述至少两个神经网络模型分别输出所述样本变电站区域图像的至少两个预测设备类型识别结果;根据所述变电站设备类型标签,以及所述至少两个预测设备类型识别结果,得到所述至少两个待训练的神经网络模型的损失值;根据所述损失值对所述至少两个待训练的神经网络模型进行训练,得到所述至少两个设备类型识别模型。
在其中一个实施例中,所述根据所述至少两个初始设备类型识别结果,得到针对于所述待识别区域中包含的变电站设备的目标设备类型识别结果,包括:获取所述至少两个设备类型识别模型分别对应的模型权重;基于所述模型权重,对所述至少两个初始设备类型识别结果进行融合,得到所述目标设备类型识别结果。
一种基于网关设备的变电站设备识别装置,应用于网关设备,所述装置包括:
识别区域确定模块,用于响应于针对变电站设备的设备类型识别请求,获取与所述设备类型识别请求对应的待识别区域;
图像数据获取模块,用于从图像采集设备中获取所述待识别区域对应的图像数据;
初始结果获取模块,用于将所述图像数据输入预先训练的至少两个设备类型识别模型,通过所述至少两个设备类型识别模型分别得到针对于所述待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;
目标结果获取模块,用于根据所述至少两个初始设备类型识别结果,得到针对于所述待识别区域中包含的变电站设备的目标设备类型识别结果。
一种网关设备,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上述方法的步骤。
一种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上述的方法的步骤。
上述基于网关设备的变电站设备识别方法、装置、网关设备和存储介质,通过网关设备响应于针对变电站设备的设备类型识别请求,获取与设备类型识别请求对应的待识别区域;从图像采集设备中获取待识别区域对应的图像数据;将图像数据输入预先训练的至少两个设备类型识别模型,通过至少两个设备类型识别模型分别得到针对于待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;根据至少两个初始设备类型识别结果,得到针对于待识别区域中包含的变电站设备的目标设备类型识别结果。本实施例中,可以通过网关设备中预先训练的至少两个设备类型识别模型,分别得到至少两个初始设备类型识别结果,并且还可以对至少两个初始设备类型识别结果进行融合,得到最终的变电站设备的目标设备类型识别结果,相比于传统技术中通过单一图像识别模型进行变电站设备的识别分类,本申请可以通过多个识别模型实现变电站设备的识别分类,并且可以将得到的多个分类结果进行组合作为最终的分类识别结果,从而可以提高变电站设备类型识别的准确率。
附图说明
图1为一个实施例中基于网关设备的变电站设备识别方法的应用环境图;
图2为一个实施例中基于网关设备的变电站设备识别方法的流程示意图;
图3为一个实施例中获取待识别区域的流程示意图;
图4为一个实施例中训练至少两个设备类型识别模型的流程示意图;
图5为一个实施例中基于网关设备的变电站设备识别装置的结构框图;
图6为一个实施例中网关设备的内部结构图。
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。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据;对应的,本申请还提供有相应的用户授权入口,供用户选择授权或者选择拒绝。
本申请提供的基于网关设备的变电站设备识别方法,可以应用于如图1所示的应用环境中。其中,网关设备102通过网络与用户终端101以及图像采集设备103进行通信。具体来说,当用户需要识别某一个变电站区域,即待识别区域中包括的变电站设备的设备类型时,可以通过其携带的用户终端101向网关设备102触发设备类型识别请求,网关设备102则可以对该请求进行响应,确定出待识别区域后,从用于采集变电站区域图像的图像采集设备103中获取针对待识别区域的图像数据,并将该图像数据输入预先训练的至少两个设备类型识别模型,由至少两个设备类型识别模型分别输出至少两个初始设备类型识别结果,再利用模型输出的至少两个初始设备类型识别结果得到最终的目标设备类型识别结果。其中,用户终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,网关设备102可以是具有边缘计算能力的智能网关,图像采集设备103则可以是用于采集变电站区域图像的图像采集设备,例如对变电站区域进行监控的监控摄像头来实现。
在一个实施例中,如图2所示,提供了一种基于网关设备的变电站设备识别方法,以该方法应用于图1中的网关设备102为例进行说明,包括以下步骤:
步骤S201,网关设备102响应于针对变电站设备的设备类型识别请求,获取与设备类型识别请求对应的待识别区域。
其中,设备类型识别请求指的是用户触发的用于网关设备102对变电站设备的设备类型进行识别的请求,当用户需要对变电站中某一个变电站区域中携带的变电站设备,即待识别区域的变电站设备进行设备类型识别时,可以通过其携带的用户终端101向网关设备102发送相应的设备类型识别请求。网关设备102则可以对请求进行响应,并确定出该设备类型识别请求对应的待识别区域。
步骤S202,网关设备102从图像采集设备103中获取待识别区域对应的图像数据。
图像采集设备103可以是用于拍摄变电站区域图像数据的设备,该设备的数量为多个,分别用于拍摄不同变电站区域的区域图像数据,而待识别区域对应的图像数据则指的是待识别区域对应的区域图像数据。本实施例中,图像采集设备103拍摄的区域图像数据可以是多个,分别代表不同变电站区域的区域图像数据,网关设备102则可以从图像采集设备103拍摄的多个区域图像数据中确定出待识别区域对应的图像数据。
步骤S203,网关设备102将图像数据输入预先训练的至少两个设备类型识别模型,通过至少两个设备类型识别模型分别得到针对于待识别区域中包含的变电站设备的至少两个初始设备类型识别结果。
其中,设备类型识别模型是设置于网关设备102中,预先训练完成的用于对变电站设备的设备类型进行识别的神经网络模型,该网络模型可以通过输入拍摄有变电站设备的图像数据,从而识别出该图像数据中拍摄有的变电站设备的设备类型。本实施例中,在网关设备102中设置的设备类型识别模型的数量为至少两个,初始设备类型识别结果则指的是由设备类型识别模型根据输入的待识别区域对应的图像数据,分别输出的针对于待识别区域中包含的变电站设备的设备类型识别结果。
具体来说,网关设备102中可以设置有预先训练的至少两个设备类型识别模型,在步骤S202中网关设备102得到待识别区域对应的图像数据后,则可以将该图像数据分别输入每一个设备类型识别模型,并通过每一个设备类型识别模型分别输出相应的设备类型识别结果,作为初始设备类型识别结果,从而得到至少两个初始设备类型识别结果。
例如,网关设备102中可以设置有预先训练完成的设备类型识别模型A、设备类型识别模型B,以及设备类型识别模型C,网关设备102可以通过将步骤S202中得到的图像数据分别输入设备类型识别模型A、设备类型识别模型B,以及设备类型识别模型C,从而通过上述模型分别输出得到相应的初始设备类型识别结果A、初始设备类型识别结果B,以及初始设备类型识别结果C,从而得到至少两个初始设备类型识别结果。
步骤S204,网关设备102根据至少两个初始设备类型识别结果,得到针对于待识别区域中包含的变电站设备的目标设备类型识别结果。
而目标设备类型识别结果则指的是最终的针对于待识别区域的设备类型识别结果,在网关设备102得到针对于待识别区域中包含的变电站设备的多个初始设备类型识别结果后,则可以对多个初始设备类型识别结果进行整合,从而得到最终的目标设备类型识别结果。
上述基于网关设备的变电站设备识别方法中,网关设备102响应于针对变电站设备的设备类型识别请求,获取与设备类型识别请求对应的待识别区域;从图像采集设备103中获取待识别区域对应的图像数据;将图像数据输入预先训练的至少两个设备类型识别模型,通过至少两个设备类型识别模型分别得到针对于待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;根据至少两个初始设备类型识别结果,得到针对于待识别区域中包含的变电站设备的目标设备类型识别结果。本实施例中,可以通过网关设备102中预先训练的至少两个设备类型识别模型,分别得到至少两个初始设备类型识别结果,并且还可以对至少两个初始设备类型识别结果进行融合,得到最终的变电站设备的目标设备类型识别结果,相比于传统技术中通过单一图像识别模型进行变电站设备的识别分类,本申请可以通过多个识别模型实现变电站设备的识别分类,并且可以将得到的多个分类结果进行组合作为最终的分类识别结果,从而可以提高变电站设备类型识别的准确率。
在一个实施例中,设备类型识别请求携带有待识别区域的区域标识;如图3所示,步骤S201可以进一步包括:
步骤S301,网关设备102获取待识别区域的区域标识。
其中,区域标识指的是用于表征需要进行设备类型识别的变电站区域,即待识别区域的标识,该区域标识可以是待识别区域的区域编号,当用户需要对待识别区域中的变电站设备进行设备类型识别时,可以在发起设备类型识别请求的同时,将待识别区域的区域标识与设备类型识别请求一并发送至网关设备102,网关设备102则可以在接收到设备类型识别请求的同时,得到上述待识别区域的区域标识。
步骤S302,网关设备102基于预先设定的区域标识与变电站区域的对应关系,从多个变电站区域中获取与区域标识对应的变电站区域,作为待识别区域。
网关设备102中还可以预先设置有区域标识与变电站区域的对应关系,例如可以是设置有区域标识与变电站区域的对应关系表,在步骤S301中网关设备102得到待识别区域的区域标识后,则可以基于该对应关系,得到与区域标识对应的变电站区域作为待识别区域。
例如,网关设备102中预先设置有区域标识A与变电站区域A的对应关系、区域标识B与变电站区域B的对应关系,以及区域标识C与变电站区域C的对应关系,当网关设备102中得到的区域标识为区域标识A时,网关设备102则可以确定出待识别区域为变电站区域B。
进一步地,图像采集设备103的数量为多个;步骤S202可以进一步包括:网关设备102基于预先设定的区域标识与图像采集设备103的对应关系,从多个图像采集设备103中确定出与区域标识对应的图像采集设备103,作为目标图像采集设备;获取目标图像采集设备采集的图像数据,作为待识别区域对应的图像数据。
其中,用于采集变电站区域图像数据的图像采集设备103的数量可以是多个,分别用于采集不同变电站区域的图像数据,目标图像采集设备则指的是用于采集待识别区域的图像数据的图像采集设备103。本实施例中,为了能从用于采集变电站区域图像数据的多个图像采集设备103中筛选出用于采集待识别区域的图像数据的目标图像采集设备,还可以在网关设备102中预先设置区域标识与图像采集设备103的对应关系,在网关设备102得到区域标识后,则可以基于该区域标识从多个图像采集设备103中找到与该区域标识对应的图像采集设备103,作为用于采集待识别区域的图像数据的目标图像采集设备。之后,网关设备102则可以进一步从目标图像采集设备中获取目标图像采集设备采集的图像数据,作为待识别区域对应的图像数据。
上述实施例中,用户在发起设备类型识别请求时,可以携带有待识别区域的区域标识,并且可以预先为网关设备102设置区域标识与变电站区域的对应关系,以及区域标识与图像采集设备103的对应关系,从而可以实现待识别区域的确定以及待识别区域对应的图像数据的获取,提高待识别区域对应的图像数据的获取效率。
在一个实施例中,至少两个设备类型识别模型包括:基于预先设定的网络框架进行搭建的,至少两种算法构建的神经网络模型训练得到。
进一步地,预先设定的网络框架包括:pytorch框架以及darknet框架中的至少一种;至少两种算法构建的神经网络模型包括:通过YOLO算法构建的神经网络模型、通过SSD算法构建的神经网络模型,以及通过Faster R-CNN算法构建的神经网络模型中的至少两个。
本实施例中,在网关设备中设置的用于对变电站设备的设备类型进行识别的多种设备类型识别模型可以是在预先设定的网络框架上搭建,并基于不同算法构建的神经网络模型得到,其中网络框架可以是pytorch框架以及darknet框架的其中一种,该框架属于轻量型神经网络框架,具有简洁易用,以及计算高效等优势。同时,至少两种算法构建的神经网络模型可以是通过YOLO算法构建的神经网络模型、通过SSD算法构建的神经网络模型,以及通过Faster R-CNN算法构建的神经网络模型中的至少两个,上述算法构造的神经网络模型可以用于实现目标检测,本实施例中,可以利用轻量型神经网络框架进行网络搭建,并通过不同的目标检测算法构造的目标检测模型,进行设备类型识别模型的训练,从而对各模型输出的初始设备类型识别结果进行融合,得到的目标设备类型识别结果可以糅合不同算法构建的神经网络模型的优势之处,提高设备类型识别的准确性,并且,由于搭建的网络框架属于轻量型神经网络框架,可以在提高设备类型识别准确性的前提下,进一步提高计算的效率。
本实施例中,设备类型识别模型可以是由pytorch框架以及darknet框架等轻量型神经网络框架进行网络框架搭建,并且多个设备类型识别模型可以是通过不同算法,例如YOLO算法、SSD算法或者Faster R-CNN算法进行模型构建进而训练得到,从而可以在提高设备类型识别的准确性的同时,进一步提高计算的效率。
在一个实施例中,如图4所示,步骤S203之前,还可以包括:
步骤S401,网关设备102获取样本变电站区域图像,以及样本变电站区域图像对应的变电站设备类型标签。
样本变电站区域图像指的是网关设备102预先采集的用于设备类型识别模型训练的变电站区域图像,变电站设备类型标签则指的是针对于网关设备102采集的样本变电站区域图像中携带有的变电站设备的设备类型标签,该标签可以是用户预先对采集的样本变电站区域图像进行标注。具体来说,当用户需要对设备类型识别模型进行训练时,可以预先获取拍摄有变电站设备的变电站区域图像作为样本变电站区域图像,形成图像集合,并对集合中样本变电站区域图像拍摄有的变电站设备的设备类型进行标注,从而得到对应的变电站设备类型标签,并将样本变电站区域图像以及对应的变电站设备类型标签输入至网关设备102中,使得网关设备102可以得到样本变电站区域图像以及其对应的变电站设备类型标签。
步骤S402,网关设备102将样本变电站区域图像分别输入至少两种算法构建的至少两个待训练的神经网络模型,通过至少两个神经网络模型分别输出样本变电站区域图像的至少两个预测设备类型识别结果。
待训练的神经网络模型指的是未进行训练的神经网络模型,由于本实施例中采用的多个设备类型识别模型是通过多种不同算法构建的神经网络模型,因此采用的待训练的神经网络模型也可以是由不同算法构建得到,预测设备类型识别结果则指的是待训练的神经网络模型根据输入的样本变电站区域图像,输出的设备类型识别结果。具体来说,在网关设备102得到样本变电站区域图像后,则可以将样本变电站区域图像分别输入多个由不同算法构建的待训练的神经网络模型中,多个待训练的神经网络模型则可以分别输出相应的预测设备类型识别结果,从而得到多个预测设备类型识别结果。
步骤S403,网关设备102根据变电站设备类型标签,以及至少两个预测设备类型识别结果,得到至少两个待训练的神经网络模型的损失值。
其中,损失值指的是多个待训练的神经网络模型分别对应的模型损失值,该模型损失值可以是由变电站设备类型标签,以及分别输出的多个预测设备类型识别结果得到,具体来说,网关设备102可以利用步骤S401中得到的变电站设备类型标签,以及步骤S402中得到的每一个待训练的神经网络模型输出的预测设备类型识别结果进行差异损失的计算,从而可以分别得到每一个待训练的神经网络模型的损失值。例如,变电站设备类型标签所表示的变电站设备类型识别结果为结果A,而多个待训练的神经网络模型输出的预测设备类型识别结果分别为结果B、结果C以及结果D,那么网关设备102则可以分别根据结果A与结果B、结果A与结果C,以及结果A与结果D计算损失值,从而得到多个损失值。
步骤S404,网关设备102根据损失值对至少两个待训练的神经网络模型进行训练,得到至少两个设备类型识别模型。
网关设备102得到每一个待训练神经网络模型的损失值后,则可以基于上述损失值,分别对相应的待训练神经网络模型进行训练,例如可以是通过调整神经网络模型的模型参数进行迭代训练,直到损失值小于预先设定的损失值阈值时,将上述待训练的神经网络模型作为最终的训练完成的设备类型识别模型。
上述实施例中,可以通过样本变电站区域图像,以及该样本变电站区域图像对应的变电站设备类型标签进行设备类型识别模型的训练,从而可以提高通过设备类型识别模型输出的识别结果的准确性,以提高变电站设备识别的准确性。
在一个实施例中,步骤S204可以进一步包括:网关设备102获取至少两个设备类型识别模型分别对应的模型权重;基于模型权重,对至少两个初始设备类型识别结果进行融合,得到目标设备类型识别结果。
其中,模型权重指的是用户预先为网关设备102中携带的多个设备类型识别模型分别设置的权重,用于表征不同的设备类型识别模型得到的初始设备类型识别结果对最终的目标设备类型识别结果的影响程度,一般而言,对于分类效果更好的设备类型识别模型,可以赋予更高的模型权重,并且各个模型的模型权重的权重之和为1。之后,网关设备102则可以根据得到的各设备类型识别模型输出的初始设备类型的识别结果,利用模型权重进行加权处理,从而实现多个初始设备类型识别结果的融合,得到最终的目标设备类型识别结果。
例如,网关设备102中携带的设备类型识别模型分别为识别模型A、识别模型B以及识别模型C,其中所对应的模型权重分别为0.6、0.2以及0.2,那么在步骤S203中网关设备102分别利用识别模型A、识别模型B以及识别模型C输出初始设备类型识别结果A、初始设备类型识别结果B以及初始设备类型识别结果C后,即可以按照0.6、0.2以及0.2对上述识别结果进行加权融合,得到目标设备类型识别结果,即目标设备类型识别结果=0.6×识别结果A+0.2×识别结果B+0.2×识别结果C。
本实施例中,可以通过为至少两个设备类型识别模型分别设置对应的模型权重,从而可以实现多个初始设备类型的识别结果的加权融合,进而得到最终的目标设备类型识别结果,能够进一步提升变电站设备类型识别的准确性。
在一个应用实例中,还提供了一种基于网关设备的变电站设备识别方法,该方法可以通过图像采集设备采集变电站中待识别区域的图像数据,该图像数据中可以携带有变电站设备,并将图像发送至网关设备,网关设备则可以得到该待识别区域的图像数据,通过预先训练的至少两个设备类型识别模型,从而得到针对于待识别区域中包含有设备类型标识的至少两个设备识别结果,之后则可以根据得到的至少两个设备识别结果,确定出该待识别区域对应的设备识别结果。
具体可以包括以下步骤:
(1)网关设备响应于设备类型识别请求,获取与设备类型识别请求对应的待识别区域。
其中,设备类型识别请求是用户触发的针对于变电站中某一个区域,即待识别区域中携带的变电站设备的设备类型进行识别的请求,具体来说,当用户需要对某一个变电站区域中携带有的变电站设备进行类型识别时,则可以通过其终端向变电站设备发起设备类型识别请求,该请求中可以携带有待识别区域的区域标识,例如可以是待识别区域的区域编号等等,之后网关设备则可以基于预先设定的区域标识与变电站区域的对应关系,从多个变电站区域中找出与区域标识对应的变电站区域作为待识别区域。
(2)网关设备从图像采集设备中获取拍摄有变电站中待识别区域的图像数据。
其中,用于拍摄变电站区域图像的图像采集设备的数量为多个,分别用于采集不同变电站区域的区域图像。网关设备中可以预先存储有变电站区域与图像采集设备的对应关系,例如可以预先存储有区域标识与图像采集设备的对应关系,在网关设备得到区域标识后,则可以利用该对应关系,从多个图像采集设备中确定与区域标识对应的目标采集设备,并将目标采集设备采集的图像数据作为待识别区域的图像数据。
(3)网关设备将采集得到的图像数据输入预先训练的至少两个设备类型识别模型,分别利用至少两个图像识别模型得到针对于待识别区域中包含有设备类型标识的至少两个设备识别结果。
至少两个设备类型识别模型可以是通过预先设定的网络框架进行搭建的神经网络模型,该网络框架例如可以是pytorch框架或者darknet框架等轻量型神经网络架构搭建而成,而至少两个设备类型识别模型可以是由至少两种算法构建的神经网络模型训练得到。例如至少两种算法构建的神经网络模型可以包括yolo算法构建的神经网络模型、SSD算法构建的神经网络模型,以及Faster R-CNN算法构建的神经网络模型中的至少两个组成。
至少两种算法构建的神经网络模型的训练则可以通过如下步骤实现:
1、网关设备获取样本变电站区域图像以及样本变电站区域图像携带的变电站设备标签。
样本变电站区域图像指的是预先采集的用于训练设备类型识别模型的变电站区域图像,该图像中可以拍摄有变电站设备,变电站设备标签则是用于对样本变电站区域图像中拍摄的变电站设备进行标注的标签,该标签可以表征拍摄的变电站设备的设备类型,可以是用户预先进行标注。
2、网关设备将样本变电站区域图像分别输入待训练的至少两种算法构建的至少两个神经网络模型,利用变电站设备标签分别计算至少两个神经网络模型对应的损失值。
3、网关设备根据损失值对至少两个神经网络模型进行训练,得到至少两个设备类型识别模型。
之后,网关设备可以将样本变电站区域图像分别输入至由至少两个不同算法搭建的神经网络模型中,由各神经网络模型分别输出样本变电站区域图像的预测设备类型识别结果,并根据预测设备类型识别结果与变电站设备标签的差值,分别得到各神经网络模型的损失值,并利用损失值调整神经网络模型的模型参数,实现对模型的训练直到损失值小于某个损失阈值时,停止训练,进而得到至少两个设备类型识别模型。
(4)网关设备根据至少两个设备识别结果得到针对于待识别区域的设备识别结果。
针对于待识别区域的设备识别结果指的是最终的识别结果,网关设备在得到通过每一个图像识别模型得到对应的识别结果后,可以进一步的利用各模型的结果确定出最终的识别结果,例如可以是预先为每一个模型设置相应的权重值,得到识别结果后,对识别结果按照上述权重值进行融合,从而作为最终的设备识别结果。
上述应用实例中,通过图像采集设备采集变电站中待识别区域的图像数据,该图像数据中可以携带有变电站设备,并将图像发送至网关设备,网关设备则可以得到该待识别区域的图像数据,通过预先训练的至少两个设备类型识别模型,从而得到针对于待识别区域中包含有设备类型标识的至少两个设备识别结果,之后则可以根据得到的至少两个设备识别结果,确定出该待识别区域对应的设备识别结果。该方法可以提高变电站设备类型识别的准确率。
应该理解的是,虽然图2-4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,图2-4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。
在一个实施例中,如图5所示,提供了一种基于网关设备的变电站设备识别装置,应用于网关设备,包括:识别区域确定模块501、图像数据获取模块502、初始结果获取模块503和目标结果获取模块504,其中:
识别区域确定模块501,用于响应于针对变电站设备的设备类型识别请求,获取与设备类型识别请求对应的待识别区域;
图像数据获取模块502,用于从图像采集设备中获取待识别区域对应的图像数据;
初始结果获取模块503,用于将图像数据输入预先训练的至少两个设备类型识别模型,通过至少两个设备类型识别模型分别得到针对于待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;
目标结果获取模块504,用于根据至少两个初始设备类型识别结果,得到针对于待识别区域中包含的变电站设备的目标设备类型识别结果。
在一个实施例中,设备类型识别请求携带有待识别区域的区域标识;识别区域确定模块501,进一步用于获取待识别区域的区域标识;基于预先设定的区域标识与变电站区域的对应关系,从多个变电站区域中获取与区域标识对应的变电站区域,作为待识别区域。
在一个实施例中,图像采集设备的数量为多个;图像数据获取模块502,进一步用于基于预先设定的区域标识与图像采集设备的对应关系,从多个图像采集设备中确定出与区域标识对应的图像采集设备,作为目标图像采集设备;获取目标图像采集设备采集的图像数据,作为待识别区域对应的图像数据。
在一个实施例中,至少两个设备类型识别模型包括:基于预先设定的网络框架进行搭建的,至少两种算法构建的神经网络模型训练得到。
在一个实施例中,预先设定的网络框架包括:pytorch框架以及darknet框架中的至少一种;至少两种算法构建的神经网络模型包括:通过YOLO算法构建的神经网络模型、通过SSD算法构建的神经网络模型,以及通过Faster R-CNN算法构建的神经网络模型中的至少两个。
在一个实施例中,基于网关设备的变电站设备识别装置,还包括:识别模型训练模块,用于获取样本变电站区域图像,以及样本变电站区域图像对应的变电站设备类型标签;将样本变电站区域图像分别输入至少两种算法构建的至少两个待训练的神经网络模型,通过至少两个神经网络模型分别输出样本变电站区域图像的至少两个预测设备类型识别结果;根据变电站设备类型标签,以及至少两个预测设备类型识别结果,得到至少两个待训练的神经网络模型的损失值;根据损失值对至少两个待训练的神经网络模型进行训练,得到至少两个设备类型识别模型。
在一个实施例中,目标结果获取模块504,进一步用于获取至少两个设备类型识别模型分别对应的模型权重;基于模型权重,对至少两个初始设备类型识别结果进行融合,得到目标设备类型识别结果。
关于基于网关设备的变电站设备识别装置的具体限定可以参见上文中对于基于网关设备的变电站设备识别方法的限定,在此不再赘述。上述基于网关设备的变电站设备识别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网关设备中的处理器中,也可以以软件形式存储于网关设备中的存储器中,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,提供了一种网关设备,该网关设备可以是终端,其内部结构图可以如图6所示。该网关设备包括通过***总线连接的处理器、存储器和通信接口。其中,该网关设备的处理器用于提供计算和控制能力。该网关设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该网关设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于网关设备的变电站设备识别方法。
本领域技术人员可以理解,图6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网关设备的限定,具体的网关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,还提供了一种网关设备,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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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、存储、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-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。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。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 Random Access Memory,DRAM)等。
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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于网关设备的变电站设备识别方法,应用于网关设备,所述方法包括:
响应于针对变电站设备的设备类型识别请求,获取与所述设备类型识别请求对应的待识别区域;
从图像采集设备中获取所述待识别区域对应的图像数据;
将所述图像数据输入预先训练的至少两个设备类型识别模型,通过所述至少两个设备类型识别模型分别得到针对于所述待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;
根据所述至少两个初始设备类型识别结果,得到针对于所述待识别区域中包含的变电站设备的目标设备类型识别结果。
2.根据权利要求1所述的方法,其特征在于,所述设备类型识别请求携带有所述待识别区域的区域标识;
所述响应于针对变电站设备的设备类型识别请求,获取与所述设备类型识别请求对应的待识别区域,包括:
获取所述待识别区域的区域标识;
基于预先设定的区域标识与变电站区域的对应关系,从多个变电站区域中获取与所述区域标识对应的变电站区域,作为所述待识别区域。
3.根据权利要求2所述的方法,其特征在于,所述图像采集设备的数量为多个;
所述从图像采集设备中获取所述待识别区域对应的图像数据,包括:
基于预先设定的区域标识与图像采集设备的对应关系,从多个图像采集设备中确定出与所述区域标识对应的图像采集设备,作为目标图像采集设备;
获取所述目标图像采集设备采集的图像数据,作为所述待识别区域对应的图像数据。
4.根据权利要求1所述的方法,其特征在于,所述至少两个设备类型识别模型包括:基于预先设定的网络框架进行搭建的,至少两种算法构建的神经网络模型训练得到。
5.根据权利要求4所述的方法,其特征在于,所述预先设定的网络框架包括:pytorch框架以及darknet框架中的至少一种;所述至少两种算法构建的神经网络模型包括:通过YOLO算法构建的神经网络模型、通过SSD算法构建的神经网络模型,以及通过Faster R-CNN算法构建的神经网络模型中的至少两个。
6.根据权利要求5所述的方法,其特征在于,所述将所述图像数据输入预先训练的至少两个设备类型识别模型之前,还包括:
获取样本变电站区域图像,以及所述样本变电站区域图像对应的变电站设备类型标签;
将所述样本变电站区域图像分别输入至少两种算法构建的至少两个待训练的神经网络模型,通过所述至少两个神经网络模型分别输出所述样本变电站区域图像的至少两个预测设备类型识别结果;
根据所述变电站设备类型标签,以及所述至少两个预测设备类型识别结果,得到所述至少两个待训练的神经网络模型的损失值;
根据所述损失值对所述至少两个待训练的神经网络模型进行训练,得到所述至少两个设备类型识别模型。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述至少两个初始设备类型识别结果,得到针对于所述待识别区域中包含的变电站设备的目标设备类型识别结果,包括:
获取所述至少两个设备类型识别模型分别对应的模型权重;
基于所述模型权重,对所述至少两个初始设备类型识别结果进行融合,得到所述目标设备类型识别结果。
8.一种基于网关设备的变电站设备识别装置,其特征在于,应用于网关设备,所述装置包括:
识别区域确定模块,用于响应于针对变电站设备的设备类型识别请求,获取与所述设备类型识别请求对应的待识别区域;
图像数据获取模块,用于从图像采集设备中获取所述待识别区域对应的图像数据;
初始结果获取模块,用于将所述图像数据输入预先训练的至少两个设备类型识别模型,通过所述至少两个设备类型识别模型分别得到针对于所述待识别区域中包含的变电站设备的至少两个初始设备类型识别结果;
目标结果获取模块,用于根据所述至少两个初始设备类型识别结果,得到针对于所述待识别区域中包含的变电站设备的目标设备类型识别结果。
9.一种网关设备,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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111083009.XA CN113792795A (zh) | 2021-09-15 | 2021-09-15 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111083009.XA CN113792795A (zh) | 2021-09-15 | 2021-09-15 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792795A true CN113792795A (zh) | 2021-12-14 |
Family
ID=78878512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111083009.XA Pending CN113792795A (zh) | 2021-09-15 | 2021-09-15 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792795A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160366158A1 (en) * | 2015-06-15 | 2016-12-15 | Iyuntian Co., Ltd. | Method and Apparatus for File Identification |
CN109598301A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 检测区域去除方法、装置、终端和存储介质 |
CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
CN110175519A (zh) * | 2019-04-22 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
US20190305589A1 (en) * | 2016-11-10 | 2019-10-03 | China Electric Power Research Institute Company Limited | Distribution network risk identification system and method and computer storage medium |
CN111062448A (zh) * | 2019-12-24 | 2020-04-24 | 北京知道创宇信息技术股份有限公司 | 设备类型的识别模型训练方法、设备类型识别方法和装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN111695622A (zh) * | 2020-06-09 | 2020-09-22 | 全球能源互联网研究院有限公司 | 变电作业场景的标识模型训练方法、标识方法及装置 |
CN112036509A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用于训练图像识别模型的方法和装置 |
US20210166140A1 (en) * | 2018-12-13 | 2021-06-03 | Advanced New Technologies Co., Ltd. | Method and apparatus for training risk identification model and server |
CN113221688A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种刀闸状态识别方法、装置和存储介质 |
-
2021
- 2021-09-15 CN CN202111083009.XA patent/CN113792795A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160366158A1 (en) * | 2015-06-15 | 2016-12-15 | Iyuntian Co., Ltd. | Method and Apparatus for File Identification |
US20190305589A1 (en) * | 2016-11-10 | 2019-10-03 | China Electric Power Research Institute Company Limited | Distribution network risk identification system and method and computer storage medium |
CN109598301A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 检测区域去除方法、装置、终端和存储介质 |
US20210166140A1 (en) * | 2018-12-13 | 2021-06-03 | Advanced New Technologies Co., Ltd. | Method and apparatus for training risk identification model and server |
CN110175519A (zh) * | 2019-04-22 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
CN111062448A (zh) * | 2019-12-24 | 2020-04-24 | 北京知道创宇信息技术股份有限公司 | 设备类型的识别模型训练方法、设备类型识别方法和装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN111695622A (zh) * | 2020-06-09 | 2020-09-22 | 全球能源互联网研究院有限公司 | 变电作业场景的标识模型训练方法、标识方法及装置 |
CN112036509A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用于训练图像识别模型的方法和装置 |
CN113221688A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种刀闸状态识别方法、装置和存储介质 |
Non-Patent Citations (3)
Title |
---|
M. CHINDRIS: ""The Identification of Critical Equipment and Optimum Configurations for Electrical Substations"", 《PROCEEDINGS OF THE 41ST INTERNATIONAL UNIVERSITIES POWER ENGINEERING CONFERENCE》 * |
叶远波: ""基于多模型融合集成学习的智能变电站二次设备状态评估"", 《电力***保护与控制》 * |
杨威超;郭渊博;李涛;朱本全;: "基于流量指纹的物联网设备识别方法和物联网安全模型", 计算机科学, no. 07 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950329B (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
US11557147B2 (en) | Systems and methods for selecting a best facial image of a target human face | |
JP6973876B2 (ja) | 顔認識方法、顔認識装置及び顔認識方法を実行するコンピュータプログラム | |
CN112926654B (zh) | 预标注模型训练、证件预标注方法、装置、设备及介质 | |
CN112364827B (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
WO2020238353A1 (zh) | 数据处理方法和装置、存储介质及电子装置 | |
CN112434556A (zh) | 宠物鼻纹识别方法、装置、计算机设备及存储介质 | |
CN111667001A (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
CN111126208A (zh) | 行人归档方法、装置、计算机设备及存储介质 | |
CN111881740B (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、***及存储介质 | |
CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
WO2020119315A1 (zh) | 人脸采集方法及相关产品 | |
CN112560791B (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
CN111507289A (zh) | 视频匹配方法、计算机设备和存储介质 | |
CN111652152A (zh) | 人群密度检测方法、装置、计算机设备和存储介质 | |
CN113792795A (zh) | 基于网关设备的变电站设备识别方法、装置和网关设备 | |
CN115700845A (zh) | 人脸识别模型训练方法、人脸识别方法、装置及相关设备 | |
CN112607542B (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
CN113870221A (zh) | 可达空间的检测方法、装置、车载终端及存储介质 | |
CN112837083A (zh) | 用户行为数据处理方法、装置、计算机设备和存储介质 | |
CN110956102A (zh) | 银行柜台监控方法、装置、计算机设备和存储介质 | |
CN111354096A (zh) | 一种智能考勤方法及装置、电子设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230407 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |