CN114187511A - 一种输电全景大数据智能监控方法 - Google Patents
一种输电全景大数据智能监控方法 Download PDFInfo
- Publication number
- CN114187511A CN114187511A CN202111480337.3A CN202111480337A CN114187511A CN 114187511 A CN114187511 A CN 114187511A CN 202111480337 A CN202111480337 A CN 202111480337A CN 114187511 A CN114187511 A CN 114187511A
- Authority
- CN
- China
- Prior art keywords
- image
- power transmission
- inspection image
- transmission line
- inspection
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000007689 inspection Methods 0.000 claims abstract description 98
- 230000007547 defect Effects 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000006866 deterioration Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种输电全景大数据智能监控方法,包括:分别采集电网输电线路巡检图像和相关特征数据,对巡检图像进行预处理;对预处理后的巡检图像进行特征提取,提取出巡检图像中输电线路直线特征;将特征提取后的巡检图像和相关特征数据,输入构建好的故障分析模型中,对输电线路进行缺陷识别,生成缺陷识别结果;根据缺陷识别结果,建立图像预警评判机制,对输电线路进行主动预警,形成缺陷预警信息。通过对多物理量感知的输电线路本体缺陷进行主动识别并预警,预测电网输电线路本体缺陷的劣化发展趋势,实现对输电线路状态进行智能化监测、评估和预警。
Description
技术领域
本发明涉及输电线路智能管理技术领域,特别涉及一种输电全景大数据智能监控方法。
背景技术
我国的自然灾害具有频度大、种类多、分布广泛等特点,自然灾害引发的电网事故时有发生,尤其是重大自然灾害造成的严重后果不容忽视。严峻的自然灾害事实表明,开展电网防灾减灾研究,建立完善的电网灾害预警***,主动精确的监控特殊区域可能发生的重大灾害,从而获得应急救援的主动权,将地质灾害造成的损失降到最低,提高电网危机管理能力迫在眉睫。
随着目前电力***在线监测网络的建立,为电网提供了大量的实时的设备状态数据,如何有效、充分利用监测信息,保障电网安全平稳运行十分必要。现有的输电管理分析技术和***存在以下缺陷:设备管理智能化水平不高;隐患风险预测预警能力不足;运检数据价值挖掘不深。针对目前输电智能预警不足、信息支撑不足、辅助决策不足、价值创造不足等状况,需要从输电业务智能化、科学化、高效化管理出发,利用现代大数据分析、人工智能分析等前沿技术,逐步实现输电全景大数据智能监控。
因此,在现有的输电管理分析技术的基础上,如何提供一种输电全景大数据智能监控方法,实现输电线路状态智能化监测、评估和预警,成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题,本发明提出了一种至少解决上述部分技术问题的输电全景大数据智能监控方法,该方法可实现对输电线路全景多源数据进行智能分析与可视化,实现输电线路状态智能化监测、评估和预警。
本发明实施例提供一种输电全景大数据智能监控方法,包括如下步骤:
S1、分别采集电网输电线路巡检图像和相关特征数据,对所述巡检图像进行预处理;所述相关特征数据包括:输电线路环境温度、湿度和风速数据;
S2、对预处理后的所述巡检图像进行特征提取,提取出所述巡检图像中输电线路直线特征;
S3、将特征提取后的所述巡检图像和相关特征数据,输入构建好的故障分析模型中,对所述输电线路进行缺陷识别,生成缺陷识别结果;所述缺陷识别结果包括:故障设备的缺陷类型和等级;
S4、根据所述缺陷识别结果,建立图像预警评判机制,对所述输电线路进行主动预警,形成缺陷预警信息。
进一步地,所述步骤S1中电网输电线路巡检图像基于移动边缘计算采集。
进一步地,所述步骤S1中,对巡检图像进行预处理包括:采用加权平均法对所述巡检图像进行灰度化处理:
P(x,y)=0.45*R(x,y)+0.29*G(x,y)+0.17*B(x,y) (1)
式(1)中,P(x,y)表示加权平均后的所述巡检图像的灰度值;(x,y)表示所述巡检图像中的像素点;R、G、B分别表示所述巡检图像的颜色值。
进一步地,所述步骤S1中,对巡检图像进行预处理还包括:采用直方图均衡方法对所述巡检图像进行图像亮度均衡:
统计所述巡检图像中不同灰度级的像素个数,计算原始图像直方图:
P(x)=Kx/K (2)
式(2)中,K表示图像灰度级;Kx表示图像灰度级的像素个数;
根据所述公式(2),计算累计直方图:
P(y)=P(1)+P(2)+P(3)+......+P(x) (3)
计算变换后的灰度值,四舍五入取整数:
y’=INT[P(y)+0.5] (4);
根据所述变换后的灰度值,修正所述原始图像的灰度值,均衡所述巡检图像的图像亮度。
进一步地,所述步骤S1中,对巡检图像进行预处理还包括:
对所述巡检图像进行对比度增强,包括:
当所述巡检图像为模拟图像时,获取所述巡检图像的图像函数f(u,v),则f(u,v)的梯度矢量为:
式(5)中,u和v分别表示频域变量,u表示低频变量,v表示高频变量;
当所述巡检图像为数字图像时,获取所述巡检图像的图像函数f(u,v),则f(u,v)的梯度矢量为:
G[f(u,v)]=|f(u,v)-f(u+1,v)| (6)
式(6)中,u和v分别表示频域变量,u表示低频变量,v表示高频变量;
根据所述获取到的梯度矢量,增强所述巡检图像的对比度。
进一步地,所述步骤S1中,对巡检图像进行预处理还包括:采用线性滤波算法对所述巡检图像进行图像去噪:
式(7)中,W表示不包含中心目标点(u,v)的点邻域像素点坐标的集合;α表示W中像素点的集合;l(u,v)表示滤波后的图像。
进一步地,所述步骤S2包括:
定义r(d,β)表示所述图像函数f(u,v)与纵坐标夹角为β、与原点距离为d的直线上的线积分;将坐标系进行旋转:
式(8)中,(x,y)表示所述巡检图像旋转前的坐标系坐标位置;(d,ω)表示所述巡检图像旋转后的坐标系坐标位置;
经过旋转后的坐标系空间域中每个点对应旋转前坐标系空间域中的一条直线,计算所述直线在垂直方向的投影最大值,所述最大值在参数空间形成一个峰值点;
根据所述峰值点得到图像空间中所述直线的斜率和截距,实现所述巡检图像输电线路直线特征的提取。
进一步地,所述步骤S3中的故障分析模型通过如下方式构建:基于建立的电网精细缺陷库、典型缺陷智能识别算法库和基础图像识别专家库,通过神经网络学习所述巡检图像中的颜色分布、明暗程度和物体尺寸,判断图像中物体层次和远近关系,并根据所述相关特征数据分析是否存在故障设备,识别出所述故障设备的缺陷类型和等级。
进一步地,通过以下方式分析是否存在故障设备:通过对输电线路故障在不同环境下的多源相关特征数据进行两两分析、多项分析,找出所述输电线路故障与所述相关特征数据的关联关系,得到故障设备的分析标准,通过所述分析标准分析是否存在故障设备。
进一步地,还包括:
S5、根据所述故障设备的设备台账信息,采用时间分析和对比分析,动态展示所述故障设备的发展变化过程。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种输电全景大数据智能监控方法,包括:分别采集电网输电线路巡检图像和相关特征数据,对巡检图像进行预处理;对预处理后的巡检图像进行特征提取,提取出巡检图像中输电线路直线特征;将特征提取后的巡检图像和相关特征数据,输入构建好的故障分析模型中,对输电线路进行缺陷识别,生成缺陷识别结果;根据缺陷识别结果,建立图像预警评判机制,对输电线路进行主动预警,形成缺陷预警信息。通过对多物理量感知的输电线路本体缺陷进行主动识别并预警,预测电网输电线路本体缺陷的劣化发展趋势,实现对输电线路状态进行智能化监测、评估和预警。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种输电全景大数据智能监控方法流程图;
图2为本发明实施例提供的基于移动边缘计算的图像数据采集和处理过程示意图;
图3为本发明实施例提供的图像去雾处理效果示意图;
图4为本发明实施例提供的图像拼接效果示意图;
图5为本发明实施例提供的邻域选取方法示意图;
图6为本发明实施例提供的设备缺陷状态评估模型构建流程图;
图7为本发明实施例提供的实际应用场景中部件识别效果图;
图8为本发明实施例提供的实际应用场景中部件识别效果放大图;
图9为本发明实施例提供的实际应用场景中防震锤移位识别效果图;
图10为本发明实施例提供的实际应用场景中绝缘子升温异常识别效果图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种输电全景大数据智能监控方法,参照图1所示,包括如下步骤:
S1、分别采集电网输电线路巡检图像和相关特征数据,对巡检图像进行预处理;相关特征数据包括:输电线路环境温度、湿度和风速数据;
S2、对预处理后的巡检图像进行特征提取,提取出巡检图像中输电线路直线特征;
S3、将特征提取后的巡检图像和相关特征数据,输入构建好的故障分析模型中,对输电线路进行缺陷识别,生成缺陷识别结果;缺陷识别结果包括:故障设备的缺陷类型和等级;
S4、根据缺陷识别结果,建立图像预警评判机制,对输电线路进行主动预警,形成缺陷预警信息。
本实施例中,通过对多物理量感知的输电线路本体缺陷进行主动识别并预警,预测线路本体缺陷的劣化发展趋势,实现对输电线路状态进行智能化监测、评估和预警。
下面具体对上述步骤进行详细说明:
1、移动边缘计算电网输电线路巡检图像采集
采集视频、图像、气象、舞动、振动、倾斜和环境温度等多源数据,也可从无人机巡检、人工巡检数据库中直接调用采集到的电网输电线路巡检数据。或通过国网视频图像平台采集海量数据。其中,电网输电线路巡检图像主要通过无人机和智能机器人巡检采集,获得的图像可能存在无用的图像数据,如在某一个巡检位置收集的图像中,出现障碍物将目标遮挡住,对于输电线路巡检图像识别,没有完整的输电线路图像的图片是无用的。针对这种情况,本实施例采用移动边缘技术,设计边缘数据处理层,该层在接收输电线路巡检图像数据后,临时保存在云空间,在线识别含有电网输电线路的图像数据。管理端设备边缘计算,减轻后台***和网络负担,可有效提高整体***运行效率。基于移动边缘计算的图像数据采集和处理过程参照图2所示。
每片电网区域都存在呈规律性的大规模输电线路,将具有高分辨率、高像素且具有网络传输功能的摄像机安装在无人机上,摄像头覆盖前方80m范围,设置巡检的时间和路线进行巡检,收集输电线路巡检图像数据信息,并实时传送至边缘服务器,同时部分电网工作人员在地面上,将采集到的输电线路图片通过移动设备传送到边缘服务器。边缘服务器与其附近的无人机等移动设备的连接主要通过无线数据链实现,连接完成后即可实现部分服务请求的在线处理,同时临时保存部分输电线路巡检图像数据。其边缘服务器安装位置在密集的输电线路中心。经过处理后,剩余的图像用于后续识别。
2、电网输电线路巡检图像预处理
在基于人工智能的图像识别技术中,图像预处理工作是获取信息的重要方式,直接关系到识别结果,因此在整个电网故障缺陷识别流程中十分重要。通过预处理工作可以辅助图像识别模块更加精准的发现图片特点,为后续工作奠定基础,缩减识别时间,降低复杂程度。在预处理过程中,主要任务在于提高图片辨识效率,常见的处理方式包括降噪、去雾(参见图3所示)、图像拼接(参见图4所示)等。通过预处理将图片还原成一张质量清晰的图片,一般会采用综合处理的方式。比如,某电力企业应用的人工智能图像识别技术在巡检架空输电线路时,就可以对收集得到的图片实现一键处理,得到最优的图片数据。在实际巡检过程中,获得的图像数据中存在模糊、畸变和失真情况,造成图像质量下降,对于识别有较大影响。使用预处理技术,提高图像质量,图像预处理技术主要包括灰度化、亮度均衡、对比度增强以及图像去噪。
在图像中,以RGB表示图像颜色,当R=G=B时为灰度值,采用加权平均法实现图像灰度化处理。根据各个指标的重要性,将RGB三个分量进行加权平均,公式如下:
P(x,y)=0.45*R(x,y)+0.29*G(x,y)+0.17*B(x,y) (1)
式(1)中,P(x,y)表示加权平均后的巡检图像的灰度值;(x,y)表示巡检图像中的像素点;R、G、B分别表示巡检图像的颜色值。
在图像采集过程中,由于摄像机曝光等原因,容易出现图像整体或局部过亮或过暗的情况,使得图像亮度不均衡。采用直方图均衡方法均衡图像亮度。获得原始图像变换之后图像的灰度级,统计出图像中不同灰度级的像素个数,计算原始图像直方图为:
P(x)=Kx/K (2)
式(2)中,K表示图像灰度级;Kx表示图像灰度级的像素个数。
根据公式(2),计算累计直方图:
P(y)=P(1)+P(2)+P(3)+......+P(x) (3)
利用灰度值变换函数计算变换后的灰度值,四舍五入取整数:
y’=INT[P(y)+0.5] (4);
确定灰度变换关系x→y’,以此为依据,修正原始图像的灰度值,统计变换后的不同灰度级像素个数,计算变换后图像的直方图,达到均衡图像亮度的目的。
将图像的对比度增强,突出图像中识别目标的特征。电网输电线路巡检图像对比度增强主要利用微分处理技术,处理图像时,微分主要通过梯度算法实现。假设巡检图像的图像函数为f(u,v),当巡检图像为模拟图像时,f(u,v)在坐标(u,v)中的梯度矢量如下:
式(5)中,u和v分别表示频域变量,u表示低频变量,v表示高频变量。
根据上述公式(5)获得函数f(u,v)在梯度上的最大变化率对应的幅度,此时,图像函数在对应方向上幅度单位距离增加的大小就是梯度在数值上的大小。当图像为数字图像时,将微分运算替换掉,采用差分运算,得到下式:
G[f(u,v)]=|f(u,v)-f(u+1,v)| (6);
式(6)中,u和v分别表示频域变量,u表示低频变量,v表示高频变量。
原始图像在采集和传输过程中,容易受到各种干扰,从而在图像中产生噪声。采用线性滤波算法实现图像去噪。假设原始图像f(u,v)中存在M×N个像素,滤波后的图像为l(u,v)。通过下式获得:
式(7)中,W表示不包含中心目标点(u,v)的点邻域像素点坐标的集合;α表示W中像素点的集合;l(u,v)表示滤波后的图像。u,v取正整数。
公式(5)说明,由点(u,v)邻域中像素的灰度平均值决定滤波后的图像中每个像素的灰度值。邻域选取方法参照图5所示。图中给出了取单位距离构成邻域的方法,图中像素间的距离为Δl,选取Δl为半径作圆,即可消除图像噪声。图像处理完成后,提取图像特征,用于后续的图像识别。
3、提取电网输电线路巡检图像特征
利用图像的投影检测出输电线路的直线段,由于投影后的参数空间共线点会相交形成明显的峰值,进而可提取出巡检图像中输电线路特征。用r(d,β)表示一个巡检图像的图像函数f(u,v)的radon变换,定义为f(u,v)在与纵坐标夹角为β、与原点距离为d的直线上的线积分。即f(u,v)的变换函数r(d,β)是f(u,v)在角β上的一维投影。在旋转后的坐标系(d,ω)中:
式(8)中,(x,y)表示巡检图像旋转前的坐标系坐标位置;(d,ω)表示巡检图像旋转后的坐标系坐标位置。r(d,β)表示为f(u,v)沿着与原点距离为d的,与纵坐标夹角为β的射线的累加和。通过将空间域(u,v)映射到(d,β)域上,使得(d,β)空间域中每个点对应(u,v)空间域中的一条直线。计算映射的直线段在其垂直方向的投影最大值,该值在参数空间形成一个峰值,通过该峰值点得到图像空间中直线的斜率和截距,实现输电线路巡检图像中直线特征的提取。
4、输电线路缺陷识别与预警
缺陷识别模块根据输电线路相关规范,建立电网精细缺陷库,应用智能技术构建了典型缺陷智能识别算法库,解决输电线路缺陷智能识别中识别率低,误报高的难点。
具体地,电网精细缺陷库建设有8大类,50余小类电网缺陷。典型缺陷智能识别算法库为对应不同类缺陷构建了缺陷识别算法库。并依据缺陷识别结果自动生成缺陷报告。
进一步地,构建故障分析模型,进行深度学习,自我学习,不断积累样本,同时进行错误判别反馈纠正,优化算法,不断提升精度。通过神经网络智能化对大量资源学习,如颜色分布、明暗程度和物体尺寸,故障分析模型智能识别巡检照片拍摄的重点内容,从拍摄照片中判断出物体层次和远近关系,从而判断出图片采集器距离线路设备的距离。当照片中有较复杂的关系,如监测环境干扰模糊因素较多、线路杆塔与背景颜色接近等,需要通过算法绘制出一张空间位图,并将照片做切片处理,让故障分析模型理解物体之间的前后关系。
进一步地,图像智能识别依托于图像专家库,内部包含专家运行经验,图像专家库的内容丰富程度直接影响识别的结果,因此,需要根据历史运行的详细资料及相关标准,经过细致的筛选,建立基础图像识别专家库,并在后续的使用中不断的更新专家库的缺陷种类和内容,充分保证图像缺陷识别的准确性。
进一步地,基于图像智能缺陷识别结果,根据设备缺陷的类型、重要的程度、专家运行经验及相关标准等,建立图像预警评判机制,对识别结果形成有效的预警信息,实现价值的再次升华。并通过结合故障设备的设备台账信息,实现预警信息与设备台账的有机关联,采用时间分析、对比分析等手段,达到设备缺陷发展的长效监控。通过地图、动态符号等多种展示方式,实现设备缺陷的主动预警。可进一步通过动态播放等手段,展示故障设备发展的变化过程,对设备缺陷的形成及探索缺陷影响因素具有重要的意义和价值。
进一步地,参照图6所示,可根据预警等级、设备发展情况等,依据设备检修相关标准制度,结合输变电设备在线监测等运维数据、历史检修资料和人工经验,建立设备缺陷状态评估模型,针对设备的运行状态及运检工作提出相应的评价和指导建议。
具体地,通过故障数据统计分析,由外部气象环境造成的故障占了总故障约45%,包括大风、高温、雷电、污秽等故障原因。这几类故障会影响导地线、杆塔、金具、绝缘子等几大类设备,同时,会引起如安全距离不足、劣化自爆、缺损、伞群裂纹或电蚀、松脱位移、锈蚀损伤等类型的缺陷。
建立应用机器学习模型(如故障分析模型),挖掘电力数据中潜在的规律和价值,深入探索输电线路故障分析的应用价值,促进电网向数字化、智能化、精益化方向发展。高质量的故障学习模型,需要充足的数据来支撑建模。此模型数据分析涉及到的数据主要包括以下几个方面。
(1)设备台账:设备名称、设备类型、设备经纬度。
(2)故障数据:故障类型、故障紧急程度、故障部位、故障发生日期、故障描述。
(3)巡检数据:在线监测数据、巡检异常数、巡检异常率、巡检异常占比。
(4)气象数据:温度、湿度、降雨量、气压。
通过对线路故障在不同环境下的各种特征量的两两分析,找出线路故障与环境温度和其他特征量(指湿度、风速等造成故障的影响因素,因为不同故障的影响因素不一样,环境温度是共通的影响因子,其他影响因子就不同了,所以此处直接用“其他特征量”表示)的关联关系,从而得到线路故障的分析标准,进而实现通过数据本身的状态进行故障缺陷识别。这种通过大数据平台不断的对特征量进行两两分析、多项分析,找出彼此的关联关系的方法可以灵活的对不同设备的数据进行分析评价,构建故障分析模型,在不断分析中不断自我完善、自我校准,实现灵活、可靠、精细化的数据分析及评价,对输电线路进行缺陷识别,最终生成缺陷识别结果;缺陷识别结果包括:故障设备的缺陷类型和等级。参见表1所示,为故障分析模型学习分析涉及的数据。
表1故障分析模型学习分析输入数据表
以下提供一个具体应用场景的实施例:
场景一:智能识别辅助检修
应用物联网技术,获取规模化线路图像、视频监测数据,汇集人机协同立体巡视结果,实时获取现场缺陷、设备受损情况,采用边缘计算技术与典型缺陷、隐患进行比对分析,确定设备缺陷的类型、等级等信息,对线路现场受损情况进行评估,辅助编制检修作业方案、应急抢修方案,提出检修工器具、材料配置建议,明确检修人员要求和工期测算;结合检修现场实施情况,动态评估应急抢修能力,提出应急物资、车辆和人员完善建议。采用先进智能装备提升检修作业效率与效果,选用喷火无人机或者激光除异物装备开展异物处置,选用机器人进行导地线修补,针对销钉缺失等需要人工开展带电消缺的作业,利用无人机进行工器具等电位传递,开展直升机带电作业。检修作业完成后,无人机开展精细化巡检,利用作业前后高精度照片比对评估检修作业质量。具体实际应用场景中识别效果图可参照图7、图8、图9和图10所示。
本实施例提供的一种输电全景大数据智能监控方法,利用大数据、云雾计算、神经网络等新技术,深化可见光影像、红外热图、激光点云等多源数据与运检信息有效融合,开展多设备联合分析,实现运检业务智能辅助决策。通过大数据分析电网中故障设备的故障类型、历史状态和运行参数之间的相关性,建立故障学习模型,辅助线路跳闸后研判故障类型。构建基于多物理量感知的输电线路故障分析模型和图像预警评判机制,对本体缺陷进行主动预警,预测线路本体缺陷的劣化发展趋势,实现输电线路状态智能化监测、评估和预警。基于移动边缘计算的图像数据采集和处理,采用移动边缘技术,设计边缘数据处理层,该层在接收输电线路巡检图像数据后,临时保存在云空间,在线识别含有输电线路的图像数据。基于图像智能识别分析成果(缺陷识别结果),根据缺陷类型重要的程度、专家运行经验及相关标准等,建立图像预警评判机制,使分析成果形成有效的预警信息。通过对数据智能分析,进行隐患识别,隐患处理跟踪,实现输电线路状态监测的智能化诊断和信息化管理。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种输电全景大数据智能监控方法,其特征在于,包括如下步骤:
S1、分别采集电网输电线路巡检图像和相关特征数据,对所述巡检图像进行预处理;所述相关特征数据包括:输电线路环境温度、湿度和风速数据;
S2、对预处理后的所述巡检图像进行特征提取,提取出所述巡检图像中输电线路直线特征;
S3、将特征提取后的所述巡检图像和相关特征数据,输入构建好的故障分析模型中,对所述输电线路进行缺陷识别,生成缺陷识别结果;所述缺陷识别结果包括:故障设备的缺陷类型和等级;
S4、根据所述缺陷识别结果,建立图像预警评判机制,对所述输电线路进行主动预警,形成缺陷预警信息。
2.如权利要求1所述的一种输电全景大数据智能监控方法,其特征在于,所述步骤S1中电网输电线路巡检图像基于移动边缘计算采集。
3.如权利要求1所述的一种输电全景大数据智能监控方法,其特征在于,所述步骤S1中,对巡检图像进行预处理包括:采用加权平均法对所述巡检图像进行灰度化处理:
P(x,y)=0.45*R(x,y)+0.29*G(x,y)+0.17*B(x,y) (1)
式(1)中,P(x,y)表示加权平均后的所述巡检图像的灰度值;(x,y)表示所述巡检图像中的像素点;R、G、B分别表示所述巡检图像的颜色值。
4.如权利要求3所述的一种输电全景大数据智能监控方法,其特征在于,所述步骤S1中,对巡检图像进行预处理还包括:采用直方图均衡方法对所述巡检图像进行图像亮度均衡:
统计所述巡检图像中不同灰度级的像素个数,计算原始图像直方图:
P(x)=Kx/K (2)
式(2)中,K表示图像灰度级;Kx表示图像灰度级的像素个数;
根据所述公式(2),计算累计直方图:
P(y)=P(1)+P(2)+P(3)+......+P(x) (3)
计算变换后的灰度值,四舍五入取整数:
y’=INT[P(y)+0.5] (4);
根据所述变换后的灰度值,修正所述原始图像的灰度值,均衡所述巡检图像的图像亮度。
5.如权利要求4所述的一种输电全景大数据智能监控方法,其特征在于,所述步骤S1中,对巡检图像进行预处理还包括:
对所述巡检图像进行对比度增强,包括:
当所述巡检图像为模拟图像时,获取所述巡检图像的图像函数f(u,v),则f(u,v)的梯度矢量为:
式(5)中,u和v分别表示频域变量,u表示低频变量,v表示高频变量;
当所述巡检图像为数字图像时,获取所述巡检图像的图像函数f(u,v),则f(u,v)的梯度矢量为:
G[f(u,v)]=|f(u,v)-f(u+1,v)| (6)
式(6)中,u和v分别表示频域变量,u表示低频变量,v表示高频变量;
根据所述获取到的梯度矢量,增强所述巡检图像的对比度。
8.如权利要求1所述的一种输电全景大数据智能监控方法,其特征在于,所述步骤S3中的故障分析模型通过如下方式构建:基于建立的电网精细缺陷库、典型缺陷智能识别算法库和基础图像识别专家库,通过神经网络学习所述巡检图像中的颜色分布、明暗程度和物体尺寸,判断图像中物体层次和远近关系,并根据所述相关特征数据分析是否存在故障设备,识别出所述故障设备的缺陷类型和等级。
9.如权利要求1所述的一种输电全景大数据智能监控方法,其特征在于,还包括:
S5、根据所述故障设备的设备台账信息,采用时间分析和对比分析,动态展示所述故障设备的发展变化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480337.3A CN114187511A (zh) | 2021-12-06 | 2021-12-06 | 一种输电全景大数据智能监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480337.3A CN114187511A (zh) | 2021-12-06 | 2021-12-06 | 一种输电全景大数据智能监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187511A true CN114187511A (zh) | 2022-03-15 |
Family
ID=80603499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111480337.3A Pending CN114187511A (zh) | 2021-12-06 | 2021-12-06 | 一种输电全景大数据智能监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187511A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331403A (zh) * | 2022-10-14 | 2022-11-11 | 浙江万胜智能科技股份有限公司 | 一种供电线路的故障数据可视化分析方法及*** |
CN115864658A (zh) * | 2023-02-27 | 2023-03-28 | 山东泰顺电气有限责任公司 | 一种基于数据分析的电力远动智能监控*** |
CN116912721A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及*** |
-
2021
- 2021-12-06 CN CN202111480337.3A patent/CN114187511A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331403A (zh) * | 2022-10-14 | 2022-11-11 | 浙江万胜智能科技股份有限公司 | 一种供电线路的故障数据可视化分析方法及*** |
CN115864658A (zh) * | 2023-02-27 | 2023-03-28 | 山东泰顺电气有限责任公司 | 一种基于数据分析的电力远动智能监控*** |
CN116912721A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及*** |
CN116912721B (zh) * | 2023-09-14 | 2023-12-05 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114187511A (zh) | 一种输电全景大数据智能监控方法 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN112910094B (zh) | 基于泛在电力物联网的变电站远方自动巡检***及方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN110197176A (zh) | 基于图像识别技术的巡检数据智能分析***及分析方法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警*** | |
CN106326808A (zh) | 基于无人机图像的检测输电线路杆塔鸟窝的方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
CN115240093B (zh) | 基于可见光和激光雷达点云融合的输电通道自动巡检方法 | |
CN114240868A (zh) | 一种基于无人机的巡检分析***及方法 | |
CN112686120B (zh) | 一种基于无人机航拍图像的输电线异常检测方法 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉***及方法 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测*** | |
CN115936672A (zh) | 一种智慧电网在线安全运维管理方法和*** | |
CN115239646A (zh) | 输电线路的缺陷检测方法、装置、电子设备及存储介质 | |
CN111354028B (zh) | 基于双目视觉的输电通道隐患物识别追踪方法 | |
CN115912183A (zh) | 高压输电线路生态措施巡视方法、***及可读存储介质 | |
CN115664006A (zh) | 一种增量配电网智能管控一体化平台 | |
Gupta et al. | Post disaster mapping with semantic change detection in satellite imagery | |
CN115294048A (zh) | 一种异物检测方法、装置、设备及存储介质 | |
CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
Li et al. | Online monitoring of overhead power lines against tree intrusion via a low-cost camera and mobile edge computing approach |
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 |