CN116629465B - 智能电网视频监控与风险预测响应*** - Google Patents
智能电网视频监控与风险预测响应*** Download PDFInfo
- Publication number
- CN116629465B CN116629465B CN202310920430.4A CN202310920430A CN116629465B CN 116629465 B CN116629465 B CN 116629465B CN 202310920430 A CN202310920430 A CN 202310920430A CN 116629465 B CN116629465 B CN 116629465B
- Authority
- CN
- China
- Prior art keywords
- risk
- transmission line
- power transmission
- data
- video data
- 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
- 230000004044 response Effects 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 117
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 29
- 230000033001 locomotion Effects 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009021 linear effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能电网视频监控与风险预测响应***，涉及电网风险预测技术领域，该***采用的方法包括：构建响应决策查询表；对输电线路视频数据进行预处理；从预处理后的视频数据集提取得到电网风险相关特征；将电网风险相关特征和输电线路天气数据进行关联和整合；从关联和整合后的数据集识别得到异常行为和风险模式数据；训练基于深度学习的风险预测神经网络模型；获取实时输电线路视频数据，将其输入基于深度学习的风险预测神经网络模型，得到风险预测结果；基于响应决策查询表和风险预测结果制定风险响应决策。本发明实现了自动化风险预测、实时性与覆盖范围的提高、节省人力资源以及精准的风险预测和响应，增强电网的安全和稳定性。
Description
技术领域
本发明涉及电网风险预测技术领域，具体而言，涉及一种智能电网视频监控与风险预测响应***。
背景技术
目前的智能电网视频监控与风险预测响应***，其非常重要的一部分功能，是通过摄像头获取输电线路的视频图像数据，并传输至电网监控中心储存，每天有专人对监控视频进行识别，判断输电线路是否已经存在异常情况，或者即将出现异常情况。现有的智能电网视频监控与风险预测响应***存在以下缺陷：
1）现有***依赖专人观察和判断输电线路视频图像是否存在异常情况，这种依赖人工的方式存在主观性、依赖性和误判的风险。
2）现有***在实时监测和响应方面存在一定的滞后性，可能无法及时发现和响应输电线路风险情况。
3）现有***需要专人对监控视频进行长时间的观察和分析，这会消耗大量的人力资源，且工作效率较低。
4）现有***在面对复杂的输电线路风险场景时可能存在局限性，难以准确识别和预测多种类型的风险情况。
发明内容
本发明在于提供一种智能电网视频监控与风险预测响应***，解决了传统***对人工判断的依赖高、实时性与覆盖范围不好、工作效率低下以及难以应对复杂风险场景的问题。
本发明采取的技术方案如下：
一种智能电网视频监控与风险预测响应***，该***能获取输电线路视频数据并进行风险预测和响应，具体包括以下步骤：
S1、构建响应决策查询表，包括多个输电线路风险事件和多个风险响应决策，输电线路风险事件和风险响应决策一一对应；
S2、从各输电线路塔的摄像头获取输电线路视频数据；
S3、对输电线路视频数据进行去噪、增强、图像稳定处理和视频帧筛选处理，得到预处理后的视频数据集；
S4、从预处理后的视频数据集提取得到电网风险相关特征，包括运动特征和纹理特征；
S5、将电网风险相关特征和输电线路天气数据进行关联和整合，得到关联和整合后的数据集；
S6、从关联和整合后的数据集识别得到异常行为和风险模式数据；
S7、基于异常行为和风险模式数据，训练基于深度学习的风险预测神经网络模型；
S8、获取实时输电线路视频数据，将其输入基于深度学习的风险预测神经网络模型，得到风险预测结果，包括输电线路的风险等级和类别；
S9、在响应决策查询表中查询风险预测结果所属的输电线路风险事件，制定对应的风险响应决策。
在本发明的一较佳实施方式中，步骤S1具体包括以下步骤：
S1.1、确定多个输电线路风险事件，每个输电线路风险事件对应唯一的标识符，且包括输电线路的风险等级和风险类别，各输电线路风险事件的风险等级不同，每个风险类别均对应高、中、低三个风险等级，每个输电线路风险事件仅有对应的一个风险等级和一个风险类别；
S1.2、确定多个风险响应决策，每个风险响应决策应与输电线路风险事件一一对应；
S1.3、构建响应决策查询表，其中每一行表示一个输电线路风险事件和其对应的风险响应决策。
在本发明的一较佳实施方式中，步骤S2中，安装于输电线路塔的摄像头的图像采集范围，需覆盖整个输电线路。
在本发明的一较佳实施方式中，步骤S3中，对输电线路视频数据进行去噪时，是对每一帧视频数据均采用均值滤波法进行去噪处理；对于每一帧去噪后的视频数据，均采用对比度增强方法进行图像增强；对于每一帧增强后的视频数据，均采用运动估计的方法，进行图像对齐和补偿操作，实现图像稳定处理；在进行视频帧筛选时，是选择固定的帧间隔，仅保留这些间隔内的视频帧。
在本发明的一较佳实施方式中，步骤S4中，对于预处理后的视频数据集中的视频帧，使用Farneback光流算法计算帧之间的光流场，用来检测线路杆塔或其他物体的运动，基于光流场，提取相关的运动特征，采用局部二值模式法作为纹理特征提取方法，计算预处理后的视频数据集中的每个视频帧的纹理特征。
在本发明的一较佳实施方式中，步骤S5中，根据输电线路的位置信息，将电网风险相关特征和输电线路天气数据进行关联，确保它们具有相同的时间戳或相应的时间窗口，根据关联的时间戳或时间窗口，将电网风险相关特征和输电线路天气数据进行整合，形成关联和整合后的数据集；使用矩阵的形式表示关联和整合后的数据集，其中每一行代表一个时间戳或时间窗口，每一列代表一个特征。
在本发明的一较佳实施方式中，步骤S6包括以下步骤：
S6.1、构建并训练基于单类支持向量机的异常检测模型，将关联和整合后的数据集输入该异常检测模型，得到异常行为数据；
S6.2、构建并训练基于决策树的风险模式检测模型，将关联和整合后的数据集输入该风险模式检测模型，得到风险模式数据。
在本发明的一较佳实施方式中，步骤S7中，选择卷积神经网络作为风险预测神经网络，采用ReLU函数作为激活函数，选择交叉熵损失函数衡量预测结果与真实标签之间的差距，在模型训练过程中，将步骤S6得到的数据划分为训练集和验证集，训练集和验证集的占比分别为80%和20%。
与现有技术相比，本发明的有益效果是：
1）引入深度学习技术，通过训练好的神经网络模型，实现自动化的风险预测和分类，减少对人工判断的依赖，提高准确性和客观性。
2）利用实时视频数据和快速的深度学习算法，实现对输电线路风险的实时监测和预测，及时发现异常情况并采取相应的风险响应措施。
3）通过自动化的视频分析和处理，极大地节省了人力资源，并提高了工作效率，降低了***运维成本。
4）利用深度学习技术进行特征提取和分类，可以更精准地识别和预测输电线路的风险情况，减少误报和漏报的情况发生，通过预先制定的风险响应决策，能够快速采取相应的风险控制措施，如紧急停电、设备检修等，以降低潜在风险的影响。
5）通过实时监测和预测，能够及时发现潜在的风险情况，并采取相应的风险控制措施，有效预防风险事件的发生，保障电网的安全运行，通过及时的风险响应和控制，能够降低潜在风险的影响，提高电网的稳定性和可靠性。
6）通过风险预测和响应结果的输出，为电网管理者和决策者提供准确的风险信息，帮助他们制定合理的风险管理和应急决策，通过智能化的风险预测和响应，能够更有效地利用资源，优化电网运营和维护计划，降低成本并提高效益。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明***的方法流程图；
图2是本发明构建响应决策查询表的流程图；
图3是本发明对输电线路视频数据进行预处理的流程图；
图4是本发明电网风险相关特征和输电线路天气数据的关联和整合流程图；
图5是本发明的异常行为和风险模式数据识别流程图；
图6是本发明基于深度学习的风险预测神经网络模型训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
请参照图1，本发明提供一种智能电网视频监控与风险预测响应***，该***能获取输电线路视频数据并进行风险预测和响应，具体包括以下步骤：
S1、构建响应决策查询表，包括多个输电线路风险事件和多个风险响应决策，输电线路风险事件和风险响应决策一一对应，结合图2所示，具体包括：
S1.1、确定多个输电线路风险事件，每个输电线路风险事件具有唯一的标识符，用于区分不同的事件。
输电线路风险事件用以下表达式表示：
输电线路风险事件 = (事件标识符, 输电线路标识符, 风险等级, 风险类别)
其中，
事件标识符：用于唯一标识每个输电线路风险事件的标识符，可以是数字、字母或组合形式。
输电线路标识符：用于标识特定的输电线路，可以使用线路的标识符或名称来表示。
风险等级：表示风险的严重程度，分为高、中、低三个风险等级。
风险类别：表示风险的性质或类型，可以根据实际情况定义不同的类别，例如自然灾害（如台风、地震、暴雨等）、人为破坏（如盗窃、破坏设备等）、设备故障（如变压器故障、电线老化等）、环境因素（如温度变化、湿度变化），注意，根据区域场景的不同，可采用大类别或者各大类别后面括号中的小类别作为风险类别。
通过以上表达式，可以清晰地表示每个输电线路风险事件，并使用事件标识符和输电线路标识符进行唯一标识，以便在后续步骤中进行风险预测、响应决策和查询等操作。
S1.2、确定多个风险响应决策，每个风险响应决策应与输电线路风险事件一一对应。
风险响应决策用以下表达式表示：
风险响应决策 = (事件标识符, 响应决策标识符)
其中，
事件标识符：对应特定的输电线路风险事件的标识符，用于唯一标识每个风险事件。
响应决策标识符：用于唯一标识每个风险响应决策的标识符。
通过以上表达式，可以清晰地表示每个风险响应决策与相应的输电线路风险事件之间的对应关系。在响应决策查询表中，可以使用事件标识符进行匹配和查询，以获取针对特定风险事件的响应决策。这样可以确保风险预测结果能够与相应的风险响应决策关联起来，进而制定相应的措施来应对潜在风险。
针对相应输电线路风险事件的具体响应措施或行动，下面是一些可能的风险响应决策示例：
警示与通知：及时向相关人员发送警示信息或通知，包括维修人员、管理人员等。
检修与维护：对受影响的设备进行检修和维护，确保其正常运行。
隔离与切换：将受风险影响的输电线路与其他线路隔离或切换，以确保***的稳定性。
增强监测：加强对风险事件相关区域的监测和检测，及时发现异常情况并采取相应措施。
S1.3、构建响应决策查询表，其中每一行表示一个输电线路风险事件和其对应的风险响应决策。
在本发明中，列出了一些可能的风险类别、风险等级以及风险响应决策示例，以便更清楚地描述电网输电线路的风险预测响应方法中的相关步骤。这些信息将在后续步骤中用于识别风险、制定响应措施和进行查询。
S2、从各输电线路塔的摄像头获取输电线路视频数据。
为了使摄像头的图像采集范围覆盖整个输电线路，需确定各输电线路塔的摄像头安装位置和数量。根据具体的输电线路布局和监测需求，确定在每个输电线路塔上安装摄像头的位置和数量。
对于每个摄像头，需设置适当的参数，如分辨率、帧率等，以及采集视频数据的频率。这取决于风险监测的需求和***资源的可用性。
需确保本发明所述的智能电网视频监控与风险预测响应***能够与每个摄像头建立稳定的数据通信，并设置相应的接收机制，以获取输电线路摄像头传输的视频数据。根据输电线路所在的区域场所，本***可选择匹配的数据传输协议、网络连接和数据接收设备，以建立与摄像头的通信和接收机制。通过与摄像头的通信和接收机制，***实时获取各输电线路塔上摄像头传输的视频数据。本发明所述的智能电网视频监控与风险预测响应***，通过配置视频数据的存储设备，对获取的输电线路视频数据进行存储和管理，并且确保数据的完整性和可访问性。
S3、对输电线路视频数据进行去噪和增强，得到预处理后的视频数据集，如图3所示，具体包括：
S3.1、从获取的输电线路视频数据中读取视频文件，并进行解码，以便后续处理，解码后的视频文件数据包括帧图像数据，以及与每个帧相关的时间戳、帧率。
S3.2、去噪处理。采用均值滤波去噪算法对帧图像数据进行处理，以减少图像中的噪声干扰。
每个帧图像数据代表视频中的一个静止图像，由像素点组成。通过对每个帧图像中的像素点进行去噪处理，可以减少噪声的影响，改善图像质量。
首先，确定均值滤波器的正方形邻域大小（如3x3、5x5等）。邻域大小决定了要考虑的周围像素的数量。
对于每个帧图像数据中的每个像素点，将其周围邻域像素的RGB值进行求和，并计算平均值， 使用计算得到的平均值作为新的像素值，替换原始帧图像数据中对应像素点的值。即新的像素值NPV = (SNP) / (NNP)；
其中，"SNP"表示邻域像素值的总和，"N NP"表示邻域像素的数量。
当对视频中的每个帧都进行相同的均值滤波处理后，就完成了对输电线路视频数据进行去噪处理。
除以上单独对每个视频帧进行均值滤波处理外，还可以使用时空滤波方法结合相邻帧之间的连续性进行处理，具体为：
1）获取视频文件数据，包括帧图像数据。
2）选择基于光流的滤波方法对帧图像数据进行处理，即对于每个视频帧，使用基于光流约束的混合高斯模型计算当前帧和相邻帧之间的光流向量，光流向量表示了图像中像素点的运动方向和速度信息。
3）对于每个视频帧，利用相邻帧之间的连续性进行滤波处理，即利用计算得到的光流向量，对当前视频帧进行滤波处理，根据光流向量的信息，对当前帧中的像素点进行移动补偿、插值滤波操作，以去除噪声和减少运动模糊影响，这就更好地去除了视频中的噪声。
S3.3、增强处理。采用对比度增强对经过去噪处理后的视频数据进行增强，以提高图像的质量和可视化效果，具体为：
1）计算图像的平均亮度值：遍历视频帧中的所有像素，计算像素的亮度值，并求取所有像素亮度值的平均值。
平均亮度值mCAB = (SPB) / (NP)
其中，" SPB "表示所有像素亮度值的总和，"NP "表示像素的数量。
2）计算图像的标准差：遍历视频帧中的所有像素，计算像素的亮度值与平均亮度值之间的差值的平方，并求取这些差值平方的平均值的平方根。
3）对比度增强：对每个像素，根据其亮度值和平均亮度值的差异程度，调整像素的亮度值，从而增强图像的对比度。
S3.4、图像稳定处理。
由于输电线路位于户外，摄像头在获取视频图像时，可能存在抖动或震动问题，因此本发明对视频数据进行图像稳定处理，以获得更稳定的视频数据，具体为：
1）获取经过去噪和增强处理后的视频数据。
2）对每个视频帧，采用运动估计的方法，进行图像对齐和补偿操作，以减少抖动或震动的影响。
3）在图像对齐和补偿的过程中，使用相邻帧之间的运动信息或特征点的轨迹来计算图像的变换矩阵，然后应用变换矩阵对当前帧进行调整，使图像在时间序列上保持稳定。
S3.5、视频帧筛选。
为减少数据量和降低计算成本，本发明对视频数据进行视频帧筛选，具体为：
1）获取经过图像稳定处理的视频帧数据。
2）选择固定的帧间隔，仅保留这些间隔内的视频帧，对视频帧进行筛选，得到所需的帧间隔内的帧集合。
S3.6、生成预处理后的视频数据集。将经过去噪、增强、图像稳定处理和视频帧筛选的视频数据整理成预处理后的视频数据集，以便在后续步骤中进行特征提取、关联分析和模型训练等操作。
S4、从预处理后的视频数据集提取得到电网风险相关特征，包括运动特征和纹理特征，具体如下：
S4.1、运动特征提取：
对于预处理后的视频数据集中的视频帧，使用Farneback光流算法计算帧之间的光流场，表示像素点的运动方向和速度，用来检测线路杆塔或其他物体的运动，基于光流场，提取相关的运动特征，包括平均光流向量、光流方差和运动能量，以反映出视频帧中的运动情况和变化。
S4.2、纹理特征提取：
采用局部二值模式法作为纹理特征提取方法，计算预处理后的视频数据集中的每个视频帧的纹理特征，得到与图像纹理相关的特征向量，用于描述视频帧中的纹理信息。
S5、将电网风险相关特征和输电线路天气数据进行关联和整合，如图4所示，具体包括以下步骤：
S5.1、获取电网风险相关特征数据：
从步骤S4中获得的电网风险相关特征数据，包括运动特征和纹理特征。这些特征数据以向量的形式存在，每个特征向量代表一个视频帧或一段时间内的特征信息。
S5.2、获取输电线路天气数据：
从天气数据源或气象观测站获取与输电线路相关的天气数据，如温度、湿度、风速等。
S5.3、关联和整合数据集：
基于时间戳，根据输电线路的位置信息，将电网风险相关特征数据和输电线路天气数据进行关联和整合，建立一个综合的数据集，确保特征数据和天气数据的对应关系。
其中，以合并、连接、拼接中的一种或多种结合的方法将特征数据和天气数据进行整合。
S5.4、数据集预处理：
对综合的数据集进行数据清洗、异常值处理和归一化处理，以确保数据的质量和适用性，最后使用矩阵的形式表示关联和整合后的数据集，其中每一行代表一个时间戳或时间窗口，每一列代表一个特征。
本发明将不同来源的数据结合起来，为后续的风险预测和决策提供更全面和综合的信息基础。
S6、从关联和整合后的数据集识别得到异常行为和风险模式数据，如图5所示，具体如下：
S6.1、异常行为识别：
1）基于线性核和核函数参数构建能够捕捉数据集中正常行为的单类支持向量机（One-Class Support Vector Machine，OC-SVM）模型：
2）训练单类支持向量机模型：
训练数据用于确定单类支持向量机模型的边界和支持向量。在训练过程中，只使用正常行为的数据，而不使用异常行为的数据。这是因为单类支持向量机是一种无监督学习方法，只能利用正常样本进行训练。
训练数据从关联和整合后的数据集中提取，确保这些数据是代表正常行为的样本。
3）输入数据集进行异常检测：
使用训练好的单类支持向量机模型，将关联和整合后的数据集中的样本输入模型进行异常检测。
对于每个样本，模型返回一个异常分数值，该值表示该样本与正常行为之间的偏离程度。较高的异常分数表示样本更可能是异常行为。
基于预先设定的阈值（可在本发明的智能电网视频监控与风险预测响应***设置阈值设置窗口，用户自己根据需要设定该阈值），对异常分数进行判断，将高于阈值的样本标识为异常行为数据。
S6.2、风险模式识别：
风险模式是指与电网风险相关的特定模式或事件，可以用于预测风险或发现潜在问题。
1）构建决策树模型：
决策树模型为树状结构，其中每个节点代表一个特征，每个分支代表特征的取值范围，叶节点表示风险模式的判断结果。
2）训练决策树模型：
训练数据的来源是经过电网输电行业专家标注的数据，其中包含了电网中的不同风险模式的样本，这些样本是基于历史数据、实际观测数据和模拟数据获得，通过使用具有代表性和多样性的训练数据，让决策树模型学习到不同风险模式的判断规则，以便在后续的风险模式检测中进行预测和判定。训练数据包含电网风险相关的特征和相应的风险模式标签。这些标签是事先定义好的风险类别和等级。
3）输入数据集进行风险模式检测：
将关联和整合后的数据集中的样本输入训练好的决策树模型，进行风险模式检测。
对于每个样本，通过遍历决策树的节点和分支，根据样本的特征值进行判断，最终到达叶节点，从而确定样本的风险模式。决策树模型的判断结果是预定义的风险模式类别。
S6.3、结果分析和评估：
对异常行为和风险模式的识别结果进行分析和评估，使用精确率作为评估指标，来衡量识别结果的性能。进一步分析和解释识别结果，以提供对电网风险的理解和洞察，包括对异常行为的原因分析、对风险模式的影响评估、以及针对识别结果的后续处理和决策制定。若评估结果未达到预期，则需重新训练。
S7、基于异常行为和风险模式数据，训练基于深度学习的风险预测神经网络模型，如图6所示，具体如下：
S7.1、数据准备：
准备用于训练的数据集，即由步骤S6识别出的异常行为数据和风险模式数据组成。这些数据是经过标注的样本数据，其中包含了电网中的异常行为和与之相关的风险模式标签。数据集包括输入数据和对应的标签，以便训练模型进行监督学习。输入数据是关联和整合后的数据集中的特征向量，而标签是异常行为的类别或风险模式的类别。
S7.2、深度学习网络模型的选择和设计：
1）选择卷积神经网络（CNN）：
CNN是一种常用于处理图像和序列数据的深度学习网络。由于视频数据具有时空特性，CNN在处理视频数据时表现出色。
2）设计网络结构：
确定CNN的层数、神经元数量、激活函数和损失函数关键参数，以适应风险预测任务的要求为准。
网络的层数和神经元数量根据应用区域的数据复杂度和计算资源进行调整。通常，较深的网络结构可以捕捉更复杂的特征，但也需要更多的计算资源。
选择ReLU（Rectified Linear Unit）作为激活函数，用于引入非线性性质，增加网络的表达能力。
对于风险预测任务，选择交叉熵损失函数，用于衡量预测结果与真实标签之间的差距。
3）考虑数据特点和任务要求：
根据输电线路视频数据的特点，考虑利用时空信息和特征提高模型的性能和泛化能力。
通过引入卷积层、池化层和全连接层来适应视频数据的处理需求。通过进行随机裁剪数据增强操作，增加数据的多样性和鲁棒性。
通过以上操作，即得到本发明所需要的深度学习网络模型。
S7.3、模型训练：
1）采用随机划分的方式，将准备好的数据集划分为训练集和验证集，确保训练集和验证集的样本能够代表整个数据集，训练集和验证集的占比分别为80%和20%。
2）输入数据和反向传播：
将训练集输入深度学习网络模型进行训练。每次训练时，将其中一批样本输入网络，并通过前向传播计算预测值。
利用预测值与实际标签之间的差距，使用梯度下降算法来更新模型的参数，以减小预测值与实际标签之间的差距。
3）超参数调整和多轮迭代训练：
调整模型的超参数，包括学习率、批量大小和正则化。学习率决定参数更新的步长，批量大小影响每次训练中使用的样本数量，而正则化有助于控制模型的复杂度。
进行多轮迭代训练，即将整个训练集按批量大小分为多个批次，通过多次遍历训练集进行参数更新。每轮迭代被称为一个epoch，直到模型收敛停止迭代，即完成深度学习网络模型的训练。
S7.4、模型评估：
使用验证集评估训练好的深度学习网络模型的性能。计算深度学习网络模型在验证集上的预测准确率、召回率、F1分数指标，以评估模型的效果。根据评估结果好坏，进行模型调整、超参数调优，以进一步提高深度学习网络模型的性能，继而最终得到训练好的基于深度学习的风险预测神经网络模型。
S8、获取实时输电线路视频数据，将其输入基于深度学习的风险预测神经网络模型，得到风险预测结果，包括输电线路的风险等级和类别，具体包括以下步骤：
S8.1、获取实时输电线路视频数据：
在实时监测电网风险的场景中，从各输电线路塔的摄像头或其他视频采集设备获取实时的视频数据。可以通过网络摄像头、监控摄像头、无人机等设备来获取视频数据，并确保数据的实时性和准确性。
S8.2、预处理实时视频数据：
对获取的实时视频数据进行预处理，以适应风险预测神经网络模型的输入要求。预处理操作包括视频帧的尺寸调整、颜色空间转换、帧率调整，以确保视频数据与模型输入的匹配。
S8.3、输入深度学习风险预测模型：
将经过预处理的实时视频数据作为输入，输入到已训练好的深度学习风险预测神经网络模型中，模型对每个视频帧进行处理，并输出相应的风险预测结果。
S8.4、获取风险预测结果：
从深度学习风险预测模型中获取风险预测结果，包括输电线路的风险等级和类别，用于评估输电线路当前的风险情况。风险等级划分为高、中、低三个等级，风险类别则涵盖不同的风险类型（前面已经说明）。
S8.5、输出风险预测结果：
将风险预测结果输出到本***相应的显示界面和控制中心，以便用户实时查看输电线路的风险情况。风险预测结果也可以通过警报、通知等方式进行传达，以引起相关人员的关注和采取必要的风险响应措施。
S9、在响应决策查询表中查询风险预测结果所属的输电线路风险事件，制定对应的风险响应决策，具体包括以下步骤：
S9.1、确定风险预测结果所属的输电线路风险事件：
根据步骤S8中获取的风险预测结果，确定该结果所属的具体输电线路风险事件。输电线路风险事件通过风险事件标识符来唯一标识，以区分不同的事件。
S9.2、查询风险响应决策：
在响应决策查询表中，根据步骤S9.1中确定的输电线路风险事件，查询对应的风险响应决策。响应决策查询表中的每个输电线路风险事件都与一个风险响应决策相关联，通过对应关系进行查询。
S9.3、制定风险响应决策：
根据查询结果，得到相应的风险响应决策，即针对当前输电线路风险事件所采取的具体响应措施。风险响应决策包括紧急停电、设备检修、告警通知等措施，具体决策根据风险事件的严重程度、影响范围等因素进行制定，即根据响应决策查询表制定。
S9.4、执行风险响应决策：
将制定的风险响应决策传达给相关的人员、***或设备，以执行相应的风险响应措施。风险响应决策的执行可能需要协调不同的部门、人员和资源，确保风险得到有效的控制和处理。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种智能电网视频监控与风险预测响应***，其特征在于，该***能获取输电线路视频数据并进行风险预测和响应，具体包括以下步骤：
S1、构建响应决策查询表，包括多个输电线路风险事件和多个风险响应决策，输电线路风险事件和风险响应决策一一对应；
输电线路风险事件 = (事件标识符, 输电线路标识符, 风险等级, 风险类别)；
事件标识符是用于唯一标识每个输电线路风险事件的标识符，为数字，或字母或数字和字母的组合形式；
输电线路标识符用于标识特定的输电线路，使用输电线路的标识符或名称来表示；
风险等级表示风险的严重程度，分为高、中、低三个风险等级；
风险类别包括自然灾害、人为破坏、设备故障、环境因素；
S2、从各输电线路塔的摄像头获取输电线路视频数据；
S3、对输电线路视频数据进行去噪、增强、图像稳定处理和视频帧筛选处理，得到预处理后的视频数据集；
S4、从预处理后的视频数据集提取得到电网风险相关特征，包括运动特征和纹理特征；
对于预处理后的视频数据集中的视频帧，使用Farneback光流算法计算帧之间的光流场，用来检测线路杆塔或其他物体的运动，基于光流场，提取相关的运动特征，采用局部二值模式法作为纹理特征提取方法，计算预处理后的视频数据集中的每个视频帧的纹理特征；
S5、根据输电线路的位置信息，将电网风险相关特征和输电线路天气数据进行关联，确保它们具有相同的时间戳或相应的时间窗口，根据关联的时间戳或时间窗口，将电网风险相关特征和输电线路天气数据进行整合，形成关联和整合后的数据集；使用矩阵的形式表示关联和整合后的数据集，其中每一行代表一个时间戳或时间窗口，每一列代表一个特征；
S6、从关联和整合后的数据集识别得到异常行为和风险模式数据，具体包括：
S6.1、构建并训练基于单类支持向量机的异常检测模型，将关联和整合后的数据集输入该异常检测模型，得到异常行为数据；
S6.2、构建并训练基于决策树的风险模式检测模型，将关联和整合后的数据集输入该风险模式检测模型，得到风险模式数据；S7、基于异常行为和风险模式数据，训练基于深度学习的风险预测神经网络模型；
S8、获取实时输电线路视频数据，将其输入基于深度学习的风险预测神经网络模型，得到风险预测结果，包括输电线路的风险等级和类别；
S9、在响应决策查询表中查询风险预测结果所属的输电线路风险事件，制定对应的风险响应决策。
2.根据权利要求1所述的智能电网视频监控与风险预测响应***，其特征在于，步骤S2中，安装于输电线路塔的摄像头的图像采集范围，需覆盖整个输电线路。
3.根据权利要求1所述的智能电网视频监控与风险预测响应***，其特征在于，步骤S3中，对输电线路视频数据进行去噪时，是对每一帧视频数据均采用均值滤波法进行去噪处理；对于每一帧去噪后的视频数据，均采用对比度增强方法进行图像增强；对于每一帧增强后的视频数据，均采用运动估计的方法，进行图像对齐和补偿操作，实现图像稳定处理；在进行视频帧筛选时，是选择固定的帧间隔，仅保留这些间隔内的视频帧。
4.根据权利要求1所述的智能电网视频监控与风险预测响应***，其特征在于，步骤S7中，选择卷积神经网络作为风险预测神经网络，采用ReLU函数作为激活函数，选择交叉熵损失函数衡量预测结果与真实标签之间的差距，在模型训练过程中，将步骤S6得到的数据划分为训练集和验证集，训练集和验证集的占比分别为80%和20%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920430.4A CN116629465B (zh) | 2023-07-26 | 2023-07-26 | 智能电网视频监控与风险预测响应*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920430.4A CN116629465B (zh) | 2023-07-26 | 2023-07-26 | 智能电网视频监控与风险预测响应*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629465A CN116629465A (zh) | 2023-08-22 |
| CN116629465B true CN116629465B (zh) | 2024-01-12 |
Family
ID=87610320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310920430.4A Active CN116629465B (zh) | 2023-07-26 | 2023-07-26 | 智能电网视频监控与风险预测响应*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629465B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273440A (zh) * | 2023-09-01 | 2023-12-22 | 西华大学 | 基于深度学习的工程施工物联网监测管理***及方法 |
| CN117557108A (zh) * | 2024-01-10 | 2024-02-13 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 电力作业风险智能识别模型的训练方法和装置 |
| CN117830032B (zh) * | 2024-03-06 | 2024-05-31 | 广州长川科技有限公司 | 一种输电线网监控抓拍及风险评估方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005015894A2 (en) * | 2003-08-08 | 2005-02-17 | Eclipse Video Technology Llc | Method and apparatus for increasing effective contrast ratio and brightness yields for digital light valve image projectors |
| CN110133573A (zh) * | 2019-04-23 | 2019-08-16 | 四川九洲电器集团有限责任公司 | 一种基于多元传感器信息融合的自主低空无人机防御*** |
| CN112016499A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 基于多分支卷积神经网络的交通场景风险评估方法及*** |
| CN112242036A (zh) * | 2019-07-01 | 2021-01-19 | 国电南瑞科技股份有限公司 | 一种变电站火灾报警方法及*** |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200273577A1 (en) * | 2019-02-21 | 2020-08-27 | Theator inc. | System for updating a predicted outcome |
| US20220207066A1 (en) * | 2020-12-29 | 2022-06-30 | Jio Platforms Limited | System and method for self-generated entity-specific bot |
-
2023
- 2023-07-26 CN CN202310920430.4A patent/CN116629465B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005015894A2 (en) * | 2003-08-08 | 2005-02-17 | Eclipse Video Technology Llc | Method and apparatus for increasing effective contrast ratio and brightness yields for digital light valve image projectors |
| CN110133573A (zh) * | 2019-04-23 | 2019-08-16 | 四川九洲电器集团有限责任公司 | 一种基于多元传感器信息融合的自主低空无人机防御*** |
| CN112242036A (zh) * | 2019-07-01 | 2021-01-19 | 国电南瑞科技股份有限公司 | 一种变电站火灾报警方法及*** |
| CN112016499A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 基于多分支卷积神经网络的交通场景风险评估方法及*** |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像识别技术的输电线路智能监控***应用;徐振磊;曾懿辉;郭圣;邵校嘉;麦俊佳;胡壮丽;;计算机***应用(第01期) * |
| 衡水地区电网气象灾害预警***的开发与应用研究;刘世豪;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)(第01期);C042-2820 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629465A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629465B (zh) | 智能电网视频监控与风险预测响应*** | |
| CN106845890B (zh) | 一种基于视频监控的仓储监控方法及装置 | |
| CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| 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 | |
| CN103069434B (zh) | 用于多模式视频事件索引的方法和*** | |
| CN111653023A (zh) | 一种智能工厂监管方法 | |
| CN108009479A (zh) | 分布式机器学习***及其方法 | |
| CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
| CN113642403A (zh) | 基于边缘计算的人群异动智能安全检测*** | |
| CN113095160B (zh) | 基于人工智能和5g的电力***人员安全行为识别方法及*** | |
| CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测*** | |
| CN116310922A (zh) | 石化厂区监控视频风险识别方法、***、电子设备及存储介质 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及*** | |
| CN113012107A (zh) | 电网缺陷检测方法及*** | |
| CN115860144A (zh) | 一种用于反窃电现场的机器学习*** | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、***及存储介质 | |
| KR20230109491A (ko) | 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템 | |
| CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 | |
| CN117522872B (zh) | 一种光伏电站的实时异常检测方法及装置 | |
| CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检***及方法 | |
| CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231219 Address after: Room 402, Unit 1, Building 26, Xinchun Community, Hezhen, Jiuyuan District, Baotou City, Inner Mongolia Autonomous Region, 014000 Applicant after: Li Bo Address before: 3rd Floor, No. 21, Section 2, Yinxingshu Street, Juntun Town, Xindu District, Chengdu City, Sichuan Province, 610500 Applicant before: Chengdu Yuanlun Xunheng Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |