基于大数据和深度学习的变电站在线智能巡视系统及方法
文献发布时间:2023-06-19 18:27:32
技术领域
本发明涉及变电站在线智能巡视技术领域,具体为基于大数据和深度学 习的变电站在线智能巡视系统及方法。
背景技术
目前,变电站数量和设备种类不断增加,运维人员的巡视工作量逐年增 加,为了提高变电站智能化水平和实现变电站智能巡视功能,大量的智能监 测装置和智能传感器开始引入变电站,然而,各个监测终端的数据处理都是 独立的,数据之间存在壁垒,数据传输压力大,容易导致终端死机,且目前 变电站的智能巡视改造主要在原有机器人和监控系统基础上增补有线摄像 头,存在开槽布线施工难,安全隐患大,施工周期长,改造成本大等问题。
现有技术中已经公开以下专利文献用于变电站场景远程监测和识别
中国专利文献CN111525700A公开了一种变电站远程可视化智能巡视系 统,系统包括用户交互层、数据接入层和业务逻辑层。数据交互层用于根据 巡视周期和任务建立巡视方案,并记录巡视过程,对于巡视过程中发现的异 常信号和设备状态反馈至用户交互层,能够根据所获的数据对设备表计、开 关刀闸状态、屏柜门状态进行分析判别。数据接入层主要采集站内视频和辅 控系统的监测数据,最终上传给业务逻辑层进行分析。但是,该专利文献中 的数据采集部分存在盲区,导致很多一、二类巡视点位不能覆盖,无法满足 国网公司变电站智能巡视建设方案的要求。
中国专利文献CN112448474A提出一种智能变电站一二次状态比对智能巡 视方法和系统。系统主要针对变电站的一二次设备状态进行建模,形成模板 库,将实时采集的设备状态数据与模板库进行比对,不一致时发出告警,并 通过后期更改模板库不断完善巡视功能,能够及时制止人工误操作和发现保 护装置异常告警,但是该专利文献中只是涉及设备状态的监测,缺乏对站内 安防、消防等辅控系统及站内环境信息的监测。
美国专利文献US8942857B2公开了利用便携式计算设备中的传感器来对 环境和设备温度进行监测的方法。通过将传感器靠近热能产生部位,传感器 产生的信号可以触发位于处理单元的驱动器,通过关联场景的参数进行映射 处理,最终实现设备热点的监测。但是,该专利文献中的监测方法没有考虑 环境中电磁干扰的影响,尤其是变电站呢电磁干扰严重,前置放大器很容易 导致数据波动,影响温度监测的准确性
综上对现有专利文献分析可知,目前针对变电站的人员、设备、环境监 测已经有了智能方法,已经不再局限于人工现场巡视,已有的技术可以通过 站内各种监控装置和智能传感器进行监测,但是目前站内部署了各种智能监 测终端,导致数据交互少,数据传输和处理压力大,运维人员需要登录各自 终端系统去查看监测数据,不方便,且缺乏盲区的考虑,监测范围不全面。 因此,本发明结合现有技术,并在其基础上进行改进提供了一种基于大数据 和深度学习的变电站在线智能巡视系统及方法。
发明内容
本发明的目的在于提供基于大数据和深度学习的变电站在线智能巡视系 统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于大数据和深度学习的 变电站在线智能巡视系统,包括:监控终端、边缘侧物联分析终端、云平台 和web界面,所述监控终端包括高清红外摄像头、智能机器人、变电站巡视 无线摄像机、温湿度传感器和烟雾传感器,所述监控终端用于对数据的采集、 预处理以及特征分析,所述边缘侧物联分析终端包括视频主机、辅控主机和 机器人主机,且边缘侧物联分析终端内置人工智能算法,所述云平台接收边 缘侧物联分析终端上传的数据,并进行分析确认,所述web界面用于显示巡 视结果,形成巡视报告,并对异常进行告警提示,且web界面还用于人机可 视化操作交互,控制现场监控终端。
进一步的,所述高清红外摄像头为变电站现有的双光谱、红外、云台球 机和枪机监控设备,用于抓拍并实时监测设备状态;所述智能机器人为变电 站GIS室、高压室、保护室安装的轨道机器人,用于获得设备的信号和位置, 所述变电站巡视无线摄像机采用无线技术上传监测数据和视频,采用宽窄带 融合技术传输视频、图像,通过窄带传输检测信号。
进一步的,基于大数据和深度学习的变电站在线智能巡视方法,所述巡 视方法包括:
步骤a、监控终端将变电站人员、设备、环境状态数据和图像数据实时上 传到边缘侧物联分析终端;
步骤b、利用边缘侧物联分析终端的状态识别模型对监测数据进行边缘实 时分析,所述状态识别模型包括不同检测场景的识别模型,用于后期模型的 重建和补充,所述监测数据进行边缘实时分析是指对监控终端获取的数据进 行分析,通过对变电站的设备指示灯、空开状态、压板状态的监测对比,当 设备运行状态异常时向云平台发送告警,云平台读取告警信息字段并与设定 值进行二次分析对比,并在web界面中显示;
步骤c、云平台接收边缘侧物联分析终端的数据并进行二次分析确认,并 将巡视结果在web界面中显示;
步骤d、web界面用于显示巡视结果,形成巡视报告,并对异常进行告警 提示,且告警提示包括web界面提示和移动APP提示。
进一步的,所述巡视方法还包括:通过web界面对变电站设备进行可视 化监控,下发巡视任务,变电站远程在线巡视功能并查阅历史信息。
进一步的,步骤a中所述变电站人员、设备、环境状态数据和图像数据 传输形式是指采用宽窄带融合技术,宽带传输视频和图像,窄带传输命令和 信号,所述人员、设备、环境状态数据和图像数据是指现场采集的设备状态 数据和抓拍的图像数据。
进一步的,步骤b中所述状态识别模型是指,基于边缘侧物联分析终端 平台搭建的深度学习模型,采集现场数据进行迭代升级得到的模型,并根据 场景人工实时优化。
进一步的,所述深度学习模型具体步骤如下:
步骤一:数据获取,具体为,
通过变电站内部署的监控终端获取人员、设备、环境的图像数据;
对获得的图像数据利用标注工具进行标注;
对标注完的数据进行清洗,划分为需要训练的数据和测试数据;所述清 洗即检查有无错标、漏标和重复数据;所述需要训练的数据即需要验证升级 优化的数据,所述测试数据即为已经准确无误、作为验证样本的数据;
步骤二:对变电站内的人员、环境、设备状态模型进行构建、测试和训 练,具体为,
通过Faster R-CNN算法搭建识别模型,所述Faster R-CNN算法使用神 经网络自主学习生成候选框,并行处理分类和边界框回归2个任务;
将监控终端获得的数据形成大数据集并导入到数据库中进行训练,得到 识别状态的初始模型;
将预先准备好的测试数据对初始模型进行准确率测试,通过调整模型参 数优化识别效果,直至识别准确率达到98%以上,从而得出优化模型。
进一步的,所述人员、环境、设备状态模型搭建还包括将所述人员、环 境、设备状态模型嵌入到边缘侧物联分析中,并封装在docker容器中,通过 远程一键调用,唤醒监控终端,实现对相应图像的识别分析,并将识别结果 上传到云平台二次分析确认,最终将结果通过web界面展示,通过调整模型 参数,达到识别准确率在98%以上,得到优选模型。
进一步的,所述的FasterR-CNN算法通过卷积神经网络CNN提取图像的 特征图,将结果输入到分类回归网络和全卷积网络RPN中,且RPN形成区域 建议框,判断滑动窗口anchor中有误监测目标,并对边界框进行回归修正, 最终得到准确的区域建议框,所述ROI池化层生成固定特征图,经过全连接 层传输到分类回归网络,通过分类层对建议框的类别进行判断,利用边界框 回归层实现边界框的回归,最终对检测框的位置进行精确识别。
本发明提供了基于大数据和深度学习的变电站在线智能巡视系统及方法 具备以下有益效果:
该基于大数据和深度学习的变电站在线智能巡视系统及方法为变电站在 线智能巡视系统建设提供了技术支撑,大数据技术将站内各种辅控、消防、 安防监控、机器人及在线监测装置的数据进行融合,消除了数据壁垒,采用 宽窄带融合技术缓解数据传输压力;通过增补变电站巡视无线摄像机消除巡 视盲区,实现变电站巡视点位的全覆盖,提高了变电站在线智能巡视系统的 建设速度。
本发明实现了对变电站人员、设备、环境的深度感知,通过在监控终端 部署无源无线的变电站巡视无线摄像机消除了巡视盲区,实现了变电站智能 巡视系统的快速建设和改造,通过在变电站安装边缘侧物联分析终端,将传 统部署方式下的视频、辅控和机器人主机系统的数据进行融合,采用宽窄带 融合技术实现数据的快速传输,缓解了系统数据传输压力。本发明使用 FasterR-CNN深度学习算法,运行稳定,抗干扰能力强,提高了识别准确率。
本发明为变电站在线智能巡视系统建设提供了新思路,在保持原有智能 监测装置,包括摄像头、机器人的基础上,将变电站的大数据进行融合处理, 通过引入该部署方式,提高了智能改造建设速度,节省了运维成本,推广性 强。
附图说明
图1为本发明基于大数据和深度学习的变电站在线智能巡视方法的流程 示意图;
图2为本发明基于大数据和深度学习的变电站在线智能巡视系统的整体 框架示意图;
图3为本发明基于大数据和深度学习的变电站在线智能巡视方法的 Faster R-CNN算法网络结构图;
图4为本发明大数据处理示意图;
图5为本发明在线智能巡视系统的数据流示意图;
图6为本发明巡视报表示意图。
具体实施方式
请参阅图1、图2、图3、图4、图5和图6,本发明提供一种技术方案: 基于大数据和深度学习的变电站在线智能巡视系统,包括:监控终端、边缘 侧物联分析终端、云平台和web界面,监控终端包括高清红外摄像头、智能 机器人、变电站巡视无线摄像机、温湿度传感器和烟雾传感器,监控终端用 于对数据的采集、预处理以及特征分析,边缘侧物联分析终端包括视频主机、 辅控主机和机器人主机,且边缘侧物联分析终端内置人工智能算法,云平台 接收边缘侧物联分析终端上传的数据,并进行分析确认,web界面用于显示巡 视结果,形成巡视报告,并对异常进行告警提示,且web界面还用于人机可 视化操作交互,控制现场监控终端。
高清红外摄像头为变电站现有的双光谱、红外、云台球机和枪机监控设 备,用于抓拍并实时监测设备状态;智能机器人为变电站GIS室、高压室、 保护室安装的轨道机器人,用于获得设备的信号和位置,变电站巡视无线摄 像机采用无线技术上传监测数据和视频,采用宽窄带融合技术传输视频、图 像,通过窄带传输检测信号。
基于大数据和深度学习的变电站在线智能巡视方法,巡视方法包括:
步骤a、监控终端将变电站人员、设备、环境状态数据和图像数据实时上 传到边缘侧物联分析终端;
步骤b、利用边缘侧物联分析终端的状态识别模型对监测数据进行边缘实 时分析,状态识别模型包括不同检测场景的识别模型,用于后期模型的重建 和补充,监测数据进行边缘实时分析是指对监控终端获取的数据进行分析, 通过对变电站的设备指示灯、空开状态、压板状态的监测对比,当设备运行 状态异常时向云平台发送告警,云平台读取告警信息字段并与设定值进行二 次分析对比,并在web界面中显示;
步骤c、云平台接收边缘侧物联分析终端的数据并进行二次分析确认,并 将巡视结果在web界面中显示;
步骤d、web界面用于显示巡视结果,形成巡视报告,并对异常进行告警 提示,且告警提示包括web界面提示和移动APP提示。
巡视方法还包括:通过web界面对变电站设备进行可视化监控,下发巡 视任务,变电站远程在线巡视功能并查阅历史信息。
步骤a中变电站人员、设备、环境状态数据和图像数据传输形式是指采 用宽窄带融合技术,宽带传输视频和图像,窄带传输命令和信号,人员、设 备、环境状态数据和图像数据是指现场采集的设备状态数据和抓拍的图像数 据。
步骤b中状态识别模型是指,基于边缘侧物联分析终端平台搭建的深度 学习模型,采集现场数据进行迭代升级得到的模型,并根据场景人工实时优 化。
深度学习模型具体步骤如下:
步骤一:数据获取,具体为,
通过变电站内部署的监控终端获取人员、设备、环境的图像数据;
对获得的图像数据利用标注工具进行标注;
对标注完的数据进行清洗,划分为需要训练的数据和测试数据;清洗即 检查有无错标、漏标和重复数据;需要训练的数据即需要验证升级优化的数 据,测试数据即为已经准确无误、作为验证样本的数据;
步骤二:对变电站内的人员、环境、设备状态模型进行构建、测试和训 练,具体为,
通过Faster R-CNN算法搭建识别模型,Faster R-CNN算法使用神经网络 自主学习生成候选框,并行处理分类和边界框回归2个任务;
将监控终端获得的数据形成大数据集并导入到数据库中进行训练,得到 识别状态的初始模型;
将预先准备好的测试数据对初始模型进行准确率测试,通过调整模型参 数优化识别效果,直至识别准确率达到98%以上,从而得出优化模型。
人员、环境、设备状态模型搭建还包括将人员、环境、设备状态模型嵌 入到边缘侧物联分析中,并封装在docker容器中,通过远程一键调用,唤醒 监控终端,实现对相应图像的识别分析,并将识别结果上传到云平台二次分 析确认,最终将结果通过web界面展示,通过调整模型参数,达到识别准确 率在98%以上,得到优选模型。
不断调整模型参数优化识别效果的方法为:通过不断调整学习率、学习 属性等参数,在原有模型基础上不断迭代优化升级,得到新的识别模型;初 始学习率的设置不宜过大,应控制在0.001左右,在学习中学习速率不断衰 减,到训练结束时至少能衰减到100倍,训练中的样本总数不能过大,初始 样本数为N,则在N的上下分别按照一定的规律增减,比较识别结果,如果识 别结果随着样本数变化不明显,则停止样本数更新;通过因特尔开源数据库 中的resize函数,将获得图像输入进去,进行模型训练。
FasterR-CNN算法通过卷积神经网络CNN提取图像的特征图,将结果输入 到分类回归网络和全卷积网络RPN中,且RPN形成区域建议框,判断滑动窗 口anchor中有误监测目标,并对边界框进行回归修正,最终得到准确的区域 建议框,ROI池化层生成固定特征图,经过全连接层传输到分类回归网络,通 过分类层对建议框的类别进行判断,利用边界框回归层实现边界框的回归, 最终对检测框的位置进行精确识别。
应用例,具体为,在220kVXX站安装了基于大数据和深度学习的变电站 在线智能巡视系统,通过部署变电站无线巡视摄像机消除了站内的巡视盲区, 如图6,如在220kV高压室的SF6表计附近装设变电站巡视无线摄像机,实时 监测表计指针位置,与事先设定的告警值进行对比,得到SF6表计压力是否 正常,如不正常会产生告警信息,巡视完毕后形成巡视报表,如图6,报表右 侧能够点击查看设备监控照片,便于人员对问题确认。
综上,请参阅图1、图2、图3、图4、图5和图6,具体为,步骤a、监 控终端将变电站人员、设备、环境状态数据和图像数据实时上传到边缘侧物 联分析终端,变电站人员、设备、环境状态数据和图像数据传输形式是指采 用宽窄带融合技术,宽带传输视频和图像,窄带传输命令和信号,人员、设 备、环境状态数据和图像数据是指现场采集的设备状态数据和抓拍的图像数 据;
步骤b、利用边缘侧物联分析终端的状态识别模型对监测数据进行边缘实 时分析,状态识别模型包括不同检测场景的识别模型,用于后期模型的重建 和补充,监测数据进行边缘实时分析是指对监控终端获取的数据进行分析, 通过对变电站的设备指示灯、空开状态、压板状态的监测对比,当设备运行 状态异常时向云平台发送告警,云平台读取告警信息字段并与设定值进行二 次分析对比,并在web界面中显示,状态识别模型是指,基于边缘侧物联分 析终端平台搭建的深度学习模型,采集现场数据进行迭代升级得到的模型,并根据场景人工实时优化;
步骤c、云平台接收边缘侧物联分析终端的数据并进行二次分析确认,并 将巡视结果在web界面中显示;深度学习模型具体步骤如下:
步骤一:数据获取,具体为,
通过变电站内部署的监控终端获取人员、设备、环境的图像数据;
对获得的图像数据利用标注工具进行标注;
对标注完的数据进行清洗,划分为需要训练的数据和测试数据;清洗即 检查有无错标、漏标和重复数据;需要训练的数据即需要验证升级优化的数 据,测试数据即为已经准确无误、作为验证样本的数据;
步骤二:对变电站内的人员、环境、设备状态模型进行构建、测试和训 练,具体为,
通过Faster R-CNN算法搭建识别模型,Faster R-CNN算法使用神经网络 自主学习生成候选框,并行处理分类和边界框回归2个任务;
将监控终端获得的数据形成大数据集并导入到数据库中进行训练,得到 识别状态的初始模型;
将预先准备好的测试数据对初始模型进行准确率测试,通过调整模型参 数优化识别效果,直至识别准确率达到98%以上,从而得出优化模型。
人员、环境、设备状态模型搭建还包括将人员、环境、设备状态模型嵌 入到边缘侧物联分析中,并封装在docker容器中,通过远程一键调用,唤醒 监控终端,实现对相应图像的识别分析,并将识别结果上传到云平台二次分 析确认,最终将结果通过web界面展示,通过调整模型参数,达到识别准确 率在98%以上,得到优选模型。
FasterR-CNN算法通过卷积神经网络CNN提取图像的特征图,将结果输入 到分类回归网络和全卷积网络RPN中,且RPN形成区域建议框,判断滑动窗 口anchor中有误监测目标,并对边界框进行回归修正,最终得到准确的区域 建议框,ROI池化层生成固定特征图,经过全连接层传输到分类回归网络,通 过分类层对建议框的类别进行判断,利用边界框回归层实现边界框的回归, 最终对检测框的位置进行精确识别;
步骤d、web界面用于显示巡视结果,形成巡视报告,并对异常进行告警 提示,且告警提示包括web界面提示和移动APP提示,巡视方法还包括:通 过web界面对变电站设备进行可视化监控,下发巡视任务,变电站远程在线 巡视功能并查阅历史信息。
- 一种变电站在线智能巡视系统及其联动控制方法
- 一种变电站在线智能巡视系统及方法