一种云-边协同配电站火光智能监测方法及系统技术方案

一种云

【技术实现步骤摘要】
一种云
‑
边协同配电站火光智能监测方法及系统


[0001]本专利技术涉及智能视频监控
，尤其涉及一种云
‑
边协同配电站火光智能监测方法及系统。

技术介绍

[0002]长期以来，配电站(或开闭所，以下统称配电站)维护管理工作一直是电力系统运行可靠性的薄弱环节之一。配电站的维护管理关系到整个电力系统的安全。由于不能对配电站内设备的参数(电压、电流、高压开关触点的温度等)进行实时监控，一旦遇到突发异常情况，如因负荷突然变化引起配电设备过载、发热等异常，极容易烧毁设备，造成设备损坏和对外停电，影响供电可靠性的问题。因此需要对配电站进行异常情况实时监测，以便能够及时发现并排除安全隐患。目前，现有技术主要采用云计算或者边缘计算的方式监控配电站异常情况。例如，通过5G通信将边缘图像直接传输至云端，在云端进行异常检测。或者直接在配电站布设安装具有推理能力的边缘设备，在边缘进行异常监测。但是，配电站多处于偏远环境中，其所在地网络状态时好时坏，视频图像等非结构化数据只有就近在物侧或数据源侧进行结构化数据处理，才能有效降低网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云
‑
边协同配电站火光智能监测方法，其特征在于，包括以下步骤：S1，搜集火光数据集X＝{x1,x2,...,x
N
}，并对其进行标记得到对应的标签数据集Y＝{y1,y2,...,y
N
}，数据集D＝(X,Y)；S2，初始化yolo
‑
tiny网络Q同时修改特征层的检测头为单目标检测，加载预训练的网络权重w，将数据集D＝(X,Y)和网络Q上传云平台进行迁移训练后量化成模型Q
int8
；S3，边缘代理从云平台下载Q
int8
网络，初始化求和树,求和树的V个叶子节点的优先级p
V
＝1；S4，调用视频设备，获取视频图像，滤除火光冗余帧，得到火光关键帧p
key
；S5，将火光关键帧p
key
输入检测网络Q
int8
中，通过yolo
‑
tiny网络检测出异常目标置信度c；S6，若则边缘就地决策并将异常图片上报主站；若则就地按预测类别保存图片后将图片上报主站；否则将图片就地抛弃；其中为异常报警阀值，为异常保存阀值；S7，当某个类的样本达到一定数量V后，抽取m个样本并提醒用户标记，将用户标记后的样本上传云平台；S8，云平台收到更新的样本，将收到样本与现有样本按照一定比例重新随机组合得到新的火光数据集后结合现有网络权重进行迁移训练，训练完成后将训练权重以软更新的方式更新，量化成模型Q
int8
下发，返回步骤S3。2.根据权利要求1所述云
‑
边协同配电站火光智能监测方法，其特征在于，步骤S4中所述滤除火光冗余帧得到火光关键帧p
key
的步骤包括：S41，获取连续的四帧图像Pic＝[p0,p1，p2，p3]；S42，将图片Pic＝[p0,p1，p2，p3]缩放到合适尺寸后转换为灰度图片，按照公式进行高斯滤波得到图片其中(x
c
,y
c
)为卷积核当前中心点坐标，σ为卷积核对应的方差；S43，按照对Pic
gray
做差，得到为灰度图片相减后得到的灰度特征图dif、dif
′
；S44，按照对dif、dif
′
自动填充，其中Thr
s
为色差阈值；S45，调整dif、dif
′
为一维向量，按照公式对dif、dif
′
求余弦相关系数corr，其中dif
i
、dif
i
′
为dif、dif
′
的分量，n为dif、dif
′
的分量总数；S46，获取下一帧图片p4，依次做以下操作，
S47，若余弦相关系数corr大于门限值Thr
corr
，则输出关键帧p
key
＝p4，否则返回步骤S42。3.根据权利要求1所述云
‑
边协同配电站火光智能监测方法，其特征在于，步骤S7中所述当某个类的样本达到一定数量V后抽取m个样本的步骤包括：S71，初始化i＝1，j＝1，对求和树中的所有叶子节点求和得到根节点的优先级L
1,1
，求和树层数为Floor＝...

【专利技术属性】
技术研发人员：李林峰，任明，肖林松，范律，陈永，蔡田田，邓清唐，陈波，李肖博，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：