【技术实现步骤摘要】
一种融合边缘计算基于深度学习的电力施工监测方法
[0001]本专利技术涉及深度学习的
,尤其涉及一种融合边缘计算基于深度学习的电力施工监测方法。
技术介绍
[0002]深度学习的电力施工监测是以“深度学习理论”、“人脑视觉机制理论”、“基于语义的图像检索系统”为支撑点。
[0003]由于目前对电力和降低二氧化碳排量的需求的增加,需要将电力系统进一步改进为可持续和低成本的系统,现阶段以“深度学习理论”、“人脑视觉机制理论”、“基于语义的图像检索系统”为支撑点提出得基于深度学习的电力施工监测,特别指出利用云计算平台不仅可为电力系统提供有效检测还可为电力系统提供大量的计算以及保持电力系统的平稳运行,弥补了传统电力系统计算方面的计算弹性和容量不足,以及无法满足的大数据时代的海量数据处理需求,然而现有云计算框架处理电力施工监测还是存在视频数据延迟高、功耗大等问题。
技术实现思路
[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有电力施工监测视频数据延迟高以及功耗大等问题,提出了本专利技术。
[0006]因此,本专利技术目的是提供一种融合边缘计算基于深度学习的电力施工监测方法。
[0007]为解决上述技术问题,本专利技术提供如下技术方案:
[0 ...
【技术保护点】
【技术特征摘要】
1.一种融合边缘计算基于深度学习的电力施工监测方法,其特征在于,包括:通过移动边缘节点采集电力施工监测视频和图像;采用Kalman算法改进电力施工视频和图像采集监测过程,获取降噪后的电力施工监测数据;采用智能识别技术处理所述电力施工监测视频和图像。2.如权利要求1所述的一种融合边缘计算基于深度学习的电力施工监测方法,其特征在于:采用Kalman算法改进电力施工视频和图像采集监测过程为通过反复多次的计算实现对原始电力施工监测数据的降噪处理的迭代过程。3.如权利要求2所述的一种融合边缘计算基于深度学习的电力施工监测方法,其特征在于:通过反复多次的计算实现对原始电力施工监测数据的降噪处理的迭代过程包括,针对关键监测节点处建立状态方程和量测方程;建立误差初始化方程并通过Kalman算法递推。4.如权利要求3所述的一种融合边缘计算基于深度学习的电力施工监测方法,其特征在于:针对关键监测节点处建立状态方程和量测方程如下:其中,k表示某一时刻,取不为0的自然数,X
k
和Y
k
分别表示在k时刻电力施工监测数据信号的状态变量和量测变量,A
k
和H
k
分别表示在k时刻电力施工监测信号的状态转移矩阵和量测系数矩阵,W
k
和V
k
分别表示在k时刻电力施工监测信号的动态噪声和量测噪声。5.如权利要求3所述的一种融合边缘计算基于深度学习的电力施工监测方法,其特征在于:建立误差初始化方程并通过Kalman算法递推如下:在于:建立误差初始化方程并通过Kalman算法递推如下:在于:建立误差初始化方程并通过Kalman算法递推如下:在于:建立误差初始化方程并通过Kalman算法递推如下:其中,P表示协方差,E表示误差,x(0|0)=E(x0)表示初始时刻状态变量最优估计值,x0表示初始值,Q和R分别表示在k时刻电力施工监测信号的动态噪声和量测噪声各自的协方差,J表示最终运算的滤波值,J
k
表示卡尔曼增益,是滤波的中间结果,R
k
表示对象测量噪声的协方差矩阵,R
v
(k)表示k时刻量测噪声各自的协方差,H
k
表示在k时刻电力施工监测信号的量测系数矩阵,Q
k
表示系统过程噪声的协方差,W
k
和V
k
分别表示在k时刻电力施工监测信号的动态噪声和量测噪声,Q
w
表示在w时刻电力施工监测信号的动态噪声。6.如权利要求1所述的一种融合边缘计算基于深度学习的电力施工监测方法,其特征在于:采用智能识别技术处理所述电力施工监测视频和图像包括,
设定三种不同结构电力施工监测数据集如下:A={a1,a2,
…
,a
N
},B={b1,b2,
…<...
【专利技术属性】
技术研发人员:巴林,蒋理,刘金慧,侯永良,朱冀涛,张琦,佟俊达,马洪波,利相霖,刘涛,
申请(专利权)人:国家电网有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。