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

本发明专利技术公开了一种融合边缘计算基于深度学习的电力施工监测方法，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。本发明专利技术不仅提高了电力施工监测领域相关内容识别检测中处理视频和图像数据的执行时间，降低了功耗，还更加实用可靠。还更加实用可靠。还更加实用可靠。

【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：
[0008]第一方面，本专利技术实施例提供了一种融合边缘计算基于深度学习的电力施工监测方法，包括：通过移动边缘节点采集电力施工监测视频和图像；
[0009]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；
[0010]采用智能识别技术处理所述电力施工监测视频和图像。
[0011]作为本专利技术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，其中：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。
[0012]作为本专利技术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，其中：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，
[0013]针对关键监测节点处建立状态方程和量测方程；
[0014]建立误差初始化方程并通过Kalman算法递推。
[0015]作为本专利技术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，其中：针对关键监测节点处建立状态方程和量测方程如下：
[0016][0017]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。
[0018]作为本专利技术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，其中：建立误差初始化方程并通过Kalman算法递推如下：
[0019][0020][0021][0022][0023]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。
[0024]作为本专利技术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，其中：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，
[0025]设定三种不同结构电力施工监测数据集如下：
[0026]A＝{a1，a2，
…
，a
N
}，B＝{b1，b2，
…
，b
N
}，C＝{c1，c2，
…
，c
N
}
[0027]其中，N表示数据样本的总个数；
[0028]关联融合三种不同结构电力施工监测数据集，并获得数据样本集如下：
[0029]D＝{a1，a2，
…
，a
N
，b1，b2…
，b
N
，c1，c2，
…
，c
N
}
[0030]通过自编码器建立具有三个隐藏层结构框架的深度神经网络DNN计算模型，并提取电力施工监测数据的特征信息；
[0031]设置深度神经网络DNN计算模型参数。
[0032]作为本专利技术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，其中：通过自编码器建立具有三个隐藏层结构框架神经网络模型提取电力施工监测数据的特征信息包括，
[0033]编码和解码过程；
[0034]在编码过程中，提取隐藏层特征第k个电力施工监测数据样本编码公式为:
[0035]a
k
＝f
θ
(d
k
)＝f(T1a
n
+C1)
[0036]b
k
＝f
θ
(d
k
)＝f(T1b
n
+C1)
[0037]c
k
＝f
θ
(d
k
)＝f(T1c
n
+C1)
[0038]其中，a
k
、b
k
以及c
k
分别表示数据集A、B和C的第k个电力施工监测数据样本编码公式，f(x)表示激活函数，激活函数公式，θ表示自动编码器的参数。
[0039]在解码过程中，重构电力施工监测数据，并得到与输入层的所述原始电力施工监测数据最接近的输出量g
k
如下：
[0040]g
k
＝f
θ
(x)＝f(T2x+C2)
[0041]x＝a
k
，b
k
，c
k
[0042]其中，x表示三种电力施工监测数据集任意一种，T1＝T
2T
，C1＝C
2T
[0043]作为本专利技术所述的一种融合边缘计算基于本文档来自技高网...

【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：