【技术实现步骤摘要】
本专利技术涉及数据处理的，尤其涉及一种基于ai的配电柜状态识别方法、装置、设备及存储介质。
技术介绍
1、在现代电力系统中，配电柜作为关键的电力设备，其状态识别与评估对于保障电网的稳定运行和提高供电可靠性具有极其重要的意义。随着人工智能技术的迅速发展，特别是在计算机视觉和统计分析领域的应用，使得通过智能化手段对配电柜的状态进行实时监控和评估成为可能。传统的配电柜状态监控主要依赖于人工巡检或基本的传感器数据收集，缺乏高效的数据分析能力，无法实现复杂环境下的准确快速诊断。目前，一些解决方案尝试通过集成各类传感器数据，如温度、湿度、电流、电压等，使用基本的数据处理算法对配电柜的运行状态进行评估。这些系统能够实现一定程度上的自动监控，但主要依赖于阈值分析、趋势分析等简单方法，其诊断能力和准确性受到限制。在处理复杂情况，如配电柜内部组件老化、异常状态下的精确识别方面，这些方法往往效果有限。
2、现有技术的主要技术缺陷在于其在配电柜状态识别的深度和准确性上的不足。首先，单一依赖于传统传感器数据和简单数据处理方法，无法准确识别配电柜内多种复杂状态的综合影响，导致状态评估结果的可靠性和准确性不高。其次，缺乏有效利用图像数据进行配电柜状态深度分析的能力，限制了对配电柜异常状态的直观识别和早期预警。最后，相关性分析在现有技术中往往未得到充分应用，导致从不同数据源提取的信息未能有效结合，影响了状态评估的全面性和准确性。
3、因此，亟需一种基于ai的配电柜状态识别方法，解决上述提到的问题。
技术实现思
1、本专利技术提供了一种基于ai的配电柜状态识别方法、装置、设备及存储介质，用于解决如何实现增强配电柜状态监控和预警的准确性和实时性。
2、本专利技术第一方面提供了一种基于ai的配电柜状态识别方法，所述基于ai的配电柜状态识别方法包括：
3、采集配电柜的图像数据以及配电柜的运行状态参数；
4、基于预设的计算机视觉算法，对所述图像数据进行特征提取，得到第一特征数据；基于预设的统计分析算法，对所述运行状态参数进行特征提取，得到第二特征数据；
5、根据所述第一特征数据生成第一概率密度分布图，以及根据所述第二特征数据生成第二概率密度分布图；
6、对第一概率密度分布图与第二概率密度分布图之间的相关性进行计算，得到相关性计算结果；
7、将所述相关性计算结果输入至配电柜状态评估模型中，得到配电柜状态的评估分析结果；其中，所述配电柜状态评估模型经过提前训练得到的ai模型。
8、可选的，在本专利技术第一方面的第一种实现方式中，所述图像数据至少包括外观状态数据与周围环境条件数据；所述运行状态参数至少包括配电柜的电压数据、电流数据、温度数据、湿度数据、振动数据、声音数据、工作时长数据、历史维修记录和用户操作记录。
9、可选的，在本专利技术第一方面的第二种实现方式中，所述基于预设的计算机视觉算法，对所述图像数据进行特征提取，得到第一特征数据，包括：
10、对所述图像数据进行预处理，得到预处理后的图像数据；
11、对预处理后的图像数据应用预设的边缘检测算法，识别并提取配电柜外观的边缘信息，得到边缘特征；
12、对预处理后的图像数据应用预设的灰度共生矩阵算法，分析并提取图像中配电柜的纹理信息，得到纹理特征；其中，所述纹理特征用于识别配电柜表面的损坏或异常状况；
13、对预处理后的图像数据应用预设的颜色特征提取算法，计算图像的颜色直方图，提取配电柜外壳的颜色变化信息，得到颜色变化特征；其中，所述颜色特征提取算法至少包括sift、surf和hog；
14、对预处理后的图像数据应用预设的关键点检测与描述算法，识别图像中的关键点并提取描述符，得到描述符特征；其中，所述描述符特征用于为配电柜的识别和跟踪提供依据；
15、将边缘特征、纹理特征、颜色变化特征、描述符特征进行特征融合，得到第一特征数据。
16、可选的，在本专利技术第一方面的第三种实现方式中，所述根据所述第一特征数据生成第一概率密度分布图，以及根据所述第二特征数据生成第二概率密度分布图，包括：
17、基于预设的核密度估计算法，对所述第一特征数据进行估算，生成第一概率密度分布图；其中，所述第一概率密度分布图用于表示配电柜外观状态和周围环境条件的分布情况，以图形化的方式呈现第一特征数据在多维空间中的分布特性；
18、基于预设的统计分析技术，对所述第二特征数据进行统计分析，生成第二概率密度分布图；其中，所述第二概率密度分布图用于展现配电柜的运行状态参数的统计分布，通过第二概率密度分布图揭示运行状态参数的统计规律性及潜在的相互作用模式。
19、可选的，在本专利技术第一方面的第四种实现方式中，还包括：
20、收集配电柜相关的训练数据；其中，所述训练数据至少包括电压数据、电流数据、温度数据、湿度数据、振动数据、声音数据、工作时长数据、历史维修记录、外部环境参数，所述外部环境参数至少包括外观状态数据与周围环境条件数据；
21、所述训练数据被输入到一个初始构建的深度学习模型中；其中，所述初始构建的深度学习模型至少包括电压异常检测子模型、电流模式分析子模型、温度监测子模型、湿度感知子模型、振动频率分析子模型、声音波形识别子模型、使用时间评估子模型、历史维护分析子模型、外部环境影响子模型；
22、电压异常检测子模型，负责分析电压数据，预测电压异常对配电柜状态的影响，输出电压状态指标；电流模式分析子模型，解析电流数据以识别不正常的消耗模式，评估电流异常对系统运行的影响，输出电流状态指标；温度监测子模型，根据温度数据，确定内部组件过热风险并评估系统过温状态，输出温度风险指标；
23、湿度感知子模型，利用湿度数据评估配电柜内部的湿度条件，预测湿度对电气元件的潜在危害，输出湿度状态指标；振动频率分析子模型，通过分析振动数据，识别因机械故障或外力作用导致的异常振动，输出振动状态指标；声音波形识别子模型，通过分析声音数据，预测机械磨损所产生的声音模式，输出声音异常指标；
24、使用时间评估子模型，分析工作时长数据，评估配电柜的使用状况与剩余寿命，输出寿命预测指标；历史维护分析子模型，通过分析历史维修记录，识别故障和维护问题，对设备健康状态进行评估，输出设备维护指标；外部环境影响子模型，分析外部环境参数对配电柜性能的影响，输出环境影响指标；
25、根据所构建的深度学习模型的各个子模型的输出与预设标准值之间的偏差，计算误差值；其中，误差值为预测状态指标与实际状态标准指标的差异；
26、采用预设的优化算法逐步调整深度学习模型的参数，以最小化误差值，直至完成对深度学习模型的训练，得到训练后的配电柜状态识别分析模型；其中，所述配电柜状态识别分析模型用于监测和识别配电柜运行状态，检测出现的故障和异常情况，并提前预警以及采取措施，优化配电柜的运行流程和运行效率。...
【技术保护点】
1.一种基于AI的配电柜状态识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于AI的配电柜状态识别方法，其特征在于，所述图像数据至少包括外观状态数据与周围环境条件数据；所述运行状态参数至少包括配电柜的电压数据、电流数据、温度数据、湿度数据、振动数据、声音数据、工作时长数据、历史维修记录和用户操作记录。
3.根据权利要求1所述的基于AI的配电柜状态识别方法，其特征在于，所述基于预设的计算机视觉算法，对所述图像数据进行特征提取，得到第一特征数据，包括：
4.根据权利要求1所述的基于AI的配电柜状态识别方法，其特征在于，所述根据所述第一特征数据生成第一概率密度分布图，以及根据所述第二特征数据生成第二概率密度分布图，包括：
5.根据权利要求1所述的基于AI的配电柜状态识别方法，其特征在于，还包括：
6.一种基于AI的配电柜状态识别装置，其特征在于，所述基于AI的配电柜状态识别装置包括：
7.一种基于AI的配电柜状态识别设备，其特征在于，所述基于AI的配电柜状态识别设备包括：存储器和至少一个处理器，所述
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于AI的配电柜状态识别方法。
...【技术特征摘要】
1.一种基于ai的配电柜状态识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ai的配电柜状态识别方法，其特征在于，所述图像数据至少包括外观状态数据与周围环境条件数据；所述运行状态参数至少包括配电柜的电压数据、电流数据、温度数据、湿度数据、振动数据、声音数据、工作时长数据、历史维修记录和用户操作记录。
3.根据权利要求1所述的基于ai的配电柜状态识别方法，其特征在于，所述基于预设的计算机视觉算法，对所述图像数据进行特征提取，得到第一特征数据，包括：
4.根据权利要求1所述的基于ai的配电柜状态识别方法，其特征在于，所述根据所述第一特征数据...
【专利技术属性】
技术研发人员：胡阳，
申请(专利权)人：深圳市鹏翔电气有限公司，
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。