Nothing Special   »   [go: up one dir, main page]

CN117095188B - 一种基于图像处理的电力安全加强方法及系统 - Google Patents

一种基于图像处理的电力安全加强方法及系统 Download PDF

Info

Publication number
CN117095188B
CN117095188B CN202311352816.6A CN202311352816A CN117095188B CN 117095188 B CN117095188 B CN 117095188B CN 202311352816 A CN202311352816 A CN 202311352816A CN 117095188 B CN117095188 B CN 117095188B
Authority
CN
China
Prior art keywords
neural network
predator
power equipment
weight matrix
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311352816.6A
Other languages
English (en)
Other versions
CN117095188A (zh
Inventor
周鹏
冯永青
高红亮
杨林
侯方迪
陈宏山
单政博
石侃
杨政权
许文民
张少峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202311352816.6A priority Critical patent/CN117095188B/zh
Publication of CN117095188A publication Critical patent/CN117095188A/zh
Application granted granted Critical
Publication of CN117095188B publication Critical patent/CN117095188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Nonlinear Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于图像处理的电力安全加强方法及系统，包括步骤：步骤S1：采集电力设备的图像信息、音频数据；步骤S2：对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；步骤S3：将提取出的特征参数向量x输入到训练好的卷积神经网络‑海洋捕食者预测模型；步骤S4：对电力设备的安全进行预测，将当前时刻采集的电力设备信息输入训练好的卷积神经网络‑海洋捕食者预测模型进行故障诊断和预测；步骤S5：如果电力设备的故障诊断结果y大于设定阈值则存在故障。本发明通过图像处理、神经网络和海洋捕食者算法的相互配合，实现了电力设备的故障诊断和未来状态预测。

Description

一种基于图像处理的电力安全加强方法及系统
技术领域
本发明涉及电力故障诊断技术领域，具体地涉及一种基于图像处理的电力安全加强方法及系统。
背景技术
目前在电力行业中，安全问题一直是一个非常重要的话题。为了保障电力系统的安全，需要采取各种措施进行加强。而在当前社会环境下，电力安全问题也越来越受到重视，电力安全问题更是需要高度关注。
目前，电力安全加强的技术手段主要包括人工巡检、视频监控等。但是这些技术手段的局限性也很明显，人工巡检需要耗费大量的人力和时间，而视频监控也存在着监控盲区等问题。且存在一些通过深度学习进行电力故障诊断的方法，但准确度和自动化成都方面都难以应对复杂电力环境带来的调整，因此，需要开发一种新的技术手段，来更加有效地实现电力安全加强。
且传统的电力故障预测识别效率低、准确度低且成本较高，不能满足智能化的需求；且现有的通过深度学习进行故障预测没有能够及时寻优、及时获得监测模型的方式，且在训练过程中的权重矩阵获得一直采用传统的训练方式，导致模型训练效率低难以快速完成模型的高质量训练完成，而面对电力环境的复杂变化，快捷、方便、高效的训练完成及快速电力故障诊断目前显得十分必要。且传统的识别模型训练调整不能够实时的显示训练并提供预测电力故障，不能够有效利用近期现有的数据；因此，一种能够实时、快速、智能化预测模型成为了迫切需求，从而改善用户的体验。
发明内容
为解决上述技术问题，本发明提供一种基于图像处理的电力安全加强方法及系统，通过采集电力设备的图像信息，利用图像处理技术进行特征提取，再通过神经网络和海洋捕食者算法相结合的方法进行故障诊断和预测，从而提高电力设备的安全性能，大大提供了故障判断准确度和自动化水平，且显著的提升了模型生成效率，其通过以下方式实现：
一种基于图像处理的电力安全加强方法，包括：
步骤S1：采集电力设备的图像信息、音频数据；
步骤S2：对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；
步骤S3：将提取出的特征参数向量x输入到训练好的卷积神经网络-海洋捕食者预测模型，其中，卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到；
步骤S4：对电力设备的安全进行预测，将当前时刻采集的电力设备信息输入训练好的卷积神经网络-海洋捕食者预测模型进行故障诊断和预测；电力设备的故障诊断结果y(x)为：
；
其中，、/>、/>分别表示卷积层、池化层、全连接层的权重矩阵；/>、/>、/>分别表示卷积层、池化层、全连接层的偏置向量，f表示激活函数，f采用的是改进的Mish函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数；
步骤S5：如果电力设备的故障诊断结果y大于设定阈值则存在故障，将故障数据传输至液晶显示屏显示，以提示操作人员进行故障排查清除，否则结束。
优选地，所述对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数，包括采用中值滤波器对图像进行去噪，采用直方图均衡化增强图像，采用边缘检测算法、形态学操作、特征点检测提取出设备传感器显示的电压、电流、温度、湿度、设备运行时间、设备用电量、声音分贝。
优选地，所述卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对神经网络的权重进行优化和调整得到，具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为海洋捕食者算法中的解空间；根据当前权重矩阵的适应度函数值，选择捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置，同时通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群，不断更新神经网络的权重矩阵。
优选地，包括：所述具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，包括步骤S31，初始化种群：随机生成若干个初始解，作为种群的初始状态；
步骤S32捕食者行为：对于每个捕食者，计算适应度函数值，并根据适应度大小选择合适的捕食半径，搜索周围的解空间，并更新当前解的位置；
步骤S33，被捕食者行为：对于每个被捕食者，计算其适应度函数值，并根据适应度大小选择合适的逃跑半径，随机移动到新的位置；
步骤S34，繁殖行为：对于每个繁殖个体，选择两个不同的个体进行杂交和变异，生成新的后代个体，并加入种群中；
步骤S35更新种群：根据新的个体和适应度函数值，更新当前种群状态；
步骤S36判断停止条件：如果满足停止条件，则输出最优解，否则返回第S32步骤;
其中，适应度函数值为：
；
其中，W表示卷积神经网络的池化层权重矩阵变量，表示第i个样本的真实的电力故障标签值，N为样本数量，/>表示输入的第i个样本的特征向量,/>表示第i个样本的电力设备的故障诊断结果，/>越小，则当前权重矩阵下的预测误差越小；
捕食者和被捕食者的搜索半径和移动速度可以使用以下公式进行计算，；
；
其中，表示第p个个体的搜索半径，/>表示第p个个体的移动速度，/>表示第p个个体的适应度函数值，/>、/>分别表示当前种群中适应度函数值的最大值和最小值，/>、/>分别表示搜索半径的最大值和最小值，/>、/>分别表示移动速度的最大值和最小值。
本申请还提供一种基于图像处理的电力安全加强系统，包括：
图像采集设备采集电力设备的图像信息、音频数据，图像采集设备包括CCD相机、红外摄像头、声音传感器；
图像处理模块对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；
卷积神经网络-海洋捕食者预测模型预测模块，将提取出的特征参数向量x输入到训练好的卷积神经网络-海洋捕食者预测模型，其中，卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到；
对电力设备的安全进行预测模块，将当前时刻采集的电力设备信息输入训练好的卷积神经网络-海洋捕食者预测模型进行故障诊断和预测；电力设备的故障诊断结果y(x)为：
；
其中，、/>、/>分别表示卷积层、池化层、全连接层的权重矩阵；/>、/>、/>分别表示卷积层、池化层、全连接层的偏置向量，f表示激活函数，f采用的是改进的Mish函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数；
故障判断结果模块，如果电力设备的故障诊断结果y大于设定阈值则存在故障，将故障数据传输至液晶显示屏显示，以提示操作人员进行故障排查清除，否则结束。
优选地，所述对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数，包括采用中值滤波器对图像进行去噪，采用直方图均衡化增强图像，采用边缘检测算法、形态学操作、特征点检测提取出设备传感器显示的电压、电流、温度、湿度、设备运行时间、设备用电量、声音分贝。
优选地，所述卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对神经网络的权重进行优化和调整得到，具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为海洋捕食者算法中的解空间；根据当前权重矩阵的适应度函数值，选择捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置，同时通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群，不断更新神经网络的权重矩阵。
优选地，包括：所述具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，包括步骤S31，初始化种群：随机生成若干个初始解，作为种群的初始状态；
步骤S32捕食者行为：对于每个捕食者，计算适应度函数值，并根据适应度大小选择合适的捕食半径，搜索周围的解空间，并更新当前解的位置；
步骤S33，被捕食者行为：对于每个被捕食者，计算其适应度函数值，并根据适应度大小选择合适的逃跑半径，随机移动到新的位置；
步骤S34，繁殖行为：对于每个繁殖个体，选择两个不同的个体进行杂交和变异，生成新的后代个体，并加入种群中；
步骤S35更新种群：根据新的个体和适应度函数值，更新当前种群状态；
步骤S36判断停止条件：如果满足停止条件，则输出最优解，否则返回第S32步骤;
其中，适应度函数值为：
；
其中，W表示卷积神经网络的池化层权重矩阵变量，表示第i个样本的真实的电力故障标签值，N为样本数量，/>表示输入的第i个样本的特征向量,/>表示第i个样本的电力设备的故障诊断结果，/>越小，则当前权重矩阵下的预测误差越小；
捕食者和被捕食者的搜索半径和移动速度可以使用以下公式进行计算，；
；
其中，表示第p个个体的搜索半径，/>表示第p个个体的移动速度，/>表示第p个个体的适应度函数值，/>、/>分别表示当前种群中适应度函数值的最大值和最小值，/>、/>分别表示搜索半径的最大值和最小值，/>、/>分别表示移动速度的最大值和最小值。
与现有技术相比，本发明的技术方案具有以下有益效果：
本申请一种基于图像处理的电力安全加强方法及系统，通过图像处理、神经网络和海洋捕食者算法的相互配合，实现了电力设备的故障诊断和未来状态预测，大大增强了预测模型的权重矩阵的快速生成以及模型电力预测的准确度，创造性的将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为MPA算法中的解空间。然后可以定义适应度函数，用来评价神经网络在当前权重矩阵下的预测精度和准确性。
此外，采用的是改进的Mish函数作为激活函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数，并将/>、/>、分别表示卷积层、池化层、全连接层的偏置向量加入到激活函数的计算过程中，促进了预测模型的数据重合利用，增强了电力安全预测的准确度。
附图说明
图1是本发明一种基于图像处理的电力安全加强方法流程图。
具体实施方式
本领域技术人员理解，如背景技术所言，传统的电力故障预测识别效率低、准确度低且成本较高，不能满足智能化的需求；且现有的通过深度学习进行故障预测没有能够及时寻优、及时获得监测模型的方式，且在训练过程中的权重矩阵获得一直采用传统的训练方式，导致模型训练效率低难以快速完成模型的高质量训练完成，而面对电力环境的复杂变化，快捷、方便、高效的训练完成及快速电力故障诊断目前显得十分必要。且传统的识别模型训练调整不能够实时的显示训练并提供预测电力故障，不能够有效利用近期现有的数据；因此，一种能够实时、快速、智能化预测模型成为了迫切需求，从而改善用户的体验。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1：
如图1所示，一种基于图像处理的电力安全加强方法，包括：
步骤S1：采集电力设备的图像信息、音频数据；当电力设备发生故障时，可以通过高清摄像头等设备对电力设备进行图像采集。对采集到的电力设备图像进行预处理，包括图像增强、滤波、边缘检测等操作，使得采集到的图像更加清晰，便于提取特征参数。
例如，对于变压器这类电力设备，可以从采集到的图像中提取出以下特征参数：
（1）变压器外观参数：如变压器外形尺寸、颜色、表面状态等；
（2）温度参数：如变压器表面的温度分布等；
（3）液位参数：如变压器油位高度、油面状态等；
（4）绝缘参数：如变压器的绝缘状态、绝缘介质的厚度等；
（5）损伤参数：如变压器绕组的损伤程度、绕组的变形程度等。
这些特征参数可以通过图像处理技术提取出来，并输入到神经网络模型中进行训练和学习，进而用于电力设备的故障诊断和未来状态预测。
步骤S2：对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；
步骤S3：将提取出的特征参数向量x输入到训练好的卷积神经网络-海洋捕食者预测模型，其中，卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到；
海洋捕食者算法（Marine Predators Algorithm，MPA）是一种模拟海洋捕食者-被捕食者生态系统的优化算法。该算法模拟了海洋捕食者在捕食过程中的行为，通过搜索空间中的优质解来实现全局最优化。
在本技术方案中，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为MPA算法中的解空间。然后可以定义适应度函数，用来评价神经网络在当前权重矩阵下的预测精度和准确性。例如，可以使用平均绝对误差（Mean Absolute Error，MAE）作为适应度函数，表示神经网络在当前权重矩阵下的预测误差大小。
根据以上步骤，将神经网络的权重矩阵作为待优化的参数，在MPA算法的搜索过程中，根据当前权重矩阵的适应度函数值，选择合适的捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置。同时，可以通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群中。通过这些优化策略，可以不断优化神经网络的权重矩阵，提高预测精度和准确性。
本技术方案中，利用海洋捕食者算法对神经网络的权重进行优化和调整，可以进一步提高预测精度和准确性。具体地，将神经网络的权重矩阵作为待优化的参数，通过MPA算法进行搜索和调整，从而得到最优的权重矩阵。
步骤S4：对电力设备的安全进行预测，将当前时刻采集的电力设备信息输入训练好的卷积神经网络-海洋捕食者预测模型进行故障诊断和预测；电力设备的故障诊断结果y(x)为：
；
其中，、/>、/>分别表示卷积层、池化层、全连接层的权重矩阵；/>、/>、/>分别表示卷积层、池化层、全连接层的偏置向量，f表示激活函数，f采用的是改进的Mish函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数；
步骤S5：如果电力设备的故障诊断结果y大于设定阈值则存在故障，将故障数据传输至液晶显示屏显示，以提示操作人员进行故障排查清除，否则结束。
在一些实施例中，所述对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数，包括采用中值滤波器对图像进行去噪，采用直方图均衡化增强图像，采用边缘检测算法、形态学操作、特征点检测提取出设备传感器显示的电压、电流、温度、湿度、设备运行时间、设备用电量、声音分贝。
在一些实施例中，所述卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对神经网络的权重进行优化和调整得到，具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为海洋捕食者算法中的解空间；根据当前权重矩阵的适应度函数值，选择捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置，同时通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群，不断更新神经网络的权重矩阵。
在一些实施例中，包括：所述具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，包括步骤S31，初始化种群：随机生成若干个初始解，作为种群的初始状态；
步骤S32捕食者行为：对于每个捕食者，计算适应度函数值，并根据适应度大小选择合适的捕食半径，搜索周围的解空间，并更新当前解的位置；
步骤S33，被捕食者行为：对于每个被捕食者，计算其适应度函数值，并根据适应度大小选择合适的逃跑半径，随机移动到新的位置；
步骤S34，繁殖行为：对于每个繁殖个体，选择两个不同的个体进行杂交和变异，生成新的后代个体，并加入种群中；
步骤S35更新种群：根据新的个体和适应度函数值，更新当前种群状态；
步骤S36判断停止条件：如果满足停止条件，则输出最优解，否则返回第S32步骤;
其中，适应度函数值为：
；
其中，W表示卷积神经网络的池化层权重矩阵变量，表示第i个样本的真实的电力故障标签值，N为样本数量，/>表示输入的第i个样本的特征向量,/>表示第i个样本的电力设备的故障诊断结果，/>越小，则当前权重矩阵下的预测误差越小；
捕食者和被捕食者的搜索半径和移动速度可以使用以下公式进行计算，；
；
其中，表示第p个个体的搜索半径，/>表示第p个个体的移动速度，/>表示第p个个体的适应度函数值，/>、/>分别表示当前种群中适应度函数值的最大值和最小值，/>、/>分别表示搜索半径的最大值和最小值，/>、/>分别表示移动速度的最大值和最小值。
通过以上公式，可以根据个体的适应度函数值，自适应地调整搜索半径和移动速度，使得搜索过程更加高效和准确。
在整个优化过程中，可以通过不断更新种群状态，搜索到最优的权重矩阵，从而得到更加准确的预测模型。
因此，本技术方案利用海洋捕食者算法对神经网络的权重进行优化和调整，从而提高了预测精度和准确性，增强了电力设备的安全性能。
实施例2：
本申请还提供一种基于图像处理的电力安全加强系统，包括：
图像采集设备采集电力设备的图像信息、音频数据，图像采集设备包括CCD相机、红外摄像头、声音传感器；
图像处理模块对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；
卷积神经网络-海洋捕食者预测模型预测模块，将提取出的特征参数向量x输入到训练好的卷积神经网络-海洋捕食者预测模型，其中，卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到；
初始化种群：根据神经网络的结构和参数设置，随机生成一定数量的个体，作为初始种群。
计算适应度函数值：将每个个体的权重矩阵应用于神经网络预测模型，计算预测误差，并根据适应度函数公式计算每个个体的适应度函数值。
确定最优个体：在当前种群中，找出适应度函数值最小的个体，并记录其权重矩阵和适应度函数值。如果预设的终止条件（如迭代次数、误差阈值等）满足，算法结束，返回最优个体。
搜索过程：对于每个个体，根据当前个体的位置和速度，计算其在搜索半径内的邻域范围，搜索邻域内的个体，找到最好的个体（即适应度函数值最小的个体）作为该个体的“食物”，更新个体的速度和位置。
更新种群：根据更新后的个体位置和速度，更新种群中每个个体的状态，继续执行，直至满足终止条件。
在搜索过程中，个体的位置表示神经网络的权重矩阵，速度表示权重矩阵的变化量。通过不断地在个体之间进行“捕食”和“逃逸”，搜索到适应度函数值最小的个体，即为最优权重矩阵。将最优权重矩阵应用于神经网络预测模型中，得到更加准确的预测结果。
因此，本技术方案使用MPA算法搜索到最优的权重矩阵，从而得到更加准确的预测模型，提高了电力设备的安全性能。
对电力设备的安全进行预测模块，将当前时刻采集的电力设备信息输入训练好的卷积神经网络-海洋捕食者预测模型进行故障诊断和预测；电力设备的故障诊断结果y(x)为：
；
其中，、/>、/>分别表示卷积层、池化层、全连接层的权重矩阵；/>、/>、/>分别表示卷积层、池化层、全连接层的偏置向量，f表示激活函数，f采用的是改进的Mish函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数；
故障判断结果模块，如果电力设备的故障诊断结果y大于设定阈值则存在故障，将故障数据传输至液晶显示屏显示，以提示操作人员进行故障排查清除，否则结束。
神经网络模型的输入值就是激活函数的输入参数，即神经元接收到的输入信号。在神经网络中，每个神经元都有一个输入值，该值是从其它神经元输出值传递过来的，并经过加权求和后加上偏置项得到的，然后再将其输入到激活函数中进行处理。因此，神经网络模型的输入值就是激活函数的输入参数。
在一些实施例中，所述对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数，包括采用中值滤波器对图像进行去噪，采用直方图均衡化增强图像，采用边缘检测算法、形态学操作、特征点检测提取出设备传感器显示的电压、电流、温度、湿度、设备运行时间、设备用电量、声音分贝。
电力设备的安全性与多个参数有关，例如：电流和电压：电流和电压是电力系统中最基本的参数之一。电流和电压过高或过低都会对电力设备的安全性造成影响。
温度：电力设备在工作时会发热，温度过高会导致设备损坏或甚至引起火灾。震动：震动可能会导致电力设备的部件松动或破损，从而影响设备的安全性。绝缘：电力设备绝缘不良会导致漏电、击穿和电弧等现象，引起事故。
噪声：电力设备发出的噪声可能会对人的健康产生影响，也可能会对设备本身产生损害。
在一些实施例中，所述卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对神经网络的权重进行优化和调整得到，具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为海洋捕食者算法中的解空间；根据当前权重矩阵的适应度函数值，选择捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置，同时通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群，不断更新神经网络的权重矩阵。
在一些实施例中，包括：所述具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，包括步骤S31，初始化种群：随机生成若干个初始解，作为种群的初始状态；
步骤S32捕食者行为：对于每个捕食者，计算适应度函数值，并根据适应度大小选择合适的捕食半径，搜索周围的解空间，并更新当前解的位置；
步骤S33，被捕食者行为：对于每个被捕食者，计算其适应度函数值，并根据适应度大小选择合适的逃跑半径，随机移动到新的位置；
步骤S34，繁殖行为：对于每个繁殖个体，选择两个不同的个体进行杂交和变异，生成新的后代个体，并加入种群中；
步骤S35更新种群：根据新的个体和适应度函数值，更新当前种群状态；
步骤S36判断停止条件：如果满足停止条件，则输出最优解，否则返回第S32步骤;
其中，适应度函数值为：
；
其中，W表示卷积神经网络的池化层权重矩阵变量，表示第i个样本的真实的电力故障标签值，N为样本数量，/>表示输入的第i个样本的特征向量,/>表示第i个样本的电力设备的故障诊断结果，/>越小，则当前权重矩阵下的预测误差越小；
捕食者和被捕食者的搜索半径和移动速度可以使用以下公式进行计算，；
；
其中，表示第p个个体的搜索半径，/>表示第p个个体的移动速度，/>表示第p个个体的适应度函数值，/>、/>分别表示当前种群中适应度函数值的最大值和最小值，/>、/>分别表示搜索半径的最大值和最小值，/>、/>分别表示移动速度的最大值和最小值。
在神经网络模型中，每个特征向量会被映射到神经网络模型中的输入层。神经网络的权重矩阵则是由神经网络的各个层之间的神经元连接关系所决定的。在神经网络模型中，输入层的神经元与权重矩阵中的一行对应，输出层的神经元与权重矩阵中的一列对应，隐藏层的神经元与权重矩阵中的一部分对应。
在进行适应度函数的计算过程中，特征向量是神经网络模型的输入，而神经网络的权重矩阵则是适应度函数的参数。适应度函数通过对给定的神经网络权重矩阵进行模拟计算，评估神经网络模型的预测精度和准确性，从而对该权重矩阵进行优化和调整。因此，神经网络的权重矩阵和特征向量在神经网络模型中扮演不同的角色，但它们共同参与了神经网络模型的训练和优化过程。
与现有技术相比，本发明的技术方案具有以下有益效果：
本申请一种基于图像处理的电力安全加强方法及系统，通过通过图像处理、神经网络和海洋捕食者算法的相互配合，实现了电力设备的故障诊断和未来状态预测，大大增强了预测模型的权重矩阵的快速生成以及模型电力预测的准确度，创造性的将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为MPA算法中的解空间。然后可以定义适应度函数，用来评价神经网络在当前权重矩阵下的预测精度和准确性。
此外，采用的是改进的Mish函数作为激活函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数，并将/>、/>、分别表示卷积层、池化层、全连接层的偏置向量加入到激活函数的计算过程中，促进了预测模型的数据重合利用，增强了电力安全预测的准确度。
本领域技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品，因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种基于图像处理的电力安全加强方法，其特征在于，包括：
步骤S1：采集电力设备的图像信息、音频数据；
步骤S2：对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；
步骤S3：将提取出的特征参数向量x输入到训练好的卷积神经网络-海洋捕食者预测模型，其中，卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到；
步骤S4：对电力设备的安全进行预测，将当前时刻采集的电力设备信息输入训练好的卷积神经网络-海洋捕食者预测模型进行故障诊断和预测；电力设备的故障诊断结果y(x)为：
；
其中，、/>、/>分别表示卷积层、池化层、全连接层的权重矩阵；/>、/>、/>分别表示卷积层、池化层、全连接层的偏置向量，f表示激活函数，f采用的是改进的Mish函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数；
步骤S5：如果电力设备的故障诊断结果y大于设定阈值则存在故障，将故障数据传输至液晶显示屏显示，以提示操作人员进行故障排查清除，否则结束。
2.根据权利要求1所述的一种基于图像处理的电力安全加强方法，其特征在于，所述对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数，包括采用中值滤波器对图像进行去噪，采用直方图均衡化增强图像，采用边缘检测算法、形态学操作、特征点检测提取出设备传感器显示的电压、电流、温度、湿度、设备运行时间、设备用电量、声音分贝。
3.根据权利要求1所述的一种基于图像处理的电力安全加强方法，其特征在于，所述卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到，具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为海洋捕食者算法中的解空间；根据当前权重矩阵的适应度函数值，选择捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置，同时通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群，不断更新神经网络的权重矩阵。
4.根据权利要求3所述的一种基于图像处理的电力安全加强方法，其特征在于，包括：所述具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，包括步骤S31，初始化种群：随机生成若干个初始解，作为种群的初始状态；
步骤S32捕食者行为：对于每个捕食者，计算适应度函数值，并根据适应度大小选择合适的捕食半径，搜索周围的解空间，并更新当前解的位置；
步骤S33，被捕食者行为：对于每个被捕食者，计算其适应度函数值，并根据适应度大小选择合适的逃跑半径，随机移动到新的位置；
步骤S34，繁殖行为：对于每个繁殖个体，选择两个不同的个体进行杂交和变异，生成新的后代个体，并加入种群中；
步骤S35更新种群：根据新的个体和适应度函数值，更新当前种群状态；
步骤S36判断停止条件：如果满足停止条件，则输出最优解，否则返回第S32步骤;
其中，适应度函数值为：
；
其中，W表示卷积神经网络的池化层权重矩阵变量，表示第i个样本的真实的电力故障标签值，N为样本数量，/>表示输入的第i个样本的特征向量,/>表示第i个样本的电力设备的故障诊断结果，/>越小，则当前池化层权重矩阵下的预测误差越小；
捕食者和被捕食者的搜索半径和移动速度使用以下公式进行计算，
；
；
其中，表示第p个个体的搜索半径，/>表示第p个个体的移动速度，/>表示第p个个体的适应度函数值，/>、/>分别表示当前种群中适应度函数值的最大值和最小值，、/>分别表示搜索半径的最大值和最小值，/>、/>分别表示移动速度的最大值和最小值。
5.一种基于图像处理的电力安全加强系统，其特征在于，包括：
图像采集设备采集电力设备的图像信息、音频数据，图像采集设备包括CCD相机、红外摄像头、声音传感器；
图像处理模块对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数；
卷积神经网络-海洋捕食者预测模块，将提取出的特征参数向量x输入到训练好的卷积神经网络-海洋捕食者预测模型，其中，卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到；
电力设备安全预测模块，将当前时刻采集的电力设备信息输入训练好的卷积神经网络-海洋捕食者预测模型进行故障诊断和预测；电力设备的故障诊断结果y(x)为：
；
其中，、/>、/>分别表示卷积层、池化层、全连接层的权重矩阵；/>、/>、/>分别表示卷积层、池化层、全连接层的偏置向量，f表示激活函数，f采用的是改进的Mish函数，
；
s为输入向量或矩阵，e为自然对数的底数,表示双曲正切函数；
故障判断结果模块，如果电力设备的故障诊断结果y大于设定阈值则存在故障，将故障数据传输至液晶显示屏显示，以提示操作人员进行故障排查清除，否则结束。
6.根据权利要求5所述的一种基于图像处理的电力安全加强系统，其特征在于，所述对采集的电力设备信息进行图像去噪、增强预处理，提取出电力设备的特征参数，包括采用中值滤波器对图像进行去噪，采用直方图均衡化增强图像，采用边缘检测算法、形态学操作、特征点检测提取出设备传感器显示的电压、电流、温度、湿度、设备运行时间、设备用电量、声音分贝。
7.根据权利要求5所述的一种基于图像处理的电力安全加强系统，其特征在于，所述卷积神经网络-海洋捕食者预测模型利用海洋捕食者算法对卷积神经网络的池化层权重矩阵进行优化和调整得到，具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，将神经网络的权重矩阵作为待优化的参数，将其转化为一个多维向量，作为海洋捕食者算法中的解空间；根据当前权重矩阵的适应度函数值，选择捕食半径和逃跑半径，搜索周围的解空间，并更新当前解的位置，同时通过繁殖行为，进行杂交和变异操作，生成新的后代个体，并加入种群，不断更新神经网络的权重矩阵。
8.根据权利要求7所述的一种基于图像处理的电力安全加强系统，其特征在于，包括：所述具体为采用海洋捕食者算法对卷积神经网络的权重矩阵进行搜索寻优，包括步骤S31，初始化种群：随机生成若干个初始解，作为种群的初始状态；
步骤S32捕食者行为：对于每个捕食者，计算适应度函数值，并根据适应度大小选择合适的捕食半径，搜索周围的解空间，并更新当前解的位置；
步骤S33，被捕食者行为：对于每个被捕食者，计算其适应度函数值，并根据适应度大小选择合适的逃跑半径，随机移动到新的位置；
步骤S34，繁殖行为：对于每个繁殖个体，选择两个不同的个体进行杂交和变异，生成新的后代个体，并加入种群中；
步骤S35更新种群：根据新的个体和适应度函数值，更新当前种群状态；
步骤S36判断停止条件：如果满足停止条件，则输出最优解，否则返回第S32步骤;
其中，适应度函数值为：
；
其中，W表示卷积神经网络的池化层权重矩阵变量，表示第i个样本的真实的电力故障标签值，N为样本数量，/>表示输入的第i个样本的特征向量,/>表示第i个样本的电力设备的故障诊断结果，/>越小，则当前池化层权重矩阵下的预测误差越小；
捕食者和被捕食者的搜索半径和移动速度使用以下公式进行计算，
；
；
其中，表示第p个个体的搜索半径，/>表示第p个个体的移动速度，/>表示第p个个体的适应度函数值，/>、/>分别表示当前种群中适应度函数值的最大值和最小值，、/>分别表示搜索半径的最大值和最小值，/>、/>分别表示移动速度的最大值和最小值。
CN202311352816.6A 2023-10-19 2023-10-19 一种基于图像处理的电力安全加强方法及系统 Active CN117095188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311352816.6A CN117095188B (zh) 2023-10-19 2023-10-19 一种基于图像处理的电力安全加强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311352816.6A CN117095188B (zh) 2023-10-19 2023-10-19 一种基于图像处理的电力安全加强方法及系统

Publications (2)

Publication Number Publication Date
CN117095188A CN117095188A (zh) 2023-11-21
CN117095188B true CN117095188B (zh) 2023-12-29

Family

ID=88777246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311352816.6A Active CN117095188B (zh) 2023-10-19 2023-10-19 一种基于图像处理的电力安全加强方法及系统

Country Status (1)

Country Link
CN (1) CN117095188B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118429768A (zh) * 2024-05-13 2024-08-02 龙坤(无锡)智慧科技有限公司 一种基于ai大模型的管路破坏行为预测与防护方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039659A (zh) * 2021-10-09 2022-02-11 东莞职业技术学院 一种光纤通信高阶色散预测算方法
CN115034262A (zh) * 2022-05-27 2022-09-09 上海电机学院 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法
CN115983131A (zh) * 2023-01-09 2023-04-18 淮阴工学院 一种水产品生长含氧量调控方法及装置
CN116610998A (zh) * 2023-05-24 2023-08-18 武汉恒达电气有限公司 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN116842423A (zh) * 2023-06-16 2023-10-03 成都航天科工大数据研究院有限公司 基于多模态深度学习的航空发动机故障诊断方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11361223B2 (en) * 2020-07-24 2022-06-14 Huawei Technologies Co., Ltd. Hybrid message-passing-algorithm-based deep learning neural network for a massive beam-forming system
US20230153510A1 (en) * 2021-11-18 2023-05-18 Nvidia Corporation Lithography simulation using a neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039659A (zh) * 2021-10-09 2022-02-11 东莞职业技术学院 一种光纤通信高阶色散预测算方法
CN115034262A (zh) * 2022-05-27 2022-09-09 上海电机学院 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法
CN115983131A (zh) * 2023-01-09 2023-04-18 淮阴工学院 一种水产品生长含氧量调控方法及装置
CN116610998A (zh) * 2023-05-24 2023-08-18 武汉恒达电气有限公司 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN116842423A (zh) * 2023-06-16 2023-10-03 成都航天科工大数据研究院有限公司 基于多模态深度学习的航空发动机故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Hybrid Heartbeats Classification Approach Based on Marine Predators Algorithm and Convolution Neural Networks;ESSAM H. HOUSSEIN等;IEEE Access;第9卷;第86194-86206页 *
Mish: A Self Regularized Non-Monotonic Activation Function;Diganta Misra等;arXiv:1908.08681v3;第1-14页 *

Also Published As

Publication number Publication date
CN117095188A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
CN110879982B (zh) 一种人群计数系统及方法
CN108665460A (zh) 基于组合神经网络和分类神经网络的图像质量评价方法
CN106570522B (zh) 物体识别模型的建立方法及物体识别方法
CN111753918B (zh) 一种基于对抗学习的去性别偏见的图像识别模型及应用
CN106408561A (zh) 一种基于图像纹理特征的无参考图像质量评价方法
CN109978870A (zh) 用于输出信息的方法和装置
CN115376518B (zh) 一种实时噪声大数据的声纹识别方法、系统、设备和介质
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN117095188B (zh) 一种基于图像处理的电力安全加强方法及系统
CN112712068B (zh) 一种关键点检测方法、装置、电子设备及存储介质
CN112560948A (zh) 数据偏差下的眼底图分类方法及成像方法
CN115277151A (zh) 一种基于鲸鱼提升算法的网络入侵检测方法
CN117542121B (zh) 基于计算机视觉的智能化训练考核系统及方法
CN118378213A (zh) 数据质量评估方法、装置、设备、存储介质及产品
CN116152699B (zh) 用于水电厂视频监控系统的实时运动目标检测方法
CN117352088A (zh) 一种基于卷积神经网络的空间污染物分布的预测方法
CN111369124A (zh) 一种基于自生成全局特征和注意力的图像美学预测方法
CN116977256A (zh) 缺陷检测模型的训练方法、装置、设备及存储介质
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统
CN116541507A (zh) 一种基于动态语义图神经网络的视觉问答方法及系统
CN115171211A (zh) 信道状态信息的动作和位置的联合估计方法
Liu et al. Hybrid-Input Convolutional Neural Network-Based Underwater Image Quality Assessment
Li et al. Blind Image Quality Assessment Based on Perceptual Comparison

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant