【技术实现步骤摘要】
本专利技术涉及变电站表计识别算法，具体为基于深度学习和模式识别的变电站表计识别算法。
技术介绍
1、随着智能电网概念的提出，世界多国争相通过本国先进的传感器和测量技术、设备技术、控制方法和决策支持系统开发电力系统的智能化设备，以确保电网的智能化、信息化、经济环保化的运行，目前，利用变电站现场固定摄像头或者机器人对现场表计进行拍摄，将图像传入服务器，自动得到设备种类、设备状态、表计读数等，替代由人工进行巡检的传统方式，使得人力劳动强度大大降低、巡检效率大大提高、人工成本大大降低、安全性大大提高。
2、目前，利用传统模式识别算法，对每个点位进行建模，标注出表计的大小、量程、指针、外观特点等，生成识别模型，利用模型对固定点位固定角度的表计进行识别，但是其依然存在缺点，不同点位的表计需要分别进行建模，且模型对距离、角度、光照等较敏感，对于点位较多的场景实际应用代价较大。
技术实现思路
1、本专利技术的目的在于提供基于深度学习和模式识别的变电站表计识别算法，以解决上述
技术介绍
中提出的技术问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于深度学习和模式识别的变电站表计识别算法，包括以下步骤：
3、s1：通过现场采集或者其它渠道搜集到大量样本；
4、s2：通过深度学习算法进行训练；
5、s21：可以在场景中自动定位到表计的位置；
6、s22：可以在场景中自动定位到表计的种类；
7、s3：通过模式识别的算
8、s31：加入自动校正算法，调整变电站表计的图像距离、角度、光照；
9、s32：加入特征提取算法，提取节点特征、提取点特征、提取图像特征，自动识别出表计示数。
10、优选的，所述s1中巡检机器人到达指定巡检点，拍摄图像，实现大量的样本采集。
11、优选的，所述s2中通过无线通信将s1中采集的图像传输到分析系统，利用深度学习算法进行训练，并确定表计的位置和种类。
12、优选的，所述s31中自校正pid算法是一种用于控制系统中的反馈控制的算法，其中pid代表比例、积分、微分；
13、pid控制器根据系统的当前状态和目标状态之间的差异，计算出一个控制信号来改变系统的行为，使其逐渐趋向目标状态，具体来说，pid控制器计算输出操纵量的方式为：输出操纵量＝比例项+积分项+微分项。
14、优选的，所述特征提取算法包括节点特征提取、边点特征提取、图像特征提取，其中边点特征提取中的全局领域重叠特征是指两节点之间不同路径长度的路径个数，且全局领域重叠特征计算公式为：
15、s＝(i—β*a)-1—i，其中a为邻接矩阵，结果s[i,j]表示i节点和j节点之间的不同路径长度的路径个数。
16、优选的，在变电站表计识别算法中，常用的数据预处理公式包括：z-score标准化、min-max标准化、小数定标标准化和归一化处理。
17、优选的，所述z-score标准化是将原始数据转化为标准正态分布的数据，公式为：z＝(x-μ)/σ，其中x为原始数据，μ为原始数据的平均值，σ为原始数据的标准差。
18、优选的，所述min-max标准化是将原始数据压缩到[0,1]的区间内,公式为y＝(x-xmin)/(xmax-xmin)，其中x为原始数据xmin为原始数据的最小值，xmax为原始数据的最大值。
19、优选的，所述小数定标标准化是将原始数据除以一个适当的基数，使其绝对值小于1，公式为y＝x/10∧k，其中x为原始数据，k为合适的指数。
20、优选的，所述归一化处理是将原始数据除以其范数，使其变为单位向量，公式为：y＝x/||ii||，其中x为原始数据，||xi||为原始数据的范数。
21、与现有技术相比，本专利技术的有益效果是：
22、该种基于深度学习和模式识别的变电站表计识别算法，前期通过现场采集或者其它渠道搜集到大量样本，通过深度学习算法进行训练，可以在场景中自动定位到表计的位置和种类，之后通过模式识别的算法，加入自动校正、特征提取等算法，自动识别出表计示数，该方法对距离、角度、光照等适应性较强，且同一种类的表计适用同一种算法，不需要对每个点位进行单独建模，适用于多点位场景中，同时具有较高的准确度、更强的泛化功能，且主要在软件中实现，硬件部分可以与现有的智能巡检机器人配合，大幅度节约成本。
本文档来自技高网...【技术保护点】
1.基于深度学习和模式识别的变电站表计识别算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述S1中巡检机器人到达指定巡检点，拍摄图像，实现大量的样本采集。
3.根据权利要求1所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述S2中通过无线通信将S1中采集的图像传输到分析系统。
4.根据权利要求3所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：利用深度学习算法进行训练来确定表计的位置和种类。
5.根据权利要求1所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述S31中自校正PID算法是一种用于控制系统中的反馈控制的算法，其中PID代表比例、积分、微分；PID控制器用于根据系统的当前状态和目标状态之间的差异，计算出一个控制信号来改变系统的行为，使其逐渐趋向目标状态。
6.根据权利要求4所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述PID控制器计算输出操纵量为比例项、积分项和微分项之和。
...【技术特征摘要】
1.基于深度学习和模式识别的变电站表计识别算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述s1中巡检机器人到达指定巡检点，拍摄图像，实现大量的样本采集。
3.根据权利要求1所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述s2中通过无线通信将s1中采集的图像传输到分析系统。
4.根据权利要求3所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：利用深度学习算法进行训练来确定表计的位置和种类。
5.根据权利要求1所述的基于深度学习和模式识别的变电站表计识别算法，其特征在于：所述s31中自校正pid算法是一种用于控制系统中的反馈控制的算法，其中pid代表比例、积分、微分；pid控制器用于根据系统的当前状态和目标状态之间的差异，计算出一个控制信号来改变系统的行为，使其逐渐趋向目标状态。
6.根据权利要求4所述的基于深度学习和模式识别的变电站表计...
【专利技术属性】
技术研发人员：邱凯义，刘洁，马洪波，李净雅，张正超，何伟，孙迎雪，方梦然，席跃卿，陈兴伟，
申请(专利权)人：国网信息通信产业集团有限公司北京分公司，
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。