【技术实现步骤摘要】
本专利技术属于储能电站监控相关，具体涉及一种基于三维点云声纹的储能电站安全监测方法、装置及介质。
技术介绍
1、储能电站作为新能源的重要组成部分，其安全稳定运行备受关注。然而，由于储能电站设备复杂、环境恶劣，传统的巡检方式难以满足高效、安全的运维需求。
2、储能电站的对电池箱和储能变流器的监控存在方法不能满足安全运维的需求，且传统的监控方法主要靠人力来完成，不仅在效率上无法满足高效监控的要求，而且，设备内部不明显的变化也难以被观测到，大大增加了储能电站安全运维的难度。
3、近年来，图像、红外三维成像和声纹识别监控技术的发展为储能电站的智能化运维提供了新的手段，而yolov8模型和transformer模型作为一个训练模型也在图像、红外三维成像和声纹识别方面得到应用，但传统的yolov8模型不能有效区分视频图像的背景区域和目标区域，训练精度不够，transformer模型在处理长序列时，复杂度过高，模型训练时间较长，本专利技术通过改进传统的yolov8模型和transformer模型，实现对图像、红外三维成像和声纹识别的精确处理，为电站设备的健康状况评估提供数据支持。
4、综上所述，图像、红外成像和声纹监控技术在储能电站的应用具有重要意义。通过这些技术的融合，可以实现对储能电站设备全方位、全天候的监测，提高运维效率，降低安全风险，为我国储能电站的可持续发展奠定坚实基础。
技术实现思路
1、专利技术目的：为了解决技术背景中指出的不足，本专利技术公开一
2、技术方案：本专利技术提供一种基于三维点云与声纹的储能电站安全监测方法，具体包括以下步骤：
3、(1)采用红外传感器、声纹传感器、监控摄像头对红外三维点云成像、声纹信息、图像信息进行采集；
4、(2)采用改进k-svd算法对红外三维点云成像和图像信息进行降噪处理；
5、(3)采用能量谷优化算法evo改进的bp神经网络，对声纹信息进行特征提取，使声纹信息特征更加明显；
6、(4)采用ema注意力机制改进的yolov8模型对图像信息进行处理，得到优化训练后的图像信息；采用lska大型分离卷积改进的yolov8模型对红外三维点云成像进行处理；
7、(5)采用具有线性复杂性的注意力机制优化的transformer模型声纹信息进行优化处理，得到更易识别的声纹信息；
8、(6)采用低秩多模态融合方法将改进的transformer模型和改进的yolov8模型进行融合，保证图像识别、红外三维点云成像和声纹识别的有效融合；实现储能电站的安全监测。
9、进一步地，所述步骤(2)实现过程如下：
10、将采集的储能电站电箱的红外信息和图像信息作为样本集，构建一个m个单个样本按列组成的样本矩阵a：
11、
12、寻找一组“超完备”的基向量作为字典矩阵b：
13、
14、其中，m为图像和红外信息的样本集，ai∈rn为单个样本，是一个n维的特征向量，bi∈rn为基向量，k个基向量按列组成字典矩阵；
15、对于样本集的稀疏矩阵表达形式，用a对应的稀疏系数矩阵x来求解：
16、a≈b*x
17、采用拉格朗日乘子法将稀疏矩阵求解的数学问题转化为无约束优化问题：
18、
19、其中，x∈rn*m,xi为稀疏矩阵x的单个样本；对于k-svd的优化选用已知x，优化b；
20、根据采集的图像信息逐列更新字典，记bk为字典矩阵的第k列，xk为稀疏矩阵的k行，有：
21、
22、其中，e＝a-∑j≠kbjxj为当前更新基向量外其他基向量组合与样本集的误差，优化的目的就是使误差最小；加入权值因子γ，使得最大奇异值对应最优的bk；目标函数为：
23、emin＝γu∑v
24、其中，∑为奇异值矩阵，矩阵u的第一列作为bk，矩阵v的第一行与第一个奇异值的乘积作为xk，得最终的图像和红外信息的样本集a。
25、进一步地，所述步骤(3)实现过程如下：
26、采用能量谷优化算法evo对bp神经网络算法容易陷入局部最小值问题进行优化，使其“跳出”极小值，并增加收敛速度；随机初始化种群：
27、
28、确定粒子的富集束缚eb，计算富中声纹粒子和贫中声纹粒子之间的差异，对每个声纹粒子进行目标函数评估并确定声纹粒子的中子富集水平nel；在根据目标函数评估粒子的稳定水平sl：
29、
30、在evo的循环搜索中，当声纹粒子富集水平高于富集界限时，就会发生不同的α，β，γ衰变，发生各种衰变的公式如下：
31、α衰变：
32、γ衰变：
33、β衰变：
34、
35、由于β衰变的粒子稳定性不高，执行向具有最佳稳定性水平和粒子中心的声纹粒子或候选物的受控运动，在搜索空间中进行较大的跳跃，对其初始化粒子乘以跳跃距离r，lcp为声纹粒子中心的粒子，lng为相邻粒子。
36、进一步地，所述步骤(4)实现过程如下：
37、在yolov8模型中的颈部网络和主干网络引入ema注意力机制，使其和颈部网络的c2f模块结合，区分储能电站电池箱的图像的背景区域和目标区域；ema注意力机制同时捕获全局的通道依赖性和局部的空间特征，在通道和空间维度之间获取更全面的信息，公式如下：
38、θema,t+1＝(1-ε)*θema,t+ε*θt
39、其中，θt是t时刻的网络参数，θema,t是t时刻滑动平均后的网络参数，ε是权值，在[0,1]之间且非常接近1；
40、yolov8模型中损失函数采用回归损失为：
41、creg＝ω1*cdfl+ω2cciou
42、
43、
44、其中，ω1和ω2是用于平衡dfl损失和ciou损失的权重系数；pi表示电池箱的预测边界框与真实边界框的相似度，γ是调节因子，用于平衡易于预测和难以预测的目标的权重；iou代表交并比，ρ2(b，bgt)是预测边界框b和真是边界框bgt之间的距离，c是包含这两个边界框的最小闭合区域的对角线长度，β和τ是用于调整图像信息长宽比的参数；
45、改变yolov8模型主干网络的卷积cbs，将cbs卷积层中使用大的卷积核，得到有效的lska大型分离卷积，公式如下：
46、
47、
48、as＝w1·1*ks
49、
50、其中，f∈r·h·w,c是输入通道数，h和w分别表示电池箱特征图的高度和宽度,*和⊙分别代表卷积和哈达玛积；为深度卷积输出ks是通过将大小为k·k的核w与输入特征图f进行卷积获得的深度卷积的输出,是注意力图本文档来自技高网...
【技术保护点】
1.一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(2)实现过程如下：
3.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(3)实现过程如下：
4.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(4)实现过程如下：
5.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(5)实现过程如下：
6.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(6)实现过程如下：
7.一种装置设备，其特征在于，包括存储器和处理器，其中：
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1至6任一项所述的基于三维点云与声纹的储能电站安全监测方法的步骤。
【技术特征摘要】
1.一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(2)实现过程如下：
3.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(3)实现过程如下：
4.根据权利要求1所述的一种基于三维点云与声纹的储能电站安全监测方法，其特征在于，所述步骤(4)实现过程如下：
5.根据权利要求1...
【专利技术属性】
技术研发人员：张鑫玉，何睿，马常纹，张楚，彭甜，张新荣，姚君豪，乔秀杰，王熠炜，孙凯，
申请(专利权)人：淮阴工学院，
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。