【技术实现步骤摘要】
本专利技术涉及风电场智能监控，具体而言，涉及一种风电场视频监控管理系统及方法。
技术介绍
1、随着风电行业的快速发展，对风电机组的智能监测和故障诊断提出了更高的要求。就目前而言，传统风电机组监测手段主要依赖定期人工检修和简单的传感器监控，人工检修周期长且成本高，无法实现实时监控，容易导致故障识别不够及时；另外，简单传感器监控方法只对特定数据进行分析，无法全面捕捉风电机组运行状态的细微变化，使得对潜在故障的识别不够灵敏，由于传感器数据通常孤立存在且相互独立，其误报率和漏报率较高，加大了对风电机组的维护难度，无法满足现代风电场高效率和可靠性运营的需求。基于此，针对上述问题，我们设计了一种风电场视频监控管理系统及方法。
技术实现思路
1、本专利技术的目的在于提供一种风电场视频监控管理系统及方法，其通过实时视频数据智能分析，能够更好地捕捉风电机组运行状态的细微变化，大幅提高对潜在故障的识别灵敏度，并且显著提升风电场的运营效率和可靠性。
2、本专利技术的实施例通过以下技术方案实现：
3、一种风电场视频监控管理系统，包括：
4、采集单元：获取风电场实时视频数据与历史视频数据；
5、预处理单元：分别对风电场实时视频数据与历史视频数据进行预处理，并将预处理后的风电场历史视频数据划分为训练集与测试集；
6、计算单元：构建风电机组故障识别模型，将训练集输入至风电机组故障识别模型进行计算，得到风电机组故障预测结果，通过损失函数计算测试集与训练集
7、执行单元：将风电场实时视频数据输入至完成训练的风电机组故障识别模型进行计算，根据预测结果输出对应的处理方案，完成风电场的智能监测。
8、可选的，所述分别对风电场实时视频数据与历史视频数据进行预处理，其具体依次为：对风电场实时视频数据与历史视频数据进行帧提取、图像缩放、灰度化及数据增强。
9、可选的，所述风电机组故障识别模型具体为卷积神经网络模型，包括：输入层、卷积层、池化层与全连接层；其中，卷积层的计算公式为：
10、
11、其中，i为输入特征图，k为卷积核，(i*k)(i,j)为卷积操作在位置(i,j)的输出值，i、j分别为特征图上的像素位置索引，m、n分别为卷积核上的位置索引，用于遍历卷积核大小；
12、池化层的计算公式为：
13、y(i,j)＝max{x(i+m,j+n)|0≤m＜m,0≤n＜n
14、其中，y(i,j)为池化操作后位置(i,j)的输出值，m×n为池化窗口大小；
15、全连接层的计算公式为：
16、
17、其中，z为全连接层的线性输出，为风电机组故障识别模型预测结果。
18、可选的，所述风电机组故障识别模型，还设置有re l u激活函数，其计算公式为：
19、
20、其中，f(x)为激活函数输出。
21、可选的，所述通过损失函数计算测试集与训练集之间的损失值，其具体计算公式为：
22、
23、其中，min(l)为损失函数，n为样本数，k为类别总数，yik为第i个样本属于第k类的实际概率，为风电机组故障识别模型预测第i个样本属于第k类的概率，l为网络层数，λ1、λ2分别为正则化强度的超参数，jl为第l层的神经元数量，wlj为第l层第j个神经元的权重，α为变分正则化项的权重，kl(q(z|x)||p(z))为kl散度。
24、可选的，所述通过损失值迭代更新风电机组故障识别模型的参数，其计算公式为：
25、
26、其中，w'lj为更新后的权重，η为学习率，为交叉熵损失lce对权重wlj的偏导数，sign(wlj)为wlj的符号函数，为kl散度项对权重wlj的偏导数。
27、可选的，所述根据预测结果输出对应的处理方案，其具体为：
28、定义故障阈值为t；
29、判定预测结果是否大于等于t；
30、若是，则判定为风电场设备故障，启动报警系统，并执行应急自动化机制；
31、若否，则判定为风电场设备正常，持续获取风电场实时视频数据。
32、一种风电场视频监控管理方法，该方法的步骤包括：
33、获取风电场实时视频数据与历史视频数据；
34、分别对风电场实时视频数据与历史视频数据进行预处理，并将预处理后的风电场历史视频数据划分为训练集与测试集；
35、构建风电机组故障识别模型，将训练集输入至风电机组故障识别模型进行计算，得到风电机组故障预测结果，通过损失函数计算测试集与训练集之间的损失值，通过损失值迭代更新风电机组故障识别模型的参数，直至迭代最大次数后，完成风电机组故障识别模型的训练；
36、将风电场实时视频数据输入至完成训练的风电机组故障识别模型进行计算，根据预测结果输出对应的处理方案，完成风电场的智能监测。
37、本专利技术实施例的技术方案至少具有如下优点和有益效果：
38、本专利技术实施例通过实时视频数据智能分析，能够更好地捕捉风电机组运行状态的细微变化，大幅提高对潜在故障的识别灵敏度，并且显著提升风电场的运营效率和可靠性。
本文档来自技高网...【技术保护点】
1.一种风电场视频监控管理系统，其特征在于，包括：
2.根据权利要求1所述的风电场视频监控管理系统，其特征在于，所述分别对风电场实时视频数据与历史视频数据进行预处理，其具体依次为：对风电场实时视频数据与历史视频数据进行帧提取、图像缩放、灰度化及数据增强。
3.根据权利要求2所述的风电场视频监控管理系统，其特征在于，所述风电机组故障识别模型具体为卷积神经网络模型，包括：输入层、卷积层、池化层与全连接层；其中，卷积层的计算公式为：
4.根据权利要求3所述的风电场视频监控管理系统，其特征在于，所述风电机组故障识别模型，还设置有Relu激活函数，其计算公式为：
5.根据权利要求4所述的风电场视频监控管理系统，其特征在于，所述通过损失函数计算测试集与训练集之间的损失值，其具体计算公式为：
6.根据权利要求5所述的风电场视频监控管理系统，其特征在于，所述通过损失值迭代更新风电机组故障识别模型的参数，其计算公式为：
7.根据权利要求6所述的风电场视频监控管理系统，其特征在于，所述根据预测结果输出对应的处理方案，其具体为：<...
【技术特征摘要】
1.一种风电场视频监控管理系统，其特征在于，包括：
2.根据权利要求1所述的风电场视频监控管理系统，其特征在于，所述分别对风电场实时视频数据与历史视频数据进行预处理，其具体依次为：对风电场实时视频数据与历史视频数据进行帧提取、图像缩放、灰度化及数据增强。
3.根据权利要求2所述的风电场视频监控管理系统，其特征在于，所述风电机组故障识别模型具体为卷积神经网络模型，包括：输入层、卷积层、池化层与全连接层；其中，卷积层的计算公式为：
4.根据权利要求3所述的风电场视频监控管理系统，其特征在于，所述风...
【专利技术属性】
技术研发人员：董显奕，韩汀，武德望，王卫华，王鹏飞，陈君，曹鹏云，
申请(专利权)人：华能新能源股份有限公司山西分公司，
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。