-
公开(公告)号：CN115018021B
公开(公告)日：2023-01-20
申请号：CN202210942327.5
申请日：2022-08-08
Applicant: 广东电网有限责任公司肇庆供电局
IPC: G06F30/27
Abstract: 本发明涉及机房检测技术领域，公开了基于图结构与异常注意力机制的机房异常检测方法及装置。本发明根据目标电力机房的传感器监测数据构建多维时间序列，将序列转换为图结构并获取对应的邻接矩阵，根据邻接矩阵和对应图结构的附加权重得到聚合矩阵，将聚合矩阵输入至预先训练完成的图卷积神经网络，以提取图结构特征；并将多维时间序列片段和图结构特征输入到预先训练完成的异常检测模型，得到对应异常检测结果，进而确定异常数据；其中异常检测模型包括多级编解码模块，每级编解码模块包括基于关联差异的Transformer编码器及解码器，该编码层的注意力模块为带有两分支结构的异常注意力模块。本发明能够有效提高异常检测精度及稳定性。
-
公开(公告)号：CN114998842B
公开(公告)日：2022-12-30
申请号：CN202210924276.3
申请日：2022-08-03
Applicant: 广东电网有限责任公司肇庆供电局
IPC: G06V20/52 , G06V10/26 , G06V10/42 , G06V10/764
Abstract: 本发明涉及视频图像处理技术领域，公开了一种基于扰动放大的电力机房烟雾检测方法及系统，其方法通过对烟雾视频进行分帧处理，得到若干个视频帧，并每一个视频帧进行拉普拉斯金字塔空间分解，以得到不同空间频率下的帧图像，并以无烟雾的视频帧作为背景帧，计算背景帧和每一个视频帧分别对应的图像块的总区块变差，还对背景帧和每一个视频帧分别对应的图像块进行傅里叶变换，计算背景帧的频率能量占比和视频帧的频率能量占比，同时，还根据背景帧对应的图像块的总区块变差与每一个视频帧对应的图像块的总区块变差的比较结果以及背景帧的频率能量占比和视频帧的频率能量占比的比较结果确定每个视频帧的烟雾区域，从而提高烟雾检测的准确性。
-
公开(公告)号：CN116049638A
公开(公告)日：2023-05-02
申请号：CN202310188265.8
申请日：2023-02-28
Applicant: 广东电网有限责任公司 , 广东电网有限责任公司肇庆供电局
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06F17/16 , G06N3/08 , G06F18/214
Abstract: 本申请公开了一种变压器震动检测方法、系统、设备及存储介质，第一方面提出全局‑局部交叉比对注意力网络来增强全局图像和局部高亮区域之间的相互作用；第二方面提出故障‑正常交叉比对注意力网络来建立故障图像和正常图像之间的比对，进一步确定故障图像的局部特征，发现更多的互补部分进行识别并且对细粒度更小的故障的分层和分类进行了更有效的评估；第三方面提出对双重交叉比对注意力网络采用离线训练的方式，对注意力网络进行进一步优化，同时加快在线检测故障的运算速度，最后对未检测出故障的图像进行了短时间的故障预测，对故障预测后的数据图像继续检测。解决了现有技术震动故障检测和定位准确率低，且无法对故障进行预警的问题。
-
公开(公告)号：CN115078894A
公开(公告)日：2022-09-20
申请号：CN202211002791.2
申请日：2022-08-22
Applicant: 广东电网有限责任公司肇庆供电局
Abstract: 本发明涉及电力机房检测技术领域，公开了一种电力机房异常检测方法、装置、设备及可读存储介质。本发明利用目标电力机房的多维传感器时间序列数据构建第一向量矩阵和第二向量矩阵，并输入到训练好的深度学习网络模型以得到相应的重构数据，基于重构数据的异常得分确定异常数据；深度学习网络模型包括第一编码器、第二编码器、第一解码器和第二解码器。本发明在深度学习网络模型中，将Transfomer重构成类似GAN式的对抗式网络，并利用异常多头注意力机制优化了Transfomer的多头注意力层，能够有效提升电力机房异常检测的精确性和稳定性。
-
公开(公告)号：CN115018021A
公开(公告)日：2022-09-06
申请号：CN202210942327.5
申请日：2022-08-08
Applicant: 广东电网有限责任公司肇庆供电局
Abstract: 本发明涉及机房检测技术领域，公开了基于图结构与异常注意力机制的机房异常检测方法及装置。本发明根据目标电力机房的传感器监测数据构建多维时间序列，将序列转换为图结构并获取对应的邻接矩阵，根据邻接矩阵和对应图结构的附加权重得到聚合矩阵，将聚合矩阵输入至预先训练完成的图卷积神经网络，以提取图结构特征；并将多维时间序列片段和图结构特征输入到预先训练完成的异常检测模型，得到对应异常检测结果，进而确定异常数据；其中异常检测模型包括多级编解码模块，每级编解码模块包括基于关联差异的Transformer编码器及解码器，该编码层的注意力模块为带有两分支结构的异常注意力模块。本发明能够有效提高异常检测精度及稳定性。
-
Patent Agency Ranking
公开(公告)号：CN115205793A
公开(公告)日：2022-10-18
申请号：CN202211118614.0
申请日：2022-09-15
Applicant: 广东电网有限责任公司肇庆供电局
IPC: G06V20/52 , G06N3/04 , G06Q50/06 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/82 , G06V20/70
Abstract: 本发明涉及电力检测技术领域，公开了基于深度学习二次确认的电力机房烟雾检测方法及装置。本发明根据电力机房监测图像数据集构建第一数据样本集，并提取其中图像烟雾区域以构建第二数据样本集；构建检测网络模型和分类网络模型，检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测，分类网络模型基于卷积模块和Bneck模块进行特征处理；使用第一数据样本集对检测网络模型进行训练，使用第二数据样本集对分类网络模型进行训练，最后采用训练完成的检测网络模型对待检测图像进行检测，将得到的结果输入至训练完成的分类网络模型，得到烟雾检测结果。本发明可以有效提高烟雾检测的精度和效率。
-
公开(公告)号：CN114973097A
公开(公告)日：2022-08-30
申请号：CN202210655600.6
申请日：2022-06-10
Applicant: 广东电网有限责任公司 , 广东电网有限责任公司肇庆供电局
Abstract: 本发明公开了电力机房内异常行为识别方法、装置、设备及存储介质，用于解决电力机房内异常行为检测准确性低的技术问题。本发明包括：采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；从所述视频帧图像中提取人体骨骼关键点坐标；对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；采用所述归一化关键点坐标建立3D姿态关键点；采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络；获取待分析视频图像；从所述待分析视频图像中提取运动区域；从所述运动区域中提取骨骼特征；将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。
-
公开(公告)号：CN116129247A
公开(公告)日：2023-05-16
申请号：CN202310188281.7
申请日：2023-02-28
Applicant: 广东电网有限责任公司 , 广东电网有限责任公司肇庆供电局
IPC: G06V10/82 , G06V10/774 , G06F17/16 , G06N3/08 , G06N3/049 , G06N3/0464 , G06N3/0442
Abstract: 本申请公开了一种多模态高压开关的感知方法及相关装置，包括：获取高压开关状态检测传感器的检测数据以及图像数据，将检测数据和图像数据进行结合并通过引入开关状态权重矩阵判断高压开关的状态；将开关权重矩阵进行二进制编码得到二进制时间序列和环境因素权重矩阵，通过小波分解技术将二进制时间序列分解成若干个平稳时间子序列；通过平稳时间子序列对预测网络模型进行训练，将二进制时间序列输入到训练好的预测网络模型中，得到预测时间子序列；对预测时间子序列进行序列重构，得到预测时间重构序列，将预测时间重构序列引入到环境因素权重矩阵中，得到开关状态预测序列，从而解决了现有技术对高压开关状态检测和预测精度较差的问题。
-
公开(公告)号：CN115205793B
公开(公告)日：2023-01-24
申请号：CN202211118614.0
申请日：2022-09-15
Applicant: 广东电网有限责任公司肇庆供电局
IPC: G06V20/52 , G06N3/04 , G06Q50/06 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/82 , G06V20/70
Abstract: 本发明涉及电力检测技术领域，公开了基于深度学习二次确认的电力机房烟雾检测方法及装置。本发明根据电力机房监测图像数据集构建第一数据样本集，并提取其中图像烟雾区域以构建第二数据样本集；构建检测网络模型和分类网络模型，检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测，分类网络模型基于卷积模块和Bneck模块进行特征处理；使用第一数据样本集对检测网络模型进行训练，使用第二数据样本集对分类网络模型进行训练，最后采用训练完成的检测网络模型对待检测图像进行检测，将得到的结果输入至训练完成的分类网络模型，得到烟雾检测结果。本发明可以有效提高烟雾检测的精度和效率。
-
公开(公告)号：CN115078894B
公开(公告)日：2023-01-06
申请号：CN202211002791.2
申请日：2022-08-22
Applicant: 广东电网有限责任公司肇庆供电局
IPC: G06F18/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及电力机房检测技术领域，公开了一种电力机房异常检测方法、装置、设备及可读存储介质。本发明利用目标电力机房的多维传感器时间序列数据构建第一向量矩阵和第二向量矩阵，并输入到训练好的深度学习网络模型以得到相应的重构数据，基于重构数据的异常得分确定异常数据；深度学习网络模型包括第一编码器、第二编码器、第一解码器和第二解码器。本发明在深度学习网络模型中，将Transfomer重构成类似GAN式的对抗式网络，并利用异常多头注意力机制优化了Transfomer的多头注意力层，能够有效提升电力机房异常检测的精确性和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.046 seconds)
