一种基于增强现实的电力系统调度操作可视化方法与流程

文档序号:26010313发布日期:2021-07-23 21:30阅读:70来源:国知局
一种基于增强现实的电力系统调度操作可视化方法与流程

本发明涉及电力调度的技术领域,尤其涉及一种基于增强现实的电力系统调度操作可视化方法。



背景技术:

电力调度是电力系统中非常重要的环节,电力系统的正常运行离不开供电企业与负荷之间的实时调度,另外电力设备的维护与检修也需要电力调度。电力调度中最危险的部分就是对电力设备的现场操作,一旦发生误操作尤其是在高电压系统中,将会产生非常严重的人身伤害事故。

增强现实(augmentedreality,简称ar),也被称为扩增现实。增强现实技术,它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术,是把原本在现实世界的一定时间空间范围内很难体验到的实体信息(视觉信息,声音,味道,触觉等),通过电脑等科学技术,模拟仿真后再叠加,将虚拟的信息应用到真实世界,被人类感官所感知,从而达到超越现实的感官体验。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。增强现实技术不仅展现了真实世界的信息,而且将虚拟的信息同时显示出来,两种信息相互补充、叠加。在视觉化的增强现实中,用户利用ar眼镜,把真实世界与电脑图形多重合成在一起,便可以看到真实的世界围绕着它。近年来基于ar技术的智能可穿戴设备在电力行业中陆续得到了应用,为解决电力系统中的传统问题提出了创新性的解决思路。

然而在现有的电力系统调度操作中,主要还是依靠人工口头重复各种指令,每个步骤至少重复两次,操作繁琐,效率低下,而且需要对现场以及设备极其熟悉的人员才可以进行操作,培养新员工需要耗费大量的人力物力且存在不确定的危险性因素。



技术实现要素:

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题,提出了本发明。

因此,本发明提供了一种基于增强现实的电力系统调度操作可视化方法,能够解决现有技术中的电力调度过程中,设备操作人员操作步骤繁琐,调度指令不够准确和安全的问题。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:包括,采集调度员的调度指令,并将所述调度指令文本化;根据文本化后的调度指令确定操作设备,并通过增强现实技术获取操作设备信息;基于神经网络构建卷积神经网络模型,通过卷积神经网络模型对所述操作设备信息进行信息比对;若操作设备信息比对正确,则根据所述文本化后的调度指令对所述操作设备进行操作,所述操作完成后对所述操作设备进行拍照并上传;否则,则重新布置所述安防措施并检查;若所述操作设备全部完成操作,电力系统则发送完成指令到ar眼镜,完成调度操作可视化。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:所述调度指令文本化包括,通过隐马尔科夫模型将所述调度指令文本化。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:构建所述卷积神经网络模型包括,通过tensorflow框架搭建所述卷积神经网络模型,所述卷积神经网络模型包括一层输入层、三层卷积层、一层激活层、三层池化层和两层全连接层;通过softmax函数训练所述卷积神经网络模型,如下式:

其中,yn为卷积神经网络模型的原始输出,yn′为经训练后的模型输出,n为神经元数量,yi为第i个神经元的输出。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:其中:所述激活层包括,采用sigmoid函数作为激活层函数:

其中,x为激活层的输入,f(x)为激活层的输出。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:所述安防措施包括设置隔离围栏和悬挂警示牌。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:还包括,通过ar眼镜对所述安防措施进行拍照并上传。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:还包括,在发送完成指令至所述ar眼镜时,需要语音播报操作内容以及通过所述ar眼镜标注出操作设备需要操作部分;在所述操作完成后需要利用所述ar眼镜收集现场操作人员完成操作的指令,同时给出反馈信息。

作为本发明所述的基于增强现实的电力系统调度操作可视化方法的一种优选方案,其中:还包括,设置训练卷积神经网络模型的学习速率为0.05。

本发明的有益效果:本发明通过ar眼镜和神经网络可视化调度操作,实现远程调度处理;且不受限与现场噪声以及电话通信噪声,信息的误传递的可能性小于现有的人工播报的传统模式,提升了操作速度。

附图说明

为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:

图1为本发明第一个实施例所述的基于增强现实的电力系统调度操作可视化方法的流程示意图;

图2为本发明第一个实施例所述的基于增强现实的电力系统调度操作可视化方法的卷积神经网络模型结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。

其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1~图2,为本发明的第一个实施例,该实施例提供了一种基于增强现实的电力系统调度操作可视化方法,包括:

s1:采集调度员的调度指令,并将调度指令文本化。

通过隐马尔科夫模型将调度指令文本化,具体的步骤如下:

(1)训练(training):预先分析出语音特征参数,制作语音模板,并存放在语音参数库中。

(2)识别(recognition):待识语音经过与训练时相同的分析,得到语音参数;将它与库中的参考模板一一比较,并采用判决的方法找出最接近语音特征的模板,得出识别结果。

(3)失真测度(distortionmeasures):在进行比较时要有个标准,这就是计量语音特征参数矢量之间的“失真测度”。

(4)主要识别框架:隐马尔科夫模型(hmm)。

s2:根据文本化后的调度指令确定操作设备,并通过增强现实技术获取操作设备信息。

通过ar眼镜扫描操作设备上的二维码,获取操作设备信息。

s3:基于神经网络构建卷积神经网络模型,通过卷积神经网络模型对操作设备信息进行信息比对。

通过tensorflow框架搭建卷积神经网络模型,参照图2,卷积神经网络模型包括一层输入层、三层卷积层、一层激活层、三层池化层和两层全连接层;

通过softmax函数训练卷积神经网络模型,如下式:

其中,yn为卷积神经网络模型的原始输出,yn′为经训练后的模型输出,n为神经元数量,yi为第i个神经元的输出。

采用sigmoid函数作为激活层函数:

其中,x为激活层的输入,f(x)为激活层的输出。

并设置训练卷积神经网络模型的学习速率为0.05。

卷积神经网络模型根据调度操作票上的所需操作的设备名称,开关名称与设备信息上的文字进行对比,内容一样则比对正确,否则比对失败。

若信息比对正确,现场操作人员则根据文本化后的调度指令对操作设备进行操作,并利用ar眼镜将安防措施进行拍照并上传,通过ai(artificialintelligence)图像识别自动判断现场安防措施是否规范,较佳的是,如遇现场环境复杂,可在前期在设备上粘贴定位标签,保证ai图片识别的快速性和准确性;若信息比对不正确,则ar眼镜对显示设备对应错误,此时操作人员应重新布置安防措施(设置隔离围栏和悬挂警示牌),并通过ar眼镜对安防措施进行拍照并上传。

其中需要说明的是,ai图像识别的步骤如下:

(1)预处理图像,安装tensorflow和pillow库;

将图像进行标记,并将其归一化,然后划分为训练集和测试集,训练集和测试集的比例为3:1;需要说明的是,tensorflow是一个采用数据流图(dataflowgraphs),用于数值计算的开源软件库;pillow库是python图像库,支持大量的图片格式,是图像处理和批处理的最佳选择,可以用来创建缩略图、文件格式之间的转换、打印图片、大小转换、颜色转换等操作。

(2)定义人工神经网络模型、损失函数和优化器;

#定义卷积层,20个卷积核,卷积核大小为5,用relu激活

conv0=tf.layers.conv2d(datas_placeholder,20,5,activation=tf.nn.relu)

#定义max-pooling层,pooling窗口为2x2,步长为2x2

pool0=tf.layers.max_pooling2d(conv0,[2,2],[2,2])

#定义卷积层,40个卷积核,卷积核大小为4,用relu激活

conv1=tf.layers.conv2d(pool0,40,4,activation=tf.nn.relu)

#定义max-pooling层,pooling窗口为2x2,步长为2x2

pool1=tf.layers.max_pooling2d(conv1,[2,2],[2,2])

#利用交叉熵定义损失

losses=tf.nn.softmax_cross_entropy_with_logits(

labels=tf.one_hot(labels_placeholder,num_classes),

logits=logits

)

#平均损失

mean_loss=tf.reduce_mean(losses)

#定义优化器,指定要优化的损失函数

optimizer=tf.train.adamoptimizer(learning_rate=1e-2).minimize(losses)

(3)执行图像识别训练,获得人工神经网络模型参数;

训练需要使用sess.run(tf.global_variables_initializer())初始化参数,训练完成后,需要使用saver.save(sess,model_path)保存模型参数。

测试需要使用saver.restore(sess,model_path)读取参数。

(4)利用人工神经网络模型进行图像识别。

s4:若操作设备全部完成操作,电力系统则发送完成指令到ar眼镜,完成调度操作可视化。

在操作完成后需要利用ar眼镜收集现场操作人员完成操作的指令,同时给出反馈信息。

在发送完成指令至ar眼镜时,需要语音播报操作内容以及通过ar眼镜标注出操作设备需要操作部分。

实施例2

为了对本方法中采用的技术效果加以验证说明,本实施例选择传统的技术方案和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。

传统的技术方案通过传统的纯人工操作,即调度人员通过电话将指令一条一条传达给现场人员,操作人员还需复诵指令;在操作完成后,操作人员以及调度人员还需将此条完成指令再次复诵两遍。这种技术费时费力,不但需要调度人员与操作人员对现场以及设备极其熟悉,而且受环境噪音、通信干扰等外在因素的影响。

为验证本方法相对传统的技术方案具有较快的操作速度、较强的抗干扰性和较低的信息误传递性,本实施例中将采用传统的技术方案和本方法分别对的操作票执行情况进行实时对比。

针对采用传统的技术方案在操作票执行过程中的操作人员行为进行的不定期跟踪抽查,具体数据如下表。

表1:分别采用两种不同的方法执行操作票的结果对比表。

由上表可见,本方法对于操作术语不规范,缺签名以及时间登录不准确等不规范操作票的问题可以完全避免。

应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1