基于路灯对电力系统进行诊断的智能监控系统的制作方法

本发明涉及电力监控领域，具体而言，涉及一种基于路灯对电力系统进行诊断的智能监控系统。

背景技术

近些年来，为了及时发现电力系统中的隐患，避免造成更大地损失，提出了对电力系统进行监控的技术。

但是要电力系统往往覆盖的区域较广，因此要想针对各个区域进行电力监控，则需要布置大量的电力监控设备，并且由此引发了电力监控的成本问题。

此外，为了监控路灯的运行状态，每个路灯上往往会安装监控系统，用于监控路灯的运行状态。但是这样的系统仅仅用于监控路灯的状态，而不再用于其他用途，因此其使用也收到了限制。

对于电力系统的监控需要降低成本以及路灯的监控系统使用受限制的问题，目前尚未提出更好的解决手段。

技术实现要素：

本发明实施例提供了一种基于路灯对电力系统进行诊断的智能监控系统，以至少解决背景技术中提出的技术问题。

根据本发明实施例，提供了一种基于路灯对电力系统进行诊断的智能监控系统，包括多个路灯监控系统以及服务器。多个路灯监控系统分别用于监测对应的路灯的电力运行情况，并将与对应路灯的电力运行状态相关的电力信息发送至服务器。服务器包括接收器和第一处理器，其中接收器从多个路灯监控系统接收电力信息，并将电力信息发送至第一处理器。并且，第一处理器配置用于执行以下方法：接收与多个路灯的电力运行相关的多组电力运行信息；将多个电力运行信息整理成二维矩阵的矩阵信息；以及利用基于卷积神经网络的预测模型，根据矩阵信息，生成表示电力系统的运行状态的分类信息。

本发明的方案具有以下有益效果：

1)利用监控路灯的监控系统来作为监控电力系统的各个检测点，从而在减少了监控电力系统的成本的同时，也扩充了路灯监控系统的使用。从而提高了整个电力系统的使用效率。

2)由于多个路灯监控系统提供的实时数据，具有数据量大的特点，因此可以使用基于卷积神经网络的预测模型，对可能存在的故障进行预测。从而提高了整个系统预测的准确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本发明实施例的基于路灯对电力系统进行诊断的智能监控系统的示意图；

图2是根据本发明实施例的智能监控系统中的路灯监控该系统的示意图；

图3是根据本发明实施例的智能监控系统中的服务器的示意图；

图4是根据本发明的实施例的智能监控系统的服务器的处理器所执行的方法的流程示意图；

图5是整理后的多组电力运行信息的示意图；以及

图6是根据本发明实施例中所述的基于卷积神经网络的预测模型的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1示出了根据本实施例的基于路灯对电力系统进行诊断的智能监控系统10。

参考图1所示，智能监控系统10包括多个路灯监控系统100，分别设置于多个路灯之中，用于监控路灯中的电力运行情况。此外，智能监控系统10还包括服务器200，用于从各个路灯监控系统100接收与各个路灯的电力运行相关的电力信息，并且将接收的电力信息进行整理，以及基于整理后的电力信息，对整个电力系统的运行情况进行诊断。

图2示出了路灯监控系统100的示意图。参考图2所示，路灯监控系统100包括电压传感器101、电流传感器102、温度传感器103、处理器104以及发送器105。

其中，电压传感器101用于测量路灯负载两侧的电压大小；电流传感器102用于测量流经路灯负载的电流的大小；温度传感器103用于测量路灯周围的环境温度。

处理器104用于从电压传感器101、电流传感器102以及温度传感器103接收所测量的电压、电流以及环境温度，并且基于所测量的电压和电流计算路灯的电压变化率和电流变化率。

此外，处理器104还将所测量的电压、电流和环境温度，以及所计算的电压变化率和电流变化率和路灯的位置通过发送器105发送至服务器200。

从而，如上所述，路灯监控系统100可以实施地将与路灯的电力运行情况相关的信息实时发送至服务器200。服务器200将从多个路灯的路灯监控系统100接收的信息进行整理，并且基于所整理的信息对整个电力系统的运行情况进行诊断。

本发明利用了路灯监控系统100作为对电力系统进行分析的检测点。由于每个路灯都设置有路灯监控系统100，因此多个路灯监控系统100不仅能够实现对每个路灯检测点的实时监测，并且路灯监控系统100可以随着路灯的铺设而广泛分布，提供大面积区域的信息。从而本发明充分利用了用于监测路灯运行状况的路灯监控系统100的效能，使得路灯监控系统100不仅用于监测路灯的电力运行，同时也为电力系统的诊断提供实时信息，实现了路灯监控系统的充分利用。

图3示出了诊断系统10的服务器200的示意图。参考图3所示，服务器200包括接收器201和处理器202。其中，接收器201用于从多个路灯监控系统100接收关于多个路灯的电力运行信息，并将接收的电力运行信息发送至处理器202。

图4示出了处理器202所执行的方法的流程图。参考图4所示，处理器202配置用于执行以下操作：

s402：接收与多个路灯的电力运行相关的多个电力运行信息；

s404：将多个电力运行信息整理成二维矩阵的矩阵信息；

s406：利用基于卷积神经网络的预测模型，根据矩阵信息，生成表示电力系统的运行状态的分类信息。

参考图1至图3所述，服务器200的处理器202配置为经由接收器201从多个路灯监测系统100接收与多个路灯的电力运行相关的多组电力运行信息，包括路灯的位置p、电压u、电流i、电压变化率du、电流变化率di以及环境温度t。

然后服务器200将从多个位置的多个路灯接收的多个电力运行信息整理成二维矩阵的矩阵信息。

图5示出了服务器200通过接收器201从多个路灯的路灯监控系统100接收的多组电力运行信息的示意图。其中，序号用于标识来自不同的路灯监控系统100的电力运行信息。并且每组电力运行信息包括路灯的位置p、电压u、电流i、电压变化率du、电流变化率di以及环境温度t。

从而根据来自多个路灯监控系统100的多组电力运行信息，可以整理出二维矩阵形式的矩阵信息：

p1u1i1du1di1t1

p2u2i2du2di2t2

p3u3i3du3di3t3

……

pmumimdumdimtm。

从而，处理器202利用基于卷积神经网络的诊断模型，根据上述矩阵信息，生成表示电力系统的运行状态的分类信息。

例如，可以考虑将所监测的区域分成4个分区，从而可以通过以下分类标识电力运行的状态：正常；分区1存在故障；分区2存在故障；分区3存在故障；分区4存在故障；分区1和2存在故障；分区1和3存在故障；分区1和4存在故障；分区2和3存在故障；分区2和4存在故障；分区3和4存在故障；分区1、2和3存在故障；分区1、2和4存在故障；分区1、3和4存在故障；分区2、3和4存在故障；以及分区1、2、3和4存在故障。因此一共可以有16个不同情况的分类

从而可以通过向量(θ0,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9,θ10,θ11,θ12,θ13,θ14,θ15)来表示以上各个分区的电力运行的状态。参考下表所示：θ0表示正常；θ1表示分区1存在故障；θ2表示分区2存在故障；θ3表示分区3存在故障；θ4表示分区4存在故障；θ5表示分区1和2存在故障；θ6表示分区1和3存在故障；θ7表示分区1和4存在故障；θ8表示分区2和3存在故障；θ9表示分区2和4存在故障；θ10表示分区3和4存在故障；θ11表示分区1、2和3存在故障；θ12表示分区1、2和4存在故障；θ13表示分区1、3和4存在故障；θ14表示分区2、3和4存在故障；以及θ15表示分区1、2、3和4存在故障。

从而根据向量中各个元素的权值大小，判断所监测的区域中哪个分区可能存在隐患。例如，当θ0的权值最大时，表示电力系统正常。当θ1的权值最大时，表示分区1存在故障；当θ8权值最大时，表示分区2和3存在故障；或者当θ15权值最大时，表示分区1、2、3和4存在障碍。

本发明所采样的基于卷积神经网络的预测模型参考图6所示，图6示出了本实施例所采用的基于卷积神经网络的诊断模型的示意图。参考图6所示，本实施例所使用的基于卷积神经网络的诊断模型包括：第一卷积层601、第一池化层602、第二卷积层603、第二池化层604、第一神经元层605、第三池化层606以及第二神经元层607。

参考图6所示，第一卷积层601包括256个3×3尺寸的卷积核结构。从而利用第一卷积层601的卷积核对矩阵信息进行初步的特征提取，并且在输出矩阵周围补0使层间传递的矩阵尺寸保持不变，并且每层卷积操作后的非线性激活函数选用elu函数。

第一池化层602用于从第一卷积层601的输出结果中进行子采样，主要是为了降低第一卷积层601输出的特征向量。具体地，例如池化层可以从第一卷积层601输出的结果中选取128个结果。

第二卷积层603包括128个3×3尺寸的卷积核结构，从而对第一池化层602的输出结果进行卷积操作。从而进一步地通过卷积操作进行更高层次的特征提取。

第二池化层604用于从第二卷积层603的输出结果中进行再次子采样，从而再次降低输出的特征向量。例如，可以从第二卷积层603的输出结果中选取预定数量(例如可以是32个)的结果。

第一神经元层605用于对第二池化层604的输出结果进行分类处理。其中第一神经元层605为全连接层，其神经元的数量为第二池化层604的输出结果的数量。

进一步的第三池化层606用于从第一神经元层605的输出结果中进行子采样，选取出的结果的数量对应于第二神经元层507中的神经元的数量。

其中，第二神经元层507为全连接层，并且第二神经元层507中所包含的神经元的数量与向量(θ0,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9,θ10,θ11,θ12,θ13,θ14,θ15)中元素的个数一致，用于输出向量(θ0,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9,θ10,θ11,θ12,θ13,θ14,θ15)。

从而，利用图6中所示的诊断模型，处理器202能够根据上面所述的矩阵信息，得出一个向量(θ0,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9,θ10,θ11,θ12,θ13,θ14,θ15)。

正如上面所述，θ1至θ9分别表示16个种类的权值(即，θ0表示正常；θ1表示分区1存在故障；θ2表示分区2存在故障；θ3表示分区3存在故障；θ4表示分区4存在故障；θ5表示分区1和2存在故障；θ6表示分区1和3存在故障；θ7表示分区1和4存在故障；θ8表示分区2和3存在故障；θ9表示分区2和4存在故障；θ10表示分区3和4存在故障；θ11表示分区1、2和3存在故障；θ12表示分区1、2和4存在故障；θ13表示分区1、3和4存在故障；θ14表示分区2、3和4存在故障；以及θ15表示分区1、2、3和4存在故障)，其中分值较高的元素表示都有哪些分区存在故障。

因此通过诊断模型输出的向量(θ0,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9,θ10,θ11,θ12,θ13,θ14,θ15)，即可判断出都有哪些分区存在故障。

从而，本发明利用了路灯监控系统100作为对电力系统进行分析的检测点。由于每个路灯都设置有路灯监控系统100，因此多个路灯监控系统100不仅能够实现对每个路灯检测点的实时监测，并且路灯监控系统100可以随着路灯的铺设而广泛分布，提供大面积区域的信息。从而本发明充分利用了用于监测路灯运行状况的路灯监控系统100的效能，使得路灯监控系统100不仅用于监测路灯的电力运行，同时也为电力系统的诊断提供实时信息，实现了路灯监控系统的充分利用。

并且进一步的，本发明利用基于卷积神经网络的预测模型，利用从多个路灯监控系统获得的信息，对电力系统的运行状态进行预测。从而更加有效地预测电力系统可能出现的故障。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。