基于电力系统巡检无人机的风险判断方法、系统和介质与流程

1.本发明涉及电力系统巡检技术领域，更具体的，涉及一种基于电力系统巡检无人机的风险判断方法、系统和介质。


背景技术：

2.电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能，主体结构有电源(水电站、火电厂、核电站等发电厂)，变电所(升压变电所、负荷中心变电所等)，输电、配电线路和负荷中心
3.随着我国电力行业的不断升级，越来越多的电网系统建成并投入使用，经济效益大大提升的同时也带了维护问题，对于一些地区的架设线路还依靠着人力进行检查，对于作业人员的生命财产安全有着很大的风险，同时，部分地区采用了无人机进行巡检，但是由于调度不合理，经常造成无人机资源浪费增加能耗的问题。


技术实现要素：

4.鉴于上述问题，本发明的目的是提供一种基于电力系统巡检无人机的风险判断方法、系统和介质，可以利用无人机代替传统人力对电力系统进行巡检，识别出风险所在并基于大数据分析得到对应的解决方案，同时对无人机进行合理调配，使得无人机能够协同作业，提高作业效率的同时降低能耗。
5.本发明第一方面提供了一种基于电力系统巡检无人机的风险判断方法，包括以下步骤：
6.获取目标区域的图像信息与环境信息作为测试值；
7.将所述测试值输入到训练好的识别神经网络模型中以得到风险数据；
8.基于大数据分析所述风险数据并调用预设数据库输出解决方案；
9.基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业。
10.本方案中，所述获取目标区域的图像信息与环境信息作为测试值，具体为：
11.基于设置在所述无人机上的图像采集装置获取所述目标区域的图像信息；
12.基于设置在所述无人机上的第一传感器组以及设置在所述目标区域内的第二传感器组获取所述目标区域的环境信息；
13.将所述图像信息与所述环境信息进行时间匹配结合得到所述测试值。
14.本方案中，所述将所述测试值输入到训练好的识别神经网络模型中以得到风险数据，具体为：
15.将所述测试值输入到训练好的识别神经网络模型中测试得到模拟输出值；
16.基于模拟输出值判断风险因子，其中，所述风险因子包括风险点位置、风险等级以及风险类型；
17.提取所述风险点位置与所述风险等级以及所述风险类型得到所述风险数据。
18.本方案中，所述识别神经网络模型训练方法为：
19.获取历史检测数据的图像信息与环境信息以及风险结果；
20.将所述历史检测数据的图像信息与环境信息以及风险结果进行预处理，得到训练样本集；
21.将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
22.获取输出结果的准确率；
23.若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
24.本方案中，所述基于大数据分析所述风险数据并调用预设数据库输出解决方案，具体为：
25.基于大数据分析所述风险点位置与所述风险等级以及所述风险类型得到分析结果；
26.基于所述分析结果调用所述预设数据库进行匹配，其中，所述风险类型对应为第一数据，所述风险点位置对应为第二数据，所述风险等级对应为第三数据；
27.基于所述第一数据与所述第二数据以及所述第三数据得到所述解决方案。
28.本方案中，所述基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业，具体为：
29.基于所述解决方案生成对应的所述指令；
30.基于所述指令调用所述机库中剩余的所述无人机与处于工作状态下的所述无人机进行协同作业。
31.本发明第二方面还提供一种基于电力系统巡检无人机的风险判断系统，包括存储器和处理器，所述存储器中包括基于电力系统巡检无人机的风险判断方法程序，所述基于电力系统巡检无人机的风险判断方法程序被所述处理器执行时实现如下步骤：
32.获取目标区域的图像信息与环境信息作为测试值；
33.将所述测试值输入到训练好的识别神经网络模型中以得到风险数据；
34.基于大数据分析所述风险数据并调用预设数据库输出解决方案；
35.基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业。
36.本方案中，所述获取目标区域的图像信息与环境信息作为测试值，具体为：
37.基于设置在所述无人机上的图像采集装置获取所述目标区域的图像信息；
38.基于设置在所述无人机上的第一传感器组以及设置在所述目标区域内的第二传感器组获取所述目标区域的环境信息；
39.将所述图像信息与所述环境信息进行时间匹配结合得到所述测试值。
40.本方案中，所述将所述测试值输入到训练好的识别神经网络模型中以得到风险数据，具体为：
41.将所述测试值输入到训练好的识别神经网络模型中测试得到模拟输出值；
42.基于模拟输出值判断风险因子，其中，所述风险因子包括风险点位置、风险等级以及风险类型；
43.提取所述风险点位置与所述风险等级以及所述风险类型得到所述风险数据。
44.本方案中，所述识别神经网络模型训练方法为：
45.获取历史检测数据的图像信息与环境信息以及风险结果；
46.将所述历史检测数据的图像信息与环境信息以及风险结果进行预处理，得到训练样本集；
47.将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
48.获取输出结果的准确率；
49.若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
50.本方案中，所述基于大数据分析所述风险数据并调用预设数据库输出解决方案，具体为：
51.基于大数据分析所述风险点位置与所述风险等级以及所述风险类型得到分析结果；
52.基于所述分析结果调用所述预设数据库进行匹配，其中，所述风险类型对应为第一数据，所述风险点位置对应为第二数据，所述风险等级对应为第三数据；
53.基于所述第一数据与所述第二数据以及所述第三数据得到所述解决方案。
54.本方案中，所述基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业，具体为：
55.基于所述解决方案生成对应的所述指令；
56.基于所述指令调用所述机库中剩余的所述无人机与处于工作状态下的所述无人机进行协同作业。
57.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于电力系统巡检无人机的风险判断方法程序，所述基于电力系统巡检无人机的风险判断方法程序被处理器执行时，实现如上述任一项所述的一种基于电力系统巡检无人机的风险判断方法的步骤。
58.本发明公开的一种基于电力系统巡检无人机的风险判断方法、系统和介质，可以利用无人机代替传统人力，对电力系统进行巡检，例如对高架线路或者电力设备进行检查，期间利用神经网络模型可以识别出巡检的风险所在，并基于大数据分析得到对应的解决方案，同时本技术还可以基于不同的方案对无人机进行合理调配，使得无人机能够协同作业，提高作业效率的同时降低能耗。
附图说明
59.图1示出了本发明一种基于电力系统巡检无人机的风险判断方法的流程图；
60.图2示出了本发明一种基于电力系统巡检无人机的风险判断系统的框图。
具体实施方式
61.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
62.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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
63.图1示出了本技术一种基于电力系统巡检无人机的风险判断方法的流程图。
64.如图1所示，本技术公开了一种基于电力系统巡检无人机的风险判断方法，包括以下步骤：
65.s102，获取目标区域的图像信息与环境信息作为测试值；
66.s104，将所述测试值输入到训练好的识别神经网络模型中以得到风险数据；
67.s106，基于大数据分析所述风险数据并调用预设数据库输出解决方案；
68.s108，基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业。
69.需要说明的是，在所述无人机巡检电力系统过程中，首先通过识别所述图像信息以及所述环境信息来得到巡检现场的数据，即所述测试值，将所述测试值输入到训练好的所述识别神经网络模型中进行测试，得到模型的模拟输出值以得到所述风险数据，待获悉所述风险数据后，可以根据所述风险数据调用所述数据库进行匹配，不同的风险问题输出不同的所述解决办法，进而汇总后得到所述解决方案，此外，获取到所述解决方案后，可以根据不同的所述解决方案输出对应的调令给到所述机库中剩余的所述无人机，让其进行作业。
70.值得一提的是，所述解决方案是用于输出给用户端的，交由对应的工作人员识别，以采取后续的排险措施。
71.根据本发明实施例，所述获取目标区域的图像信息与环境信息作为测试值，具体为：
72.基于设置在所述无人机上的图像采集装置获取所述目标区域的图像信息；
73.基于设置在所述无人机上的第一传感器组以及设置在所述目标区域内的第二传感器组获取所述目标区域的环境信息；
74.将所述图像信息与所述环境信息进行时间匹配结合得到所述测试值。
75.需要说明的是，所述无人机上预先设置有所述图像采集装置以及所述第一传感器组，其中，所述图像采集装置可以为高清防抖摄像机，所述第一传感器组包括漏电检测传感器以及亮光检测传感器等等，所述目标区域内预设有所述第二传感器组，其中，所述第二传感器组包括温度传感器以及湿度传感器等等。
76.进一步地，通过所述图像采集装置获取所述目标区域的图像信息，通过所述第一传感器组以及所述第二传感器组获得所述目标区域内的环境信息，基于时间划分，基于同一个时间轴，将所述图像信息与所述环境信息进行匹配得到所述测试值。
77.根据本发明实施例，所述将所述测试值输入到训练好的识别神经网络模型中以得到风险数据，具体为：
78.将所述测试值输入到训练好的识别神经网络模型中测试得到模拟输出值；
79.基于模拟输出值判断风险因子，其中，所述风险因子包括风险点位置、风险等级以及风险类型；
80.提取所述风险点位置与所述风险等级以及所述风险类型得到所述风险数据。
81.需要说明的是，获得到所述测试值后，需要对所述测试值进行测试，将其输入到训练好的所述识别神经网络模型中测试以得到所述模拟输出值，基于所述模拟输出值判断所述风险因子，其中，所述风险因子包括所述风险点位置、所述风险等级以及所述风险类型，并将所述风险因子进行提取以得到所述风险数据。
82.值得一提的是，例如在架设线路巡检时，线路上出现了风险点，此时，记录该点的位置“#组#段#号”，并查看所述风险类型，包括线组脱落、胶圈膨大等等，以及对应查看所述风险等级。
83.根据本发明实施例，所述识别神经网络模型训练方法为：
84.获取历史检测数据的图像信息与环境信息以及风险结果；
85.将所述历史检测数据的图像信息与环境信息以及风险结果进行预处理，得到训练样本集；
86.将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
87.获取输出结果的准确率；
88.若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
89.需要说明的是，所述识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本技术中的识别神经网络模型可以通过历史检测数据的图像信息与环境信息以及风险结果作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史检测数据的图像信息与环境信息以及风险结果进行训练，还需要结合确定的风险原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得所述识别神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90％。
90.根据本发明实施例，所述基于大数据分析所述风险数据并调用预设数据库输出解决方案，具体为：
91.基于大数据分析所述风险点位置与所述风险等级以及所述风险类型得到分析结果；
92.基于所述分析结果调用所述预设数据库进行匹配，其中，所述风险类型对应为第一数据，所述风险点位置对应为第二数据，所述风险等级对应为第三数据；
93.基于所述第一数据与所述第二数据以及所述第三数据得到所述解决方案。
94.需要说明的是，获取到所述风险数据后，可利用大数据进行分析，并调用所述预设数据库对所述分析结果进行匹配，其中，所述风险类型对应为第一数据，所述风险点位置对应为第二数据，所述风险等级对应为第三数据，并依照此三种数据得到所述解决方案，所述第一数据、所述第二数据以及所述第三数据的优先级有区别。
95.根据本发明实施例，所述基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业，具体为：
96.基于所述解决方案生成对应的所述指令；
97.基于所述指令调用所述机库中剩余的所述无人机与处于工作状态下的所述无人机进行协同作业。
98.需要说明的是，不同的所述解决方案有着不同的所述指令，例如，识别到有电力设备着火时，可以立即调派机库中的救活无人机赶赴现场进行救援，同时立即调派所述机库中的备选无人机赶赴现场进行监测，以实时传回视频画面。
99.值得一提的是，还包括对处于工作状态的所述无人机进行调度，具体为：
100.识别风险因子中的所述风险类型并分类，其中，所述风险类型分为i类风险和ii类风险；
101.判断当前所述风险类型为i类时，建立与所述风险点位置预设范围内的所述无人
机的通信连接，并输出调度指令，使其对所述风险点位置进行多次巡检。
102.需要说明的是，所述i类风险例如线组脱落、胶圈膨大，所述ii类风险例如火灾风险、漏电风险，对于所述i类风险应急程度并非那么高，故可以由处于巡检工作状态下的其他所述无人机进行巡检作业，以降低巡检能耗，减少机库的运营成本。
103.值得一提的是，还包括对所述风险等级进行划分，具体为：
104.识别相邻预设时间内的所述风险因子的变化量，其中，所述风险点位置的迁移量为δs，所述风险类型的变化量为δc；
105.基于所述风险因子的变化量调用等级计算式来获取所述风险等级。
106.需要说明的是，所述等级计算式为：
107.ls＝l0 αδs βδc θ；
108.其中，ls为所述风险等级计算结果，l0为基础等级，α所述风险点位置的迁移量δs的参数值，β所述风险类型的变化量δc的参数值，两个所述参数值为动态设定值，且β≤1，θ为所述传感器的响应值，例如，取l0为一级，α＝0.5，β＝1，δs为“8cm“，δc为“ 1”，θ为“2”，则ls为“8”，即当前的所述风险等级为第一等级，其中，所述风险等级计算结果位于[2，10)为第一等级，位于[11，20)为第二等级，位于[21，30)为第三等级。
[0109]
根本本发明实施例，还包括：
[0110]
基于大数据对风险数据的风险点位置、风险等级和风险类型进行分析识别；
[0111]
所述风险点位置识别包括对设备类型、工况参数、温湿光线以及地域海拔的参数识别；
[0112]
所述风险等级包括一级、二级和三级，所述风险类型包括i类和ii类；
[0113]
根据所述风险点位置识别的参数与预设数据库进行相似度对比，获取预设数据库中与所述风险点位置的设备类型、工况参数、温湿光线以及地域海拔相似度阈值符合预设值要求的多个数据库样本作为多个初始数据库样本；
[0114]
根据所述多个初始数据库样本与所述风险数据的风险等级和风险类型进行相似度对比，获得相似度对比最大的多个初始数据库样本中的数据库样本作为目标数据库样本；
[0115]
根据目标数据库样本对应的解决方案作为目标解决方案。
[0116]
需要说明的是，在根据大数据对风险数据的风险点位置、风险等级和风险类型进行分析识别时，大数据对风险点位置的设备类型、工况参数、温湿光线以及地域海拔进行预设数据库相似度对比，获取预设数据库中相似度阈值符合预设值的多个数据库样本作为多个初始数据库样本，然后将多个初始数据库样本与风险等级和风险类型进行相似度对比，获得相似度对比值最大的多个初始数据库样本中的某个数据库样本作为目标数据库样本，目标数据库样本对应的解决方案作为目标解决方案，其中，相似度对比可以是欧式相似度对比或余弦相似度对比，相似度预设阈值可以是70％。
[0117]
根据本发明实施例，还包括：
[0118]
根据解决方案生成对应的指令调用匹配性能和类别的检修无人机进行风险排查或风险检修作业；
[0119]
所述检修无人机与巡检无人机进行信道匹配和通信连接，获取巡检无人机巡检识别的目标风险点位置的设备类型、工况参数、温湿光线以及地域海拔等参数；
[0120]
所述检修无人机根据所述设备类型、工况参数、温湿光线以及地域海拔等参数获得目标风险点位置的天气、季节、地形、海拔等环境参数；
[0121]
根据所述环境参数在预设数据库中查询对应类型设备在所述环境参数下的多个历史风险缺陷样本；
[0122]
将所述多个历史风险缺陷样本中故障概率大于预设值的缺陷样本作为目标缺陷；
[0123]
检修无人机根据所述目标缺陷和指令进行风险检修。
[0124]
需要说明的是，当解决方案生成对应的指令调用匹配性能和类别的检修无人机进行风险排查或风险检修作业时，为进一步提高检修无人机对风险的检修准确性和检修效率，检修无人机与巡检无人机进行信道匹配和通信连接获取巡检无人机巡检识别的目标风险点位置的设备类型、工况参数、温湿光线以及地域海拔等参数，检修无人机根据参数获得目标风险点位置的天气、季节、地形、海拔等环境参数，再根据环境参数在预设数据库中查询对应类型设备在同等历史条件下该类型设备发生风险故障率较高的缺陷状态而进行有针对性的检修，对数据库中故障概率大于预设值的缺陷样本作为目标缺陷，根据指令进行有针对性检修，提升检修效率。
[0125]
根据本发明实施例，还包括：
[0126]
建立设备缺陷风险数据库；
[0127]
所述设备缺陷风险数据库包括各类型设备在不同工况环境下产生的风险点对应的历史缺陷风险数据，并对各类型设备进行缺陷风险点种类频次的统计，获取高频次缺陷风险点对应的各类型设备的历史缺陷风险数据；
[0128]
根据所述各类型设备的历史缺陷风险数据统计各类型设备的高频次缺陷风险点产生时的环境特征；
[0129]
所述环境特征包括节气、气候、温湿度、地形、海拔等环境参数中的多个；
[0130]
巡检无人机根据巡检设备时采集的环境特征在设备缺陷风险数据库进行相似度对比，获取所述巡检设备在设备缺陷风险数据库中满足相似度预设值要求的设备环境特征对应的历史缺陷风险数据；
[0131]
根据所述历史缺陷风险数据对应的缺陷位置对检修无人机发出调用指令；
[0132]
检修无人机根据所述指令对缺陷位置进行检修。
[0133]
需要说明的是，为提升设备缺陷风险的检修准确率，针对不同类型设备在不同环境条件下的缺陷风险点和位置等缺陷风险数据建立设备缺陷风险数据库，根据数据库中该类型设备对应环境特征下的历史缺陷风险数据可准确找到缺陷点和缺陷位置，再发出指令给检修无人机进行有针检修，有效提升设备缺陷风险巡检和检修效率，具体为：建立设备缺陷风险数据库，包括各类型设备在不同工况环境下产生的风险点对应的历史缺陷风险数据，并对各类型设备进行缺陷风险点种类频次的统计获取高频次缺陷风险点对应的各类型设备的历史缺陷风险数据，根据各类型设备的历史缺陷风险数据统计各类型设备的高频次缺陷风险点产生时的环境特征，包括节气、气候、温湿度、地形、海拔等环境参数中的多个，巡检无人机根据巡检设备时采集的环境特征在设备缺陷风险数据库进行相似度对比获取巡检设备在设备缺陷风险数据库中满足相似度预设值要求的设备环境特征对应的历史缺陷风险数据，根据历史缺陷风险数据对应的缺陷位置对检修无人机发出调用指令对缺陷位置进行检修，可大大提高应对不同环境下的设备缺陷风险的巡检和检修效率，提升设备安
全性。
[0134]
图2示出了本发明一种基于电力系统巡检无人机的风险判断系统的框图。
[0135]
如图2所示，本发明公开了一种基于电力系统巡检无人机的风险判断系统，包括存储器和处理器，所述存储器中包括基于电力系统巡检无人机的风险判断方法程序，所述基于电力系统巡检无人机的风险判断方法程序被所述处理器执行时实现如下步骤：
[0136]
获取目标区域的图像信息与环境信息作为测试值；
[0137]
将所述测试值输入到训练好的识别神经网络模型中以得到风险数据；
[0138]
基于大数据分析所述风险数据并调用预设数据库输出解决方案；
[0139]
基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业。
[0140]
需要说明的是，在所述无人机巡检电力系统过程中，首先通过识别所述图像信息以及所述环境信息来得到巡检现场的数据，即所述测试值，将所述测试值输入到训练好的所述识别神经网络模型中进行测试，得到模型的模拟输出值以得到所述风险数据，待获悉所述风险数据后，可以根据所述风险数据调用所述数据库进行匹配，不同的风险问题输出不同的所述解决办法，进而汇总后得到所述解决方案，此外，获取到所述解决方案后，可以根据不同的所述解决方案输出对应的调令给到所述机库中剩余的所述无人机，让其进行作业。
[0141]
值得一提的是，所述解决方案是用于输出给用户端的，交由对应的工作人员识别，以采取后续的排险措施。
[0142]
根据本发明实施例，所述获取目标区域的图像信息与环境信息作为测试值，具体为：
[0143]
基于设置在所述无人机上的图像采集装置获取所述目标区域的图像信息；
[0144]
基于设置在所述无人机上的第一传感器组以及设置在所述目标区域内的第二传感器组获取所述目标区域的环境信息；
[0145]
将所述图像信息与所述环境信息进行时间匹配结合得到所述测试值。
[0146]
需要说明的是，所述无人机上预先设置有所述图像采集装置以及所述第一传感器组，其中，所述图像采集装置可以为高清防抖摄像机，所述第一传感器组包括漏电检测传感器以及亮光检测传感器等等，所述目标区域内预设有所述第二传感器组，其中，所述第二传感器组包括温度传感器以及湿度传感器等等。
[0147]
进一步地，通过所述图像采集装置获取所述目标区域的图像信息，通过所述第一传感器组以及所述第二传感器组获得所述目标区域内的环境信息，基于时间划分，基于同一个时间轴，将所述图像信息与所述环境信息进行匹配得到所述测试值。
[0148]
根据本发明实施例，所述将所述测试值输入到训练好的识别神经网络模型中以得到风险数据，具体为：
[0149]
将所述测试值输入到训练好的识别神经网络模型中测试得到模拟输出值；
[0150]
基于模拟输出值判断风险因子，其中，所述风险因子包括风险点位置、风险等级以及风险类型；
[0151]
提取所述风险点位置与所述风险等级以及所述风险类型得到所述风险数据。
[0152]
需要说明的是，获得到所述测试值后，需要对所述测试值进行测试，将其输入到训练好的所述识别神经网络模型中测试以得到所述模拟输出值，基于所述模拟输出值判断所
述风险因子，其中，所述风险因子包括所述风险点位置、所述风险等级以及所述风险类型，并将所述风险因子进行提取以得到所述风险数据。
[0153]
值得一提的是，例如在架设线路巡检时，线路上出现了风险点，此时，记录该点的位置“#组#段#号”，并查看所述风险类型，包括线组脱落、胶圈膨大等等，以及对应查看所述风险等级。
[0154]
根据本发明实施例，所述识别神经网络模型训练方法为：
[0155]
获取历史检测数据的图像信息与环境信息以及风险结果；
[0156]
将所述历史检测数据的图像信息与环境信息以及风险结果进行预处理，得到训练样本集；
[0157]
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
[0158]
获取输出结果的准确率；
[0159]
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
[0160]
需要说明的是，所述识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本技术中的识别神经网络模型可以通过历史检测数据的图像信息与环境信息以及风险结果作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史检测数据的图像信息与环境信息以及风险结果进行训练，还需要结合确定的风险原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得所述识别神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90％。
[0161]
根据本发明实施例，所述基于大数据分析所述风险数据并调用预设数据库输出解决方案，具体为：
[0162]
基于大数据分析所述风险点位置与所述风险等级以及所述风险类型得到分析结果；
[0163]
基于所述分析结果调用所述预设数据库进行匹配，其中，所述风险类型对应为第一数据，所述风险点位置对应为第二数据，所述风险等级对应为第三数据；
[0164]
基于所述第一数据与所述第二数据以及所述第三数据得到所述解决方案。
[0165]
需要说明的是，获取到所述风险数据后，可利用大数据进行分析，并调用所述预设数据库对所述分析结果进行匹配，其中，所述风险类型对应为第一数据，所述风险点位置对应为第二数据，所述风险等级对应为第三数据，并依照此三种数据得到所述解决方案，所述第一数据、所述第二数据以及所述第三数据的优先级有区别。
[0166]
根据本发明实施例，所述基于所述解决方案输出对应指令调用机库中剩余所述无人机进行作业，具体为：
[0167]
基于所述解决方案生成对应的所述指令；
[0168]
基于所述指令调用所述机库中剩余的所述无人机与处于工作状态下的所述无人机进行协同作业。
[0169]
需要说明的是，不同的所述解决方案有着不同的所述指令，例如，识别到有电力设备着火时，可以立即调派机库中的救活无人机赶赴现场进行救援，同时立即调派所述机库中的备选无人机赶赴现场进行监测，以实时传回视频画面。
[0170]
值得一提的是，还包括对处于工作状态的所述无人机进行调度，具体为：。
[0171]
识别风险因子中的所述风险类型并分类，其中，所述风险类型分为i类风险和ii类
风险；
[0172]
判断当前所述风险类型为i类时，建立与所述风险点位置预设范围内的所述无人机的通信连接，并输出调度指令，使其对所述风险点位置进行多次巡检。
[0173]
需要说明的是，所述i类风险例如线组脱落、胶圈膨大，所述ii类风险例如火灾风险、漏电风险，对于所述i类风险应急程度并非那么高，故可以由处于巡检工作状态下的其他所述无人机进行巡检作业，以降低巡检能耗，减少机库的运营成本。
[0174]
值得一提的是，还包括对所述风险等级进行划分，具体为：
[0175]
识别相邻预设时间内的所述风险因子的变化量，其中，所述风险点位置的迁移量为δs，所述风险类型的变化量为δc；
[0176]
基于所述风险因子的变化量调用等级计算式来获取所述风险等级。
[0177]
需要说明的是，所述等级计算式为：
[0178]
ls＝l0 αδs βδc θ；
[0179]
其中，ls为所述风险等级计算结果，l0为基础等级，α所述风险点位置的迁移量δs的参数值，β所述风险类型的变化量δc的参数值，两个所述参数值为动态设定值，且β≤1，θ为所述传感器的响应值，例如，取l0为一级，α＝0.5，β＝1，δs为“8cm“，δc为“ 1”，θ为“2”，则ls为“8”，即当前的所述风险等级为第一等级，其中，所述风险等级计算结果位于[2，10)为第一等级，位于[11，20)为第二等级，位于[21，30)为第三等级。
[0180]
根本本发明实施例，还包括：
[0181]
基于大数据对风险数据的风险点位置、风险等级和风险类型进行分析识别；
[0182]
所述风险点位置识别包括对设备类型、工况参数、温湿光线以及地域海拔的参数识别；
[0183]
所述风险等级包括一级、二级和三级，所述风险类型包括i类和ii类；
[0184]
根据所述风险点位置识别的参数与预设数据库进行相似度对比，获取预设数据库中与所述风险点位置的设备类型、工况参数、温湿光线以及地域海拔相似度阈值符合预设值要求的多个数据库样本作为多个初始数据库样本；
[0185]
根据所述多个初始数据库样本与所述风险数据的风险等级和风险类型进行相似度对比，获得相似度对比最大的多个初始数据库样本中的数据库样本作为目标数据库样本；
[0186]
根据目标数据库样本对应的解决方案作为目标解决方案。
[0187]
需要说明的是，在根据大数据对风险数据的风险点位置、风险等级和风险类型进行分析识别时，大数据对风险点位置的设备类型、工况参数、温湿光线以及地域海拔进行预设数据库相似度对比，获取预设数据库中相似度阈值符合预设值的多个数据库样本作为多个初始数据库样本，然后将多个初始数据库样本与风险等级和风险类型进行相似度对比，获得相似度对比值最大的多个初始数据库样本中的某个数据库样本作为目标数据库样本，目标数据库样本对应的解决方案作为目标解决方案，其中，相似度对比可以是欧式相似度对比或余弦相似度对比，相似度预设阈值可以是70％。
[0188]
根据本发明实施例，还包括：
[0189]
根据解决方案生成对应的指令调用匹配性能和类别的检修无人机进行风险排查或风险检修作业；
[0190]
所述检修无人机与巡检无人机进行信道匹配和通信连接，获取巡检无人机巡检识别的目标风险点位置的设备类型、工况参数、温湿光线以及地域海拔等参数；
[0191]
所述检修无人机根据所述设备类型、工况参数、温湿光线以及地域海拔等参数获得目标风险点位置的天气、季节、地形、海拔等环境参数；
[0192]
根据所述环境参数在预设数据库中查询对应类型设备在所述环境参数下的多个历史风险缺陷样本；
[0193]
将所述多个历史风险缺陷样本中故障概率大于预设值的缺陷样本作为目标缺陷；
[0194]
检修无人机根据所述目标缺陷和指令进行风险检修。
[0195]
需要说明的是，当解决方案生成对应的指令调用匹配性能和类别的检修无人机进行风险排查或风险检修作业时，为进一步提高检修无人机对风险的检修准确性和检修效率，检修无人机与巡检无人机进行信道匹配和通信连接获取巡检无人机巡检识别的目标风险点位置的设备类型、工况参数、温湿光线以及地域海拔等参数，检修无人机根据参数获得目标风险点位置的天气、季节、地形、海拔等环境参数，再根据环境参数在预设数据库中查询对应类型设备在同等历史条件下该类型设备发生风险故障率较高的缺陷状态而进行有针对性的检修，对数据库中故障概率大于预设值的缺陷样本作为目标缺陷，根据指令进行有针对性检修，提升检修效率。
[0196]
根据本发明实施例，还包括：
[0197]
建立设备缺陷风险数据库；
[0198]
所述设备缺陷风险数据库包括各类型设备在不同工况环境下产生的风险点对应的历史缺陷风险数据，并对各类型设备进行缺陷风险点种类频次的统计，获取高频次缺陷风险点对应的各类型设备的历史缺陷风险数据；
[0199]
根据所述各类型设备的历史缺陷风险数据统计各类型设备的高频次缺陷风险点产生时的环境特征；
[0200]
所述环境特征包括节气、气候、温湿度、地形、海拔等环境参数中的多个；
[0201]
巡检无人机根据巡检设备时采集的环境特征在设备缺陷风险数据库进行相似度对比，获取所述巡检设备在设备缺陷风险数据库中满足相似度预设值要求的设备环境特征对应的历史缺陷风险数据；
[0202]
根据所述历史缺陷风险数据对应的缺陷位置对检修无人机发出调用指令；
[0203]
检修无人机根据所述指令对缺陷位置进行检修。
[0204]
需要说明的是，为提升设备缺陷风险的检修准确率，针对不同类型设备在不同环境条件下的缺陷风险点和位置等缺陷风险数据建立设备缺陷风险数据库，根据数据库中该类型设备对应环境特征下的历史缺陷风险数据可准确找到缺陷点和缺陷位置，再发出指令给检修无人机进行有针检修，有效提升设备缺陷风险巡检和检修效率，具体为：建立设备缺陷风险数据库，包括各类型设备在不同工况环境下产生的风险点对应的历史缺陷风险数据，并对各类型设备进行缺陷风险点种类频次的统计获取高频次缺陷风险点对应的各类型设备的历史缺陷风险数据，根据各类型设备的历史缺陷风险数据统计各类型设备的高频次缺陷风险点产生时的环境特征，包括节气、气候、温湿度、地形、海拔等环境参数中的多个，巡检无人机根据巡检设备时采集的环境特征在设备缺陷风险数据库进行相似度对比获取巡检设备在设备缺陷风险数据库中满足相似度预设值要求的设备环境特征对应的历史缺
陷风险数据，根据历史缺陷风险数据对应的缺陷位置对检修无人机发出调用指令对缺陷位置进行检修，可大大提高应对不同环境下的设备缺陷风险的巡检和检修效率，提升设备安全性。
[0205]
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于电力系统巡检无人机的风险判断方法程序，所述基于电力系统巡检无人机的风险判断方法程序被处理器执行时，实现如上述任一项所述的一种基于电力系统巡检无人机的风险判断方法的步骤。
[0206]
本发明公开的一种基于电力系统巡检无人机的风险判断方法、系统和介质，可以利用无人机代替传统人力，对电力系统进行巡检，例如对高架线路或者电力设备进行检查，期间利用神经网络模型可以识别出巡检的风险所在，并基于大数据分析得到对应的解决方案，同时本技术还可以基于不同的方案对无人机进行合理调配，使得无人机能够协同作业，提高作业效率的同时降低能耗。
[0207]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0208]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
[0209]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
[0210]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0211]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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(可以是个人计算机、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。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。