一种基于电力调度的人工智能图像处理方法

1.本发明涉及电力调度技术领域，具体来说，涉及一种基于电力调度的人工智能图像处理方法。


背景技术：

2.电力调度是为了保证电网安全稳定运行、对外可靠供电、各类电力生产工作有序进行而采用的一种有效的管理手段，目前，随着社会经济与人民生活水平提高，全社会用电量将会持续增长，电力需求增长已经成为常态，以前基础设施已无法满足当今时代对智能电网的要求，将人工智能技术运用到电网调度控制是一次全新的尝试，电力系统中的负荷预测、故障诊断、自动电压控制、自然语言处理学习、人机交互等技术逐渐成为人们热议的话题，如今的电力系统智能化水平还达不到要求，人机交互技术、故障诊断效率亟待提高，调度运行时处理问题也要更加迅速、准确，这需要我们对信息的处理更加精准、高效，对数据信息的处理已经达到了一定水平，相比而言对图像信息的处理方面显得更加重要。
3.目前设计出的大部分图像处理系统功能较为单一，只能单独完成某些固定场合下的一些功能，比如单独的人脸识别，数字识别等，而不能系统性的完成调度系统中对图像信息采集、传输、处理、判断、学习的要求，对所需电力设备图形无法有效的进行处理，造成电力调度工作无法有效的展开。
4.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.针对相关技术中的问题，本发明提出一种基于电力调度的人工智能图像处理方法，以克服现有相关技术所存在的上述技术问题。
6.为此，本发明采用的具体技术方案如下：
7.一种基于电力调度的人工智能图像处理方法，该人工智能图像处理方法包括以下步骤：
8.s1、获取电力调度的视频图像，并上传至计算机；
9.s2、构建沉积微相识别模型，并建立所述沉积微相识别模型与所述计算机的连接关系；
10.s3、通过沉积微相识别模型对所述计算机中所述视频图像进行处理，识别所述视频图像中所需电力设备图形，并将识别结果存入数据库；
11.s4、根据对比结果描述所述电力设备图像对应的电力设备的状态，并通过人工智能算法指定调控运行辅助决策建。
12.进一步的，所述电力调度的视频图像包括电力设备图像与样本图像，且所述电力设备图像与所述样本图像均包括可见光图形。
13.进一步的，所述构建沉积微相识别模型，并建立所述沉积微相识别模型与所述计算机的连接关系还包括以下步骤：
14.s21、通过管理模块，搭建所述沉积微相识别模型的管理功能和基础数据加载功能；
15.s22、通过ann训练模块，完成所述沉积微相识别模型与所述计算机的建立；
16.s23、通过模式识别模块，实现所述沉积微相识别模型的识别功能，并识别所需电力设备图形；
17.s24、通过图形处理模块，根据识别结果自动绘制出沉积微相图，提供用户对图像编辑与处理的功能；
18.s25、通过数据查询模块，提供对所述沉积微相识别模型内出现的各类图像数据的查询功能。
19.进一步的，所述配置模块包括数据记载、用户管理及数据源连接。
20.进一步的，所述通过ann训练模块，完成所述沉积微相识别模型与所述计算机的建立还包括以下步骤：
21.s221、通过ann模块的结构对人工神经网络的网络结构、训练参数和工作参数进行设定；
22.s222、完成训练样本的维护和神经网络的训练工作，提供对训练样本的增删改操作，启动并完成人工神经网络的训练过程；
23.s223、对训练成功的神经网络进行测试，验证其识别率。
24.进一步的，所述通过模式识别模块，实现所述沉积微相识别模型的识别功能，并识别所需电力设备图形还包括以下步骤：
25.s231、计算机根据将要进行沉积微相识别的电力设备图像与样本图像，从小层数据库中取得电力设备图像所在的现场实时采集视频中的截取，每一秒截取5-10帧图画进行处理，筛选出关键帧后进行数字化数据，
26.s232、对数字化数据进行编码，并送入bp神经网络中，通过bp神经网络进行沉积微相识别，最后将识别结果保存到沉积微相识别结果库中；
27.s233、当存在不能准确归类的情况，bp神经网络会自动识别模糊图形，并在所述模糊图形上进行标记，在沉积微相人工识别中进行人工识别。
28.进一步的，所述通过图形处理模块，根据识别结果自动绘制出沉积微相图，提供用户对图像编辑与处理的功能还包括以下步骤：
29.s241、根据电力设备图形的特征参数提取、电力设备的状态和识别出的沉积微相结果，在图形上自动生成沉积微相带，将不同沉积微相区别开来；
30.s242、用户对生成的图像进行编辑处理并进行相应的保存处理；
31.s243、打开以保存的沉积微相图进行编辑处理，并设置各种不同沉积微相在图像中的图例。
32.进一步的，所述数据查询模块包括查询电力设备图像、样本图像的特征参数及电力设备图像对应的电力设备的状态。
33.进一步的，所述通过沉积微相识别模型对所述计算机中所述视频图像进行处理，识别所述视频图像中所需电力设备图形，并将识别结果存入数据库还包括以下步骤：
34.s31、在计算机界面中，对每种沉积微项的图例的字体、符号、大小及颜色进行设置；
35.s32、使用绘制沉积微相图功能，用户可以生成任意指定电力设备的沉积微相图；
36.s33、在完成计算机的自动绘制工作后，用户可以根据当前电力设备中的各电力使用分布情况，进行手工添加、绘制沉积微相带，并丰富计算机的图形编辑处理功能。
37.进一步的，所述根据对比结果描述所述电力设备图像对应的电力设备的状态，并通过人工智能算法指定调控运行辅助决策建还包括以下步骤：
38.s41、根据对比结果描述所述电力设备图像对应的电力设备的状态，提取压缩处理后的图片，用于调度系统的人脸识别以完成调度人员的身份核验；
39.s42、通过设备识别、文字识别、故障诊断以进行潮流计算、区域负荷补偿来维持电压稳定、完成电力调度系统深度强化学习的工作，通过人工智能算法提出调控运行辅助决策建议以供调度员参考选择。
40.本发明的有益效果为：本发明突破了以往利用神经网络识别沉积微相必须先提取曲线特征的做法，根据模型用计算机处理资料，可自动连续地识别沉积微相，简化了传统预处理的过程，提高了原始电力设备资料信息的利用和识别的准确性；本发明中用户可以随意定制神经网络模型的网络结构、训练参数和工作参数；用户可以在网络训练过程中，实时的手动干预网络的训练过程；用户可以根据人工智能图形处理方法自动绘制的数据测井曲线和自身知识与经验，对于自动识别的结论加以修改；本发明的人工智能图形处理方法提供较强的图像处理功能，使用户可以对自动生成的沉积微相图进行图像编辑和处理。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
42.图1是根据本发明实施例的一种基于电力调度的人工智能图像处理方法的流程图。
具体实施方式
43.为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
44.根据本发明的实施例，提供了一种基于电力调度的人工智能图像处理方法。
45.现结合附图和具体实施方式对本发明进一步说明，如图1-所示，根据本发明实施例的基于电力调度的人工智能图像处理方法，该人工智能图像处理方法包括以下步骤：
46.s1、获取电力调度的视频图像，并上传至计算机；
47.在一个实施例中，所述电力调度的视频图像包括电力设备图像与样本图像，且所述电力设备图像与所述样本图像均包括可见光图形。
48.s2、构建沉积微相识别模型，并建立所述沉积微相识别模型与所述计算机的连接关系；
49.在一个实施例中，所述构建沉积微相识别模型，并建立所述沉积微相识别模型与所述计算机的连接关系还包括以下步骤：
50.s21、通过管理模块，搭建所述沉积微相识别模型的管理功能和基础数据加载功能；
51.s22、通过ann训练模块，完成所述沉积微相识别模型与所述计算机的建立；
52.s23、通过模式识别模块，实现所述沉积微相识别模型的识别功能，并识别所需电力设备图形；
53.s24、通过图形处理模块，根据识别结果自动绘制出沉积微相图，提供用户对图像编辑与处理的功能。
54.s25、通过数据查询模块，提供对所述沉积微相识别模型内出现的各类图像数据的查询功能；
55.在一个实施例中，所述配置模块包括数据记载、用户管理及数据源连接。
56.在一个实施例中，所述通过ann训练模块，完成所述沉积微相识别模型与所述计算机的建立还包括以下步骤：
57.s221、通过ann模块的结构对人工神经网络的网络结构、训练参数和工作参数进行设定；
58.s222、完成训练样本的维护和神经网络的训练工作，提供对训练样本的增删改操作，启动并完成人工神经网络的训练过程；
59.s223、对训练成功的神经网络进行测试，验证其识别率；
60.在一个实施例中，所述通过模式识别模块，实现所述沉积微相识别模型的识别功能，并识别所需电力设备图形还包括以下步骤：
61.s231、计算机根据将要进行沉积微相识别的电力设备图像与样本图像，从小层数据库中取得电力设备图像所在的现场实时采集视频中的截取，每一秒截取5-10帧图画进行处理，筛选出关键帧后进行数字化数据，
62.s232、对数字化数据进行编码，并送入bp神经网络中，通过bp神经网络进行沉积微相识别，最后将识别结果保存到沉积微相识别结果库中；
63.s233、当存在不能准确归类的情况，bp神经网络会自动识别模糊图形，并在所述模糊图形上进行标记，在沉积微相人工识别中进行人工识别；
64.在一个实施例中，所述通过图形处理模块，根据识别结果自动绘制出沉积微相图，提供用户对图像编辑与处理的功能还包括以下步骤：
65.s241、根据电力设备图形的特征参数提取、电力设备的状态和识别出的沉积微相结果，在图形上自动生成沉积微相带，将不同沉积微相区别开来；
66.s242、用户对生成的图像进行编辑处理并进行相应的保存处理；
67.s243、打开以保存的沉积微相图进行编辑处理，并设置各种不同沉积微相在图像中的图例；
68.在一个实施例中，所述数据查询模块包括查询电力设备图像、样本图像的特征参数及电力设备图像对应的电力设备的状态。
69.在具体应用时，沉积微相识别模型在测井曲线特征提取上，将数字化测井曲线和地层参数预处理转化为二值点阵图像模式，经过点阵数据编码压缩，直接输入网络，由网络
自动提取和记忆曲线所表征的地层模式特征。本发明突破了以往利用神经网络识别沉积微相必须先提取曲线特征的做法，根据模型用计算机处理资料，可自动连续地识别沉积微相，简化了传统预处理的过程，提高了原始电力设备资料信息的利用和识别的准确性。
70.此外，ann模型按照拓扑结构，此ann模型实现的人工神经网络属于无反馈的前向ann，所采用的学习算法为一括修正法(是基于传统误差逆传播算法的一种改良算法)，即采用有教师指导的学习方式。
71.ann模型提供接口给开发人员，使其可以设置ann的各个参数，包括隐层层数、隐层结点个数、计算公式参数等。可以实现一个实际的人工神经网络：设置相应参数，启动训练过程以及利用网络进行模式识别。
72.s3、通过沉积微相识别模型对所述计算机中所述视频图像进行处理，识别所述视频图像中所需电力设备图形，并将识别结果存入数据库；
73.s31、在计算机界面中，对每种沉积微项的图例的字体、符号、大小及颜色进行设置；
74.s32、使用绘制沉积微相图功能，用户可以生成任意指定电力设备的沉积微相图；
75.s33、在完成计算机的自动绘制工作后，用户可以根据当前电力设备中的各电力使用分布情况，进行手工添加、绘制沉积微相带，并丰富计算机的图形编辑处理功能。
76.s4、根据对比结果描述所述电力设备图像对应的电力设备的状态，并通过人工智能算法指定调控运行辅助决策建；
77.在一个实施例中，所述通过沉积微相识别模型对所述计算机中所述视频图像进行处理，识别所述视频图像中所需电力设备图形，并将识别结果存入数据库还包括以下步骤：
78.在一个实施例中，所述根据对比结果描述所述电力设备图像对应的电力设备的状态，并通过人工智能算法指定调控运行辅助决策建还包括以下步骤：
79.s41、根据对比结果描述所述电力设备图像对应的电力设备的状态，提取压缩处理后的图片，用于调度系统的人脸识别以完成调度人员的身份核验；
80.s42、通过设备识别、文字识别、故障诊断以进行潮流计算、区域负荷补偿来维持电压稳定、完成电力调度系统深度强化学习的工作，通过人工智能算法提出调控运行辅助决策建议以供调度员参考选择。
81.综上所述，借助于本发明的上述技术方案，本发明突破了以往利用神经网络识别沉积微相必须先提取曲线特征的做法，根据模型用计算机处理资料，可自动连续地识别沉积微相，简化了传统预处理的过程，提高了原始电力设备资料信息的利用和识别的准确性；本发明中用户可以随意定制神经网络模型的网络结构、训练参数和工作参数；用户可以在网络训练过程中，实时的手动干预网络的训练过程；用户可以根据人工智能图形处理方法自动绘制的数据测井曲线和自身知识与经验，对于自动识别的结论加以修改；本发明的人工智能图形处理方法提供较强的图像处理功能，使用户可以对自动生成的沉积微相图进行图像编辑和处理。
82.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。