(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111668276.3 (22)申请日 2021.12.3 0 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 国家电网有限公司 　 国网天津市电力公司 (72)发明人 雷煜卿　谈元鹏　仝杰　彭国政　 (74)专利代理 机构 北京中巡通大知识产权代理 有限公司 1 1703 代理人 张弘 (51)Int.Cl. H02J 13/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 20/40(2022.01) G06V 20/52(2022.01) (54)发明名称 面向云边协同的输电线路监测系统和方法、 识别系统和方法 (57)摘要 本发明公开了一种面向云边协同的输电线 路监测系统和方法、 识别系统和方法。 监测系统 包括： 感知层， 包括电力物联网中的状态感知和 执行的控制主体， 用于对电力系统设备数据的监 测、 采集和感知得到感知数据； 边缘层， 包括边缘 物联代理终端， 用于在边缘计算节 点对所述感知 数据进行预处理； 网络层， 包括远程通信通道和 本地接入通道， 用于将预处理后的所述感知数据 进行汇聚传输； 云端， 用于对汇聚传输的所述感 知数据进行数据存储、 数据分类、 数据交换和数 据分发， 并依次向网络层、 边缘层和感知层发送 执行指令。 本发 明解决了云端计算架构模式下现 场传感器信息处理时效性不足、 信息传输难度 大、 现场故障诊断难于实施等众多问题。 权利要求书3页 说明书10页 附图2页 CN 114362367 A 2022.04.15 CN 114362367 A 1.一种面向云边协同的输电线路监测系统， 其特 征在于， 包括： 感知层， 包括电力物联网中的状态感知和执行的控制主体， 用于对电力系统设备数据 进行监测、 采集和感知得到感知数据； 边缘层， 包括 边缘物联代理终端， 用于在边 缘计算节点对所述感知数据进行 预处理； 网络层， 包括远程通信通道和本地接入通道， 用于将预处理后的所述感知数据进行汇 聚传输； 及云端， 用于对汇聚传输的所述感知数据进行数据存储、 数据分类、 数据交换和数据分 发， 并依次向网络层、 边 缘层和感知 层发送执 行指令； 所述云端、 边缘层和感知层均具有对应的智能应用平台， 且以云端的智能应用平台为 核心， 对云端、 边 缘层、 感知 层对应的智能应用平台进行协同。 2.根据权利要求1所述的面向云边协同的输电线路监测系统， 其特 征在于， 所述控制主体包括传感器或采集终端； 所述边缘物联代理终端设置在靠 近感知层或数据源头， 用于就近提供边 缘计算。 3.根据权利要求1所述的面向云边协同的输电线路监测系统， 其特 征在于， 所述云端包括依次连接的业务系统、 样本库、 模型训练智能应用平台、 模型库和云端智 能应用平台； 所述边缘层包括 边缘端分布式智能应用平台； 所述感知 层包括终端分布式智能应用平台； 所述云端智能应用平台用于通过网络层的网络通道下发模型至终端分布式智能应用 平台和边缘端分布式智能应用平台， 终端分布式智能应用平台和边缘端分布式智能应用平 台对输电线路监测进行识别， 对识别结果记录并根据设置参数进行评估， 识别记录和评估 结果通过信息采集 通道反馈 至云端的模型训练智能应用平台。 4.根据权利要求3所述的面向云边协同的输电线路监测系统， 其特 征在于， 所述模型库中的模型包括训练模型和导入模型； 所述训练模型由模型训练智能应用平 台根据样本库训练产生并导入模型库； 所述外采模型直接以模型文件或镜像的形式导入模 型库； 应用时， 将模型由模型库导入云端智能应用平台进行部署， 用于为终端分布式智能应 用平台和边缘端分布式智能应用平台部署提供服务； 当模型库 的模型精度无法满足需求 时， 通过模型训练智能应用平台对训练模型迭代优化。 5.一种基于权利要求1至4任一项所述的面向云边协同的输电线路监测系统的计算方 法， 其特征在于， 包括： 输电线路的感知层中， 控制主体对电力系统设备数据的监测、 采集和感知得到感知数 据； 在感知层的控制主体上直接经过预处理和标注后， 形成可用于训练的样本数据， 然后 经边缘物联代理终端汇聚、 上传至 云端或者直接上传至 云端， 经物联管理平台接入， 汇集至 样本库； 或者， 在边缘侧的边缘物联代理终端上经过预处理和标注后， 形成用于训练的样本数据， 上 传至云端， 经物联 管理平台接入， 归集至样本库；权　利　要　求　书 1/3 页 2 CN 114362367 A 2云端利用样本库的样本数据组织开展模型训练， 训练过程中产生的样本或样本目录重 新传输至样本库。 6.一种输电线路识别方法， 用于面向云边协同的输电线路监测系统， 其特征在于， 包 括： 对待处理图片进行 前处理； 使用预先构建的边缘侧深度 学习网络模型进行卷积运算提取图片特征， 包括正向卷积 网络计算和倒置残差卷积计算， 获得目标 预测值； 利用边缘侧深度学习网络模型进行深层卷积计算 提取图片特 征； 基于所述图片特征和目标预测值， 按照 边缘侧深度 学习网络模型中预先设定的置信度 和损失函数 预测目标框的位置； 通过边缘侧深度学习网络模型对检测出的目标框进行反向运 算， 获得检测图像内容。 7.根据权利要求6所述的一种输电线路识别方法， 其特 征在于， 所述边缘侧深度学习网络模型包括： 头网络， 采用Mobi leNetv2网络结构， 用于提取 特征； 及主网络， 采用YOLOv3网络结构， 基于 头网络提取到的特 征深化目标分类和目标检测。 8.根据权利要求6所述的一种输电线路识别方法， 其特 征在于， 所述边缘侧深度学习网络模型的构建方法包括： 对待处理图片进行 前处理； 按照预定规则将原图划分成多个小方块， 以每个小方块为中心分别生成一系列锚框， 使得整张图片都会被锚框覆盖 到； 在每个锚框的基础上产生一个与之对应的预测框， 根据 预测框与图片上物体目标框之 间的位置关系， 对预测框进行 标注； 在图片上构成一系列的候选区域； 把与目标框接近的预测框标注为正样本， 同时将真实框的位置作为正样本的位置目 标， 对正样本进行标注编 码； 偏离真实框的候选区域被标注 为负样本， 负样 本不需要 预测位 置或者类别； 使用MobileNetv2网络结构开展卷积运算提取图片特征， 包括正向卷积网络计算和倒 置残差卷积计算， 获得目标 预测值； 再利用YOLOv3网络结构进行深层卷积计算 提取图片特 征； 将完成计算的图片特征与 形成的正样本进行映射， 计算目标预测值与 预测框标注值的 差值； 更新模型梯度参数， 重复差值计算过程， 建立起损失函数， 构建得到边缘侧深度 学习网 络模型。 9.一种输电线路识别系统， 其特 征在于， 包括： 前处理模块， 用于对待处 理图片进行 前处理； 计算模块， 用于使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特 征， 包括正向卷积网络计算和 倒置残差卷积 计算， 获得目标预测值； 利用边缘侧深度学习网 络模型进行深层卷积计算提取图片特征； 基于所述图片特征和目标预测 值， 按照边缘侧深 度学习网络模型中预 先设定的置信度和损失函数 预测目标框的位置； 检测模块， 用于通过边缘侧深度学习 网络模型对检测出的目标框进行反向运算， 获得权　利　要　求　书 2/3 页 3 CN 114362367 A 3