(19)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 202210983658.3 (22)申请日 2022.08.17 (71)申请人 南方电网数字电网研究院有限公司 地址 510000 广东省广州市黄埔区中新广 州知识城 亿创街1号 406房之86 (72)发明人 符杰　习伟　蔡田田　陈波　 邓清唐　杨英杰　朱明增　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 10/82(2022.01) H02J 13/00(2006.01) G01D 21/02(2006.01)G08B 21/18(2006.01) G08B 17/10(2006.01) G08B 17/12(2006.01) G08B 21/20(2006.01) (54)发明名称 一种用于配电网监测及预判的边缘计算方 法及装置 (57)摘要 本发明涉及一种用于配电网监测及预判的 边缘计算方法及装置， 属于配电房安全管理领 域， 方法包括： 确定触发条件； 对环境变量开始监 测， 判断是否满足触发条件； 若不满足， 重新监 测； 若满足， 则发出警报信号， 得到第一数值； 收 集异常环境监测数据集并进行标记， 得到训练 集， 采用训练集对神经网络进行训练； 确定异常 环境关键帧； 将异常环境关键帧输入到训练好的 神经网络中， 得到异常目标置信度； 判断置信度 是否大于预设阈值， 若大于， 则将这一信号传入 边缘计算装置， 得到第二数值； 边缘计算装置根 据所述第一数值和所述第二数据得到决策。 本发 明中的上述方案能够直观的了解现场配电房的 异常情况， 避免误发信号 或超过阈值不发信号带 来的隐患。 权利要求书3页 说明书10页 附图9页 CN 115049988 A 2022.09.13 CN 115049988 A 1.一种用于配电网监测及预判的边 缘计算方法， 其特 征在于， 所述 边缘计算方法包括： 确定触发条件； 对环境变量 开始监测， 得到监测结果； 判断所述 监测结果是否满足触发条件； 若不满足， 则返回步骤 “对环境变量 开始监测， 得到监测结果 ”继续进行监测； 若满足， 则发出警报信号， 得到第一数值； 收集异常环境 监测数据集X={x1,x2,…,xn}， 其中， x1,x2,…,xn为异常环境 监测数据； 对所述异常环境监测数据集X={x1,x2,…,xn}进行标记， 得到标签数据集Y={y1,y2,…, yn}， 其中， y1,y2,…,yn为标签数据； 基于所述异常环境监测数据集X={x1,x2,…,xn}和所述标签数据集Y={y1,y2,…,yn}确 定训练集D={X,Y}； 采用所述训练集对神经网络进行训练， 得到训练好的神经网络； 获取配电房内视频图像； 滤除所述视频图像中的冗余帧， 得到异常环境关键帧； 将所述异常环境关键帧输入到所述训练好的神经网络中， 得到异常目标置信度； 判断所述置信度是否大于预设阈值； 若小于或等于则返回步骤 “滤除所述视频图像中的冗余帧， 得到异常环境关键帧 ”； 若大于， 则将这 一信号传入边 缘计算装置， 得到第二数值， 执 行下一步骤； 边缘计算装置根据所述第一数值和所述第二数值得到决策。 2.根据权利要求1所述的用于配电网监测及预判的边缘计算方法， 其特征在于， 所述环 境变量包括： 水位、 烟雾以及门状态。 3.根据权利要求1所述的用于配电网监测及预判的边缘计算方法， 其特征在于， 所述训 练好的神经网络为 Qint8， 所述 Qint8包括： 第一卷积单元、 第二卷积单元、 主干网络、 金字塔网络、 检测头以及编解码器； 所述第一 卷积单元、 第二卷积单 元、 主干网络、 金字塔网络、 检测头以及编解码器依次连接 。 4.根据权利要求1所述的用于配电网监测及预判的边缘计算方法， 其特征在于， 所述滤 除所述视频图像中的冗余帧， 得到异常环境关键帧具体包括以下步骤： 获取连续的四帧图像 ； 将所述四帧图像 进行缩放并转换为灰度图片； 对所述灰度图像进行高斯滤波， 得到图片 ； 对 做差， 得到灰度特征图： ， 其中dif 1和dif 2均为灰度图片相减后得到的灰度特 征图； 对所述dif 1和dif 2自动填充； 将dif 1和dif 2调整为一维向量， 对 dif 1和dif 2求余弦相关系数 corr； 摄像头获取 下一帧图片 p4， ；权　利　要　求　书 1/3 页 2 CN 115049988 A 2判断所述余弦相关系数 corr是否大于门限值Thrcorr， 若corr>Thrcorr， 则输出关键帧 pkey =p4， 否则， 返回步骤 “将所述四帧图像 进行缩放并转换为灰度 图片”。 5.根据权利要求4所述的用于配电网监测及预判的边缘计算方法， 其特征在于， 对所述 dif 1和dif 2自动填充具体采用如下公式： 其中，dif为二值图像灰度值， difi,j为灰度图片像素坐标点的特征值， Thrs为dif 1和 dif 2的阈值。 6.根据权利要求4所述的用于配电网监测及预判的边缘计算方法， 其特征在于， 边缘计 算装置根据所述第一数值和所述第二数值得到决策 具体包括以下步骤： 根据公式确定决策 y：y=G1*第一数值+G2*第二数值， 其中G1和G2为权 重， G1>G2； 当所述决策 y在第一设定范围内时， 则边 缘计算装置 跳开进线开关， 通知主站； 当所述决策 y在第二设定范围内时， 则触发告警信号。 7.一种用于配电网监测及预判的边 缘计算装置， 其特 征在于， 所述装置包括： 触发条件确定模块， 用于确定触发条件； 环境变量 监测模块， 用于对环境变量 开始监测， 得到监测结果； 第一判断模块， 用于判断所述 监测结果是否满足触发条件； 第一循环模块， 用于当不满足时， 返回 “环境变量 监测模块 ”继续进行监测； 第一数值确定模块， 用于当满足时， 发出警报信号， 得到第一数值； 异常数据收集模块， 用于收集异 常环境监测数据集X={x1,x2,…,xn}， 其中， x1,x2,…,xn 为异常环境 监测数据； 数据标记模块， 用于对所述异常环境监测数据集X={x1,x2,…,xn}进行标记， 得到标签 数据集Y={y1,y2,…,yn}， 其中， y1,y2,…,yn为标签数据； 训练集确定模块， 用于基于所述异常环境监测数据 集X={x1,x2,…,xn}和所述标签数据 集Y={y1,y2,…,yn}确定训练集D={X,Y}； 训练模块， 用于采用所述训练集对神经网络进行训练， 得到训练好的神经网络； 图像获取模块， 用于获取配电房内视频图像； 预处理模块， 用于滤除所述视频图像中的冗余帧， 得到异常环境关键帧； 置信度确定模块， 用于将所述异常环境关键帧输入到所述训练好的神经网络中， 得到 异常目标置信度； 第二判断模块， 用于判断所述置信度是否大于预设阈值； 第二循环模块， 用于当小于或等于时， 返回 “预处理模块”； 第二数值确定模块， 用于当大于时， 则将这一信号传入边缘计算装置， 得到第二数值， 执行下一步骤； 决策模块， 用于通过边 缘计算装置根据所述第一数值和所述第二数值得到决策。 8.根据权利要求7所述的用于配电网监测及预判的边缘计算装置， 其特征在于， 所述训权　利　要　求　书 2/3 页 3 CN 115049988 A 3