具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。

本发明需要解决以下技术问题：如何在高实时性要求的变电站巡视场景下，采用云边资源协同的方式更好地处理数据；如何通过云端挖掘频繁模式，识别历史巡视数据中的设备异常现象；如何在忽略巡视流数据时变进化的特征时，通过足够数量的历史数据构建的全局特征模型具有较高的异常检测精度；如何检测出最新获取的巡视流数据中可能存在的新型异常模式以及特定场景下的变电站异常目标。

本发明实施例提供一种基于云边系统和视频智能分析的变电站巡视方法，包括如下步骤：

步骤a)、建立变电站巡视的云边协同系统架构，由巡视主机、巡视边缘区块和巡视边缘节点构成，巡视主机用于对变电站图像大数据的处理和分析；巡视边缘区块用于前端巡视节点感知数据的汇聚、存储、处理和智能应用，并独立自治；巡视边缘节点用于视频、音频等多维感知数据的采集和智能处理，巡视边缘节点将巡视数据以一定的周期发送给临近节点和巡视主机；

步骤b)、变电站巡视云边系统通过系统资源的实时占用情况，配置在巡视主机和巡视边缘节点之间的任务智能调度；

其中，所述步骤b)包括以下具体步骤：

步骤b1)、变电站巡视云边系统采用DAG任务模型，包括强实时热点代码分析机制、应用程序分析流程及映射、面向云+边的巡视任务调度模型；其中强实时热点代码分析机制包含两个模块，分别是分支识别模块和路径探测模块。支持强实时、大样本的云/边迁移技术主要涉及基于MCTS的策略梯度强化学习方法设计、基于seq2seq模型的迁移策略网络结构设计、迁移算法输入输出设计。面向计算密集型的云/边调度算法优化技术主要包括神经网络共性加速算法优化技术、SVM共性加速算法优化技术、集成学习共性加速算法调度优化技术。

步骤b2)、变电站分布式异构计算系统下的DAG任务调度模型如图1所示。图1所示DAG任务图表示变电站巡视应用中任务间的并行与数据依赖关系，图2所示硬件资源拓扑图表示变电站分布式异构计算系统的计算节点间拓扑关系和硬件资源状态等信息。变电站异构系统下的DAG任务调度模型可表示为如何将DAG任务图中的任务节点调度到硬件资源拓扑图中的计算节点上执行，以优化DAG任务在异构系统中的总体运行完成时间。

步骤c)、巡视主机通过变电站历史巡视数据库建立历史数据模型，对当前接收的巡视流数据，采用基于DRFCN网络的目标智能识别方法来进行变电站监控目标的识别，并计算其与历史正常模型之间的差异。巡视主机将计算结果实时发送给巡视边缘节点；

其中，所述步骤c)包括以下具体步骤：

步骤c1)、通过大量的变电站历史巡视数据，建立变电站数据模型；

步骤c2)、对当前接收到的变电站巡视数据进行处理。通过卷积模块稠密连接的方式，各个卷积模块都和上层的所有卷积模块稠密连接，复用深度网络模型中每一层的特征。底层的卷积模块学习到了上面所有卷积模块的特征，必将提高深度网络模型的特征表达能力，不仅可以提高变电站设备的识别平均准确率和减小深度网络模型，而且可以有效解决梯度弥散、梯度膨胀问题。

步骤c3)、基于稠密卷积神经网络的区域采样。在RPN模型结构的基础上，基于稠密卷积神经网络的DRPN方法，用于获得变电站设备的更高质量的采样区域。DRPN模型结构如图3所示，DRPN输入任意尺寸的变电站设备图像，输出为对应于每一个类的多个采样区域；

步骤c4)、变电站目标采样区域获取。输入通道的变电站设备特征图片经过稠密卷积网络层变换后，生成了多个W×H大小的特征图，特征图的每一个像素(神经元)具有很宽泛的感受野。对于一个W×H的特征图，将产生W×H×k个锚点框，这些采样区域包含了大量的前景区域(包含变电站目标)和背景区域(不包含变电站目标)。在W×H×k个样本中挑选最能代表样本特征的锚点框；

步骤c5)、联合代价函数：为了共享稠密卷积网络的计算量和存储空间，采用联合代价函数训练DRPN，实现端到端的训练和测试。分别设定了分类和区域采样算法的代价函数后，通过联合计算采样区域的类别损失(LOSS)和位置损失，设计如式(1)所示的联合代价函数，L_cls和L_reg分别表示分类和锚点框回归的代价函数，其中N_cls表示一次训练选取的锚点框数量，N_reg表示选取锚点框的特征图大小。

步骤c6)、基于稠密卷积神经网络的变电站目标快速分类。DFCN算法的模型结构，如图4所示。利用DRPN算法快速、高效的获得高质量的变电站目标采样区域后，在深层次的特征图上提取特征进行分类，并在结果中同时输出变电站巡视目标的类别和位置信息。

步骤c7)、特征转换。对于每一层特征图，做卷积、池化、归一化、线性或非线性转换等操作。

步骤c8)、梯度弥散、梯度膨胀。采用稠密连接卷积层的方式，梯度同样是通过和的方式在模型中反向传递，即DFCN加强了深度学习模型的特征表达能力，但是计算反向传递梯度时不需要增加计算量。

步骤c9)、ROIP归一化变换。将不同维度的特征矩阵归一化到相同维度。

步骤c10)、联合代价函数。DFCN有两个同级的输出：K+1个变电站目标的类别信息和每一类的坐标位置。训练DFCN的联合代价函数如式(2)所示：

L(p,u t,^u v,＝)L_cls p(u,+λ)u≥[L_loc 1t^u]v (2)

分类的ROI是通过DRPN求得，对于每一个ROI都有一个类别和位置坐标标签，分别表示为u和v，t^u表示需要预测的位置坐标，以元组形式表示设置背景类为第0类，λ设置为1，对于背景ROI并不回归计算位置坐标。

如前所述，DRPN用于产生变电站巡视目标的高质量采样区域，DFCN用于计算变电站巡视目标采样区域类别信息的离散概率分布和位置坐标。如要使得DRPN和DFCN共享稠密卷积层，则DRFCN需要一种训练机制，使得DRPN和DFCN共享权重。本发明采用DRPN和DFCN联合分布参数训练方法。

步骤c11)、计算变电站巡视目标与变电站历史模型之间的差异，如果计算得到异常结果，则将计算结果实时发送给巡视边缘节点。

步骤d)、巡视边缘节点向边缘区块中的邻域节点广播动态信息，并将采集到的一部分数据周期性的发送给巡视主机。巡视边缘节点采用基于轻量化深度网络的目标智能识别方法来进行变电站目标识别，并计算异常值。如果巡视边缘节点计算得到异常，则将计算结果实时发送给巡视主机；

其中，所述步骤d)包括以下具体步骤：

步骤d1)、巡视边缘节点采集边缘区块中的视频、声音等多维动态信息，并将采集到的一部分数据周期性的通过网络发送给巡视主机；

步骤d2)、使用Se-DResNet轻量化分类网络。利用卷积操作对输入的特征通道进行压缩，使得后续模块操作中所需的计算量减少；

步骤d3)、分别输入到1×1与3×3卷积核通道，通过不同尺寸卷积核实现感受野尺寸的多样性，从而对变电站巡视目标特征的提取的表征能力更有效；

步骤d4)、借鉴SeNet网络中提出的通道加权方法对特征图进行加权操作，使得性能优良的特征图能够得到最大限度的利用；

步骤d5)、轻量化检测网络。利用Se-DResNet轻量化分类网络模块进行变电站设备目标特征提取；

步骤d6)、选择轻量化SSD深度网络作为基础框架，并针对SSD准确性较差的问题进行改进。在变电站多尺度目标检测部分，借鉴特征融合的思想，通过提升输入特征的质量，使得输入特征对变电站目标信息的表达更为准确；

步骤d7)、针对分类器部分存在的正负样本比例失衡的问题，使用重塑交叉熵损失的方式，实现输入分类器样本的正负比例调整，同时可实现将样本中难分与易分样本进行合理的区分；

步骤d8)、计算变电站巡视目标与巡视边缘节点预置的模型之间的差异，如果巡视边缘节点计算得到异常数据，则将计算结果实时发送给巡视主机。

步骤e)、巡视主机对云端和巡视边缘节点的数据进行协同处理，与系统预定义的异常阈值进行比较，计算出综合异常指数A，得到巡视目标的异常状态，对可能发生的异常做出进一步判断，及时更新系统调度。

其中，所述步骤e)包括以下具体步骤：

步骤e1)、巡视主机采用云端和边缘端检测相结合的评测方式，加权组合两种异常检测结果得到综合异常指数A：

A＝W_N*A_N+W_C*A_C

A_N表示边缘端计算得到的异常指数，W_N表示边缘端计算的异常指数所占的比重，A_C表示云端计算得到的异常指数，W_c表示云端计算得到的异常指数所占的比重。可根据边缘端采集的数据量和通信的情况，实时调整W_c和W_N的值。

步骤e2)、根据计算得到的综合异常指数A，对可能发生的变电站设备异常做出进一步判断，及时更新系统调度。

本发明设计了一种基于云边系统和视频智能分析的变电站巡视方法。根据变电站的目标特征设计了基于云边协同的系统架构，通过云边节点之间的协作，结合巡视主机端DRFCN网络和巡视边缘节点轻量化深度网络的目标检测算法，解决了传统巡视主机无法及时处理大量边缘采集的原始数据的问题，从而有效实现了高实时性要求下的变电站无人智能巡视问题。该方法在持续检测巡视数据流的变电站异常目标时具有较高的响应速度和检测精度。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。