CN118965211B 一种架空输电线路的监控方法、装置、设备及存储介质 （北京理工大学）

号本发明提供了一种架空输电线路的监控方位故障位置。通过自适应分割策略优化KD_Tree的建树过程，并通过优化后的KD_Tree渲染所述无人机仿真模型将目标架空输电线路的实时运的情况下根据异常数据定位可能存在故障的位2获取目标架空输电线路的图像数据和点云数据，并根据所述点云采用自适应分割策略优化KD_Tree的建树过程，通过优化后的KD_Tr通过无人机仿真模型对无人机进行路径规划，并按照对所述实时数据进行监测，在所述实时数据存在异常数据的情况所述电力要素模型采用自适应分割策略优化KD_Tree的建根据点云数据的数据集分布情况选择轴进行分割，再根据数据集的密度和分布情况，所述通过优化后的KD_Tree渲染所述点d表征采样点的像素位置到高斯中心点的距离，σ表征该采样点根据所述叶子节点中每个采样点的高斯权重，通过下述公式确定所N表示叶子节点中的采样点数量，是第i个采样点处的高斯权重，ui是第i无人机仿真模型通过图卷积循环注意力网络对无人机进行路径卷积神经网络通过所述图像数据提取特征图，循环神经网络3F=CNN(X)X是图像数据，F是卷积神经网络的池化层最终输出的高层次特征图；注意力机制根据时间序列特征确定每个时间步隐藏状其中，表征时间步i的注意力得分，ci是时间步i的注意力得分权重向量的转其中，是节点i的注意力权重，f(e,)是4通过所述数据采集模型实时采集所述巡检场景模型中的构建模块，用于根据所述点云数据构建数字孪生素模型和无人机仿真模型；采用自适应分割策略优化KD_Tree的建树过程，通过优化后的巡查模块，用于通过无人机仿真模型对无人机进行路径规划，并按所述构建模块还用于根据点云数据的数据集分布情况选择轴进行分割，再根据所述叶子节点中每个采样点的高斯权重，通过下述公式确定所N表示叶子节点中的采样点数量，w是第i个采样点处的高斯权重，vi是第i个所述巡查模块还用于利用无人机仿真模型通过图卷积循环注意力网络对无人机进行卷积神经网络通过所述图像数据提取特征图，循环神经网络机程序被处理器执行时实现上述权利要求1～4任一项上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～4任一所述的方5对地短路等故障，而这些问题的发生会严重影响电力系统的运行效率和电力供应的稳定出现的问题和异常情况对于电力系统的安全运行和智能管理具依据无人机虚拟模型的位置形态和虚拟场景下的待检测目标位置来计算无人机的目标转6的实时数据映射至电力要素模型；所述实时数据表征目标架空输电线路的实时运行数据；[0026]其中，vT表征时间步i的注意力得分，ei是时间步i的注意力得分vT权重向量的转7[0044]可选地，所述构建模块还用于根据点云数据的数据集分子集以高斯分布的形式表示，每个叶子节点包含的一组采样点被共同表示为一个高斯函8[0057]其中，vT表征时间步i的注意力得分，ei是时间步i的注意力得分vT权重向量的转9[0076]图1为本申请根据一示例性实施例提供的一种架空输电线路的监控方法流程示意[0078]图3为本申请提供的一种用于实现架空输电线路的监控方法的计算机设备示意[0081]图1是本公开根据一示例性实施例提供的一种架空输电线路的监控方法流程示意传感器采集数据，使用基于KD_Tree的高斯点云渲染方法来渲染大规模点云来生成该电力[0090]该特征提取模型用于从采集到的数据中提取出有用的特征信息以便进行目标识密度加权的方式来确定高斯函数的标准差σ。这种表示方式将原本离散的点云数据转化为集以高斯分布的形式表示，每个叶子节点包含的一组采样点被共同表示为一个高斯函数；[0101]叠加高斯函数：根据该叶子节点中每个采样点的高斯权重进行高斯加权插值操[0117]其中，vT表征时间步i的注意力得分，ei是时间步i的注意力得分vT权重向量的转[0136]采用上述方法，通过自适应分割策略优化KD_Tree的建树过程，并通过优化后的[0137]图2是本申请根据一示例性实施例提供的一种架空输电线路的监控装置，该装置[0147]可选地，该巡查模块203还用于控制无人机仿真模型通过图卷积循环注意力网络[0154]其中，vT表征时间步i的注意力得分，ei是时间步i的注意力得分vT权重向量的转[0168]采用上述装置，通过自适应分割策略优化KD_Tree的建树过程，并通过优化后的机程序可用于执行上述图1提供的架空输电线路在流程图一个流程或多个流程和/或方框图一个方框或多个方框中[0173]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品