基于深度神经网络的电力设备故障检测方法技术

本发明专利技术公开了一种基于深度神经网络的电力设备故障检测方法，包括采集红外图谱，构建规范化的图谱数据库；建立多层深神经网络对测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。此方法应用于电网设备检测后能极大减少人工设备识别分区等繁琐工作，提高了工作效率。

【技术实现步骤摘要】
基于深度神经网络的电力设备故障检测方法
本专利技术涉及一种基于深度神经网络的电力设备故障检测方法，属于图像识别领域。
技术介绍
随着特高压交直流混合大电网、新一代智能变电站、智能输电线路等工程的深入建设，全新的电网重大成套装备和智能装备不断涌现，对电网设备安全和智能运维提出新的挑战。需要借助物联网、大数据等新技术，提出智能化的设备运维技术，逐步构建具有信息化、可视化和智能化的设备运维管控体系，满足未来电网设备更高的安全运维要求。视频图像检测与识别技术已经广泛应用于电力设备故障检测及通道监控，但就目前实际应用效果来看，一方面存在设备监测数据可用性差、误报警和漏报警、状态检修指导作用不强的问题；另一方面由于种种原因，采集的大量设备图谱数据没有得到充分利用，造成资源浪费。近年来，人工神经网络发展到了深度学习(deeplearning)阶段，即深度神经网络。深度学习试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法，其强大表达能力使得其在各个机器学习的任务上取到了最好的效果，在视频分类上的表现在目前也超过了其它方法。深度学习使用了分层抽象的思想，高层的概念通过低层的概念学习得到。这一分层结构通常使用贪婪逐层训练算法构建而成，并从中选取有助于机器学习的有效特征，很多深度学习算法都是以无监督学习的形式出现的，因此这些算法能被应用于其他算法无法企及的无标签数据，这一类数据比有标签的数据更为丰富，也更容易获得，这一点成为深度学习的重要优势。典型的无监督学习任务包括：维度消减(dimensionalityreduction)，将输入数据投影到一个低维度空间中，实现更有意义的距离表示或可视化效果，比如PCA(PrincipleComponentAnalysis)；聚类(clustering)，发现样本之间的相似性并将它们归到相应类别，比如k-means；密度估计(densityestimation)，学习一个生成训练数据X的分布(distribution)，比如GMM(GaussianMixtureModels)。深度学习的另外一个好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征，它将传统学习方法的特征提取与分类合二为一，从而使得通过学习得到的特征对于分类具有最好的效果,参照故障图像数据库中的故障图谱，能给出安全分析结论并实现智能预警。深度神经网络的上述优点，为基于智能图像识别的设备、通道状态的感知技术研究提供了新的途径，但是目前还没有的基于深度神经网络的电力设备故障检测方法。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于深度神经网络的电力设备故障检测方法。为了达到上述目的，本专利技术所采用的技术方案是：基于深度神经网络的电力设备故障检测方法，包括采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。构建规范化的图谱数据库的过程为：对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。在多个不同视点采集的红外图谱，在构建规范化的图谱数据库之前，基于视觉和相关背景对采集的红外图谱进行过滤。建立多层深神经网络的过程为，将图谱数据库中建模用红外图谱分为训练集和测试集；构建多层深神经网络系统，输入训练集，对每个训练样本x设置对应的输入激活ax,l，进行数据的向前传播，计算每一层的层参数，具体公式如下：zx,l＝wlax,l-1+blax,l-1＝σ(zx,l-1)其中，zx,l为l层神经网络单元的输出，zx,l-1为l-1层神经网络单元的输出、wl为l层神经网络单元的权重、ax,l-1为l层神经网络单元的输入、bl为l层神经网络单元的偏置、σ为sigmoid函数、l为神经网络的层数；计算输出误差δx,l，通过反向传播算法，由梯度下降规则对于每个l根据和来更新权重和配置，使代价函数的值趋于0，其中，η、m分别为神经网络的学习率和训练集的样本总数；在迭代过程中，观察loss值的变化判断收敛情况，调整学习率，生成包含各层参数的多层深神经网络模型。设备分区的过程为，搭建目标检测框架，通过RCNN目标检索的方法，将分类的测试用红外图谱图谱中主干设备的区域和位置进行提取；通过Labelparting的方法，对提取出的主干设备进行设备内部的分区。根据红外图谱缺陷分析准则，提取分区内的像素点，根据像素点与温度件的转化规则，将提取的像素点转化为温度，根据温度设置分区内温度预警规则。如果为单向设备，则计算分区内的平均温度，生成单项设备温度预警规则，如果是三项设备，则计算分区内的项间温差，生成三项设备温度预警规则。本专利技术所达到的有益效果：本专利技术实现的方法以神经网络的方法对电网图像进行分类和分区，能大量减少人工对于电网拍摄图像的分类和分区的工作，减少繁琐的人工干预，能提高电网工作人员的工作效率。附图说明图1为本专利技术的流程图。图2为分区后的第一红外图谱。图3为分区后的第一红外图谱。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，基于深度神经网络的电力设备故障检测方法，包括以下步骤：步骤1，采集红外图谱，包括测试用的红外图谱和建模用的红外图谱，构建规范化的图谱数据库。具体过程如下：11)研究非接触式的红外图谱采集，在多个不同视点(一般大于6个不同视点)采集的红外图谱，保证所采集红外图谱中设备角度的多样性，并基于视觉和相关背景对采集的红外图谱进行过滤，为构建规范化的图谱库打下基础；12)对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。步骤2，建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类。建立多层深神经网络的过程为：21)将图谱数据库中建模用红外图谱分为训练集和测试集；22)构建多层深神经网络系统，输入训练集，对每个训练样本x设置对应的输入激活ax,l，进行数据的向前传播，计算每一层的层参数，具体公式如下：zx,l＝wlax,l-1+blax,l-1＝σ(zx,l-1)其中，zx,l为l层神经网络单元的输出，zx,l-1为l-1层神经网络单元的输出、wl为l层神经网络单元的权重、ax,l-1为l层神经网络单元的输入、bl为l层神经网络单元的偏置、σ为sigmoid函数、l为神经网络的层数；23)计算输出误差δx,l，通过反向传播算法，由梯度下降规则对于每个l根据和来更新权重和配置，使代价函数的值趋于0，其中，η、m分别为神经网络的学习率和训练集的样本总数；24)在迭代过程中，观察loss值的变化判断收敛情况，调整学习率，生成包含各层参数的多层深神经网络模型。上述多层深神经网络系统采用典型的AlexNet和CaffeNet对红外图谱进行训练和测试；其中，CaffeNet训练红外图谱的过程中训练参数的定义对网络最后的本文档来自技高网...

【技术保护点】
基于深度神经网络的电力设备故障检测方法，其特征在于：包括采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。

【技术特征摘要】
1.基于深度神经网络的电力设备故障检测方法，其特征在于：包括采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。2.根据权利要求1所述的基于深度神经网络的电力设备故障检测方法，其特征在于：构建规范化的图谱数据库的过程为：对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。3.根据权利要求2所述的基于深度神经网络的电力设备故障检测方法，其特征在于：在多个不同视点采集的红外图谱，在构建规范化的图谱数据库之前，基于视觉和相关背景对采集的红外图谱进行过滤。4.根据权利要求1所述的基于深度神经网络的电力设备故障检测方法，其特征在于：建立多层深神经网络的过程为，将图谱数据库中建模用红外图谱分为训练集和测试集；构建多层深神经网络系统，输入训练集，对每个训练样本x设置对应的输入激活ax,l，进行数据的向前传播，计算每一层的层参数，具体公式如下：zx,l＝wlax,l-1+blax,l-1＝σ(zx,l-1)其中，zx,l为l层神经网络...

【专利技术属性】
技术研发人员：路永玲，胡成博，陶风波，徐家园，徐长福，马展，岳涛，刘浩杰，陈彤，
申请(专利权)人：国网江苏省电力公司电力科学研究院，国家电网公司，南京大学，
类型：发明
国别省市：江苏,32