【技术实现步骤摘要】
本专利技术属于数字图像识别
,具体涉及一种基于深度学习算法的图像中覆冰厚度状态检测方法,可用于对电力系统输电网设备覆冰监测与超限告警。
技术介绍
电网安全稳定运行对国民经济发展的重要性不言而喻,随着电网互联不断深入和电力市场的逐步实施,电网的运行环境也更加复杂,对电网的稳定性和可靠性提出了更高的要求。我国幅员辽阔、气候多样、地形复杂,遍布全国的电力网经常受到各种自然灾害的破坏,我国大部分经常因为极端低温和覆冰导致大面积停电事故。覆冰灾害会导致电网发生机械故障和电气故障,如变电站停运、杆塔倒塌、冰闪跳闸、线路舞动和变电站设备损坏等事故。覆冰对我国电网造成重大设备损失和导致大面积停电事故,且发生覆冰地区往往气候条件恶劣,交通和通讯中断,抢修难度大,造成大面积停电事故,严重影响供电可靠性。输电线路和电力设备的覆冰是客观存在的,无法从根本上消除。为减小覆冰带来的灾害,必须对电网中的电气设备覆冰进行防护,及时消除覆冰安全隐患。目前覆冰防护主要通过监测和抑制两种方法,监测手段通过在电气设备上安装传感器和摄像机实现在线监测覆冰状态,或通过人工巡检方式对关键线路巡查发现故障隐患;国内常受覆冰灾害影响地区均已安装了覆冰监测系统监测电网关键线路和节点的覆冰状态,但近年来频发的冰灾事故证明,当前的几种监测手段还无法满足电力系统安全、稳定的运行要求,以2014年为例,因覆冰引起跳闸597次,跳闸率为0.103次/百千米·年,重合成功率46.4%,与2013年(221次)相比增加376次,增幅为170.1%。2014年覆冰造成故障非停320次,故障非停率为0.055次/百千 ...
【技术保护点】
一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于,包括以下步骤:步骤1:获取覆冰图像数据和对应的应拉力监测数据;步骤2对原始覆冰图像进行预处理,将原始覆冰图像的尺寸处理成尺寸大小一致的图像,用拉力传感器测量的覆冰厚度作为图像标签;步骤3:建立深度学习卷积神经网络模型,针对图像数量和尺寸,建立相应的模型参数,设置每层网络的单元数和激活函数;步骤4:调整权值并训练模型,对图像进行特征提取和组合,判断并输出覆冰厚度;步骤5:分析模型训练分类结果,提取覆冰图像的覆冰厚度信息。
【技术特征摘要】
1.一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于,包括以下步骤:步骤1:获取覆冰图像数据和对应的应拉力监测数据;步骤2对原始覆冰图像进行预处理,将原始覆冰图像的尺寸处理成尺寸大小一致的图像,用拉力传感器测量的覆冰厚度作为图像标签;步骤3:建立深度学习卷积神经网络模型,针对图像数量和尺寸,建立相应的模型参数,设置每层网络的单元数和激活函数;步骤4:调整权值并训练模型,对图像进行特征提取和组合,判断并输出覆冰厚度;步骤5:分析模型训练分类结果,提取覆冰图像的覆冰厚度信息。2.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于:步骤1中所述覆冰图像,包括输电线覆冰图像、杆塔覆冰图像、金具覆冰图像、电气设备覆冰图像;所述应拉力监测数据包括杆塔型号、位置、覆冰等值厚度。3.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于:步骤2中所述对原始覆冰图像进行预处理,包括图像分割和边缘提取;所述图像分割是使用迭代法对图像进行图像分割处理,所述边缘提取中梯度模算子以微分算子形式表示,用快速卷积函数来实现。4.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于:步骤3中所述建立深度学习卷积神经网络,是基于BP神经网络改造的一种深度学习模型,在卷积层中用卷积核去卷积该层的输入,首先将上一层的每个输出特征图位置相同的数据与该层的卷积核进行卷积,再将同一位置卷积所有结果相加,得到该层输出特征图对应位置的输出。5.根据权利要求4所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于:为了减少参数数量,降低模型训练难度,采用权值共享机制,同一张输出特征图使用同一个卷积核,每一次卷积核都各自对应的滤波器与其对应,一个卷积核只提取一种特征,保证特征提取不发生混叠。6.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于:步骤4中所述对建立的卷积神经网络进行训练和测试,其训练过程包括如下子步骤:步骤4.1:计算灵敏度和误差更正;步骤4.2:前向传播;步骤4.3:反向传播;步骤4.4:特征组合;对于提取的每个特征赋予权值,反复进行前向传播与反向传播更正误差并调整权值,达到特征优化组合的目的。7.根据权利要求6所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法,其特征在于:步骤4.1中,对于C分类问题,共有N个训练样本,表示第n个样本的第k类期望输出,表示第n个样本的第k类实际输出,则模型的输出层误差用理想输出与实际输出的均方差表示为:EN=12Σn=1NΣk=1C(tkn-ykn)2;]]>对于第n个样本,实际输出与理想输出的均方差可表示为:En=12Σk=1C(tkn-ykn)=12...
【专利技术属性】
技术研发人员:林刚,陈思远,王波,彭辉,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。