一种基于深度学习的电网设备状态监测装置制造方法及图纸

一种基于深度学习的电网设备状态监测装置，该装置包括视频采集单元，电网设备检测单元，显示单元和储存单元。视频采集单元的工业相机将采集到的视频信息通过网线传输到视频解码器，同时经网线传输到储存单元进行数据备份。通过提取监测视频的视频帧，构建一个专门用于识别电网设备状态的图像库。电气设备检测单元将数据库模块中的电气设备状态数据传输到深度学习训练模块进行深度学习建模，深度学习识别模块利用深度学习训练模块建立的模型对电气设备状态进行判别分类，同时将判别分类结果进行显示和储存。本发明专利技术有效地缓解人力监测的压力，达到真正意义上的智能监测。

A device for condition monitoring of power grid based on depth learning

A device for monitoring the condition of power grid equipment based on depth learning, comprising a video acquisition unit, a grid device, a detection unit, a display unit, and a storage unit. The industrial camera of the video capture unit transfers the video information collected to the video decoder through the network cable, and then transfers it to the storage unit for data backup. By extracting video frames of surveillance video, an image library dedicated to identifying the state of the grid equipment is constructed. Electrical equipment the electrical equipment state detection unit will transfer the data to the deep learning training module for deep learning database modeling module, identification module using deep learning deep learning training module model was used to classify the state of electrical equipment at the same time, the discriminant classification results are displayed and stored. The invention effectively reduces the pressure of human monitoring and achieves the intelligent monitoring in the real sense.

【技术实现步骤摘要】
一种基于深度学习的电网设备状态监测装置
本专利技术属于人工智能电网视频监测
，涉及一种基于深度学习的电网设备状态监测装置。
技术介绍
长期以来，在变电站巡视过程中，需要定周期、定路线、定方法、定人、定标准、定时间，及时发现设备的缺陷或隐患，但变电站巡视主要通过人工模式，定期或不定期对现场设备进行巡视检查或采用红处线测温手段对电网设备状态进行监视，工作量大，且受环境因素、人员素质等各方面的影响，容易造成巡视不到位，核对不到位情况发生，巡视效率和质量往往达不到预期效果。目前，变电站中存在各种传感器和监测设备，产生大量数据，包括由工业相机捕获的图像和视频。传统的监测系统仅实现了遥视功能，海量图像资源数据仅靠人工搜索，效率较低，而且远没有发挥图像数据资源优势。传统的电力生产主要依靠结构化数据。近年来，视频，图像等非结构化数据已超过结构化数据的增长速度，并且这些非结构化数据成为电网大数据的主要部分。如果能够将图像视频这些非结构化数据进行结构化，在海量的图像中实时发现正常运行和故障的状态，实现智能识别、高效决策将具有重要价值和意义。
技术实现思路
为了克服现有技术中存在的不足，本专利技术提供一种基于深度学习的电网设备状态监测装置。为解决上述技术问题，本专利技术采用的技术方案为：一种基于深度学习的电网设备状态监测装置，该电网设备状态监测装置包括视频采集单元、电网设备检测单元、显示单元和储存单元；其中，视频采集单元包括工业相机和视频编码器，用于获取待识别电网设备状态；电网设备检测单元包括图像数据库模块、深度学习训练模块、深度学习识别模块；显示单元为LED显示屏，将显示识别结果以及实时监测录像；储存单元为云盘储存，将实时监测视频、图像以及识别结果进行云盘储存。所述的视频采集单元的工业相机将采集到的视频信息通过网线传输到视频解码器，同时经网线传输到储存单元进行数据备份；通过提取监测视频的视频帧，构建一个专门用于识别电网设备状态的图像数据库；图像数据库中的所有图像包括刀闸的断、合，冷却器的停、启，温度计、仪表盘处于预警刻度区和非预警刻度区等状态，每幅图像只包含一种状态，一共8种状态。所述每类图片的数量通常设置为1000张。对建立好的数据库中的每一幅图片都做一些预处理，过程如下：首先将所有图片随机对等地划分为训练图片集和测试图片集，再将每一张图片的大小进行归一化，输入数据为256×256像素；对每一幅图片进行无序排序，通过手工标注得到一个标签，表明该幅图片的识别状态。所述的电气设备检测单元将图像数据库中的电气设备状态数据传输到深度学习训练模块进行深度学习建模，深度学习识别模块利用深度学习训练模块建立的模型对电气设备状态进行判别分类，同时将判别分类结果进行显示和储存。所述的深度学习训练模块分为两部分：预处理和训练；预处理有三个部分：无序排序，颜色、图形的聚类，大小和格式的调整；训练包括卷积层、池化层、全连接层、分类层以及激活函数，所述卷积层的后面连接所述池化层，所述池化层的后面连接所述全连接层，最后的分类层上的每个输出节点为所述电网设备状态概率，根据所述电网设备状态概率确定所述待识别电网设备状态的属性信息。其中：卷积层，通过卷积运算使得原信号特征增强并降低噪音；池化层，利用图像局部性原理通过抽样的方法减少很多特征，包括最大池化、均值池化、随机池化；具体的卷积计算、池化计算采用现有CaffeNet中的卷积层和池化层实现；全连接层，全连接层的每个神经元都与下一层的每个神经元相连，像传统的多层感知器神经网络一样；分类层，将电网设备状态分为8类，将分类结果和标签进行匹配；激活函数，用于参数的计算和调整；为避免出现过拟合的现象，在图像库CaffeNet上对深度学习训练模块进行fine-tune。所述深度学习识别模块，用于将计算机自动获取来自工业相机的实时画面，自动提取并描述画面的特征和内容，辨别出画面中设备的状态变化，提取目标的静态特征，判断其类别，并进一步确定所述电网设备状态的属性信息；在此基础上，即发出警告、记录信息和启动事件处置预案。本专利技术的电网设备状态监测装置，利用一个电网设备状态的图像数据库，该数据库包括了和各种条件下的电网设备状态的图像，所有图像在背景、角度、光照、尺度等方面都具有很大的差异性。并且为避免在规模太小的数据库上训练得到的电网设备状态模型过拟合，所以在CaffeNet数据库进行fine-tune，从而获得训练后的电网设备状态模型。在获取到待识别电网设备状态图像后，无需用户手动定义状态再进行分类，直接通过该装置即可识别并采取有效措施，有效地缓解人力监测的压力，达到真正意义上的智能监测，结果表明本专利技术提出的基于深度学习的电网设备状态监测装置具有非常高的实用性和可行性。附图说明图1是本专利技术电网设备状态监测装置的结构示意图。图2是本专利技术电网设备状态识别方法实施的流程示意图。具体实施方式下面结合附图对本专利技术一种实施例做进一步说明。如图1所示，该装置包括视频采集单元，电网设备检测单元，显示单元和储存单元。其中，所述视频采集单元包括工业相机和视频编码器，用于获取待识别电网设备状态。其中，所述电网设备检测单元包括数据库模块、深度学习训练模块、深度学习识别模块。其中，所述显示单元为LED显示屏，将显示识别结果以及实时监测录像。其中，所述储存单元为云盘储存，将实时监测视频、图像以及识别结果进行云盘储存。如图2所示，首先，建立一个包含刀闸断、合，冷却器的停、启，温度计、仪表盘处于预警刻度区和非预警刻度区等图像的电网设备状态图像数据库，所有图像均来自现实的监测设备，每一类图像数量为1000张，并且每一类图像的背景、角度、光照、尺度上具有很大的差异性。针对每一幅图像，通过手工标注得到一个标签，表明了该幅图像的识别状态。对建立好的数据库中的每一幅图像都做一些预处理，首先将所有图像随机对等地划分为训练图像集和测试图像集，再将每一张图像的大小进行归一化，输入数据为256×256像素。在对模型进行学习之前，需要解决训练模型参数过多带来的过拟合现象。为此，在CaffeNet图像公开库上预先训练神经网络模型，再使用建立的电网设备状态数据库继续学习该模型直至收敛。所述的深度学习训练模块分为两部分：预处理和训练。预处理有三个部分：无序排序，颜色、图形的聚类，调整大小和格式。训练包括5个卷积层、5个池化层、3个全连接层和1个分类层。所述卷积层1与池化层1用于滤波，卷积层2与池化层2对滤波结果进行绝对值校正，卷积层3与池化层3用于对校正结果进行均值和方差归一化，卷积层4与池化层4用于对归一化结果进行采样窗口所有值进行平均化，卷积层5与池化层5用于对平均值进行最大化。其中，激活函数采用ReLU非饱和激活函数，用于参数的计算和调整。经过卷积层1，将所述待识别电网设备状态图像与卷积核进行卷积计算，卷积核大小为7*7，滑动时每次移动步长为2个像素，输入的特征层个数为96，卷积核的参数的个数为96*7*7*3＝14112，经过卷积层1后得到的结果为110*110*96＝1161600；经过池化层1，池化范围大小为3*3，每次移动为2个像素，经过池化层1后得到的图像维度是55*55*96＝290400；经过卷积层2，将上一层得到输出与卷积核进行卷积计算，卷积核大小为本文档来自技高网...

【技术保护点】
一种基于深度学习的电网设备状态监测装置，其特征在于，该电网设备状态监测装置包括视频采集单元、电网设备检测单元、显示单元和储存单元；其中，视频采集单元包括工业相机和视频编码器，用于获取待识别电网设备状态；电网设备检测单元包括图像数据库模块、深度学习训练模块、深度学习识别模块；显示单元为LED显示屏，将显示识别结果以及实时监测录像；储存单元为云盘储存，将实时监测视频、图像以及识别结果进行云盘储存；所述的视频采集单元的工业相机将采集到的视频信息通过网线传输到视频解码器，同时经网线传输到储存单元进行数据备份；通过提取监测视频的视频帧，构建一个专门用于识别电网设备状态的图像数据库；图像数据库中的所有图像包括刀闸的断、合，冷却器的停、启，温度计、仪表盘处于预警刻度区和非预警刻度区等状态，每幅图像只包含一种状态，一共8种状态；所述的电气设备检测单元将图像数据库中的电气设备状态数据传输到深度学习训练模块进行深度学习建模，深度学习识别模块利用深度学习训练模块建立的模型对电气设备状态进行判别分类，同时将判别分类结果进行显示和储存。

【技术特征摘要】
1.一种基于深度学习的电网设备状态监测装置，其特征在于，该电网设备状态监测装置包括视频采集单元、电网设备检测单元、显示单元和储存单元；其中，视频采集单元包括工业相机和视频编码器，用于获取待识别电网设备状态；电网设备检测单元包括图像数据库模块、深度学习训练模块、深度学习识别模块；显示单元为LED显示屏，将显示识别结果以及实时监测录像；储存单元为云盘储存，将实时监测视频、图像以及识别结果进行云盘储存；所述的视频采集单元的工业相机将采集到的视频信息通过网线传输到视频解码器，同时经网线传输到储存单元进行数据备份；通过提取监测视频的视频帧，构建一个专门用于识别电网设备状态的图像数据库；图像数据库中的所有图像包括刀闸的断、合，冷却器的停、启，温度计、仪表盘处于预警刻度区和非预警刻度区等状态，每幅图像只包含一种状态，一共8种状态；所述的电气设备检测单元将图像数据库中的电气设备状态数据传输到深度学习训练模块进行深度学习建模，深度学习识别模块利用深度学习训练模块建立的模型对电气设备状态进行判别分类，同时将判别分类结果进行显示和储存。2.根据权利要求1所述的一种基于深度学习的电网设备状态监测装置，其特征在于，所述的深度学习训练模块分为两部分：预处理和训练；预处理有三个部分：无序排序，颜色、图形的聚类，大小和格式的调整；训练包括卷积层、池化层、全连接层、分类层以及激活函数，所述卷积层的后面连接所述池化层，所述池化层的后面连接所述全连接层，最后的分类层上的每个输出节点为所述电网设备状态概率，根据所...

【专利技术属性】
技术研发人员：王安娜，刘璟璐，王文慧，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21