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