一种电力设备热故障诊断方法、系统及电子设备技术方案

本发明专利技术涉及一种电力设备热故障诊断方法、系统及电子设备。所述方法包括：采集电力设备的红外图像，根据红外图像构建卷积神经网络模型；将待检测的红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出红外图像中的温度标尺和电力设备；根据所识别的温度标尺像素点的RGB值及温度标尺上下界生成RGB值与温度参照表，并提取所识别的电力设备的RGB值，将提取的RGB值与所述RGB值与温度参照表中的RGB值进行比对，得到所识别的电力设备的温度结果；根据电网系统诊断标准对温度结果进行诊断，判断该电力设备是否出现热故障。本发明专利技术通过卷积神经网络模型高效、准确的识别电力设备，通过RGB值精确读取温度，提升电网系统的智能化水平。

【技术实现步骤摘要】
一种电力设备热故障诊断方法、系统及电子设备
本专利技术涉及电网系统故障检测
，特别涉及一种电力设备热故障诊断方法、系统及电子设备。
技术介绍
变电站是电力电网系统的重要组成部分，变电站各电力设备的安全稳定运行是确保供电可靠性的重要因素。由于电力设备长期处于运行状态且受到环境因素的影响，往往会出现各种各样的故障，通常的表现形式为整体或局部的异常发热。因此，对电力设备的温度状态进行监控，并根据温度状态进行分析和诊断，对于发现事故隐患，及早采取措施避免恶性后果、确保电网安全可靠运行具有十分重要的意义。红外热成像技术是一种非接触、被动式的测量技术，该技术是通过对物体表面辐射的红外光线进行远距离检测，形成红外图像。物体的温度高低会通过物体表面的辐射能量体现，红外热成像技术就是通过检测辐射能量来检测温度，物体的温度差异最终在红外图像中以颜色差异体现。由于电力设备分布面广、数量众多且运行时具有高温、高电压等特殊性，红外热成像可以记录电网中大量热故障问题。而随着红外热成像技术的发展，基于红外成像的电力设备热故障检测技术，越来越广泛地应用于电力设备中。目前，基于红外成像对电力设备进行热故障诊断的技术方案为：使用红外热像仪采集电力设备的红外图像，红外热像仪有配套的红外图像分析软件可确定红外图像中定点坐标的温度值；工作人员以人工方式肉眼识别红外图像中的电力设备，使用专用软件确定该电力设备的温度，通过《DL/T664-2008带电设备红外诊断应用规范》中的标准判断该电力设备是否出现热故障。这种诊断方式每次只能识别一张红外图像，工作效率低，对工作人员的专业知识及经验要求较高，并且容易出错。
技术实现思路
本专利技术提供了一种电力设备热故障诊断方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。为了解决上述问题，本专利技术提供了如下技术方案：一种电力设备热故障诊断方法，包括：步骤a：采集电力设备的红外图像，根据所述红外图像构建卷积神经网络模型；步骤b：将待检测的红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出红外图像中的温度标尺和电力设备；步骤c：根据所识别的温度标尺像素点的RGB值及温度标尺上下界生成RGB值与温度参照表，并提取所识别的电力设备的RGB值，将提取的RGB值与所述RGB值与温度参照表中的RGB值进行比对，得到所识别的电力设备的温度结果；步骤d：根据电网系统诊断标准对所识别的电力设备的温度结果进行诊断，判断该电力设备是否出现热故障。本专利技术实施例采取的技术方案还包括：在所述步骤a中，所述根据红外图像构建卷积神经网络模型还包括：根据采集的红外图像制作训练样本，根据所述训练样本构建卷积神经网络模型。本专利技术实施例采取的技术方案还包括：所述根据采集的红外图像制作训练样本具体包括：分别标注每幅红外图像中的电力设备所在矩形框的四个顶点坐标，根据电力设备类型设定对应矩形框的标签，根据图片名、电力设备所在矩形框的四个顶点坐标以及矩形框标签生成每幅红外图像的标注数据。本专利技术实施例采取的技术方案还包括：在所述步骤a中，所述卷积神经网络模型包括RPN卷积神经网络和Fast-RCNN卷积神经网络，所述RPN卷积神经网络用于处理训练样本，得到红外图像中的目标候选区域；所述目标候选区域作为Fast-RCNN卷积神经网络的输入，根据Fast-RCNN卷积神经网络输出的置信度识别目标候选区域内的温度标尺和电力设备。本专利技术实施例采取的技术方案还包括：在所述步骤a后还包括：对所述卷积神经网络模型进行训练；所述对卷积神经网络模型进行训练的训练方式具体为：步骤a1：用小随机数初始化所述RPN卷积神经网络中的训练参数；步骤a2：将训练样本输入到初始化后的RPN卷积神经网络中，进行前向传播，计算判别类别和矩形框标签的Softmax损失值，计算目标候选区域参数和电力设备所在矩形框的SmoothL1损失值；步骤a3：采用随机梯度下降算法，分别计算RPN卷积神经网络中每一层代价函数梯度值，用梯度值更新RPN卷积神经网络中的训练参数；步骤a4：采用反向传播BP算法，计算RPN卷积神经网络中每一层的误差灵敏度，用误差灵敏度调整RPN卷积神经网络的训练参数，使Softmax损失值和SmoothL1损失值最小，得到训练好的RPN卷积神经网络；步骤a5：将训练样本输入训练好的RPN卷积神经网络，得到初始目标候选区域；步骤a6：以RPN卷积神经网络的输出和样本数据对Fast-RCNN卷积神经网络进行训练，得到训练好的Fast-RCNN卷积神经网络，并得到五层共享卷积层的网络参数；步骤a7：使用五层共享卷积层的网络参数重新初始化RPN卷积神经网络后，输入训练样本重新训练RPN卷积神经网络，并输出新的目标候选区域；步骤a8：使用所述五层共享卷积层的网络参数重新初始化Fast-RCNN卷积神经网络，并使用新的目标候选区域和样本数据重新训练Fast-RCNN卷积神经网络，得到训练好的Fast-RCNN卷积神经网络的网络参数。本专利技术实施例采取的技术方案还包括：在所述步骤c中，所述得到所识别的电力设备的温度结果具体包括：步骤c1：确定采集红外图像时的环境温度，并确定红外图像中的温度标尺；步骤c2：根据温度标尺的位置分别确定温度最大值区域和温度最小值区域，读取温度最大值区域和温度最小值区域中的数字，获取该红外图像中的温度最大值和温度最小值；步骤c3：计算温度标尺R、G、B三个值的值矩阵，在三个矩阵的中间位置选相同列，构成一个RGB值矩阵；步骤c4：根据R、G、B值的梯度变化以及温度标尺的边界RGB值确定R、G、B各列中温度标尺的上下界，并去掉所述RGB值矩阵的上下多余部分，得到新的RGB值矩阵；步骤c5：根据新的RGB值矩阵以及温度最大值和温度最小值生成RGB值与温度参照表；步骤c6：提取电力设备的RGB值最高像素点作为电力设备的最高温度，将电力设备的最高温度和RGB值与温度参照表中的RGB值进行比对，得到所述电力设备的温度结果。本专利技术实施例采取的另一技术方案为：一种电力设备热故障诊断系统，包括：图像采集模块：用于采集电力设备的红外图像；模型构建模块：用于根据所述红外图像构建卷积神经网络模型；目标识别模块：用于将待检测的红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出红外图像中的温度标尺和电力设备；温度检测模块：用于根据所识别的温度标尺像素点的RGB值及温度标尺上下界生成RGB值与温度参照表，并提取所识别的电力设备的RGB值，将提取的RGB值与所述RGB值与温度参照表中的RGB值进行比对，得到所识别的电力设备的温度结果；故障诊断模块：用于根据电网系统诊断标准对所识别的电力设备的温度结果进行诊断，判断该电力设备是否出现热故障。本专利技术实施例采取的技术方案还包括样本制作模块，所述样本制作模块用于根据采集的红外图像制作训练样本，所述模型构建模块根据训练样本构建卷积神经网络模型。本专利技术实施例采取的技术方案还包括：所述样本制作模块制作训练样本具体为：分别标注每幅红外图像中的电力设备所在矩形框的四个顶点坐标，根据电力设备类型设定对应矩形框的标签，根据图片名、电力设备所在矩形框的四个顶点坐标以及矩形框标签生成每幅红外图像的标注数据。本专利技术实施例采取本文档来自技高网...

【技术保护点】
一种电力设备热故障诊断方法，其特征在于，包括：步骤a：采集电力设备的红外图像，根据所述红外图像构建卷积神经网络模型；步骤b：将待检测红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出所述待检测红外图像中的温度标尺和电力设备；步骤c：根据所识别的温度标尺像素点的RGB值及温度标尺上下界生成RGB值与温度参照表，并提取所识别的电力设备的RGB值，将提取的RGB值与所述RGB值与温度参照表中的RGB值进行比对，得到所识别的电力设备的温度结果；步骤d：根据电网系统诊断标准对所识别的电力设备的温度结果进行诊断，判断该电力设备是否出现热故障。

【技术特征摘要】
1.一种电力设备热故障诊断方法，其特征在于，包括：步骤a：采集电力设备的红外图像，根据所述红外图像构建卷积神经网络模型；步骤b：将待检测红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出所述待检测红外图像中的温度标尺和电力设备；步骤c：根据所识别的温度标尺像素点的RGB值及温度标尺上下界生成RGB值与温度参照表，并提取所识别的电力设备的RGB值，将提取的RGB值与所述RGB值与温度参照表中的RGB值进行比对，得到所识别的电力设备的温度结果；步骤d：根据电网系统诊断标准对所识别的电力设备的温度结果进行诊断，判断该电力设备是否出现热故障。2.根据权利要求1所述的电力设备热故障诊断方法，其特征在于，在所述步骤a中，所述根据红外图像构建卷积神经网络模型还包括：根据采集的红外图像制作训练样本，根据所述训练样本构建卷积神经网络模型。3.根据权利要求2所述的电力设备热故障诊断方法，其特征在于，所述根据采集的红外图像制作训练样本具体包括：分别标注每幅红外图像中的电力设备所在矩形框的四个顶点坐标，根据电力设备类型设定对应矩形框的标签，根据图片名、电力设备所在矩形框的四个顶点坐标以及矩形框标签生成每幅红外图像的标注数据。4.根据权利要求2或3所述的电力设备热故障诊断方法，其特征在于，在所述步骤a中，所述卷积神经网络模型包括RPN卷积神经网络和Fast-RCNN卷积神经网络，所述RPN卷积神经网络用于处理训练样本，得到红外图像中的目标候选区域；所述目标候选区域作为Fast-RCNN卷积神经网络的输入，根据Fast-RCNN卷积神经网络输出的置信度识别目标候选区域内的温度标尺和电力设备。5.根据权利要求4所述的电力设备热故障诊断方法，其特征在于，在所述步骤a后还包括：对所述卷积神经网络模型进行训练；所述对卷积神经网络模型进行训练具体为：步骤a1：用小随机数初始化所述RPN卷积神经网络中的训练参数；步骤a2：将训练样本输入到初始化后的RPN卷积神经网络中，进行前向传播，计算判别类别和矩形框标签的Softmax损失值，计算目标候选区域参数和电力设备所在矩形框的SmoothL1损失值；步骤a3：采用随机梯度下降算法，分别计算RPN卷积神经网络中每一层代价函数梯度值，用梯度值更新RPN卷积神经网络中的训练参数；步骤a4：采用反向传播BP算法，计算RPN卷积神经网络中每一层的误差灵敏度，用误差灵敏度调整RPN卷积神经网络的训练参数，使Softmax损失值和SmoothL1损失值最小，得到训练好的RPN卷积神经网络；步骤a5：将训练样本输入训练好的RPN卷积神经网络，得到初始目标候选区域；步骤a6：以RPN卷积神经网络的输出和样本数据对Fast-RCNN卷积神经网络进行训练，得到训练好的Fast-RCNN卷积神经网络，并得到五层共享卷积层的网络参数；步骤a7：使用五层共享卷积层的网络参数重新初始化RPN卷积神经网络后，输入训练样本重新训练RPN卷积神经网络，并输出新的目标候选区域；步骤a8：使用所述五层共享卷积层的网络参数重新初始化Fast-RCNN卷积神经网络，并使用新的目标候选区域和样本数据重新训练Fast-RCNN卷积神经网络，得到训练好的Fast-RCNN卷积神经网络的网络参数。6.根据权利要求5所述的电力设备热故障诊断方法，其特征在于，在所述步骤c中，所述得到所识别的电力设备的温度结果具体包括：步骤c1：确定采集红外图像时的环境温度，并确定红外图像中的温度标尺；步骤c2：根据温度标尺的位置分别确定温度最大值区域和温度最小值区域，读取温度最大值区域和温度最小值区域中的数字，获取该红外图像中的温度最大值和温度最小值；步骤c3：计算温度标尺R、G、B三个值的值矩阵，在三个矩阵的中间位置选相同列，构成一个RGB值矩阵；步骤c4：根据R、G、B值的梯度变化以及温度标尺的边界RGB值确定R、G、B各列中温度标尺的上下界，并去掉所述RGB值矩阵的上下多余部分，得到新的RGB值矩阵；步骤c5：根据新的RGB值矩阵以及温度最大值和温度最小值生成RGB值与温度参照表；步骤c6：提取电力设备的RGB值最高像素点作为电力设备的最高温度，将电力设备的最高温度和RGB值与温度参照表中的RGB值进行比对，得到所述电力设备的温度结果。7.一种电力设备热故障诊断系统，其特征在于，包括：图像采集模块：用于采集电力设备的红外图像；模型构建模块：用于根据所述红外图像构建卷积神经网络模型；目标识别模块：用于将待检测的红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出红外图像中的温度标尺和电力设备；温度检测模块：用于根据所识别的温度...

【专利技术属性】
技术研发人员：胡金星，秦皓，莫文雄，张志亮，王书强，孙煜华，吴永欢，张文斐，
申请(专利权)人：中国科学院深圳先进技术研究院，广州供电局有限公司，
类型：发明
国别省市：广东,44