基于深度学习多特征融合的电力设备状态的检测方法技术

本发明专利技术涉及电力设备状态检测领域，具体地说，是基于深度学习多特征融合的电力设备状态的检测方法。包括以下步骤：设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；对设备温度进行记录，形成报表，建立温度数据库；对温度数据库进行训练，建立自动判别故障的智能模型；建立不同设备的颜色特征库；提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；识别发生故障的电力设备并告警。采用红外线热成像技术，对主要设备进行实时扫描，形成报表，对温度数据库进行训练，建立不同设备的颜色特征库，实现对不同设备类型的红外诊断，能够有效地识别发生故障的电力设备并发出警报。

Power Equipment State Detection Method Based on Deep Learning and Multi-feature Fusion

The invention relates to the field of state detection of power equipment, in particular to a state detection method of power equipment based on in-depth learning and multi-feature fusion. It includes the following steps: automatic inspection of equipment temperature, real-time monitoring of main equipment temperature, and daily scanning of related equipment temperature; recording equipment temperature, forming report forms, establishing temperature database; training temperature database, establishing intelligent model of automatic fault identification; establishing color feature database of different equipment; putting forward multi-feature fusion based on multi-feature. The in-depth learning model can be used to realize infrared diagnosis of different equipment types and to identify and alarm the faulty power equipment. By using infrared thermal imaging technology, the main equipment is scanned in real time, the report forms are formed, the temperature database is trained, and the color feature library of different equipment is established. The infrared diagnosis of different equipment types can be realized, and the faulty power equipment can be effectively identified and alarmed.

【技术实现步骤摘要】
基于深度学习多特征融合的电力设备状态的检测方法
本专利技术涉及电力设备状态检测领域，具体地说，是基于深度学习多特征融合的电力设备状态的检测方法。
技术介绍
电力设备主要包括发电设备和供电设备两大类，电力系统中电力设备大多采用的计划检修体制存在着严重缺陷，如临时性维修频繁、维修不足或维修过剩、盲目维修等，这使世界各国每年在设备维修方面耗资巨大。怎样合理安排电力设备的检修，节省检修费用、降低检修成本，同时保证系统有较高的可靠性，对系统运行人员来说是一个重要课题。随着传感技术、微电子、计算机软硬件和数字信号处理技术、人工神经网络、专家系统、模糊集理论等综合智能系统在状态监测及故障诊断中应用，使基于设备状态监测和先进诊断技术的状态检修研究得到发展，成为电力系统中的一个重要研究领域。
技术实现思路
为了解决上述技术问题，本专利技术解决了电力系统中状态检测难的问题，通过不同特征层进行融合学习，提供基于深度学习多特征融合的电力设备状态的检测方法。为了实现上述目的，本专利技术使用的技术方案如下：基于深度学习多特征融合的电力设备状态的检测方法，包括以下步骤：1）设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；2）对设备温度进行记录，形成报表，建立温度数据库；3）对温度数据库进行训练，建立自动判别故障的智能模型；4）建立不同设备的颜色特征库；5）提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；6）识别发生故障的电力设备并告警。本专利技术进一步改进，步骤1）中的设备温度的自动化巡检，利用红外热成像技术，对主变和电容器等主要设备的温度进行实时扫描。本专利技术进一步改进，步骤3）中的建立自动判别故障的智能模型，采用BP神经网络，判别设备温度是否正常。本专利技术进一步改进，步骤4）中的建立不同设备的颜色特征库，是采用红外图像的细化分割方法，在纹理特征上、形状特征、颜色特征及深度学习网络特征上进行多特征识别，提高机器学习模型的分类和回归性能。本专利技术进一步改进，步骤5）中，基于深度学习方法依据部位信息对故障进行训练分类，提出基于多特征融合的深度学习模型。本专利技术进一步改进，将构建数据驱动的深度学习卷积神经网络模型，建立具有不同神经元个数和层面连接方式的特征抽取滤波器，构建权值共享网络结构进行复杂特征提取和数据重建，解决低数据样本下的模型过拟合问题，提高巡检回传数据智能分析效率和准确率。本专利技术进一步改进，采用深度信念网络模型，以多个副本异步并行计算的方式进行模型训练，并使用dropout方法防止模型训练过拟合，对视频图像数据集进行分类训练，由此大大提高深度神经网络的训练效率。本专利技术的有益效果：采用红外线热成像技术，对主要设备进行实时扫描，形成报表，对温度数据库进行训练，建立不同设备的颜色特征库，实现对不同设备类型的红外诊断，能够有效地识别发生故障的电力设备并发出警报。附图说明图1为本专利技术的深度学习模型；图2为本专利技术的流程示意图。具体实施方式为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详细描述，该实施例仅用于解释本专利技术，并不对本专利技术的保护范围构成限定。实施例，如图1所示，基于深度学习多特征融合的电力设备状态的检测方法，包括以下步骤：1）设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；2）对设备温度进行记录，形成报表，建立温度数据库；3）对温度数据库进行训练，建立自动判别故障的智能模型；4）建立不同设备的颜色特征库；5）提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；6）识别发生故障的电力设备并告警。本实施例中，利用红外线热成像技术对设备温度进行自动化巡检，对主要设备进行实时的温度监控与扫描，并且对监控得出的设备温度结果进行记录，形成相应的报表，建立温度数据库，建立自动判别故障的智能模型，采用BP神经网络判别设备温度是否正常；建立不同设备的颜色特征库，采用红外图像的细化分割方法，在纹理特征上、形状特征、颜色特征以及深度学习网络特征上进行多特征识别，提高机器学习模型的分类和回归性能；基于深度学习方法依据部位信息对故障进行训练分类，提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；将构建数据驱动的深度学习卷积神经网络模型，建立具有不同神经元个数和层面连接方式的特征抽取滤波器，构建权值共享网络结构进行复杂特征提取和数据重建，解决低数据样本下的模型过拟合问题，提高巡检回传数据智能分析效率和准确率；采用深度信念网络模型，以多个副本异步并行计算的方式进行模型训练，并使用dropout方法防止模型训练过拟合，对视频图像数据集进行分类训练，由此大大提高深度神经网络的训练效率。以上显示和描述了本专利技术的基本原理、主要特征及优点。本行业的技术人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只是说明本专利技术的原理，在不脱离本专利技术精神和范围的前提下，本专利技术还会有各种变化和改进，这些变化和改进都落入要求保护的本专利技术范围内。本专利技术要求保护范围由所附的权利要求书及其等效物界定。本文档来自技高网...

【技术保护点】
1.基于深度学习多特征融合的电力设备状态的检测方法，其特征在于，包括以下步骤：1）设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；2）对设备温度进行记录，形成报表，建立温度数据库；3）对温度数据库进行训练，建立自动判别故障的智能模型；4）建立不同设备的颜色特征库；5）提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；6）识别发生故障的电力设备并告警。

【技术特征摘要】
1.基于深度学习多特征融合的电力设备状态的检测方法，其特征在于，包括以下步骤：1）设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；2）对设备温度进行记录，形成报表，建立温度数据库；3）对温度数据库进行训练，建立自动判别故障的智能模型；4）建立不同设备的颜色特征库；5）提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；6）识别发生故障的电力设备并告警。2.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤1）中的设备温度的自动化巡检，利用红外热成像技术，对主变和电容器等主要设备的温度进行实时扫描。3.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤3）中的建立自动判别故障的智能模型，采用BP神经网络，判别设备温度是否正常。4.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤4）中的建立不同设备的颜色特征...

【专利技术属性】
技术研发人员：希克梅特萨利，
申请(专利权)人：江苏圣通电力新能源科技有限公司，
类型：发明
国别省市：江苏,32