一种基于多源异构数据融合的变电站设备巡检系统及方法技术方案

本发明专利技术公开了一种基于多源异构数据融合的变电站设备巡检系统，包括多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块；多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，本发明专利技术采用多个摄像头采集多种视频数据，采用多种传感器采集多种传感数据，形成了每个设备的多种数据来源，继而对多种数据来源采用两种深度神经网络分别对视频数据和传感数据进行识别分类，经过模糊积分算法对两识别分类结果进行融合，结合多种数据以及结合两类识别分类结果各自的特性和优势，获得更优的识别效果。

An inspection system and method of substation equipment based on multi-source heterogeneous data fusion

【技术实现步骤摘要】
一种基于多源异构数据融合的变电站设备巡检系统及方法
本专利技术涉及电力设备检测领域，具体涉及一种基于多源异构数据融合的变电站设备巡检系统及方法。
技术介绍
变电站设备及环境巡检是确保变电站运行正常的重要方法，随着智能电网的发展，无人值守变电站数量不断增加，现有的变电站巡检机器人搭载各种传感器、仪器和摄像机等，在无人值守变电站对室外高压设备和环境进行巡检，实时获取变电站主要设备和环境的各种数据，利用后台分析算法可及时发现电力设备的缺陷和异常，为变电站安全运行提供必要的保障。通常情况下，变电站的真实场景一般都比较复杂，同一目标在不同光照、遮挡、角度等情况下，目标之间差别较大，目前主流的技术手段仅能在简单的环境下提供较好的识别性能，使得目标检测存在误检、漏检等情况。在监测中，为了提高目标的检测精度，往往需要对多个状态参数描述，在此基础上，将所测量的多个参数综合起来分析，提高信息的冗余性和互补性，提高检测准确度是现在急需解决的问题。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供了一种基于多源异构数据融合的变电站设备巡检系统及方法，技术方案为：采用多摄像头和多传感器获取全站每个设备的多方面参数信息，解决由于传感器不足而带来的故障信息误检、漏检问题，采用分类器对摄像头和传感器采集到的信息进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑各个分类器与不同故障类型的关联程度的基础上，采用模糊积分融合方法进行决策融合诊断，提高检测准确度。本专利技术提出的具体方案是：一种基于多源异构数据融合的变电站设备巡检方法，具体步骤为：(1)多源异构数据采集，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；(2)多源异构数据存储，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；(3)多源异构数据融合，包括：深度神经网络分类和分类结果融合，用于将采集的视频图像数据和传感数据进行数据特征提取和目标状态识别，利用模糊积分对各识别结果进行融合，获取最终的设备状态识别结果。所述深度神经网络分类，用于建立卷积神经网络和深度随机配置网络，网络模型参数设为初始值；确定网络模型中的层数和损失函数，所述损失函数用于反向传播时网络修正模型参数，直到损失函数收敛，模型建立完成；按照预设时刻采集数据样本，并记录对应时刻的设别状态真实值，所述数据样本分别输入到卷积神经网络和深度随机配置网络，对应得到第一分类结果和第二分类结果。所述分类结果融合，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。进一步的，所述卷积神经网络具体步骤为：(1)将视频图像数据按比例划分为训练集、测试集及验证集，并进行数据集的标签制作；(2)设计所述深度卷积神经网络的结构，设置卷积层、池化层和全连接层参数，池化方法使用max-pooling，分类器则使用softmax回归分类，网络模型层数设为四层，其中第一层和第三层为卷积层，其余两层为池化操作层；(3)将训练集的数据作为卷积神经网络的输入，采用随机梯度下降的BP算法对卷积神经网络进行训练，优化整个模型的损失函数，当卷积神经网络在训练集上的误差完全收敛时，终止训练，保存卷积神经网络各个层的参数；(4)设定类别置信度阈值，将测试集及验证集数据输入卷积神经网络，对卷积神经网络进行微调，得到输出。进一步的，所述深度随机配置网络具体步骤为：(1)将传感采集数据按比例划分为训练集、测试集及验证集，并进行数据集的标签制作；(2)设计所述深度卷积神经网络的结构，设置卷积层、池化层和全连接层参数，选取激活函数采用LeakyReLU；(3)将训练集的数据作为卷积神经网络的输入，采用学习率自适应的随机梯度下降法对卷积神经网络进行训练，优化整个模型的损失函数，当卷积神经网络在训练集上的误差完全收敛时，终止训练，保存卷积神经网络各个层的参数；具体的，采用低秩分解的策略，通过已知低秩分解之前卷积层的计算复杂度和需要加速的倍数，计算各个低秩分解之后第一个卷积层输出特征图的数目，对所述卷积神经网络的进行逐层低秩分解训练，以减少计算量；具体的，采用网络剪枝的策略，对已经低秩分解后的所述卷积神经网络模型进行再训练，对所述卷积神经网络的各层的剩余连接的权值进行k-means聚类，对聚类所得的结果进行微调，去除所述卷积神经网络的卷积层以及全连接层的冗余连接以减少存储量。(4)设定类别置信度阈值，将测试集及验证集数据输入卷积神经网络，对卷积神经网络进行微调，得到输出。进一步的，所述模糊积分算法具体步骤为：(1)利用模糊技术对所述第一分类结果和第二分类结果进行预处理，进行初级故障诊断，确定可能的故障分类结果，将可能的故障分类结果作为故障候选类型。选用的隶属度如下：其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。(2)根据可能的故障分类结果形成故障候选类型集D＝{d1，d2，…，dN}，其中，d为故障候选类型；(3)根据可能的故障分类结果形成各个故障候选类型的直接关联类型集合Di-direct＝{dm，…，dn}与隔一级关联类型集合Di-inairect＝{dk，…，di}；(4)确定模糊密度，即gi＝g({xi}，i＝1，2，…，n，gi就是第i个信息的模糊密度，亦即为其权重；(5)根据式确定λi，然后根据式g(x1)＝g({x1})和g(x1)＝g({xi})+g(xi-1)+λg({xi})g(xi-1),i＝2,…,n，求取模糊测度g，λi是一个中间数；(6)根据拓扑信息及各类型的诊断结论，形成直接关联类型对该故障候选类型的支持程度的集合Fi-direct＝{fm，…，fn}与隔一级关联类型对该故障候选类型的支持程度的集合Fi-indirect＝{fk，…，fl}；(7)根据式计算模糊积分值ei，ei即为综合诊断给出的故障类型可能性指标，形成故障候选类型的故障类型可能性指标集E＝{e1，e2，…，eN}，根据故障类型可能性指标集，确定故障类型，从而给出最终的分类结果。一种基于多源异构数据融合的变电站设备巡检系统，包括：多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；多源异构数据融合模块，包括：深度本文档来自技高网...

【技术保护点】
1.一种基于多源异构数据融合的变电站设备巡检系统，其特征在于，包括：/n多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；/n多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；/n多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，/n所述深度神经网络分类模块，将视频图像数据采集模块和传感数据采集模块采集的数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；/n所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。/n

【技术特征摘要】
1.一种基于多源异构数据融合的变电站设备巡检系统，其特征在于，包括：
多源异构数据采集模块，包括视频图像数据采集模块和传感数据采集模块，所述视频图像数据采集模块，采用监控摄像头对全站各个设备进行全面监控，获取每个设备的多个视频图像数据；所述传感数据采集模块，采用传感器对全站各个设备从不同方面获取传感数据，用于获取每个设备的多方面参数；
多源异构数据存储模块，用于将视频图像数据采集模块和传感数据采集模块采集的多种数据转换格式并存储；
多源异构数据融合模块，包括：深度神经网络分类模块和分类结果融合模块，
所述深度神经网络分类模块，将视频图像数据采集模块和传感数据采集模块采集的数据，分别经过深度神经网络模型提取特征，获取每个设备状态的识别结果；
所述分类结果融合模块，将由视频图像数据采集模块采集的数据获得的设备状态的识别结果记为第一分类结果，将传感数据采集模块采集的数据获得的设备状态的识别结果记为第二分类结果，采用模糊积分算法将第一分类结果和第二分类结果融合，获取最终的设备状态识别结果。


2.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析系统，其特征在于，所述监控摄像头对设备采用多方位多角度设置，用于获取每个设备的多角度视频数据；所述传感器包括消防类传感设备(火焰探测器、消防管道压力传感器、独立式感烟火灾探测器等)、环境传感器(温湿度传感器、水浸传感器、SF6传感器等)、变压器内的传感器(振动监测传感器、电流传感器等)，用于获取每个设备的多种传感信息。


3.根据权利要求2所述的一种基于多源异构数据融合的变电站设备状态分析系统，其特征在于，所述监控摄像头分为三级结构，分为近景级，中景级和远景级，所述近景级摄像头用于采集设备的近景数据，所述中景级摄像头采集数据的范围为预设数量个近景级摄像头所采集的区域范围，所述远景级摄像头采集数据的范围为预设数量个中景级摄像头所采集的区域范围。


4.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析系统，其特征在于，所述深度神经网络分类模块，包括卷积神经网络和深度随机配置网络，所述卷积神经网络用于对视频图像数据采集模块采集的数据进行特征目标识别和目标状态识别，所述深度随机配置网络用于对传感数据采集模块采集的数据进行状态识别。


5.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析系统，其特征在于，所述设备分为变压器、电线电缆、开关类设备，变压器和电线电缆的设备状态为正常和异常，开关类设备的设备状态为断开和闭合。


6.根据权利要求1所述的一种基于多源异构数据融合的变电站设备状态分析系统，其特征在于，所述分类结果融合模块，具体包括：
(6.1)、根据所述第一分类结果和第二分类结果分别建立...

【专利技术属性】
技术研发人员：王晨麟，陆烨，陈少达，万涛，范叶平，杨彬彬，肖学权，郝战，王浩，王天鹏，周钰山，付饶，滕松，孙鹏，杨德胜，马冬，郭瑞祥，尚守卫，
申请(专利权)人：国网江苏省电力有限公司徐州供电分公司，安徽继远软件有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：江苏;32