一种基于深度学习的智能变电站设备状态检测方法和系统技术方案

本发明专利技术的一种基于深度学习的智能变电站设备状态检测方法和系统，包括热像仪采集智能变电站的设备状态数据；设备的热图像上传至安装在变电站内的远程终端单元进行图像分析；采用中值滤波和侵蚀技术对RTU中的设备热图像进行预处理；利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；基于深度学习模型对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心，以实现智能变电站设备状态的实时监测，一旦发现故障设备可及时处理措施，减少变电站故障所造成经济损失。与其他方法相比，本发明专利技术具有更高的检测准确率和适用性，抗干扰性更强。

【技术实现步骤摘要】
一种基于深度学习的智能变电站设备状态检测方法和系统
本专利技术涉及智能变电站设备检测
，具体涉及一种基于深度学习的智能变电站设备状态检测方法和系统。
技术介绍
基于随着用电量不断增长，电力系统需要通过变电站实现输配电线路的大规模互联，以满足用户需求。一旦变电站设备故障，电网超负荷运行下容易出现异常情况，进而影响系统的稳定可靠性。因此需要在变电站内配置监控设备，以实时监测站内设备状态，并在发现设备异常时上报工作人员。电力系统中绝缘子故障一直是常见的设备问题，一旦电力变压器、配电绝缘体等变电设备的套管绝缘失效，造成电力中断，会给电网造成严重损失。但依靠人工检查监测变电站设备的状态是一项很耗时的工作，并且很难全面地查找出设备故障。而使用热像仪监测变电站设备状态能够获取较为准确的图像，工作人员根据图像掌握设备状态以采取适当的措施。但该监测方式周期较长，并且微小故障持续时间长，缺乏对其连续监测可能会导致危险的发生。目前常用的措施是在变电站上方安装低功率热像仪以监测设备，利用热像仪采集热信号，进行设备状态监测分析。红外图像处理通过数据处理获得表征设备运行状态的特征量，并利用自适应神经模糊推理系统、深度学习等方法实现设备状态的分类或识别。但现有研究大多侧重于绝缘子、输电线等设备，对站内其他设备的研究相对较少，且缺乏对复杂环境下设备状态的分析，实用性与检测准确度有待加强。因此，随着变电站智能化的发展，对其设备状态的检测提出了更高的要求，一旦设备出现故障，能够及时处理，以保证变电站的安全可靠运行。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于深度学习的智能变电站设备状态检测方法和系统。为实现上述目的，本专利技术采用了以下技术方案：一种基于深度学习的智能变电站设备状态检测方法，包括：热像仪采集智能变电站的设备状态数据；设备的热图像上传至安装在变电站内的RTU进行图像分析；采用中值滤波和侵蚀技术对RTU中的设备热图像进行预处理；利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；基于深度学习模型对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心。进一步的，利用中值滤波技术对RTU中图像进行降噪处理；中值滤波器考虑图像中的像素，并将其与邻近像素进行比较，以检查其是否代表周围像素，然后用相邻像素值的中值替换每个像素值。将侵蚀技术应用于中值滤波后得到的具有低噪声的图像，通过侵蚀具有白色像素区域的边界以获取包围可能故障区域的矩形盒。该技术使用两个数据集作为输入，一个数据集是被侵蚀的图像，另一个是指定侵蚀影响输入图像精度的坐标点集。加速鲁棒特征法即SURF，SURF是一种特征检测器，可用于检测物体的识别、排列或三维再现，并通过使用预先配置基本图片的三个整数运算进行图像处理。SURF描述子用于发现和感知物体，由个体再现三维场景，集中追踪物体。SURF特征提取包括兴趣点检测和尺度两个步骤：(1)兴趣点检测，SURF使用方形滤波器进行高斯平滑的估计，其特征Ω(x,y)是：式中，W(i,j)为图像中的点坐标。利用不可替代的图像可以快速地对矩形内主图像进行求和。该特征利用Hessian矩阵的blob标识符识别关键点，SURF没有使用Hessian-Laplacian定位器，而是使用Hessian的行列式选择比例尺，由Lindeberg完成定位。假设图W中的点P＝(x,y)具有标度ω和点P的Hessian矩阵H(P,ω)的特征是：式中，Lxx(P,ω)等为灰度图中的二阶导数。(2)比例尺空间表示和兴趣点区域：兴趣点可以在不同的比例尺空间中找出。在不同的特征检测算法中，维度的面积通常可看成一个图像金字塔[13]。SURF利用高斯滤波器对图像区域进行多次平滑处理，然后对其进行采样，以得到金字塔的更高层次，即兴趣点区域。深度学习模型采用卷积神经网络，其由输入层、卷积层、激励层、池化层、全连接层和输出层组成，所提方法基于CNN完成变电站设备红外图像的分类，以识别其设备状态。卷积层使用一个可学习的卷积核对输入图像或上一层的输出作卷积运算，获得一个特征图。一个卷积核能够通过卷积运算得到多个特征图，则第l卷积层j个特征图表示为：式中，Mj为特征图集，为卷积核，为偏置量，为卷积运算，f(x)为激活函数。激励层采用线性整流激活函数；池化层采用最大池化方法，即将颜色一致的区域看成一个池化区域，区域内的最大值则是输出值，以此重组特征图；全连接层综合经卷积和池化后得到的特征，以及将其送至分类器。另一方面本专利技术还公开一种基于深度学习的智能变电站设备状态检测系统，包括以下单元：图像数据获取单元，利用热像仪采集智能变电站的设备状态图像数据，并把设备状态图像数据上传至远程终端单元进行图像分析；图像预处理单元，用于采用中值滤波和侵蚀技术对远程终端单元中的设备热图像进行预处理；图像特征提取单元，用于利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；故障检测单元，用于通过训练好的深度学习模型，对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心。进一步的，还包括循环单元，用于如果未检测到故障，则从返回到初始步骤开始迭代过程。进一步的，所述热像仪包括四个，设置在变电站内四个角落距离地面8m的高度。进一步的，所述热像仪能够在水平和垂直面上围绕中心旋转360°。由上述技术方案可知，本专利技术的基于深度学习的智能变电站设备状态检测方法和系统，包括通过热像仪采集智能变电站的设备状态数据；设备的热图像上传至安装在变电站内的远程终端单元(remoteterminalunit，RTU)进行图像分析；采用中值滤波和侵蚀技术对RTU中的设备热图像进行预处理；利用加速鲁棒特征(speeded-uprobustfeatures，SURF)法对预处理后的图像进行特征提取，以初步监测设备状态；基于深度学习模型对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心(substationmonitoringcontrolcenter，SMCC)。本专利技术利用热像仪获取设备图像，对其进行SURF特征提取，并且基于深度学习模型识别设备状态，以实现智能变电站设备状态的实时监测，一旦发现故障设备可及时处理措施，减少变电站故障所造成经济损失。与其他方法相比，本专利技术具有更高的检测准确率和适用性，抗干扰性更强。具体说，本专利技术的基于深度学习的智能变电站设备状态检测方法具有以下有益效果：本专利技术所达到的有益效果：1.采用低功率的热像仪采集设备图像，能够持续监测，提升了设备状态检测系统的可靠性。2.采用中值滤波和侵蚀技术对本文档来自技高网...

【技术保护点】
1.一种基于深度学习的智能变电站设备状态检测方法，通过在智能变电站内安装热像仪，其特征在于：热像仪至少包括四个，在智能变电站的四个拐角设定的高度；/n还包括远程终端单元和站用监控中心，热像仪、远程终端单元和占用监控中心依次通信连接；/n还包括以下步骤：/n利用热像仪采集智能变电站的设备状态图像数据，并把设备状态图像数据上传至远程终端单元进行图像分析；/n采用中值滤波和侵蚀技术对远程终端单元中的设备热图像进行预处理；/n利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；/n通过训练好的深度学习模型，对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心。/n

【技术特征摘要】
1.一种基于深度学习的智能变电站设备状态检测方法，通过在智能变电站内安装热像仪，其特征在于：热像仪至少包括四个，在智能变电站的四个拐角设定的高度；
还包括远程终端单元和站用监控中心，热像仪、远程终端单元和占用监控中心依次通信连接；
还包括以下步骤：
利用热像仪采集智能变电站的设备状态图像数据，并把设备状态图像数据上传至远程终端单元进行图像分析；
采用中值滤波和侵蚀技术对远程终端单元中的设备热图像进行预处理；
利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；
通过训练好的深度学习模型，对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心。


2.根据权利要求1所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：还包括如果未检测到故障，则从返回到初始步骤开始迭代过程。


3.根据权利要求2所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述利用热像仪采集智能变电站的设备状态图像数据；
包括：
利用热像仪采集设备的实时热像和原始彩色图像，并应用光学识别方法，找出图像中的最高和最低温度。


4.根据权利要求3所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述采用中值滤波和侵蚀技术对远程终端单元中的设备热图像进行预处理；
包括：
利用中值滤波技术对远程终端单元中图像进行降噪处理；即利用中值滤波器考虑图像中的像素，并将其与邻近像素进行比较，以检查其是否代表周围像素，然后用相邻像素值的中值替换每个像素值。


5.根据权利要求1所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；
加速鲁棒特征法即SURF，SURF特征提取包括兴趣点检测和尺度两个步骤：
包括：
(1)兴趣点检测，SURF使用方形滤波器进行高斯平滑的估计，其特征Ω(x,y)是：



式中，W(i,j)为图像中的点坐标，利用不可替代的图像可以快速地对矩形内主图像进行求和；
该特征利用Hessian矩阵的blob标识符识别关键点，SURF没有使用Hessian-Laplacian定位器，而是使用Hessian的行列式选择比例尺，由Lindeberg完成定位；
假设图W中的点P＝(x,y)具有标度ω和点P的Hessian矩阵H(P...

【专利技术属性】
技术研发人员：李远松，高博，丁津津，汪玉，李圆智，徐斌，郑国强，杨娴，陈欢，王丽君，孙辉，张峰，汪勋婷，何开元，须琳，徐晨，
申请(专利权)人：安徽新力电业科技咨询有限责任公司，国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：安徽;34