【技术实现步骤摘要】
基于深度学习的变电站充油设备渗漏油隐患识别方法
[0001]本专利技术涉及一种变电站充油设备渗漏油隐患识别方法。
技术介绍
[0002]变电站是电力系统中的重要部分，作为整个电网架构的基础支点，只有保证其稳定运行，方能保证整个电网的安全运行，目前变电站中如变压器、互感器、电容器等许多重要设备仍然为充油设备，这些设备在运行过程中可能因为施工安装不到位、运行老化或环境因素等原因出现渗漏油的情况，轻微的渗漏油可能发展为紧急隐患迫使变电站非计划停电，尤其是无人值守变电站的充油设备运行隐患较大，如不及时处理可能会导致设备绝缘不足，接地短路跳闸，严重时设备甚至会发生爆炸。
[0003]为保障电网的可靠运行，往往需要对变电站定期巡视，及时发现设备缺陷和威胁设备安全运行的隐患，目前已有的变电站巡检系统自动化程度有限，巡检的图像还需人为干预进行判断识别，然而人工判断很难发现轻微的渗油情况，对渗漏油情况也只能凭主观估计，很难有一个合理的量化评价，同时变电站设备多，巡检工作量大，人工判别很难做到及时排查隐患发现缺陷。
技术实现思路
...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：包括步骤如下：步骤A、变电设备渗漏油隐患图像样本采集；步骤B、变电设备渗漏油隐患图像样本扩充；步骤C、变电设备渗漏油隐患样本严重程度标注；步骤D、变电设备渗漏油隐患检测模型训练；步骤E、变电设备渗漏油隐患检测模型部署；步骤F、变电站巡视图像渗漏油隐患严重程度检测。2.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤A包括以下步骤：采集变电设备巡视图像和视频，保存存在设备渗漏油情况的巡视图像样本，对包含设备渗漏油情况的视频抽取渗漏油图像帧并保存图像样本，剔除出质量较差的数据样本；包括：(1)场景图像中渗漏油区域所占像素区域面积小于5％的样例；(2)渗漏油区域只有不足10％部分显示在场景图像中的样例，从而构成初步渗漏油图像样本集。3.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤B包括以下步骤：步骤B
‑
1：充油设备渗漏油场景图像的模拟，对安全停运充油设备潜在渗漏油部位通过涂抹绝缘油的方式模拟设备轻微、中度、严重渗漏油情况并拍照采集，对渗漏油进行拍摄时需保证渗漏油落于摄像设备视野中央区域，从不同距离和角度分别进行拍摄，并通过调节设备光圈获取不同亮度的图像，提升渗漏油样本图像样例的数量和多样性；步骤B
‑
2：通过翻转、裁剪和缩放的方法来增加所获的充油设备渗漏油样本的数量；通过翻转进行渗漏油痕迹图像处理的方法如下：将图像每隔30度进行翻转，获取新的图像；通过裁剪进行渗漏油本体图像处理的方法如下：随机对所获的渗漏油本体图像进行裁剪，分别从图像的上、下、左、右裁剪去图像的20％、40％、60％部分，最终从每一张渗漏油图像获取12张新的裁剪后的图像；通过缩放的进行渗漏油样本图像处理的方法如下：分别将渗漏油图像变为原始尺寸的25％、50％、200％大小，获取新的图像；步骤B
‑
3：对于所获的渗漏油样本图像，引入图像噪声以增加图像样例的数量，具体方法如下：通过加性噪声来对图像进行处理，公式如下：f(x,y)＝g(x,y)+q(.)，其中x和y分别代表图像中像素的横纵坐标，g(x,y)表示每一像素的真实值，对于多信道的图像，g(x,y)表示每一像素所对应的向量，q(.)表示噪声函数，f(x,y)表示引入噪声以后的图像的各像素的值，其中噪声由高斯随机变量的概率密度函数来引入，由下述公式表示：其中：z为变量，P(z)为z的概率密度函数，μ为z的期望，而σ为z的方差。4.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤C包括以下步骤：针对每一张图像，对于设备渗漏油区域目标完整显示于图像中的情况，使用最小矩形标注出所有的渗漏油区域；对于设备渗漏油区域仅有一部分显示于图像中的情况，使用最
小矩形将此部分标出，对于设备渗漏油区域被部分遮挡的情况，使用最小矩形将设备渗漏油区域的可见部分标出，对图像中的每一渗漏油区域根据渗漏油严重程度分别打上轻微、中度、严重三类标签。5.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤D包括以下步骤：模型训练...
【专利技术属性】
技术研发人员：李云鹏，韩锋，刘阳，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。