基于深度神经网络的电力设备智能识别方法技术

本发明专利技术公开了一种基于深度神经网络的电力设备智能识别方法，属于智能电网信息技术领域，包含以下步骤：S1：构建数据集；S2：构建深度神经网络；S3：将数据集作为训练集,进行深度神经网络训练，通过多次循环迭代，选择表现最优的神经网络，建立深度神经网络模型，利用该深度神经网络模型即可实现对电力系统中各类电力设备进行智能识别。本发明专利技术通过训练后的深度神经网络模型，实现对电力系统中的电力设备进行智能识别，能够大大降低人为判断的时间成本及人力成本，通过所提出的方案，并与电力系统中完善的监控及监测系统相结合，进行智能感知，为泛在电力互联网建设打下基础。为泛在电力互联网建设打下基础。为泛在电力互联网建设打下基础。

【技术实现步骤摘要】
基于深度神经网络的电力设备智能识别方法


[0001]本专利技术涉及智能电网信息
，尤其是涉及一种基于深度神经网络的电力设备智能识别方法。

技术介绍

[0002]泛在电力互联网的建设顺应能源革命和数字革命融合的发展趋势，践行新的发展理念，是电力行业新的引领性工程。泛在电力物联网，就是围绕电力系统各环节，充分应用移动互联、人工智能等现代信息技术、先进通信技术，实现电力系统各个环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。泛在电力物联网包含感知层、网络层、平台层、应用层四层结构，感知层主要解决数据的采集问题，是泛在电力互联网建设的数据入口。
[0003]在当前的电力系统中，高清视频监控、红外热像仪等智能化巡检等已经得到大规模的应用，各类巡检机器人、无人机等搭载摄像装置，对电力设备实现全方位的监控。除了智能巡检外，传统的人工巡检方法，如红外测温，紫外成像检测等，也将会采集得到大量的图谱信息。目前而言，海量的图谱数据仍需要运行人员进行分析和识别，并进行缺陷的统计和汇报，无法从海量的图谱、视频中提出有效信息，并进行自动识别与判定，这将从根本上制约泛在电力互联网的建设和发展。
[0004]公开号为CN107067026A的专利文献公开了一种基于深度神经网络的电力设备故障检测方法，包括采集红外图谱，构建规范化的图谱数据库；建立多层深神经网络对测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。此方法应用于电网设备检测后能极大减少人工设备识别分区等繁琐工作，提高了工作效率。
[0005]公开号为CN109784348A的专利文献公开了一种基于红外热成像的电力设备识别和在线诊断方法及其系统；该方法先采集电力设备的红外图像数据，制作虚拟数据来学习，再迁移深度神经网络模型形成电力设备红外识别深度神经网络模型；再以电力行业带电设备红外诊断应用规范，建立分类红外电力设备及部件的缺陷规则库；最后在移动终端部署移动电力设备识别深度神经网络模型，对实时采集的红外图像进行电力设备及部件识别，按照缺陷规则库对设备热场分布进行在线分析诊断，评估电力设备目前的运行状态。
[0006]上述检测方法能够对电力设备进行一定的检测，但是整体泛化能力较差，没有进行多次循环迭代，检测的结果精度不高。

技术实现思路

[0007]有鉴于此，本专利技术的目的是针对现有技术的不足，提供一种基于深度神经网络的电力设备智能识别方法。
[0008]为达到上述目的，本专利技术采用以下技术方案：
基于深度神经网络的电力设备智能识别方法，包含以下步骤：S1：构建数据集；S2：构建深度神经网络；S3：将数据集作为训练集,进行深度神经网络训练，通过多次循环迭代，选择表现最优的神经网络，建立深度神经网络模型，利用该深度神经网络模型即可实现对电力系统中各类电力设备进行智能识别。
[0009]进一步的，所述步骤S1中，数据集为电力系统中的各类设备的图谱，并标记。
[0010]进一步的，所述步骤S3中，深度神经网络训练的方法是：（1）将输入数据传递进神经网络，通过映射网络，进行输出；（2）将输出结果与已知的标定相对比，判断是否相符合，如果不符合则根据误差更新映射网络，最终使得输出与已知结果相匹配。
[0011]进一步的，将映射网络的映射变量进行保存，即为训练后的神经网络模型。
[0012]进一步的，对训练后的深度神经网络进行测试，统计其正确识别变电设备的准确率，当准确率满足要求时，则表明该深度神经网络网络表现良好。
[0013]电力设备的正常运行是一个电力系统能够长期安全稳定工作的基础,因此对电力设备进行定期巡检就显得十分重要。电力系统内部各种电力设备的运行状态进行定期的检查是维持电力系统正常运行的重要方法。传统的电力设备的运行状态的检查基本都是靠人工定期进行巡检。随着人工智能的迅猛发展，图像识别作为深度神经网络技术的重要应用，在社会各行各业中得到广泛的应用。人工智能技术以及图像处理等技术的逐渐发展与成熟,将其应用到电力设备运行状态的检测中则能很好的弥补了传统方法的不足,该方法具有深远的发展前景。比如授权公告号为CN107607207B的专利技术专利公开了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。公开号为CN112613454A的专利文献公开了一种电力基建施工现场违章识别方法及系统，获取电力基建施工现场视频帧图像数据；利用第一神经网络模型对视频帧图像进行设备特征提取，得到设备特征图；根据得到的设备特征图，利用预设候选区域生成网络得到多种尺度和宽高比的特征候选区域；利用预设分类回归网络，根据得到的设备特征图和特征候选区域，得到设备识别结果，根据设备识别结果进行现场违章判断；采用人工智能深度学习算法实现了对电力基建施工现场各类违章的快速识别，提高了违章操作的智能识别效率和准确率。
[0014]但是，传统的机器神经网络方法，受人工提取特征的限制，能够对特定的图像集进行有效识别，但整体泛化能力较差，具有一定的局限性。与传统的图像识别方法相比，利用深度神经网络算法进行图像识别，不需要人为设定规则，能够通过其深层次的网络结构提取到更精确的特征，能够有效提高图像识别的正确率。因此，利用深度神经网络理论，进行
电力设备的实时智能识别，并将识别结果作为泛在电力互联网的感知层入口，不仅能够将海量的电力设备图谱进行降维存储传输，减小数据容量，也能够提高图谱识别的智能化水平，为泛在电力互联网建设的智能感知方面做出贡献。
[0015]本专利技术的有益效果是：本专利技术首先需要将电力系统中的各类设备进行图谱的采集并标记，然后将其作为训练集，进行深度神经网络的训练，通过多次循环迭代，选择表现最优的神经网络，利用该深度神经网络模型即可实现对电力系统中各类电力设备进行智能识别的目的。所提出的方案，不仅能够从电力系统中已存在的海量图谱、视频中提取出电力设备的信息，也能够作为监控网络，与各类智能机器人相结合，实现电力设备的实时识别，并将识别结果作为输出，依据不同的设备类型进行不同的检测诊断。所提出的方案，将作为泛在电力互联网的感知层入口，将识别结果作为信息，在泛在电力互联网的网络层、平台层、应用层进行传输和利用，进一步提高电力互联网建设的智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度神经网络的电力设备智能识别方法，其特征在于：包含以下步骤：S1：构建数据集；S2：构建深度神经网络；S3：将数据集作为训练集,进行深度神经网络训练，通过多次循环迭代，选择表现最优的神经网络，建立深度神经网络模型，利用该深度神经网络模型即可实现对电力系统中各类电力设备进行智能识别。2.根据权利要求1所述的基于深度神经网络的电力设备智能识别方法，其特征在于：所述步骤S1中，数据集为电力系统中的各类设备的图谱，并标记。3.根据权利要求1所述的基于深度神经网络的电力设备智能识别方法，其特征在于：所述步骤S3中，深度神经...

【专利技术属性】
技术研发人员：黄银龙，罗光辉，董超群，张晓磊，吴一帆，冯家铨，王敏，赵胜男，张倩旭，刘团，刘亚林，鲁永，罗晓晨，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：