一种基于深度学习的变电站监测方法、系统、电子设备技术方案

本发明专利技术公开了一种基于深度学习的变电站监测方法、系统、电子设备，该监测方法通过对变电站待监测区域进行成像分析，得到待监测区域对应的多个拍摄区块及其编号；获取多个拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对监测图像集进行识别，根据识别结果提取待监测区域中的异常图像；呈现异常图像对应的异常类别及其对应的拍摄区块的编号，本发明专利技术基于深度学习建立图像识别模型，通过图形识别技术实现变电站的实时监测，在识别到渗油漏油风险后，能够有针对性实现区域对应，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效、准确的实现变电站的监测，从而提高变电站的监测效率，降低人力成本。降低人力成本。降低人力成本。

【技术实现步骤摘要】
一种基于深度学习的变电站监测方法、系统、电子设备


[0001]本专利技术涉及变电站管理
，更进一步的，涉及一种基于深度学习的变电站监测方法、系统、电子设备。

技术介绍

[0002]在变电站中，变压器、互感器、电容器等许多重要设备为充油设备，这些设备由于温差导致的金属材料以及密封材料大范围地热胀冷缩、设备结构设计不合理、制造工艺和质量问题、材质选用问题、部件老化、施工安装不当等原因常会出现渗漏油的情况；一旦出现渗漏油情况，不仅影响外观，污染环境，而且会使油位降低，引起低油位告警；甚至会使带电接头、开关处在无油绝缘的状况下运行，从而导致绝缘降低、击穿、短路、烧损，甚至爆炸；且渗漏油还会使变压器由密封状态变为非密封状态，长此以往，对变压器的绝缘品质和使用寿命都会产生不利影响，故通常需要对变电站设备的渗漏油状态进行巡检，但是随着变电站数量的增加，采用人工巡视发现设备缺陷，工作负荷大、时间长，管理精益化水平下降和“管不过来”等问题日渐突出，如何实现变电站高效监测、实时巡检是亟需解决的技术问题。
[0003]有鉴于此，特提出本申请。

技术实现思路

[0004]针对于在现有技术中针对于变电站渗漏油巡检过程采用人工巡检存在的工作负荷大、时间长、工作效率低的问题，本专利技术提供了一种基于深度学习的变电站监测方法及系统，该方法基于深度学习技术预先建立识别图像集，通过图像识别的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。
[0005]为实现上述专利技术目的，本专利技术提供以下技术方案：第一方面本专利技术实施例提供了一种基于深度学习的变电站监测方法，包括如下步骤：对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；获取多个所述拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号。
[0006]在本方案中，基于图像识别的原理实现变电站的实时监测，通过获取变电站的监测图像，并针对于图像进行划分及编号，在识别到渗油漏油风险后，能够有针对性的辅助运维人员对应相关风险区域并进行修复，且在本方案中，基于深度学习原理，对模型进行训练，进一步保证了图形设备的准确性及有效性，基于上述变电站监测方法，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效，准确的实现变电站的监
测，从而能够有效的提高变电站的监测效率，降低人力成本。
[0007]进一步的，通过以下方法构建图像识别模型，包括：获取变电站中多张异常图像与正常图像，其中，所述异常图像为设备的渗漏油图像，并通过模拟渗漏油部位的油迹覆盖范围进行轻微、中度、严重划分；所述正常图像为设备的未发生渗漏油的图像；对获取到的异常图像与正常图像进行类别标注，生成训练图像集；构建初始图像识别模块，利用所述训练图像集对所述初始图像识别模型进行训练，直到所述初始图像识别模型满足条件收敛，得到所述变电站图像识别模型。
[0008]进一步的，在构建变电站图像识别模型时，基于多张异常图像与正常图像，进行环境特征提取并基于提取的环境特征构建设备位置信息；进行渗油范围特征提取并基于提取的渗油范围特征构建渗油程度信息；在利用预先构建的图像识别模型对所述监测图像集进行识别，首先识别所述监测图像集的环境特征，再识别对应环境特征的渗油范围特征。
[0009]进一步的，在进行环境特征提取并基于提取的环境特征构建设备位置信息，其中，进行环境特征提取为进行图像的纹理特征提取，基于图像的纹理特征确定为表面油迹或者为地面油迹。
[0010]进一步的，在构建变电站图像识别模型时，针对于地面油迹对应的异常图像以及正常图像，均通过纹理特征提取进行图像裁剪，取出图像中的缺陷点，实现模型的建立。
[0011]进一步的，所述利用所述训练图像集对初始图像识别模型进行训练，包括：对所述训练图像集进行数据标准化处理与数据增强处理，利用处理后的训练图像集对初始图像识别模型进行训练。
[0012]进一步的，所述初始图像识别模型为：yolo、Faster R
‑
cnn中的一种。
[0013]进一步的，利用处理后的训练图像集对初始图像识别模型进行训练具体包括如下步骤：基于数据标准化处理与数据增强处理后的训练图像集，进行随机分类，其中第一类图像集用于对初始图像识别模型进行训练；第二类图像集验证及监督训练的流程；第三类图像集用于对训练后获得所述变电站图像识别模型进行测试；其中，所述第一类图像集的数量N1、所述第二类图像集的数量N2、所述第三类图像集的数量N3满足：N1> N2> N3。
[0014]第二方面本专利技术实施例涉及一种基于深度学习的变电站监测电子设备，包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述基于深度学习的变电站监测方法。
[0015]第三方面本专利技术实施例涉及一种基于深度学习的变电站监测系统，包括：图像采集装置、电子设备；所述电子设备用于对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号，并向所述图像采集装置发出采集指令，其中，所述图像采集指令，包括：多个所述拍摄区块及其编号；以及，获取来自图像采集装置的多个所述拍摄区块
处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；以及，呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号；所述图像采集装置，用于基于所述图像采集指令采集多个所述拍摄区块处的图像，并传输至所述电子设备。
[0016]本专利技术与现有技术相比，具有如下的优点和有益效果：本专利技术实施例涉及的一种基于深度学习的变电站监测方法，通过对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；获取多个所述拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号；本方法基于图像识别的原理实现变电站的实时监测，通过获取变电站的监测图像，并针对于图像进行划分及编号，在识别到渗油漏油风险后，能够有针对性的辅助运维人员对应相关风险区域并进行修复，且在本方案中，基于深度学习原理，对模型进行训练，且通过在图像识别模型中构件对应的位置识别模块，能够有效的实现渗漏油位置的识别，降低油迹在不同面上的延展性不一样的问题，带来的对识别结果的影响，进一步保证了设别准确性及有效性，基于上述变电站监测方法，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的变电站监测方法，其特征在于，包括如下步骤：对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；获取多个所述拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号。2.根据权利要求1所述的一种基于深度学习的变电站监测方法，其特征在于，通过以下方法构建图像识别模型，包括：获取变电站中多张异常图像与正常图像，其中，所述异常图像为设备的渗漏油图像，并通过模拟渗漏油部位的油迹覆盖范围进行轻微、中度、严重划分；所述正常图像为设备的未发生渗漏油的图像；对获取到的异常图像与正常图像进行类别标注，生成训练图像集；构建初始图像识别模型，利用所述训练图像集对所述初始图像识别模型进行训练，直到所述初始图像识别模型满足条件收敛，得到所述变电站图像识别模型。3.根据权利要求2所述的一种基于深度学习的变电站监测方法，其特征在于，在构建变电站图像识别模型时，基于多张异常图像与正常图像，进行环境特征提取并基于提取的环境特征构建设备位置信息；进行渗油范围特征提取并基于提取的渗油范围特征构建渗油程度信息；在利用预先构建的图像识别模型对所述监测图像集进行识别，首先识别所述监测图像集的环境特征，再识别对应环境特征的渗油范围特征。4.根据权利要求3所述的一种基于深度学习的变电站监测方法，其特征在于，在进行环境特征提取并基于提取的环境特征构建设备位置信息，其中，进行环境特征提取为进行图像的纹理特征提取，基于图像的纹理特征确定为表面油迹或者为地面油迹。5.根据权利要求4所述的一种基于深度学习的变电站监测方法，其特征在于，在构建变电站图像识别模型时，针对于地面油迹对应的异常图像以及正常图像，均通过纹理特征提取进行图像裁剪，取出图像中的缺陷点，实现模型的建立。6.根据权利要求2
‑
5任一所述的一种基于深度学习的变电站监测方法，其特征在于...

【专利技术属性】
技术研发人员：杜成龙，张学敏，沈建军，李孟福，
申请(专利权)人：四川金信石信息技术有限公司，
类型：发明
国别省市：