【技术实现步骤摘要】
基于多层感知框架的供电设备隐患诊断方法及装置
[0001]本专利技术涉及供电安全
,特别是指一种基于多层感知框架的供电设备隐患诊断方法、装置、电子设备及存储介质。
技术介绍
[0002]供电设备是保障用电的核心枢纽,一旦发生严重的安全隐患,很有可能造成重大事故,严重危害了供电的安全及可靠性。因此做好供电设备的的防护措施,是保障电网安全稳定运行至关重要的一项工作。常见的供电设备隐患为设备或线路发生火灾,究其原因主要有:电气设备温度过高引起火灾,设备自然老化、操作不当等都有可能导致生烟起火。在起火之前,往往出现烟雾,能准确的发现烟雾的产生,则能够尽早控制隐患,避免事故的发生。
[0003]传统的起火检测方法大多基于传感器的检测,通过设置烟雾、温度、湿度等多个传感器,对监测设备进行数据监控,但传感器受环境影响较大,误检率相对较高。随着人工智能及计算机视觉技术的快速发展,越来越多的研究者利用视频或图像识别技术对烟雾及起火进行检测,这些方法虽然可以准确的定位烟雾点、起火点,并快速报警,但无法确定起火原因,需要进一步排查来分析判断,缺失辅助手段。
技术实现思路
[0004]有鉴于此,本专利技术实施例提供一种基于多层感知框架的供电设备隐患诊断方法、装置、电子设备及存储介质,能够在对烟雾的产生进行实时监测的同时,对烟雾产生原因给出初步诊断,便于工作人员针对性检修。
[0005]第一方面,本专利技术实施例提供一种基于多层感知框架的供电设备隐患诊断方法,包括:
[0006]获取供电设备的待识 ...
【技术保护点】
【技术特征摘要】
1.一种基于多层感知框架的供电设备隐患诊断方法,其特征在于,包括:获取供电设备的待识别图片;利用预先构建的基于目标识别yolo算法框架的图像目标识别模型对所述待识别图片进行检测,判断有无烟雾;若有烟雾,则利用所述图像目标识别模型检测出图片中烟雾部分的局部图片、以及图片中动物闯入或人误入的局部图片;将检测出的图片中烟雾部分的局部图片、以及图片中动物闯入或人误入的局部图片输入Inception图像卷积神经网络,得到图片的表达,所述Inception图像卷积神经网络去掉softmax层和全连接层,在池化层后加上全连接层;获取供电设备的固有特征参数;根据所述固有特征参数和所述图片的表达,采用MLP算法计算烟雾造成的原因是内因或外因。2.根据权利要求1所述的方法,其特征在于,所述图像目标识别模型的构建包括:构建图像模型数据集,该数据集包括监控设备拍摄的烟雾图像、动物闯入的图像、以及人误入的图像;利用包括旋转、反射变换、以及尺度变换的数据增强技术来丰富图像训练集,增加数据样本数量;利用标记工具对整理好的图像数据进行标记,针对不同目标分别标记出烟雾、老鼠和人,生成yolo格式的标注文件;所述图像目标识别模型是基于yolov3模型的改进,网络的特征提取部分:利用darknet
‑
53网络作为基础网络,主要包括1个卷积层单元、1个残差模块、1个全连接层、以及1个输出层,其中卷积层单元由1个4维卷积层+一个BN层+1个Leaky Relu激活函数构成,残差模块由1个填充层+1个上述卷积层单元+1个Compose组合单元构成,其中Compose组合单元包含N个上述卷积层单元构成的残差网络;所述图像目标识别模型的网络的采样输出部分:对图像的特征进行上采样和连接,之后输出,该部分的输入便是所述darknet
‑
53网络的输出;损失函数的计算,包含坐标误差、IOU误差以及分类误差;通过迭代直至模型收敛,保存yolo网络模型的参数。3.根据权利要求1所述的方法,其特征在于,所述供电设备的固有特征参数包含正常运行状态下的数据以及出现烟雾状态下的数据,具体数据包括:设备负荷、设备使用时长、设备检修次数、事故间隔时间、以及设备历史平均故障率。4.根据权利要求1所述的方法,其特征在于,所述Inception图像卷积神经网络的全连接层的输出为32个网络节点,输出节点的数目为图片维度的数目。5.根据权利要求1所述的方法,其特征在于,所述MLP算法包含2层隐藏层,一层包含16个神经元,一层包含4个神经元,输入个数为69,隐藏层激活函数选用sigmoid函数。6.一种基于多层感知框架的供电设备隐患诊断装置,其特征在于,包括:第一获取模块,用于获取供电设备的待识别图片;检测模块,用于利用预先构建的基于目标识别yolo算法框架的图像目标识别模型对所述待识别...
【专利技术属性】
技术研发人员:王丽群,俞斯昌,郑展程,
申请(专利权)人:杭州电力设备制造有限公司,
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。