【技术实现步骤摘要】
一种电力设备状态监控分析方法与系统
[0001]本专利技术属于深度学习领域,更具体的,涉及一种电力设备状态监控分析方法与系统。
技术介绍
[0002]深度学习作为机器学习的主流分支之一,在电力设备状态监控领域得到了广泛引用。目前,变电站电力设备的巡检主要靠人工完成,传统的人工巡检方式存在工作模式艰苦、劳动强度大、安全性低、巡检效率低、缺陷发现不及时不全面等问题。基于电力设备如无人机、机器人、监控等手段的半人工巡检方式,大部分只是止步于变电站设备图像的采集功能,设备的故障诊断大多依赖后期人工识别。同时,采集的数据需要经过筛选,最终可用数据少之又少。这种做法不但需要投入大量的人力物力,而且诊断效率也相对较低。这些缺陷都极大限制了基于电力设备的变电站电力设备巡检平台的推广使用。
[0003]使用迁移学习算法对电力设备状态进行监控分析,针对未知设备缺陷样本容量不足的问题,由于未知设备缺陷的监控数据和已知设备缺陷的监控数据之间存在一些相似性,这种相似性可以通过相关算法所提取的特征体现出来,因此未知设备的缺陷特征在算法中得以正确分类。一个完备的基于迁移学习的检测算法在取得良好性能的同时,需要的硬件资源也越来越高,可能无法在移动端或嵌入式设备上运行。通过知识蒸馏训练出与复杂的迁移学习检测模型性能相同或更优的轻量化学生网络,可以方便的搭载至现有的电力设备。
[0004]因此,在需要使用迁移学习算法进行电力设备缺陷检测的同时,也需要针对电力设备的有限算力和实时性的要求,对复杂神经网络模型进行轻量化设计。
专利技 ...
【技术保护点】
【技术特征摘要】
1.一种电力设备状态监控分析方法,其特征在于,包括如下步骤:步骤S1,获取具有标签的源域缺陷数据集、不具有标签的目标域缺陷数据集。步骤S2,构建训练集和测试集。步骤S3,将训练集输入到迁移学习算法中,经过迭代训练获得电力设备状态监控分析的教师模型;步骤S4,将教师模型输入到知识蒸馏算法中,得到学生模型;步骤S5,将学生模型部署在电力设备上以监控电力设备。2.根据权利要求1所述的一种电力设备状态监控分析方法,其特征在于,步骤S1还包括:对缺陷数据集中的样本采用平移、旋转、镜像、高斯噪声的方式,以扩展缺陷数据集。3.根据权利要求1所述的一种电力设备状态监控分析方法,其特征在于,步骤S2还包括:将缺陷数据集分为训练集和测试集。训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据。测试集包括不具有标签的目标域图像数据。4.根据权利要求1所述的一种电力设备状态监控分析方法,其特征在于,缺陷数据集是图片,步骤S3具体包括:步骤S31,获取缺陷数据集的RGB三维矩阵;步骤S32,将RGB三维矩阵代入到迁移学习算法中,得到教师模型。5.根据权利要求1所述的一种电力设备状态监控分析方法,其特征在于,迁移学习算法为样本权重迁移法、特征变换迁移法或模型预训练迁移法。所述电力设备状态监控分析的网络结构为Faster R
‑
CNN,迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失;所述对抗域适应损失用于表征教师模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性;所述分布差异损失用于表征教师模型的ROI池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。6.根据权利要求5所述的所述的一种电力设备状态监控分析方法,其特征在于,对抗域适应损失的获取方法包括:构建域判别器网络,所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域;根据域判别器网络的输出结果按照如下公式计算对抗域适应损失L
ad
为:其中,D
i
表示训练集中第i个样本对应的域判别器网络D的输出结果;Domain
i
表示训练集中第i个样本的域标签,若Domain
i
=0,则第i个样本为源域图像,若Domain
i
=1,则第i个样本为目标域图像。7.根据权利要求2或3所述的一种电力设备状态监控分析方法,其特征在于,所述分布差异损失L
mmd
为:
其中,n
s
表示源域图像数据集的图像数量,j和j
′
均表示目标域图像数据集中图像的索引,j≠j
′
,表示第j个源域图像,表示第j
′
个源域图像;n
t
表示目标域图像数据集的图像数量,k和k
′
均表示源域图像数据集中图像的索引,k≠k
′<...
【专利技术属性】
技术研发人员:郭志民,田杨阳,李暖暖,王棨,张伟剑,库永恒,姜亮,苏海涛,王会琳,刘善峰,袁少光,毛万登,张劲光,董武亮,谢华珣,陈岑,刑佳璐,
申请(专利权)人:国网河南省电力公司郑州大学,
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。