[發明專利]基于深度神經網絡的電力設備故障檢測方法

在審

• 申請號: 201710083292.3
• 申請日: 2017-02-16
• 公開（公告）號: CN107067026A
• 公開（公告）日: 2017-08-18
• 發明（設計）人: 路永玲;胡成博;陶風波;徐家園;徐長福;馬展;岳濤;劉浩杰;陳彤
• 申請（專利權）人: 國網江蘇省電力公司電力科學研究院;國家電網公司;南京大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06N3/02;G06F17/30
• 代理公司: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

1.基于深度神經網絡的電力設備故障檢測方法，其特征在于：包括

采集紅外圖譜，構建規范化的圖譜數據庫；采集的紅外圖譜包括測試用的紅外圖譜和建模用的紅外圖譜；

建立多層深神經網絡對規范化的圖譜數據庫中的測試用紅外圖譜進行分類；

建立目標檢測框架RCNN對分類的測試用紅外圖譜進行設備分區；

根據紅外圖譜缺陷分析準則，設置分區內溫度預警規則；

根據溫度預警規則，得到設備安全分析結論并實現預警。

2.根據權利要求1所述的基于深度神經網絡的電力設備故障檢測方法，其特征在于：構建規范化的圖譜數據庫的過程為：對采集的紅外圖譜進行分析，選擇表示圖像的目標特征，定義紅外圖譜中設備表示類型，構建規范化的圖譜數據庫。

3.根據權利要求2所述的基于深度神經網絡的電力設備故障檢測方法，其特征在于：在多個不同視點采集的紅外圖譜，在構建規范化的圖譜數據庫之前，基于視覺和相關背景對采集的紅外圖譜進行過濾。

4.根據權利要求1所述的基于深度神經網絡的電力設備故障檢測方法，其特征在于：建立多層深神經網絡的過程為，

將圖譜數據庫中建模用紅外圖譜分為訓練集和測試集；

構建多層深神經網絡系統，輸入訓練集，對每個訓練樣本x設置對應的輸入激活a^x,l，進行數據的向前傳播，計算每一層的層參數，具體公式如下：

z^x,l＝w^la^x,l-1+b^l

a^x,l-1＝σ(z^x,l-1)

其中，z^x,l為l層神經網絡單元的輸出，z^x,l-1為l-1層神經網絡單元的輸出、w^l為l層神經網絡單元的權重、a^x,l-1為l層神經網絡單元的輸入、b^l為l層神經網絡單元的偏置、σ為sigmoid函數、l為神經網絡的層數；

計算輸出誤差δ^x,l，通過反向傳播算法，由梯度下降規則對于每個l根據和來更新權重和配置，使代價函數的值趨于0，其中，η、m分別為神經網絡的學習率和訓練集的樣本總數；

在迭代過程中，觀察loss值的變化判斷收斂情況，調整學習率，生成包含各層參數的多層深神經網絡模型。

5.根據權利要求1所述的基于深度神經網絡的電力設備故障檢測方法，其特征在于：設備分區的過程為，

搭建目標檢測框架，通過RCNN目標檢索的方法，將分類的測試用紅外圖譜圖譜中主干設備的區域和位置進行提取；

通過Label parting的方法，對提取出的主干設備進行設備內部的分區。

6.根據權利要求1所述的基于深度神經網絡的電力設備故障檢測方法，其特征在于：根據紅外圖譜缺陷分析準則，提取分區內的像素點，根據像素點與溫度件的轉化規則，將提取的像素點轉化為溫度，根據溫度設置分區內溫度預警規則。

7.根據權利要求6所述的基于深度神經網絡的電力設備故障檢測方法，其特征在于：如果為單向設備，則計算分區內的平均溫度，生成單項設備溫度預警規則，如果是三項設備，則計算分區內的項間溫差，生成三項設備溫度預警規則。