[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的電力設(shè)備故障檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710083292.3
• 申請(qǐng)日: 2017-02-16
• 公開(kāi)（公告）號(hào): CN107067026A
• 公開(kāi)（公告）日: 2017-08-18
• 發(fā)明（設(shè)計(jì)）人: 路永玲;胡成博;陶風(fēng)波;徐家園;徐長(zhǎng)福;馬展;岳濤;劉浩杰;陳彤
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)江蘇省電力公司電力科學(xué)研究院;國(guó)家電網(wǎng)公司;南京大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/34;G06N3/02;G06F17/30
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司32224
• 代理人: 董建林

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的電力設(shè)備故障檢測(cè)方法，屬于圖像識(shí)別領(lǐng)域。

背景技術(shù)

隨著特高壓交直流混合大電網(wǎng)、新一代智能變電站、智能輸電線路等工程的深入建設(shè)，全新的電網(wǎng)重大成套裝備和智能裝備不斷涌現(xiàn)，對(duì)電網(wǎng)設(shè)備安全和智能運(yùn)維提出新的挑戰(zhàn)。需要借助物聯(lián)網(wǎng)、大數(shù)據(jù)等新技術(shù)，提出智能化的設(shè)備運(yùn)維技術(shù)，逐步構(gòu)建具有信息化、可視化和智能化的設(shè)備運(yùn)維管控體系，滿足未來(lái)電網(wǎng)設(shè)備更高的安全運(yùn)維要求。

視頻圖像檢測(cè)與識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于電力設(shè)備故障檢測(cè)及通道監(jiān)控，但就目前實(shí)際應(yīng)用效果來(lái)看，一方面存在設(shè)備監(jiān)測(cè)數(shù)據(jù)可用性差、誤報(bào)警和漏報(bào)警、狀態(tài)檢修指導(dǎo)作用不強(qiáng)的問(wèn)題；另一方面由于種種原因，采集的大量設(shè)備圖譜數(shù)據(jù)沒(méi)有得到充分利用，造成資源浪費(fèi)。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)發(fā)展到了深度學(xué)習(xí)(deep learning)階段，即深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的一系列算法，其強(qiáng)大表達(dá)能力使得其在各個(gè)機(jī)器學(xué)習(xí)的任務(wù)上取到了最好的效果，在視頻分類上的表現(xiàn)在目前也超過(guò)了其它方法。

深度學(xué)習(xí)使用了分層抽象的思想，高層的概念通過(guò)低層的概念學(xué)習(xí)得到。這一分層結(jié)構(gòu)通常使用貪婪逐層訓(xùn)練算法構(gòu)建而成，并從中選取有助于機(jī)器學(xué)習(xí)的有效特征，很多深度學(xué)習(xí)算法都是以無(wú)監(jiān)督學(xué)習(xí)的形式出現(xiàn)的，因此這些算法能被應(yīng)用于其他算法無(wú)法企及的無(wú)標(biāo)簽數(shù)據(jù)，這一類數(shù)據(jù)比有標(biāo)簽的數(shù)據(jù)更為豐富，也更容易獲得，這一點(diǎn)成為深度學(xué)習(xí)的重要優(yōu)勢(shì)。典型的無(wú)監(jiān)督學(xué)習(xí)任務(wù)包括：維度消減(dimensionality reduction)，將輸入數(shù)據(jù)投影到一個(gè)低維度空間中，實(shí)現(xiàn)更有意義的距離表示或可視化效果，比如PCA(Principle Component Analysis)；聚類(clustering)，發(fā)現(xiàn)樣本之間的相似性并將它們歸到相應(yīng)類別，比如k-means；密度估計(jì)(density estimation)，學(xué)習(xí)一個(gè)生成訓(xùn)練數(shù)據(jù)X的分布(distribution)，比如GMM(Gaussian Mixture Models)。

深度學(xué)習(xí)的另外一個(gè)好處是將用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取的高效算法來(lái)替代手工獲取特征，它將傳統(tǒng)學(xué)習(xí)方法的特征提取與分類合二為一，從而使得通過(guò)學(xué)習(xí)得到的特征對(duì)于分類具有最好的效果,參照故障圖像數(shù)據(jù)庫(kù)中的故障圖譜，能給出安全分析結(jié)論并實(shí)現(xiàn)智能預(yù)警。

深度神經(jīng)網(wǎng)絡(luò)的上述優(yōu)點(diǎn)，為基于智能圖像識(shí)別的設(shè)備、通道狀態(tài)的感知技術(shù)研究提供了新的途徑，但是目前還沒(méi)有的基于深度神經(jīng)網(wǎng)絡(luò)的電力設(shè)備故障檢測(cè)方法。

發(fā)明內(nèi)容

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的電力設(shè)備故障檢測(cè)方法。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

基于深度神經(jīng)網(wǎng)絡(luò)的電力設(shè)備故障檢測(cè)方法，包括

采集紅外圖譜，構(gòu)建規(guī)范化的圖譜數(shù)據(jù)庫(kù)；采集的紅外圖譜包括測(cè)試用的紅外圖譜和建模用的紅外圖譜；

建立多層深神經(jīng)網(wǎng)絡(luò)對(duì)規(guī)范化的圖譜數(shù)據(jù)庫(kù)中的測(cè)試用紅外圖譜進(jìn)行分類；

建立目標(biāo)檢測(cè)框架RCNN對(duì)分類的測(cè)試用紅外圖譜進(jìn)行設(shè)備分區(qū)；

根據(jù)紅外圖譜缺陷分析準(zhǔn)則，設(shè)置分區(qū)內(nèi)溫度預(yù)警規(guī)則；

根據(jù)溫度預(yù)警規(guī)則，得到設(shè)備安全分析結(jié)論并實(shí)現(xiàn)預(yù)警。

構(gòu)建規(guī)范化的圖譜數(shù)據(jù)庫(kù)的過(guò)程為：對(duì)采集的紅外圖譜進(jìn)行分析，選擇表示圖像的目標(biāo)特征，定義紅外圖譜中設(shè)備表示類型，構(gòu)建規(guī)范化的圖譜數(shù)據(jù)庫(kù)。

在多個(gè)不同視點(diǎn)采集的紅外圖譜，在構(gòu)建規(guī)范化的圖譜數(shù)據(jù)庫(kù)之前，基于視覺(jué)和相關(guān)背景對(duì)采集的紅外圖譜進(jìn)行過(guò)濾。

建立多層深神經(jīng)網(wǎng)絡(luò)的過(guò)程為，

將圖譜數(shù)據(jù)庫(kù)中建模用紅外圖譜分為訓(xùn)練集和測(cè)試集；

構(gòu)建多層深神經(jīng)網(wǎng)絡(luò)系統(tǒng)，輸入訓(xùn)練集，對(duì)每個(gè)訓(xùn)練樣本x設(shè)置對(duì)應(yīng)的輸入激活a^x,l，進(jìn)行數(shù)據(jù)的向前傳播，計(jì)算每一層的層參數(shù)，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)