[發明專利]一種電力設備熱故障診斷方法、系統及電子設備

有效

• 申請號: 201710726998.7
• 申請日: 2017-08-22
• 公開（公告）號: CN107607207B
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 胡金星;秦皓;莫文雄;張志亮;王書強;孫煜華;吳永歡;張文斐
• 申請（專利權）人: 中國科學院深圳先進技術研究院;廣州供電局有限公司
• 主分類號: G01J5/10
• 分類號: G01J5/10;G06N3/04
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 趙勍毅

1.一種電力設備熱故障診斷方法，其特征在于，包括：

步驟a：采集電力設備的紅外圖像，根據所述紅外圖像構建卷積神經網絡模型；

步驟b：將待檢測紅外圖像輸入所述卷積神經網絡模型，通過所述卷積神經網絡模型識別出所述待檢測紅外圖像中的溫度標尺和電力設備；

步驟c：根據所識別的溫度標尺像素點的RGB值及溫度標尺上下界生成RGB值與溫度參照表，并提取所識別的電力設備的RGB值，將提取的RGB值與所述RGB值與溫度參照表中的RGB值進行比對，得到所識別的電力設備的溫度結果；

步驟d：根據電網系統診斷標準對所識別的電力設備的溫度結果進行診斷，判斷該電力設備是否出現熱故障。

2.根據權利要求1所述的電力設備熱故障診斷方法，其特征在于，在所述步驟a中，所述根據所述紅外圖像構建卷積神經網絡模型還包括：根據采集的紅外圖像制作訓練樣本，根據所述訓練樣本構建卷積神經網絡模型。

3.根據權利要求2所述的電力設備熱故障診斷方法，其特征在于，所述根據采集的紅外圖像制作訓練樣本具體包括：分別標注每幅紅外圖像中的電力設備所在矩形框的四個頂點坐標，根據電力設備類型設定對應矩形框的標簽，根據圖片名、電力設備所在矩形框的四個頂點坐標以及矩形框標簽生成每幅紅外圖像的標注數據。

4.根據權利要求2或3所述的電力設備熱故障診斷方法，其特征在于，在所述步驟a中，所述卷積神經網絡模型包括RPN卷積神經網絡和Fast-RCNN卷積神經網絡，所述RPN卷積神經網絡用于處理訓練樣本，得到紅外圖像中的目標候選區域；所述目標候選區域作為Fast-RCNN卷積神經網絡的輸入，根據Fast-RCNN卷積神經網絡輸出的置信度識別目標候選區域內的溫度標尺和電力設備。

5.根據權利要求4所述的電力設備熱故障診斷方法，其特征在于，在所述步驟a后還包括：對所述卷積神經網絡模型進行訓練；所述對所述卷積神經網絡模型進行訓練具體為：

步驟a1：用小隨機數初始化所述RPN卷積神經網絡中的訓練參數；

步驟a2：將訓練樣本輸入到初始化后的RPN卷積神經網絡中，進行前向傳播，計算判別類別和矩形框標簽的Softmax損失值，計算目標候選區域參數和電力設備所在矩形框的SmoothL1損失值；

步驟a3：采用隨機梯度下降算法，分別計算RPN卷積神經網絡中每一層代價函數梯度值，用梯度值更新RPN卷積神經網絡中的訓練參數；

步驟a4：采用反向傳播BP算法，計算RPN卷積神經網絡中每一層的誤差靈敏度，用誤差靈敏度調整RPN卷積神經網絡的訓練參數，使Softmax損失值和SmoothL1損失值最小，得到訓練好的RPN卷積神經網絡；

步驟a5：將訓練樣本輸入訓練好的RPN卷積神經網絡，得到初始目標候選區域；

步驟a6：以RPN卷積神經網絡的輸出和樣本數據對Fast-RCNN卷積神經網絡進行訓練，得到訓練好的Fast-RCNN卷積神經網絡，并得到五層共享卷積層的網絡參數；

步驟a7：使用五層共享卷積層的網絡參數重新初始化RPN卷積神經網絡后，輸入訓練樣本重新訓練RPN卷積神經網絡，并輸出新的目標候選區域；

步驟a8：使用所述五層共享卷積層的網絡參數重新初始化Fast-RCNN卷積神經網絡，并使用新的目標候選區域和樣本數據重新訓練Fast-RCNN卷積神經網絡，得到訓練好的Fast-RCNN卷積神經網絡的網絡參數。