[發明專利]一種基于深度學習模型的變電站設備缺陷識別方法

在審

• 申請號: 202010801163.5
• 申請日: 2020-08-11
• 公開（公告）號: CN112070720A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 曹磊;張廣嘉;劉景立;趙子根;王獻志;劉宏君;王光華
• 申請（專利權）人: 國網河北省電力有限公司保定供電分公司;長園深瑞繼保自動化有限公司;國網河北省電力有限公司電力科學研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 張杰;徐瑞豐

1.一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，包括如下步驟：

步驟S1：建立缺陷識別庫；

步驟S2：構建深度學習模型；

步驟S3：模型訓練；

步驟S4：試驗驗證。

2.根據權利要求1所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述步驟S1中缺陷識別庫的建立過程如下：

步驟S11：總結歸納電網長期運行以來各類設備缺陷在不同類型變電站、不同電壓等級和不同設備類型上的表現，建立變電站設備缺陷種類族譜；

步驟S12：根據步驟S11建立的變電站設備缺陷種類族譜，通過既往缺陷報告分析、變電站視頻截取、現場圖像采集和網絡爬蟲手段獲取變電站典型缺陷的圖像信息；

步驟S13：對步驟S12獲取的圖像信息進行預處理，形成缺陷分種類數據集。

3.根據權利要求2所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述步驟S13中預處理的方法包括裁剪、鏡像、旋轉、縮放、添加噪音、改變色調、阻擋部分和模糊數據增強技術手段。

4.根據權利要求1所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述步驟S2中深度學習模型的構建過程為：在傳統神經網絡基礎上加入卷積層和池化層，降低輸入數據處理維度，建立以卷積神經網絡為基礎的變電站缺陷識別深度學習模型。

5.根據權利要求4所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，降低輸入數據處理維度的方法為局部連接、權值共享和池化。

6.根據權利要求4所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，

所述卷積神經網絡包輸入層、卷積層、池化層和輸出層。

7.根據權利要求1所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述步驟S3中模型訓練過程如下：

步驟S31：采用變體Adam算法，通過自適應學習率來進行梯度更新，進行模型訓練；

步驟S32：使用測試集top(k)的準確率評價模型。

8.根據權利要求7所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述變體Adam算法為梯度下降法的變體Adam算法。

9.根據權利要求1所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述步驟S4中試驗驗證過程為：通過采集新的變電站設備圖片，采用AlexNet卷積網絡模型，驗證數據增強對解決過擬合問題的有效性，發現缺陷和識別缺陷的種類。

10.根據權利要求9所述的一種基于深度學習模型的變電站設備缺陷識別方法，其特征在于，所述AlexNet卷積網絡模型采用Google開源的TensorFlow框架實現。