[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

本發明公開了一種基于深度學習模型的變電站設備缺陷識別方法，包括如下步驟：S1：建立缺陷識別庫；S2：構建深度學習模型；S3：模型訓練；S4：試驗驗證。本發明通過分析缺陷種類族譜，構建電網設備典型缺陷識別庫，并通過預處理對缺陷圖像進行增強，再結合圖像識別技術構建電網設備缺陷深度學習模型，實時滾動分析變電站攝像頭和檢修巡檢過程中移動化終端上傳的設備細節圖片，識別設備缺陷并作分類。實驗證明本發明提出的基于深度學習模型的缺陷識別技術對異物覆蓋、端子排溫度異常、線纜虛接等缺陷的識別率達到了95%，消除了電網設備運行隱患，提高了設備可靠性和電網運維自動化水平。

技術領域

本發明屬于電網檢修領域，特別涉及一種基于深度學習模型的變電站設備缺陷識別方法。

背景技術

隨著電網規模的不斷擴大，繁多復雜的一二次設備隱患極大的影響了電網運行的可靠性，而全靠巡檢和檢修過程中一線工作人員去主動發現和識別，其工作量異常巨大，基本不太可能完成；且一線工作人員技術水平和工作經驗良莠不齊，加之人員不可避免的存在遺漏和疏忽等因素，因此，急需一種新的技術手段解決規模日益擴大的變電站設備缺陷發現和鑒別，提升變電站運維自動化水平和電網運行可靠性。

深度學習是一種深層次的人工神經網絡。神經網絡算法是模擬人腦處理信息的過程的一種算法，建立在生物學、神經科學、數學、統計學、計算機、物理學學科之上。人們將深度學習用于圖像識別與分類領域，其主要應用的就是深度的卷積神經網絡，用網絡來學習圖像的特征，然后再用訓練好的網絡去識別沒有沒見過的圖像，就跟人學習知識以后去解決問題一樣。

傳統電網例行檢修和巡檢過程中，缺陷的發現和鑒別分類都是由人完成，存在遺漏疏忽和效率低下等問題。

發明內容

本發明所要解決的技術問題是提供一種基于深度學習模型的變電站設備缺陷識別方法，該方法代替人工發現和鑒別設備缺陷，自動定位設備隱患，提高變電站運維自動化水平和電網運行安全。

為解決上述問題，本發明所采取的技術方案是：

一種基于深度學習模型的變電站設備缺陷識別方法，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；

作為本發明的進一步改進，

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。

作為本發明的進一步改進，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。

作為本發明的進一步改進，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。

作為本發明的進一步改進，

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。

作為本發明的進一步改進，

所述卷積神經網絡包輸入層、卷積層、池化層和輸出層。