[發(fā)明專利]一種基于MaskRCNN的變電設(shè)備異常識別定位方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011060711.X
• 申請日: 2021-01-11
• 公開（公告）號: CN112418202A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 羅小山;朱駿;陸爽;朱亞;吳斌;周宇星;費曉亮
• 申請（專利權(quán)）人: 上海恒能泰企業(yè)管理有限公司;上海欣能信息科技發(fā)展有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/04
• 代理公司: 南京禹為知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

1.一種基于MarkRCNN的變電設(shè)備異常識別定位方法，其特征在于：包括，

采集變電設(shè)備的實時數(shù)據(jù)進行預(yù)處理；

利用iForest算法識別出預(yù)處理后的運行數(shù)據(jù)的異常值，結(jié)合K-means聚類策略標(biāo)記的所述異常值；

基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建Mask RCNN目標(biāo)識別網(wǎng)絡(luò)模型；

將標(biāo)記的所述異常值輸入至所述Mask RCNN目標(biāo)識別網(wǎng)絡(luò)模型中進行初步識別，輸出目標(biāo)識別結(jié)果；

對LSSVM進行訓(xùn)練和參數(shù)優(yōu)化，設(shè)定精度要求和閾值，訓(xùn)練完成后輸出定位模型；

將所述目標(biāo)識別結(jié)果導(dǎo)入所述定位模型內(nèi)，獲得所述電力設(shè)備的異常位置信息。

2.根據(jù)權(quán)利要求1所述的基于MarkRCNN的變電設(shè)備異常識別定位方法，其特征在于：包括，

選取徑向基函數(shù)作為所述定位模型的目標(biāo)函數(shù)，如下，

其中，x＝{x₁；x₂；…；x₁₄}：變電設(shè)備實時運行數(shù)據(jù)的頻率特性向量組成的頻率特性矩陣，y：變電設(shè)備歷史運行相關(guān)數(shù)據(jù)的頻率特性向量，σ：核寬度，反應(yīng)訓(xùn)練的分布、范圍特性。

3.根據(jù)權(quán)利要求2所述的基于MarkRCNN的變電設(shè)備異常識別定位方法，其特征在于：輸出所述定位模型包括，

初始化懲罰參數(shù)C和σ，利用預(yù)處理的數(shù)據(jù)集對所述LSSVM進行訓(xùn)練和測試；

設(shè)定所述精度要求，若所述LSSVM模型精度未達到要求，根據(jù)誤差對所述C和所述σ進行賦值優(yōu)化，直到測試數(shù)據(jù)精度達到所述精度要求；

設(shè)定所述閾值，輸出所述定位模型。

4.根據(jù)權(quán)利要求3所述的基于MarkRCNN的變電設(shè)備異常識別定位方法，其特征在于：利用所述定位模型進行定位，包括，

將預(yù)處理后的所述運行數(shù)據(jù)導(dǎo)入所述定位模型內(nèi)；

若所述變電設(shè)備中某一設(shè)備的所述運行數(shù)據(jù)超過所述閾值，則所述設(shè)備部件位置異常。

5.根據(jù)權(quán)利要求1～4任一所述的基于MarkRCNN的變電設(shè)備異常識別定位方法，其特征在于：構(gòu)建所述Mask RCNN目標(biāo)識別網(wǎng)絡(luò)模型包括，

疊加多個殘差網(wǎng)絡(luò)ResNet，y＝F(x)+x；

建立區(qū)域生成網(wǎng)絡(luò)，P_i＝FC₂[FC₁[Pooling(f,R_i)]]，設(shè)置閾值為0.5，若P_i超過0.5，則保留候選區(qū)域，若P_i低于0.5，則舍棄；

生成分類分支，

生成掩碼分支，M_i＝FC₆[FC₅[Pooling(f,R_i′)]]；

其中，y：殘差網(wǎng)絡(luò)的輸出，x：殘差網(wǎng)絡(luò)的輸入，F(xiàn)：卷積運算函數(shù)，f：殘差網(wǎng)絡(luò)輸出的圖像特征，R_i：候選區(qū)域，Pooling：池化運算，F(xiàn)C₁、FC₂分別為第一層、第二層全連接層運算，P_i：候選區(qū)域R_i屬于前景(即包含待識別物體)的概率，R_i′：保留的候選區(qū)域，F(xiàn)C₃、FC₄分別為第三層、第四層全連接層運算，候選區(qū)域R_i′待識別物體c的概率，F(xiàn)C₅、FC₆分別為第五層、第六層全連接層運算，矩陣M_i與候選區(qū)域R_i′像素大小一致，M_i中每個位置代表候選區(qū)域內(nèi)該像素點屬于識別物體的概率。

6.根據(jù)權(quán)利要求5所述的基于MarkRCNN的變電設(shè)備異常識別定位方法，其特征在于：所述初步識別包括，

利用所述殘差網(wǎng)絡(luò)提取圖像特征；

所述區(qū)域生成網(wǎng)絡(luò)利用所述圖像特征對待識別物體進行定位，且將定位區(qū)域的特征分別送入所述分類分支和所述掩碼分支中；

所述分類分支識別所述待識別物體的種類；

所述掩碼分支定位所述待識別物體在圖像中的像素點。