一种基于深度学习的电网设备状态监测装置的制作方法

本发明属于人工智能电网视频监测技术领域，涉及一种基于深度学习的电网设备状态监测装置。

背景技术：

长期以来，在变电站巡视过程中，需要定周期、定路线、定方法、定人、定标准、定时间，及时发现设备的缺陷或隐患，但变电站巡视主要通过人工模式，定期或不定期对现场设备进行巡视检查或采用红处线测温手段对电网设备状态进行监视，工作量大，且受环境因素、人员素质等各方面的影响，容易造成巡视不到位，核对不到位情况发生，巡视效率和质量往往达不到预期效果。

目前，变电站中存在各种传感器和监测设备，产生大量数据，包括由工业相机捕获的图像和视频。传统的监测系统仅实现了遥视功能，海量图像资源数据仅靠人工搜索，效率较低，而且远没有发挥图像数据资源优势。传统的电力生产主要依靠结构化数据。近年来，视频，图像等非结构化数据已超过结构化数据的增长速度，并且这些非结构化数据成为电网大数据的主要部分。如果能够将图像视频这些非结构化数据进行结构化，在海量的图像中实时发现正常运行和故障的状态，实现智能识别、高效决策将具有重要价值和意义。

技术实现要素：

为了克服现有技术中存在的不足，本发明提供一种基于深度学习的电网设备状态监测装置。

为解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的电网设备状态监测装置，该电网设备状态监测装置包括视频采集单元、电网设备检测单元、显示单元和储存单元；其中，视频采集单元包括工业相机和视频编码器，用于获取待识别电网设备状态；电网设备检测单元包括图像数据库模块、深度学习训练模块、深度学习识别模块；显示单元为led显示屏，将显示识别结果以及实时监测录像；储存单元为云盘储存，将实时监测视频、图像以及识别结果进行云盘储存。

所述的视频采集单元的工业相机将采集到的视频信息通过网线传输到视频解码器，同时经网线传输到储存单元进行数据备份；通过提取监测视频的视频帧，构建一个专门用于识别电网设备状态的图像数据库；图像数据库中的所有图像包括刀闸的断、合，冷却器的停、启，温度计、仪表盘处于预警刻度区和非预警刻度区等状态，每幅图像只包含一种状态，一共8种状态。所述每类图片的数量通常设置为1000张。对建立好的数据库中的每一幅图片都做一些预处理，过程如下：首先将所有图片随机对等地划分为训练图片集和测试图片集，再将每一张图片的大小进行归一化，输入数据为256×256像素；对每一幅图片进行无序排序，通过手工标注得到一个标签，表明该幅图片的识别状态。

所述的电气设备检测单元将图像数据库中的电气设备状态数据传输到深度学习训练模块进行深度学习建模，深度学习识别模块利用深度学习训练模块建立的模型对电气设备状态进行判别分类，同时将判别分类结果进行显示和储存。

所述的深度学习训练模块分为两部分：预处理和训练；预处理有三个部分：无序排序，颜色、图形的聚类，大小和格式的调整；训练包括卷积层、池化层、全连接层、分类层以及激活函数，所述卷积层的后面连接所述池化层，所述池化层的后面连接所述全连接层，最后的分类层上的每个输出节点为所述电网设备状态概率，根据所述电网设备状态概率确定所述待识别电网设备状态的属性信息。

其中：

卷积层，通过卷积运算使得原信号特征增强并降低噪音；

池化层，利用图像局部性原理通过抽样的方法减少很多特征，包括最大池化、均值池化、随机池化；

具体的卷积计算、池化计算采用现有caffenet中的卷积层和池化层实现；

全连接层，全连接层的每个神经元都与下一层的每个神经元相连，像传统的多层感知器神经网络一样；

分类层，将电网设备状态分为8类，将分类结果和标签进行匹配；

激活函数，用于参数的计算和调整；

为避免出现过拟合的现象，在图像库caffenet上对深度学习训练模块进行fine-tune。

所述深度学习识别模块，用于将计算机自动获取来自工业相机的实时画面，自动提取并描述画面的特征和内容，辨别出画面中设备的状态变化，提取目标的静态特征，判断其类别，并进一步确定所述电网设备状态的属性信息；在此基础上，即发出警告、记录信息和启动事件处置预案。

本发明的电网设备状态监测装置，利用一个电网设备状态的图像数据库，该数据库包括了和各种条件下的电网设备状态的图像，所有图像在背景、角度、光照、尺度等方面都具有很大的差异性。并且为避免在规模太小的数据库上训练得到的电网设备状态模型过拟合，所以在caffenet数据库进行fine-tune，从而获得训练后的电网设备状态模型。在获取到待识别电网设备状态图像后，无需用户手动定义状态再进行分类，直接通过该装置即可识别并采取有效措施，有效地缓解人力监测的压力，达到真正意义上的智能监测，结果表明本发明提出的基于深度学习的电网设备状态监测装置具有非常高的实用性和可行性。

附图说明

图1是本发明电网设备状态监测装置的结构示意图。

图2是本发明电网设备状态识别方法实施的流程示意图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

如图1所示，该装置包括视频采集单元，电网设备检测单元，显示单元和储存单元。

其中，所述视频采集单元包括工业相机和视频编码器，用于获取待识别电网设备状态。

其中，所述电网设备检测单元包括数据库模块、深度学习训练模块、深度学习识别模块。

其中，所述显示单元为led显示屏，将显示识别结果以及实时监测录像。

其中，所述储存单元为云盘储存，将实时监测视频、图像以及识别结果进行云盘储存。

如图2所示，首先，建立一个包含刀闸断、合，冷却器的停、启，温度计、仪表盘处于预警刻度区和非预警刻度区等图像的电网设备状态图像数据库，所有图像均来自现实的监测设备，每一类图像数量为1000张，并且每一类图像的背景、角度、光照、尺度上具有很大的差异性。针对每一幅图像，通过手工标注得到一个标签，表明了该幅图像的识别状态。

对建立好的数据库中的每一幅图像都做一些预处理，首先将所有图像随机对等地划分为训练图像集和测试图像集，再将每一张图像的大小进行归一化，输入数据为256×256像素。

在对模型进行学习之前，需要解决训练模型参数过多带来的过拟合现象。为此，在caffenet图像公开库上预先训练神经网络模型，再使用建立的电网设备状态数据库继续学习该模型直至收敛。

所述的深度学习训练模块分为两部分：预处理和训练。预处理有三个部分：无序排序，颜色、图形的聚类，调整大小和格式。训练包括5个卷积层、5个池化层、3个全连接层和1个分类层。所述卷积层1与池化层1用于滤波，卷积层2与池化层2对滤波结果进行绝对值校正，卷积层3与池化层3用于对校正结果进行均值和方差归一化，卷积层4与池化层4用于对归一化结果进行采样窗口所有值进行平均化，卷积层5与池化层5用于对平均值进行最大化。其中，激活函数采用relu非饱和激活函数，用于参数的计算和调整。

经过卷积层1，将所述待识别电网设备状态图像与卷积核进行卷积计算，卷积核大小为7*7，滑动时每次移动步长为2个像素，输入的特征层个数为96，卷积核的参数的个数为96*7*7*3＝14112，经过卷积层1后得到的结果为110*110*96＝1161600；

经过池化层1，池化范围大小为3*3，每次移动为2个像素，经过池化层1后得到的图像维度是55*55*96＝290400；

经过卷积层2，将上一层得到输出与卷积核进行卷积计算，卷积核大小为5*5，滑动时每次移动步长为2个像素，输入的特征层个数为256，卷积核的参数的个数为256*5*5*96＝614400，经过卷积层2后得到的结果为26*26*256＝173056；

经过池化层2，池化范围大小为3*3，每次移动为2个像素；

经过卷积层3，将上一层得到输出与卷积核进行卷积计算，卷积核大小为3*3，滑动时每次移动步长为1个像素，输入的特征层个数为384，卷积核的参数的个数为384*3*3*256＝884736；

经过池化层3，池化范围大小为3*3，每次移动为2个像素；

经过卷积层4，将上一层得到输出与卷积核进行卷积计算，卷积核大小为3*3，滑动时每次移动步长为1个像素，输入的特征层个数为384，卷积核的参数的个数为384*3*3*384＝1327104；

经过池化层4，池化范围大小为3*3，每次移动为2个像素；

经过卷积层5，将上一层得到输出与卷积核进行卷积计算，卷积核大小为3*3，滑动时每次移动步长为1个像素，输入的特征层个数为256，卷积核的参数的个数为256*3*3*384＝884736；

经过池化层5，池化范围大小为3*3，每次移动为2个像素；

经过全连接层1，全连接层的节点个数为4096个，涉及的卷积核参数的个数为4096*4096＝16777216；

经过全连接层2，全连接层的节点个数为4096个，涉及的卷积核参数的个数为4096*4096＝16777216；

经过全连接层3，全连接层的节点个数为4096个，涉及的卷积核参数的个数为4096*8＝32768；

最后经过分类层进行分类，将全连接层上的每个输出节点的数值转化为0到1之间的概率值，对应每一类电气设备状态的概率。

将所述待识别电网设备状态图像作为输入，从输入层到卷积层通过卷积操作，卷积层的每个神经元可以与输入层中一定尺寸的局部感受野相连，通过卷积后获得了所述待识别电网设备状态图像的特征，从卷积层到池化层的过程可以称为池化过程，目的在于减少上一层的特征数量，经过卷积层、池化层和全连接层之后得到的特征会由分类层进行分类，分类层上的每个输出节点为所述电网设备状态概率，根据所述电网设备状态概率确定所述待识别电网设备状态的属性信息。分类层将电网设备状态分为8类，将分类结果和标签进行匹配。具体实施时可以将最大的电网设备状态概率作为最终结果。

所述深度学习识别模块，用于将计算机自动获取来自工业相机的实时画面，依据深度学习训练模块的学习规则，提取目标的静态特征信息，判断其类别，并进一步确定所述电网设备状态的属性信息。在最终结果基础上，显示识别结果，并将识别结果进行云盘储存，即可发出警告、记录信息和启动事件处置预案等后续措施。

本发明采用的是caffe深度学习框架，这是一个非常清晰且高效的深度学习框架，该框架能够运行及其优秀的模型以及大规模的数据，对于要解决的问题具有很强的适应性。使用caffe设置的参数包括基础学习率：0.01，学习动量：0.9，权重惩罚系数：0.0005，迭代次数：20000。