基于深度学习多特征融合的电力设备状态的检测方法与流程

本发明涉及电力设备状态检测领域，具体地说，是基于深度学习多特征融合的电力设备状态的检测方法。

背景技术：

电力设备主要包括发电设备和供电设备两大类，电力系统中电力设备大多采用的计划检修体制存在着严重缺陷，如临时性维修频繁、维修不足或维修过剩、盲目维修等，这使世界各国每年在设备维修方面耗资巨大。怎样合理安排电力设备的检修，节省检修费用、降低检修成本，同时保证系统有较高的可靠性，对系统运行人员来说是一个重要课题。随着传感技术、微电子、计算机软硬件和数字信号处理技术、人工神经网络、专家系统、模糊集理论等综合智能系统在状态监测及故障诊断中应用，使基于设备状态监测和先进诊断技术的状态检修研究得到发展，成为电力系统中的一个重要研究领域。

技术实现要素：

为了解决上述技术问题，本发明解决了电力系统中状态检测难的问题，通过不同特征层进行融合学习，提供基于深度学习多特征融合的电力设备状态的检测方法。

为了实现上述目的，本发明使用的技术方案如下：

基于深度学习多特征融合的电力设备状态的检测方法，包括以下步骤：

1）设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；

2）对设备温度进行记录，形成报表，建立温度数据库；

3）对温度数据库进行训练，建立自动判别故障的智能模型；

4）建立不同设备的颜色特征库；

5）提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；

6）识别发生故障的电力设备并告警。

本发明进一步改进，步骤1）中的设备温度的自动化巡检，利用红外热成像技术，对主变和电容器等主要设备的温度进行实时扫描。

本发明进一步改进，步骤3）中的建立自动判别故障的智能模型，采用bp神经网络，判别设备温度是否正常。

本发明进一步改进，步骤4）中的建立不同设备的颜色特征库，是采用红外图像的细化分割方法，在纹理特征上、形状特征、颜色特征及深度学习网络特征上进行多特征识别，提高机器学习模型的分类和回归性能。

本发明进一步改进，步骤5）中，基于深度学习方法依据部位信息对故障进行训练分类，提出基于多特征融合的深度学习模型。

本发明进一步改进，将构建数据驱动的深度学习卷积神经网络模型，建立具有不同神经元个数和层面连接方式的特征抽取滤波器，构建权值共享网络结构进行复杂特征提取和数据重建，解决低数据样本下的模型过拟合问题，提高巡检回传数据智能分析效率和准确率。

本发明进一步改进，采用深度信念网络模型，以多个副本异步并行计算的方式进行模型训练，并使用dropout方法防止模型训练过拟合，对视频图像数据集进行分类训练，由此大大提高深度神经网络的训练效率。

本发明的有益效果：采用红外线热成像技术，对主要设备进行实时扫描，形成报表，对温度数据库进行训练，建立不同设备的颜色特征库，实现对不同设备类型的红外诊断，能够有效地识别发生故障的电力设备并发出警报。

附图说明

图1为本发明的深度学习模型；

图2为本发明的流程示意图。

具体实施方式

为了加深对本发明的理解，下面将结合实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

实施例，如图1所示，基于深度学习多特征融合的电力设备状态的检测方法，包括以下步骤：

1）设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；

2）对设备温度进行记录，形成报表，建立温度数据库；

3）对温度数据库进行训练，建立自动判别故障的智能模型；

4）建立不同设备的颜色特征库；

5）提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；

6）识别发生故障的电力设备并告警。

本实施例中，利用红外线热成像技术对设备温度进行自动化巡检，对主要设备进行实时的温度监控与扫描，并且对监控得出的设备温度结果进行记录，形成相应的报表，建立温度数据库，建立自动判别故障的智能模型，采用bp神经网络判别设备温度是否正常；建立不同设备的颜色特征库，采用红外图像的细化分割方法，在纹理特征上、形状特征、颜色特征以及深度学习网络特征上进行多特征识别，提高机器学习模型的分类和回归性能；基于深度学习方法依据部位信息对故障进行训练分类，提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；将构建数据驱动的深度学习卷积神经网络模型，建立具有不同神经元个数和层面连接方式的特征抽取滤波器，构建权值共享网络结构进行复杂特征提取和数据重建，解决低数据样本下的模型过拟合问题，提高巡检回传数据智能分析效率和准确率；采用深度信念网络模型，以多个副本异步并行计算的方式进行模型训练，并使用dropout方法防止模型训练过拟合，对视频图像数据集进行分类训练，由此大大提高深度神经网络的训练效率。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：

技术总结
本发明涉及电力设备状态检测领域，具体地说，是基于深度学习多特征融合的电力设备状态的检测方法。包括以下步骤：设备温度的自动化巡检，对主要设备温度的实时监控，以及对相关设备温度的日常扫描；对设备温度进行记录，形成报表，建立温度数据库；对温度数据库进行训练，建立自动判别故障的智能模型；建立不同设备的颜色特征库；提出基于多特征融合的深度学习模型，从而实现对不同设备类型的红外诊断；识别发生故障的电力设备并告警。采用红外线热成像技术，对主要设备进行实时扫描，形成报表，对温度数据库进行训练，建立不同设备的颜色特征库，实现对不同设备类型的红外诊断，能够有效地识别发生故障的电力设备并发出警报。

技术研发人员：希克梅特萨利
受保护的技术使用者：江苏圣通电力新能源科技有限公司
技术研发日：2019.01.16
技术公布日：2019.05.21