变电站电力设备的故障识别定位方法、装置及设备与流程

本发明涉及电力设备故障识别技术领域，尤其涉及一种变电站电力设备的故障识别定位方法、装置及设备。

背景技术：

电力行业的高速发展，大量的变电站产生，变电站从无到有，从稳定再到可持续使用是一项复杂工程，变电站的建立对基础设施建设提出了很高的要求。变电站所需要的发电设备，不仅数量多，而且精密复杂，这就意味着设备线路铺设的工作量十分巨大。

在变电站的传统建设过程中，会产生大量的图纸、数据和报告等，不便于管理，而且涉及到多个专业、部门，一旦在建设中遇到一些难题，就需要所有施工单位、相关部门进行大量的现场勘查调研，并经过多次研讨协商，才能找到发生故障的位置及问题，并解决问题，这个过程往往历尽艰辛，效率十分低下，而且最后的解决方案质量往往还不高。因此在变电站后期维护中，变电站的变电工区是典型的高危工作区域，是电力传输领域的重中之重，稍不注意就容易发生重大事故。

随着我国社会经济的发展，对于电力能源的需求与日俱增。变电站中电力设备的运行检查、状态监测作为近几年发展起来的新兴行业，呈现出巨大的成长潜力和发展空间。

伴随着科技的进步和数字化城市建设的推进，人工巡检的工作逐渐被自动机器人所取代，人工巡检的次数大大减少，但机器人还不能完全取代人的工作。针对变电站内各类电力设备(主变、断路器、电容器等)大型而复杂的设备，传统对变电站的巡检检查故障发生是采用全站仪采集数据制造的模型进行的，整体模型建立更加困难，仍然需要投入大量人力、物力和财力等资源，并且该方式的工作效率低。

因此，在变电站的巡检过程中，如何提高识别变电站发生故障的位置成为本领域技术人员亟待解决的重要技术问题。

技术实现要素：

本发明实施例提供了一种变电站电力设备的故障识别定位方法、装置及设备，用于解决传统对变电站的巡检检测故障的方法，需要投入大量的人力物力，工作效率低的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种变电站电力设备的故障识别定位方法，包括以下步骤：

s1.数据获取：获取变电站中所有电力设备图像的三维点云数据；

s2.数据预处理：对所述三维点云数据进行滤波预处理，得到点云数据；

s3.构建模型图像：通过重采样及数据拼接和匹配对所述点云数据进行处理，并将处理后的数据构建成三维的模型图像；

s4.提取图像特征：对所述模型图像进行特征提取，得到图像特征；

s5.图像分类：采用卷积神经网络对所述图像特征进行分类，得到图像特征分类；

s6.构建故障识别模型：采用深度学习对所述图像特征分类和所述图像特征进行训练得到故障识别模型；

s7.故障识别分析：获取所述变电站的其中一个电力设备的待测图像，所述待测图像输入所述故障识别模型进行识别分析，得出该电力设备没有发生故障或发生故障的具体位置。

优选地，获取所述三维点云数据和所述待测图像均是通过三维激光扫描仪扫描电力设备得到。

优选地，在所述步骤s2中，采用八叉树法分割算法对所述三维点云数据进行去噪与平滑滤波处理，得到所述点云数据。

优选地，在所述步骤s3中，对所述点云数据处理过程中包括：

采用所述重采样的点云精简筛选所述点云数据，得到凌乱的所述点云数据；

通过所述数据拼接和匹配的标靶拼接和同名点的混合拼接法将凌乱的所述点云数据进行数据拼接，得到拼接后的所述点云数据；

采用点云配准将拼接后的所述点云数据统一到同一坐标系中形成三维的所述模型图像。

优选地，在所述步骤s4中，采用gist特征提取方式对所述模型图像的自然度、开放度、膨胀度的特征进行提取，获取图像特征；在所述提取图像特征过程中还采用gabor滤波方式对所述模型图像从方向和尺寸提取图像不同纹理。

优选地，在所述步骤s7中，所述故障识别模型的图像包含有可见光图像，若所述待测图像的电力设备发生故障，将所述待测图像输入所述故障识别模型中，所述故障识别模型通过所述图像特征分类分析后在所述可见光图像显示，得到所述待测图像发生故障的精确位置。

本发明还提供一种变电站电力设备的故障识别定位装置，包括：

数据获取单元，用于获取变电站中所有电力设备图像的三维点云数据；

预处理单元，用于对所述三维点云数据进行滤波预处理，得到点云数据；

构建模型图像单元，用于通过重采样及数据拼接和匹配对所述点云数据进行处理，并将处理后的数据构建成三维的模型图像；

特征提取单元，用于对所述模型图像进行特征提取，得到图像特征；

图像分类单元，用于采用卷积神经网络对所述图像特征进行分类，得到图像特征分类；

构建故障识别模型单元，用于采用深度学习对所述图像特征分类和所述图像特征进行训练得到故障识别模型；

故障识别分析单元，用于获取所述变电站的其中一个电力设备的待测图像，所述待测图像输入所述故障识别模型进行识别分析，得出该电力设备没有发生故障或发生故障的具体位置。

优选地，所述预处理单元采用八叉树法分割算法对所述三维点云数据进行去噪与平滑滤波处理，得到所述点云数据；

所述特征提取单元采用gist特征提取方式对所述模型图像的自然度、开放度、膨胀度的特征进行提取，获取图像特征；在所述提取图像特征过程中还采用gabor滤波方式对所述模型图像从方向和尺寸提取图像不同纹理。

优选地，所述构建模型图像单元包括筛选单元、数据拼接单元和三维建模单元；

所述筛选单元，用于采用所述重采样的点云精简筛选所述点云数据，得到凌乱的所述点云数据；

所述数据拼接单元，用于通过所述数据拼接和匹配的标靶拼接和同名点的混合拼接法将凌乱的所述点云数据进行数据拼接，得到拼接后的所述点云数据；

所述三维建模单元，用于采用点云配准将拼接后的所述点云数据统一到同一坐标系中形成三维的所述模型图像。

本发明还提供一种设备，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据所述程序代码中的指令执行上述所述的变电站电力设备的故障识别定位方法。

从以上技术方案可以看出，本发明实施例具有以下优点：

1.该变电站电力设备的故障识别定位方法通过数据获取、数据预处理、构建模型图像、提取图像特征、图像分类这五个步骤构建故障识别模型，将变电站电力设备的待测图像输入到故障识别模型中，故障识别模型识别分析该待测图像中的电力设备是否发生故障，若发生故障识别分析出变电站电力设备发生故障的位置。该变电站电力设备的故障识别定位方法不仅可以消除杂乱图像以及无关因数对识别故障带来的干扰，也大大提高识别电力设备出现故障的准确性和效率。解决了传统对变电站的巡检检测故障的方法，需要投入大量的人力物力，工作效率低的技术问题。该变电站电力设备的故障识别定位方法还可以用于识别变电站中各个电力设备的位置，提高法变电站电力设备的定位准确性，有利益监测各个电力设备运行，有效保障电力系统正常运行的稳定性；

2.该变电站电力设备的故障识别定位装置采用数据获取单元、预处理单元、构建模型图像单元、特征提取单元和图像分类单元对获取构建故障识别模型的电力设备数据进行处理，得到故障识别模型，需要被检测电力设备的待测图像输入到故障识别模型中通过故障识别分析单元进行识别分析，识别分析该待测图像中的电力设备是否发生故障，若发生故障识别分析出变电站电力设备发生故障的位置，因此该变电站电力设备的故障识别定位装置能够识别变电站电力设备发生故障的位置，识别效率高，不需要投入大量的人力物力；还通过数据获取单元、预处理单元和构建模型图像单元消除杂乱图像以及无关因数对识别故障带来的干扰，也大大提高识别电力设备出现故障的准确性和效率。解决了传统对变电站的巡检检测故障的方法，需要投入大量的人力物力，工作效率低的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例所述的变电站电力设备的故障识别定位方法的步骤流程图。

图2为本发明实施例所述的变电站电力设备的故障识别定位方法点云数据处理过程的步骤流程图。

图3为本发明实施例所述的变电站电力设备的故障识别定位装置的框架图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本申请实施例提供了一种变电站电力设备的故障识别定位方法、装置及设备，利用激光扫描仪获取电力设备的点云数据构建实体三维几何模型，针对不同的变电站的电力设备和不同点云数据的特性，结合人工智能和深度学习的卷积神经网络构建故障识别模型，基于激光扫描仪获取电力设备的图像输入故障识别模型，自动识别电力设备的图像是否发生故障以及分析发生故障的位置，用于解决了传统对变电站的巡检检测故障的方法，需要投入大量的人力物力，工作效率低的技术问题。

实施例一：

图1为本发明实施例所述的变电站电力设备的故障识别定位方法的步骤流程图。如图1所示，本发明实施例提供了一种变电站电力设备的故障识别定位方法，包括以下步骤：

s1.数据获取：获取变电站中所有电力设备图像的三维点云数据；

s2.数据预处理：对所述三维点云数据进行滤波预处理，得到点云数据；

s3.构建模型图像：通过重采样及数据拼接和匹配对所述点云数据进行处理，并将处理后的数据构建成三维的模型图像；

s4.提取图像特征：对所述模型图像进行特征提取，得到图像特征；

s5.图像分类：采用卷积神经网络对所述图像特征进行分类，得到图像特征分类；

s6.构建故障识别模型：采用深度学习对所述图像特征分类和所述图像特征进行训练得到故障识别模型；

s7.故障识别分析：获取所述变电站的其中一个电力设备的待测图像，所述待测图像输入所述故障识别模型进行识别分析，得出该电力设备没有发生故障或发生故障的具体位置。

在本发明的实施例中，因被检测的变电站电力设备存在不规则性特征，在所述数据获取中，采用三维的激光扫描仪扫描方式获取所述变电站中所有电力设备的图像。其中，所述图像为三维的三维点云数据。

需要说明的是，所述三维点云数据中的数据包含有电力设备的三维坐标、纹理信息等三维数据。一个所述变电站中包括主变、断路器、隔离开关、电流互感器、电压互感器、避雷器、电容器、电抗器、管型母线、架空导线，电缆、绝缘子串、瓷瓶等电力设备。在本实施例中，所述三维点云数据包含有一个所述变电站中所有电力设备的数据。

在本发明的实施中，在所述数据预处理过程中，因所述激光扫描仪获取的数据中伴有杂点或噪声，因此，对所述三维点云数据采用八叉树法分割算法进行去噪与平滑滤波处理，根据包围盒与数据点空间分布的对应关系建立其拓扑关系，达到去噪平滑功能；因为仪器视角和环境的限制，所述激光扫描仪在数据采集后，需要通过初始配准和精确配准，以达到不同点云之间的配准误差最小；所述三维点云数据配准将采用改进的icp算法大大地提高了配准速度和精确度；针对扫描所述三维点云数据量大的问题，在保持数据精度的前提下，可通过最小距离法、均匀采样法、保卫盒法和均匀与非均匀网络法来实现精简数据，此处选择最小距离法实现所述三维点云数据精简。不仅去除距离表面很远的离群点，也使得表面特征也得到了增强。

在本发明的实施中，所述构建模型图像过程中，是通过结合电力设备特征和所处环境特点，通过三维的所述激光影像扫描仪获取变电站中所有的电力设备图像的三维点云数据，对所述三维点云数据进行预处理，有效地消除所述三维点云数据中杂乱数据以及无关物体带来的干扰，能够快速准确地的构建变电站的所述模型图像出。具体地，因经过所述数据预处理得到的所述点云数据是零乱的，通过重采样及数据拼接和匹配对所述点云数据进行处理，并将处理后的数据构建成三维的模型图像。

需要说明的是，通过所述重采样和数据拼接和匹配对所述点云数据进行处理后将数据直接参与三维建模，进而得到更精确的所述模型图像。其中，所述模型图像是根据获取变电站的电力设备真实的图像制作的模型，结合变电站场景中的显著区域，能够提取出更加具有判别性的场景特征，以达到更好的场景分类效果。

本发明的实施例中，所述提取图像特征可以通过局部二值模式lbp对所述模型图像进行特征提取，也可以通过方向梯度直方图hog、haar特征模式对所述模型图像进行特征提取。具体地，在所述构建故障识别模型中，需要将图像的纹理信息和可见光图像中颜色、边缘等特征进行相结合构建成所述故障识别模型。在所述提取图像特征过程中需要采用所述gist特征提取方式提取图像的自然度、开放度、膨胀度等特征，所述gist特征提取方式能更好的提取所述模型图像的全局特征和反映出图像的空间布局，在所述提取图像特征过程中采用所述gabor滤波方式能够提高图像良好的方向选择和尺度选择特性，提取出不同方向上图像的纹理信息，在所述提取图像特征过程中采用的所述gabor滤波方式对光照变换不敏感，在图像旋转和变形中不会对所述提取图像特征造成影响。基于变电站上的电力设备所处环境的特殊性，在所述提取图像特征过程中采用所述gist特征提取方式和所述gabor滤波方式结合对所述模型图像进行图像特征提取。

需要说明的是，所述gabor滤波方式可以为gabor滤波器。

在本发明的实施例中，所述图像分类主要是采用卷积神经网络对获取的所述图像特征进行分类。

需要说明的是，所述卷积神经网络是一个层次模型，主要包括输入层，卷积层，池化层、全连接层以及输出层。根据每层的功能，卷积神经网络可划分为两个部分：由输入层、卷积层和池化层构成特征提取器，以及由全连接层和输入层构成分类器，通过所述卷积神经网络的特征提取器和所述分类器对所述图像特征中的全连接层分析，使用归一化指处理输出分类结果，可以巧妙的实现图像的图像分类处理。将对所述模型图像进行特征提取后输入传递到第一个卷积层中，卷积后以激活图形式输出，图片在卷积层中过滤后的特征会被输出，并传递下去，每个过滤器都会给出不同的特征，以帮助进行正确的类预测，随后的池化层将进一步减少参数数量，卷积层在提取特征时，越深的卷积神经网络会提取越具体的特征，越浅的网络提取越浅显的特征。经过多次卷积层和池化层的处理后，输出层会产生输出，信息间会相互比较排除错误，提高通过所述故障识别模型进行故障分析的准确性。

在本发明的实施例中，所述构建故障识别模型过程中是基于在gist特征提取方式、gabor滤波器和卷积神经网这三种相结合方式下，训练得到识别变电站电力设备故障的故障识别模型。与现有的dbn、nn、svm等算法相比，所述故障识别模型在o&t室外场景图像数据集上的实验表明，能够更有效地表征室外场景图像特征和得到较高的分辨率，因此，被测变电站中电力设备是否出现故障将被检测出，检测的效率高且准确度也高。

在本发明得到实施例中，所述故障识别模型的图像包含有可见光图像，在所述故障识别分析过程中，将获取的所述待测图像输入所述故障识别模型中，经过对所述待测图像的处理、特征提取、图像分类后再与所述可见光图像结合对比，以获取被测变电站中一个电力设备是否出现故障以及发生故障的精确位置。具体地，获取的所述待测图像是在可见光以及水平及俯仰角的角度下拍摄图像。其中，深度学习可以优选为卷积神经网络。

需要说明的是，通过激光扫描仪获取变电站电力设备所述待测图像，所述待测图像是激光点云三维建模图；激光扫描的所述待测图像中所得到的纹理信息和可见光下拍摄图像做图像匹配计算，根据可见光下图像的稳定位置，以达到精确定位效果。

本发明提供的一种变电站电力设备的故障识别定位方法通过数据获取、数据预处理、构建模型图像、提取图像特征、图像分类这五个步骤构建故障识别模型，将变电站电力设备的待测图像输入到故障识别模型中，故障识别模型识别分析该待测图像中的电力设备是否发生故障，若发生故障识别分析出变电站电力设备发生故障的位置。该变电站电力设备的故障识别定位方法不仅可以消除杂乱图像以及无关因数对识别故障带来的干扰，也大大提高识别电力设备出现故障的准确性和效率。解决了传统对变电站的巡检检测故障的方法，需要投入大量的人力物力，工作效率低的技术问题。该变电站电力设备的故障识别定位方法还可以用于识别变电站中各个电力设备的位置，提高法变电站电力设备的定位准确性，有利益监测各个电力设备运行，有效保障电力系统正常运行的稳定性。

在本发明的一个实施例中，获取所述三维点云数据和所述待测图像均是通过三维激光扫描仪扫描电力设备得到。

需要说明的是，在本实施例中，三维的所述激光影像扫描仪可用于点云数据的建模，且该设备小型便捷、安全稳定、可操作性强，能在很短时间内对所感应的区域建立详尽而准确的三维立体影像，因此得到的电力设备图像的是三维立体图像。

图2为本发明实施例所述的变电站电力设备的故障识别定位方法点云数据处理过程的步骤流程图。

如图2所示，在本发明的一个实施例中，在所述步骤s3中，对所述点云数据处理过程中包括：

s31.采用所述重采样的点云精简筛选所述点云数据，得到凌乱的所述点云数据；

s32.通过所述数据拼接和匹配的标靶拼接和同名点的混合拼接法将凌乱的所述点云数据进行数据拼接，得到拼接后的所述点云数据；

s33.采用点云配准将拼接后的所述点云数据统一到同一坐标系中形成三维的所述模型图像。

需要说明的是，所述重采样主要将采集的所述点云数据经过所述点云精简、所述数据拼接和匹配的标靶拼接和同名点和所述点云配准统一到同一坐标系中，形成一个三维模型。在本实施例中，为了得到更好的图像效果，采用纹理映射功能，将数据充分展现在模型中，得到不同的坐标位移、法向量等数据，为所述故障识别分析的精确定位分析做好准备。

在本发明的一个实施例中，在所述步骤s7中，所述故障识别模型的图像包含有可见光图像，若所述待测图像的电力设备发生故障，将所述待测图像输入所述故障识别模型中，所述故障识别模型通过所述图像特征分类分析后在所述可见光图像显示，得到所述待测图像发生故障的精确位置。

需要说明的是，采用深度学习技术对所述图像特征分类和所述图像特征进行训练得到的所述故障识别模型，深度学习方法有多种模型，卷积神经网络(cnn)是比较经典的一种。卷积神经网络模型是一种多层神经网络，成功将大图片进行不断降维，使其能够被训练。cnn模型主要由三部分构成：第一部分输入层，第二部分由n个卷积层和池化层的组合构成，第三部分由一个全连接的多层感知机分类器构成。

实施例二：

图3为本发明实施例所述的变电站电力设备的故障识别定位装置的框架图。

如图3所示，本发明实施例提供了一种变电站电力设备的故障识别定位装置，包括：

数据获取单元10，用于获取变电站中所有电力设备图像的三维点云数据；

预处理单元20，用于对所述三维点云数据进行滤波预处理，得到点云数据；

构建模型图像单元30，用于通过重采样及数据拼接和匹配对所述点云数据进行处理，并将处理后的数据构建成三维的模型图像；

特征提取单元40，用于对所述模型图像进行特征提取，得到图像特征；

图像分类单元50，用于采用卷积神经网络对所述图像特征进行分类，得到图像特征分类；

构建故障识别模型单元60，用于采用深度学习对所述图像特征分类和所述图像特征进行训练得到故障识别模型；

故障识别分析单元70，用于获取所述变电站的其中一个电力设备的待测图像，所述待测图像输入所述故障识别模型进行识别分析，得出该电力设备没有发生故障或发生故障的具体位置。

需要说明的是，采用三维的激光扫描仪扫描方式获取所述变电站中所有电力设备图像的三维点云数据。通过所述重采样和数据拼接和匹配对所述点云数据进行处理后将数据直接参与三维建模，进而得到更精确的所述模型图像。其中，所述模型图像是根据获取变电站的电力设备真实的图像制作的模型，结合变电站场景中的显著区域，能够提取出更加具有判别性的场景特征，以达到更好的场景分类效果。所述卷积神经网络是一个层次模型，主要包括输入层，卷积层，池化层、全连接层以及输出层。根据每层的功能，卷积神经网络可划分为两个部分：由输入层、卷积层和池化层构成特征提取器，以及由全连接层和输入层构成分类器，通过所述卷积神经网络的特征提取器和所述分类器对所述图像特征中的全连接层分析，使用归一化指处理输出分类结果，可以巧妙的实现图像的图像分类处理。将对所述模型图像进行特征提取后输入传递到第一个卷积层中，卷积后以激活图形式输出，图片在卷积层中过滤后的特征会被输出，并传递下去，每个过滤器都会给出不同的特征，以帮助进行正确的类预测，随后的池化层将进一步减少参数数量，卷积层在提取特征时，越深的卷积神经网络会提取越具体的特征，越浅的网络提取越浅显的特征。经过多次卷积层和池化层的处理后，输出层会产生输出，信息间会相互比较排除错误，提高通过所述故障识别模型进行故障分析的准确性。

在本发明的实施例中，所述预处理单元20采用八叉树法分割算法对所述三维点云数据进行去噪与平滑滤波处理，得到所述点云数据。

需要说明的是，因所述激光扫描仪获取的数据中伴有杂点或噪声，因此，对所述三维点云数据采用八叉树法分割算法进行去噪与平滑滤波处理，根据包围盒与数据点空间分布的对应关系建立其拓扑关系，达到去噪平滑功能；因为仪器视角和环境的限制，所述激光扫描仪在数据采集后，需要通过初始配准和精确配准，以达到不同点云之间的配准误差最小；所述三维点云数据配准将采用改进的icp算法大大地提高了配准速度和精确度；针对扫描所述三维点云数据量大的问题，在保持数据精度的前提下，可通过最小距离法、均匀采样法、保卫盒法和均匀与非均匀网络法来实现精简数据，此处选择最小距离法实现所述三维点云数据精简。不仅去除距离表面很远的离群点，也使得表面特征也得到了增强。

在本发明的实施例中，所述构建模型图像单元30包括筛选单元31、数据拼接单元32和三维建模单元33；

所述筛选单元31，用于采用所述重采样的点云精简筛选所述点云数据，得到凌乱的所述点云数据；

所述数据拼接单元32，用于通过所述数据拼接和匹配的标靶拼接和同名点的混合拼接法将凌乱的所述点云数据进行数据拼接，得到拼接后的所述点云数据；

所述三维建模单元33，用于采用点云配准将拼接后的所述点云数据统一到同一坐标系中形成三维的所述模型图像。

需要说明的是，所述重采样主要将采集的所述点云数据经过所述点云精简、所述数据拼接和匹配的标靶拼接和同名点和所述点云配准统一到同一坐标系中，形成一个三维模型。在本实施例中，为了得到更好的图像效果，采用纹理映射功能，将数据充分展现在模型中，得到不同的坐标位移、法向量等数据，为所述故障识别分析的精确定位分析做好准备。

在本发明的实施例中，所述特征提取单元40采用gist特征提取方式对所述模型图像的自然度、开放度、膨胀度的特征进行提取，获取图像特征；在所述提取图像特征过程中还采用gabor滤波方式对所述模型图像从方向和尺寸提取图像不同纹理。

需要说明的是，在所述提取图像特征过程中需要采用所述gist特征提取方式提取图像的自然度、开放度、膨胀度等特征，所述gist特征提取方式能更好的提取所述模型图像的全局特征和反映出图像的空间布局，在所述提取图像特征过程中采用所述gabor滤波方式能够提高图像良好的方向选择和尺度选择特性，提取出不同方向上图像的纹理信息，在所述提取图像特征过程中采用的所述gabor滤波方式对光照变换不敏感，在图像旋转和变形中不会对所述提取图像特征造成影响。基于变电站上的电力设备所处环境的特殊性，在所述提取图像特征过程中采用所述gist特征提取方式和所述gabor滤波方式结合对所述模型图像进行图像特征提取。其中，所述gabor滤波方式可以为gabor滤波器。

本发明提供的一种变电站电力设备的故障识别定位装置采用数据获取单元、预处理单元、构建模型图像单元、特征提取单元和图像分类单元对获取构建故障识别模型的电力设备数据进行处理，得到故障识别模型，需要被检测电力设备的待测图像输入到故障识别模型中通过故障识别分析单元进行识别分析，识别分析该待测图像中的电力设备是否发生故障，若发生故障识别分析出变电站电力设备发生故障的位置，因此该变电站电力设备的故障识别定位装置能够识别变电站电力设备发生故障的位置，识别效率高，不需要投入大量的人力物力；还通过数据获取单元、预处理单元和构建模型图像单元消除杂乱图像以及无关因数对识别故障带来的干扰，也大大提高识别电力设备出现故障的准确性和效率。解决了传统对变电站的巡检检测故障的方法，需要投入大量的人力物力，工作效率低的技术问题。

实施例三：

本发明实施例提供了一种设备，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据程序代码中的指令执行上述所述的变电站电力设备的故障识别定位方法。

需要说明的是，处理器用于根据所程序代码中的指令执行上述的一种变电站电力设备的故障识别定位方法实施例中的步骤，例如图1所示的步骤s1至s7。或者，处理器执行计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元10至70的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。