一种SF6密度继电器的漏气监测方法及系统与流程

本发明涉及智能检测领域，尤其涉及一种sf6密度继电器的漏气监测方法及系统。
背景技术：
：六氟化硫(以下简写sf6)常态下是一种稳定气体，无色、无臭、无毒、不燃，因有良好的电气绝缘性和优异的灭弧性能，被广泛用做高压电子、电气设备的绝缘介质，以及在高压开关中用于灭弧。sf6密度继电器是一种在线监测密闭空间内气体密度的设备，多用于以sf6气体作为绝缘介质的高压电气设备上。在额定工作压力下，当温度发生变化时，sf6气体的压力会随之发生变化，这时sf6密度继电器内部的温度补偿单元，会对变化的压力进行修正,使压力示值不变。如果sf6气体发生了泄露，压力指示就会下降，如果压力降到报警阈值，继电器对接点应当输出报警信号，这时候需要补气，否则，在没有闭锁系统的情况下，sf6气体密度过低，开关动作时，容易因为气体不能起到良好的灭弧作用，从而导致开关爆炸，威胁安全生产。早期的肥皂水法、包扎法，适合小型设备，需要人工操作，操作简单，但只能定性分析，不能实时监测需求。气体密度监测法、真空负离子捕获、紫外电离技术、负电晕放电技术，精度一般或极低，虽然有的测量范围广、有的稳定性好、结构简单，但是也存在有的价格昂贵结构复杂、有的寿命短等问题，不存在广泛推广的意义；基于光学原理检测技术，例如：红外吸收光谱和光声光谱技术，虽然精度比较高，选择性好，但是存在成本高结构复杂或易受噪声影响等问题。技术实现要素：为解决上述问题，本发明提出一种sf6密度继电器的漏气监测方法及系统。一种sf6密度继电器的漏气监测方法，包括：确定sf6密度继电器压力数值的影响因素；获取sf6密度继电器历史压力数据及对应同一时间影响因素的信息，组成数据集；基于数据集进行训练得到预测分析模型；获取sf6密度继电器表盘的图像，对图像中的表盘进行定位和校正从而获取sf6密度继电器的压力数据，再获取对应同一时间影响因素的信息；将sf6密度继电器的压力数据及对应同一时间影响因素的信息输入预测分析模型来对sf6密度继电器是否会漏气进行预测。优选的，所述sf6密度继电器压力数值的影响因素包括温度、风速和天气。优选的所述基于数据集进行训练得到预测分析模型包括：将数据集分为训练集与验证集；对训练集基于深度学习算法进行训练，得到预测分析模型；对验证集通过训练完成的预测分析模型进行预测验证。优选的，所述对图像中的表盘进行定位包括：获取多个sf6密度继电器表盘的图像；对多个sf6密度继电器表盘的图像进行训练，得到表盘定位模型；将sf6密度继电器表盘的图像输入表盘定位模型以对图像中的表盘进行定位。优选的，所述获取sf6密度继电器的压力数据包括：提取表盘中感兴趣的关键点；通过关键点间存在的固有关系，得到表盘指针当前的准确角度；通过表盘刻度的映射关系，换算得到当前sf6密度继电器指示的压力数值。一种sf6密度继电器的漏气监测系统，包括：第一数据获取模块，用于获取sf6密度继电器历史压力数据及对应同一时间影响因素的信息，组成数据集；模型训练模块，用于基于数据集进行训练得到预测分析模型；第二数据获取模块，用于获取sf6密度继电器表盘的图像，对图像中的表盘进行定位和校正从而获取sf6密度继电器的压力数据，再获取对应同一时间影响因素的信息；漏气判断模块，用于将sf6密度继电器的压力数据及对应同一时间影响因素的信息输入预测分析模型来对sf6密度继电器是否会漏气进行预测。优选的，所述sf6密度继电器压力数值的影响因素包括温度、风速和天气。优选的，所述第一模型训练模块具体用于：将数据集分为训练集与验证集；对训练集基于深度学习算法进行训练，得到预测分析模型；对验证集通过训练完成的预测分析模型进行预测验证。优选的，所述第二数据获取模块对图像中的表盘进行定位包括：获取多个sf6密度继电器表盘的图像；对多个sf6密度继电器表盘的图像进行训练，得到表盘定位模型；将sf6密度继电器表盘的图像输入表盘定位模型以对图像中的表盘进行定位。优选的，所述第二数据获取模块获取sf6密度继电器的压力数据包括：提取表盘中感兴趣的关键点；通过关键点间存在的固有关系，得到表盘指针当前的准确角度；通过表盘刻度的映射关系，换算得到当前sf6密度继电器指示的压力数值。通过使用本发明，可以实现以下效果：基于数据集进行训练得到预测分析模型；获取sf6密度继电器表盘的图像，对图像中的表盘进行定位和校正从而获取sf6密度继电器的压力数据，再获取对应同一时间影响因素的信息；将sf6密度继电器的压力数据及对应同一时间影响因素的信息输入预测分析模型来对sf6密度继电器是否会漏气进行预测，预测结果准确且效率高。附图说明下面结合附图和具体实施方式对本发明作进一步详细的说明。图1是本发明实施例一一种sf6密度继电器的漏气监测方法的示意流程图；图2是本发明实施例一一种sf6密度继电器的漏气监测方法中步骤s3的示意流程图；图3是本发明实施例二一种sf6密度继电器的漏气监测系统的示意结构图。具体实施方式以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。实施例一本发明实施例一提出一种sf6密度继电器的漏气监测方法，如图1所示，包括以下步骤：s1：确定sf6密度继电器压力数值的影响因素。获取sf6密度继电器数据趋势采集数据如下表所示：编号采集时间压力值(mpa)环境温度(℃)风速天气100：000.51727.784mph晴21：000.51727.784mph晴32：000.51727.787mph晴43：000.51827.787mph晴54：000.51827.787mph晴65：000.51927.787mph晴76：000.52427.787mph多云87：000.5227.787mph多云98：000.5228.894mph多云109：000.51930.009mph多云1110：000.51731.119mph晴1211：000.5132.227mph晴1312：000.50832.789mph多云1413：000.50432.7811mph晴1514：000.50332.789mph多云1615：000.50532.789mph多云1716：000.50432.229mph小阵雨1817：000.50627.229mph雷雨1918：000.5127.784mph多云2019：000.51230.004mph晴2120：000.51430.007mph多云2221：000.51430.007mph晴2322：000.51930.007mph晴2423：000.51530.004mph晴通过上表可以看出，在这一天中，sf6密度继电器数值在0.504～0.524之间波动，波动区间长度0.02，指针位置相对稳定。波动时间段在在早8：00到晚22：00之间。通过表格中数据可以发现风速、环境温度、天气等综合因素会导致sf6密度继电器数值有一定的轻微波动，因此需要通过综合这些因素做数据建模分析，得到合理的预测分析模型。s2：获取sf6密度继电器历史压力数据及对应同一时间影响因素的信息，组成数据集。sf6密度继电器数值和温度等历史数据，按照天进行切片存储，同时包含采集当天的具体时间点以及季节气候因素等，方便后续按照天或者其他维度进行横向分析。切片存储的数据，可以选择同一天的某个时刻，做整年的变换分析；可以选择不同年的相同月份，做月份数据变化分析。将历年积累的正常数据和故障数据，通过大数据技术，对数据变化趋势建模，作为预测分析模型。s3：基于数据集进行训练得到预测分析模型。如图2所示，具体包括以下步骤：s31：将数据集分为训练集与验证集；s32：对训练集基于深度学习算法进行训练，得到预测分析模型；s33：对验证集通过训练完成的预测分析模型进行预测验证。训练预测分析模型采用深度学习技术，避免特征工程，通过数据喂养训练，自适应一套用于预测的模型参数。本实施例中，是基于lstm(longshort-termmemory)的多变量时间序列预测模型，lstm是一种特殊的循环神经网络，可以解决长序列训练过程中的梯度消失和梯度爆炸问题，比一般的循环神经网络在更长的序列预测中表现更好。s4：获取sf6密度继电器表盘的图像，对图像中的表盘进行定位和校正从而获取sf6密度继电器的压力数据，再获取对应同一时间影响因素的信息。通过调整采集终端的角度、配置合理的光源和补光，完全避免了自然光的影响和无光环境下的不可视问题。在黑暗环境下，采用白光方式补光，和传统的红外补光相比，可捕捉到等效于自然光环境下的可视效果，并且可以有效避免红外补光情况下，红色指针、红色表盘纹理等消失的问题。由于设备环境因素影响，终端采集器的部署和sf6密度继电器都是有一定倾斜角度，不存在完全正对的情况，这就需要借助图像矫正技术，对图像进行矫正，确保读取到的数值是准确的。表盘的定位，首先获取多个sf6密度继电器表盘的图像；对多个sf6密度继电器表盘的图像进行训练，得到表盘定位模型；将sf6密度继电器表盘的图像输入表盘定位模型以对图像中的表盘进行定位。表盘的定位，基于yolo技术迁移实现。yolov1特征提取基于卷积神经网络实现，然后通过全连接层进行预测，网络结构包含24个卷积层和2个全连接层。本实施例中的定位方法和传统的滑动窗式的搜索方法相比，计算量低，定位速度快，准确度高。传统方法定位的精度对模板的依赖非常强，稍有差异就容易失败，落地性差，基本不能落地使用。表盘的矫正(只有透视因素)，也迁移了深度学习技术，本实施例中描述的技术迁移了esir方法。该方法不需要人工设计特征，训练好网络后，可以对环境场景适应，不像传统的方法，每次都需要样本图像做参考，可节省很多研发时间。对于待提取的表盘，借助表盘关键点提取技术，提取感兴趣的关键点，通过关键点间存在的固有关系，可以得到指针当前的准确角度，也就可以通过表盘刻度的映射关系建模，准确换算出当前的sf6密度继电器指示的数值。基于关键点定位的指针定位方式，和传统的基于形态等的方法，避免了形态学处理模板大小不通用、二值化阈值不通用等缺点，通过大量全天候环境图像数据的训练，可以做到对环境的适应，能在不同时间拍摄的图像中准确定位指针，结果相对精确。s5：将sf6密度继电器的压力数据及对应同一时间影响因素的信息输入预测分析模型来对sf6密度继电器是否会漏气进行预测。本发明可以根据预测的环境因素数据、近几天采集的数值数据序列等，进行一至七天的预测(时间配置的太长误差可能会太大)。根据sf6密度继电器运检规定的参数指标，可以将预测数值和运检安全指标对比，由此进行可能漏气的分析，及时给出提醒，避免安全隐患。实施例二图3为本发明实施例二中提供的一种sf6密度继电器的漏气监测系统的结构示意图，本实施例可适用于sf6密度继电器的漏气监测的情况。本发明实施例所提供的漏气监测系统可执行本发明实施例一所提供一种sf6密度继电器的漏气监测方法，具备执行方法相应的功能模块及有益效果。一种sf6密度继电器的漏气监测系统，包括：第一数据获取模块，用于获取sf6密度继电器历史压力数据及对应同一时间影响因素的信息，组成数据集；模型训练模块，用于基于数据集进行训练得到预测分析模型；第二数据获取模块，用于获取sf6密度继电器表盘的图像，对图像中的表盘进行定位和校正从而获取sf6密度继电器的压力数据，再获取对应同一时间影响因素的信息；漏气判断模块，用于将sf6密度继电器的压力数据及对应同一时间影响因素的信息输入预测分析模型来对sf6密度继电器是否会漏气进行预测。作为本实施例的优选，所述sf6密度继电器压力数值的影响因素包括温度、风速和天气。作为本实施例的优选，所述第一模型训练模块具体用于：将数据集分为训练集与验证集；对训练集基于深度学习算法进行训练，得到预测分析模型；对验证集通过训练完成的预测分析模型进行预测验证。作为本实施例的优选，所述第二数据获取模块对图像中的表盘进行定位包括：获取多个sf6密度继电器表盘的图像；对多个sf6密度继电器表盘的图像进行训练，得到表盘定位模型；将sf6密度继电器表盘的图像输入表盘定位模型以对图像中的表盘进行定位。作为本实施例的优选，所述第二数据获取模块获取sf6密度继电器的压力数据包括：提取表盘中感兴趣的关键点；通过关键点间存在的固有关系，得到表盘指针当前的准确角度；通过表盘刻度的映射关系，换算得到当前sf6密度继电器指示的压力数值。本发明实施例所提供的一种sf6密度继电器的漏气监测系统可执行本发明实施例一所提供一种sf6密度继电器的漏气监测方法，具备执行方法相应的功能模块及有益效果，因此不再赘述。本发明所属
技术领域：
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。当前第1页12