CN110866155B - 一种基于大数据的设备热成像温度健康分析方法 - Google Patents

Abstract

本发明公开了一种基于大数据的设备热成像温度健康分析方法，包括步骤如下：获取台架的可见光图像、热成像图像及其温度矩阵、GPS位置信息；将可见光图像、热成像图像、GPS位置信息、温度矩阵上传到服务器；获得台架上的待测设备的坐标；并获取待测设备在热成像图像上的坐标，从温度矩阵中查询待测设备的温度分布；同杆对比分析待测设备的温度，将待测设备的温度T₀与其他同类的设备的温度T_n进行对比；通过GPS位置信息调取待测设备历史温度数据；将获得待测设备的温度数据与历史温度数据进行对比；采用LOF算法对待测设备的巡检数据集进行多维分析；将以上得到的分析结果进行整合得到设备健康评估数据保存在服务器端，并返回到用户终端。

Description

一种基于大数据的设备热成像温度健康分析方法

技术领域

本发明涉及配电设备热检修技术领域，更具体的，涉及一种基于大数据的设备热成像温度健康分析方法。

背景技术

电网是电力系统中各种电压的变电所及输配电线路组成的整体。目前，电网在使用的过程中易出现局部或者每个地方高温的现象，而产生高温的原因有螺丝松动导致连接处不稳定，以及外界的雨水导致电网的锈蚀等，则随着温度持续升高就会导致电网的瘫痪。为此，电力巡检人员会不断地通过过热故障检测设备进行巡检，其主要由热成像巡检的方式进行。但是在巡检时，操作人员只能看到温度状态图，则当巡检人员从热成像显示仪上看到某处温度过高时，需要对其进行及时处理。但是很难准确的寻找到发热位置，因为热成像显示仪只是通过颜色区分温度的，则不能具体的显示出发热位置，即只能大体的确定位置，不能准确的定位。为此，巡检人员到达该位置后，只能根据自身的经验判断发热位置，进而判断发热原因。

发明内容

本发明为了解决巡检人员智能根据自身的经验判断发热位置，需要逐一排查，由于巡检人员的自身经验有限，巡检效率低下的问题，提供了一种基于大数据的设备热成像温度健康分析方法，其能快速的、准确的判断出发热的位置，不受巡检人员的工作经验限制。

为实现上述本发明目的，采用的技术方案如下：一种基于大数据的设备热成像温度健康分析方法，所述的方法包括步骤如下：

S1：以台架为单位进行巡检，获取台架的可见光图像、热成像图像、该台架的GPS位置信息；并获取热成像图像的温度矩阵；

S2：将可见光图像、热成像图像、GPS位置信息、温度矩阵上传到服务器进行处理；

S3：服务器采用可见光图像进行图像识别，获得台架上的待测设备的坐标；将可见光图像与热成像图像进行叠加处理，得到待测设备在热成像图像上的坐标，再从温度矩阵中查询待测设备的温度分布；

S4：同杆对比分析待测设备的温度，将待测设备的温度T₀与其他同类的设备的温度T_n进行对比，其中n为大于0的整数；若T₀-T_n>K1，K1为预先设定的温度阈值，且为正数；则待测设备温度数据异常；若T₀-T_n>K2，K1为预先设定的温度阈值，K2>K1，则待测设备温度数据严重异常；

S5：服务器通过GPS位置信息查询台架的ID，再通过台架的ID调取待测设备历史温度数据；将本次获得的待测设备的温度数据与该待测设备的历史温度数据进行对比，若该待测设备的温度数据连续S次走高，则判定该待测设备温度数据异常；

S6：采用LOF算法对待测设备的巡检数据集进行多维分析，判断本次待测设备的温度是否在该种设备的正常区间，

S7：将步骤S4、S5、S6得到的分析结果进行整合得到设备健康评估数据保存在服务器端，并将设备健康评估数据返回到用户终端。

优选地，步骤S1，通过手持终端获取台架的可见光图像、热成像图像、该台架的GPS位置信息；所述的手持终端包括智能手机。

优选地，所述的设备包括熔断器、刀闸、变压器、避雷针。

进一步地，所述的台架设有若干个设备，若干个设备以相对位置进行标号排列。

优选地，步骤S4，设3≤K1≤8，K2大于8。

优选地，步骤S5，设S≥3。

优选地，步骤S6，所述的巡检数据集包括设备类型、设备所在线路、巡检时间、设备的温度数据四个维度的数据。

进一步地，所述采用LOF算法对待测设备的巡检数据集进行多维分析，具体如下：

根据巡检数据集中数据之间的间距、密度、分散程度，将历史数据划分为若干个数据簇；

通过比较设备的数据簇每个采集数据P和其临近点数据群的邻域点密度来判断该采集数据是否为异常点；设该采集数据P的密度为X，若X<Y，其中Y 为异常点的阈值，则认为采集数据P是异常点。

再进一步地，所述的邻域点密度通过点之间的距离进行计算，邻域点密度的计算算法包括欧式距离、拉普拉斯距离、马氏距离。

再进一步地，所述的设备健康评估数据包括设备类型、设备所在线路、巡检时间、设备的温度数据。

本发明的有益效果如下：

本发明通过采集电网运行历史积累的大量相关图像，采用图像识别算法对获取的可见光图像进行识别处理，并将可见光图像与热成像图像进行叠加处理，实现设备的自我比对，同时采用LOF算法对巡检数据进行处理，从中获得设备健康评估数据，本发明可有效解决配电网设备种类多，结构复杂，环境复杂等问题。本发明能降低人工查询成本，使热成像手持终端推广应用可行性大大提高。

附图说明

图1是本实施例所述的方法的步骤流程图。

图2是本实施例将巡检数据进行数据簇划分的示意图。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

如图1所示，一种基于大数据的设备热成像温度健康分析方法，所述的方法包括步骤如下：

S1：以台架为单位进行巡检，本实施例通过手持终端获取台架的可见光图像、热成像图像、该台架的GPS位置信息；所述的手持终端包括智能手机；并获取热成像图像的温度矩阵；本实施例通过硬件接口获取热成像图像的温度矩阵，通过IR_SDK调用captureImage()方法获取温度矩阵。

S2：通过手持终端将可见光图像、热成像图像、GPS位置信息、温度矩阵上传到服务器进行处理；

S3：服务器采用可见光图像进行图像识别，获得台架上的待测设备的坐标；将可见光图像与热成像图像进行叠加处理，得到待测设备在热成像图像上的坐标，再从温度矩阵中查询待测设备的温度分布；

所述的设备包括熔断器、刀闸、变压器、避雷针。一个所述的台架上设有 10个设备，将10个设备以相对位置进行标号排列。

S4：同杆对比分析待测设备的温度，将待测设备的温度T₀与其他同类的设备的温度T_n进行对比，其中n为大于0的整数；若T₀-T_n>K1，K1为预先设定的温度阈值，且为正数；则待测设备温度数据异常；若T₀-T_n>K2，K1为预先设定的温度阈值，K2>K1，则待测设备温度数据严重异常；设3≤K1≤8，本实施例 K1取值为5；K2大于8，本实施例取值K2为9。

如本实施例将待测刀闸的温度数据与三个刀闸的温度数据进行比较，若待测刀闸的温度比其他温度最高的刀闸还超出5°，这认为它处于负载异常或者设备异常中，需持续观察。如果待测刀闸的温度比其他温度最高的刀闸还超过8℃，我们认为它产生了严重设备异常。

S5：服务器通过GPS位置信息查询台架的ID，再通过台架的ID调取待测设备的历史温度数据；将本次获得的待测设备的温度数据与该待测设备的历史温度数据进行对比，若该待测设备的温度数据连续S次走高，则判定该待测设备温度数据异常；其中S≥3，在本实施例中S取值为3次。即最近三次持续走高则判断该设备严重异常，持续走低或波动则保持为普通异常。

S6：采用LOF算法对待测设备的巡检数据集进行多维分析，判断本次待测设备的温度是否在该种设备的正常区间；

本实施例通过收录的待测设备的巡检数据集进行LOF算法大数据多维分析，LOF算法(Local Outlier Factor)，全称又叫局部异常因子，是一种基于距离的异常点检测算法分析，所述的巡检数据集包括设备类型、设备所在线路、巡检时间、设备的温度数据四个维度的数据，本实施例通过LOF算法进行多维探索同类设备在各种环境下的温度数据，判断本次设备的温度是否在该种设备的正常区间。

如图2所示，C1集合的每一个数据点包含了设备类型、设备所在线路、巡检时间、设备的温度数据四维数据分布点。C2集合的数据点O1、O2具有C1 集合的相同数据类型。根据巡检数据集中数据之间的间距、密度、分散程度，将历史数据划分为若干个数据簇；从图2中可以看出C1集合数据群点的整体间距、密度、分散情况相对C2集合数据较为均匀集中，可以认为是同一簇，既采集数据相差不大的数据点。C2集合的O1，O2点相对孤立，可以认为是采集数据异常点或者是采集数据离散点。首先通过比较设备的数据簇每个采集数据P和其临近点数据群的邻域点密度来判断该采集数据是否为异常点；设该采集数据P的密度为X，若X<Y，其中Y为异常点的阈值，则认为采集数据P是异常点。

本实施例所述的邻域点密度，可以通过点与点之间的距离进行计算，具体包括欧式距离、拉普拉斯距离、马氏距离。本实施例可使用简单的欧式距离进行计算。数据点之间的距离越远，密度越低；距离越近，密度越高。

LOF对密度是通过点的邻域来计算，而不是全局计算，因此得名为“局部”异常因子，这样对于图2的数据集C1和异常点O1和O2，LOF完全可以正确处理，而不会因为数据密度分散情况不同而错误的将正常点判定为异常点。

S7：将步骤S4、S5、S6得到的分析结果进行整合得到设备健康评估数据保存在服务器端，并将设备健康评估数据打包成json类型返回到用户终端。

手持终端接收到识别结果后，在界面原始图片上绘制识别结果，在提交报告界面确认台架和熔断器温度健康是否准确，并可人工修改。确认数据正常后上传该报告到应用服务器，应用服务器再将数据存入数据服务器的数据库。

本实施例所述的设备健康评估数据包括设备类型、设备所在线路、巡检时间、设备的温度数据。实际应用过程中待测设备的发热温度会受到设备类型的不同 (比如变压器，刀闸和避雷器由于他们的负载情况不同，温度之间是存在非常大的差异)，设备所在线路的差异性(比如高压线路和低压线路的负载相差很大，所以同类型设备在不同线路所承受的温度也不同)，不同时间段采集到的检测设备温度(例如夏天早上和中午采集的设备温度存在明显差异，冬天和夏天采集到的设备的温度同样变化很大)。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于大数据的设备热成像温度健康分析方法，其特征在于：所述的方法包括步骤如下：

S1：以台架为单位进行巡检，获取台架的可见光图像、热成像图像、该台架的GPS位置信息；并获取热成像图像的温度矩阵；

S2：将可见光图像、热成像图像、GPS位置信息、温度矩阵上传到服务器进行处理；

S3：服务器采用可见光图像进行图像识别，获得台架上的待测设备的坐标；将可见光图像与热成像图像进行叠加处理，得到待测设备在热成像图像上的坐标，再从温度矩阵中查询待测设备的温度分布；

S4：同杆对比分析待测设备的温度，将待测设备的温度T₀与其他同类的设备的温度T_n进行对比，其中n为大于0的整数；若T₀-T_n>K1，K1为预先设定的温度阈值，且为正数；则待测设备温度数据异常；若T₀-T_n>K2，K1为预先设定的温度阈值，K2>K1，则待测设备温度数据严重异常；

S5：服务器通过GPS位置信息查询台架的ID，再通过台架的ID调取待测设备历史温度数据；将本次获得的待测设备的温度数据与该待测设备的历史温度数据进行对比，若该待测设备的温度数据连续S次走高，则判定该待测设备温度数据异常；

S6：采用LOF算法对待测设备的巡检数据集进行多维分析，判断本次待测设备的温度是否在该种设备的正常区间，

S7：将步骤S4、S5、S6得到的分析结果进行整合得到设备健康评估数据保存在服务器端，并将设备健康评估数据返回到用户终端。

2.根据权利要求1所述的基于大数据的设备热成像温度健康分析方法，其特征在于：步骤S1，通过手持终端获取台架的可见光图像、热成像图像、该台架的GPS位置信息；所述的手持终端包括智能手机。

3.根据权利要求1所述的基于大数据的设备热成像温度健康分析方法，其特征在于：所述的设备包括熔断器、刀闸、变压器、避雷针。

4.根据权利要求3所述的基于大数据的设备热成像温度健康分析方法，其特征在于：所述的台架设有若干个设备，若干个设备以相对位置进行标号排列。

5.根据权利要求1所述的基于大数据的设备热成像温度健康分析方法，其特征在于：步骤S4，设3≤K1≤8，K2大于8。

6.根据权利要求1所述的基于大数据的设备热成像温度健康分析方法，其特征在于：步骤S5，设S≥3。

7.根据权利要求1所述的基于大数据的设备热成像温度健康分析方法，其特征在于：步骤S6，所述的巡检数据集包括设备类型、设备所在线路、巡检时间、设备的温度数据四个维度的数据。

8.根据权利要求7所述的基于大数据的设备热成像温度健康分析方法，其特征在于：所述采用LOF算法对待测设备的巡检数据集进行多维分析，具体如下：

根据巡检数据集中数据之间的间距、密度、分散程度，将历史数据划分为若干个数据簇；

通过比较设备的数据簇每个采集数据P和其临近点数据群的邻域点密度来判断该采集数据是否为异常点；设该采集数据P的密度为X，若X<Y，其中Y为异常点的阈值，则认为采集数据P是异常点。

9.根据权利要求8所述的基于大数据的设备热成像温度健康分析方法，其特征在于：所述的邻域点密度通过点之间的距离进行计算，邻域点密度的计算算法包括欧式距离、拉普拉斯距离、马氏距离。

10.根据权利要求1所述的基于大数据的设备热成像温度健康分析方法，其特征在于：所述的设备健康评估数据包括设备类型、设备所在线路、巡检时间、设备的温度数据。

Images