CN113408426B

CN113408426B - 一种变电站设备智能检测方法及其系统

Info

Publication number: CN113408426B
Application number: CN202110689109.0A
Authority: CN
Inventors: 梁川; 常娜; 朱怡良; 刘学臻; 石焕江
Original assignee: Zhejiang Tianbo Yunke Optoelectronics Co ltd
Current assignee: Zhejiang Tianbo Yunke Optoelectronics Co ltd
Priority date: 2021-06-22
Filing date: 2021-06-22
Publication date: 2022-02-11
Anticipated expiration: 2041-06-22
Also published as: CN113408426A; WO2022267375A1; KR20230109713A

Abstract

本发明涉及一种变电站设备智能检测方法及其系统，所述方法包括：基于红外热像图提取温度矩阵数据；对温度矩阵多值化处理；温度矩阵显著化处理；搭建人工智能模型，基于所述模型做变电站设备的智能检测。本发明在数据的预处理，特征提取以及模型的创建过程中，针对变电设备红外热像图的天然特点进行计算数量削减，而在模型特征提取中增加提取的复杂性，配合的在池化过程中提高池化敏感性，保持降维带来的敏感性损失，最终在不损失模型精度的同时，减少训练量和计算量。

Description

一种变电站设备智能检测方法及其系统

【技术领域】

本发明属于智能电力系统技术领域，尤其涉及一种变电站设备智能检测方法及其系统。

【背景技术】

目前电力设备检测的方法，主要是以红外图片为基础，采取目视观测法对拍摄的设备类型人为进行识别，但电力设备种类多，且多种设备间具有相似性，加上红外图片包含多种伪彩色，更增加了人为进行识别的难度，综合来看，现有的方法存在速度慢，检测准确率不高等问题。本发明在数据的前处理，特征提取以及模型的创建过程中，针对变电设备热力图像的天然特点进行数量削减，而在模型特征提取中增加提取的复杂性，配合的在池化过程中提高池化敏感性，保持降维带来的敏感性损失，最终在不损失模型精度的同时，减少训练量和计算量。

【发明内容】

为了解决现有技术中的上述问题，本发明提出了一种变电站设备智能检测方法及其系统，所述变电站设备智能检测方法包含：

步骤S1：基于红外热像图提取温度矩阵数据；

步骤S2：对温度矩阵多值化处理；

步骤S3：对温度矩阵作显著化处理；

步骤S4：搭建人工智能模型，基于所述模型作变电站设备的智能检测。

进一步的，所述步骤S4具体为：搭建人工智能模型，所述人工智能模型的输入是经过预处理和显著化处理的温度矩阵；输出为电力设备的位置及类别。

进一步的，所述电力设备包括：避雷器、断路器、电流互感器、套管、电压互感器、GIS套管、隔离开关、绝缘子、线夹、变压器、电容器、电抗器、穿墙套管、电力电缆和油枕等。

进一步的，对每种设备分别选取1000条温度数据，组成样本数据集合。

进一步的，在对上述人工智能模型进行训练的过程中，在前200次迭代，学习率设置为1e^-4，200次迭代后，学习率设置降低为1e^-5。

进一步的，共迭代训练2500次，每次迭代1200步，训练后使得模型的mAP＝89.98％；。

一种变电站设备智能检测系统，其特征在于，包含：服务器和一个或者多个客户终端，客户终端拍摄图像，并将拍摄的图像上传到服务器中以获取检测结果；所述服务器用于执行变电站设备智能检测方法。

进一步的，所述服务器为云服务器。

一种变电站设备智能检测装置，其特征在于，包含：

一储存单元，配置以储存一应用程序；以及

一处理单元，电性耦接于一输入单元以及该储存单元，该处理单元配置以执行变电站设备智能检测方法。

一种用于变电站设备智能检测的存储介质，其特征在于，所述存储介质用于存储变电站设备智能检测方法的指令。

本发明的有益效果具体包括：(1)通过多值化处理能够在有效缩小计算量的同时不损失计算精度；而通过位置旋转和调整，能够进一步的使得矩阵中包含尽可能多的有效数据；(2)通过矩阵的多值化预处理和基于矩阵元素值显著性处理和特征提取，在不降低精确率和召回率的同时降低了对预测模型的计算量要求；(3)动态适应的设置过滤区域、划分子区域和小尺寸池化区域大小，能够根据检测的结果来调整模型的敏感性，在模型有效性和可用资源量之间平衡；(4)人工智能模型和前面的多值化处理以及显著化处理相配合，在显著化特征的基础上降低了后续计算量和训练量，而模型设置多卷积核又能够提取更多的图像特征从而提高模型的敏感性和准确性。

【附图说明】

此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：

图1为本发明的变电站设备智能检测方法示意图。

图2为本发明的用于识别变电站设备的人工智能模型工作方式示意图。

【具体实施方式】

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

本发明是以设备采集的被检测设备的红外热像图中的温度矩阵作为智能检测的输入，而非以红外热像图作为输入，其中：矩阵中每一个元素的数值代表红外热像图中对应像素点的实际温度值；经过对温度矩阵数据的预处理，先进行特征提取，通过人工智能检测模型得到红外热像图中的电力设备的位置及类别信息，然后，筛选出位于红外热像图最中心电力设备的类别及位置并输出，用于判断该类型的电力设备是否由于温度过高引起故障；

优选的；所述电力设备包括：避雷器、断路器、电流互感器、套管、电压互感器、GIS套管、隔离开关、绝缘子、线夹、变压器、电容器、电抗器、穿墙套管、电力电缆和油枕等；

优选的：对每种设备分别选取1000条温度数据，组成数据集；

可替换的：所述人工智能模型为Faster R-CNN模型，采用Resnet50作为主干特征提取网络；

本发明所述的变电站设备智能检测方法，具体包括如下步骤：

步骤S1：基于红外热像图提取温度矩阵数据；具体的：获取被检测设备的红外热像图，温度矩阵中每一个元素的数值代表红外热像图中对应像素点的实际温度值；

步骤S2：对温度矩阵多值化处理；具体为：获取一个或多个多值化区间，将温度矩阵中的每个元素的元素值和多值化区间比较，并将所述元素值设置为所落入的多值化区间对应的固定值；其中：每个多值化区间对应一个固定值，多值化区间的值越大则固定值越大；

常见的预处理往往是去除不一致部分的数据，没有从计算量和模型特点入手，而实际上，对于电力设备这种特定类型的识别，连续的温度矩阵元素会造成人工智能模型的大量多余计算量，这样的增加并不会增加计算精度，传统的二值化处理显然会丢失过多信息；通过多值化处理能够在有效缩小计算量的同时不损失计算精度；而通过位置旋转和调整，能够进一步的使得矩阵中包含尽可能多的有效数据；由于变电站设备的种类是有限的其呈现的图像形态也是相对有限的，本发明通过检测前预处理，在不降低精确率和召回率的同时降低了对预测模型的计算量要求；

步骤S3：温度矩阵显著化处理；具体为：确定温度矩阵调整基准位置；基于调整基准位置对温度矩阵作调整；通过这样的调整使得可能的目标对象显著性更强；也就是说，通过调整使得矩阵中包含尽可能多的有效数据；由于变电站设备的种类是有限的其呈现的图像形态也是相对有限的，本发明通过矩阵的多值化预处理和基于矩阵元素值显著性特征提取，在不降低精确率和召回率的同时降低了对预测模型的计算量要求；

所述确定温度矩阵调整基准位置，具体包括如下步骤：

步骤A1：确定温度矩阵中心位置；其中：温度矩阵中心位置是根据温度矩阵的尺寸而选取的温度矩阵中特定位置；所述中心位置为一个或者多个；

优选的：将温度矩阵划分为多个相同或不同的子区域，选取子区域的中心位置作为温度矩阵中心位置；所述子区域的个数和温度矩阵的尺寸正相关；

步骤A2:获取温度矩阵的一个中心位置；确定包含矩阵中心位置的一条或多条特征线；特征线由一个或者多个包括中心位置处元素在内的温度矩阵元素组成；

所述确定包含矩阵中心位置的一条或多条特征线，具体为：以特定方式分割设置多条特征线；优选的：当特征线为多条时，所述多条特征线之间相隔固定的角度；例如：子区域为一个3*3的矩阵，如果e_2,2为中心位置，那么水平位置的特征线包含e_2,1e_2,2e_2,3，偏离45度角位置的特征线包含e_3,1e_2,2e_1,3；可以为该子区域设置三条特征线；

优选的：所述特征线为以中心位置对称/相对对称的特征线；

步骤A3：依次获取一特征线及其矩阵元素并进入步骤A4处理；

步骤A4：判断特征线上的矩阵元素是否呈现局部对称性；如果是，则记录该特征线、对称半径、增加后的对称次数；跳转至步骤A3继续下一特征线的判断，直到所有特征线均判断完毕；当一矩阵中心位置处所有特征线均判断完毕时，基于所记录的特征线、对称半径以及对称次数确定中心位置是否对称中心位置；如果是，则记录该对称中心位置；否则进入步骤A5；

所述判断特征线上的矩阵元素是否呈现局部对称性，具体为：确定以所述中心位置为中心的特征线上对称元素是否呈现相似性，以及相似的最大长度；如果呈现相似性，则确定呈现局部对称性，并将所述最大长度作为对称半径；

优选的：当对称元素相等或者差值在阈值范围内时，则认为两个对称元素呈现相似性；将呈现相似性的对称元素的连续长度作为相似的最大长度；

所述基于所记录的特征线、对称半径以及对称次数确定中心位置是否对称中心位置，具体为：确定对称面积

其中N为对称次数，L_i为所记录的第i条特征线，R_i是Li的对称半径；如果对称面积AC和温度矩阵大小的比值大于面积阈值，则确定中心位置为对称中心位置；其中：面积阈值是预设值；通过面积阈值进一步过滤无价值的检测对象和上面产生的无效计算；

步骤A5：跳转到步骤A3继续下一中心位置的处理，直到所有中心位置均处理完毕；如果所有中心位置均处理完毕；则基于对称中心位置确定调整基准位置；

所述基于对称中心位置确定调整基准位置，具体为：根据对称中心位置的对称面积大小选择一个或者多个对称中心位置为调整基准位置及其对应的对称半径；

优选的：当多个对称中心位置的对称面积之间存在显著差异时，保留对称面积大的对称中心位置而删除对称面积小的对称中心位置；然后，将多个连续对称中心位置融合后确定新的对称中心位置；融合的方式为将对称中心位置处矩阵元素最接近均值者的位置作为新的对称中心位置，将新的对称位置中心距离被融合对称位置中心的最远距离加所述最远距离对应的对称位置中心的对称半径作为所述新的对称位置中心的对称半径；均值为所述多个连续对称中心位置处矩阵元素的均值；当不存在显著差异、且多个对称中心位置不连续时，将所述多个对称中心位置作为调整基准位置，对称半径不变；其中：所述不连续为不位于相邻的子区域；

所述基于调整基准位置对温度矩阵作调整，具体为：以调整基准位置为中心位置，以对称半径为最小半径，保留所述最小半径内的矩阵元素值，而选择性的归零所述最小半径外的矩阵元素值；所述选择性的归零为：当矩阵元素大于归零阈值时，保持所述矩阵元素，反之，将所述矩阵元素设置为零；优选的：归零阈值设置为一个相对较大的值，位于一个较大的多值区间内；

优选的：当调整基准位置为多个时，在选择性的归零时，对于同一个矩阵元素只要有保持处理，则选择保持处理；

所述步骤还包括步骤S3EX：降低经过显著化处理的温度矩阵的尺寸；当温度矩阵的最大或最小行或列为全零数值时，删除该行或者列；也就说，这里的降低尺寸不是降低矩阵内部元素尺寸，从而在不改变矩阵元素的相邻关系的同时降低矩阵尺寸；

步骤S4：搭建人工智能模型，所述人工智能模型的输入是经过预处理和显著化处理的温度矩阵；输出为电力设备的位置及类别；

所述搭建人工智能模型，具体为：设置人工智能模型为神经网络模型，所述神经网络模型包括卷积层、池化层和全连接层；其中：卷积层提取输入温度矩阵中的矩阵特征；池化层对获取的矩阵特征进行降维操作以防止过拟合；全连接层输出检测结果；所述人工智能模型和前面的多值化处理以及显著化处理相配合，在显著化特征的基础上降低了后续计算量和训练量，而模型设置多卷积核又能够提取更多的图像特征从而提高模型的敏感性和准确性；

优选的：当执行步骤S3EX时，在执行模型中操作时也会得到不同尺寸的特征图，设置兴趣特征池化层来解决特征尺度不一的问题；经过该层之后使得每个区域都可以得到了一个固定的维度的特征向量；

所述卷积层用卷积核来过滤温度矩阵的各个区域以得到和所述卷积核对应的矩阵特征；所述卷积核为多个，通过多个卷积核得到多个矩阵特征；经过步骤S2和S3的处理，大大的减少了这里卷积操作计算量；

优选的：所述卷积核过滤的区域大小和步骤S3中划分的子区域大小相同；

优选的：所述卷集合过滤的区域大小和步骤S3划分的子区域大小为可的动态设置的，其大小根据人工智能模型输出结果作修正和回归；根据输出结果的敏感性或准确率调整所述区域大小和/或子区域大小；

现有技术中池化区域的尺寸和温度矩阵尺寸一般是相同的，但是对于上述人工智能模型来说，其采用多卷积核的方式全方位提取矩阵特征，需要设置同样具有敏感性的池化曾来涵盖这部分信息，直接令池化区域等于温度矩阵区域尺寸就缺乏适应性，本发明提出小尺寸池化的方式，能够降低池化敏感性；所述小尺寸区域，具体为：对于温度矩阵T_M*N,设置池化区域大小为M1*N1，且M1*N1<M*N(例如：M1<M,N1<N)；池化步长为1，则池化区域的数目NP为NP＝(M-M1+1)*(N-N1+1)；那么对于温度矩阵的一个区域A_k来说，其对应的池化区域为APk；

优选的：所述池化为中值池化；所述池化的中值

优选的：所述小尺寸区域为动态小尺寸区域，在经过特征模型各层操作后，做小尺寸区域的修正和回归，基于输出结果做小尺寸区域大小的修正和回归；类似的：设置卷积过滤区域大小为动态尺寸区域，在经过特征模型各层操作后，在进行小尺寸区域的修正和回归的同时，对过滤区域大小做修正；这里修正的是过滤区域或者小尺寸区域的参数；也就是利用了卷积核及其可回归特点，进行区域的动态适应，从而使得运算速度得到了显著提升；

但是无序的随意的调整有可能并不能带来能力的上升，因此，划分的子区域和过滤的区域大小、池化小尺寸区域之间的调整是存在相关性的；可选的：划分的子区域和过滤的区域大小的调整方向是一致的；而在计算量有限制的情况下，所述划分的子区域和过滤的区域大小，和池化小尺寸区域之间的调整方向是相反的，而在计算量未限制的情况下，他们之间的调整方向是相同的；

通过小尺寸池化区域设置只需要将输入矩阵数据前馈一次，就可以获取多个分区域的局部信息，在提高特征表达能力不损失卷积层获取的有效的多维信息；

优选的：所述池化层通过下采样压缩矩阵特征，选择显著矩阵特征；

优选的：所述人工智能模型提取特征，并使用反向传播和随机梯度下降进行端到端的网络训练；

也就是说在数据的前处理，特征提取以及模型的创建过程中，针对变电设备热力图像的天然特点进行数量削减，而在模型特征提取中增加提取的复杂性，配合的在池化过程中提高池化敏感性，保持降维带来的敏感性损失，最终在不损失模型精度的同时，减少训练量和计算量；

在对上述人工智能模型进行训练的过程中，在前200次迭代，学习率设置为1e^-4，200次迭代后，学习率设置降低为1e^-5；共迭代训练2500次，每次迭代1200步，训练后使得模型的AP＝89.98％；在训练完成后，通过构建相同实验环境，针对每种电力设备选取400个测试数据进行测试，计算得到每种类型设备的精确率和召回率如下：

可以利用被设计用于进行在此所述的功能的通用处理器、数字信号处理器(DSP)、ASIC、场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合而实现或进行所述的各个例示的逻辑块、模块和电路。通用处理器可以是微处理器，但是作为替换，该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合，例如DSP和微处理器的组合，多个微处理器、与DSP核协作的一个或多个微处理器或任何其他这样的配置。集合本公开描述的方法或算法的步骤可以直接嵌入在硬件中、处理器执行的软件模块中或者这两种的组合中。软件模块可以存在于任何形式的有形存储介质中。可以使用的存储介质的一些例子包括随机存取存储器(RAM)、只读存储器(ROM)、快闪存储器、EPROM存储器、EEPROM存储器、寄存器、硬碟、可移动碟、CD-ROM等。存储介质可以耦接到处理器以便该处理器可以从该存储介质读取信息以及向该存储介质写信息。在替换方式中，存储介质可以与处理器是整体的。软件模块可以是单个指令或者许多指令，并且可以分布在几个不同的代码段上、不同的程序之间以及跨过多个存储介质。

所述的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现，功能可以作为一个或多个指令存储在切实的计算机可读介质上。计算机可读介质包括计算机可读存储介质。计算机可读存储介质可以是能被计算机访问的任何可用存储介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来承载或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外，所传播的信号不被包括在计算机可读存储介质的范围内。计算机可读介质还包括通信介质，其包括促成计算机程序从一地向另一地转移的任何介质。连接例如可以是通信介质。例如，如果软件使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外线、无线电、以及微波之类的无线技术来从web网站、服务器、或其它远程源传输，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外线、无线电、以及微波之类的无线技术被包括在通信介质的定义中。上述的组合应当也被包括在计算机可读介质的范围内。替换地或另选地，此处描述的功能可以至少部分由一个或多个硬件逻辑组件来执行。例如，可使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(FPGA)、程序专用的集成电路(ASIC)、程序专用的标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。

因此，计算机程序产品可以进行在此给出的操作。例如，这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质，该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。

软件或指令也可以通过传输介质而传输。例如，可以使用诸如同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或诸如红外、无线电或微波的无线技术的传输介质从网站、服务器或者其他远程源传输软件。

此外，用于进行在此所述的方法和技术的模块和/或其他适当的手段可以在适当时由用户终端和/或基站下载和/或其他方式获得。例如，这样的设备可以耦接到服务器以促进用于进行在此所述的方法的手段的传送。或者，在此所述的各种方法可以经由存储部件(例如RAM、ROM、诸如CD或软碟等的物理存储介质)提供，以便用户终端和/或基站可以在耦接到该设备或者向该设备提供存储部件时获得各种方法。此外，可以利用用于将在此所述的方法和技术提供给设备的任何其他适当的技术。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims

1.一种变电站设备智能检测方法，其特征在于，所述方法包含：

步骤S1：基于红外热像图提取温度矩阵数据；

步骤S2：对温度矩阵多值化处理；所述步骤S2具体为：

获取一个或多个多值化区间，将温度矩阵中的每个元素的元素值和多值化区间比较，并将所述元素值设置为所落入的多值化区间对应的固定值；其中：每个多值化区间对应一个固定值，多值化区间的值越大则固定值越大；

步骤S3：对温度矩阵作显著化处理；所述步骤S3具体为：确定温度矩阵调整基准位置；基于调整基准位置对温度矩阵作调整；

所述确定温度矩阵调整基准位置，具体包括如下步骤：

步骤A1：确定温度矩阵中心位置；其中：温度矩阵中心位置是根据温度矩阵的尺寸而选取的温度矩阵中特定位置；所述中心位置为一个或者多个；将温度矩阵划分为多个相同或不同的子区域，选取子区域的中心位置作为温度矩阵中心位置；所述子区域的个数和温度矩阵的尺寸正相关；

步骤A2：获取温度矩阵的一个中心位置；确定包含矩阵中心位置的一条或多条特征线；特征线由一个或者多个包括中心位置处元素在内的温度矩阵元素组成；

步骤A3：依次获取一特征线及其矩阵元素并进入步骤A4处理；

步骤S4：搭建人工智能模型，基于所述模型作变电站设备的智能检测；所述搭建人工智能模型，具体为：设置人工智能模型为神经网络模型，所述神经网络模型包括卷积层、池化层和全连接层；所述卷积层用卷积核来过滤温度矩阵的各个区域以得到和所述卷积核对应的矩阵特征；所述卷积核过滤的区域大小和步骤S3中划分的子区域大小相同。

2.根据权利要求1所述的变电站设备智能检测方法，其特征在于，所述步骤S4具体为：搭建人工智能模型，所述人工智能模型的输入是经过预处理和显著化处理的温度矩阵；输出为电力设备的位置及类别。

3.根据权利要求2所述的变电站设备智能检测方法，其特征在于，所述电力设备包括：避雷器、断路器、电流互感器、套管、电压互感器、GIS套管、隔离开关、绝缘子、线夹、变压器、电容器、电抗器、穿墙套管、电力电缆和油枕。

4.根据权利要求3所述的变电站设备智能检测方法，其特征在于，对每种设备分别选取1000条温度数据，组成样本数据集合。

5.根据权利要求4所述的变电站设备智能检测方法，其特征在于，在对上述人工智能模型进行训练的过程中，在前200次迭代，学习率设置为1e^-4，200次迭代后，学习率设置降低为1e^-5。

6.根据权利要求5所述的变电站设备智能检测方法，其特征在于，共迭代训练2500次，每次迭代1200步，训练后使得模型的AP＝89.98％。

7.一种变电站设备智能检测系统，其特征在于，包含：服务器和一个或者多个客户终端，客户终端拍摄图像，并将拍摄的图像上传到服务器中以获取检测结果；所述服务器用于执行权利要求1-6中任一项所述变电站设备智能检测方法。

8.根据权利要求7所述的变电站设备智能检测系统，其特征在于，所述服务器为云服务器。

9.一种变电站设备智能检测装置，其特征在于，包含：

一储存单元，配置以储存一应用程序；以及

一处理单元，电性耦接于一输入单元以及该储存单元，该处理单元配置以执行权利要求1-6所述的变电站设备智能检测方法。

10.一种用于变电站设备智能检测的存储介质，其特征在于，所述存储介质用于存储执行权利要求1-6所述的变电站设备智能检测方法的指令。