CN109783560A - 基于深度学习多特征融合的电力设备状态的检测方法 - Google Patents

基于深度学习多特征融合的电力设备状态的检测方法 Download PDF

Info

Publication number
CN109783560A
CN109783560A CN201910039305.6A CN201910039305A CN109783560A CN 109783560 A CN109783560 A CN 109783560A CN 201910039305 A CN201910039305 A CN 201910039305A CN 109783560 A CN109783560 A CN 109783560A
Authority
CN
China
Prior art keywords
deep learning
status
temperature
electric power
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910039305.6A
Other languages
English (en)
Inventor
希克梅特萨利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Shengtong Power Amperex Technology Ltd
Original Assignee
Jiangsu Shengtong Power Amperex Technology Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Shengtong Power Amperex Technology Ltd filed Critical Jiangsu Shengtong Power Amperex Technology Ltd
Priority to CN201910039305.6A priority Critical patent/CN109783560A/zh
Publication of CN109783560A publication Critical patent/CN109783560A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Analysis (AREA)

Abstract

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。

Description

基于深度学习多特征融合的电力设备状态的检测方法
技术领域
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。
发明内容
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。

Claims (7)

1.基于深度学习多特征融合的电力设备状态的检测方法，其特征在于，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。
2.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤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。
3.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤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。
4.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤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。
5.根据权利要求1所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：所述步骤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。
6.根据权利要求5所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：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。
7.根据权利要求5所述的基于深度学习多特征融合的电力设备状态的检测方法，其特征在于：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。
CN201910039305.6A 2019-01-16 2019-01-16 基于深度学习多特征融合的电力设备状态的检测方法 Pending CN109783560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910039305.6A CN109783560A (zh) 2019-01-16 2019-01-16 基于深度学习多特征融合的电力设备状态的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910039305.6A CN109783560A (zh) 2019-01-16 2019-01-16 基于深度学习多特征融合的电力设备状态的检测方法

Publications (1)

Publication Number Publication Date
CN109783560A true CN109783560A (zh) 2019-05-21

Family

ID=66500711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910039305.6A Pending CN109783560A (zh) 2019-01-16 2019-01-16 基于深度学习多特征融合的电力设备状态的检测方法

Country Status (1)

Country Link
CN (1) CN109783560A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321933A (zh) * 2019-06-11 2019-10-11 武汉闻道复兴智能科技有限责任公司 一种基于深度学习的故障识别方法和装置
CN110411580A (zh) * 2019-08-05 2019-11-05 国网湖南省电力有限公司 一种电力设备发热缺陷的诊断方法以及诊断系统
CN113033071A (zh) * 2021-02-01 2021-06-25 广州朗国电子科技有限公司 基于深度学习算法的设备智能测温方法、终端、存储装置
CN113591251A (zh) * 2021-08-17 2021-11-02 中冶北方（大连）工程技术有限公司 设备故障温度分析诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608475A (zh) * 2016-02-15 2016-05-25 西安科技大学 带式输送机关键部件红外监测预警系统
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
CN107677700A (zh) * 2017-08-08 2018-02-09 上海交通大学 Pcb单板故障检测装置
CN107742093A (zh) * 2017-09-01 2018-02-27 国网山东省电力公司电力科学研究院 一种红外图像电力设备部件实时检测方法、服务器及系统
CN108898077A (zh) * 2018-06-15 2018-11-27 杭州天铂红外光电技术有限公司 电力设备红外热图的识别方法和电力设备红外识别系统
CN109101906A (zh) * 2018-07-27 2018-12-28 中国南方电网有限责任公司超高压输电公司贵阳局 一种变电站电力设备红外图像异常实时检测方法及装置
CN109214416A (zh) * 2018-07-23 2019-01-15 华南理工大学 一种基于深度学习的多维信息融合变压器故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
CN105608475A (zh) * 2016-02-15 2016-05-25 西安科技大学 带式输送机关键部件红外监测预警系统
CN107677700A (zh) * 2017-08-08 2018-02-09 上海交通大学 Pcb单板故障检测装置
CN107742093A (zh) * 2017-09-01 2018-02-27 国网山东省电力公司电力科学研究院 一种红外图像电力设备部件实时检测方法、服务器及系统
CN108898077A (zh) * 2018-06-15 2018-11-27 杭州天铂红外光电技术有限公司 电力设备红外热图的识别方法和电力设备红外识别系统
CN109214416A (zh) * 2018-07-23 2019-01-15 华南理工大学 一种基于深度学习的多维信息融合变压器故障诊断方法
CN109101906A (zh) * 2018-07-27 2018-12-28 中国南方电网有限责任公司超高压输电公司贵阳局 一种变电站电力设备红外图像异常实时检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
臧晓春: "一种基于图像处理和神经网络的变电站关键设备红外检测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321933A (zh) * 2019-06-11 2019-10-11 武汉闻道复兴智能科技有限责任公司 一种基于深度学习的故障识别方法和装置
CN110411580A (zh) * 2019-08-05 2019-11-05 国网湖南省电力有限公司 一种电力设备发热缺陷的诊断方法以及诊断系统
CN113033071A (zh) * 2021-02-01 2021-06-25 广州朗国电子科技有限公司 基于深度学习算法的设备智能测温方法、终端、存储装置
CN113591251A (zh) * 2021-08-17 2021-11-02 中冶北方（大连）工程技术有限公司 设备故障温度分析诊断方法
CN113591251B (zh) * 2021-08-17 2024-04-23 中冶北方（大连）工程技术有限公司 设备故障温度分析诊断方法

Similar Documents

Publication Publication Date Title
CN109783560A (zh) 基于深度学习多特征融合的电力设备状态的检测方法
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN109635483A (zh) 一种基于电磁检测的电机和泵故障预测分析系统
CN109543679A (zh) 一种基于深度卷积神经网络的死鱼识别方法及预警系统
CN109829916A (zh) 一种基于cnn的变压器故障诊断方法
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN109359697A (zh) 一种电力设备巡检中使用的图形图像识别方法及巡查系统
CN110569843B (zh) 一种矿井目标智能检测与识别方法
CN108761237A (zh) 无人机电力巡检图像关键电力部件自动诊断与标注系统
CN111862065B (zh) 基于多任务深度卷积神经网络的输电线路诊断方法和系统
CN110931112A (zh) 一种基于多维信息融合和深度学习的脑部医学影像分析方法
CN105300528A (zh) 变电站设备红外图像诊断方法及系统
CN113361686A (zh) 一种多层异构多模态卷积神经网络集成式机器人巡检方法
CN113962308A (zh) 一种航空设备故障预测方法
CN113239854A (zh) 一种基于深度学习的船舶身份识别方法及系统
CN116580350A (zh) 一种实验室安全监测预警方法及系统
CN109901553B (zh) 基于多视角的异构工业大数据协同建模过程故障监测方法
CN117498225B (zh) 一种无人机智能电力线路巡检系统
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN103984956B (zh) 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法
CN112906593A (zh) 一种基于Faster RCNN的水闸图像识别方法
CN112347889B (zh) 一种变电站作业行为辨识方法及装置
CN113420646A (zh) 一种基于深度学习的锁站连接锁检测系统及方法
Mlakić et al. Detection of faults in electrical panels using deep learning method
CN110728310A (zh) 一种基于超参数优化的目标检测模型融合方法及融合系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190521