CN109784348A - 一种红外电力设备识别和在线诊断方法及其系统 - Google Patents

Abstract

本发明涉及智能电网信息技术领域，特别涉及一种基于红外热成像的电力设备识别和在线诊断方法及其系统；本发明先采集电力设备的红外图像数据，制作虚拟数据来学习，再迁移深度神经网络模型形成电力设备红外识别深度神经网络模型；再以电力行业带电设备红外诊断应用规范，建立分类红外电力设备及部件的缺陷规则库；最后在移动终端部署移动电力设备识别深度神经网络模型，对实时采集的红外图像进行电力设备及部件识别，按照缺陷规则库对设备热场分布进行在线分析诊断，评估电力设备目前的运行状态。

Description

一种红外电力设备识别和在线诊断方法及其系统

技术领域

本发明涉及智能电网信息技术领域，特别涉及一种基于红外的电力设备识别和在线诊断方法及其系统。

背景技术

近年来，人工智能发展成为了新的生产要素，为企业乃至国家经济带来巨大机遇。新一代人工智能现已上升为国家战略，一系列国家政策的支持推动能源互联网新技术、新模式和新业态的发展，加速我国经济转型升级。

随着电网规模的不断扩大，生产设备不断增长与人员逐步减少之间的矛盾日益突出，公司减员增效需求迫切，同时，传统电网生产管理模式在电网、设备、人身风险管控方面仍面临较大压力。以设备状态检测生产领域为例，红外热成像(IRT)在监测和检查电气设备的热缺陷方面发挥非常重要的作用，对电力系统的稳定性具有重要的意义；它具有非接触式检测、不受电磁干扰、安全、可靠、大范围检查等优点。电气设备的内部和外部故障，如松散连接、接触问题、过载、负载不平衡和设备安装不当，可能导致设备过热或过冷，从而导致设备故障，在红外图像表现为非正常的热场分布。

目前，电力设备主要通过远程监控、现场巡查和机器人巡检等方式进行红外检测，主要是人工现场判读或机器获取图像后期判读方式；利用设备表现出来的热场分布提供设备状况的预判，对红外图像进行手动分析，以检测缺陷和对设备状态进行评估。大量设备带来大量人工检修工作量，需要花费大量的时间和精力，人工判读还受主观因素影响带来不同程度的错判漏判等不足，可能导致错误的诊断结果，实时性也较差。

发明内容

本发明主要解决的技术问题是提供一种红外电力设备识别和在线诊断方法，其对电力设备进行基于红外图像实时采集的电力设备及部件识别，参照红外缺陷规则库而对电力设备及其部件的红外图像数据进行分析和在线诊断，评估电力设备当前运行状态，并且支持识别模型动态更新；还提供了一种红外电力设备识别和在线诊断系统。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种红外电力设备识别和在线诊断方法，其中，包括如下步骤：

步骤S1、采集不同类型电力设备的红外图像数据，建立虚拟的具有红外特征的电力设备三维模型，渲染生成虚拟训练数据，生成设备边沿轮廓标注，进行电力设备红外识别深度神经网络模型学习，优化电力设备红外识别深度神经网络模型；

步骤S2、基于电力行业带电设备红外诊断应用规范，建立分类电力设备及部件的缺陷规则库；

步骤S3、在移动终端进行红外图像数据电力设备识别，基于缺陷规则库进行在线分析诊断，评估电力设备目前运行状态。

作为本发明的一种改进，步骤S1包括：

步骤S11、采集电力设备的红外图像数据，以该红外图像数据为基础，建立虚拟的具有红外特征的电力设备三维模型，同时由电力设备三维模型制作虚拟训练数据，并对训练样本进行设备及部件轮廓自动标注，在虚拟训练数据学习电力设备识别深度神经网络模型；

步骤S12、将进行过虚拟训练数据学习的虚拟数据学习模型迁移至实际采集的红外图像数据中训练优化电力设备红外识别深度神经网络模型；

步骤S13、对电力设备红外识别深度神经网络模型进行训练调优；

作为本发明的进一步改进，步骤S2包括：

步骤S21、基于带电设备红外诊断应用规范，研究带电设备红外诊断应用规范的机器表达，建立相应的设备及部件缺陷规则库；

步骤S22、研究基于机器学习对不同电气设备及部件的热场分布进行状态诊断算法；

作为本发明的进一步改进，步骤S3包括：

步骤S31、在移动终端建立移动深度学习框架，对已训练好的电力设备红外识别深度神经网络模型进行部署；

步骤S32、对获取的红外图像进行电力设备及部件识别，按照边沿轮廓进行标注；

步骤S33、基于缺陷规则库，按设备分类及轮廓进行热场分布进行在线分析诊断，评估电力设备的运行状态。

作为本发明的更进一步改进，在步骤S3内，根据电力设备状态评估结果的用户反馈，调整优化电力设备红外识别深度神经网络模型、缺陷规则库，移动终端进行模型实时更新。

在步骤S11内，所述红外图像数据包括所有类型的电力设备的红外图像数据及电力设备的各个部件的红外图像数据、边沿轮廓标注数据。

作为本发明的更进一步改进，在步骤S12内，基于移动深度学习框架实现迁移学习，先进行虚拟数据学习电力设备红外识别深度神经网络模型，再迁移至实际数据训练进行实际数据学习训练。

一种红外电力设备识别和在线诊断系统，其中，包括：

识别模型模块，用于采集电力设备的红外图像数据并识别电力设备；

在线分析模块，用于分析电力设备红外图像分布的在线诊断运行状态评估；

在线诊断模块，在移动终端基于电力设备红外识别深度神经网络模型对实时获取的红外图像进行电力设备及部件识别、在线诊断分析。

作为本发明的一种改进，所述识别模型模块包括：

构建单元，用于采集电力设备的红外图像数据，建立虚拟数据学习模型同时集成虚拟数据与真实影像中的地物信息建立实际数据优化模型；

迁移单元，用于将该虚拟数据学习模型迁移至实际数据优化模型中；

标注单元，用于制作训练样本，并对训练样本进行自动标注；

训练单元，用于在实际数据优化模型内对标注的训练样本进行训练。

作为本发明的进一步改进，所述在线诊断模块包括：

规则单元，用于以带电设备红外诊断应用规范为基础，确定电力设备异常状况时的规则描述，建立红外缺陷规则库；

分析单元，用于不同的电力设备及部件的热场分布进行分析；

诊断单元，用于通过所述分析单元的分析结果进行诊断出各个电力设备目前的运行状态。

本发明的有益效果是：与现有技术相比，本发明对各个电力设备进行红外识别，参照红外缺陷规则库而对电力设备的红外图像数据进行分析和在线诊断，诊断出电力设备目前的运行状态，并且实时更新电力设备红外识别模型。

附图说明

图1为本发明的红外电力设备识别和在线诊断方法的步骤框图；

图2为图1中步骤S1的内部步骤框图；

图3为图1中步骤S2的内部步骤框图；

图4为图1中步骤S3的内部步骤框图；

图5为本发明的红外电力设备识别和在线诊断系统的连接框图。

具体实施方式

目前电力设备复杂多样，缺陷种类也繁多，缺陷热场表现是多设备或多部件共同形成的特征，单一的红外目标识别已不能较好适应种类多样的设备及其多种多样的热场分布的缺陷检测，否则需要大量人工检修工作量、花费大量的时间和精力，人工判读还受主观因素影响带来不同程度的错判漏判等不足，可能导致错误的诊断结果，实时性也较差，目前需要多层级关联目标识别来解决这一问题。

红外热成像(IRT)在监测和检查电气设备的热缺陷方面发挥非常重要的作用，对电力系统的稳定性具有重要的意义。运用红外图像对发热的设备进行诊断具有非接触性、免停电的优点，因此在国内外的电力生产领域中具有广泛应用，如变电站室内设备监测和电网高压线路的户外设备巡检等。早期，利用红外图像监测设备状态主要通过红外摄影仪、闭路电视获取图像，并基于规则经验进行人工判别。随着计算机图像处理技术的不断发展，人们逐渐研究红外图像的自主识别，技术发展历经图像灰度-图像特征-深度学习的过程。为避免对红外图像进行人工分析，提出了许多电气设备智能故障诊断方法，但在使用这些方法时存在两个困难：一是寻找感兴趣的区域，二是提取能代表电气设备状况的特征。

如图1至图4所示，本发明提供一种红外电力设备识别和在线诊断方法，包括如下步骤：

步骤S1、采集不同类型电力设备的红外图像数据，建立虚拟的具有红外特征的电力设备三维模型，渲染生成虚拟训练数据，生成设备边沿轮廓标注，进行电力设备红外识别深度神经网络模型学习，优化电力设备红外识别深度神经网络模型；具体地，采集电力设备的红外图像数据，以该红外图像数据为基础，建立虚拟的具有红外特征的电力设备三维模型，渲染生成虚拟训练数据进行电力设备红外识别深度神经网络模型学习，再将该电力设备红外识别深度神经网络模型迁移至实际采集的红外图像数据中进行模型微调、训练优化电力设备红外识别深度神经网络模型。根据实时采集的红外图像数据及用户反馈对电力设备红外识别深度神经网络模型进行实时调整和更新；

步骤S2、基于电力行业带电设备红外诊断应用规范，建立分类电力设备及部件的缺陷规则库；

步骤S3、在移动终端进行红外图像数据电力设备识别，基于缺陷规则库进行在线分析诊断，评估电力设备目前运行状态。

其中，如图2所示，步骤S1包括：

步骤S11、采集电力设备的红外图像数据，以该红外图像数据为基础，建立虚拟的具有红外特征的电力设备3维模型，同时由电力设备3维模型制作虚拟训练数据，并对训练样本进行设备及部件轮廓自动标注，在虚拟训练数据学习电力设备识别深度神经网络模型；具体地，采集电力设备的红外图像数据，以该红外图像数据为基础，建立虚拟的具有红外特征的电力设备三维模型，同时由电力设备三维模型制作虚拟训练数据，并对训练样本进行自动标注，在虚拟训练数据学习电力设备识别深度神经网络模型；

步骤S12、将进行过虚拟训练数据学习的虚拟数据学习模型迁移至实际采集的红外图像数据中训练优化电力设备红外识别深度神经网络模型；

步骤S13、对电力设备红外识别深度神经网络模型进行训练调优。

其中，在步骤S11内，所述红外图像数据包括所有类型的电力设备的红外图像数据及电力设备的各个部件的红外图像数据。

在步骤S12内，基于Caffe2框架实现迁移学习，先进行虚拟数据学习电力设备红外识别深度神经网络模型，再迁移至实际数据训练进行实际数据学习训。

在步骤S13内，基于Mask R-CNN算法对电力设备红外识别深度神经网络模型进行优化。

具体地，构建虚实集成的虚拟数据样本生成及自动标注，及构建基于深度学习的迁移学习框架，构建基于空间分布规则的电气设备及其部件关联识别模型；(一)先集成虚拟数据与真实影像中丰富的地物信息，实现训练虚拟数据与真实数据的有效融合，通过采集电力设备的红外图像数据，红外图像数据中应包含所有类型设备的红外图像，且每类设备的红外图像数量要达到深度神经网络训练所需；特别选择重点设备作为研究对象，实现设备及部件轮廓自动标记样本、迭代式增量学习，针对红外图像制作训练样本，完成红外样本图像标注，包括人工标注和自动标注；(二)在虚拟场景数据学习完模型之后，将其模型迁移到实际数据训练，实现迁移学习的识别诊断优化，具体地为基于Caffe2框架实现迁移学习，先进行虚拟数据学习模型的源任务，再进行实际数据学习优化的目标任务，实现基于迁移学习优化；(三)在带有标注和标签的红外图像库作为训练样本集的基础上，构建基于深度学习框架R-CNN目标检测算法的深度神经网络模型，基于Mask R-CNN算法进行优化，包括图像增强、图像融合、深度神经网络等方法应用的适用性和改进提高，进行集成学习参数调优。研究电气设备及其部件关联识别技术，基于空间分布规则如包含、并列等空间逻辑，实现识别设备及设备关联部件的高效识别算法，能够在识别主设备的同时识别出设备的关键部件。

在步骤S1内，建立红外图像的电力设备分类及轮廓标注数据库，包括对不同设备类型图像样本的标记以及对同类型设备的不同部件的图像样本标记，为迁移学习的目标任务阶段的模型学习提供真实数据源；同时使用设备类型、不同类型标记样本的可增量添加技术，为设备关联识别提供新的学习数据集，持续增强学习识别的准确率。

在本发明中，如图3所示，步骤S2包括：

步骤S21、基于带电设备红外诊断应用规范，研究带电设备红外诊断应用规范的机器表达，建立相应的设备及部件缺陷规则库；

步骤S22、研究基于机器学习对不同电气设备及部件的热场分布进行状态诊断算法。

具体地，通过带电设备红外诊断应用规范的机器表达构建设备缺陷规则库，使用多支持向量机对不同电气设备热场分布进行健康状态诊断，基于机器学习算法判断设备是否存在异常，实现实时在线智能诊断；

(一)通过带电设备红外诊断应用规范的机器表达建立相应的设备缺陷规则库，使用机器学习算法判断设备是否存在异常；

(二)完善设备的红外缺陷规则库，针对红外缺陷图像案例，使用多支持向量机对不同电气设备热场分布进行健康状态诊断算法，并通过人工神经网络、随机森林、启发式算法或图分割算法等机器学习算法增强支持向量机二分类的分类表现；

(三)建立并更新设备及部件的红外缺陷规则库。

在本发明中，如图4所示，步骤S3包括：

步骤S31、在移动终端建立移动深度学习框架，对已训练好的电力设备红外识别深度神经网络模型进行部署；

步骤S32、对获取的红外图像进行电力设备及部件识别，按照边沿轮廓进行标注；

步骤S33、基于缺陷规则库，按设备分类及轮廓进行热场分布进行在线分析诊断，评估电力设备的运行状态。

在本发明中，在步骤S3内，实时红外图像数据采集接入和对电力设备红外识别深度神经网络模型进行优化调整，从而进行实时调整和更新；具体地，在红外电力设备识别和在线诊断系统包括服务器端和移动终端，制定接口规范，在服务器端实现红外数据采集接入、模型算法优化调整，针对调优后的模型通过接口规范实现分发，移动终端接收进行模型更新，构建模型优化更新体系；

(一)基于Caffe2框架研究移动端部署相关技术，包括权值剪枝、权值量化、模型存储、前向加速计算等技术，部署设备识别和缺陷诊断模型在移动端，并支持多种类型机器端如机器人、移动设备的设备识别缺陷诊断模型的部署，即模型去冗余及加速等优化部署；

(二)目标识别；使用训练好并通过测试的电力设备红外识别深度神经网络模型在移动端进行目标识别，采集检测红外图像，识别出图像中的电力设备及部件，以边沿线标注出目标候选区域；

(三)根据设备类型以及设备及部件的温度诊断设备是否出现热故障，根据温度场分布规律，对温升、温差和相对温差，使用带电设备红外诊断应用规范中的标准进行诊断，判断设备是否出现热故障；

(四)数据采集接入及模型优化更新机制，制定接口规范，在服务器端实现红外数据实时采集接入、模型算法优化调整，针对调优模型通过接口规范实现分发部署，移动终端接收进行模型更新。

如图5所示，本发明提供一种基于红外的电力设备识别和在线诊断系统，包括：

识别模型模块，用于采集电力设备的红外图像数据并识别电力设备；

在线分析模块，用于分析电力设备红外图像分布的在线诊断运行状态评估；

在线诊断模块，在移动终端基于电力设备红外识别深度神经网络模型对实时获取的红外图像进行电力设备及部件识别、在线诊断分析。

其中，识别模型模块包括：

构建单元，用于采集电力设备的红外图像数据，建立虚拟数据学习模型同时集成虚拟数据与真实影像中的地物信息建立实际数据优化模型；

迁移单元，用于将该虚拟数据学习模型迁移至实际数据优化模型中；

标注单元，用于制作训练样本，并对训练样本进行自动标注；

训练单元，用于在实际数据优化模型内对标注的训练样本进行训练；

优化单元，用于根据所述接入单元接入的红外图像数据，对电力设备红外识别深度神经网络模型的算法进行优化；

在本发明中，在线分析模块包括：

规则单元，用于以电力设备红外识别深度神经网络模型为基础，确定电力设备出异常状况时的红外图像数据，建立红外缺陷规则库；

分析单元，用于不同的电力设备的热场分布进行分析；

在本发明中，在线诊断模块包括：

接入单元，用于实时对红外图像数据进行接入；

诊断单元，用于通过所述分析单元的分析结果进行诊断出各个电力设备目前的运行状况；

更新单元，用于对电力设备红外识别深度神经网络模型和红外缺陷规则库进行实时调整和更新。

在本发明中，基于可见光与红外图像融合实现设备及其部件的空间拓扑关联机器智能识别，为生产应用场景，如基于缺陷规则库的设备检测等提供设备位置基础即设备或部件的分布；在设备关联识别的基础上，根据带电设备红外诊断应用规范，建立缺陷类型温度场分布的规则库，实现在线诊断分析。

在本发明中，对各个电力设备及部件进行红外识别及空间关联分析，参照红外缺陷规则库对电力设备及部件的红外分布进行在线分析诊断，并结合实时采集数据接入，构建基于红外电力设备识别的在线分析诊断系统。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种基于红外的电力设备识别和在线诊断方法，其特征在于，包括如下步骤：

步骤S1、采集不同类型电力设备的红外图像数据，建立虚拟的具有红外特征的电力设备三维模型，渲染生成虚拟训练数据，生成设备边沿轮廓标注，进行电力设备红外识别深度神经网络模型学习，优化电力设备红外识别深度神经网络模型；

步骤S2、基于电力行业带电设备红外诊断应用规范，建立分类电力设备及部件的缺陷规则库；

步骤S3：在移动终端进行红外图像数据电力设备识别，基于缺陷规则库进行在线分析诊断，评估电力设备目前运行状态。

2.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，步骤S1包括：

步骤S11、采集电力设备的红外图像数据，以该红外图像数据为基础，建立虚拟的具有红外特征的电力设备三维模型，同时由电力设备三维模型制作虚拟训练数据，并对训练样本进行设备及部件轮廓自动标注，在虚拟训练数据学习电力设备识别深度神经网络模型；步骤S12、将进行过虚拟训练数据学习的虚拟数据学习模型迁移至实际采集的红外图像数据中训练优化电力设备红外识别深度神经网络模型；

步骤S13、对电力设备红外识别深度神经网络模型进行训练调优。

3.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，步骤S2包括：

步骤S21、基于带电设备红外诊断应用规范，研究带电设备红外诊断应用规范的机器表达，建立相应的设备及部件缺陷规则库；

步骤S22、研究基于机器学习对不同电气设备及部件的热场分布进行状态诊断算法。

4.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，步骤S3包括：

步骤S31、在移动终端建立移动深度学习框架，对已训练好的电力设备红外识别深度神经网络模型进行部署；

步骤S32、对获取的红外图像进行电力设备及部件识别，按照边沿轮廓进行标注；

步骤S33、基于缺陷规则库，按设备分类及轮廓进行热场分布进行在线分析诊断，评估电力设备的运行状态。

5.根据权利要求2所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，在步骤S3内，根据电力设备运行状态评估结果的用户反馈，调整优化电力设备红外识别深度神经网络模型、缺陷规则库，对移动终端进行模型实时更新。

6.根据权利要求2所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，在步骤S11内，所述红外图像数据包括所有类型的电力设备的红外图像数据及电力设备的各个部件的红外图像数据、边沿轮廓标注数据。

7.根据权利要求2所述的一种红外电力设备识别和在线诊断方法，其特征在于，在步骤S12内，基于移动深度学习框架实现迁移学习，先进行虚拟数据学习电力设备红外识别深度神经网络模型，再迁移至实际数据训练进行实际数据学习训练。

8.一种基于红外的电力设备识别和在线诊断系统，其特征在于，包括：

识别模型模块，用于采集电力设备的红外图像数据并识别电力设备；

在线分析模块，用于分析电力设备红外图像分布的在线诊断运行状态评估；

在线诊断模块，在移动终端基于电力设备红外识别深度神经网络模型对实时获取的红外图像进行电力设备及部件识别、在线诊断分析。

9.根据权利要求8所述的一种红外电力设备识别和在线诊断系统，其特征在于，所述识别模型模块包括：

构建单元，用于采集电力设备的红外图像数据，建立虚拟数据学习模型同时集成虚拟数据与真实影像中的地物信息建立实际数据优化模型；

迁移单元，用于将该虚拟数据学习模型迁移至实际数据优化模型中；

标注单元，用于制作训练样本，并对训练样本进行自动标注；

训练单元，用于在实际数据优化模型内对标注的训练样本进行训练；

优化单元，用于根据所述接入单元接入的红外图像数据，对电力设备红外识别深度神经网络模型的算法进行优化。

10.根据权利要求9所述的一种红外电力设备识别和在线诊断系统，其特征在于，所述在线分析模块包括：

规则单元，用于以电力设备红外识别深度神经网络模型为基础，确定电力设备出异常状况时的红外图像数据，建立红外缺陷规则库；

分析单元，用于不同的电力设备的热场分布进行分析。

11.根据权利要求10所述的一种红外电力设备识别和在线诊断系统，其特征在于，所述在线诊断模块包括：

接入单元，用于实时对红外图像数据进行接入；

诊断单元，用于通过所述分析单元的分析结果进行诊断出各个电力设备目前的运行状况；

更新单元，用于对电力设备红外识别深度神经网络模型和红外缺陷规则库进行实时调整和更新。