CN111524118B - 变压器的运行状态检测方法、装置、计算机设备和存储介质 - Google Patents
变压器的运行状态检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111524118B CN111524118B CN202010320551.1A CN202010320551A CN111524118B CN 111524118 B CN111524118 B CN 111524118B CN 202010320551 A CN202010320551 A CN 202010320551A CN 111524118 B CN111524118 B CN 111524118B
- Authority
- CN
- China
- Prior art keywords
- image data
- network
- transformer
- significance
- target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000029777 axis specification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种变压器的运行状态检测方法、装置、计算机设备和存储介质,该方法包括:获取面向目标变压器采集的原始图像数据;确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;确定分类模型,所述分类模型为适于分类的多级神经网络;将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态。将注意力集中在目标变压器本身,尤其为具有显著性的区域、更加集中在容易发生故障的区域,从而提高运行状态的精确度。
Description
技术领域
本发明实施例涉及电力技术,尤其涉及一种变压器的运行状态检测方法、装置、计算机设备和存储介质。
背景技术
变压器在电能转换中发挥着电压转换、电流转换、功率传输等作用,是电力系统的关键设备之一,变压器安全运行是电力系统安全的重要保障。
变压器布置在不同的地区,目前有声纹监测、热力监测、图像监测等自动化监控方案监测变压器。
对于图像监测的方案,通常利用CNN(Convolutional Neural Network,卷积神经网络)等神经网络提取变压器在发生故障时的特征,从而训练模型,从而使用该模型自动甄别变压器发生的故障。
但是,变压器的故障通常较为集中,很多区域是未发生故障的,而CNN等神经网络提取的特征较为分散,使得故障识别精确度较低,容易出现误判,并且,该方案是在变压器发生故障后检测故障的类型,实用性较差。
发明内容
本发明实施例提供一种变压器的运行状态检测方法、装置、计算机设备和存储介质,以解决在变压器发生故障后检测故障的类型,且故障识别精确度较低的问题。
第一方面,本发明实施例提供了一种变压器的运行状态检测方法,包括:
获取面向目标变压器采集的原始图像数据;
确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;
将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;
确定分类模型,所述分类模型为适于分类的多级神经网络;
将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态。
第二方面,本发明实施例还提供了一种变压器的运行状态检测装置,包括:
原始图像数据获取模块,用于获取面向目标变压器采集的原始图像数据;
重构模型确定模块,用于确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;
目标图像数据重构模块,用于将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;
分类模型确定模块,用于确定分类模型,所述分类模型为适于分类的多级神经网络;
运行状态识别模块,用于将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的变压器的运行状态检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的变压器的运行状态检测方法。
在本实施例中,获取面向目标变压器采集的原始图像数据,确定重构模型,重构模型为适于根据显著性进行重构的U型神经网络,将原始图像数据输入重构模型中、通过编码与解码重构为目标图像数据,以使目标变压器中有显著性的区域的细节多于无显著性的区域的细节,确定分类模型,分类模型为适于分类的多级神经网络,将目标图像数据输入分类模型中进行处理,从而识别目标变压器所处的运行状态,通过U型神经网络将原始图像数据重构为目标图像数据,可以减少背景的干扰,将注意力集中在目标变压器本身,尤其为具有显著性的区域、更加集中在容易发生故障的区域,从而提高运行状态的精确度,并且,本实施例可以监测变压器在运行过程中的状态,尽可能在故障发生前发现异常、介入维修,从而提高实用性。
附图说明
图1为本发明实施例一提供的一种变压器的运行状态检测方法的流程图;
图2为本发明实施例提供的一种重构模型的结构示意图;
图3为本发明实施例提供的一种分类模型的结构示意图;
图4是本发明实施例二提供的一种变压器的运行状态检测方法的流程图;
图5为本发明实施例三提供的一种变压器的运行状态检测装置的结构示意图;
图6为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种变压器的运行状态检测方法的流程图,本实施例可适用于训练分类模型的情况,该方法可以由变压器的运行状态检测装置来执行,该变压器的运行状态检测装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑、移动终端等,该方法具体包括如下步骤:
S101、获取面向样本变压器采集的第一样本图像数据。
在本实施例中,使用移动终端、相机等设备面向变压器采集图像数据,存储在数据库中,等待训练分类模型。
为便于区分,该变压器可以称之为样本变压器,该图像数据可以称之为第一样本图像数据,在训练分类模型的过程中,从数据库提取该第一样本图像数据,第一样本图像数据标记有运行状态,该运行状态包括如下的至少一种:
正常、异常、故障。
其中,正常表示变压器的运行参数(如温度、功率等)基本处于额定的数值,变压器可以按照设定进行工作。
异常介于正常与故障之间,表示变压器的运行参数(如温度、功率等)部分超过额定的数值,机身出现变化,但变压器仍然可以工作。
故障表示变压器并不能工作,包含了具体的类型,例如,变压器漏渗油、接头过热、铁芯多点接地、变压器受潮,等等。
S102、确定变压器沿时间变化的特征轴。
在本实施例中,可以在潜在空间中找到能够预测变压器在时间上的特征的方向,把这些方向的单位向量用作控制变压器生成过程(更老化或更接近出厂运行状态)的特征轴。
为了在潜在空间中找到这些特征轴,可以将通过在成对数据 (z,y) 上训练的监督学习方法构建潜在向量z与特征y之间的关系。
在具体实现中,一方面,可以确定适于生成变压器的生成式对抗网络(GenerativeAdversarial Network,GAN),作为生成器。
另一方面,可以确定适于提取变压器的特征的特征提取器,该特征提取器可以为卷积神经网络CNN,也可以为其它计算机视觉模型,本实施例对此不加以限制。
生成随机的向量,将向量传输到所述生成器中生成包含变压器的候选图像数据;
使用所述特征提取器为每帧候选图像数据生成候选特征。
使用广义线性模型(Generalized Linear Model,GLM)执行向量和候选特征之间的回归任务,以获得回归斜率(regression slope)、作为变压器沿时间变化的特征轴。
此后,可以从一个向量开始,沿着一或多个特征轴移动,并检测对生成的候选图像数据的影响。
S103、在所述第一样本图像数据中,沿所述时间轴对所述样本变压器进行正向和/或负向的调整,从而获得第二样本图像数据。
S104、基于所述样本变压器对所述第二样本图像标记运行状态。
理想情况下,使用属于同一个变压器的不同运行状态下的图像数据作为训练的样本,但是,不同运行状态下的图像数据的时间持续比较长,可能长达数年之久,采集的难度较高,导致样本稀疏。
在本实施例中,在第一样本图像数据中,沿时间轴对样本变压器进行正向的调整,即老化,从而获得第二样本图像数据,并标记与调整后的样本变压器相应的运行状态,提高样本的数量。
在第一样本图像数据中,沿时间轴对样本变压器进行负向的调整,即更接近出厂运行状态,从而拟合第二样本图像数据,并标记相应的运行状态,提高样本的数量。
需要说明的是,而为了防止过度失真,第一样本图像数据的运行状态与第二样本图像数据的运行状态相同或相邻,禁止第一样本图像数据的运行状态与第二样本图像数据的运行状态跨越超过一个运行状态。
具体而言,对于运行状态为正常的第一样本图像数据,通过沿时间轴对样本变压器进行正向和/或负向的调整,可能获得运行状态为正常的第二样本图像数据,也可能获得运行状态为异常的第二样本图像数据,禁止使用运行状态为故障的第二样本图像数据。
对于运行状态为异常的第一样本图像数据,通过沿时间轴对样本变压器进行正向和/或负向的调整,可能获得运行状态为正常的第二样本图像数据,也可能获得运行状态为异常的第二样本图像数据,还可能获得运行状态为故障的第二样本图像数据。
对于运行状态为故障的第一样本图像数据,通过沿时间轴对样本变压器进行正向和/或负向的调整,可能获得运行状态为故障的第二样本图像数据,也可能获得运行状态为异常的第二样本图像数据,禁止使用运行状态为正常的第二样本图像数据。
S105、选定属于同一所述样本变压器的第一样本图像数据、第二样本图像数据,作为第三样本图像数据。
在本实施例中,对于具有同一个样本变压器、且处于不同运行状态的第一样本图像数据、第二样本图像数据,可以以列表(List)的形式设置为第三样本图像数据
S106、将所述第三样本图像数据输入预设的重构模型中、通过编码与解码重构为第四样本图像数据,以使所述样本变压器中有显著性的区域的细节多于无显著性的区域的细节。
在本实施例中,重构模型为适于根据显著性进行重构的U型神经网络(U-Net),整体结构就是先编码(下采样), 再解码(上采样),回归到跟原始图像一样大小的像素点的分类,U-Net可以能够结合底层和高层的信息。
底层(深层)信息:经过多次下采样后的低分辨率信息。能够提供分割目标在整个图像中上下文语义信息,可理解为反应目标和它的环境之间关系的特征。这个特征有助于物体的类别判断(所以分类问题通常涉及低分辨率/深层信息,不涉及多尺度融合)。
高层(浅层)信息:经过concatenate操作从encoder(编码)直接传递到同高度decoder(解码)上的高分辨率信息。能够为分割提供更加精细的特征,如梯度等。
对于变压器而言,是一个固定的结构的成像,而不是附近环境的成像,通常如下如下两个特性:
1、因为图像边界模糊、梯度复杂,需要较多的高分辨率信息。高分辨率用于精准分割。
2、变压器的外部相对固定,分割目标在图像中的分布很具有规律,语义简单明确,低分辨率信息能够提供这一信息,用于目标物体的识别。
U-Net结合了低分辨率信息(提供物体类别识别依据)和高分辨率信息(提供精准分割定位依据),可适用于变压器图像的分割。
并且,U-Net含有残差连接(skip connection),残差链接也被称为跳跃链接,在U-Net中加入残差链接可以解决训练过程中梯度消失和梯度爆炸的问题,可以有效地减少网络的层数,使训练更容易。
进一步而言,显著性,属于图像中的视觉特征,体现了人眼对图像的某些区域的重视程度。
对于一帧图像来说,用户对图像中的部分区域感兴趣,这部分感兴趣的区域代表了用户的意图,而多数剩余的不感兴趣区域则与用户的意图无关,即具备显著性的区域是图像中最能引起用户兴趣、最能表现图像内容的区域。
事实上,显著性的选择是比较主观的,由于用户任务和知识背景的不同,对于同一帧图像,不同的用户可能会选择不同的区域作为具备显著性的区域。
目前,多利用人的注意力机制为基础计算图像的显著度,认知心理学的研究表明,图像中有些区域能显著的吸引人的注意,这些区域含有较大的信息量,因此,可根据数学模型来模拟人的注意力机制,由于利用了图像认知过程中的一般规律,这样提取的具备显著性的区域比较符合人的主观评价。
在本实施例中,在重构模型中,通过编码与解码重构将第三样本图像数据为第四样本图像数据,在重构的过程中,将容易发生异常、故障的区域作为具有显著性的区域,从而使得重构之后,样本变压器中有显著性的区域的细节多于样本变压器中无显著性的区域的细节,将注意力集中在有显著性的区域。
在本发明的一个实施例中,如图2所示,重构模型包括第一编码网络210、第二编码网络220、第一解码网络230、第二解码网络240、第三解码网络250,则S106可以包括如下步骤:
S1601、在所述第一编码网络中、根据显著性对所述第三样本图像数据进行编码,以获得第一特征图像数据。
在具体实现中,如图2所示,第一编码网络210包括第一显著性网络211、第一长短期记忆网络212、第一卷积神经网络。
在第一显著性网络211中,识别第三样本图像数据中具有显著性的第一区域;
在第一长短期记忆网络212中,将具有第一区域的第三样本图像数据映射为第一中间图像数据;
在第一卷积神经网络213中,将第一中间图像数据映射为第一特征图像数据。
S1602、在所述第二编码网络中、根据显著性对所述第一特征图像数据进行编码,以获得第二特征图像数据。
在具体实现中,第二编码网络220包括第二显著性网络221、第二长短期记忆网络222、第二卷积神经网络223。
在第二显著性网络221中,识别第一特征图像数据中具有显著性的第二区域;
在第二长短期记忆网络222中,将具有第二区域的第一特征图像数据映射为第二中间图像数据;
在第二卷积神经网络223中,将第二中间图像数据映射为第二特征图像数据。
S1603、在所述第一解码网络中、根据显著性对所述第二特征图像数据进行解码,以获得第三特征图像数据。
在具体实现中,第一解码网络230包括第三显著性网络231、第三长短期记忆网络232、第三卷积神经网络233。
在第三显著性网络231中,识别第二特征图像数据中具有显著性的第三区域;
在第三长短期记忆网络232中,将具有第三区域的第二特征图像数据映射为第三中间图像数据;
在第三卷积神经网络233中,将第三中间图像数据映射为第三特征图像数据。
S1604、在所述第二解码网络中、根据显著性对所述第三特征图像数据与所述第二特征图像数据进行解码,以获得第四特征图像数据。
在具体实现中,如图2所示,第二解码网络240包括第四显著性网络241、第四长短期记忆网络242、第四卷积神经网络243。
在第四显著性网络241中,识别第三特征图像数据中具有显著性的第四区域;
在第四长短期记忆网络242中,将具有第四区域的第三特征图像数据与第二特征图像数据映射为第四中间图像数据;
在第四卷积神经网络243中,将第四中间图像数据映射为第五特征图像数据。
S1605、在所述第三解码网络中、根据显著性对所述第四特征图像数据与所述第一特征图像数据进行解码,以获得目标图像数据。
在具体实现中,如图2所示,第三解码网络250包括第五显著性网络251、第五长短期记忆网络252、第五卷积神经网络253。
在第五显著性网络241中,识别第四特征图像数据中具有显著性的第五区域;
在第五长短期记忆网络252中,将具有所述第五区域的第四特征图像数据与所述第一特征图像数据映射为第五中间图像数据;
在第五卷积神经网络253中,将第五中间图像数据映射为第四样本图像数据。
在本实施例中,第一显著性网络211、第二显著性网络221、第三显著性网络231、第四显著性网络241、第五显著性网络251均属于显著性网络,如CNN。
根据生物视觉理论的注意力机制(Attention Mechanism),人眼对信息的处理不是均衡的,它会自动地对感兴趣区域(即具有显著性的区域)进行处理,提取出有用的信息,不感兴趣区域(即不具有显著性的区域)则不作处理或少做处理,使人们能够在复杂的视觉环境中快速定位感兴趣目标。
在重构模型中,输入一帧图像数据,输出这帧图像数据对应的描述。图像数据的描述生成采用“编码-解码”的方式进行,编码器提取图像数据的高层特征,表示为一个编码向量;解码器初始输入为编码向量,生成图像数据的描述文本。在生成图像数据的描述的任务中,存在编码容量瓶颈以及长距离依赖这两个问题,因此,可以利用注意力机制来有效地选择信息。即在生成描述时,解码器的输入除了编码向量之外,还可以利用注意力机制来选择一些来自于图像数据被注意的相关信息,对于变压器,可以通过注意力机制定位容易发生故障的区域,提高具有显著性的区域的细节。
此外,第一长短期记忆网络212、第二长短期记忆网络222、第三长短期记忆网络232、第四长短期记忆网络242、第五长短期记忆网络252均属于长短期记忆网络(LongShort-Term Memory,LSTM),LSTM是一种 RNN (Recurrent Neural Networks,循环神经网络)特殊的类型,可以学习长期依赖信息。
变压器的老化是一个跟时间相关的事情,CNN并不完全适用于学习时间序列,而面对时间序列敏感的问题和任务,RNN(如LSTM)通常会比较合适,因此,通过LSTM辅助性处理,可提高任务的精确度。
当然,上述重构模型只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他重构模型,本发明实施例对此不加以限制。另外,除了上述重构模型外,本领域技术人员还可以根据实际需要采用其它重构模型,本发明实施例对此也不加以限制。
S107、以所述第四样本图像数据作为样本、所述运行状态作为分类的目标,按照列表排序的方式训练分类模型。
在本实施例中,将第四样本图像数据作为训练分类模型的样本、将运行状态作为分类模型分类的目标,按照列表排序Listwise的方式训练分类模型。
其中,Listwise方法是直接优化排序列表,输入为单条样本为一个文档排列,通过构造合适的度量函数衡量当前文档排序和最优排序差值,优化度量函数得到排序模型。
进一步而言,由于训练的样本(即第四样本图像数据)包含了真实的第一样本图像数据,也包含了虚构的第二样本图像数据,为了降低虚构的第二样本图像数据的影响,尽可能提高分类模型的精确度,则可以校验第四样本图像数据的类型。
若第四样本图像数据重构自第一样本图像数据,则对第四样本图像数据配置第一权重。
若第四样本图像数据重构自第二样本图像数据,则对第四样本图像数据配置第二权重;其中,第二权重小于所述第一权重,并且,第二权重与调整的幅度负相关,即调整的幅度越大,第二权重越小,反之,调整的幅度越小,第二权重越大。
以配置第一权重或第二权重的第四样本图像数据作为样本、运行状态作为分类的目标,按照列表排序Listwise的方式训练分类模型。
在训练完成时,可以从数据库提取预设的验证集,该验证集中包括对变压器采集的验证图像数据,并标记相应的运行状态。
经过重构模型重构之后,经过分类模型得到这批验证集中验证图像数据的得分,从而确定其运行状态,计算分类模型在验证集上的保序率,得到分类模型的泛化精度。
其中,保序率的计算方式为:假设A、B、C、D为四个验证图像数据,按照运行状态的排序为A、B、C、D,而分类模型对验证图像数据按照运行状态的排序为A、C、B、D,则对A来说没有bad case(排序错误的事件),对B来说C是bad case(排序错误的事件),以此方法类推计算所有的bad case和all case(所有的排序事件),则保序率为1-(bad case/all case)。
在具体实现中,分类模型属于多分类的模型,如SVM(Support Vector Machine,支持向量机)、神经网络,等等,本实施例对此不加以限制。
在一个示例中,如图3所示,分类模型包括多个级联的目标长短期记忆网络301、多个级联的卷积神经网络302、多个级联的全连接层(Full Connected Layer,FC)303。
一般情况下,多个级联的目标长短期记忆网络301、多个级联的卷积神经网络302的输出,与多个级联的全连接层303的输出向量相同,由于多个级联的全连接层303的输出为了取样方便通常会在训练阶段,将LOSS(损失)使其分布接近正态分布,多个级联的目标长短期记忆网络301、多个级联的卷积神经网络302的输出在分布空间容易耦合在一起,相对而言,多个级联的全连接层303能够在一定程度上解离向量在原来所在空间的耦合状态。
实施例二
图4为本发明实施例二提供的一种变压器的运行状态检测方法的流程图,本实施例以前述实施例为基础,进一步增加运行状态的检测操作,该方法具体包括如下步骤:
S401、获取面向目标变压器采集的原始图像数据。
在本实施例中,若重构模型、分类模型结构较小,则可以直接部署在移动终端等用户可随身携带的计算机设备中,该计算机设备配置有摄像头,可以面向变压器采集图像数据。
此外,若重构模型、分类模型结构较小,则可以直接部署在服务器、工作站等后端的计算机设备中,用户可以通过客户端将面向变压器采集的图像数据上传至计算机设备。
此时,为便于区分,该变压器可以称之为目标变压器,该图像数据可以称之为原始图像数据。
S402、确定重构模型。
在具体实现中,重构模型为适于根据显著性进行重构的U型神经网络,该重构模型已经离线完成训练,其模型参数存储在数据库中,在应用时,加载该重构模型及其模型参数。
S403、将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节。
在本发明的一个实施例中,如图2所示,重构模型包括第一编码网络210、第二编码网络220、第一解码网络230、第二解码网络240、第三解码网络250,则S402包括如下步骤:
S4021、在所述第一编码网络中、根据显著性对所述原始图像数据进行编码,以获得第一特征图像数据。
在具体实现中,如图2所示,第一编码网络210包括第一显著性网络211、第一长短期记忆网络212、第一卷积神经网络213。
在第一显著性网络211中,识别原始图像数据中具有显著性的第一区域;
在第一长短期记忆网络212中,将具有第一区域的原始图像数据映射为第一中间图像数据;
在第一卷积神经网络213中,将第一中间图像数据映射为第一特征图像数据。
S4022、在所述第二编码网络中、根据显著性对所述第一特征图像数据进行编码,以获得第二特征图像数据。
在具体实现中,如图2所示,第二编码网络220包括第二显著性网络221、第二长短期记忆网络222、第二卷积神经网络223。
在第二显著性网络221中,识别第一特征图像数据中具有显著性的第二区域;
在第二长短期记忆网络222中,将具有第二区域的第一特征图像数据映射为第二中间图像数据;
在第二卷积神经网络223中,将第二中间图像数据映射为第二特征图像数据。
S4023、在所述第一解码网络中、根据显著性对所述第二特征图像数据进行解码,以获得第三特征图像数据。
在具体实现中,如图2所示,第一解码网络230包括第三显著性网络231、第三长短期记忆网络232、第三卷积神经网络233。
在第三显著性网络231中,识述第二特征图像数据中具有显著性的第三区域;
在第三长短期记忆网络232中,将具有第三区域的第二特征图像数据映射为第三中间图像数据;
在第三卷积神经网络233中,将第三中间图像数据映射为第三特征图像数据。
S4024、在所述第二解码网络中、根据显著性对所述第三特征图像数据与所述第二特征图像数据进行解码,以获得第四特征图像数据。
在具体实现中,如图2所示,第二解码网络240包括第四显著性网络241、第四长短期记忆网络242、第四卷积神经网络243。
在第四显著性网络241中,识别第三特征图像数据中具有显著性的第四区域;
在第四长短期记忆网络242中,将具有第四区域的第三特征图像数据与所述第二特征图像数据映射为第四中间图像数据;
在第四卷积神经网络243中,将第四中间图像数据映射为第五特征图像数据。
S4025、在所述第三解码网络中、根据显著性对所述第四特征图像数据与所述第一特征图像数据进行解码,以获得目标图像数据。
在具体实现中,如图2所示,第三解码网络250包括第五显著性网络251、第五长短期记忆网络252、第五卷积神经网络253。
在第五显著性网络251中,识别第四特征图像数据中具有显著性的第五区域;
在第五长短期记忆网络252中,将具有第五区域的第四特征图像数据与所述第一特征图像数据映射为第五中间图像数据;
在第五卷积神经网络253中,将第五中间图像数据映射为目标图像数据。
在本发明实施例中,由于重构网络与实施例一的应用基本相似,所以描述的比较简单,相关之处参见实施例一的部分说明即可,本发明实施例在此不加以详述。
S404、确定分类模型。
其中,分类模型为适于分类的多级神经网络。
S405、将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态。
在本实施例中,将目标图像数据输入分类模型中,分类模型按照自身逻辑进行处理,输出目标变压器所处的运行状态。
在一个示例中,如图3所示,分类模型包括多个级联的目标长短期记忆网络301、多个级联的卷积神经网络302、多个级联的全连接层303。
此时,可将目标图像数据依次输入多个级联的目标长短期记忆网络301、多个级联的卷积神经网络302、多个级联的全连接层303中进行处理,从而识别目标变压器所处的运行状态,其中,运行状态包括正常、异常或故障。
需要说明的是,故障包含具体的类型,例如,变压器漏渗油、接头过热、铁芯多点接地、变压器受潮,等等。
在本实施例中,获取面向目标变压器采集的原始图像数据,确定重构模型,重构模型为适于根据显著性进行重构的U型神经网络,将原始图像数据输入重构模型中、通过编码与解码重构为目标图像数据,以使目标变压器中有显著性的区域的细节多于无显著性的区域的细节,确定分类模型,分类模型为适于分类的多级神经网络,将目标图像数据输入分类模型中进行处理,从而识别目标变压器所处的运行状态,通过U型神经网络将原始图像数据重构为目标图像数据,可以减少背景的干扰,将注意力集中在目标变压器本身,尤其为具有显著性的区域、更加集中在容易发生故障的区域,从而提高运行状态的精确度,并且,本实施例可以监测变压器在运行过程中的状态,尽可能在故障发生前发现异常、介入维修,从而提高实用性。
实施例三
图5为本发明实施例三提供的一种变压器的运行状态检测装置的结构示意图,该装置具体可以包括如下模块:
原始图像数据获取模块501,用于获取面向目标变压器采集的原始图像数据;
重构模型确定模块502,用于确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;
目标图像数据重构模块503,用于将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;
分类模型确定模块504,用于确定分类模型,所述分类模型为适于分类的多级神经网络;
运行状态识别模块505,用于将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态。
在本发明的一个实施例中,所述重构模型包括第一编码网络、第二编码网络、第一解码网络、第二解码网络、第三解码网络;
所述目标图像数据重构模块503包括:
第一编码子模块,用于在所述第一编码网络中、根据显著性对所述原始图像数据进行编码,以获得第一特征图像数据;
第二编码子模块,用于在所述第二编码网络中、根据显著性对所述第一特征图像数据进行编码,以获得第二特征图像数据;
第一解码子模块,用于在所述第一解码网络中、根据显著性对所述第二特征图像数据进行解码,以获得第三特征图像数据;
第二解码子模块,用于在所述第二解码网络中、根据显著性对所述第三特征图像数据与所述第二特征图像数据进行解码,以获得第四特征图像数据;
第三解码子模块,用于在所述第三解码网络中、根据显著性对所述第四特征图像数据与所述第一特征图像数据进行解码,以获得目标图像数据。
在本发明的一个实施例中,所述第一编码网络包括第一显著性网络、第一长短期记忆网络、第一卷积神经网络;所述第一编码子模块包括:
第一区域识别单元,用于在所述第一显著性网络中,识别所述原始图像数据中具有显著性的第一区域;
第一中间图像数据映射单元,用于在所述第一长短期记忆网络中,将具有所述第一区域的原始图像数据映射为第一中间图像数据;
第一特征图像数据映射单元,用于在所述第一卷积神经网络中,将所述第一中间图像数据映射为第一特征图像数据。
在本发明的一个实施例中,所述第二编码网络包括第二显著性网络、第二长短期记忆网络、第二卷积神经网络;所述第二编码子模块包括:
第二区域识别单元,用于第一编码子模块,用于在所述第二显著性网络中,识别所述第一特征图像数据中具有显著性的第二区域;
第二中间图像数据映射单元,用于在所述第二长短期记忆网络中,将具有所述第二区域的第一特征图像数据映射为第二中间图像数据;
第二特征图像数据映射单元,用于在所述第二卷积神经网络中,将所述第二中间图像数据映射为第二特征图像数据。
在本发明的一个实施例中,所述第一解码网络包括第三显著性网络、第三长短期记忆网络、第三卷积神经网络;所述第一解码子模块包括:
第三区域识别单元,用于在所述第三显著性网络中,识别所述第二特征图像数据中具有显著性的第三区域;
第三中间图像数据映射单元,用于在所述第三长短期记忆网络中,将具有所述第三区域的第二特征图像数据映射为第三中间图像数据;
第三特征图像数据映射单元,用于在所述第三卷积神经网络中,将所述第三中间图像数据映射为第三特征图像数据。
在本发明的一个实施例中,所述第二解码网络包括第四显著性网络、第四长短期记忆网络、第四卷积神经网络;所述第二解码子模块包括:
第四区域识别单元,用于在所述第四显著性网络中,识别所述第三特征图像数据中具有显著性的第四区域;
第四中间图像数据映射单元,用于在所述第四长短期记忆网络中,将具有所述第四区域的第三特征图像数据与所述第二特征图像数据映射为第四中间图像数据;
第四特征图像数据映射单元,用于在所述第四卷积神经网络中,将所述第四中间图像数据映射为第五特征图像数据;
在本发明的一个实施例中,所述第三解码网络包括第五显著性网络、第五长短期记忆网络、第五卷积神经网络;所述第三解码子模块包括:
第五区域识别单元,用于在所述第五显著性网络中,识别所述第四特征图像数据中具有显著性的第五区域;
第五中间图像数据映射单元,用于在所述第五长短期记忆网络中,将具有所述第五区域的第四特征图像数据与所述第一特征图像数据映射为第五中间图像数据;
第五中间图像数据映射单元,用于在所述第五卷积神经网络中,将所述第五中间图像数据映射为目标图像数据。
在本发明的一个实施例中,所述分类模型确定模块504包括:
第一样本图像数据获取子模块,用于获取面向样本变压器采集的第一样本图像数据,所述第一样本图像数据标记有运行状态;
特征轴确定子模块,用于确定变压器沿时间变化的特征轴;
第二样本图像数据获取子模块,用于在所述第一样本图像数据中,沿所述时间轴对所述样本变压器进行正向和/或负向的调整,从而获得第二样本图像数据;
运行状态标记子模块,用于基于所述样本变压器对所述第二样本图像标记运行状态,其中,所述第一样本图像数据的运行状态与所述第二样本图像数据的运行状态相同或相邻;
第三样本图像数据选定子模块,用于选定属于同一所述样本变压器的第一样本图像数据、第二样本图像数据,作为第三样本图像数据;
第四样本图像数据重构子模块,用于将所述第三样本图像数据输入预设的重构模型中、通过编码与解码重构为第四样本图像数据,以使所述样本变压器中有显著性的区域的细节多于无显著性的区域的细节;
排序训练子模块,用于以所述第四样本图像数据作为样本、所述运行状态作为分类的目标,按照列表排序的方式训练分类模型。
在本发明的一个实施例中,所述特征轴确定子模块包括:
生成器确定单元,用于确定适于生成变压器的生成式对抗网络,作为生成器;
特征提取器确定单元,用于确定适于提取变压器的特征的特征提取器;
向量生成单元,用于生成随机的向量,将所述向量传输到所述生成器中生成包含变压器的候选图像数据;
候选特征生成单元,用于使用所述特征提取器为所述候选图像数据生成候选特征;
回归任务执行单元,用于使用广义线性模型执行所述向量和所述候选特征之间的回归任务,以获得回归斜率、作为变压器沿时间变化的特征轴。
在本发明的一个实施例中,所述排序训练子模块包括:
第一权重配置单元,用于若所述第四样本图像数据重构自所述第一样本图像数据,则对所述第四样本图像数据配置第一权重;
第二权重配置单元,用于若所述第四样本图像数据重构自所述第二样本图像数据,则对所述第四样本图像数据配置第二权重;其中,所述第二权重小于所述第一权重,并且,所述第二权重与调整的幅度负相关;
权重训练单元,用于以配置所述第一权重或所述第二权重的第四样本图像数据作为样本、所述运行状态作为分类的目标,按照列表排序的方式训练分类模型。
在本发明的一个实施例中,所述分类模型包括多个级联的目标长短期记忆网络、多个级联的卷积神经网络、多个级联的全连接层;
所述运行状态识别模块505包括:
级联处理子模块,用于将所述目标图像数据依次输入多个级联的所述目标长短期记忆网络、多个级联的所述卷积神经网络、多个级联的所述全连接层中进行处理,从而识别所述目标变压器所处的运行状态,其中,所述运行状态包括正常、异常或故障。
本发明实施例所提供的变压器的运行状态检测装置可执行本发明任意实施例所提供的变压器的运行状态检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种计算机设备的结构示意图。如图6所示,该计算机设备包括处理器600、存储器601、通信模块602、输入装置603和输出装置604;计算机设备中处理器600的数量可以是一个或多个,图6中以一个处理器600为例;计算机设备中的处理器600、存储器601、通信模块602、输入装置603和输出装置604可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器601作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本实施例中的变压器的运行状态检测方法对应的模块(例如,如图5所示的变压器的原始图像数据获取模块501、重构模型确定模块502、目标图像数据重构模块503、分类模型确定模块504和运行状态识别模块505)。处理器600通过运行存储在存储器601中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的变压器的运行状态检测方法。
存储器601可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器601可进一步包括相对于处理器600远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块602,用于与显示屏建立连接,并实现与显示屏的数据交互。
输入装置603可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。
输出装置604可以包括扬声器等音频设备。
需要说明的是,输入装置603和输出装置604的具体组成可以根据实际情况设定。
处理器600通过运行存储在存储器601中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的电子白板的连接节点控制方法。
本实施例提供的计算机设备,可执行本发明任一实施例提供的变压器的运行状态检测方法,具体相应的功能和有益效果。
实施例五
本发明实施例五还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一种变压器的运行状态检测方法,该方法包括:
获取面向目标变压器采集的原始图像数据;
确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;
将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;
确定分类模型,所述分类模型为适于分类的多级神经网络;
将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的变压器的运行状态检测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述变压器的运行状态检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种变压器的运行状态检测方法,其特征在于,包括:
获取面向目标变压器采集的原始图像数据;
确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;
将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;
确定分类模型,所述分类模型为适于分类的多级神经网络;
将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态;
所述重构模型包括第一编码网络、第二编码网络、第一解码网络、第二解码网络、第三解码网络;
所述将所述原始图像数据输入所述重构模型中、通过编码与解码重构为所述目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节,包括:
在所述第一编码网络中、根据显著性对所述原始图像数据进行编码,以获得第一特征图像数据;
在所述第二编码网络中、根据显著性对所述第一特征图像数据进行编码,以获得第二特征图像数据;
在所述第一解码网络中、根据显著性对所述第二特征图像数据进行解码,以获得第三特征图像数据;
在所述第二解码网络中、根据显著性对所述第三特征图像数据与所述第二特征图像数据进行解码,以获得第四特征图像数据;
在所述第三解码网络中、根据显著性对所述第四特征图像数据与所述第一特征图像数据进行解码,以获得所述目标图像数据。
2.根据权利要求1所述的方法,其特征在于,
所述第一编码网络包括第一显著性网络、第一长短期记忆网络、第一卷积神经网络;所述在所述第一编码网络中、根据显著性对所述原始图像数据进行编码,以获得第一特征图像数据,包括:
在所述第一显著性网络中,识别所述原始图像数据中具有显著性的第一区域;
在所述第一长短期记忆网络中,将具有所述第一区域的原始图像数据映射为第一中间图像数据;
在所述第一卷积神经网络中,将所述第一中间图像数据映射为第一特征图像数据;
所述第二编码网络包括第二显著性网络、第二长短期记忆网络、第二卷积神经网络;所述在所述第二编码网络中、根据显著性对所述第一特征图像数据进行编码,以获得第二特征图像数据,包括:
在所述第二显著性网络中,识别所述第一特征图像数据中具有显著性的第二区域;
在所述第二长短期记忆网络中,将具有所述第二区域的第一特征图像数据映射为第二中间图像数据;
在所述第二卷积神经网络中,将所述第二中间图像数据映射为第二特征图像数据;
所述第一解码网络包括第三显著性网络、第三长短期记忆网络、第三卷积神经网络;所述在所述第一解码网络中、根据显著性对所述第二特征图像数据进行解码,以获得第三特征图像数据,包括:
在所述第三显著性网络中,识别所述第二特征图像数据中具有显著性的第三区域;
在所述第三长短期记忆网络中,将具有所述第三区域的第二特征图像数据映射为第三中间图像数据;
在所述第三卷积神经网络中,将所述第三中间图像数据映射为第三特征图像数据;
所述第二解码网络包括第四显著性网络、第四长短期记忆网络、第四卷积神经网络;所述在所述第二解码网络中、根据显著性对所述第三特征图像数据与所述第二特征图像数据进行解码,以获得第四特征图像数据,包括:
在所述第四显著性网络中,识别所述第三特征图像数据中具有显著性的第四区域;
在所述第四长短期记忆网络中,将具有所述第四区域的第三特征图像数据与所述第二特征图像数据映射为第四中间图像数据;
在所述第四卷积神经网络中,将所述第四中间图像数据映射为第五特征图像数据;
所述第三解码网络包括第五显著性网络、第五长短期记忆网络、第五卷积神经网络;所述在所述第三解码网络中、根据显著性对所述第四特征图像数据与所述第一特征图像数据进行解码,以获得目标图像数据,包括:
在所述第五显著性网络中,识别所述第四特征图像数据中具有显著性的第五区域;
在所述第五长短期记忆网络中,将具有所述第五区域的第四特征图像数据与所述第一特征图像数据映射为第五中间图像数据;
在所述第五卷积神经网络中,将所述第五中间图像数据映射为目标图像数据。
3.根据权利要求1所述的方法,其特征在于,所述确定分类模型,包括:
获取面向样本变压器采集的第一样本图像数据,所述第一样本图像数据标记有运行状态;
确定变压器沿时间变化的特征轴;
在所述第一样本图像数据中,沿所述特征轴对所述样本变压器进行正向和/或负向的调整,从而获得第二样本图像数据;
基于所述样本变压器对所述第二样本图像标记运行状态,其中,所述第一样本图像数据的运行状态与所述第二样本图像数据的运行状态相同或相邻;
选定属于同一所述样本变压器的第一样本图像数据、第二样本图像数据,作为第三样本图像数据;
将所述第三样本图像数据输入预设的重构模型中、通过编码与解码重构为第四样本图像数据,以使所述样本变压器中有显著性的区域的细节多于无显著性的区域的细节;
以所述第四样本图像数据作为样本、所述运行状态作为分类的目标,按照列表排序的方式训练分类模型。
4.根据权利要求3所述的方法,其特征在于,所述确定变压器沿时间变化的特征轴,包括:
确定适于生成变压器的生成式对抗网络,作为生成器;
确定适于提取变压器的特征的特征提取器;
生成随机的向量,将所述向量传输到所述生成器中生成包含变压器的候选图像数据;
使用所述特征提取器为所述候选图像数据生成候选特征;
使用广义线性模型执行所述向量和所述候选特征之间的回归任务,以获得回归斜率、作为变压器沿时间变化的特征轴。
5.根据权利要求3所述的方法,其特征在于,所述以所述第四样本图像数据作为样本、所述运行状态作为分类的目标,按照列表排序的方式训练分类模型,包括:
若所述第四样本图像数据重构自所述第一样本图像数据,则对所述第四样本图像数据配置第一权重;
若所述第四样本图像数据重构自所述第二样本图像数据,则对所述第四样本图像数据配置第二权重;其中,所述第二权重小于所述第一权重,并且,所述第二权重与调整的幅度负相关;
以配置所述第一权重或所述第二权重的第四样本图像数据作为样本、所述运行状态作为分类的目标,按照列表排序的方式训练分类模型。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述分类模型包括多个级联的目标长短期记忆网络、多个级联的卷积神经网络、多个级联的全连接层;
所述将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态,包括:
将所述目标图像数据依次输入多个级联的所述目标长短期记忆网络、多个级联的所述卷积神经网络、多个级联的所述全连接层中进行处理,从而识别所述目标变压器所处的运行状态,其中,所述运行状态包括正常、异常或故障。
7.一种变压器的运行状态检测装置,其特征在于,包括:
原始图像数据获取模块,用于获取面向目标变压器采集的原始图像数据;
重构模型确定模块,用于确定重构模型,所述重构模型为适于根据显著性进行重构的U型神经网络;
目标图像数据重构模块,用于将所述原始图像数据输入所述重构模型中、通过编码与解码重构为目标图像数据,以使所述目标变压器中有显著性的区域的细节多于无显著性的区域的细节;
分类模型确定模块,用于确定分类模型,所述分类模型为适于分类的多级神经网络;
运行状态识别模块,用于将所述目标图像数据输入所述分类模型中进行处理,从而识别所述目标变压器所处的运行状态;
所述目标图像数据重构模块包括:
第一编码子模块,用于在第一编码网络中、根据显著性对所述原始图像数据进行编码,以获得第一特征图像数据;
第二编码子模块,用于在第二编码网络中、根据显著性对所述第一特征图像数据进行编码,以获得第二特征图像数据;
第一解码子模块,用于在第一解码网络中、根据显著性对所述第二特征图像数据进行解码,以获得第三特征图像数据;
第二解码子模块,用于在第二解码网络中、根据显著性对所述第三特征图像数据与所述第二特征图像数据进行解码,以获得第四特征图像数据;
第三解码子模块,用于在第三解码网络中、根据显著性对所述第四特征图像数据与所述第一特征图像数据进行解码,以获得所述目标图像数据。
8.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的变压器的运行状态检测方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一所述的变压器的运行状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320551.1A CN111524118B (zh) | 2020-04-22 | 2020-04-22 | 变压器的运行状态检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320551.1A CN111524118B (zh) | 2020-04-22 | 2020-04-22 | 变压器的运行状态检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524118A CN111524118A (zh) | 2020-08-11 |
CN111524118B true CN111524118B (zh) | 2021-06-29 |
Family
ID=71904438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320551.1A Active CN111524118B (zh) | 2020-04-22 | 2020-04-22 | 变压器的运行状态检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524118B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929548B (zh) * | 2020-08-13 | 2021-09-21 | 广东电网有限责任公司 | 放电和干扰信号样本生成方法、计算机设备和存储介质 |
CN112383698B (zh) * | 2020-10-09 | 2022-05-06 | 西安星闪世图科技有限公司 | 一种变压器台区终端智能监控系统 |
CN112508137B (zh) * | 2021-02-09 | 2021-07-06 | 南方电网数字电网研究院有限公司 | 变压器异常检测方法、装置、计算机设备和存储介质 |
CN115062721B (zh) * | 2022-07-01 | 2023-10-31 | 中国电信股份有限公司 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
CN117630758B (zh) * | 2024-01-24 | 2024-05-03 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543815A (zh) * | 2019-07-22 | 2019-12-06 | 平安科技(深圳)有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
CN110853053A (zh) * | 2019-10-25 | 2020-02-28 | 天津大学 | 一种以多候选对象为语义知识的显著对象检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11604956B2 (en) * | 2017-10-27 | 2023-03-14 | Salesforce.Com, Inc. | Sequence-to-sequence prediction using a neural network model |
CN109583499B (zh) * | 2018-11-30 | 2021-04-16 | 河海大学常州校区 | 一种基于无监督sdae网络的输电线路背景目标分类系统 |
CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
-
2020
- 2020-04-22 CN CN202010320551.1A patent/CN111524118B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543815A (zh) * | 2019-07-22 | 2019-12-06 | 平安科技(深圳)有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
CN110853053A (zh) * | 2019-10-25 | 2020-02-28 | 天津大学 | 一种以多候选对象为语义知识的显著对象检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111524118A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524118B (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN111650922A (zh) | 一种智能家居异常检测方法和装置 | |
Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN114550223A (zh) | 人物交互检测方法、装置及电子设备 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN116909788A (zh) | 一种任务导向和视角不变的多模态故障诊断方法及系统 | |
CN115729796A (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
CN116310551A (zh) | 多模态信息融合网络的电力变压器故障诊断方法及系统 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
Harvey et al. | Attention for inference compilation | |
Hou et al. | A Federated Learning‐Based Fault Detection Algorithm for Power Terminals | |
US20190279012A1 (en) | Methods, systems, apparatuses and devices for facilitating inspection of industrial infrastructure by one or more industry experts | |
CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN115758273A (zh) | 一种时序数据异常检测方法、装置、设备及介质 | |
Gao et al. | Fault prediction in electric power communication network based on improved DenseNet | |
Gao et al. | Twins Transformer: Rolling Bearing Fault Diagnosis based on Cross-attention Fusion of Time and Frequency Domain Features | |
CN113392739B (zh) | 滚动轴承状态的监测方法、装置、设备及存储介质 | |
EP4231198A1 (en) | Method of generating a signal processing logic, device for controlling, monitoring, and/or analyzing a physical asset, and electric power system | |
US20240202325A1 (en) | System and Method for Explainable Anomaly Detection | |
CN118316197A (zh) | 一种用于电力系统信号监测的自动控制系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |