CN111929542B - 一种电力设备诊断方法及系统 - Google Patents

Abstract

本发明公开了一种电力设备诊断方法及系统，通过将超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息；本发明基于多种不同类型的图像对设备故障进行定位，根据多种不同类型的图像，采用卷积神经网络生成电力设备的诊断信息，提高了故障定位的准确率，解决了现有超声波局部放电检测仪仅依靠超声波信号作为卷积神经网络的输入，导致在进行故障定位时准确率不高的问题。

Description

一种电力设备诊断方法及系统

技术领域

本发明涉及配电设备检修技术领域，特别是涉及一种电力设备诊断方法及系统。

背景技术

配电线路巡视工作是配电专业日常运维管理的重要工作。我国配电线路以架空方式为主，在线路运行过程中，如高压电气设备长期存在局部放电，会加速设备老化，最终导致故障发生。架空线路设备发生局部放电时仅凭巡视人员肉眼与耳朵很难发现，特别是一些轻微的局部放电。随着我国电力企业对生产运维精益化要求不断提高，新设备、新材料的持续增长以及配网设备整体规模数量的急剧增加，导致现场检修、日常运行维护工作剧增，生产结构性缺员与供电可靠性要求的矛盾日益突出。传统的通过外观检查、手工记录开展配电线路日常巡视检查的工作方式，无法对设备状态机潜伏性故障有效掌握，特别是当前我国对输配电设备施行定期检修等方式，针对性不强。传统检测无法掌握设备的潜伏性故障，对设备状态难以真实有效地进行评价，以致检修策略缺乏针对性，可能导致设备“失修”、“过修”的问题频频出现。传统的计划检修和例行试验需要对线路进行停电，客观上降低了供电可靠性指标，也可能因检修周期过长的影响无法及时掌控设备状态。

高压电力设备内部存在绝缘缺陷时，会导致局部放电的产生。局部放电所激发出的超声波信号由局部放电源沿着绝缘介质和金属件传导到电力设备外壳，并通过介质和缝隙向周围空气传播。在电力设备外壳或设备附近安装超声波传感器，耦合该超声波信号，可以判断电力设备的局部放电情况，进而间接地反映设备的绝缘状况。

局部放电超声波检测法具有较宽的检测频带，通常在20～200kHz。超声波法是一种非侵入式的检测方法，检测系统与高压回路之间没有电气联系，因此超声波法可以从原理上避免电磁信号的影响，具有良好的抗干扰能力和较高的灵敏度。此外，局部放电超声波检测可以在不影响设备运行的情况下进行，并能够实现局部放电源的定位。

超声波检测方法在金属探伤等领域已经得到了广泛而成熟的应用。近年来，逐步应用于电力设备局部放电检测，并作为状态检修的重要手段，在架空配电线路、电力变压器、电抗器、GIS、电力电缆、开关柜等电力设备的局部放电检测中发挥了重要作用。

使用高灵敏度超声波局部放电检测仪，对配网线路局部放电情况进行定期巡查式的检测，对于运维人员提前发现设备缺陷和危及线路安全的隐患，及时掌握线路设备运行工况，采取有针对性的治理措施，有效减少线路停电检修次数，确保配电线路安全稳定运行，有力促进配网供电可靠性指标的快速提升。

目前的超声波局部放电检测仪仍有不足的地方：

(1)无法对故障和缺陷进行定性。无法识别出导线电晕类异常，无法精确定位缺陷的设备、缺陷的位置，使得后续的消缺工作具有盲目性，不利于进一步减少检修的停电次数，限制了设备的使用范围。

(2)检测信息来源单一导致对设备智能诊断的准确度不高。目前的超声波局部放电诊断只是基于超声波本身，没有结合其他信息进行综合诊断。由于超声波信号会受到设备现场的复杂信号影响，导致获得的检测信号所蕴含的信息不足以在后面进行充分完整的智能判断。而且超声波信息只包含设备的声纹，只能反应设备老化导致局部放电后的声发射物理特性，而其他信息比如，可见光相机拍摄到设备的闪光、老化的色彩与红外相机拍摄到的红外成像图谱也会蕴含丰富的具有高识别度的缺陷模式。将它们结合起来进行深度学习会大幅提高诊断的准确率。

发明内容

本发明的目的是提供一种电力设备诊断方法及系统，以解决现有超声波局部放电检测仪仅基于超声波一种信息源，在进行故障定位时准确率不高的问题。

为实现上述目的，本发明提供了如下方案：

一种电力设备诊断方法，包括：

获取电力线路的超声波信号、可见光图像以及红外热成像；

根据所述超声波信号生成超声波频谱图片；

将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息；所述诊断信息包括电力设备的缺陷分类、电力设备的故障类型以及电力设备的剩余寿命。

可选的，所述根据所述超声波信号生成超声波频谱图片，具体包括：

根据所述超声波信号得到超声波信号的时域信号x(t)；

采用公式

得到超声波信号的变换矩阵X_a，b；其中t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子；

根据所述变换矩阵X_a，b生成所述超声波频谱图片。

可选的，所述将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，之前还包括：

对所述可见光图像进行图像增强；

对所述红外热成像进行动态范围压缩。

可选的，所述将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，具体包括：

将所述超声波频谱图片、所述可见光图像以及所述红外热成像进行叠加，生成叠加特征图；所述叠加特征图的图像通道包括所述可见光图像的红色通道、所述可见光图像的绿色通道、所述可见光图像的蓝色通道、所述红外热成像的灰度图谱和所述超声波频谱图片；

将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息。

可选的，所述将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息，具体包括：

所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

所述叠加特征图依次经第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层生成电力设备的故障类型；

根据所述电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

一种电力设备诊断系统，包括：

图像获取模块，用于获取电力线路的超声波信号、可见光图像以及红外热成像；

超声波频谱图片生成模块，用于根据所述超声波信号生成超声波频谱图片；

电力设备诊断信息生成模块，用于将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息；所述诊断信息包括电力设备的缺陷分类、电力设备的故障类型以及电力设备的剩余寿命。

可选的，所述超声波频谱图片生成模块，具体包括：

时域信号生成单元，用于根据所述超声波信号得到超声波信号的时域信号x(t)；

变换矩阵生成单元，用于采用公式

得到超声波信号的变换矩阵X_a，b，其中t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子；

超声波频谱图片生成单元，用于根据所述变换矩阵X_a，b生成所述超声波频谱图片。

可选的，所述将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，之前还包括：

图像增强模块，用于对所述可见光图像进行图像增强；动态范围压缩模块，用于对所述红外热成像进行动态范围压缩。

可选的，所述电力设备诊断信息生成模块，具体包括：

图像叠加单元，用于将所述超声波频谱图片、所述可见光图像以及所述红外热成像进行叠加，生成叠加特征图；所述叠加特征图的图像通道包括所述可见光图像的红色通道、所述可见光图像的绿色通道、所述可见光图像的蓝色通道、所述红外热成像的灰度图谱和所述超声波频谱图片；

电力设备诊断信息确定单元，用于将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息。

可选的，所述电力设备诊断信息确定单元，具体包括：

所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

电力设备故障类型确定子单元，用于将所述叠加特征图依次经第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层生成电力设备的故障类型；

电力设备诊断信息确定子单元，根据所述电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

本发明相对于现有技术取得了以下技术效果：

本发明公开了一种电力设备诊断方法及系统，通过将超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息；本发明基于多种不同类型的图像对设备故障进行定位，根据多种不同类型的图像，采用卷积神经网络生成电力设备的诊断信息，提高了故障分析的准确率，解决了现有超声波局部放电检测仪仅依靠超声波信号作为卷积神经网络的输入，导致在进行故障定位和分析时准确率不高的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的电力设备诊断方法流程图；

图2为本发明提供的电力设备诊断方法原理图；

图3为本发明提供的超声波信号与超声波频谱图片对比图，其中图3a为超声波信号曲线图，其横坐标表示时间，纵坐标表示幅度，图3b为超声波频谱图片，其横坐标表示时间，纵坐标表示频率；

图4为本发明提供的卷积神经网络示意图；

图5为本发明提供的电力设备诊断方法系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种电力设备诊断方法及系统，以解决现有超声波局部放电检测仪仅基于超声波一种信息源，在进行故障分析时准确率不高的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的电力设备诊断方法流程图。图2为本发明提供的电力设备诊断方法原理图。如图1、2所示，一种电力设备诊断方法，包括：

步骤1：获取电力线路的超声波信号、可见光图像以及红外热成像；在实际应用中，检测电力设备采用三种传感器分别为：超声波传感器、可见光图像传感器以及红外成像仪；

对所述可见光图像进行图像增强；

对所述红外热成像进行动态范围压缩；

步骤2:根据所述超声波信号生成超声波频谱图片；所述根据所述超声波信号生成超声波频谱图片，具体包括：

根据所述超声波信号得到超声波信号的时域信号x(t)；

采用公式

得到超声波信号的变换矩阵X_a，b；其中t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子；

根据所述变换矩阵X_a，b生成所述超声波频谱图片，如图3中所示的图3b。

在实际应用中，采用超声波检测仪通过超声波传感器采集声学信号(模拟信号)，将模拟信号转换成一组数字序列s(t)，该序列经过预处理后得到时域信号x(t)，将该信号经小波变换进行处理，得到一个矩阵X_a，b。

小波变换公式

其中x(t)为超声波信号经过传感器和基本滤波得到的时域信号，作为输入，t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子。小波母函数通过a，b两个参数的变化来调节不同时间长度下的频率敏感程度，可以得到适合特定场景时域信号的变换结果。小波变换输出值为矩阵X_a，b，将该矩阵归一化后，每一个点的值乘以256X_a，b-1即可作为图像的灰度。使用小波变换可以将超声波的时域信号转换为频域信号，相对于傅立叶变换，这个频域信号包含了信号的时变信息。

步骤3：将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息；所述诊断信息包括电力设备的缺陷分类、电力设备的故障类型以及电力设备的剩余寿命；

具体的，将所述超声波频谱图片、所述可见光图像以及所述红外热成像进行叠加，生成叠加特征图；所述叠加特征图的图像通道包括所述可见光图像的红色通道、所述可见光图像的绿色通道、所述可见光图像的蓝色通道、所述红外热成像的灰度图谱和所述超声波频谱图片；

在实际应用中，叠加方法为先将所述超声波频谱图片、所述可见光图像以及所述红外热成像规范为统一尺寸，将可见光的三种颜色(RGB)作为图像的三个通道，红外热成像的灰度图谱作为第四个通道，超声波频谱图片作为第五个通道。

图4为本发明提供的卷积神经网络示意图。如图4所示，所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

所述叠加特征图依次经第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层生成电力设备的故障类型；

根据所述电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

在实际应用中，系统的深度学习结构使用了包括卷积神经元网络结构(CNN,convolutional neural network)和全连接神经元网络的层次结构。其中主干卷积神经元网络为4层，全连接网络为2层。

CNN采用了4层结构：第一卷积层->maxPool层1(第一池化层)->第二卷积层->max-pool层2(第二池化层)，其输入为叠加特征图(3维数组)：图片宽像素值*图片高像素值*5通道，经主干卷积神经元网络为4层后输出为长度为256的向量。

长度为256的向量经第一全连接层和第二全连接层后，输出长度为预设设备故障类型总数的向量，代表模型预测缺陷属于哪一类的置信度，取最大的置信度为预测的设备故障类型；根据电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

图5为本发明提供的电力设备诊断方法系统示意图。如图5所示，一种电力设备诊断系统，包括：

图像获取模块101，用于获取电力线路的超声波信号、可见光图像以及红外热成像；

超声波频谱图片生成模块102，用于根据所述超声波信号生成超声波频谱图片；

电力设备诊断信息生成模块103，用于将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息；所述诊断信息包括电力设备的缺陷分类、电力设备的故障类型以及电力设备的剩余寿命。

所述超声波频谱图片生成模块102，具体包括：

时域信号生成单元，用于根据所述超声波信号得到超声波信号的时域信号x(t)；

变换矩阵生成单元，用于采用公式

得到超声波信号的变换矩阵X_a，b，其中t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子；

超声波频谱图片生成单元，用于根据所述变换矩阵X_a，b生成所述超声波频谱图片。

所述将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，之前还包括：

图像增强模块，用于对所述可见光图像进行图像增强；动态范围压缩模块，用于对所述红外热成像进行动态范围压缩。

所述电力设备诊断信息生成模块103，具体包括：

图像叠加单元，用于将所述超声波频谱图片、所述可见光图像以及所述红外热成像进行叠加，生成叠加特征图；所述叠加特征图的图像通道包括所述可见光图像的红色通道、所述可见光图像的绿色通道、所述可见光图像的蓝色通道、所述红外热成像的灰度图谱和所述超声波频谱图片；

电力设备诊断信息确定单元，用于将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息。

所述电力设备诊断信息确定单元，具体包括：

所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

电力设备故障类型确定子单元，用于将所述叠加特征图依次经第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层生成电力设备的故障类型；

电力设备诊断信息确定子单元，根据所述电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

本发明在进行电力线路的局部放电检测时，首先使用设备对电力线路的超声波信号、可见光图像信号以及红外热成像进行采集，其中超声波信号经过基本的信号预处理和模数转换后，使用小波变换得到功率图谱呈现为图像的形式，得到超声波信号、可见光图像以及红外热成像，将三者堆叠作为深度学习的主干神经元网络结构的输入特征，经过深度学习模型的计算后输出故障类型的识别结果。本发明通过将超声波信号、可见光图像与红外热成像结合作为深度学习特征输入，解决单纯超声波信号作为输入识别率较低的问题，采用小波变换图谱将超声波信号由序列信号转为图像信号，以便应用于图像的卷积神经元算法，而且也解决序列信号转为图像信号计算量大的问题，降低了整个卷积神经元网络诊断分析算法的运算量；本发明不仅可对电力电力设备的故障类型进行分类分析，也可对电力设备的缺陷分类以及电力设备的剩余寿命进行估计。

在本发明的描述中，需要说明的是，术语“第一”、“笫二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种电力设备诊断方法，其特征在于，包括：

获取电力线路的超声波信号、可见光图像以及红外热成像；

根据所述超声波信号生成超声波频谱图片；

将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，具体包括：

将所述超声波频谱图片、所述可见光图像以及所述红外热成像进行叠加，生成叠加特征图；所述叠加特征图的图像通道包括所述可见光图像的红色通道、所述可见光图像的绿色通道、所述可见光图像的蓝色通道、所述红外热成像的灰度图谱和所述超声波频谱图片；

将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息；

所述诊断信息包括电力设备的缺陷分类、电力设备的故障类型以及电力设备的剩余寿命。

2.根据权利要求1所述的电力设备诊断方法，其特征在于，所述根据所述超声波信号生成超声波频谱图片，具体包括：

根据所述超声波信号得到超声波信号的时域信号x(t)；

采用公式

得到超声波信号的变换矩阵X_a,b；其中t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子；

根据所述变换矩阵X_a,b生成所述超声波频谱图片。

3.根据权利要求1所述的电力设备诊断方法，其特征在于，所述将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，之前还包括：

对所述可见光图像进行图像增强；

对所述红外热成像进行动态范围压缩。

4.根据权利要求1所述的电力设备诊断方法，其特征在于，所述将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息，具体包括：

所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

所述叠加特征图依次经第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层生成电力设备的故障类型；

根据所述电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

5.一种电力设备诊断系统，其特征在于，包括：

图像获取模块，用于获取电力线路的超声波信号、可见光图像以及红外热成像；

超声波频谱图片生成模块，用于根据所述超声波信号生成超声波频谱图片；

电力设备诊断信息生成模块，用于将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，具体包括：

图像叠加单元，用于将所述超声波频谱图片、所述可见光图像以及所述红外热成像进行叠加，生成叠加特征图；所述叠加特征图的图像通道包括所述可见光图像的红色通道、所述可见光图像的绿色通道、所述可见光图像的蓝色通道、所述红外热成像的灰度图谱和所述超声波频谱图片；

电力设备诊断信息确定单元，用于将所述叠加特征图输入到卷积神经网络生成电力设备的诊断信息；

所述诊断信息包括电力设备的缺陷分类、电力设备的故障类型以及电力设备的剩余寿命。

6.根据权利要求5所述的电力设备诊断系统，其特征在于，所述超声波频谱图片生成模块，具体包括：

时域信号生成单元，用于根据所述超声波信号得到超声波信号的时域信号x(t)；

变换矩阵生成单元，用于采用公式

得到超声波信号的变换矩阵X_a,b，其中t为时间，ψ()为小波母函数，a为尺度因子，b为平移因子；

超声波频谱图片生成单元，用于根据所述变换矩阵X_a,b生成所述超声波频谱图片。

7.根据权利要求5所述的电力设备诊断系统，其特征在于，所述将所述超声波频谱图片、可见光图像以及红外热成像输入到卷积神经网络生成电力设备的诊断信息，之前还包括：

图像增强模块，用于对所述可见光图像进行图像增强；动态范围压缩模块，用于对所述红外热成像进行动态范围压缩。

8.根据权利要求5所述的电力设备诊断系统，其特征在于，所述电力设备诊断信息确定单元，具体包括：

所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；

电力设备故障类型确定子单元，用于将所述叠加特征图依次经第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层生成电力设备的故障类型；

电力设备诊断信息确定子单元，根据所述电力设备的故障类型确定电力设备的缺陷分类以及电力设备的剩余寿命。

Images