CN113504240A - 基于分层编码和视觉感知的电力设备故障检测方法 - Google Patents

基于分层编码和视觉感知的电力设备故障检测方法 Download PDF

Info

Publication number
CN113504240A
CN113504240A CN202110769629.2A CN202110769629A CN113504240A CN 113504240 A CN113504240 A CN 113504240A CN 202110769629 A CN202110769629 A CN 202110769629A CN 113504240 A CN113504240 A CN 113504240A
Authority
CN
China
Prior art keywords
image
data
input
visual information
representing
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.)
Granted
Application number
CN202110769629.2A
Other languages
English (en)
Other versions
CN113504240B (zh
Inventor
林超
江疆
王建永
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.)
China Southern Power Grid Digital Enterprise Technology Guangdong Co ltd
Original Assignee
Guangdong Electric Power Information Technology Co 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 Guangdong Electric Power Information Technology Co Ltd filed Critical Guangdong Electric Power Information Technology Co Ltd
Priority to CN202110769629.2A priority Critical patent/CN113504240B/zh
Publication of CN113504240A publication Critical patent/CN113504240A/zh
Application granted granted Critical
Publication of CN113504240B publication Critical patent/CN113504240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/25—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS
    • G01S19/256—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS relating to timing, e.g. time of week, code phase, timing offset
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/33—Multimode operation in different systems which transmit time stamped messages, e.g. GPS/GLONASS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于分层编码和视觉感知的电力变压器设备故障检测方法，利用前端信号采集单元采集与被检测终端设备相关的信号数据，并将采集到的数据送到后端处理单元，后端处理单元运用学习模型完成对数据的建模、分析。本发明特点在于：一是通过复合的图像(视觉)信号采集装置采集图像数据，经过专门采集单元进行预处理后，将复合信号数据传递给后端处理单元；二是后端处理单元根据输入数据建立分层编码模型，通过分层模型提取、综合数据的内在模式，并对设备的运行状态进行预测；三是信号采集方式的独特性，采用多路传感器时序耦合采集数据，建立了不同模式信号间的关系，抗干扰能力强，且有助于后续步骤中模式判别的统一。

Description

基于分层编码和视觉感知的电力设备故障检测方法
技术领域
本发明面向供电、电力行业的设备维护与检测领域应用，具体涉及一种基于分层编码和视觉感知的电力变压器设备故障检测方法。
背景技术
电力系统是国家经济命脉的支柱。随着社会生产力水平不断提高，电力用户对供电可靠性要求越来越高。与此同时，电网规模快速扩大，运营状况日益复杂，电力系统如果出现严重事故，将对国家经济造成巨大影响。变压器是电力系统中广泛使用的核心设备，其异常工作可能对电力系统造成不可预知的影响，而且由于电力系统的复杂性和关键性，即使某台设备的故障不能及时得到处置，也很可能导致局部电网瘫痪，甚至可能牵一发而动全身导致全网的大规模停电事故。因此对电力变压器设备运行状态的监测和维保是电力行业领域非常重要的一项任务。
近年来随着智能技术的飞速发展，基于人工智能信息处理技术的电力设备故障检测方法逐渐成为可能。人工智能技术检测方法的特点是无需接触被检测设备，而是依靠图像信息采集设备从外部采集设备相关的信号，然后交给后端智能处理单元，完成对信号的检测识别，当检测出有可疑的故障信息时，将对应警报上报给执行人员，由执行人员对警报做进一步响应。人工智能检测方法的最大优势在于：一是无需接触被检测设备，不会因为实施检测而对设备本身造成损伤或影响，检测过程中也不需要将相关设备停机，二是自动实施信号采集和检测，无需人工干预，可以大范围高效率的实现对大规模电网设备的检测，三是风险极低，避免了人工作业可能对施工人员带来的危险。
但目前人工智能的方式通常针对变压器内部进行图像检测，并未针对其外部接线柱与线缆之间的位置进行检测，这些位置由于暴露在外，受环境背景图像、光照条件等影响非常大，且目标相对变压器而言较小，因此准确检测识别故障的难度非常大。
发明内容
本申请描述了一种基于分层编码和视觉感知的电力变压器设备故障检测方法，该方法包括下列步骤：
基于分层编码和视觉感知的电力设备故障检测方法：
步骤1：采集复合的视觉信息数据：在不同的时间点t1,t2,…，利用可见光相机、紫外相机、红外相机同时采集目标物图像,分别形成视觉信息数据，将紫外波段图像信息称为高能图像，记为Ut，可见光波段图像信息称为稳态图像，记为Vt，红外波段图像信息称为强化图像，记为Rt；
步骤2：对视觉信息数据进行规范化：
对稳态图像Vt，假设其两个维度的尺寸分别为w1和h1，定义：
Figure BDA0003152415100000031
Figure BDA0003152415100000032
Figure BDA0003152415100000033
Vt(i,j)表示二维矩阵Vt在坐标(i,j)处的取值。μ1表示稳态图像Vt的算术均值，σ1表示稳态图像Vt的标准差。
Figure BDA0003152415100000034
根据输入数据Vt，经过式子(1)-(3)计算获得，作为后续步骤的输入。
对强化图像Rt，假设其两个维度的尺寸分别为w2和h2，定义：
Figure BDA0003152415100000035
Figure BDA0003152415100000036
Figure BDA0003152415100000037
Rt(i,j)表示二维矩阵Rt在坐标(i,j)处的取值。μ2表示强化图像Rt的算术均值，σ2表示强化图像Rt的标准差。
Figure BDA0003152415100000038
根据输入数据Rt，经过式子(4)-(6)计算获得，作为后续步骤的输入。
对高能图像Ut，假设其两个维度的尺寸分别为w3和h3，定义：
Figure BDA0003152415100000039
Figure BDA0003152415100000041
Figure BDA0003152415100000042
Ut(i,j)表示二维矩阵Ut在坐标(i,j)处的取值。μ3表示高能图像Ut的算术均值，σ3表示高能图像Ut的标准差。
Figure BDA0003152415100000043
根据输入数据Ut，经过式子(7)-(9)计算获得，作为后续步骤的输入。
上述式子(1)-(9)中，0<ρ1,ρ2,ρ3<1，且满足：ρ1+ρ2>ρ3，ρ1+ρ3>ρ2，ρ2+ρ3>ρ1。
步骤3：对
Figure BDA0003152415100000044
进一步规范，统一图像尺寸，定义：
Figure BDA0003152415100000045
Nt为在时间t时刻规范化的视觉信息数据集合，由三幅变换后的图像组成，对应于c＝1、c＝2、c＝3时，分别表示Nt的三个通道。其中，当c＝1、2或3时，表示Nt的第一个通道Nt(x,y,c)的像素(x,y)的取值分别由源图像
Figure BDA0003152415100000046
变换计算得到；
步骤4：利用不同时刻Nt作为输入，将被目标发生故障时具有提示性的数据特征，通过被采集视觉信息数据的某种特别的时序模式表达出来，生成基于多路时序事件特征Et；
步骤5：指根据步骤2所建立的事件特征Et，建立神经网络模型，对事件特征进行建模，通过事件特征进一步推断电力终端设备是否发生故障；其中神经网络模型使用的激励函数为：
Figure BDA0003152415100000051
上式中参数α的作用是使函数在x＝0点处产生一个不连续断点，有助于改善分类效果。
可以采用多相机同步曝光结合GPS/北斗时间校正的方法实现三组图像信息采集在时序上的同步性，并假设这一同步方法的时序误差期望为ε。
步骤4中定义事件特征的时间尺度为T，并且T＞＞ε。
紫外波段为200纳米-260纳米波长的光信号。
可见光波段为380纳米-560纳米波长的光信号。
红外波段为1020纳米-1220纳米波长的光信号。
一种适用于所述的电力设备故障检测的神经网络模型构建方法。
发明点及技术效果
1、针对变压器接线柱线缆特点，使用特定波段的可见光、紫外光和红外光进行多层图像采集及预处理，使得整个系统能够抵抗环境干扰，适用于不同时间、季节，且误报率非常低。
2、针对变压器接线柱线缆的背景图像复杂、环境光干扰较大、受时间等因素影响等，结合三种图像采集，专门设计了适用于该场景和三种图像的神经网络模型，能够抗干扰、提高识别准确率、环境适用性更强。
3、利用定向曝光法调整三种相机的同步性，更加简单准确，为后续信号处理及识别提供准备，保障了系统的识别准确率和模型构建的速度。
4、构建了事件特征，利用事件特征作为神经网络输入，而不是用图像数据直接进行识别，判断更加准确。
此外，本文所述一种基于分层编码和视觉感知的电力变压器设备故障检测方法，利用前端信号采集单元采集与被检测终端设备相关的信号数据，并将采集到的数据送到后端处理单元，后端处理单元运用学习模型完成对数据的建模、分析。由于本文所述信号采集装置主要采集视频和图像信号，因此称为“基于视觉感知”的检测方法。本文所述方法的主要特点在于：一是通过复合的图像(视觉)信号采集装置采集图像数据，经过专门采集单元进行预处理后，将复合信号数据传递给后端处理单元；二是后端处理单元根据输入数据建立分层编码模型，通过分层模型提取、综合数据的内在模式，并对设备的运行状态进行预测；三是信号采集方式的独特性，与现有的应用方案相比，本文所述方法采用多路传感器时序耦合采集数据，建立了不同模式信号间的关系，抗干扰能力强，且有助于后续步骤中模式判别的统一。
以上发明点并不代表本发明不存在其他改进，实施例中同样包括对于现有技术的诸多贡献。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是变压器接线柱电缆故障检测装置示意图。
图2是检测装置正视图。
具体实施方式
在现有技术中，虽然也有使用图像识别进行变压器电弧放电检测的方法，然而现有技术通常是检测变压器内部电路，由于变压器通常具有外壳，这使得检测环境相对单一，对检测算法要求不高。然而现有技术未提出如何对变压器接线柱3的线缆1进行检测。这是由于接线柱暴露在外部，且不同变压器接线柱的环境背景不同，现有识别方法难以直接使用。现有方法对环境的适应性不高，在环境周围出现近似波段的干扰时，容易产生误报；在某些特定天气环境下，现有方法也会产生较高误报率。为此提出了本发明基于分层编码和视觉感知的电力变压器设备故障检测方法，具体包含下列3个主要步骤：
1、复合的视觉信息数据采集和预处理方法；
2、基于多路时序耦合的事件特征生成方法；
3、基于分层编码的模型与电力变压器设备故障检测方法。
本领域技术人员可以理解，这三个步骤是经过申请人优化的，虽然三者可以分开使用，但结合在一起效果更佳。但这不意味着上述步骤不能用于其他方法。例如，步骤1中采集和预处理方法同样可与其他神经网络模型共同使用。只是用本文方案能够互相促进。
步骤1所述的一种复合的视觉信息数据采集和预处理方法，从视觉信息数据采集装置采集数字信号，将信号根据一定的步骤和方法进行预处理。视觉信息，是指将光学信号通过特定装置转为电信号，并通过采样、量化等手段形成的图像、视频等数字化信息。采集装置通常是指相机，根据响应的光频率不同，又包括Gamma射线相机、X光相机、紫外相机、可见光相机、红外相机、微波相机等。本文所述的复合视觉信息采集，是指对应于紫外波段、可见光波段、红外波段三个波段的视觉信息采集。并且，对于三个波段的采集波长约定如下：
紫外波段，采集200纳米-260纳米波长的光信号。紫外波段是电缆电弧放电产生能量最大的波段，也是最常用的检测方法。申请人优选了紫外波段，使得该波段能够反映出电力设备发生故障时所产生的某些便于检测的特定频率的紫外光，便于后续专门的识别模型。同时申请人发现，如果只采集这一波段，误报率较高，特别是在受到环境光或特殊场合干扰时，无法准确判断。
可见光波段，采集380纳米-560纳米波长的光信号。在环境光较低时，微光可见光是电缆电弧放电的特征信号，结合本发明的识别模型，在后续分层过程中提供有价值的空间信息，能够降低误报率。
红外波段，采集1020纳米-1220纳米波长的光信号。申请人经过大量实验，发现当电缆还未发生明显电弧放电，但已产生微小故障时，在该波段图像会有明显的特征信号。由此设计了专门了识别模型进行结合识别，准确性更高。并且申请人通过红外波段的优化和专门的识别模型，实现了系统能够全天候状态下的稳定工作。
通过采集多组特定波长范围的光信号，实现对自然界中干扰信号的分离，提升传感器采集光信号的信噪比。
如图1所示，利用采集设备2对准变压器接线柱3和接线柱连接线缆1进行采集。
步骤1.1采集复合的视觉信息数据。
视觉信息采集装置是一种时序采集装备，即在不同的时间点t1,t2,…，将传感器上的响应进行采样、量化后，形成对应的二维图像矩阵I1,I2,…，即为对应时刻的图像信息。将紫外波段图像信息称为高能图像，记为Ut，可见光波段图像信息称为稳态图像，记为Vt，红外波段图像信息称为强化图像，记为Rt，t＝1,2,…，为时间标签。可以采用多相机同步曝光结合GPS/北斗时间校正的方法实现上述三组图像信息采集在时序上的同步性，并假设这一同步方法的时序误差期望为ε。另外，在放置视觉信息采集装置时，应确保被检测目标完整位于三路装置视场之内，并且三路相机之间的相对距离远小于其与被检测目标之间的相对距离，被检测目标在三路相机视场内的像素尺寸分别不低于24x24个像素。
除了上述时间同步方法外，还可以进行同步性的检测。如图2所示，可以在采集设备2上设置三个采集相机，分别为可见光相机21、红外相机22、紫外线相机23，上述三个相机采集波段范围符合上述波段要求。例如可以在每个相机中设置滤光片，保证只有对应波长的光可被采集。曝光装置24，用于发射包含上述三个波段光谱的光。在使用时，曝光装置在T0时刻发光，三个相机分别在T1时刻接收图像，获得P1图像、P2图像、P3图像。将上述三个图像与预先标定好的P01图像、P02图像、P03图像分别进行比较，若P1图像与P01图像的图像特征比值与P2图像与P02图像的图像特征比值、P3图像与P03图像的图像特征比值两两相同，那么则认为相机采集同步性得到确认。上述图像特征为图像平均灰度值。
步骤1.2对视觉信息数据进行规范化。
对稳态图像Vt，假设其两个维度的尺寸分别为w1和h1，定义：
Figure BDA0003152415100000101
Figure BDA0003152415100000102
Figure BDA0003152415100000103
Vt(i,j)表示二维矩阵Vt在坐标(i,j)处的取值。μ1表示稳态图像Vt的算术均值，σ1表示稳态图像Vt的标准差。
Figure BDA0003152415100000104
根据输入数据Vt，经过式子(1)-(3)计算获得，作为后续步骤的输入。
对强化图像Rt，假设其两个维度的尺寸分别为w2和h2，定义：
Figure BDA0003152415100000105
Figure BDA0003152415100000106
Figure BDA0003152415100000107
Rt(i,j)表示二维矩阵Rt在坐标(i,j)处的取值。μ2表示强化图像Rt的算术均值，σ2表示强化图像Rt的标准差。
Figure BDA0003152415100000108
根据输入数据Rt，经过式子(4)-(6)计算获得，作为后续步骤的输入。
对高能图像Ut，假设其两个维度的尺寸分别为w3和h3，定义：
Figure BDA0003152415100000111
Figure BDA0003152415100000112
Figure BDA0003152415100000113
Ut(i,j)表示二维矩阵Ut在坐标(i,j)处的取值。μ3表示高能图像Ut的算术均值，σ3表示高能图像Ut的标准差。
Figure BDA0003152415100000114
根据输入数据Ut，经过式子(7)-(9)计算获得，作为后续步骤的输入。
上述式子(1)-(9)中，0<ρ1，ρ2,ρ3<1，起到线性调整三类输入数据的权重的作用，其目的是使三类输入信号的值域范围尽量接近；此外，ρ1,ρ2,ρ3的值如果存在一个极端值，容易导致某一个通道的图像在步骤3的学习过程中影响过大，因此设定ρ1,ρ2，ρ3满足三角形三边关系：ρ1+ρ2>ρ3，ρ1+ρ3>ρ2，ρ2+ρ3>ρ1。根据领域适用性，经过大量实验，优选ρ1，ρ2，ρ3分别为0.3、0.4、0.5。
进一步的，为了统一三组图像矩阵的尺寸，设目标尺寸为w和h，原始图像矩阵的尺寸为wi和hi，i＝1,2,3.已知原始图像矩阵S中任意一点(i,j)的取值，则利用如下方法计算目标矩阵D中某一个像素(x,y)的取值。令：
Figure BDA0003152415100000115
其中，符号
Figure BDA0003152415100000116
表示向下取整数，符号
Figure BDA0003152415100000117
表示向上取整数。令S11、S12、S21、S22分别表示原始图像矩阵在坐标(x1，y1)、(x1，y2)、(x2，y1)、(x2，y2)的取值。DS(x,y)为目标图像D在(x,y)的取值与原始图像S中四个坐标(x1,y1)、(x1,y2)、(x2,y1)、(x2,y2)的关系，则DS(x,y)根据下式计算：
Figure BDA0003152415100000121
通常情况下，上述式子难以得到整数，因此需要取整运算。但对于采样的特殊情况，即
Figure BDA0003152415100000122
整数的情况，约定x2＝x1+1，同样，对于
Figure BDA0003152415100000123
为整数的情况，约定y2＝y1+1。
定义：
Figure BDA0003152415100000124
Nt为在时间t时刻规范化的视觉信息数据集合，由三幅变换后的图像组成，对应于c＝1、c＝2、c＝3时，分别表示Nt的三个通道。其中，当c＝1时，表示Nt的第一个通道Nt(x,y,1)的像素(x,y)的取值由源图像
Figure BDA0003152415100000125
经过式子(11)的变换计算，当c＝2、c＝3时，源图像分别对应
Figure BDA0003152415100000126
计算方法相同。
可以理解，上述重采样是优选的一种方法，可以与本申请其他步骤相配合，效果更佳。也可以使用其他现有方法，并不影响方案整体实施。
步骤2所述的一种基于多路时序耦合的事件特征生成方法，以步骤1获得规范化视觉信息N作为输入。事件特征是指对被监测终端发生故障具有提示性的数据特征，通过被采集视觉信息数据的某种特别的空间模式或时序模式表达出来。由于原始的视觉信息数据非常庞大，将对其基于空间和时序进行事件特征的生成，有助于大幅降低数据量，提升智能算法的运算效率。
定义事件特征的时间尺度为T，并且T＞＞ε。确保事件特征不被视觉信息同步误差所影响。事件特征由两组不同时间的规范化数据生成，假设其分别为Nt和Nt+T。
定义事件特征如下：
Figure BDA0003152415100000131
其中，window表示在(x,y)坐标处附近的一个空间窗口。作为一种优选配置，取窗口window的尺寸为9x9。可见，从采集时间t≥T开始，可以获取与采集时间t相关的事件特征Et，是一个二维矩阵。事件特征Et由三路视觉信息耦合而成，取三路信息中特征值最大的一路，表示当前时刻该路信息的特征最显著。
步骤3所述的一种基于分层编码的模型与电力变压器设备故障检测方法，指根据步骤2所建立的事件特征Et，建立神经网络模型，对事件特征进行建模，通过事件特征进一步推断电力终端设备是否发生故障。
进一步地，由以下步骤组成：
步骤3.1建立神经网络的网络结构。
神经网络的基本模型由输入层、输出层和隐藏层组成，每一层包含若干个节点，称为神经元，神经元、神经元之间的连接组成了神经网络，该网络由激励函数、权重和神经元之间的连接方式所确定。
最左侧三个节点X1,X2,1为输入层节点，右侧节点y为输出层节点，h1,h2,h3为隐藏层节点，σ表示激励函数，作用是使神经网络具备非线性分类能力。神经网络的输出与输入之间的关系由下面式子定义：
Figure BDA0003152415100000141
对应于式子(14)的单层神经网络，类似的，网络模型的隐藏层可以有多个。每一层对前一层的输出进行一次再编码。w是系数。
建立一个输入层为事件特征Et的神经网络W，并且定义隐藏层如下：
S1、网络W第一个隐藏层H1定义如下。
Figure BDA0003152415100000142
H1是根据输入层数据
Figure BDA0003152415100000143
(特征事件Et的一个分量)，通过卷积窗
Figure BDA0003152415100000144
后的结果,p、q是以(i,j)为中心的二维卷积窗口的控制参数，
Figure BDA0003152415100000145
是卷积窗口对应位置的权值，b0是线性偏置参数。S1步骤中卷积窗口尺寸为15x15。
S2、网络W第二个隐藏层H2定义如下。
Figure BDA0003152415100000146
H2是根据H1层的输出，通过卷积窗
Figure BDA0003152415100000147
后的结果,p、q是以(i,j)为中心的二维卷积窗口的控制参数，
Figure BDA0003152415100000148
是卷积窗口对应位置的权值，b1是线性偏置参数。
同H1层结构类似，定义H2层的权重窗口也是一个矩形窗，尺寸为11x11。
S3、网络W第三个隐藏层H3定义如下。
Figure BDA0003152415100000149
H3是根据H2层的输出，通过卷积窗
Figure BDA00031524151000001410
后的结果,p、q是以(i,j)为中心的二维卷积窗口的控制参数，
Figure BDA00031524151000001411
是卷积窗口对应位置的权值，b2是线性偏置参数。
同H1、H2层结构类似，定义H3层的权重窗口也是一个矩形窗，尺寸为7x7。
步骤S1-S3对应于三个卷积层，其目的是捕捉输入数据三个通道的图像特征，对应的窗口尺寸数值是对应于三个通道图像特征尺寸的优选。
S4、网络W第四个隐藏层H4是形如式子(14)定义的全连接层，H4的每一个节点与H3的每一个节点之间均存在连接，且连接权重均独立。
S5、网络W第四个隐藏层H4后，以全连接形式连接输出层Y。
输出层Y表示事件发生变量，取值在[0,1]之间，含义是在时间t时对应的设备是否发生故障；当Y>0.5时，可认为发生故障，否则认为未发生故障。
神经网络的非线性单元称为激励函数σ(x)，用于使网络具有对非线性数据集分类的能力。本文中激励函数定义如下：
Figure BDA0003152415100000151
上式中参数α的作用是使函数在x＝0点处产生一个不连续断点，有助于改善分类效果。作为对经典激励函数的一种改进，当x<0时，激励函数为幂函数
Figure BDA0003152415100000153
有助于提高激励函数同时作用于三通道源数据时的适应性，不需要针对三个通道分别设置不同的激励函数就可以达到满意的学习效果。
定义神经网络训练判别的损失函数定义如下：
Figure BDA0003152415100000152
其中x是神经网络的输入，y是神经网络的输出值，a表示训练样本的真实输出，N是样本数量，在一个实施例中N＝7894。θ1、θ2为独立的控制变量，作为本发明的一组优选值，设置θ1＝0.5、θ2＝0.25。Lθ为分层控制变量。通过损失函数的分层控制变量，实现了在不同层次对事件特征的判别控制，提升了故障检测的命中率。
当然X1,X2仅作为神经网络模型结构展示的示例。在一个实施例中，Et＝[X1,X2,]，可以理解，在该示例情况下同样可以使用更多的Et分向量作为输入，即输入可以更多维度。
步骤3.2对神经网络模型进行训练。
对神经网络进行训练时，选取若干视觉信息数据，经过步骤1、步骤2建立事件特征Et，并人工标注对应的故障事件是否发生的真实值，利用现有技术中的常规方法对步骤3.1所述模型进行训练。
步骤3.3采用3.2训练得到的模型，根据输入数据对故障事件是否发生进行判定。
对神经网络训练完毕后，如果要使用步骤3.2所述模型进行事件判定，则同样根据步骤1、步骤2所述方法处理输入数据紫外波段图像Ut，可见光波段图像Vt，红外波段图像Rt，得到事件特征Et，将Et输入训练好的模型W，根据步骤3.1所述方法判断故障事件是否发生。
此外，上述方法构成了检测系统，该系统包括多个功能模块，每个模块实现上述不同方法步骤。
本文描述了一种基于分层编码和视觉感知的电力变压器设备故障检测方法，其特点在于：
1、采用智能检测方法，实现全过程无人工干预，自动输出故障事件的发生状态与发生时间，能够实现对超大规模电力设备的自动监测。
2、融合多个波段的特定波长范围的光信号，实现对自然界中干扰信号的分离，提升传感器采集光信号的信噪比；并采用专门设计的信号信息预处理模型，实现不同波段视觉信息数据的统一化，使数据来源更加广泛、可靠。本文所述方法并不对三路相机拍摄方式做非常严格的要求，特别是空间配置上不做严格要求，降低了设备安装和配置的复杂度，基本要求如步骤1.1所述。
3、采用事件特征对故障发生状态进行建模，大幅降低了输入数据的维度，同时融入时序特征，通过步骤1、步骤2设计三路数据的权重关系并控制时序拍摄周期，使得三路相机在空间上非严格同步的前提下也能够检测故障发生。
4、采用分层编码的神经网络模型，设计了专门的激励函数处理神经网络非线性分类问题，并设计了专门损失函数处理分层网络判别问题，用以提升故障检测命中率。本文所述的分层编码神经网络模型与经典算法相比，有效的提升了电力终端设备故障检测的发现率和命中率。
Figure BDA0003152415100000161

Claims (7)

1.基于分层编码和视觉感知的电力设备故障检测方法，其特征在于：
步骤1：采集复合的视觉信息数据：在不同的时间点t1,t2,…，利用可见光相机、紫外相机、红外相机同时采集目标物图像,分别形成视觉信息数据，将紫外波段图像信息称为高能图像，记为Ut，可见光波段图像信息称为稳态图像，记为Vt，红外波段图像信息称为强化图像，记为Rt；
步骤2：对视觉信息数据进行规范化：
对稳态图像Vt，假设其两个维度的尺寸分别为w1和h1，定义：
Figure FDA0003152415090000011
Figure FDA0003152415090000012
Figure FDA0003152415090000013
Vt(i,j)表示二维矩阵Vt在坐标(i,j)处的取值。μ1表示稳态图像Vt的算术均值，σ1表示稳态图像Vt的标准差。
Figure FDA0003152415090000014
根据输入数据Vt，经过式子(1)-(3)计算获得，作为后续步骤的输入。
对强化图像Rt，假设其两个维度的尺寸分别为w2和h2，定义：
Figure FDA0003152415090000015
Figure FDA0003152415090000016
Figure FDA0003152415090000021
Rt(i,j)表示二维矩阵Rt在坐标(i,j)处的取值。μ2表示强化图像Rt的算术均值，σ2表示强化图像Rt的标准差。
Figure FDA0003152415090000022
根据输入数据Rt，经过式子(4)-(6)计算获得，作为后续步骤的输入。
对高能图像Ut，假设其两个维度的尺寸分别为w3和h3，定义：
Figure FDA0003152415090000023
Figure FDA0003152415090000024
Figure FDA0003152415090000025
Ut(i,j)表示二维矩阵Ut在坐标(i,j)处的取值。μ3表示高能图像Ut的算术均值，σ3表示高能图像Ut的标准差。
Figure FDA0003152415090000026
根据输入数据Ut，经过式子(7)-(9)计算获得，作为后续步骤的输入。
上述式子(1)-(9)中，0<ρ1,ρ2,ρ3<1，且满足：ρ1+ρ2>ρ3，ρ1+ρ3>ρ2，ρ2+ρ3>ρ1。
步骤3：对
Figure FDA0003152415090000027
进一步规范，统一图像尺寸，定义：
Figure FDA0003152415090000028
Nt为在时间t时刻规范化的视觉信息数据集合，由三幅变换后的图像组成，对应于c＝1、c＝2、c＝3时，分别表示Nt的三个通道。其中，当c＝1、2或3时，表示Nt的第一个通道Nt(x,y,c)的像素(x,y)的取值分别由源图像
Figure FDA0003152415090000031
变换计算得到；
步骤4：利用不同时刻Nt作为输入，将被目标发生故障时具有提示性的数据特征，通过被采集视觉信息数据的某种特别的时序模式表达出来，生成基于多路时序事件特征Et；
步骤5：指根据步骤2所建立的事件特征Et，建立神经网络模型，对事件特征进行建模，通过事件特征进一步推断电力终端设备是否发生故障；其中神经网络模型使用的激励函数为：
Figure FDA0003152415090000032
上式中参数α的作用是使函数在x＝0点处产生一个不连续断点，有助于改善分类效果。
2.如权利要求1所述的方法，其特征在于：可以采用多相机同步曝光结合GPS/北斗时间校正的方法实现三组图像信息采集在时序上的同步性，并假设这一同步方法的时序误差期望为ε。
3.如权利要求2所述的方法，其特征在于：步骤4中定义事件特征的时间尺度为T，并且T＞＞ε。
4.如权利要求1所述的方法，其特征在于：紫外波段为200纳米-260纳米波长的光信号。
5.如权利要求1所述的方法，其特征在于：可见光波段为380纳米-560纳米波长的光信号。
6.如权利要求1所述的方法，其特征在于红外波段为1020纳米-1220纳米波长的光信号。
7.一种适用于如权利要求1-6所述的电力设备故障检测的神经网络模型构建方法。
CN202110769629.2A 2021-07-07 2021-07-07 基于分层编码和视觉感知的电力设备故障检测方法 Active CN113504240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769629.2A CN113504240B (zh) 2021-07-07 2021-07-07 基于分层编码和视觉感知的电力设备故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769629.2A CN113504240B (zh) 2021-07-07 2021-07-07 基于分层编码和视觉感知的电力设备故障检测方法

Publications (2)

Publication Number Publication Date
CN113504240A true CN113504240A (zh) 2021-10-15
CN113504240B CN113504240B (zh) 2022-06-21

Family

ID=78011571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769629.2A Active CN113504240B (zh) 2021-07-07 2021-07-07 基于分层编码和视觉感知的电力设备故障检测方法

Country Status (1)

Country Link
CN (1) CN113504240B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843184A (zh) * 2023-07-27 2023-10-03 中国公路工程咨询集团有限公司 基于神经网络的公路施工重大风险源识别方法及预警系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614981A (zh) * 2018-10-17 2019-04-12 东北大学 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
WO2019214268A1 (zh) * 2018-05-09 2019-11-14 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN112734692A (zh) * 2020-12-17 2021-04-30 安徽继远软件有限公司 一种变电设备缺陷识别方法及装置
CN112910699A (zh) * 2021-01-28 2021-06-04 山东山大世纪科技有限公司 电力物联网的智能故障检测方法及装置
CN113391166A (zh) * 2021-06-18 2021-09-14 国网吉林省电力有限公司吉林供电公司 基于超声波智能检测的便携式架空配电线路故障检测装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019214268A1 (zh) * 2018-05-09 2019-11-14 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法
CN109614981A (zh) * 2018-10-17 2019-04-12 东北大学 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN112734692A (zh) * 2020-12-17 2021-04-30 安徽继远软件有限公司 一种变电设备缺陷识别方法及装置
CN112910699A (zh) * 2021-01-28 2021-06-04 山东山大世纪科技有限公司 电力物联网的智能故障检测方法及装置
CN113391166A (zh) * 2021-06-18 2021-09-14 国网吉林省电力有限公司吉林供电公司 基于超声波智能检测的便携式架空配电线路故障检测装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843184A (zh) * 2023-07-27 2023-10-03 中国公路工程咨询集团有限公司 基于神经网络的公路施工重大风险源识别方法及预警系统
CN116843184B (zh) * 2023-07-27 2024-02-20 中国公路工程咨询集团有限公司 基于神经网络的公路施工重大风险源识别方法及预警系统

Also Published As

Publication number Publication date
CN113504240B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Davari et al. Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos
CN109308447A (zh) 在电力远程监控中自动提取设备运行参数和运行状态的方法
CN111832398B (zh) 一种无人机影像的配电线路杆塔导地线断股图像检测方法
CN111582092B (zh) 一种基于人体骨架的行人异常行为检测方法
CN110069975A (zh) 一种基于神经网络的导线开股识别方法及系统
CN112013966B (zh) 一种基于测量温度的电力设备红外图像处理方法
CN111695512B (zh) 一种无人值守文物监测方法及装置
CN110334685A (zh) 火焰检测方法、火焰检测模型训练方法、存储介质及系统
CN113504240B (zh) 基于分层编码和视觉感知的电力设备故障检测方法
CN111860457A (zh) 一种斗殴行为识别预警方法及其识别预警系统
CN114359578A (zh) 病虫害识别智能终端应用方法及系统
Cao et al. YOLO-SF: YOLO for fire segmentation detection
Zheng et al. A lightweight algorithm capable of accurately identifying forest fires from UAV remote sensing imagery
CN112488213A (zh) 一种基于多尺度特征学习网络的火灾图片分类方法
CN111767826A (zh) 一种定时定点场景异常检测方法
CN116363411A (zh) 一种基于事件相机的隔离开关分合闸状态判别的方法及装置
CN116229347A (zh) 一种人群安全异常事件识别方法
CN114419506A (zh) 基于无监督学习的配电房设备异常监测方法与系统
Tang et al. Fault diagnosis of the external insulation infrared images based on Mask Region convolutional neural network and perceptual hash joint algorithm
CN113326873A (zh) 一种基于数据增强的电力设备分合闸状态自动分类方法
CN112633142A (zh) 一种输电线路违章建筑物识别方法及相关装置
CN116071656B (zh) 地下变电站红外图像积水检测智能报警方法及系统
CN117853935B (zh) 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台
Li et al. Research on Cable Fire Detection and Early Warning Based on Deep Learning
Limin et al. Intelligent monitoring system for danger sources of infrastructure construction site based on deep learning

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 509, 808 Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong 510060

Patentee after: China Southern Power Grid Digital Enterprise Technology (Guangdong) Co.,Ltd.

Address before: Room 509, 808 Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong 510060

Patentee before: Guangdong Electric Power Information Technology Co.,Ltd.