CN113674225A - 一种基于卷积神经网络的电力设备故障检测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的电力设备故障检测方法，包括构建故障类型数据库对卷积神经网络进行故障识别训练；将待检测图片进行亮度、颜色、对比度和锐度的增强后用带有滤波器的选择搜索算法对检测图片进行滤波，筛选出最有可能出现故障的候选区域；将候选区域导入训练好的卷积神经网络，根据训练规则得出待测区域的故障类型以及每个故障的相对位置和大小，其中故障类型包括表盘模糊、外壳破损、地面油污、呼吸器损、箱门闭合异常。此方法应用于电网设备检测后有效解决目前电力配网设备故障种类多样、检测难度高等问题；以及满足对电力配网设备运行状态实时监测的目的提高工作效率。

Description

一种基于卷积神经网络的电力设备故障检测方法

技术领域

本发明属于计算机视觉的图像识别领域，涉及采用含有注意力机制的均匀分布卷积神经网络技术实现对电力配网设备的故障检测。

背景技术

随着机器智能化的发展，电力配网设备也随之增多，其使用安全也越来越受到重视。为了监测其工作状态，并且减少劳动力成本，可以用计算机视觉代替人工巡检。计算机视觉是利用计算机自主学习使其具有人的视觉的能力，通过学习可以进行图像特征提取和信息挖掘。基于计算机视觉的配网设备故障自动识别在近几年已经成为了配网设备状态监测和故障预警的重要手段。为了保证电力配网设备能正常工作，有必要对其进行工作状态检测。

目前，基于计算机视觉的多种检测方法为故障检测开辟了新的途径。这些技术与传统的检测设备相结合，通过特征提取和识别，为自动检测故障带来了极大的便利。卷积神经网络因其在图像处理方面的优势，近年来得到了广泛的应用。与人工特征提取方法相比，网络的自动学习将大大减少人工工作量、特征转换误差和丢失重要特征的可能。2015年，卷积神经网络曾应用于对隧道进行安全检查，确认其学习图像的能力，并通过捕捉图像像素之间的差异来定位目标，但并未讨论如何分类。在神经网络学习领域，卷积神经网络模型应用于对缺陷进行自动检测、定位与分类。目前已经出现通过均匀分布的卷积神经网络对铸件X光照片进行缺陷检测，在背景简单的情况下效果较好，但是在检测电力配网设备故障的实际应用中，由于设备所处环境复杂，各种故障难以分辨，上述方法识别故障精确率较低，不能满足电力配网设备故障检测的实际需求，需要做进一步的研究和提高。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于卷积神经网络的电力配网设备故障检测方法。

为了实现上述技术目的，本发明的技术方案为：

(1)采集电力设备的故障图像进行筛选后得到候选区域图像；

(2)对建立好的卷积神经网络进行算法优化，导入电力设备故障候选区域图像对卷积神经网络进行训练；

(3)采集待测电力设备的图像进行筛选后得到待测设备候选区域图像；

(4)将待测电力设备候选区域图像输入训练好的卷积神经网络，得到电力设备故障检测结果。

可选的：对原始图像进行亮度、颜色、对比度和锐度的增强后用带有滤波器的选择搜索算法进行初步滤波，剔除明显的非故障区域。

可选的：在用算法剔除明显的非故障区域后，识别出剩下区域的边缘曲线，然后根据边缘曲率的最大连续长度与边缘总长度的比值进行二次筛选，得到候选区域图像。

可选的：所述卷积神经网络卷积核的初始权随机生成或采用Xavier算法生成，每次卷积核滑动的距离设置为1，使用RELU激活函数增加神经网络模型的线性，每个特征提取阶段使用的结构相似，层数相同，整个卷积神经网络的体系结构分布均匀。

可选的：在卷积神经网络的池化方法采用最大池化法，并在池化层之间加入注意力机制模块，计算池化层的注意力的权重，将池化层输出的图像和注意力权重结合，计算图像的加权平均，然后再反馈到下一池化层，经过剩下的网络后，通过全连接层分类输出。

可选的：采用分类标签和逻辑回归计算归一化指数函数交叉熵，首先通过式(1)计算分类标签：

其中，y_i为分类标签，表示故障类别；z_i为上层神经元的输出；k设置为5表示故障分类个数；z_k表示该分类的值；

然后得到故障所属类别的概率向量L＝[y₁,y₂,y₃，y₄，y₅]；

最后通过实际标签y_i’计算交叉熵C：

在卷积神经网络的最后一全连接层进行归一化指数函数计算，得到故障所属的类别。

可选的：所述卷积神经网络输出的是故障类型以及每个故障的相对位置和大小，其中故障类型包括表盘模糊、外壳破损、地面油污、呼吸器损和箱门闭合异常。

可选的：对所述卷积神经网络的训练数据库由300张原始故障图像经过亮度、颜色、对比度和锐度的增强后人工给出相应的故障标签，得到初始的训练模型；采用数据扩展和数据无序来增强初始训练模型，通过镜像和旋转的方式对数据进行扩展，使数据集总数量达到3000；训练过程中采用随机梯度下降法对网络进行优化，每次迭代的批处理量设为32，使用初始值为0.05的衰减学习率，将退出率设为0.8。

可选的：对于所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，卷积神经网络模型模型的评价方法采用以平均精确率和召回率作为评价指标；

采用公式(3)、公式(4)计算准精确率Precision与召回率Recall的数值进行评价；

式中：TP表示正确判断故障图片类型的次数；FP表示错误判断故障图片类型的次数；FN表示判断故障图片为正常的次数。

采用训练好的模型进行实际电力设备故障检测：另外采集实际电力设备图片，用过滤选择搜索对图片进行预处理，剪裁出故障区域，预处理后的图片输入训练好的模型中，最后输出故障类型

采用上述技术方案带来的有益效果：

本发明的优点和效果是与其他ED-CNN、VGG16和YOLO模型对比，该模型的检测精确率和召回率都相对较好，检测精确率最高达到90％以上，可满足实际电力配网设备故障检测需求。

附图说明

图1是电力设备故障检测处理过程。

图2是AT模型网络结构。

图3是AT-ED-CNN网络结构。

图4是图像故障识别结果。

具体实施方式

系统的整体运行模式如图1所示，先采集电力设备的故障图片，接着对电力设备的故障图片进行数据集扩展，对扩展后的图片进行过滤选择搜索得到最有可能出现故障的目标区域，将这些筛选后的图片用于训练卷积神经网络。在检测时，将待测电力设备图片经过过滤选择搜索得到最有可能出现的故障的目标区域，接着将筛选后的待测图片导入训练好的卷积神经网络模型，得出故障结果和故障区域。

以下将基于图1电力设备故障检测处理过程，结合其他附图，对本发明的技术方案进行详细说明。

1、图像数据集准备；

11)用于网络训练的图像数据库由5种裁剪图像(5种常见故障)组成，如表1所示。从300张原始变压器故障图像中人工给出相应的标签。由于拍摄环境的影响，一些受噪声等因素影响的图像质量较差，为了便于模型学习训练数据集特征，我们对图像进行了亮度、颜色、对比度和锐度的增强。

表1

编号	故障类型	边缘特征描述
			1	表盘模糊	面状，形状不定，面积较小
2	外壳破损	线状，形状呈脉络状
			3	地面油污	面状，形状不定，面积较大
4	呼吸器损	面状，有圆状或类椭圆状
			5	箱门闭合异常	面状，宽长条形，面积不大

12)要使神经网络特征学习模型获得良好的训练性能的关键是要使用高质量的数据集。其中，图像数据的平衡性对模型的影响较大。为了尽可能均匀地分布图像数据，提高训练模型的泛化能力，我们采用数据扩展和数据无序来增强训练模型。通过镜像和旋转的方式对数据进行扩展，使数据集总数量达到3000。2.用过滤选择搜索算法对图像进行预处理

21)首先利用分割方法生成候选区域集，即将图像分割成多个小块。

22)然后计算每两个相邻区域的相似度，将相似度最高的两个区域合并。

23)重复以上步骤，直到只剩下一个完整的区域。

24)在得到一个完整的区域后，添加一个过滤器。过滤条件是在计算各种故障的二维尺寸后给出最大二维尺寸限制(包括边距)，并过滤出明显的非故障误检区域。在滤波后剩下的区域中，识别出每个区域的边缘曲线，然后根据边缘曲率的最大连续长度与边缘总长度的比值来判断该区域是否为故障区域。并结合图像目标的尺寸、边缘曲率具体特征，确定适合图像的滤波条件，从而达到精确搜索图像目标的效果。

3、对AT-ED-CNN模型训练。卷积神经网络输入候选区域图片后开始计算，根据算法、机制，做出判断并得出故障类型、大小和位置；

31)卷积核的初始权值通常是随机生成的。

32)偏差通常是用常数来确定，并首先初始化为零。

33)步长定义为每次卷积核滑动的距离，设为1。

34)两种常用的池化方法是最大池化和平均池化。我们选择了最大池化。

35)在卷积后使用线性整流激活函数增加神经网络模型的非线性。与二分类函数等函数相比，线性整流激活函数的计算量更小，解决了正区间的梯度消失问题，而且，收敛速度比二分类函数快得多。

36)此外，在定义损失时，本文使用分类标签和逻辑回归来计算它们的归一化指数函数交叉熵。在网络的最后一输出层进行归一化指数函数计算，得到故障所属类别的概率向量L＝[y₁,y₂,y₃，y₄，y₅]。计算如式(1)所示:

式中：y_i为分类标签，表示故障类别；z_i为上层神经元的输出；式中k为5，表示故障分类个数；z_k表示该分类的值。然后得到故障所属类别的概率向量L＝[y₁,y₂,y₃，y₄，y₅]。最后通过实际标签y_i’计算交叉熵C。计算如式(2)所示:

37)为了不增加网络的深度，提高故障检测的精确率，把注意力机制模块加在卷积神经网络的池化层P1和池化层P2之间，计算池化层的注意力的权重，将P1输出的图像和注意力权重结合，计算图像的加权平均，然后再反馈到P2，经过剩下的网络后，通过全连接层分类输出。这样可以降低训练的损失，保留更多的有用信息，提高故障分类的精确率，具体如图2所示。

38)对AT-ED-CNN模型训练。在训练过程中采用随机梯度下降法对网络进行优化，考虑到网络的样本量，每次迭代的批处理量设为32。对于学习率，经过多次试错和相应结果的比较，本文使用初始值为0.05的衰减学习率。由于该方法所使用的样本数量客观上会有所提高，因此将退出率设为0.8，与全样本训练接近。此外，除了上述所有卷积层的步长都设置为1外，本文中所有池化层的步长都设置为2。

39)网络的输入是一张128×128×3像素的图像，经过网络处理后，最终输出的是5类故障类型。用于故障分类的注意力机制均匀分布卷积神经网络总体结构如图3所示。每个特征提取阶段使用池化层尺寸都是2x2，卷积层步长都为1，池化层步长都为2，并且层数都是相同的，整个卷积神经网络的体系结构分布均匀，具体参数如表2所示。部分图像故障识别结果如图4所示。

表2

4、根据多次实际检测后收集数据后对网络模型进行评价。

41)选择平均精确率和召回率作为评价指标来评价注意力机制均匀分布卷积神经网络模型的好坏。平均精确率是评判模型正确分类故障类型的概率，值越高说明检测结果正确率越高，模型越好，可以正确标出设备故障类型；召回率评判的是模型分类器把所有故障都找出来的能力，用于评估模型预测的结果最多可以覆盖多少真实目标的能力。召回率越高说明漏检率越低，模型越好。定义如式(3)、式(4)所示：

式中：TP表示判断故障图片类型正确的次数；FP表示判断故障图片类型错误的次数；FN表示判断故障图片为正常的次数。

通过此算法计算其他ED-CNN、VGG16和YOLO模型的精确率和召回率，根据表3、表4和表5得出本专利建立的网络模型要优于其他现有模型。

表3

表4

表5

评价指标	ATED-CNN	ED-CNN	Dense-YOLO	VGG16
					平均精确率	0.74	0.70	0.69	0.66
平均召回率	0.35	0.40	0.42	0.43

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

1.一种基于卷积神经网络的电力设备故障检测方法，其特征在于，包括：

(1)采集电力设备的故障图像进行筛选后得到候选区域图像；

(2)对建立好的卷积神经网络进行算法优化，导入电力设备故障候选区域图像对卷积神经网络进行训练；

(3)采集待测电力设备的图像进行筛选后得到待测设备候选区域图像；

(4)将待测电力设备候选区域图像输入训练好的卷积神经网络，得到电力设备故障检测结果。

2.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，在步骤(1)中，对原始图像进行亮度、颜色、对比度和锐度的增强后用带有滤波器的选择搜索算法进行初步处理，剔除明显的非故障区域。

3.根据权利要求2所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，在用算法剔除明显的非故障区域后，识别出剩下区域的边缘曲线，然后根据边缘曲率的最大连续长度与边缘总长度的比值进行二次筛选，得到候选区域图像。

4.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，所述卷积神经网络卷积核的初始权值随机生成或采用Xavier算法生成；每次卷积核滑动的距离设置为1；使用RELU激活函数；每个特征提取阶段使用池化层尺寸都是2x2，卷积层步长都为1，池化层步长都为2，并且层数都是相同的，整个卷积神经网络的体系结构分布均匀。

5.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，卷积神经网络在池化过程中采用最大池化的池化方法。

6.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，在卷积神经网络池化层之间加入注意力机制模块，计算池化层的注意力的权重，将池化层输出的图像和注意力权重结合，计算图像的加权平均，然后再反馈到下一池化层，经过剩下的网络后，通过全连接层分类输出。

7.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，在步骤(2)中，故障类型的判断包括：

采用分类标签和逻辑回归计算归一化指数函数交叉熵，首先通过式(1)计算分类标签：

其中，y_i为分类标签，表示故障类别；z_i为上层神经元的输出；k设置为5表示故障分类个数；

然后得到故障所属类别的概率向量L＝[y₁,y₂,y₃，y₄，y₅]；

最后通过实际标签y_i’计算交叉熵C：

在卷积神经网络的最后一全连接层进行归一化指数函数计算，得到故障所属的类别。

8.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，卷积神经网络的训练包括：

训练数据库由300张原始故障图像经过亮度、颜色、对比度和锐度的增强后人工给出相应的故障标签，得到初始的训练模型；

采用数据扩展和数据无序来增强初始训练模型，通过镜像和旋转的方式对数据进行扩展，使数据集总数量达到3000；

训练过程中采用随机梯度下降法对网络进行优化，每次迭代的批处理量设为32，使用初始值为0.05的衰减学习率，将退出率设为0.8。

9.对于权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，卷积神经网络模型的评价方法包括：

选择平均精确率和召回率作为评价指标；

采用公式(3)、公式(4)计算精确率Precision与召回率Recall的数值进行评价；

式中：其中TP表示正确判断故障图片类型的次数；FP表示错误判断故障图片类型的次数；FN表示判断故障图片为正常的次数。

10.根据权利要求1所述的基于卷积神经网络的电力设备故障检测方法，其特征在于，卷积神经网络输出的是故障类型以及每个故障的相对位置和大小，其中故障类型包括表盘模糊、外壳破损、地面油污、呼吸器损和箱门闭合异常。

Images