CN114462521A - 一种高效电力设备智能分类和检测的方法 - Google Patents

一种高效电力设备智能分类和检测的方法 Download PDF

Info

Publication number
CN114462521A
CN114462521A CN202210091064.1A CN202210091064A CN114462521A CN 114462521 A CN114462521 A CN 114462521A CN 202210091064 A CN202210091064 A CN 202210091064A CN 114462521 A CN114462521 A CN 114462521A
Authority
CN
China
Prior art keywords
power equipment
network
detection
training
intelligent classification
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.)
Pending
Application number
CN202210091064.1A
Other languages
English (en)
Inventor
梁川
高俊丽
朱怡良
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.)
Zhejiang Tianbo Yunke Optoelectronics Co ltd
Original Assignee
Zhejiang Tianbo Yunke Optoelectronics 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 Zhejiang Tianbo Yunke Optoelectronics Co ltd filed Critical Zhejiang Tianbo Yunke Optoelectronics Co ltd
Priority to CN202210091064.1A priority Critical patent/CN114462521A/zh
Publication of CN114462521A publication Critical patent/CN114462521A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种高效电力设备智能分类和检测的方法，包括以下步骤：S1、采集红外热像仪拍摄的红外图像的20种电力设备的温度信息；S2、每种电力设备均选取10000条温度信息，作为数据集；S3、将每种电力设备的数据集进行标准化处理，得到尺寸为640*480*1的标准化的数据集，并分为训练集、验证集和测试集；S4、搭建FasterRCNN网络模型，分别输入训练集、验证集和测试集进行模型训练、验证和测试，获得目标检测模型；S5、将未知电力设备的红外图像的温度信息输入到目标检测模型中，输出得到位于拍摄红外图像中心的电力设备的类型名称和设备框坐标。本发明具有检测准确度高、检测效率高的特点。

Description

一种高效电力设备智能分类和检测的方法
技术领域
本发明涉及一种电力设备的检测的方法，特别是一种高效电力设备智能分类和检测的方法。
背景技术
电力设备主要包括发电设备和供电设备两大类，发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等等，供电设备主要是各种电压等级的输电线路、互感器、接触器等等。电力系统中的电力设备很多，根据他们在运行中所起的作用不同，通常将他们分为电气一次设备和电气二次设备。长期以来，我国电力系统对电力设备执行定期检修制度，即根据计划的时间周期对设备检测和维护，这样就存在检修过度和检修不足的弊端。随着电力设备缺陷形式发生新的变化，对于局部放电的在线监测、色谱、SF6气体质量的在线监测开始增多。国家电网公司明确提出，要从2010年起开始全面推广实施设备状态检修，全面提升设备智能化水平，推广应用智能设备和技术，实现电网安全在线预警和设备智能化监控。目前在对多种电力设备进行检测和分类时，通常采用红外图片作为检测数据进行检测，检测准确度和检测效率较低，检测速度较慢。
发明内容
本发明的目的在于，提供一种高效电力设备智能分类和检测的方法。本发明具有检测准确度高、检测效率高的特点。
本发明的技术方案：一种高效电力设备智能分类和检测的方法，包括以下步骤：
S1、使用红外热像仪拍摄20种电力设备的红外图像，电力设备位于红外图像的中心，从红外图像中分别采集20种电力设备的温度信息；
S2、每种电力设备均任意选取10000条温度信息，作为数据集；
S3、将每种电力设备的数据集进行标准化处理，得到尺寸为640*480*1的标准化的数据集，并将标准化的数据集分为训练集、验证集和测试集；
S4、搭建Faster RCNN网络模型，分别输入训练集、验证集和测试集进行模型训练、验证和测试，获得针对20种电力设备的目标检测模型；
S5、将未知电力设备的红外图像的温度信息输入到目标检测模型中，输出得到位于红外图像中心的电力设备的类型名称和设备框坐标。
前述的一种高效电力设备智能分类和检测的方法中，若输出得到的设备框的个数≥2，则计算每个设备框的中心坐标与数据集的中心坐标的欧式距离，保留欧式距离最小的设备框。
前述的一种高效电力设备智能分类和检测的方法中，所述训练集、验证集和测试集的数据量比例为5:1:4。
前述的一种高效电力设备智能分类和检测的方法中，每条温度信息均以640*480的矩阵进行记录。
前述的一种高效电力设备智能分类和检测的方法中，所述20种电力设备为屏柜、隔离开关、绝缘子、避雷器、GIS气室、开关柜、断路器、电流互感器、套管、线夹、端子箱、穿墙套管、电压互感器、变压器、电力电缆、GIS套管、电容器、电抗器、油枕和机构箱。
前述的一种高效电力设备智能分类和检测的方法中，所述步骤4中，Faster RCNN使用Resnet50作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练，学习率为1e-5，共迭代训练1000次，每次迭代2000步。
前述的一种高效电力设备智能分类和检测的方法中，所述步骤4中，每次迭代训练为，将Faster RCNN网络模型初始化，独立训练一个RPN网络；将Faster RCNN网络模型初始化，使用RPN网络产生的proposal作为输入，训练一个新的Faster RCNN网络，使得Resnet50网络和RPN网络的每一层的参数完全不共享。
前述的一种高效电力设备智能分类和检测的方法中，使用新的Faster RCNN网络参数初始化一个新的RPN网络，将RPN网络、Faster RCNN网络共享的卷积层的learningrate设置为0，并更新RPN网络独有的网络层，重新训练，使得Resnet50网络和RPN网络共享所有公共的卷积层。
前述的一种高效电力设备智能分类和检测的方法中，将FasterRCNN网络特有的网络层加入到共享的网络层中，形成一个unified网络，继续训练，微调Faster RCNN网络独有的网络层，形成能够预测proposal并实现检测的目标检测模型。
前述的一种高效电力设备智能分类和检测的方法中，所述目标检测模型的MAP＝82％。
与现有技术相比，本发明的有益效果为：
本发明采集20种电力设备的温度数据信息输入到特定的网络模型中，获得的针对20种电力设备的目标检测模型，MAP＝82％，检测时间为0.4S，而在同样的条件下，仅仅使用红外图片进行目标检测，MAP＝73％，检测时间为0.6S。进一步，本发明还对输出结果进行筛选，提高检测准确率。故，本发明的检测方法，具有检测准确度更高、检测速度更快、效率更高的特点。
附图说明
图1是本发明GIS套管的温度信息采集图；
图2是本发明GIS套管的检测结果图；
图3是本发明电力电缆的检测结果图；
图4是本发明油枕的检测结果图。
具体实施方式
下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例：
如图1-2所示，一种高效电力设备智能分类和检测的方法，包括以下步骤：
S1、使用红外热像仪拍摄20种电力设备的红外图像，电力设备位于红外图像的中心，从红外图像中分别采集20种电力设备的温度信息；每条温度信息均以640*480的矩阵进行记录。
所述20种电力设备为屏柜、隔离开关、绝缘子、避雷器、GIS气室、开关柜、断路器、电流互感器、套管、线夹、端子箱、穿墙套管、电压互感器、变压器、电力电缆、GIS套管、电容器、电抗器、油枕和机构箱。
S2、每种电力设备均任意选取10000条温度信息，作为数据集；
S3、将每种电力设备的数据集进行分类和标准化处理，得到尺寸为640*480*1的标准化的数据集，并将标准化的数据集分为训练集、验证集和测试集；所述训练集、验证集和测试集的数据量比例为5:1:4。
S4、搭建Faster RCNN网络模型，分别输入训练集、验证集和测试集进行模型训练、验证和测试，获得针对20种电力设备的目标检测模型；
Faster RCNN使用Resnet50作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练，学习率为1e-5，共迭代训练1000次，每次迭代2000步。每次迭代训练为，将Faster RCNN网络模型初始化，独立训练一个RPN网络；将Faster RCNN网络模型初始化，使用RPN网络产生的proposal作为输入，训练一个新的Faster RCNN网络，使得Resnet50网络和RPN网络的每一层的参数完全不共享。
使用新的Faster RCNN网络参数初始化一个新的RPN网络，将RPN网络、FasterRCNN网络共享的卷积层的learning rate设置为0，并更新RPN网络独有的网络层，重新训练，使得Resnet50网络和RPN网络共享所有公共的卷积层。
将Faster RCNN网络特有的网络层加入到共享的网络层中，形成一个unified网络，继续训练，微调Faster RCNN网络独有的网络层，形成能够预测proposal并实现检测的目标检测模型。
S5、将未知电力设备的红外图像的温度信息输入到目标检测模型中，输出得到位于红外图像中心的电力设备的类型名称和设备框坐标。
每一条温度信息输入到目标检测模型中，均会输出得到该温度信息的电力设备的类型名称和设备框坐标。
若输出得到的设备框的个数≥2，则计算每个设备框的中心坐标与数据集的中心坐标的欧式距离，保留欧式距离最小的设备框。
目标检测模型的MAP＝82％，检测时间为0.4S。

Claims (10)

1.一种高效电力设备智能分类和检测的方法，其特征在于：包括以下步骤：
S1、使用红外热像仪拍摄20种电力设备的红外图像，电力设备位于红外图像的中心，从红外图像中分别采集20种电力设备的温度信息；
S2、每种电力设备均任意选取10000条温度信息，作为数据集；
S3、将每种电力设备的数据集进行标准化处理，得到尺寸为640*480*1的标准化的数据集，并将标准化的数据集分为训练集、验证集和测试集；
S4、搭建Faster RCNN网络模型，分别输入训练集、验证集和测试集进行模型训练、验证和测试，获得针对20种电力设备的目标检测模型；
S5、将未知电力设备的红外图像的温度信息输入到目标检测模型中，输出得到电力设备的类型名称和设备框坐标。
2.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：若输出得到的设备框的个数≥2，则计算每个设备框的中心坐标与数据集的中心坐标的欧式距离，保留欧式距离最小的设备框。
3.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：所述训练集、验证集和测试集的数据量比例为5:1:4。
4.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：每条温度信息均以640*480的矩阵进行记录。
5.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：所述20种电力设备为屏柜、隔离开关、绝缘子、避雷器、GIS气室、开关柜、断路器、电流互感器、套管、线夹、端子箱、穿墙套管、电压互感器、变压器、电力电缆、GIS套管、电容器、电抗器、油枕和机构箱。
6.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：所述步骤4中，Faster RCNN使用Resnet50作为主干特征提取网络，使用反向传播和随机梯度下降进行端到端的网络训练，学习率为1e-5，共迭代训练1000次，每次迭代2000步。
7.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：所述步骤4中，每次迭代训练为，将Faster RCNN网络模型初始化，独立训练一个RPN网络；将Faster RCNN网络模型初始化，使用RPN网络产生的proposal作为输入，训练一个新的Faster RCNN网络，使得Resnet50网络和RPN网络的每一层的参数完全不共享。
8.根据权利要求7所述的一种高效电力设备智能分类和检测的方法，其特征在于：使用新的Faster RCNN网络参数初始化一个新的RPN网络，将RPN网络、Faster RCNN网络共享的卷积层的learning rate设置为0，并更新RPN网络独有的网络层，重新训练，使得Resnet50网络和RPN网络共享所有公共的卷积层。
9.根据权利要求8所述的一种高效电力设备智能分类和检测的方法，其特征在于：将Faster RCNN网络特有的网络层加入到共享的网络层中，形成一个unified网络，继续训练，微调Faster RCNN网络独有的网络层，形成能够预测proposal并实现检测的目标检测模型。
10.根据权利要求1所述的一种高效电力设备智能分类和检测的方法，其特征在于：所述目标检测模型的MAP＝82％。
CN202210091064.1A 2022-01-26 2022-01-26 一种高效电力设备智能分类和检测的方法 Pending CN114462521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210091064.1A CN114462521A (zh) 2022-01-26 2022-01-26 一种高效电力设备智能分类和检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210091064.1A CN114462521A (zh) 2022-01-26 2022-01-26 一种高效电力设备智能分类和检测的方法

Publications (1)

Publication Number Publication Date
CN114462521A true CN114462521A (zh) 2022-05-10

Family

ID=81410977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210091064.1A Pending CN114462521A (zh) 2022-01-26 2022-01-26 一种高效电力设备智能分类和检测的方法

Country Status (1)

Country Link
CN (1) CN114462521A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184744A (zh) * 2022-06-27 2022-10-14 上海格鲁布科技有限公司 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184744A (zh) * 2022-06-27 2022-10-14 上海格鲁布科技有限公司 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法
CN115184744B (zh) * 2022-06-27 2023-09-05 上海格鲁布科技有限公司 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法

Similar Documents

Publication Publication Date Title
CN105425118B (zh) 一种多信息融合故障电弧检测方法及装置
CN108805107B (zh) 一种基于prps信号的gis内部局部放电缺陷识别方法
CN106707094A (zh) 低压供配电线路电弧故障的分类识别方法
CN117110798B (zh) 智能配电网的故障检测方法和系统
CN110543921A (zh) 一种基于波形学习的电缆早期故障识别方法
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
CN117612345A (zh) 一种电力设备状态监测报警系统及方法
CN114462521A (zh) 一种高效电力设备智能分类和检测的方法
CN114114001A (zh) 一种gis设备隔离开关机械状态监测方法及系统
CN113219328A (zh) 一种基于信息融合的断路器操作机构故障智能诊断方法
CN111209535B (zh) 一种电力设备相继故障风险识别方法及系统
Maraaba et al. Estimation of high voltage insulator contamination using a combined image processing and artificial neural networks
Niazazari et al. Event cause analysis in distribution networks using synchro waveform measurements
CN103049661A (zh) Gis剩余使用寿命评估方法和系统
CN111931900B (zh) 基于残差网络与多尺度特征融合的gis放电波形检测方法
CN115687916A (zh) 一种交流串联电弧故障识别方法
CN113486873B (zh) 一种基于大数据和人工智能的变电站设备巡检方法及系统
CN115169735A (zh) 一种基于样本扩充的电瓷质量预测方法及系统
Yang et al. Insulator self-shattering detection based on YOLOv5 under small sample conditions
CN113989210A (zh) 一种绝缘子故障检测方法、装置、介质及电子设备
Yufeng et al. Partial discharge pattern recognition of DC XLPE cables based on convolutional neural network
Huang et al. Insulator detection based on deep learning method in aerial images for power line patrol
Feng et al. Infrared Image Recognition and Classification of Typical Electrical Equipment in Substation Based on YOLOv5
Yang et al. Insulator UV image fault detection based on deep learning
Muñoz et al. Fault detection and isolation in a photovoltaic system

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