CN115935259A - 一种换流站设备多维度数据的状态分析方法 - Google Patents

Abstract

本发明公开了一种换流站设备多维度数据的状态分析方法，该方法包括步骤：分别获取换流站内设备运行时的原始图像、多维度遥感数据，然后对原始图像进行预处理得到设备图像、对多维度遥感数据进行预处理；对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，将图像状态识别、遥感状态识别结合得到设备的状态分析结果；当所述状态分析结果为异常时，根据异常类型生成相应的设备故障码。本发明通过对换流站内设备在运行过程中的图像、遥感数据进行识别分析，能够以多维度数据来更加准确的判断设备的运行状态，提高状态分析结果的可信度。

Description

一种换流站设备多维度数据的状态分析方法

技术领域

本发明涉及设备诊断技术领域具体来说，涉及一种换流站设备多维度数据的状态分析方法。

背景技术

换流站是指在高压直流输电系统中，将交流电变换为直流电、或者将直流电变换为交流电，并达到电力系统对于安全稳定及电能质量的要求而建立的站点。特高压直流输电系统中包含大量的换流变压器、断路器、隔离开关等一次设备、，也包含测控装置、保护装置等二次设备。这些一次设备、二次设备实现了电能的分配、转换和控制，是特高压直流输电系统正常运行的基石。目前，换流站通过提前更换老化、异常设备的方式降低设备意外故障概率，保障系统可靠性。因此，提前预判设备是否老化、异常显得尤为重要。

在现有技术中，电力行业传统的按固定周期对电力设备进行数据收集后诊断状态。如公告号CN108199795B的中国专利，公开了一种设备状态的监测方法和装置，方法包括：获取对设备进行监测得到的监测数据；根据预先确定的状态监测深度学习网络，确定监测数据对应的异常值，状态监测深度学习网络根据设备的历史监测数据确定得到，异常值用于表征设备是否处于异常状态；根据异常值，对设备的状态进行监测，可以根据实时获取的该设备的监测数据，确定得到用于表征该设备状态的异常值。但是，现有技术在对设备进行状态分析的过程中，往往只通过电流或电压传感器来采集设备的电流或电压数据，且无法避免数据采集过程中受到的外界环境干扰，导致设备运行状态诊断结果的残差大，无法实现较高的状态分析精度，甚至会出现误判的情况。

发明内容

针对背景技术中的一个或者多个问题，本发明提出一种换流站设备多维度数据的状态分析方法，通过多维度的数据分析克服现有技术对设备状态分析精度低的问题。

本发明的具体技术方案如下：

一种换流站设备多维度数据的状态分析方法，包括步骤如下：

分别获取换流站内设备运行时的原始图像、多维度遥感数据，然后对原始图像进行预处理得到设备图像、对多维度遥感数据进行预处理；

对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，根据图像状态识别、遥感状态识别结果得到设备的状态分析结果；

当所述状态分析结果为异常时，根据异常类型生成相应的设备故障码。

优选地，使用摄像头获取换流站内设备运行时的原始图像；

使用遥感装置获取换流站内设备运行时的多维度遥感数据，具体包括：

使用变压器油色谱分析装置，获取换流站内主变压器的油色谱数据；

使用避雷器监测装置，获取换流站内交流场避雷器和/或直流场避雷器的漏电流数据；

使用气体密度微水监测装置，获取换流站内全部设备的气密与水密数据；

使用GIS局部放电监测装置，获取换流站内全部设备的局部放电数据；

使用铁芯接地监测装置，获取换流站内变压器的接地电流数据。

进一步地，对原始图像进行预处理，具体步骤如下：

使用加权平均法，将获取的原始图像转化为灰度图像；

然后使用均值滤波法，将灰度图像进行降噪处理；

接着使用高斯双边滤波函数法，获取降噪处理后的灰度图像的邻域像素集合；

再接着使用二次泰勒级数卷积法，对降噪处理后的灰度图像边缘进行自适应增强，得到增强后的设备图像。

进一步地，使用均值滤波法，将灰度图像进行降噪处理，计算公式如下：

其中，G(x,y)表示滤波去噪后的灰度图像；f(i,j)表示中心点像素为(i,j)的灰度图像；s表示灰度图像中以(i,j)为中心点的滤波窗口内的所有邻域像素集合；N表示s内像素点的总数。

进一步地，对多维度遥感数据进行预处理，具体步骤如下：

使用小波基函数，对多维度遥感数据基于设定的分解层数进行小波分解，并得到不同尺度的小波分解系数；

使用设定阈值函数对不同尺度的小波分解系数进行阈值处理，并消除噪声在小波域的系数，得到处理后的小波系数；

对处理后的小波系数进行小波重构，得到去噪后的多维度遥感数据。

进一步地，对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，包括步骤如下：

构建图像状态识别的深度学习网络并完成预训练，然后将预处理后的设备图像输入至所述图像状态识别的深度学习网络，得到换流站内设备外观状态的图像状态识别结果；

图像状态识别的深度学习网络包括依次连接的特征提取网络、池化网络、特征融合网络、预测网络；

构建遥感状态识别的深度学习网络并完成预训练，然后将预处理后的多维度遥感数据输入至所述遥感状态识别的深度学习网络，得到换流站内设备的遥感状态识别结果。

进一步地，构建图像状态识别的深度学习网络，具体步骤如下：

设置预处理后的设备图像的样本数据集，所述样本数据集包括换流站内每个设备的状态信息；

使用所述特征提取网络对每个设备图像进行特征提取，得到多个尺度的样本图像特征；

使用所述池化网络对最小尺度的所述样本图像特征进行处理，并得到样本语义信息；

使用所述特征融合网络对至少两个目标尺度的样本图像特征进行处理，得到至少两个目标尺度所对应的样本定位信息，并将所述样本语义信息与所述样本定位信息进行融合，得到融合样本特征；

使用预测网络对所述融合样本特征进行处理，得到每个设备图像的图像状态识别结果；

根据所述图像状态识别结果、样本数据集中每个设备的状态信息，计算损失函数值；

根据所述损失函数值进行训练，得到图像状态识别的深度学习网络。

进一步地，构建遥感状态识别的深度学习网络，具体步骤如下：

获取多维度遥感数据建立训练数据，将所述训练数据按设定的切割长度进行切割，得到固定长度的设备遥感样本，对设备遥感样本进行状态标注，用Z表示设备处于正常状态，用Y表示设备处于异常状态；

构建遥感状态识别的深度学习网络并设置相应的训练参数，将训练数据中带有状态标注的设备遥感样本，输入到预设的遥感识别深度学习网络中，并获取遥感状态识别结果；

计算遥感状态识别结果与设备遥感样本的状态标注之间的损失函数，对遥感状态识别的深度学习网络进行训练直到收敛，完成预训练。

进一步地，预训练时，遥感状态识别的深度学习网络的训练参数包括网络参数、超参；

所述网络参数为通过训练来学习的参数，在首轮训练时将网络参数初始化；

所述超参包括学习率、更新器、最大迭代次数。

优选地，生成设备故障码的具体步骤如下：

设定历史故障数据库，所述历史故障数据库用于记录换流站内设备的异常类型以及对应的故障码；

根据设备的状态分析结果确定相应的异常类型，然后在历史故障数据库中获取相应的故障码。

本发明相比现有技术，其有益效果在于：

本发明通过对设备运行过程中的图像、遥感数据的获取，并通过对设备的图像状态、遥感状态进行分析判断，实现多种维度数据来对换流站内的设备状态进行分析；相比现有技术简单地利用电流或电压数据的分析方式，本发明能够更加准确的分析设备的运行状态，具有精度高、可靠性好的优点；本发明通过进一步对采集的图像进行增强处理、对遥感数据进行去噪处理，保证采集数据的准确性，从而更加精准且高效的构建深度学习网络，能够为设备的稳定运行提供真实、可靠的数据支持，同时能够提高对设备状态分析的准确率以及效率，进而能够在设备出现异常情况后及时的发现，能够更快更准确的对设备的异常情况进行处理，降低了财产的损失。

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为本发明其中一种实施方式的大致流程图。

具体实施方式

为了使本发明的目的、技术方案及其优点更加清楚明白，以下结合附图及其实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

如图1所示，本实施例的换流站设备多维度数据的状态分析方法，包括步骤如下：

S1、分别获取换流站内设备运行时的原始图像、多维度遥感数据，然后对原始图像进行预处理得到设备图像、对多维度遥感数据进行预处理；

具体步骤包括：

S11、使用摄像头获取换流站内设备运行时的原始图像，然后对原始图像进行预处理；

其中，由于采集到的原始图像不能直接用于图像识别，其图像格式、质量等无法满足图像识别的要求和标准，因此，需要进图像预处理；

对原始图像进行预处理，包括步骤如下：

S111、使用加权平均法，将获取的原始图像转化为灰度图像；把图像灰度化是指将RGB彩色图像转化成为灰度图像的过程，采集的原始图像中含有彩色因素，而这些彩色因素会在后续的处理过程中增加计算量，图像灰度化能够减小图像原始的数据量，降低彩色因素的干扰；

S112、使用均值滤波法，将灰度图像进行降噪处理；摄像头拍摄图像会受到各种因素的影响，导致原始图像携带噪声点，而这些噪声点的存在会模糊原始图像中的信息，给后期的识别带来干扰，采用滤波窗口对原始图像进行逐个像素的移动，使得窗口内所有像素的平均值代替原有图像的灰度值，进而通过均值滤波法对灰度图像进行降噪处理，能够对图像中的噪声进行有效的抑制；均值滤波法的计算公式如下：

其中，G(x,y)表示滤波去噪后的灰度图像；f(i,j)表示中心点像素为(i,j)的灰度图像；s表示灰度图像中以(i,j)为中心点的滤波窗口内的所有邻域像素集合；N表示s内像素点的总数；

S113、使用高斯双边滤波函数法，获取降噪处理后的灰度图像的邻域像素集合；

S114、使用二次泰勒级数卷积法，对降噪处理后的灰度图像边缘进行自适应增强，得到增强后的设备图像；

S12、使用遥感装置获取换流站内设备运行时的多维度遥感数据，然后对多维度遥感数据进行预处理；

获取多维度遥感数据具体包括：使用变压器油色谱分析装置，获取换流站内主变压器的油色谱数据；使用避雷器监测装置，获取换流站内交流场避雷器和/或直流场避雷器的漏电流数据；使用气体密度微水监测装置，获取换流站内全部设备的气密与水密数据；使用GIS局部放电监测装置，获取换流站内全部设备的局部放电数据；使用铁芯接地监测装置，获取换流站内变压器的接地电流数据；

对多维度遥感数据进行预处理，包括步骤如下：

S121、使用小波基函数，对多维度遥感数据基于设定的分解层数进行小波分解，并得到不同尺度的小波分解系数；

S122、使用设定阈值函数和阈值规则，对不同尺度的小波分解系数进行阈值处理，并消除噪声在小波域的系数，得到处理后的小波系数；阈值函数包括硬阈值和软阈值；

S123、对处理后的小波系数进行小波重构，得到去噪后的多维度遥感数据；

S2、对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，根据图像状态识别、遥感状态识别结果得到设备的状态分析结果；

对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，包括步骤如下：

S21、构建图像状态识别的深度学习网络并完成预训练，然后将预处理后的设备图像输入至所述图像状态识别的深度学习网络，得到换流站内设备外观状态的图像状态识别结果；

图像状态识别的深度学习网络包括依次连接的特征提取网络、池化网络、特征融合网络、预测网络；

构建图像状态识别的深度学习网络，具体步骤如下：

S211、设置预处理后的设备图像的样本数据集，所述样本数据集包括换流站内每个设备的状态信息；

S212、使用所述特征提取网络对每个设备图像进行特征提取，得到多个尺度的样本图像特征；

S213、使用所述池化网络对最小尺度的所述样本图像特征进行处理，并得到样本语义信息；

S214、使用所述特征融合网络对至少两个目标尺度的样本图像特征进行处理，得到至少两个目标尺度所对应的样本定位信息，并将所述样本语义信息与所述样本定位信息进行融合，得到融合样本特征；

S215、使用预测网络对所述融合样本特征进行处理，得到每个设备图像的图像状态识别结果；

S216、根据所述图像状态识别结果、样本数据集中每个设备的状态信息，计算损失函数值；

S217、根据所述损失函数值进行训练，得到图像状态识别的深度学习网络；

S22、构建遥感状态识别的深度学习网络并完成预训练，然后将预处理后的多维度遥感数据输入至所述遥感状态识别的深度学习网络，得到换流站内设备的遥感状态识别结果；

构建设备遥感识别深度学习网络，具体步骤如下：

S221、获取多维度遥感数据建立训练数据，将所述训练数据按设定的切割长度进行切割，得到固定长度的设备遥感样本，对设备遥感样本进行状态标注，用Z表示设备处于正常状态，用Y表示设备处于异常状态；

S222、构建遥感状态识别的深度学习网络并设置相应的训练参数，将训练数据中带有状态标注的设备遥感样本，输入到预设的遥感识别深度学习网络中，并获取遥感状态识别结果；

S223、计算遥感状态识别结果与设备遥感样本的状态标注之间的损失函数，对遥感状态识别的深度学习网络进行训练直到收敛，完成预训练；预训练时，遥感状态识别的深度学习网络的训练参数包括网络参数、超参；所述网络参数为通过训练来学习的参数，在首轮训练时将网络参数初始化；所述超参包括学习率、更新器、最大迭代次数；

S3、当所述状态分析结果为异常时，根据异常类型生成相应的设备故障码；具体步骤包括：

S31、设定历史故障数据库，所述历史故障数据库用于记录换流站内设备的异常类型以及对应的故障码；

S32、根据设备的状态分析结果确定相应的异常类型，然后在历史故障数据库中获取相应的故障码。

本实施例相比现有技术，其有益效果在于：

通过对设备运行过程中的图像、遥感数据的获取，并通过对设备的图像状态、遥感状态进行分析判断，实现多种维度数据来对换流站内的设备状态进行分析；相比现有技术简单地利用电流或电压数据的分析方式，能够更加准确的分析设备的运行状态，具有精度高、可靠性好的优点；通过进一步对采集的图像进行增强处理、对遥感数据进行去噪处理，保证采集数据的准确性，从而更加精准且高效的构建深度学习网络，能够为设备的稳定运行提供真实、可靠的数据支持，同时能够提高对设备状态分析的准确率以及效率，进而能够在设备出现异常情况后及时的发现，能够更快更准确的对设备的异常情况进行处理，降低了财产的损失。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种换流站设备多维度数据的状态分析方法，其特征在于，包括步骤如下：

分别获取换流站内设备运行时的原始图像、多维度遥感数据，然后对原始图像进行预处理得到设备图像、对多维度遥感数据进行预处理；

对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，根据图像状态识别、遥感状态识别结果得到设备的状态分析结果；

当所述状态分析结果为异常时，根据异常类型生成相应的设备故障码。

2.根据权利要求1所述的换流站设备多维度数据的状态分析方法，其特征在于，使用摄像头获取换流站内设备运行时的原始图像；

使用遥感装置获取换流站内设备运行时的多维度遥感数据，具体包括：

使用变压器油色谱分析装置，获取换流站内主变压器的油色谱数据；

使用避雷器监测装置，获取换流站内交流场避雷器和/或直流场避雷器的漏电流数据；

使用气体密度微水监测装置，获取换流站内全部设备的气密与水密数据；

使用GIS局部放电监测装置，获取换流站内全部设备的局部放电数据；

使用铁芯接地监测装置，获取换流站内变压器的接地电流数据。

3.根据权利要求2所述的换流站设备多维度数据的状态分析方法，其特征在于，对原始图像进行预处理，具体步骤如下：

使用加权平均法，将获取的原始图像转化为灰度图像；

然后使用均值滤波法，将灰度图像进行降噪处理；

接着使用高斯双边滤波函数法，获取降噪处理后的灰度图像的邻域像素集合；

再接着使用二次泰勒级数卷积法，对降噪处理后的灰度图像边缘进行自适应增强，得到增强后的设备图像。

4.根据权利要求3所述的换流站设备多维度数据的状态分析方法，其特征在于，使用均值滤波法，将灰度图像进行降噪处理，计算公式如下：

其中，G(x,y)表示滤波去噪后的灰度图像；f(i,j)表示中心点像素为(i,j)的灰度图像；s表示灰度图像中以(i,j)为中心点的滤波窗口内的所有邻域像素集合；N表示s内像素点的总数。

5.根据权利要求4所述的换流站设备多维度数据的状态分析方法，其特征在于，对多维度遥感数据进行预处理，具体步骤如下：

使用小波基函数，对多维度遥感数据基于设定的分解层数进行小波分解，并得到不同尺度的小波分解系数；

使用设定阈值函数对不同尺度的小波分解系数进行阈值处理，并消除噪声在小波域的系数，得到处理后的小波系数；

对处理后的小波系数进行小波重构，得到去噪后的多维度遥感数据。

6.根据权利要求5所述的换流站设备多维度数据的状态分析方法，其特征在于，对预处理后的设备图像、多维度遥感数据分别进行图像状态识别、遥感状态识别，包括步骤如下：

构建图像状态识别的深度学习网络并完成预训练，然后将预处理后的设备图像输入至所述图像状态识别的深度学习网络，得到换流站内设备外观状态的图像状态识别结果；

图像状态识别的深度学习网络包括依次连接的特征提取网络、池化网络、特征融合网络、预测网络；

构建遥感状态识别的深度学习网络并完成预训练，然后将预处理后的多维度遥感数据输入至所述遥感状态识别的深度学习网络，得到换流站内设备的遥感状态识别结果。

7.根据权利要求6所述的换流站设备多维度数据的状态分析方法，其特征在于，构建图像状态识别的深度学习网络，具体步骤如下：

设置预处理后的设备图像的样本数据集，所述样本数据集包括换流站内每个设备的状态信息；

使用所述特征提取网络对每个设备图像进行特征提取，得到多个尺度的样本图像特征；

使用所述池化网络对最小尺度的所述样本图像特征进行处理，并得到样本语义信息；

使用所述特征融合网络对至少两个目标尺度的样本图像特征进行处理，得到至少两个目标尺度所对应的样本定位信息，并将所述样本语义信息与所述样本定位信息进行融合，得到融合样本特征；

使用预测网络对所述融合样本特征进行处理，得到每个设备图像的图像状态识别结果；

根据所述图像状态识别结果、样本数据集中每个设备的状态信息，计算损失函数值；

根据所述损失函数值进行训练，得到图像状态识别的深度学习网络。

8.根据权利要求7所述的换流站设备多维度数据的状态分析方法，其特征在于，构建遥感状态识别的深度学习网络，具体步骤如下：

获取多维度遥感数据建立训练数据，将所述训练数据按设定的切割长度进行切割，得到固定长度的设备遥感样本，对设备遥感样本进行状态标注，用Z表示设备处于正常状态，用Y表示设备处于异常状态；

构建遥感状态识别的深度学习网络并设置相应的训练参数，将训练数据中带有状态标注的设备遥感样本，输入到预设的遥感识别深度学习网络中，并获取遥感状态识别结果；

计算遥感状态识别结果与设备遥感样本的状态标注之间的损失函数，对遥感状态识别的深度学习网络进行训练直到收敛，完成预训练。

9.根据权利要求8所述的换流站设备多维度数据的状态分析方法，其特征在于，预训练时，遥感状态识别的深度学习网络的训练参数包括网络参数、超参；

所述网络参数为通过训练来学习的参数，在首轮训练时将网络参数初始化；

所述超参包括学习率、更新器、最大迭代次数。

10.根据权利要求1所述的换流站设备多维度数据的状态分析方法，其特征在于，生成设备故障码的具体步骤如下：

设定历史故障数据库，所述历史故障数据库用于记录换流站内设备的异常类型以及对应的故障码；

根据设备的状态分析结果确定相应的异常类型，然后在历史故障数据库中获取相应的故障码。

Images