[发明专利]基于表格理解的继电保护装置定值单数据的故障检测方法

说明书

本发明公开了一种电力设备故障检测方法、装置、计算机设备及存储介质，其中方法包括：获取电网定制单的扫描图像数据；利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；获取所述待测电力设备的实际运行参数；将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；基于所述比对结果判断所述待测电力设备是否故障。本发明通过利用神经网络对定制单的扫描图像数据进行信息识别和提取，实现定制单的自动化分析，然后将其与实际运行参数进行比对用以判断电力设备是否故障，达到提升了电力设备故障检测的效率。

技术领域

本发明涉及电力技术领域，具体涉及一种电力设备故障检测方法、装置、计算机设备及存储介质。

背景技术

随着新一代智能电网、智能输电线路等工程的深入建设，对电网的自动化检测技术提出了新的挑战。需要借助物联网、大数据等新技术，提出智能化的设备运维技术，逐步构建具有信息化、可视化和智能化的设备运维管控体系，满足未来电网设备更高的自动化安全运维要求。

具体来说，由于大量电力设备的运行定值单以纸质形式下发，缺乏完整的数字化、系统化的电力设备运行定值单管理系统，目前大量有智能电网中的传感器上传网络的设备运行数据缺乏完善的定值数据进行数字化比对，因而难以实现自动化的系统运行数据检测与故障报警。

近年来，随着基于深度学习(deep learning)的人工智能技术飞速发展，通过使用包含复杂结构和非线性变换构成的多个处理层对数据进行高层抽象的神经网络算法，在各类机器学习、计算机视觉和人工智能等任务上取到了极大的进步，极大的推动了智能话技术在各个领域的应用。深度学习的另外一个好处是能够对高度抽象化的语义信息和上下文逻辑关系进行表达与描述，它将传统学习方法的特征提取与分析合二为一，从而使得通过学习得到的特征针对于特定任务进行优化，然而发明人发现，目前还没有在定值单处理和识别的相关技术中应用到深度学习相关技术。

发明内容

本发明要解决现有技术中由于确认对设备定值数据进行数字化识别导致电力设备无法根据定值数据进行故障检测的问题，从而提供一种电力设备故障检测方法、装置、计算机设备及存储介质。

本发明的一方面，提供了一种电力设备故障检测方法，包括：获取电网定值单的扫描图像数据；利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；获取所述待测电力设备的实际运行参数；将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；基于所述比对结果判断所述待测电力设备是否故障。

可选地，获取电网定值单的扫描图像数据包括：获取通过扫描仪扫描得到的电网定值单的扫描图像；利用预先建立的预处理神经网络对所述扫描图像进行图像信噪比、清晰度和对比度的增强处理。

可选地，所述预处理神经网络为多层卷积神经网络，采用3层3*3卷积组成的ResNet模块，每层卷积层采用64个通道，使用5个ResNet模块串联。

可选地，所述信息提取神经网络包括表格识别神经网络和字符识别神经网络，其中，利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，包括：利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别和校正；将校正后的表格与预先存储的定值单模板进行匹配对齐，以确定出表格中个单元格的对应关系；利用所述字符识别神经网络对所述扫描图像数据中各单元格的字符进行识别和提取。

可选地，利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别，包括：利用基于霍夫变换的直线边缘提取算法对所述扫描图像数据的直线边缘进行检测；根据所有直线边缘的纵横方向检测出所有单元格。

可选地，利用所述表格识别神经网络对所述扫描图像数据中的表格进行校正，包括：循环遍历扫描图像上所有的像素点，执行以下步骤：根据所述扫描图像上的像素点坐标和畸变函数计算得到校正后的像素点坐标；将所述扫描图像上的像素点的像素值插值赋给校正后的像素点。