[发明专利]基于紫外视频的3D-CNN和LSTM的绝缘子绝缘状态评估方法

说明书

本发明提出一种基于紫外视频的3D‑CNN和LSTM的绝缘子绝缘状态评估方法，将采集的绝缘子的紫外放电视频进行预处理，结合视频的紫外光斑面积、光子数及两者的统计参数和四类放电分级，对放电视频进行标注，建立包括训练集、测试集、验证集的放电视频的数据库，将训练集中的视频送入3D‑CNN网络进行训练和特征提取，获得放电点位置、严重程度和时间维度的特征，将其输出接入LSTM网络，分析紫外成像放电若干次放电的光斑面积变化时间和空间信息，将3D‑CNN和LSTM的特征信息通过全连接层连接到不同绝缘状态，经过反复运算，和参数优化得到权重文件，将测试集视频输入训练好的深度学习网络中，通过调用保存的权重文件，实现对测试视频的归类，即实现对绝缘子绝缘状态的评估。

技术领域

本发明设计高电压试验技术、图像处理技术以及深度学习技术领域，具体涉及一种基于紫外视频的3D-CNN和LSTM的绝缘子绝缘状态评估方法。

背景技术

绝缘子是电力系统输变电设备重要的元器件，及时掌握其运行状态对电力系统的安全稳定运行至关重要。目前电网主要采用人手持望远镜、红外成像仪的人工巡检方式，不仅对巡线人具有很高的经验要求、且耗时费力，无法及时全面的掌握绝缘子等电气设备的运行状态。

日盲紫外成像技术作为最近在国内应用的仪器，应为其对高压绝缘子的放电具有非接触式观测，安全可靠；发现灵敏度高，对微弱放电能够及时发现；具有定位功能，可见光和紫外光图像的叠加可以实现对放电的精确定位。

现阶段电力系统巡检班组一般都配备了红外成像仪，基于故障引起的电气设备发热而对其运行状态做出判断。日盲紫外成像仪还没有在电力系统广泛应用，阻碍其推广的原因主要包括：1)放电参数无法量化；2)无法对绝缘子类的电气设备的缺陷类别和绝缘状态进行判断。

目前国内对绝缘子的绝缘状态识别技术主要以分析电气设备的静态图片为主，主要分为：1)传统方式：主要采用人工设计的特征主要基于绝缘子的颜色、形状和纹理等，结合BP神经网络来识别绝缘子，其特征主要包括：HOG特征与SVM结合，SUFS特征，Hu不变矩和小波系数等特征，LBP与Adaboost组合模型，骨架提取特征点及其Hough变换等，这类方法识别定位的准确度波动性大，鲁棒性差，且对目标的视频和图片的拍摄角度等要求较高。2)深度学习算法。通过卷积算法和池化对图片进行抽象化处理，实现端到端图像到识别模式，避免了对人工设计特征的依赖，这种方法具有较高的识别精度和较好的泛化能力，但由于放电的随机性，仅凭单张的紫外图像无法实现对绝缘子绝缘状态的识别。

3D-CNN和LSTM在本质上隶属于卷积神经网络范畴，本方法构建的深度学习框架的输入端是紫外成像视频。先将紫外视频进行基于温度、湿度、气压、增益、距离等参数的归一化，然后对可见光和紫外视频进行帧速率和分辨率的预处理，最后将预处理过得视频送入深度学习网络中进行训练，最终得到基于光子数和光斑面积的统计参数的绝缘子绝缘状态诊断。本算法能够克服紫外成像仪放电参数量化和对电气设备绝缘水平判断的难题，具有广阔的应用前景

发明内容

为了解决目前对绝缘子绝缘状态评价的需求和紫外成像仪应用推广中的难题，本发明提供一种基于紫外视频的3D-CNN和LSTM的绝缘子绝缘状态评估方法，实现对外绝缘放电的智能诊断，解决仅依靠单张紫外成像图片难以对绝缘状态进行判断的难题。

一种基于紫外视频的3D-CNN和LSTM的绝缘子绝缘状态评估方法，包括：

步骤1：对采集的绝缘子的紫外放电视频进行预处理；

步骤2：结合紫外放电视频的紫外光斑面积、光子数及两者的统计参数和四类放电分级，利用视频标注软件对放电视频进行标注，建立包括训练集、测试集、验证集的放电视频的数据库；

步骤3：将训练集中的视频送入3D-CNN网络进行训练和特征提取，获得放电点位置、严重程度和时间维度的特征；