[发明专利]一种基于深度学习的智能变电站设备状态检测方法和系统

权利要求书

1.一种基于深度学习的智能变电站设备状态检测方法，通过在智能变电站内安装热像仪，其特征在于：热像仪至少包括四个，在智能变电站的四个拐角设定的高度；

还包括远程终端单元和站用监控中心，热像仪、远程终端单元和占用监控中心依次通信连接；

还包括以下步骤：

利用热像仪采集智能变电站的设备状态图像数据，并把设备状态图像数据上传至远程终端单元进行图像分析；

采用中值滤波和侵蚀技术对远程终端单元中的设备热图像进行预处理；

利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；

通过训练好的深度学习模型，对图像特征进行深层次分析，检测可能存在故障的设备，并将有关此设备状况的关键信息通过调制解调器即时发送到变电站监控中心。

2.根据权利要求1所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：还包括如果未检测到故障，则从返回到初始步骤开始迭代过程。

3.根据权利要求2所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述利用热像仪采集智能变电站的设备状态图像数据；

包括：

利用热像仪采集设备的实时热像和原始彩色图像，并应用光学识别方法，找出图像中的最高和最低温度。

4.根据权利要求3所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述采用中值滤波和侵蚀技术对远程终端单元中的设备热图像进行预处理；

包括：

利用中值滤波技术对远程终端单元中图像进行降噪处理；即利用中值滤波器考虑图像中的像素，并将其与邻近像素进行比较，以检查其是否代表周围像素，然后用相邻像素值的中值替换每个像素值。

5.根据权利要求1所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述利用加速鲁棒特征法对预处理后的图像进行特征提取，以初步监测设备状态；

加速鲁棒特征法即SURF，SURF特征提取包括兴趣点检测和尺度两个步骤：

包括：

(1)兴趣点检测，SURF使用方形滤波器进行高斯平滑的估计，其特征Ω(x,y)是：

式中，W(i,j)为图像中的点坐标，利用不可替代的图像可以快速地对矩形内主图像进行求和；

该特征利用Hessian矩阵的blob标识符识别关键点，SURF没有使用Hessian-Laplacian定位器，而是使用Hessian的行列式选择比例尺，由Lindeberg完成定位；

假设图W中的点P＝(x,y)具有标度ω和点P的Hessian矩阵H(P,ω)的特征是：

式中，L_xx(P,ω)等为灰度图中的二阶导数；

(2)比例尺空间表示和兴趣点区域：兴趣点通过在不同的比例尺空间中找出；

在不同的特征检测算法中，维度的面积可看成一个图像金字塔；SURF利用高斯滤波器对图像区域进行多次平滑处理，然后对其进行采样，以得到金字塔的更高层次，即兴趣点区域。

6.根据权利要求1所述的基于深度学习的智能变电站设备状态检测方法，其特征在于：所述通过训练好的深度学习模型，对图像特征进行深层次分析，检测可能存在故障的设备；

所述训练好的深度学习模型包括输入层、卷积层、激励层、池化层、全连接层和输出层组成；

其中，卷积层使用一个可学习的卷积核对输入图像或上一层的输出作卷积运算，获得一个特征图；一个卷积核能够通过卷积运算得到多个特征图，则第l卷积层j个特征图表示为：

式中，M_j为特征图集，为卷积核，为偏置量，为卷积运算，f(x)为激活函数；

激励层采用线性整流激活函数；

池化层采用最大池化方法，即将颜色一致的区域看成一个池化区域，区域内的最大值则是输出值，以此重组特征图；全连接层综合经卷积和池化后得到的特征，以及将其送至分类器。