[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

说明书

本发明的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，包括热像仪采集智能变电站的设备状态数据；设备的热图像上传至安装在变电站内的远程终端单元进行图像分析；采用中值滤波和侵蚀技术对RTU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；基于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，以实现智能变电站设备状态的实时监测，一旦发现故障设备可及时处理措施，减少变电站故障所造成经济损失。与其他方法相比，本发明具有更高的检测准确率和适用性，抗干扰性更强。

技术领域

本发明涉及智能变电站设备检测技术领域，具体涉及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。

背景技术

基于随着用电量不断增长，电力系统需要通过变电站实现输配电线路的大规模互联，以满足用户需求。一旦变电站设备故障，电网超负荷运行下容易出现异常情况，进而影响系统的稳定可靠性。因此需要在变电站内配置监控设备，以实时监测站内设备状态，并在发现设备异常时上报工作人员。

电力系统中绝缘子故障一直是常见的设备问题，一旦电力变压器、配电绝缘体等变电设备的套管绝缘失效，造成电力中断，会给电网造成严重损失。但依靠人工检查监测变电站设备的状态是一项很耗时的工作，并且很难全面地查找出设备故障。而使用热像仪监测变电站设备状态能够获取较为准确的图像，工作人员根据图像掌握设备状态以采取适当的措施。但该监测方式周期较长，并且微小故障持续时间长，缺乏对其连续监测可能会导致危险的发生。

目前常用的措施是在变电站上方安装低功率热像仪以监测设备，利用热像仪采集热信号，进行设备状态监测分析。红外图像处理通过数据处理获得表征设备运行状态的特征量，并利用自适应神经模糊推理系统、深度学习等方法实现设备状态的分类或识别。但现有研究大多侧重于绝缘子、输电线等设备，对站内其他设备的研究相对较少，且缺乏对复杂环境下设备状态的分析，实用性与检测准确度有待加强。

因此，随着变电站智能化的发展，对其设备状态的检测提出了更高的要求，一旦设备出现故障，能够及时处理，以保证变电站的安全可靠运行。

发明内容

为了解决上述技术问题，本发明提供了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。

为实现上述目的，本发明采用了以下技术方案：

一种基于深度学习的智能变电站设备状态检测方法，包括：

热像仪采集智能变电站的设备状态数据；

设备的热图像上传至安装在变电站内的RTU进行图像分析；

采用中值滤波和侵蚀技术对RTU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；

基于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。

进一步的，利用中值滤波技术对RTU中图像进行降噪处理；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。

将侵蚀技术应用于中值滤波后得到的具有低噪声的图像，通过侵蚀具有白色像素区域的边界以获取包围可能故障区域的矩形盒。该技术使用两个数据集作为输入，一个数据集是被侵蚀的图像，另一个是指定侵蚀影响输入图像精度的坐标点集。

加速鲁棒特征法即SURF，SURF是一种特征检测器，可用于检测物体的识别、排列或三维再现，并通过使用预先配置基本图片的三个整数运算进行图像处理。SURF描述子用于发现和感知物体，由个体再现三维场景，集中追踪物体。