[发明专利]基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法

说明书

本发明提供一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，包括以下步骤：通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；在深度学习平台上对该模型进行训练，并将训练好的模型保存；利用改进的人工智能模型对采集的红外图像进行目标的检测与诊断；针对诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；实现变电站多种电气设备的红外图像的自动检测及诊断。本发明能够大幅降低运算量，从而能够部署在嵌入式设备中，实现对电气设备的有效检测，同时满足实时性检测的要求。

技术领域

本发明涉及电力设备运行状态安全监测领域，特别是一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法。

背景技术

随着电力系统的快速发展，人们对电力的依赖程度越来越高，并且对电力的需求也越来越大。如今为满足人们对可持续能源日益增长的需求，电力系统面临着巨大的挑战，因此需要更大、更复杂的电力系统，但是这种复杂性又影响了对其的检查和维护任务。变电站作为现代电力系统和未来智能电网运行中非常重要的一部分,对整个电网的安全运行不仅起到关键的作用，而且对变电站的系统检查是预测事故的关键。因为当变电站发生电气问题时可能会造成不必要的能源损失，还可能导致代价较高的系统停机，甚至造成技术人员受伤等情况。因此为了最大程度地减少电力设备的故障并避免因停电而造成的巨大经济损失，需要持续的检查和预防性的维护，及早发现初期故障，以防止永久性故障的发生，从而确保安全的长期运行。

红外热像技术因为比其他类型的传感器具有很多优点，因此已经成为一种广泛接受的状态监测技术。红外热像检测是以设备的热分布状态为依据对设备运行状态良好与否进行诊断的技术，该技术可以非接触性的远离被检测设备，并且测温范围宽从而可以快速的进行扫描检测。由于对电气设备红外检测会生成大量的图片数据，通过人工的方式分析红外图像对电气设备进行状态检测可能会耗费大量的时间和精力，还可能导致错误的诊断结果。并且当前经典的机器学习算法难也以有效识别输变电设备红外图像故障异常发热点。

近年来，随着计算机计算能力的提高，深度学习受到了越来越多的研究者的关注。深度学习方法在图像分类、故障诊断和目标检测等方面的应用越来越广泛。例如：B.Wang,M.Dong,M.Ren,Z.Y.Wu,C.X.Guo,T.X.Zhuang,O.Pischler and J.C.Xie.Automatic faultdiagnosis of infrared insulator images based on image instance segmentationand temperature analysis[J].IEEE Transactions on Instrumentation andMeasurement,vol.69,no.8,pp.5345-5355,Aug.2020.该文献基于Mask R-CNN提出来了一种红外绝缘子图像实例分割和温度分析的自动诊断方法。Y.P.Liu,X.X.Ji,S.T.Pei,Z.Ma,G.H.Zhang,Y.Lin and Y.F.Chen.Research on automatic location and recognitionof insulators in substation based on YOLOv3[J].High Voltage,vol.5,no.1,pp.62-68,Mar.2020.该文献提出了一种基于YOLOv3的外部电力绝缘设备自动定位识别与诊断方法，该深度学习算法用于提取绝缘子可见光通道下的图像数据特征。刘云鹏,裴少通,武建华,纪欣欣和梁利辉.基于深度学习的输变电设备异常发热点红外图片目标检测方法[J].南方电网技术,Vol.13,No.2,pp.27-33,Feb.2019.该文献提出一种基于Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。

相应专利还有CN202010905683.0-基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法和CN202010906630.0-基于人工智能的变电站绝缘子红外图像检测方法。