[发明专利]一种基于深度学习的变电站监测方法、系统、电子设备

说明书

本发明公开了一种基于深度学习的变电站监测方法、系统、电子设备，该监测方法通过对变电站待监测区域进行成像分析，得到待监测区域对应的多个拍摄区块及其编号；获取多个拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对监测图像集进行识别，根据识别结果提取待监测区域中的异常图像；呈现异常图像对应的异常类别及其对应的拍摄区块的编号，本发明基于深度学习建立图像识别模型，通过图形识别技术实现变电站的实时监测，在识别到渗油漏油风险后，能够有针对性实现区域对应，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效、准确的实现变电站的监测，从而提高变电站的监测效率，降低人力成本。

技术领域

本发明涉及变电站管理技术领域，更进一步的，涉及一种基于深度学习的变电站监测方法、系统、电子设备。

背景技术

在变电站中，变压器、互感器、电容器等许多重要设备为充油设备，这些设备由于温差导致的金属材料以及密封材料大范围地热胀冷缩、设备结构设计不合理、制造工艺和质量问题、材质选用问题、部件老化、施工安装不当等原因常会出现渗漏油的情况；一旦出现渗漏油情况，不仅影响外观，污染环境，而且会使油位降低，引起低油位告警；甚至会使带电接头、开关处在无油绝缘的状况下运行，从而导致绝缘降低、击穿、短路、烧损，甚至爆炸；且渗漏油还会使变压器由密封状态变为非密封状态，长此以往，对变压器的绝缘品质和使用寿命都会产生不利影响，故通常需要对变电站设备的渗漏油状态进行巡检，但是随着变电站数量的增加，采用人工巡视发现设备缺陷，工作负荷大、时间长，管理精益化水平下降和“管不过来”等问题日渐突出，如何实现变电站高效监测、实时巡检是亟需解决的技术问题。

有鉴于此，特提出本申请。

发明内容

针对于在现有技术中针对于变电站渗漏油巡检过程采用人工巡检存在的工作负荷大、时间长、工作效率低的问题，本发明提供了一种基于深度学习的变电站监测方法及系统，该方法基于深度学习技术预先建立识别图像集，通过图像识别的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。

为实现上述发明目的，本发明提供以下技术方案：

第一方面

本发明实施例提供了一种基于深度学习的变电站监测方法，包括如下步骤：

对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；

获取多个所述拍摄区块处的图像，得到监测图像集；

利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；

呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号。

在本方案中，基于图像识别的原理实现变电站的实时监测，通过获取变电站的监测图像，并针对于图像进行划分及编号，在识别到渗油漏油风险后，能够有针对性的辅助运维人员对应相关风险区域并进行修复，且在本方案中，基于深度学习原理，对模型进行训练，进一步保证了图形设备的准确性及有效性，基于上述变电站监测方法，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。

进一步的，通过以下方法构建图像识别模型，包括：

获取变电站中多张异常图像与正常图像，其中，所述异常图像为设备的渗漏油图像，并通过模拟渗漏油部位的油迹覆盖范围进行轻微、中度、严重划分；所述正常图像为设备的未发生渗漏油的图像；

对获取到的异常图像与正常图像进行类别标注，生成训练图像集；

构建初始图像识别模块，利用所述训练图像集对所述初始图像识别模型进行训练，直到所述初始图像识别模型满足条件收敛，得到所述变电站图像识别模型。