[发明专利]基于深度学习的输电线路覆冰图像中覆冰厚度检测方法

说明书

本发明公开了一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，属于数字图像识别领域，目的在于克服现有应拉力监测中灵敏度和可靠性不高的问题，提高输电线路覆冰厚度监测的准确性和自动化程度，本发明用于电力系统输电线路的覆冰厚度监测与超限告警，包括：（1）收集覆冰图像；（2）预处理图像并建立数据集；（3）建立卷积神经网络；（4）训练并测试模型；（5）提取覆冰厚度信息并传回至控制中心等五步骤；本发明将数字图像特征识别方法引入到输电线和杆塔的覆冰厚度检测中，利用图像中覆冰的形态特征自动提取厚度信息，为运维人员制定除冰计划，为保证电力系统安全稳定运行提供了一种新的直观而智能化的手段。

技术领域

本发明属于数字图像识别技术领域，具体涉及一种基于深度学习算法的图像中覆冰厚度状态检测方法，可用于对电力系统输电网设备覆冰监测与超限告警。

背景技术

电网安全稳定运行对国民经济发展的重要性不言而喻，随着电网互联不断深入和电力市场的逐步实施，电网的运行环境也更加复杂，对电网的稳定性和可靠性提出了更高的要求。我国幅员辽阔、气候多样、地形复杂，遍布全国的电力网经常受到各种自然灾害的破坏，我国大部分经常因为极端低温和覆冰导致大面积停电事故。覆冰灾害会导致电网发生机械故障和电气故障，如变电站停运、杆塔倒塌、冰闪跳闸、线路舞动和变电站设备损坏等事故。

覆冰对我国电网造成重大设备损失和导致大面积停电事故，且发生覆冰地区往往气候条件恶劣，交通和通讯中断，抢修难度大，造成大面积停电事故，严重影响供电可靠性。输电线路和电力设备的覆冰是客观存在的，无法从根本上消除。为减小覆冰带来的灾害，必须对电网中的电气设备覆冰进行防护，及时消除覆冰安全隐患。

目前覆冰防护主要通过监测和抑制两种方法，监测手段通过在电气设备上安装传感器和摄像机实现在线监测覆冰状态，或通过人工巡检方式对关键线路巡查发现故障隐患；国内常受覆冰灾害影响地区均已安装了覆冰监测系统监测电网关键线路和节点的覆冰状态，但近年来频发的冰灾事故证明，当前的几种监测手段还无法满足电力系统安全、稳定的运行要求，以2014年为例，因覆冰引起跳闸597次，跳闸率为0.103次/百千米·年，重合成功率46.4％，与2013年(221次)相比增加376次，增幅为170.1％。2014年覆冰造成故障非停320次，故障非停率为0.055次/百千米·年，2014年覆冰造成故障非停次数约为2013年(63次)的5倍。分析目前覆冰监测难以满足电网运行要求的原因，可以概括为：

(1)传感器监测覆冰受工作环境影响较大，恶劣的气候气象条件或电磁场干扰均会降低传感器的测量精度；

(2)摄像机监测通过拍摄监测点杆塔或线路覆冰图像判断当前覆冰状态，但由于缺乏对覆冰图像的有效处理和利用方法，无法从获取可靠覆冰信息；

(3)人工巡检方式或直升机巡检成本高，效率低，难以对全网进行监控；

(4)系统不能及时发现覆冰隐患，导致覆冰预警无法及时发出，加上除冰操作的相对滞后，覆冰无法及时消除。

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算法的输电线路覆冰图像识别方法，能够根据输入的覆冰图像自动识别覆冰厚度，确保电力部门及时线路覆冰的状况。

本发明所采用的技术方案是：一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于，包括以下步骤：

步骤1：获取覆冰图像数据和对应的应拉力监测数据；

步骤2对原始覆冰图像进行预处理，将原始覆冰图像的尺寸处理成尺寸大小一致的图像，用拉力传感器测量的覆冰厚度作为图像标签；

步骤3：建立深度学习卷积神经网络模型，针对图像数量和尺寸，建立相应的模型参数，设置每层网络的单元数和激活函数；

步骤4：调整权值并训练模型，对图像进行特征提取和组合，判断并输出覆冰厚度；