CN112668754A - 一种基于多源特征信息融合的电力设备缺陷诊断方法 - Google Patents

Abstract

本申请公开了一种基于多源特征信息融合的电力设备缺陷诊断方法，包括：获取同一探测范围内待检测区域的第一图像、第二图像以及声音数据；基于小波变换法，根据第一图像和第二图像，生成融合图像，并根据声音数据，对融合图像进行标注，生成样本数据集；基于BP神经网络生成初始缺陷诊断模型，并根据样本数据集对初始缺陷诊断模型进行训练，以确定模型参数；根据模型参数和初始缺陷诊断模型，生成电力设备缺陷诊断模型，电力设备缺陷诊断模型用于根据待检测电力设备的第一图像、第二图像以及声音数据进行故障识别，以生成故障预测框。通过本申请中的技术方案，能够有效对电力设备进行故障检测，提升电网运行的稳定性。

Description

一种基于多源特征信息融合的电力设备缺陷诊断方法

技术领域

本申请涉及电力设备检测的技术领域，具体而言，涉及一种基于多源 特征信息融合的电力设备缺陷诊断方法。

背景技术

国内在电力能源方面的需求越来越高，电力设备维护是不能忽视的问 题。在电力设备缺陷检测的现有技术中，通常分为三种检测手段，包括： 红外热图像检测、可见光图像检测、以及声音数据检测。

1)红外热图像可提供完整的目标温度信息，但背景信息模糊不清，不 能准确识别出设备过热的具体部位；

2)可见光图像能提供较全面的背景信息，但目标缺陷信息不明显；

3)声音数据能提供频率等声音参数信息、对应同视角拍摄图像的位置 信息等其他参数信息，根据位置信息可定位到对应同视角拍摄图像上的位 置，将频率等声音参数信息，与电力设备缺陷类型进行结合，虽然可在终 端数据库中寻找合适的解决方案，但单独声音数据无法准确得到电力设备 缺陷类型等信息，存在得到的电力设备缺陷检测信息不全的问题。

而现有技术中，通常将红外热图像和可见光图像融合，从而在电力环 境中进行电力设备缺陷检测，但是，并没有将声音数据提供到的频率等参 数信息运用其中，即在得到缺陷类型的同时，无法根据电力设备受缺陷的 程度实时找到解决方案，不利于对缺陷设备进行精准维护。

发明内容

本申请的目的在于：通过获取原始多源数据，至少包括可见光图像、 红外热图像、声音数据，在数据处理与融合机制上对原始多源数据进行处 理，然后训练得出电力设备缺陷检测模型，预测时可得到电力设备的缺陷 类型和对应的频率等声音参数信息，进而根据设备的缺陷类型和缺陷设备 的声音数据对应的频率等参数信息，与终端数据库进行匹配，以便找出缺 陷解决方案。

本申请的技术方案是：提供了一种基于多源特征信息融合的电力设备 缺陷诊断方法，该方法包括：步骤1，获取同一探测范围内待检测区域的第 一图像、第二图像以及声音数据；步骤2，基于小波变换法，根据第一图像 和第二图像，生成融合图像，并根据声音数据，对融合图像进行标注，生 成样本数据集；步骤3，基于BP神经网络生成初始缺陷诊断模型，并根据 样本数据集对初始缺陷诊断模型进行训练，以确定模型参数；步骤4，根据 模型参数和初始缺陷诊断模型，生成电力设备缺陷诊断模型，电力设备缺 陷诊断模型用于根据待检测电力设备的第一图像、第二图像以及、声音数 据进行故障识别，以生成故障预测框，其中，故障预测框中标注有预测标 签，预测标签用于判断待检测电力设备是否故障。

上述任一项技术方案中，进一步地，声音数据由声音传感器阵列采集 得到，声音传感器阵列被排布为混十字-螺旋阵20声呐阵型，声音传感器阵 列的探测范围与图像获取设备的探测范围重合，图像获取设备用于获取第 一图像、第二图像。

上述任一项技术方案中，进一步地，预设融合条件包括低频预设融合 条件和高频预设融合条件，步骤2，具体包括：步骤21，采用小波变换法， 并按照图像所在位置，对滤波处理后的第一图像和第二图像进行逐级分解； 步骤22，根据低频预设融合条件，将相同位置处、分解得到的第一低频图 像与第二低频图像进行低频融合，记作融合低频图像；步骤23，根据高频 预设融合条件，以及分解得到的第一高频图像和第二高频图像所在的位置，依次选取每一级分解出的、相同位置处的第一高频图像或第二高频图像， 记作该位置处的融合高频图像；步骤24，采用小波逆变换法，根据融合低 频图像和不同位置处的融合高频图像，生成融合图像。

上述任一项技术方案中，进一步地，步骤23，具体包括：步骤231， 将相同级别的第一高频图像拆分为大小相等的多个第三子块图像、以及第 二高频图像拆分为大小相等的多个第四子块图像，第三子块图像的数量等 于第四子块图像的数量；步骤232，计算第三子块图像、第四子块图像中的 像素平均值，依次选取同一级别下、相同位置处第三子块图像、第四子块 图像中像素平均值较大的图像，作为该位置处的融合高频图像。

上述任一项技术方案中，进一步地，步骤3中，故障检测模型的模型 参数由神经网络模型与样本融合图像确定，具体包括：

步骤31，获取电力设备运行状态下同一视角下的样本图像，并根据样 本图像生成样本融合图像；

步骤32，构建神经网络模型，神经网络模型包括正向传播路径和反向 传播路径，在反向传播路径中引入动量因子，对反向传播路径中的权值和 阈值进行调节，其中，调节权值和阈值的计算公式为：

Δω_ji(k+1)＝(1-mc(k))η(k)δ_jx_ji+mc(k)Δω_ji(k)

Δb_j(k+1)＝(1-mc(k))η(k)δ_j+mc(k)Δb_j(k)

式中，Δω_ji(k+1)为第k+1次迭代的权值调整量，Δb_j(k+1)为第k+1次 迭代的阈值调整量，mc(k)为第k次迭代时对应的动量因子，η(k)为第k次 迭代时对应的学*** 方和；

步骤33，将样本融合图像输入引入动量因子后的神经网络模型，根据 第k次迭代过程中反向传播路径回传的权值和阈值，进行第k+1次迭代， 当判定第k+1次迭代收敛时，将神经网络模型记作故障检测模型，将神经 网络模型的参数记作模型参数。

本申请的有益效果是：

本申请中的技术方案与现有技术相比优势在于：

(1)本发明在数据处理与融合机制上进行了可见光图像和红外热图像 的图像实时采集和图像实时传输，并且能实现可见光图像与红外热图像的 高效融合。并且在该机制上对接收的声音数据进行预处理。

(2)本发明在标注图像时，将频率等声音参数信息加入其中，在预测 时不仅可得到设备状态，还可得到电力设备对应的声音信息，方便后续在 终端数据库中寻找解决方案。

(3)本发明在训练所得到的融合图像的时候，使用ABPM算法，更新 模型参数。既可有效地抑制网络陷入局部极小，又有利于缩短学习时间。

(4)本发明在减少重叠的预测框时，使用DCT-Soft-NMS方法，通过 动态改变阈值来减少同一个物体周围的多个预测框。此方法比传统方法效 果更好。

(5)本发明声音传感器阵列中采用的麦克风阵列是混十字-螺旋阵的 20声呐阵型，在分辨率和抗干扰性能方面均有提升。

(6)本发明的电力设备缺陷检测方法，能够有效对电力设备进行缺陷 检测，实用性强，便于推广，经济效益和社会效益都较高，提升了电网运 行的稳定性。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中 将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的基于多源特征信息融合的电力设备 缺陷诊断方法的示意流程图；

图2是根据本申请的一个实施例的声纳阵型的示意图；

图3是根据本申请的一个实施例的可见光图像与红外热图像融合过程 的示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附 图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不 冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是， 本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请 的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本实施例提供了一种基于多源特征信息融合的电力设备 缺陷诊断方法，该方法包括：

步骤1，获取同一探测范围内待检测区域的第一图像、第二图像以及声 音数据；

本实施例设定第一图像为可见光图像，第二图像为红外热图像。

本实施例对第一图像、第二图像的采集方式并不限定，采用常规的图 像获取设备(如摄像机)即可，在采集过程中，保证两个图像获取设备在 同一视角(探测范围内)下，便可获得待检测区域的第一图像和第二图像。

在获取声音数据时，本实施例采用混十字-螺旋阵20声呐阵型作为声音 传感器阵列，通过调整位置关系，使得其探测范围与图像获取设备的探测 范围重合，此时便可获得获取同一探测范围内待检测区域的第一图像、第 二图像以及声音数据。

常规情况下，声音数据是由声音传感器阵列采集的。声音传感器阵列 的空间排布几何规则不同，不同的声呐阵型决定了不同的空域滤波性能。 此处，综合考虑阵列分辨率和抗干扰性能，声音传感器阵列采用的麦克风 阵列，并组成混十字-螺旋阵的20声呐阵型。

如图2所示，两条直线201构成十字状，曲线202构成螺旋状。两条 直线201相互垂直，水平直线上等间距地设置有7个声音传感器，竖直直 线上设置有6个声音传感器，竖直直线位于水平直线中心偏右的位置处。 设定水平直线上声音传感器由左至右依次编号为S1，S2，…，S7，竖直直 线上声音传感器由上至下依次编号为L1，L2，…，L6，声音传感器L1至L3位于水平直线的上方。曲线202由内至外依次穿过声音传感器S5、L3、 S3、L4、S7、L1、S1、L6，且相邻的两个水平直线与竖直直线上的声音传 感器之间，等间距的设置有一个单独属于曲线202上的声音传感器。特别 的，曲线202上最后一个声音传感器的位置由曲线202的弧度、以及水平 直线与竖直直线间的角平分线的交点确定。

需要说明的是，声音数据包括声音传感器阵列中不同位置的声音传感 器采集的被检电力设备声音的参数信息，该参数信息包括频率等声音参数 信息、对应同视角拍摄图像的位置信息等其他参数信息。并且，在获取声 音数据后，还对获取到的声音数据进行预处理，其中，该预处理过程包括： 对声音传感器阵列获取到的声音数据进行放大，提高信噪比，减少干扰； 然后将放大后的声音数据转换成对应的数字信号；接着对该数字信号进行噪音滤除，防止污染信号源，此时，声音数据对应的数字信号即为预处理 后的声音数据。

步骤2，分别将第一图像(可见光图像)和第二图像(红外热图像)逐 级分解，根据预设融合条件、以及分解后第一图像和第二图像中相同位置 处的图像，生成融合图像；

需要说明的是，现有的图像融合方法计算量较大、且融合速率较慢， 为了将图像融合应用在本实施例中的电力故障检测中，本实施例中示出一 种生成融合图像的方法，具体包括：

步骤21，根据高斯滤波函数，分别对第一图像(可见光图像)和第二 图像(红外热图像)进行滤波处理，将其分辨率转换为300*300。

在滤波过程中，用一个指定的模板(或称卷积、掩膜)去扫描图像中 的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中 心像素点的值。由于图像是二维的，所以在图像处理中使用的是二维高斯 函数，此处二维高斯分布函数的计算公式为：

式中，x、y为像素点坐标，预设参数θ通常可以设定为1.5，其大小决 定了高斯函数的宽度。

之后，采用小波变换法，分别将滤波后的第一图像、第二图像进行逐 级分解，按照图像所在位置，将每一级别分解后得到的图像依次定义为： 第一低频图像、第一高频图像、第二低频图像、第二高频图像。

分解后再次采用相同的小波变换法，便可以对当前级别的第一低频图 像、第二低频图像进行再次分解，分解为下一级别的第一低频图像、第一 高频图像、第二低频图像、第二高频图像，即每个级别的低频图像还可以 逐级分解，以便提高图像融合的精度；

采用小波变换法分解图像的具体过程、图像位置的设定，本实施例并 不限定。

不同频率分量级别的、分解得到的图像，可采用不同的融合规则进行 融合处理，得到融合后的图像。

需要说明的是，每一级分解得到的图像的位置并未改变，融合时根据 相同位置处的图像进行融合，即可得到第一图像、第二图像对应的融合图 像。

在本实施例中，利用图像的低频部分表现图像的概貌和平均特性，图 像的高频部分反应图像的细节特性。

步骤22，根据预设融合条件中的低频预设融合条件，逐级将相同位置 处、分解得到的第一低频图像与第二低频图像进行低频融合，记作融合低 频图像；

步骤23，根据预设融合条件中的高频预设融合条件，以及分解得到的 每一级的、所述第一高频图像和所述第二高频图像所在的位置，依次选取 每一级分解出的、相同位置处的第一高频图像或第二高频图像，记作该位 置处的所述融合高频图像；

如图3所示，在进行分解时，以第一图像为例，首先将第一图像分解 为第一级的第一低频图像、第一高频图像(包括图像8-10)，再次对第一级 的第一低频图像进行分解，得到第二级的第一低频图像、第一高频图像(包 括图像5-7)，再对第二级的第一低频图像进行分解，得到第三级的第一低 频图像(包括图像1)、第一高频图像(包括图像2-4)。

在进行融合时，首先根据低频预设融合条件对分解后的、两个图像中 的图像1进行低频融合，根据高频预设融合条件对图像2-4进行选取，得到 第三级对应的融合高频图像；再根据相同的高频预设融合条件对图像5-7 进行选取，得到第二级对应的融合高频图像；最后根据高频预设融合条件 对图像8-10进行选取，得到第一级对应的融合高频图像。

需要说明的是，第一图像和第二图像的分解由预设图像分解条件、图 像中的像素信息确定，本实施例对图像分解的过程并不限定。

在根据低频预设融合条件，对第一低频图像与第二低频图像进行低频 融合时，具体包括：

步骤221，将相同位置处的第一低频图像拆分为大小相等的多个M×N 第一子块图像、以及将第二低频图像拆分为大小相等的多个M×N第二子 块图像，第一子块图像的数量等于第二子块图像的数量；

本实施例中，由于第一子块图像的大小等于第二子块图像的大小，且 原始图像(第一图像和第二图像)的拍摄视角相同，因此，拆分后的第一 子块图像中的场景对应于第二子块图像中的场景，两者可以通过编号进行 一一对应，即第q个第一子块图像与第q个第二子块图像对应。

以子块图像为单位，对每个子块图像进行数值分布统计，计算其方差、 标准差、协方差，进而计算相关系数。

步骤222，依次分别计算相同位置处的第一子块图像与第二子块图像的 相关系数ρ(A,B)，ρ(A,B)∈[0,1]，相关系数ρ(A,B)的计算公式为：

ρ(A,B)＝Cov(A,B)/σ_Aσ_B

Cov(A,B)＝E[(A-E[A])(B-E[B])]

式中，A为第一子块图像中的像素值，B为第二子块图像中的像素值， Cov(·)为协方差运算，E(·)为方差运算，σ_A为第一子块图像的标准差，σ_B为 第二子块图像的标准差；

步骤223，根据所述相关系数、所述第一子块图像、所述第二子块图像， 生成所述融合低频图像。

具体的，通过设定融合阈值，依次判断相关系数ρ(A,B)是否在融合阈 值的范围内，当相关系数ρ(A,B)在融合阈值范围内时，选取第一子块图像 作为融合子图像，否则，选取第二子块图像作为融合子图像。

进而根据选取出的融合子图像以及该图像所在的位置，生成融合低频 图像。

进一步的，为了提高融合图像的精度，充分利用可见光图像的颜色和 清晰的轮廓边缘、以及红外热图像的亮度信息，本实施例还示出了一种改 进的低频图像融合方法，该方法具体包括：

当判定相关系数ρ(A,B)属于第一阈值时，即ρ(A,B)∈[0,0.18)，两个子 图像中度相关，若第一子块图像的标准差σ_A大于或等于第二子块图像的标 准差σ_B时，将第一子块图像记作融合低频子图像，否则，将第二子块图像 记作融合低频子图像；

当判定相关系数ρ(A,B)属于第二阈值时，即ρ(A,B)∈[0.18,0.5)，两个 子图像中度相关，融合低频子图像F的计算公式为：

当判定相关系数ρ(A,B)属于第三阈值时，即ρ(A,B)∈[0.5,1)，两个子图 像相关程度较高，融合低频子图像F的计算公式为：

进一步的，在根据高频预设融合条件，选取融合高频图像时，具体包 括：

步骤231，将相同级别的第一高频图像拆分为大小相等的多个第三子块 图像、以及第二高频图像拆分为大小相等的多个第四子块图像，第三子块 图像的数量等于第四子块图像的数量；

步骤232，计算所述第三子块图像、所述第四子块图像中的像素平均值， 依次选取同一级别下、相同位置处第三子块图像、第四子块图像中像素平 均值较大的图像，作为相应位置处的融合高频图像。

具体的，如图3所示，首先将第一图像中的图像2-4进行拆分，得到第 三级对应的第三子块图像，计算各个第三子块图像对应的像素平均值，同 时对第二图像中的图像2-4进行拆分，得到第三级对应的第四子块图像，计 算各个第四子块图像对应的像素平均值，根据子块图像的位置，依次选取 像素平均值较大的图像作为第三级对应的各个融合高频图像。

之后采用同样的方式，在图像5-7中确定第二级对应的各个融合高频图 像，在图像8-10中确定第一级对应的各个融合高频图像。

步骤24，采用小波逆变换法，根据融合低频图像和融合高频图像，生 成融合图像。

具体的，图像的重建过程(生成融合图像的过程)即小波逆变换过程， 是通过图像的增频采样和卷积来实现的。将融合后的两种分量的图像通过 小波逆变换，再次进行整合，得到最终的融合图像。

本实施例中，对得到的融合图像进行人工标注，标注设备标签，将标 注后的融合图像作为样本数据集。

设备标签至少包括：相关电力设备在融合图像中的位置坐标，如左上 角的坐标(x_l，y₁)，右下角的坐标(x₂，y₂)；相应电力设备的、预处理后的声 音数据；电力设备及故障类型，如防震锤可标记为fzc，若防震锤移位时可 标记为fzcyw、防震锤脱落时可标记为fzctl。

其中，标注声音数据时，根据预处理后的声音数据对应的图像位置参 数信息，可定位到同视角拍摄图像上的位置，从而进行标注。

步骤3，基于BP神经网络生成初始缺陷诊断模型，并根据所述样本数 据集对所述初始缺陷诊断模型进行训练，以确定模型参数。初始缺陷诊断 模型能够在融合图像中添加故障预测框，故障预测框中标注有预测标签， 预测标签用于判断融合图像中的电力设备是否故障。

本实施例中，初始缺陷诊断模型的模型参数通过将样本数据集输入至 具有自学习能力的BP神经网络模中，利用BP神经网络的自学习能力进行 确定。

本实施例中，由BP神经网络构成的初始缺陷诊断模型中模型参数的确 定过程，具体包括：

步骤31，构建初始缺陷诊断模型，初始缺陷诊断模型包括正向传播路 径和反向传播路径，在反向传播路径中引入动量因子，利用ABPM算法(带 动量项自适应变步长算法)，对反向传播路径中的权值和阈值进行调节，其 中，调节权值和阈值的计算公式为：

Δω_ji(k+1)＝(1-mc(k))η(k)δ_jx_ji+mc(k)Δω_ji(k)

Δb_j(k+1)＝(1-mc(k))η(k)δ_j+mc(k)Δb_j(k)

式中，Δω_ji(k+1)为第k+1次迭代的权值调整量，Δb_j(k+1)为第k+1次 迭代的阈值调整量，mc(k)为第k次迭代时对应的动量因子，η(k)为第k次 迭代时对应的学*** 方和；

具体的，通过引入动量因子，使网络在修正权值时不仅考虑误差在梯 度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的 作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过 这些极小值。

由于在误差曲面的平坦区，学习速率η(k)过小会使训练次数增加，故 希望增大η(k)值；而在误差变化剧烈区，η(k)过大会使调整量过大而跨过较 窄的“坑凹”处，使迭代次数增加训练出现振荡。因此，对学习速率η(k) 进行自适应调整，加速BP网络的收敛。学习速率η(k)的计算公式为：

通过引入动量因子以及对学习速率η进行自适应调整，既可有效地抑 制网络陷入局部极小，又有利于缩短学习时间。

步骤32，将样本数据集输入引入动量因子后的初始缺陷诊断模型，根 据第k次迭代过程中反向传播路径回传的权值和阈值，进行第k+1次迭代， 当判定第k+1次迭代收敛时，将初始缺陷诊断模型的参数，即权值和阈值， 记作模型参数。

具体的，对整个样本数据集进行数据标注，然后根据实际情况按照一 定比例，将样本数据集分为训练集和测试集(测试集一般较少，如占样本 数据集的20％)。

将训练集输入到上述模型中进行迭代训练，根据标定好的设备标签与 模型输出结果的误差，利用改进的BP算法调整权值和阈值，直到模型收敛， 即标定好的设备标签与模型输出结果的误差稳定在一定的范围。

之后，将测试集输入到上述训练好的模型中，进行模型测试，输出模 型准确率，若准确率符合预期，则可将该模型作为初始缺陷诊断模型。

本实施例中得到的初始缺陷诊断模型可在融合图像上添加预测标签， 该预测标签与样本数据集中标定的设备标签相对应，由引入动量因子及学 习速率改为自适应调整后的BP神经网络算法预测得出。

本实施例中，将样本数据集作为输入，输入到上述初始缺陷诊断模型 中，通过BP神经网络算法，输出带有故障预测框的融合图像，其中，故障 预测框上注明预测标签(设备标签)，该故障预测框中的预测标签即可表明 预测的设备状态，如标签为“fzcyw”，则代表该待检测区域中防震锤移位。

需要说明的是，本实施例中还使用动态改变阈值的Soft-NMS方法，来 减少重叠的故障预测框，留下置信度得分高于阈值t的故障预测框，提高初 始缺陷诊断模型输出结果的可辨识度，其中，阈值t的调节公式为：

步骤4，根据所述模型参数和所述初始缺陷诊断模型，生成电力设备缺 陷诊断模型，所述电力设备缺陷诊断模型用于根据待检测电力设备的第一 图像、第二图像以及、声音数据进行故障识别，以生成故障预测框，其中， 所述故障预测框中标注有预测标签，所述预测标签用于判断所述待检测电 力设备是否故障。

具体的，待得到电力设备缺陷诊断模型后，获取待检测电力设备的可 见光图像、红外热图像和声音数据，经数据处理与融合机制得到可见光图 像和红外热图像的融合图像，及预处理后的声音数据，输入到上述电力设 备缺陷检测模型中，输出带有预测框的融合图像，其中，预测框上面注明 有电力设备的预测标签，可表明待检测电力设备状态(正常或缺陷类型) 及相应频率等声音数据。

将设备缺陷类型和缺陷设备的声音数据对应的频率等声音参数信息和 终端数据库匹配，便可找出解决方案。终端数据库中预存有：多个解决方 案以及每个解决方案对应的电力设备缺陷类型和频率等声音参数信息。

其中，不同电力设备的缺陷类型是电力设备缺陷检测人员根据以往发 生过的电力设备缺陷，对缺陷类型进行专业定义并存储的；声音数据对应 的频率等声音参数信息是电力设备发生缺陷时的参数门限值，不同的参数 门限值可找出不同的解决方案，合适的解决方案可提高电网的运行效率。

以上结合附图详细说明了本申请的技术方案，本申请提出了一种基于 多源特征信息融合的电力设备缺陷诊断方法，包括：获取同一探测范围内 待检测区域的第一图像、第二图像以及声音数据；基于小波变换法，根据 第一图像和第二图像，生成融合图像，并根据声音数据，对融合图像进行 标注，生成样本数据集；基于BP神经网络生成初始缺陷诊断模型，并根据 样本数据集对初始缺陷诊断模型进行训练，以确定模型参数；根据模型参 数和初始缺陷诊断模型，生成电力设备缺陷诊断模型，电力设备缺陷诊断 模型用于根据待检测电力设备的第一图像、第二图像以及声音数据进行故 障识别，以生成故障预测框。通过本申请中的技术方案，能够有效对电力 设备进行故障检测，提升电网运行的稳定性。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示 例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求 限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的 各种变型、改型及等效方案。

Claims (5)

1.一种基于多源特征信息融合的电力设备缺陷诊断方法，其特征在于，所述方法包括：

步骤1，获取同一探测范围内待检测区域的第一图像、第二图像以及声音数据；

步骤2，基于小波变换法，根据所述第一图像和所述第二图像，生成融合图像，并根据所述声音数据，对所述融合图像进行标注，生成样本数据集；

步骤3，基于BP神经网络生成初始缺陷诊断模型，并根据所述样本数据集对所述初始缺陷诊断模型进行训练，以确定模型参数；

步骤4，根据所述模型参数和所述初始缺陷诊断模型，生成电力设备缺陷诊断模型，所述电力设备缺陷诊断模型用于根据待检测电力设备的第一图像、第二图像以及、声音数据进行故障识别，以生成故障预测框，其中，所述故障预测框中标注有预测标签，所述预测标签用于判断所述待检测电力设备是否故障。

2.如权利要求1所述的基于多源特征信息融合的电力设备缺陷诊断方法，其特征在于，所述声音数据由声音传感器阵列采集得到，所述声音传感器阵列被排布为混十字-螺旋阵20声呐阵型，所述声音传感器阵列的探测范围与图像获取设备的探测范围重合，所述图像获取设备用于获取所述第一图像、所述第二图像。

3.如权利要求1所述的基于多源特征信息融合的电力设备缺陷诊断方法，其特征在于，所述预设融合条件包括低频预设融合条件和高频预设融合条件，其特征在于，所述步骤2，具体包括：

步骤21，采用小波变换法，并按照图像所在位置，对滤波处理后的所述第一图像和所述第二图像进行逐级分解；

步骤22，根据所述低频预设融合条件，将相同位置处、分解得到的第一低频图像与第二低频图像进行低频融合，记作融合低频图像；

步骤23，根据所述高频预设融合条件，以及分解得到的第一高频图像和第二高频图像所在的位置，依次选取每一级分解出的、相同位置处的所述第一高频图像或所述第二高频图像，记作该位置处的所述融合高频图像；

步骤24，采用小波逆变换法，根据所述融合低频图像和不同位置处的所述融合高频图像，生成所述融合图像。

4.如权利要求3所述的基于多源特征信息融合的电力设备缺陷诊断方法，其特征在于，所述步骤23，具体包括：

步骤231，将相同级别的所述第一高频图像拆分为大小相等的多个第三子块图像、以及所述第二高频图像拆分为大小相等的多个第四子块图像，所述第三子块图像的数量等于所述第四子块图像的数量；

步骤232，计算所述第三子块图像、所述第四子块图像中的像素平均值，依次选取同一级别下、相同位置处所述第三子块图像、第四子块图像中像素平均值较大的图像，作为该位置处的所述融合高频图像。

5.如权利要求1至4中任一项所述的基于多源特征信息融合的电力设备缺陷诊断方法，其特征在于，所述步骤3中，所述故障检测模型的模型参数由神经网络模型与样本融合图像确定，具体包括：

步骤31，获取电力设备运行状态下同一视角下的样本图像，并根据所述样本图像生成所述样本融合图像；

步骤32，构建神经网络模型，所述神经网络模型包括正向传播路径和反向传播路径，在所述反向传播路径中引入动量因子，对所述反向传播路径中的权值和阈值进行调节，其中，调节所述权值和所述阈值的计算公式为：

Δω_ji(k+1)＝(1-mc(k))η(k)δ_jx_ji+mc(k)Δω_ji(k)

Δb_j(k+1)＝(1-mc(k))η(k)δ_j+mc(k)Δb_j(k)

式中，Δω_ji(k+1)为第k+1次迭代的权值调整量，Δb_j(k+1)为第k+1次迭代的阈值调整量，mc(k)为第k次迭代时对应的动量因子，η(k)为第k次迭代时对应的学***方和；

步骤33，将所述样本融合图像输入所述引入动量因子后的神经网络模型，根据第k次迭代过程中反向传播路径回传的权值和阈值，进行第k+1次迭代，当判定所述第k+1次迭代收敛时，将所述神经网络模型记作所述故障检测模型，将所述神经网络模型的参数记作所述模型参数。

Images