CN112991297A - 一种输电线路故障诊断方法、***、电子设备和存储介质 - Google Patents
一种输电线路故障诊断方法、***、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112991297A CN112991297A CN202110275647.5A CN202110275647A CN112991297A CN 112991297 A CN112991297 A CN 112991297A CN 202110275647 A CN202110275647 A CN 202110275647A CN 112991297 A CN112991297 A CN 112991297A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- image
- fault
- operation image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 142
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 19
- 230000002146 bilateral effect Effects 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 41
- 230000015654 memory Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004321 preservation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种输电线路故障诊断方法、***、电子设备和存储介质,其中,输电线路故障诊断方法包括:获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像;分别对历史故障运行图像和待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;以预处理历史故障运行图像作为神经网络的输入,以与历史故障运行图像相应的故障信息为输出构建神经网络模型;以预处理待检测的输电线路运行图像为神经网络模型的输入得到输电线路的故障诊断结果。本发明采用图像和神经网络模型进行输电线路的故障诊断,提高了诊断的效率和诊断结果的准确性。
Description
技术领域
本发明涉及电力检测技术领域,特别是涉及一种输电线路故障诊断方法、***、电子设备和存储介质。
背景技术
随着人们对电能的需求越来越多,电网输电规模逐步扩大,为了降低电能损耗,输电线路的电压等级不断提高,而输电线路故障的概率也相应提升。
目前输电线路检测的方式主要采用监测设备量测采集等技术对线路进行故障的监测,但由于输电网分配较广,其故障的判断有很大的一部分需要人为来完成,且对于存在的一些还没有发生的隐患还不能及时的发现,如绝缘子、金具等表面损坏,在很大程度上降低了高压输电线路故障监测***的可靠性。
因此,快速准确地定位故障问题,尽早发现故障,避免电网瘫痪是每个电力检修公司迫切需要解决的问题。
发明内容
本发明实施例提供一种输电线路故障诊断方法、***、电子设备和存储介质,以快速准确地发现输电线路的故障。
第一方面,本发明实施例提供了一种输电线路故障诊断方法,包括:
获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像;
分别对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;
以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型;
以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
可选的,所述以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型,具体包括:
设置初始缩放算子;
构建所述神经网络的目标函数;所述目标函数包括损失函数和正则化函数;
利用所述预处理历史故障运行图像和与所述历史故障运行图像相应的故障信息对所述神经网络进行训练;当迭代训练次数达到阈值或者所述目标函数满足预设条件时训练停止,得到所述神经网络模型。
可选的,所述神经网络模型包括:包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层;先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型。
可选的,对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理的方法相同,均包括:
采用双边滤波器对图像进行滤波处理;
对滤波后的图像进行灰度处理,得到灰度图像;
将所述灰度图像进行分割得到N*N个像素块,N为奇数;
以中心像素块为处理单元,向四个边缘方向进行降噪处理,得到预处理图像。
第二方面,本发明实施例提供了一种输电线路故障诊断***,包括:
图像获取模块,用于获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像;
图像预处理模块,用于分别对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;
模型构建模块,以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型;
诊断模块,用于以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
可选的,所述模型构建模块具体包括:
稀疏缩放算子设置单元,用于设置初始稀疏缩放算子;
目标函数构建单元,用于构建所述神经网络的目标函数;所述目标函数包括损失函数和正则化函数;
模型训练单元,用于利用所述预处理历史故障运行图像和与所述历史故障运行图像相应的故障信息对所述神经网络进行训练;当迭代训练次数达到阈值或者所述目标函数满足预设条件时训练停止,得到所述神经网络模型。
可选的,所述神经网络模型包括:包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层;先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型。
可选的,对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理的过程相同,图像预处理模块具体包括:
滤波单元,用于采用双边滤波器对图像进行滤波处理;
灰度处理单元,用于对滤波后的图像进行灰度处理,得到灰度图像;
分割单元,用于将所述灰度图像进行分割得到N*N个像素块,N为奇数;
降噪单元,用于以中心像素块为处理单元,向四个边缘方向进行降噪处理,得到预处理图像。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面所述的输电线路故障诊断方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面所述的输电线路故障诊断方法。
本发明实施例在获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像后,分别对历史故障运行图像和待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;以预处理历史故障运行图像作为神经网络的输入,以与历史故障运行图像相应的故障信息为输出构建神经网络模型;以预处理待检测的输电线路运行图像为神经网络模型的输入,得到输电线路的故障诊断结果。本发明实施例引入神经网络模型对图像信息进行处理,避免了人为主观因素对诊断结果的影响,提高了故障诊断的准确率。
附图说明
图1为本发明实施例一所提供的输电线路故障诊断方法流程图;
图2为本发明实施例二所提供的输电线路故障诊断方法流程图;
图3为本发明实施例三所提供的输电线路故障诊断***结构图;
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
实施例一
图1为本发明实施例一提供的一种输电线路故障诊断方法的步骤流程图,本发明实施例可适用于诊断输电线路故障的情况,该方法可以由本发明实施例的输电线路故障诊断***来执行,该输电线路故障诊断***可以由硬件或软件来实现,并集成在本发明实施例所提供的电子设备中,具体地,如图1所示,本发明实施例的输电线路故障诊断方法可以包括如下步骤:
S101、获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像。
在本发明实施例中,故障运行图像可以是通过监测设备监测到输电线路的电参数后所拟合的图像,示例性地,故障运行图像可以是电流曲线、电压曲线、功率曲线、电流波动曲线、电压波动曲线等。在实际应用中可以通过输电线路上的监测设备监测相应的电参数后拟合故障运行图像以诊断电路是否故障,例如,可以监测输电线路的电流拟合电流曲线,当电流曲线上的波峰电流大于预设值时可以确定发生故障,更优选地,可以进一步人为添加故障等级、故障位置、故障描述、故障编号等故障信息。
历史故障运行图像可以是当前时刻往前一段时间内的历史故障运行图像,示例性地,可以是当前时刻往前每个小时、每天或者每周的历史故障运行图像,每张历史故障运行图像对应有经人为确定的故障信息,待检测的输电线路运行图像可以是未进行故障诊断的图像,例如当前时刻往前指定时间段内获取到的待检测的输电线路运行图像。
S102、分别对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像。
具体地,对历史故障运行图像和待检测的输电线路运行图像进行预处理可以是进行图像预处理,例如可以是进行图像增强、滤波降噪、对比度调整等各种图像预处理,从而得到预处理历史故障运行图像和预处理待检测的输电线路运行图像。
S103、以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型。
在本发明实施例中神经网络模型可以在输入图像后输出图像对应的故障诊断结果,其中,神经网络模型可以是RNN、DNN、CNN等神经网络,本发明实施例对神经网络的结构不加以限制。
在训练神经网络模型时,可以以多张预处理历史故障运行图像为输入,以预处理历史故障运行图像对应的故障信息作为标签对神经网络模型进行迭代训练,直到迭代次数达到预设次数,或者神经网络模型的损失率小于预设值为止,停止训练后的神经网络模型即为训练好的神经网络模型。
S104、以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
在训练好神经网络模型后,可以将预处理待检测的输电线路运行图像输入到训练好的神经网络模型,由该神经网络模型输出输电线路的故障诊断结果,该故障诊断结果可以包括故障编号、故障等级、故障位置和故障描述等故障信息,其中,故障编号可是故障类型的代号,故障等级可以是故障的严重程度、故障描述可以是故障的发生时间、故障电参数的描述等。
本发明实施例在获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像后,分别对历史故障运行图像和待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;以预处理历史故障运行图像作为神经网络的输入,以与历史故障运行图像相应的故障信息为输出构建神经网络模型;以预处理待检测的输电线路运行图像为神经网络模型的输入,得到输电线路的故障诊断结果。本发明实施例引入神经网络模型对图像信息进行处理,避免了人为主观因素对诊断结果的影响,提高了故障诊断的准确率。
实施例二
图2为本发明实施例二提供的一种输电线路故障诊断方法的步骤流程图,本发明实施例在上述实施例一的基础上进行优化,如图2所示,本发明实施例的输电线路故障诊断方法可以包括以下步骤:
S201、获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像。
在实际应用中,可以获取已确定故障的输电线路的电流、电压、功率等电参数来拟合成历史故障运行图像,并为历史故障运行图像标注相应的故障信息,如对于已确定故障的输电线路的每个小时的故障运行图像,可以标注故障编号、故障等级、故障位置、故障描述等故障信息。
当需要对待检测输电线路进行故障诊断时,可以获取需要诊断时段的待检测的输电线路的运行图像,如获取待检测输电线路当前时刻往前1分钟、5分钟、1小时内的输电线路运行图像。
S202、采用双边滤波器对图像进行滤波处理,所述图像包括历史故障运行图像和所述待检测的输电线路运行图像。
为了提高故障诊断的准确性,可以先对获取到的历史故障运行图像和待检测的输电线路运行图像进行图像预处理,可选地,可以对历史故障运行图像和待检测的输电线路运行图像进行相同的图像预处理,在一个示例中,可以先对图像(历史故障运行图像和待检测的输电线路运行图像)进行双边滤波处理。
双边滤波(Bilateral filter)是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的,具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存(edgepreserving),双边滤波比高斯滤波多了一个高斯方差sigma-d,是基于空间分布的高斯滤波函数,双边滤波在边缘附近,离的较远的像素不会太多影响到边缘上的像素值,保证了边缘附近像素值的保存。由此通过双边滤波处理,可以完整地保存图像中的边缘信息,如保存历史故障运行图像和待检测的输电线路运行图像中的曲线边缘,更好地提取曲线特征。
S203、对滤波后的图像进行灰度处理,得到灰度图像。
在本发明实施例中,历史故障运行图像和待检测的输电线路运行图像可以是彩色图像,在得到滤波后的图像后,可以将滤波后的图中转换为灰度图,灰度是指黑白图像中的颜色深度,范围一般0-255,白色为255,黑色为0,故黑白图像也称为灰度图像。
彩色图像上的每个像素点的颜色由红(R)、绿(G)、蓝(B)三种颜色组成,灰度处理可以是根据每个像素点的RGB值转换为灰度值。在一个示例中,可以直接取每个像素点的R、G、B的平均值作为灰度值Gray:
Gray=(R+G+B)/3
例如,如果图像中一个像素点的R=125、G=100、B=202,则灰度值Gray=(125+100+202)/3=142,即灰度处理时该像素点的灰度值为142。
当然,Gray=R×0.3+G×0.59+B×0.11,或者还可以是其他灰度处理方法,本发明实施例对图像灰度处理的方法不加以限制。
S204、将所述灰度图像进行分割得到N*N个像素块,N为奇数。
在得到灰度图像后,对于每个像素点,可以以该像素点为中心取3*3、5*5、7*7的邻域像素而将灰度图划分为多个像素块,每个像素块包括奇数个像素点,优选地,将灰度图像划分为3*3的像素块。当然,在实际应用中可以根据灰度图像的大小来确定像素块的大小,本发明实施例对像素块的大小不做限制。
S205、以中心像素块为处理单元,向四个边缘方向进行降噪处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像。
对于每个像素块,可以通过均值滤波降噪、中值滤波降噪来进行降噪处理,均值滤波是指每个像素通过计算该像素的邻域像素的像素值的平均值作为该像素点的像素值,中值滤波可以是指每个像素通过取该像素的邻域像素的像素值的中间值作为该像素点的像素值。如对于一个3*3的像素块,该像素块的中心像素点的像素值可以是该像素块中其他像素点的像素值的平均值,或者是该像素块中其他像素点的像素值的中间值。当然,在实际应用中还可以通过其他降噪方法降噪,本发明实施例对降噪方法不做限制。
本发明实施例通过对历史故障运行图像和待检测的输电线路运行图像进行图像预处理,可以提高图像的质量,保证了训练出的神经网络模型诊断故障的准确度。
S206、设置初始缩放算子。
在本发明实施例中,神经网络模型可以包括输入层、卷积层、池化层、全连接层、softmax分类层和输出层,在一个示例中,卷积层的数量为2层,池化层的数量为2层,先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型。
神经网络模型的输入层、卷积层、池化层、全连接层、softmax分类层和输出层均包括多个神经元,构建神经网络模型时需要初始化每个网络层的网络参数,例如初始化每个网络层中神经元的权重因子以及设置每个网络层的初始缩放算子,缩放算子用于控制每轮迭代训练时,每层网络层中神经元处于活跃状态的数量,通过缩放算子,每层网络层中只有部分神经元被训练,从而可以提高特征在神经网络模型中的传输效率,提高神经网络模型的训练速度。
S207、构建所述神经网络的目标函数。
具体地,神经网络模型的目标函数包括损失函数和正则化函数,其中,损失函数用于计算每轮迭代训练后神经网络的损失率,正则化函数可以包括权重正则函数和缩放算子正则函数,权重正则函数用于计算特征经过每层网络后的输出特征,缩放算子正则函数用于调整缩放算子,则目标函数可以记为:
上述公式中,xi为历史故障运行图像,yi为历史故障运行图像对应的故障信息,即标签,W为权重因子,α为缩放算子,β为权重衰减系数,γ为系数,f()为神经网络模型。
当然,在实际应用中,本领域技术人员还可以设置其他的权重正则函数、缩放算子正则函数以及损失函数,本发明实施例对此不作限制。
S208、利用所述预处理历史故障运行图像和与所述历史故障运行图像相应的故障信息对所述神经网络进行训练。
在建立目标函数和初始缩放算子后,可以将预处理历史故障运行图像输入神经网络模型中得到预测的故障信息,通过预测的故障信息和历史故障运行图像相应的故障信息计算损失率,根据损失率来调整神经网络的网络参数,具体训练过程可参考现有神经网络的训练方法,本发明实施例在此不再详述。
S209、当迭代训练次数达到阈值或者所述目标函数满足预设条件时训练停止,得到所述神经网络模型。
神经网络的训练可以是采用一定数量的预处理历史故障运行图像和与历史故障运行图像相应的故障信息对神经网络模型迭代训练,停止训练条件可以是迭代次数达到预设的次数,或者是目标函数的函数值小于预设值,停止训练后的神经网络模型即为训练好的神经网络模型。
S210、以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
在训练好神经网络模型后,可以将预处理待检测的输电线路运行图像输入到训练好的神经网络模型,由该神经网络模型输出输电线路的故障诊断结果,该故障诊断结果可以包括故障编号、故障等级、故障位置和故障描述等故障信息,其中,故障编号可是故障类型的代号,故障等级可以是故障的严重程度、故障描述可以是故障的发生时间、故障电参数的描述等。
本发明实施例在获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像后,分别对历史故障运行图像和待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;以预处理历史故障运行图像作为神经网络的输入,以与历史故障运行图像相应的故障信息为输出构建神经网络模型;以预处理待检测的输电线路运行图像为神经网络模型的输入,得到输电线路的故障诊断结果。本发明实施例引入神经网络模型对图像信息进行处理,避免了人为主观因素对诊断结果的影响,提高了故障诊断的准确率。
进一步度,对图像进行双边滤波、灰度化以及降噪处理,提高图像质量,保证了训练出的神经网络模型诊断故障的准确度。
更进一步地,神经网络模型设置有缩放算子,可以提高了神经网络的训练效率,进而加快了故障预测的速度。
实施例三
图3是本发明实施例三提供的一种输电线路故障诊断***的结构框图,如图3所示,本发明实施例的输电线路故障诊断***具体可以包括如下模块:
图像获取模块301,用于获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像;
图像预处理模块302,用于分别对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;
模型构建模块303,以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型;
诊断模块304,用于以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
可选地,所述模型构建模块303具体包括:
稀疏缩放算子设置单元,用于设置初始稀疏缩放算子;
目标函数构建单元,用于构建所述神经网络的目标函数;所述目标函数包括损失函数和正则化函数;
模型训练单元,用于利用所述预处理历史故障运行图像和与所述历史故障运行图像相应的故障信息对所述神经网络进行训练;当迭代训练次数达到阈值或者所述目标函数满足预设条件时训练停止,得到所述神经网络模型。
可选地,所述神经网络模型包括:包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层;先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型。
可选地,所述图像预处理模块302具体包括:
滤波单元,用于采用双边滤波器对图像进行滤波处理;
灰度处理单元,用于对滤波后的图像进行灰度处理,得到灰度图像;
分割单元,用于将所述灰度图像进行分割得到N*N个像素块,N为奇数;
降噪单元,用于以中心像素块为处理单元,向四个边缘方向进行降噪处理,得到预处理图像。
本发明实施例所提供的输电线路故障诊断***可执行本发明实施例一、实施例二所提供的输电线路故障诊断方法,具备执行方法相应的功能和有益效果。
实施例四
参照图4,示出了本发明一个示例中的一种电子设备的结构示意图。如图4所示,该电子设备具体可以包括:处理器401、存储器402、具有触摸功能的显示屏403、输入装置404、输出装置405以及通信装置406。该电子设备中处理器401的数量可以是一个或者多个,图4中以一个处理器401为例。该电子设备中存储器402的数量可以是一个或者多个,图4中以一个存储器402为例。该设备的处理器401、存储器402、显示屏403、输入装置404、输出装置405以及通信装置406可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器402作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的输电线路故障诊断方法对应的程序指令/模块(例如,上述输电线路故障诊断***中的图像获取模块301、图像预处理模块302、模型构建模块303和诊断模块304),存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器402可进一步包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏403为具有触摸功能的显示屏403,其可以是电容屏、电磁屏或者红外屏。一般而言,显示屏403用于根据处理器401的指示显示数据,还用于接收作用于显示屏403的触摸操作,并将相应的信号发送至处理器401或其他装置。可选的,当显示屏403为红外屏时,其还包括红外触摸框,该红外触摸框设置在显示屏403的四周,其还可以用于接收红外信号,并将该红外信号发送至处理器401或者其他设备。
通信装置406,用于与其他设备建立通信连接,其可以是有线通信装置和/或无线通信装置。
输入装置404可用于接收输入的数字或者字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置405可以包括扬声器等音频设备。需要说明的是,输入装置404和输出装置405的具体组成可以根据实际情况设定。
处理器401通过运行存储在存储器402中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述输电线路故障诊断方法。
具体地,实施例中,处理器401执行存储器402中存储的一个或多个程序时,具体实现本发明实施例提供的输电线路故障诊断方法的步骤。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可实现本发明任意实施例中的输电线路故障诊断方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明应用于设备上任意实施例所提供的输电线路故障诊断方法中的相关操作。
需要说明的是,对于***、电子设备、存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述输电线路故障诊断方法。
值得注意的是,上述输电线路故障诊断***的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输电线路故障诊断方法,其特征在于,包括:
获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像;
分别对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;
以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型;
以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
2.根据权利要求1所述的输电线路故障诊断方法,其特征在于,所述以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型,包括:
设置初始缩放算子;
构建所述神经网络的目标函数;所述目标函数包括损失函数和正则化函数;
利用所述预处理历史故障运行图像和与所述历史故障运行图像相应的故障信息对所述神经网络进行训练;
当迭代训练次数达到阈值或者所述目标函数满足预设条件时训练停止,得到所述神经网络模型。
3.根据权利要求1或2所述的输电线路故障诊断方法,其特征在于,所述神经网络模型包括:包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层;先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型。
4.根据权利要求1所述的输电线路故障诊断方法,其特征在于,对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理的方法相同,均包括:
采用双边滤波器对图像进行滤波处理;
对滤波后的图像进行灰度处理,得到灰度图像;
将所述灰度图像进行分割得到N*N个像素块,N为奇数;
以中心像素块为处理单元,向四个边缘方向进行降噪处理,得到预处理图像。
5.一种输电线路故障诊断***,其特征在于,所述输电线路故障诊断***包括:
图像获取模块,用于获取输电线路的历史故障运行图像和相应的故障信息,以及待检测的输电线路运行图像;
图像预处理模块,用于分别对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理,得到预处理历史故障运行图像和预处理待检测的输电线路运行图像;
模型构建模块,以所述预处理历史故障运行图像作为神经网络的输入,以与所述历史故障运行图像相应的故障信息为输出构建神经网络模型;
诊断模块,用于以所述预处理待检测的输电线路运行图像为所述神经网络模型的输入,得到输电线路的故障诊断结果。
6.根据权利要求5所述的输电线路故障诊断***,其特征在于,所述模型构建模块,包括:
稀疏缩放算子设置单元,用于设置初始稀疏缩放算子;
目标函数构建单元,用于构建所述神经网络的目标函数;所述目标函数包括损失函数和正则化函数;
模型训练单元,用于利用所述预处理历史故障运行图像和与所述历史故障运行图像相应的故障信息对所述神经网络进行训练;当迭代训练次数达到阈值或者所述目标函数满足预设条件时训练停止,得到所述神经网络模型。
7.根据权利要求5或6所述的输电线路故障诊断***,其特征在于,所述神经网络模型包括:包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层;先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型。
8.根据权利要求5所述的输电线路故障诊断***,其特征在于,对所述历史故障运行图像和所述待检测的输电线路运行图像进行预处理的过程相同,图像预处理模块,包括:
滤波单元,用于采用双边滤波器对图像进行滤波处理;
灰度处理单元,用于对滤波后的图像进行灰度处理,得到灰度图像;
分割单元,用于将所述灰度图像进行分割得到N*N个像素块,N为奇数;
降噪单元,用于以中心像素块为处理单元,向四个边缘方向进行降噪处理,得到预处理图像。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4任一项所述的输电线路故障诊断方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一项所述的输电线路故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275647.5A CN112991297B (zh) | 2021-03-15 | 2021-03-15 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275647.5A CN112991297B (zh) | 2021-03-15 | 2021-03-15 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991297A true CN112991297A (zh) | 2021-06-18 |
CN112991297B CN112991297B (zh) | 2024-06-14 |
Family
ID=76335179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275647.5A Active CN112991297B (zh) | 2021-03-15 | 2021-03-15 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991297B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419140A (zh) * | 2021-08-06 | 2021-09-21 | 广东电网有限责任公司 | 一种考虑人机物协同的配网线路故障诊断方法及装置 |
CN114019847A (zh) * | 2021-10-12 | 2022-02-08 | 中建三局智能技术有限公司 | 一种建筑群能耗异常管理方法及装置 |
CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及*** |
CN115855961A (zh) * | 2023-02-16 | 2023-03-28 | 广东靖邦电器有限公司 | 一种用于运行中的配电箱故障检测方法 |
CN116381419A (zh) * | 2023-06-05 | 2023-07-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN116522283A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能(深圳)有限公司 | 基于振动和视频数据的融合诊断方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
CN109472097A (zh) * | 2018-11-19 | 2019-03-15 | 国网湖北省电力有限公司黄石供电公司 | 一种输电线路在线监测设备故障诊断方法 |
CN109765462A (zh) * | 2019-03-05 | 2019-05-17 | 国家电网有限公司 | 输电线路的故障检测方法、装置和终端设备 |
CN110018389A (zh) * | 2019-02-21 | 2019-07-16 | 国网山东省电力公司临沂供电公司 | 一种输电线路在线故障监测方法及*** |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN111856209A (zh) * | 2020-07-23 | 2020-10-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障分类方法及装置 |
-
2021
- 2021-03-15 CN CN202110275647.5A patent/CN112991297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
CN109472097A (zh) * | 2018-11-19 | 2019-03-15 | 国网湖北省电力有限公司黄石供电公司 | 一种输电线路在线监测设备故障诊断方法 |
CN110018389A (zh) * | 2019-02-21 | 2019-07-16 | 国网山东省电力公司临沂供电公司 | 一种输电线路在线故障监测方法及*** |
CN109765462A (zh) * | 2019-03-05 | 2019-05-17 | 国家电网有限公司 | 输电线路的故障检测方法、装置和终端设备 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN111856209A (zh) * | 2020-07-23 | 2020-10-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障分类方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419140A (zh) * | 2021-08-06 | 2021-09-21 | 广东电网有限责任公司 | 一种考虑人机物协同的配网线路故障诊断方法及装置 |
CN114019847A (zh) * | 2021-10-12 | 2022-02-08 | 中建三局智能技术有限公司 | 一种建筑群能耗异常管理方法及装置 |
CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及*** |
CN115855961A (zh) * | 2023-02-16 | 2023-03-28 | 广东靖邦电器有限公司 | 一种用于运行中的配电箱故障检测方法 |
CN116381419A (zh) * | 2023-06-05 | 2023-07-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN116381419B (zh) * | 2023-06-05 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN116522283A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能(深圳)有限公司 | 基于振动和视频数据的融合诊断方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112991297B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112991297B (zh) | 一种输电线路故障诊断方法、***、电子设备和存储介质 | |
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN107392886A (zh) | 一种电力设备图像处理方法 | |
CN104463804A (zh) | 一种基于直觉模糊集的图像增强方法 | |
Banić et al. | Puma: A high-quality retinex-based tone mapping operator | |
CN111047598B (zh) | 基于深度学习的输变电设备紫外放电光斑分割方法及装置 | |
CN103996177A (zh) | 一种无参考检测消除雪花噪声算法 | |
EP2575350A2 (en) | Method for brightness correction of defective pixels of digital monochrome image | |
CN115731166A (zh) | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 | |
CN106254723B (zh) | 一种实时监测视频噪声干扰的方法 | |
CN113379671A (zh) | 一种开关类设备局部放电诊断***及诊断方法 | |
Jia et al. | A wavelet-based approach to improve foggy image clarity | |
Thai et al. | Performance evaluation of high dynamic range image tone mapping operators based on separable non-linear multiresolution families | |
CN116309225A (zh) | 一种基于卷积神经网络的轻量化多光谱图像融合模型构建方法 | |
Tian et al. | On the kernel function selection of nonlocal filtering for image denoising | |
Wang et al. | Singular value decomposition combined with wavelet transform for LCD defect detection | |
CN107623841A (zh) | 一种监控效果好的车载监控*** | |
Kolchaev et al. | Adaptive system of image processing | |
CN115205246B (zh) | 换流阀电晕放电紫外图像特征提取方法和装置 | |
Han et al. | Image enhancement based on spatial multi-scale homomorphic filtering and local entropy guided image filtering | |
CN112862726B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN103440642A (zh) | 基于点阵神经元响应时空信息的图像强弱边缘检测方法 | |
CN117911401B (zh) | 一种电力设备故障检测方法、***、存储介质及设备 | |
CN116993723B (zh) | 基于图像处理的壁纸质量检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |