CN115082835B - 基于小波视频分解和Faster RCNN的变电站故障识别方法 - Google Patents

基于小波视频分解和Faster RCNN的变电站故障识别方法 Download PDF

Info

Publication number
CN115082835B
CN115082835B CN202210865462.4A CN202210865462A CN115082835B CN 115082835 B CN115082835 B CN 115082835B CN 202210865462 A CN202210865462 A CN 202210865462A CN 115082835 B CN115082835 B CN 115082835B
Authority
CN
China
Prior art keywords
video
fault
transformer substation
substation
frequency band
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.)
Active
Application number
CN202210865462.4A
Other languages
English (en)
Other versions
CN115082835A (zh
Inventor
刘盼盼
章锐
周吉
钱俊良
邰伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Liyang Research Institute of Southeast University
Original Assignee
Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Liyang Research Institute of Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Dongbo Intelligent Energy Research Institute Co ltd, Liyang Research Institute of Southeast University filed Critical Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Priority to CN202210865462.4A priority Critical patent/CN115082835B/zh
Publication of CN115082835A publication Critical patent/CN115082835A/zh
Application granted granted Critical
Publication of CN115082835B publication Critical patent/CN115082835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于小波视频分解和Faster RCNN的变电站故障识别方法，S1.变电站视频信息采集以及预处理，获得视频信号数据，构建视频信号基础数据库；S2.基于多分辨率分析的小波视频分解技术，对S1中视频基础数据库中视频信号数据进行分解，得到一系列频段信号数据，构建频段信号数据库；S3.从所述频段信号数据库筛选出变电站设备故障时频段信号数据，提取分解视频片段的故障特征，并构建故障特征库；S4.构建用于故障识别的融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型；以频段信号数据库和故障特征库为基础训练，得出变电站故障识别模型。

Description

基于小波视频分解和Faster RCNN的变电站故障识别方法
技术领域
本发明涉及电力***领域，具体是基于小波视频分解和Faster RCNN的变电站故障识别方法。
背景技术
随着各级变电站无人值班进程的快速推进，各级变电站的集中监控、远方监视、远程运维已成为必备功能。变电站监控信息的完整性和及时性要求也相应提高，上送各级调度的信息必须全、准、快。由于变电站数量日益增多和自动化设备的类型、数量都迅猛增长，因基建工程、业扩报装、设备预试、计划检修及缺陷处理的运维任务日益繁重，运维的压力越来越大，无人值守站时长需要运维人员花费很长的时间开车奔赴现场完成简单的战备设备故障处理及设备参数配置工作，故障处理速度慢、效率低，耗费大量的人力物力，不利于电网的稳定运行以及不满足企业经济高效的精益化管理要求，同时给电网的正常运行带来了安全风险，也大大降低了供电可靠率。变电站在运行过程中产生了海量的视频监控信息，其中蕴含了大量的变电站设备运行状态信息，现有技术对海量变电站视频监控信息的挖掘还不够充分，目前变电站视频信息大多依靠人工来处理，效率低下。
发明内容
本发明所要解决的技术问题是海量变电站视频监控信息的挖掘还不够充分，目前变电站视频信息大多依靠人工来处理，效率低下，变电站故障识别效率和准确度低；本发明基于采集的变电站视频信息，提高了变电站智能化运维水平和运行效率，保证了电网安全、提高了供电可靠性。
本发明的基于小波视频分解和Faster RCNN的变电站故障识别方法，包括如下步骤：
S1.变电站视频信息采集以及预处理，获得视频信号数据，构建视频信号基础数据库；
S2.基于多分辨率分析的小波视频分解技术，对S1中视频基础数据库中视频信号数据进行分解，得到一系列频段信号数据，构建频段信号数据库；
S3.从所述频段信号数据库筛选出变电站设备故障时频段信号数据，提取分解视频片段的故障特征，并构建故障特征库；
S4.构建用于故障识别的融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型；以频段信号数据库和故障特征库为基础训练，得出变电站故障识别模型。
步骤S1中，变电站视频信息采集针对典型场景，设置视频采集数据接口，采集不同场景的视频数据，典型场景包括计划检修、设备运维以及无人值守变电站；采集的视频信号如公式（1）所示：
Figure 947247DEST_PATH_IMAGE001
（1）
式中：
Figure 831764DEST_PATH_IMAGE002
为不同场景下变电站视频数据；
Figure 345922DEST_PATH_IMAGE003
为计划检修场景下的视频数据，
Figure 209973DEST_PATH_IMAGE004
为设备运维场景下的视频数据，
Figure 493186DEST_PATH_IMAGE005
为无人值守变电站场景下视频数据。
上述变电站视频的预处理采用视频数据的清洗，处理掉视频中与关注区域不相关的部分，并对不同格式的视频进行统一格式转化，并进行数据存储，预处理后的数据如公式（2）所示：
Figure 784490DEST_PATH_IMAGE006
（2）
式中：
Figure 520365DEST_PATH_IMAGE007
为预处理后的不同场景下变电站视频数据；
Figure 188107DEST_PATH_IMAGE008
为预处理后的计划检修 场景下的视频数据，
Figure 325827DEST_PATH_IMAGE009
为预处理后的设备运维场景下的视频数据，
Figure 289497DEST_PATH_IMAGE010
为预处理后的无人 值守变电站场景下视频数据。
步骤S2中，基于多分辨率分析的小波视频分解技术是基于公式（3）对
Figure 512668DEST_PATH_IMAGE011
信号 进行分解，由公式（4）与公式（5）联合求解，最终可将
Figure 718522DEST_PATH_IMAGE012
信号分解为一系列低频信号和 高频信号；
Figure 710749DEST_PATH_IMAGE013
（3）
Figure 609434DEST_PATH_IMAGE014
（4）
Figure 523164DEST_PATH_IMAGE015
（5）
Figure 63867DEST_PATH_IMAGE016
（6）
式中：
Figure 176179DEST_PATH_IMAGE017
为分解的层数；
Figure 478722DEST_PATH_IMAGE018
为初始尺度系数，
Figure 676485DEST_PATH_IMAGE019
为小波系数，
Figure 224141DEST_PATH_IMAGE020
为 尺度函数，
Figure 190960DEST_PATH_IMAGE021
为小波函数，
Figure 431449DEST_PATH_IMAGE022
、
Figure 850929DEST_PATH_IMAGE023
分别为低通滤波器系数和 高通滤波器系数；
Figure 202276DEST_PATH_IMAGE024
为尺度坐标，
Figure 23601DEST_PATH_IMAGE025
为位置坐标，
Figure 930596DEST_PATH_IMAGE026
为震荡次数；
Figure 837373DEST_PATH_IMAGE027
为尺度坐标
Figure 726831DEST_PATH_IMAGE028
的视 频信号关于位置坐标
Figure 668242DEST_PATH_IMAGE025
的函数；
Figure 250533DEST_PATH_IMAGE029
为
Figure 644606DEST_PATH_IMAGE030
时刻的视频信号分解因子；
Figure 337755DEST_PATH_IMAGE031
为
Figure 868094DEST_PATH_IMAGE030
时刻尺度 坐标
Figure 119821DEST_PATH_IMAGE028
位置坐标
Figure 1190DEST_PATH_IMAGE025
下视频信号的尺度函数；
Figure 498030DEST_PATH_IMAGE032
为尺度坐标
Figure 148454DEST_PATH_IMAGE033
的视频信号关于震荡次数
Figure 806969DEST_PATH_IMAGE034
的函数；
Figure 175633DEST_PATH_IMAGE030
表示时间；由小波系数和要提取的频段即可通过小波重构获得对应频段的信 号，提取
j频段信号如公式（6）。
步骤S3中，所述分解视频片段的故障特征的提取方法如公式（7）所示，
Figure 210585DEST_PATH_IMAGE035
（7）
式中，
Figure 981095DEST_PATH_IMAGE036
为提取的分解视频片段故障特征值，
Figure 311976DEST_PATH_IMAGE037
为历史正常标准视频 片段信号，
Figure 167936DEST_PATH_IMAGE038
为包含已经出现的或可能出现的故障信号。
步骤S4中，融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型以特征的共享卷积形式将RPN和RCNN两大神经网络进行合并。
步骤S4中，基于Faster RCNN变电站缺陷识别模型中RPN将输入的变电站设备缺陷视频输出为矩形的候选框，候选框对应缺陷目标的存在概率和位置，模型采用3X3核一次生成256个目标特征。
步骤S4中，所述变电站故障识别模型的确定方法如下：
首先以采集的设备故障图像，对设备缺陷视频频段进行分解，结合设备故障模型对基于Faster RCNN网络的识别模型进行训练，确定网络相关识别参数，生成检测网络，然后将设备故障图像输入识别模型，完成网络识别性能测试，得出变电站故障识别模型，如公式（8）所示：
Figure 6579DEST_PATH_IMAGE039
（8）
式中：
Figure 366016DEST_PATH_IMAGE040
为计划检修场景下的视频信号检测出的变电站信号，
Figure 631913DEST_PATH_IMAGE041
为训练后 Faster RCNN网络的变电站故障识别模型，
Figure 912852DEST_PATH_IMAGE042
故障发生时间，
Figure 555186DEST_PATH_IMAGE043
为故障发生的频段。
基于上述变电站故障识别模型，可以实现对变电站故障的快速和准确检测。
与现有技术相比，本发明具有以下几个方面的有益效果：
本发明提供一种基于小波视频分解和Faster RCNN的变电站故障识别方法，基于采集的变电站视频信息进行挖掘，基于小波视频分解技术和Faster RCNN训练得出变电站故障识别模型，大大提高变电站故障识别效率和准确度，其将有利于根据故障识别发出预警，提高变电站智能化运维水平和运行效率，保证电网安全、提高供电可靠性；
本发明具体通过基于分解技术对视频信号数据进行分解，得到一系列频段信号数据，构建频段信号数据库；并从频段信号数据库筛选出变电站设备故障时频段信号数据，提取分解视频片段的故障特征，并构建故障特征库；构建用于故障识别的融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型；以频段信号数据库和故障特征库为基础训练，得出变电站故障识别模型。
本发明采用对视频数据的清洗的方法预处理不同场景下变电站视频数据；处理掉视频中与关注区域不相关的部分，另外采用多分辨率分析视频信号分解和小波视频分解技术有效解决了变电站设备缺陷图像中的包含较多类型的伪彩色、背景复杂多变，噪声干扰较多，采集角度多变，从而使得传统的图像识别算法对设备缺陷图像处理性能不足的技术问题；
本发明进一步融合物理模型和Faster RCNN变电站缺陷识别模型，融合物理模型和深度学习Faster RCNN变电站缺陷识别模型以故障特征的共享卷积形式将RPN和RCNN两大神经网络进行合并，提供了针对两个网络提供了联合训练策略，并结合设备故障的物理故障特征，提高故障识别的准确率，降低样本训练数量，提高模型的训练效率和模型识别的精准度。
附图说明
图1为基于小波视频分解和Faster RCNN的变电站故障识别方法的流程示意图。
图2为基于小波视频分解和Faster RCNN的变电站故障识别方法中多分辨率分析的小波视频分解示意图。
图3为基于小波视频分解和Faster RCNN的变电站故障识别方法中融合物理模型和Faster RCNN变电站缺陷识别模型的故障识别示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1，基于小波视频分解和Faster RCNN的变电站故障识别方法，包括如下步骤：
S1.变电站视频信息采集以及预处理，获得视频信号数据，构建视频信号基础数据库；
本实施例中变电站视频信息采集针对典型场景，设置视频采集数据接口，采集不同场景的视频数据，典型场景包括计划检修、设备运维以及无人值守变电站；采集的视频信号如公式（1）所示。
Figure 533244DEST_PATH_IMAGE044
（1）
式中：
Figure 970042DEST_PATH_IMAGE045
为不同场景下变电站视频数据；
Figure 535015DEST_PATH_IMAGE046
为计划检修场景下的视频数据，
Figure 715461DEST_PATH_IMAGE047
为设备运维场景下的视频数据，
Figure 49490DEST_PATH_IMAGE048
为无人值守变电站场景下视频数据。
本实施例中变电站视频预处理采用视频数据的清洗，处理掉视频中与关注区域不相关的部分，并对不同格式的视频进行统一格式转化，并进行数据存储，预处理后的数据如公式（2）所示：
Figure 657189DEST_PATH_IMAGE049
（2）
式中：
Figure 709459DEST_PATH_IMAGE050
为预处理后的不同场景下变电站视频数据。
Figure 428016DEST_PATH_IMAGE051
为预处理后的计划检修 场景下的视频数据，
Figure 377737DEST_PATH_IMAGE052
为预处理后的设备运维场景下的视频数据，
Figure 156337DEST_PATH_IMAGE053
为预处理后的无人 值守变电站场景下视频数据。
S2.基于多分辨率分析的小波视频分解技术，对S1中视频基础数据库中视频信号数据进行分解，得到一系列频段信号数据，构建频段信号数据库。
如图2所示，
Figure 695903DEST_PATH_IMAGE054
为待分解的
Figure 218151DEST_PATH_IMAGE055
时刻的视频信号，
Figure 526772DEST_PATH_IMAGE056
为第
Figure 476274DEST_PATH_IMAGE057
次分解低通滤波 系数，
Figure 237557DEST_PATH_IMAGE058
为第
Figure 563496DEST_PATH_IMAGE059
次分解高通滤波系数。
本实施例中基于多分辨率分析的小波视频分解技术是基于公式（3）对
Figure 225159DEST_PATH_IMAGE060
信号 进行分解，由公式（4）与公式（5）联合求解，最终可将
Figure 345562DEST_PATH_IMAGE060
信号分解为一系列低频信号和 高频信号；
Figure 859720DEST_PATH_IMAGE061
（3）
Figure 723770DEST_PATH_IMAGE062
（4）
Figure 741405DEST_PATH_IMAGE063
（5）
Figure 298288DEST_PATH_IMAGE064
（6）
式中：
Figure 34163DEST_PATH_IMAGE065
为分解的层数。
Figure 701905DEST_PATH_IMAGE066
为初始尺度系数，
Figure 75511DEST_PATH_IMAGE067
为小波系数，
Figure 803295DEST_PATH_IMAGE068
为 尺度函数，
Figure 26466DEST_PATH_IMAGE069
为小波函数，
Figure 232320DEST_PATH_IMAGE070
、
Figure 224546DEST_PATH_IMAGE071
分别为低通滤波器系数和高 通滤波器系数。
Figure 123232DEST_PATH_IMAGE072
为尺度坐标，
Figure 568120DEST_PATH_IMAGE073
为位置坐标，
Figure 843244DEST_PATH_IMAGE074
为震荡次数。
Figure 188512DEST_PATH_IMAGE075
为尺度坐标
Figure 992520DEST_PATH_IMAGE076
的视频 信号关于位置坐标
Figure 190283DEST_PATH_IMAGE077
的函数；
Figure 3518DEST_PATH_IMAGE078
为
Figure 970337DEST_PATH_IMAGE030
时刻的视频信号分解因子；
Figure 679667DEST_PATH_IMAGE079
为
Figure 630306DEST_PATH_IMAGE030
时刻尺度坐标
Figure 981653DEST_PATH_IMAGE080
位置坐标
Figure 134521DEST_PATH_IMAGE081
下视频信号的尺度函数；
Figure 545911DEST_PATH_IMAGE082
为尺度坐标
Figure 452687DEST_PATH_IMAGE076
的视频信号关于震荡次数
Figure 76566DEST_PATH_IMAGE083
的函数；
Figure 17978DEST_PATH_IMAGE030
表示时间。
由小波系数和要提取的频段即可通过小波重构获得对应频段的信号，提取
Figure 334689DEST_PATH_IMAGE084
频段 信号如公式（6）。
S3.从频段信号数据库筛选出变电站设备故障时频段信号数据，提取分解视频片段的故障特征，并构建故障特征库；
本实施例中，分解视频片段的故障特征的提取方法如公式（7）所示。
Figure 994341DEST_PATH_IMAGE085
（7）
式中，
Figure 421911DEST_PATH_IMAGE086
为提取的分解视频片段故障特征值，
Figure 716364DEST_PATH_IMAGE087
为历史正常标准视 频片段信号，
Figure 735136DEST_PATH_IMAGE088
为包含已经出现的或可能出现的故障信号。
S4.构建用于故障识别的融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型；以频段信号数据库和故障特征库为基础训练，得出变电站故障识别模型。
本实施例中融合物理模型和深度学习Faster RCNN变电站缺陷识别模型以特征的共享卷积形式将RPN和RCNN两大神经网络进行合并。本实施例中基于Faster RCNN变电站缺陷识别模型中RPN将输入的变电站设备缺陷视频输出为矩形的候选框，候选框对应缺陷目标的存在概率和位置，模型采用3X3核一次生成256个目标特征。Reshape—矩阵维度变换函数， Softmax—回归逻辑模型， Rulu—非线性激活函数，检测结构及检测流程如图3所示。
本实施例中首先以采集的设备故障图像，对设备缺陷视频频段进行分解，结合设备故障模型对基于Faster RCNN网络的识别模型进行训练，确定网络相关识别参数，生成检测网络，然后将设备故障图像输入识别模型，完成网络识别性能测试，得出变电站故障识别模型，如公式（8）所示：
Figure 616504DEST_PATH_IMAGE089
（8）
式中：
Figure 847765DEST_PATH_IMAGE090
为计划检修场景下的视频信号检测出的变电站信号，
Figure 498189DEST_PATH_IMAGE091
为训练后 Faster RCNN网络的变电站故障识别模型，
Figure 422283DEST_PATH_IMAGE092
故障发生时间，
Figure 790947DEST_PATH_IMAGE093
为故障发生的频段。
本发明的工作原理是：本发明基于采集的变电站视频信息进行挖掘，并采用对视频数据的清洗的方法预处理不同场景下变电站视频数据；处理掉视频中与关注区域不相关的部分；预处理后基于分解技术对视频信号数据进行分解，得到一系列频段信号数据，构建频段信号数据库；具体采用多分辨率分析视频信号分解和小波视频分解技术有效解决了变电站设备缺陷的图像中的包含较多类型的伪彩色、背景复杂多变，噪声干扰较多，采集角度多变，从而使得传统的图像识别算法对缺陷的图像处理性能不足的技术问题；本发明进一步从频段信号数据库筛选出变电站设备故障时频段信号数据，提取分解视频片段的故障特征，并构建故障特征库；通过构建用于故障识别的融合物理模型和基于深度学习的FasterRCNN变电站缺陷识别模型；以频段信号数据库和故障特征库为基础训练，得出变电站故障识别模型；其中融合物理模型和深度学习Faster RCNN变电站缺陷识别模型以故障特征的共享卷积形式将RPN和RCNN两大神经网络进行合并，提供了针对两个网络提供了联合训练策略，并结合设备故障的物理故障特征，提高故障识别的准确率，降低样本训练数量，提高模型的训练效率和模型识别的精准度。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (7)

1.基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于，包括如下步骤：
S1.变电站视频信息采集以及预处理，获得视频信号数据，构建视频信号基础数据库；
S2.基于多分辨率分析的小波视频分解技术，对S1中视频基础数据库中视频信号数据进行分解，得到一系列频段信号数据，构建频段信号数据库；
S3.从所述频段信号数据库筛选出变电站设备故障时频段信号数据，提取分解视频片段的故障特征，并构建故障特征库；
S4.构建用于故障识别的融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型；以频段信号数据库和故障特征库为基础训练，得出变电站故障识别模型；
步骤S2中，基于多分辨率分析的小波视频分解技术是基于公式（3）对
Figure 124030DEST_PATH_IMAGE001
信号进行分 解，由公式（4）与公式（5）联合求解，最终可将
Figure 972907DEST_PATH_IMAGE002
信号分解为一系列低频信号和高频信号；
Figure 846185DEST_PATH_IMAGE003
（3）
Figure 898454DEST_PATH_IMAGE005
（4）
Figure 882591DEST_PATH_IMAGE006
（5）
Figure 336706DEST_PATH_IMAGE007
（6）
式中：
Figure 380885DEST_PATH_IMAGE008
为分解的层数；
Figure 936763DEST_PATH_IMAGE009
为初始尺度系数，
Figure 724590DEST_PATH_IMAGE010
为小波系数，
Figure 298791DEST_PATH_IMAGE011
为尺度函数，
Figure 248292DEST_PATH_IMAGE012
为小波函数，
Figure 275154DEST_PATH_IMAGE013
、
Figure 601093DEST_PATH_IMAGE014
分别为低通滤波器系数和高通滤波器系数；
Figure 279068DEST_PATH_IMAGE015
为尺度坐标，
Figure 665050DEST_PATH_IMAGE016
为位置坐标，
Figure 444787DEST_PATH_IMAGE017
为震荡次数；
Figure 574417DEST_PATH_IMAGE018
为尺度坐标
Figure 857631DEST_PATH_IMAGE019
的视频信号关于位置坐标
Figure 414514DEST_PATH_IMAGE016
的函数；
Figure 415968DEST_PATH_IMAGE020
为
Figure 94162DEST_PATH_IMAGE021
时刻的视频信号分解因子；
Figure 966304DEST_PATH_IMAGE022
为
Figure 959667DEST_PATH_IMAGE023
时刻尺度坐标
Figure 448417DEST_PATH_IMAGE024
位置坐标
Figure 919850DEST_PATH_IMAGE016
下视频 信号的尺度函数；
Figure 177656DEST_PATH_IMAGE025
为尺度坐标
Figure 325610DEST_PATH_IMAGE026
的视频信号关于震荡次数
Figure 36077DEST_PATH_IMAGE017
的函数；
Figure 311200DEST_PATH_IMAGE027
表示时间；由小 波系数和要提取的频段即可通过小波重构获得对应频段的信号，提取j频段信号如公式 （6）。
2.根据权利要求1所述的基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于，步骤S1中，变电站视频信息采集针对典型场景，设置视频采集数据接口，采集不同场景的视频数据，典型场景包括计划检修、设备运维以及无人值守变电站；采集的视频信号如公式（1）所示：
Figure 423513DEST_PATH_IMAGE028
（1）
式中：
Figure 493100DEST_PATH_IMAGE029
为不同场景下变电站视频数据；
Figure 956442DEST_PATH_IMAGE030
为计划检修场景下的视频数据，
Figure 769677DEST_PATH_IMAGE031
为设备运 维场景下的视频数据，
Figure 487229DEST_PATH_IMAGE032
为无人值守变电站场景下视频数据。
3.根据权利要求2所述的基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于，所述变电站视频的预处理采用视频数据的清洗，处理掉视频中与关注区域不相关的部分，并对不同格式的视频进行统一格式转化，并进行数据存储，预处理后的数据如公式（2）所示：
Figure 727717DEST_PATH_IMAGE033
（2）
式中：
Figure 678356DEST_PATH_IMAGE034
为预处理后的不同场景下变电站视频数据；
Figure 295282DEST_PATH_IMAGE035
为预处理后的计划检修场景下的 视频数据，
Figure 116607DEST_PATH_IMAGE036
为预处理后的设备运维场景下的视频数据，
Figure 793576DEST_PATH_IMAGE037
为预处理后的无人值守变电站场 景下视频数据。
4.根据权利要求3所述的基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于， 步骤S3中，所述分解视频片段的故障特征的提取方法如公式（7）所示，
Figure 215199DEST_PATH_IMAGE038
（7）
式中，
Figure 370237DEST_PATH_IMAGE039
为提取的分解视频片段故障特征值，
Figure 577228DEST_PATH_IMAGE040
为历史正常标准视频片段 信号，
Figure 893939DEST_PATH_IMAGE041
为包含已经出现的或可能出现的故障信号。
5.根据权利要求4所述的基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于，步骤S4中，融合物理模型和基于深度学习的Faster RCNN变电站缺陷识别模型以特征的共享卷积形式将RPN和RCNN两大神经网络进行合并。
6.根据权利要求5所述的基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于，步骤S4中，基于Faster RCNN变电站缺陷识别模型中RPN将输入的变电站设备缺陷视频输出为矩形的候选框，候选框对应缺陷目标的存在概率和位置，模型采用3X3核一次生成256个目标特征。
7.根据权利要求6所述的基于小波视频分解和Faster RCNN的变电站故障识别方法，其特征在于，步骤S4中，所述变电站故障识别模型的确定方法如下：
首先以采集的设备故障图像，对设备缺陷视频频段进行分解，结合设备故障模型对基于Faster RCNN网络的识别模型进行训练，确定网络相关识别参数，生成检测网络，然后将设备故障图像输入识别模型，完成网络识别性能测试，得出变电站故障识别模型，如公式（8）所示：
Figure 553591DEST_PATH_IMAGE042
（8）
式中：
Figure 512320DEST_PATH_IMAGE043
为计划检修场景下的视频信号检测出的变电站信号，
Figure 58970DEST_PATH_IMAGE044
为训练后 Faster RCNN网络的变电站故障识别模型，
Figure 77741DEST_PATH_IMAGE045
故障发生时间，
Figure DEST_PATH_IMAGE046
为故障发生的频段。
CN202210865462.4A 2022-07-22 2022-07-22 基于小波视频分解和Faster RCNN的变电站故障识别方法 Active CN115082835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210865462.4A CN115082835B (zh) 2022-07-22 2022-07-22 基于小波视频分解和Faster RCNN的变电站故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210865462.4A CN115082835B (zh) 2022-07-22 2022-07-22 基于小波视频分解和Faster RCNN的变电站故障识别方法

Publications (2)

Publication Number Publication Date
CN115082835A CN115082835A (zh) 2022-09-20
CN115082835B true CN115082835B (zh) 2023-02-17

Family

ID=83243214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210865462.4A Active CN115082835B (zh) 2022-07-22 2022-07-22 基于小波视频分解和Faster RCNN的变电站故障识别方法

Country Status (1)

Country Link
CN (1) CN115082835B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232400A (zh) * 2020-10-12 2021-01-15 太原科技大学 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
CN112727703A (zh) * 2020-12-15 2021-04-30 北京天泽智云科技有限公司 基于音频信号的风机叶片保护膜的损伤监测方法及***
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及***
CN114240878A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232400A (zh) * 2020-10-12 2021-01-15 太原科技大学 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
CN112727703A (zh) * 2020-12-15 2021-04-30 北京天泽智云科技有限公司 基于音频信号的风机叶片保护膜的损伤监测方法及***
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及***
CN114240878A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Robust health evaluation of gearbox subject to tooth failure with wavelet decomposition》;Dong Wang et al;《Journal of Sound and Vibration》;20090731;全文 *
位一鸣等.《 基于卷积神经网络的主变压器外观缺陷检测方法》.《浙江电力》.2019, *

Also Published As

Publication number Publication date
CN115082835A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN113205039B (zh) 基于多dcnn网络的电力设备故障图像识别勘灾***及方法
CN112086965B (zh) 一种低压配电网拓扑识别方法及装置
CN112697798B (zh) 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置
CN111444169A (zh) 一种变电站电气设备状态监测与诊断***及方法
CN111555776B (zh) 一种输电线路融合感知及联合诊断方法、***及装置
CN115457446A (zh) 一种基于视频分析的异常行为监管***
CN116231504A (zh) 一种升压站远程智能巡检方法、装置及***
CN115131505A (zh) 一种变电站多***融合的全景感知***
CN115311740A (zh) 一种电网基建现场人体异常行为识别方法及***
CN116866512A (zh) 一种光伏电站巡检***及其运行方法
CN116128820A (zh) 一种基于改进yolo模型的销钉状态的识别方法
CN115082835B (zh) 基于小波视频分解和Faster RCNN的变电站故障识别方法
CN110994785A (zh) 一种变电站用远程电力监控***
CN116168019B (zh) 基于机器视觉技术的电网故障检测方法及***
CN114062839A (zh) 一种铁路电力线路故障定位装置及其方法
CN115937086A (zh) 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法
CN115933750A (zh) 基于数据处理的电力巡检方法及电力巡检***
CN115086391A (zh) 基于穿戴式配网巡检装备的故障专家***及其使用方法
CN114065651A (zh) 一种用于旋转类设备的故障时间预测方法
CN114154032A (zh) 变电站三维可视化立体巡检方法、***、装置及存储介质
Liao et al. Joint inspection of HD video and robot in substation based on OCR technology
Zheng Fuzzy algorithm-based fault analysis for automated production lines
CN118034354B (zh) 一种基于无人机的电力巡检控制方法及***
CN117029804B (zh) 一种基于车辆定位信息的矿区地形自动更新方法
CN114429421A (zh) 一种面向调度业务场景的刀闸状态检测方法

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