基于最小残差平方和法的变电站设备故障期识别方法

技术领域

本发明涉及电力系统火灾识别领域，特别是涉及基于最小残差平方和法的变电站设备故障期识别方法。

背景技术

变电环节是电网中灾害事故高发的环节，变电设备灾害事故通常伴随着冒烟起火。起火先起烟，对烟的有效检测，可及时将火点扼杀。由于起火的第一现象是起烟，在变电设备发生火灾初期往往是只有烟雾产生，并无火苗。可见对起火烟雾的准确识别、可靠识别是防范变电站火灾的重要一环，是变电站消防报警系统的重要部分。发生火情形成烟雾的情况下烟雾不是静止不动的而是运动状态，可以对视频中运动物体进行检测来提取疑似烟雾目标。但是目前普遍无法做好对“烟”的检测识别，火点识别经常出现误报。

在现实应用中，由于烟雾具有移动缓慢的特点，且随着天气、光照等场景的变化可变性强，传统的光流法、帧插法、背景插法等运动检测算法检测效果不佳。传统光流法采用模糊运动计算方法，根据上下帧推断出图像移动轨迹，自动生产新的空缺帧，误差较大，识别准确率低。采用帧插法虽然对光照变化敏感度低，动态环境适应性强，但不能提取出完整的烟雾对象，无法识别出慢速运动状态下的烟雾，只能应用于简单的实时运动检测。背景插法虽然能够较好的获取完整检测对象，实时性好，缺点是鲁棒性低，变化的动态场景会对检测结果造成很大的影响，对烟雾检测的可靠性不如前面两种算法。

例如，一种在中国专利文献上公开的“一种烟雾检测方法、烟雾检测系统、计算机装置和计算机可读存储介质”，其公告号CN108764264A；包括：获取烟雾、烟囱的图片数据集，并对图片数据集添加位置标签和类别标签；将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练，得到多个训练后的CNN模型，并在进行训练的同时计算损失函数；根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测，以得到烟雾检测结果。该发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱，可以在实时视频中及时的检测出烟雾，不仅能够提升烟雾检测的准确率，还能够提升烟雾的检测速度。然而该方法仍然会受环境影响，导致烟雾在发生初期很难检测，单单依靠多模型训练难以将背景环境和烟雾进行分离，做到实时的烟雾运动检测。

发明内容

本发明针对由于烟雾容易随着天气、光照等场景的变化而发生变化，导致烟雾检测难度大，识别率低的问题；提供了基于最小残差平方和法的变电站设备故障期识别方法；通过ISP算法积累，利用深度学习智能算法，结合安防大数据的基础，采集全球10多万个不同气候环境的分析样本进行学习，从而得到基于深度学习的高精度烟火识别算法，烟火识别率更好，对全球不同地区的环境适应性更好。同时，综合考虑帧插法与背景插法，更加准确检测出运动区域，然后将检测出的运动目标区域送入深度学习模型检测，通过数据降维处理减少计算量，保证检测的实时性，在深度学习环节使用Inception结构和全局池化层增加计算效率，使用Resnet残差块解决深层网络的退化问题，可以更好地提取特征，同时减少了参数，保证了检测过程的效率和准确率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于最小残差平方和法的变电站设备故障期识别方法，包括：

S1：收集烟雾图像数据集：采集不同气候环境的烟雾分析样本，并建立烟雾图像数据集，即为训练集合；

S2、对烟雾图像数据集进行预处理：对图像进行灰度化处理后降低数据维度，保留主要数据特征；

S3：训练神经网络：通过预处理后的烟雾图像数据特征，结合改进型InceptionResnetv2网络模型训练卷积神经网络；

S4：获取原始视频流，并对原始视频流进行视频运动检测：通过帧插法与背景插法检测视频中运动物体，提取疑似烟雾目标；

S5：对运动目标图像进行预处理：对运动目标图像进行灰度化处理后降低数据维度，保留主要数据特征；

S6：将运动目标图像导入训练完成的神经网络，输出检测结果。

通过ISP算法积累，利用深度学习智能算法，结合安防大数据的基础，采集全球10多万个不同气候环境的分析样本进行学习，从而得到基于深度学习的高精度烟火识别算法，烟火识别率更好，对全球不同地区的环境适应性更好。同时，综合考虑帧插法与背景插法，更加准确检测出运动区域，然后将检测出的运动目标区域送入深度学习模型检测，通过数据降维处理减少计算量，保证检测的实时性，在深度学习环节使用Inception结构和全局池化层增加计算效率，使用Resnet残差块解决深层网络的退化问题，可以更好地提取特征，同时减少了参数，保证了检测过程的效率和准确率。

作为优选，所述步骤S2具体包括：采用经验值法对烟雾图像数据集进行灰度化处理；通过主成分分析算法将高维数据投射到低维空间。对图像数据使用经验值法进行灰度化处理后利用PCA算法进行数据的降维处理，以减少无关特征的影响，因此为了减少图像在训练、测试和检测过程中的运算量、提高运算效率。

作为优选，所述主成分分析算法将高维数据投射到低维空间具体包括：

S31、设一幅烟雾图像灰度值向量为x

S32、根据协方差矩阵cov(X，Y)获得其特征向量u

S33、将特征值由大到小排列后，滤除小于λ

S34、将烟雾图像数据向该子空间进行投影得到维数为d×1的低维向量y；其中，y＝UTx；得到一组低维向量L作为烟雾识别的训练数据集，其中，U的维数为M×d，x-x的维数为M×1。

主成分分析算法(PCA)即对图像实现降维的过程，将高维的数据投射到低维空间，可以使用较少的维度来表示高维信息，同时保留贡献较大的数据特征。

作为优选，通过改进型InceptionResnetv2网络模型训练卷积神经网络具体包括：

使用Inception结构：Inception结构将不同的卷积层以并联的方式连接；Inception结构使用不同尺寸的过滤器，将各自的处理结果拼接成一个更深的矩阵；

使用Resnet残差块：Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来即构成了一个残差块；

使用全局池化层代替全连接层：在网络最后一层使用全局池化层代替全连接层，对全部的输出特征图进行全局均值池化得到输出。

使用Inception结构和全局池化层增加计算效率，使用Resnet残差块解决深层网络的退化问题。

作为优选，当残差函数F(x)与输入向量大小相同时，所述残差块公式如下：

y＝F(x，{W

其中，x、y分别为输入和输出，F(x，{W

当残差函数F(x)与输入向量大小不同时，所述残差块公式如下：

y＝F(x，{W

上式采用线性投影W

通过输入来选择残差块公式，残差网络的使用最大限度地解决了因为网络深度增加而带来的退化问题。

作为优选，所述步骤S4具体包括：

S61、对具有n帧的连续视频片断中全部的n帧进行三帧插处理，即在第i帧与i-1帧、i+1帧这3帧之间做两两帧插，帧插公式如下：

其中，K

S62、将一个时间域内多帧的三帧插加过叠加得到结果D，采用公式如下：

S63、对连续视频流中的n帧取平均作为背景B，提取视频第k帧，对其做背景插运算，采用公式如下：

其中背景模型跟随时间更新，背景更新公式如下：

/>

其中，β为背景学习率；

S64、将三帧插结果D与背景插结果做或运算，得到运动检测结果。

由于在发生火情形成烟雾的情况下烟雾不是静止不动的而是运动状态，因此可以对视频中运动物体进行检测来提取疑似烟雾目标。其中阈值T的选取对帧插结果会有较大影响，本发明使用Ostu法确定阈值。而通过该方法可以滤除掉背景光等环境变化对运动检测的影响，尽可能的减小环境对烟雾检测的影响的同时，又能够实时进行运动检测，同时鲁棒性较好。

本发明的有益效果是：

通过ISP算法积累，利用深度学习智能算法，结合安防大数据的基础，采集全球10多万个不同气候环境的分析样本进行学习，从而得到基于深度学习的高精度烟火识别算法，烟火识别率更好，对全球不同地区的环境适应性更好。同时，综合考虑帧插法与背景插法，更加准确检测出运动区域，然后将检测出的运动目标区域送入深度学习模型检测，通过数据降维处理减少计算量，保证检测的实时性，在深度学习环节使用Inception结构和全局池化层增加计算效率，使用Resnet残差块解决深层网络的退化问题，可以更好地提取特征，同时减少了参数，保证了检测过程的效率和准确率。

附图说明

图1为改进神经网络使用的Inception结构；

图2为本发明改进神经网络详细的内部结构；

图3为本发明的算法流程示意图。

具体实施方式

一种基于最小残差平方和法的变电站设备故障期识别方法，分为对神经网络的训练和烟雾检测实现两个部分，图3展示了算法的整体流程。图中，上部分为网络的训练过程，数据集经过预处理后送入网络模型中进行训练，最终得到经过数据训练的网络模型。下部分为烟雾视频检测，对原始视频流进行运动检测后，将运动目标送入训练完成的网络中识别，若检测为烟雾图像则将其在原始图像中标记后进行报警。

由于起火的第一现象是起烟，在变电设备发生火灾初期往往是只有烟雾产生，并无火苗。可见对起火烟雾的准确识别、可靠识别是防范变电站火灾的重要一环，是变电站消防报警系统的重要部分；同时，各类电网设备辅助管理平台的大力建设，电力网络安全建设的不断深化，使得各类消防信号可以通过辅助平台进入电力专网，为运维人员第一时间发现火情创造了可能。

而在检测过程中，最重要的几部分包括：

一，视频运动检测：

由于在发生火情形成烟雾的情况下烟雾不是静止不动的而是运动状态，因此可以对视频中运动物体进行检测来提取疑似烟雾目标。本实施例综合帧插与背景插法结果叠加从而准确有效地检测运动区域。

首先对具有n帧的连续视频片断中全部的n帧进行三帧插处理，即在第i帧与i-1帧、i+1帧这3帧之间做两两帧插，帧插公式如下：

其中，K

将一个时间域内多帧的三帧插加过叠加得到结果D，公式如下：

对连续视频流中的n帧取平均作为背景B，然后提取视频第k帧对其做背景插运算，公式如下：

其中背景模型需要随着时间推进不断更新，下式为背景更新的公式，其中β为背景学习率。

最后将三帧插结果D与背景插结果做或运算，结果即为本实施例运动检测结果。接下来对检测到的运动目标区域送入深度学习模型检测。

二、数据预处理：

深度学习通过对数据的特征分析从而完成对模型的训练，通常一个图像数据中包含了大量信息，而对最终的学习效果产生影响的只有主要特征，而大量特征造成了数据冗余而使得运算效率大打折扣。

一个500×500大小的视频帧图像其原始特征就会达到M＝250000维，这在应用过程中产生了庞大的运算量，严重影响到运算效率。由于本发明应用的系统目标是对烟雾进行实时的监控报警，对算法实时性有较高要求，因此为了减少图像在训练、测试和检测过程中的运算量、提高运算效率，对图像数据使用经验值法进行灰度化处理后利用PCA算法进行数据的降维处理，以减少无关特征的影响。主成分分析算法(PCA)即对图像实现降维的过程，将高维的数据投射到低维空间，可以使用较少的维度来表示高维信息，同时保留贡献较大的数据特征。

设一幅烟雾图像灰度值向量为x

通过计算得到协方差矩阵的特征向量u

在烟雾检测过程中，对输入的一个测试样本x，求出它与数据集中平均样本的偏差，通过下式得到其在主特征子空间中的投影向量y：

U的维数为M×d，x-x的维数为M×1，y的维数d×1。

对于一个500×500的图像，M维数为500×500＝250000维，取300个主成分，即300个特征向量，则最后投影的系数向量y维数降到300维。

三、卷积网络模型构建：

卷积神经网络(CNN)是一种深度学习的架构，在人工智能、文本处理、图像识别等方面被广泛应用。卷积神经网络对烟雾识别的主要过程是使用现有烟雾图像对网络进行训练，进而提取烟雾图像特征，由于类似于人类的记忆学习过程近似，故被称为网络的学习过程。

本发明通过预处理的烟雾图像数据集对卷积神经网络训练提取烟雾特征，并结合InceptionResnetv2网络模型进行烟雾检测，在基于TensorFlow的多GPU支持下本文对烟雾特征的提取训练时间大大缩短。

针对深层网络的退化、效率低、资源消耗大等问题，本文在InceptionResnetv2网络模型的基础上对神经网络进行了改进。

在增加了卷积层数提高特征提取的精度的同时，避免由于网络的加深训练误差和测试误差加大造成的网络退化的现象，并确保资源的消耗尽可能地低，使用Inception结构和全局池化层增加计算效率，使用Resnet残差块解决深层网络的退化问题。Inception结构将不同的卷积层以并联的方式连接；Inception使用不同尺寸的过滤器，将各自的处理结果拼接成一个更深的矩阵；Inception结构增加了网络深度和宽度，可以更好地提取特征，同时减少了参数，保证了计算效率。

图1展示了Inception模块结构。

Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来即构成了一个残差块，当残差函数F(x)与输入向量大小相同时，使用下式表达残差块公式：

y＝F(x，{W

其中，x、y分别为输入和输出，F(x，{W

y＝F(x，{W

上式中使用线性投影W

图2展示了改进后的网络结构，由于模型深度很深，为了能更直观地展示，将部分重复的残差区块进行了压缩。整个模型架构由40个InceptionResnet模块组成，整个模型中有233个卷积层。InceptionResnet模型可以快速准确地提取更多的特征，使得训练和检测过程中的效率和准确率都进一步得到了保证。