一种电力设备故障检测方法、装置、设备及存储介质

技术领域

本申请涉及电力物联网安全技术领域，尤其涉及一种电力设备故障检测方法、装置、设备及存储介质。

背景技术

随着电力系统的快速发展，电力系统运行的稳定性变得更加重要。在智能电网下，一旦电力设备出现故障，将极大地影响电力系统的安全和供电的稳定性。而电力设备长期受气候等外界环境因素的影响，容易出现故障，因此需要定期对电力设备进行检查和维护，以保证供电系统的正常运行。图像目标检测技术是根据图像的视觉内容检测出图像中感兴趣的目标并确定他们的类别和位置，该技术广泛存在于一些与海量图像数据相关的领域。

电力设备的故障由电力设备的类型、故障位置、故障程度等因素决定，其故障分布也不同。因此，基于图像的目标检测技术非常适用于电力设备的故障检测。通过分析电力设备表面的故障分布信息，可以发现电力设备潜在的隐患和故障，并对故障的严重程度进行定量判断。但目前基于图像目标检测方法在检测电力设备故障时存在检测精度较低和检测效率较低的问题。

发明内容

本申请提供一种电力设备故障检测方法、装置、设备及存储介质，能够提高电力设备的故障检测精度和检测效率。

为达到上述目的，本申请采用如下技术方案：

本申请实施例第一方面，提供了一种电力设备故障检测方法，该方法包括：

获取原始图像数据集，并对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据；

对第二数据集进行数据增强，得到第二目标数据集；

利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；

利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；

将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。

在一个实施例中，对第二数据集进行数据增强，包括：

利用数据增强对第二数据集中的图像进行过采样，并将过采样结果增加至第二数据集中，得到第二目标数据集，其中，数据增强包括：图像旋转、图像翻转和图像灰度变化。

在一个实施例中，多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络；利用第一数据集训练预设的初始多尺度卷积神经网络模型之前，方法还包括：

初始化特征提取网络、多尺度卷积网络和全连接网络，得到初始化多尺度卷积神经网络模型；

对应的，利用第一数据集训练预设的初始多尺度卷积神经网络模型，包括：

利用第一数据集训练初始化多尺度卷积神经网络模型。

在一个实施例中，利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间网络模型，包括：

将第一数据集作为训练集，并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，则得到中间网络模型。

在一个实施例中，将第一数据集作为训练集，并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型，包括：

配置初始化多尺度卷积神经网络模型的训练参数，训练参数包括迭代次数、小批量采样大小和模型参数学习率；

基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，得到中间多尺度卷积神经网络模型；

迭代操作包括：对第一数据集进行小批量随机采集，得到采样的小批量数据集；

将小批量数据集输入至初始化多尺度卷积神经网络模型，得到对应的预测类别概率；

根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数，并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。

在一个实施例中，利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型，包括：

加载中间多尺度卷积神经网络模型，并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层；

利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数，则得到目标多尺度卷积神经网络模型。

在一个实施例中，将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果，包括：

将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到每个电力设备图像对应的电力设备的运行正常概率和故障概率，根据运行正常概率和故障概率确定电力设备的故障检测结果。

本申请实施例第二方面，提供了一种电力设备故障检测装置，该装置包括：

获取模块，用于获取原始图像数据集；

处理模块，用于对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据；

处理模块，还用于对第二数据集进行数据增强，得到第二目标数据集；

训练模块，用于利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；

训练模块，还用于利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；

检测模块，用于将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。

本申请实施例第三方面，提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面中的电力设备故障检测方法。

本申请实施例第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面中的电力设备故障检测方法。

本申请实施例提供的技术方案带来的有益效果至少包括：

本申请实施例提供的电力设备故障检测方法，通过获取原始图像数据集，并对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据，然后对第二数据集进行数据增强，得到第二目标数据集，以及利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型，利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；最后将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果，这样，使用具有不同感受野的卷积核可以提取不同尺度的图像特征，采用多尺度卷积神经网络作为深度学习模型，同时采用数据增强和迁移学习，提高了电力场景训练数据类别不平衡时的泛化能力，因此可以提高电力设备的故障检测精度和检测效率，进而能有效地对电力设备进行故障检测，根据检测结果，可以及时对电力故障设备进行安全检修，增加了电力物联网的安全性。

附图说明

图1为本申请实施例提供的一种电力设备故障检测方法的流程图一；

图2为本申请实施例提供的一种多尺度卷积神经网络模型的模型结构的示意图；

图3为本申请实施例提供的一种电力设备故障检测方法的流程图二；

图4为本申请实施例提供的一种电力设备故障检测装置的结构图；

图5为本申请实施例提供的一种电子设备的内部结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

另外，“基于”或“根据”的使用意味着开放和包容性，因为“基于”或“根据”一个或多个条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出的值。

随着电力系统的快速发展，电力系统运行的稳定性变得更加重要。在智能电网下，一旦电力设备出现故障，将极大地影响电力系统的安全和供电的稳定性。而电力设备长期受气候等外界环境因素的影响，容易出现故障，因此需要定期对电力设备进行检查和维护，以保证供电系统的正常运行。图像目标检测技术是根据图像的视觉内容检测出图像中感兴趣的目标并确定他们的类别和位置，该技术广泛存在于一些与海量图像数据相关的领域。

电力设备的故障由电力设备的类型、故障位置、故障程度等因素决定，其故障分布也不同。因此，基于图像的目标检测技术非常适用于电力设备的故障检测。通过分析电力设备表面的故障分布信息，可以发现电力设备潜在的隐患和故障，并对故障的严重程度进行定量判断。但目前基于图像目标检测方法在检测电力设备故障时存在检测精度较低和检测效率较低的问题。

基于上述问题，本申请实施例提供了一种电力设备故障检测方法，通过使用具有不同感受野的卷积核可以提取不同尺度的图像特征，采用多尺度卷积神经网络作为深度学习模型，同时采用数据增强和迁移学习，提高了电力场景训练数据类别不平衡时的泛化能力，因此可以提高电力设备的故障检测精度和检测效率，进而能有效地对电力设备进行故障检测，根据检测结果，可以及时对电力故障设备进行安全检修，增加了电力物联网的安全性。

如图1所示，本申请实施例提供了一种电力设备故障检测方法流程图，具体包括以下步骤：

步骤101、获取原始图像数据集，并对原始图像数据集进行类型划分，得到第一数据集和第二数据集。

其中，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据，第一数据集的数据量大于第二数据集的数据量。在实际中，第一数据集的数据量和第二数据集的数据量的数据量比例约为

步骤102、对第二数据集进行数据增强，得到第二目标数据集。

可选的，利用数据增强对第二数据集中的图像进行过采样，并将过采样结果增加至第二数据集中，得到第二目标数据集，其中，数据增强包括：图像旋转、图像翻转和图像灰度变化。

在实际执行过程中，使用数据增强方法对每一个第二数据集进行过采样，将过采样结果增加至第二数据集中，直至第一数据集的数据量和第二数据集的数据量的比例约为1，这样达到类均衡。

数据增强方法为从旋转、翻转、灰度变换中随机选择一项对第二数据集进行处理，并添加随机高斯噪声。

设第二数据集中的数据点图像坐标为

具体的，旋转角度

步骤103、利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型。

可选的，多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络；利用第一数据集训练预设的初始多尺度卷积神经网络模型之前，方法还包括：初始化特征提取网络、多尺度卷积网络和全连接网络，得到初始化多尺度卷积神经网络模型；

对应的，利用第一数据集训练预设的初始多尺度卷积神经网络模型，包括：利用第一数据集训练初始化多尺度卷积神经网络模型。

其中，图2为多尺度卷积神经网络模型的模型结构，特征提取网络接收原始图像数据输入，通过两个低级卷积处理层(一个卷积处理层包括一个卷积层和一个池化层)，称为

其中，

可选的，上述步骤103的过程可以为：将第一数据集作为训练集，并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，则得到中间多尺度卷积神经网络模型。

具体的，配置初始化多尺度卷积神经网络模型的训练参数，训练参数包括迭代次数、小批量采样大小和模型参数学习率；

基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，得到中间多尺度卷积神经网络模型；迭代操作包括：对第一数据集进行小批量随机采集，得到采样的小批量数据集；将小批量数据集输入至初始化多尺度卷积神经网络模型，得到对应的预测类别概率；根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数，并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。

在实际执行过程中，如图3所示，上述步骤103的执行过程可以为：

步骤1031、设定训练参数。包括迭代次数

步骤1032、对第一数据集进行小批量随机采样。每次采样大小为

步骤1033、将小批量数据集D输入多尺度卷积神经网络，得到预测类别概率后计算损失函数。

损失函数使用交叉熵损失函数

步骤1034、根据损失函数对模型参数进行更新。

设模型原参数为

步骤1035：循环执行步骤1032到步骤1034，直到达到迭代次数为

步骤1036：保存模型。本地保存训练好的一阶段多尺度卷积神经网络模型结构和参数，得到中间多尺度卷积神经网络模型。

步骤104、利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型。

可选的，上述步骤104的过程可以为：

加载中间多尺度卷积神经网络模型，并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层；

利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数，则得到目标多尺度卷积神经网络模型。

在实际执行过程中，上述步骤104的过程可以为：

加载一阶段多尺度卷积神经网络模型，并使用高斯分布随机初始化最后一个用作分类器的全连接层

使用类均衡数据集训练二阶段的多尺度卷积神经网络模型，除数据集不同外训练方式与步骤1031到步骤1035相同。其中，类均衡数据集为第一数据集和第二目标数据集组成的数据集。具体的，本次训练中，小批量大小

本地保存训练好的二阶段多尺度卷积神经网络模型结构和参数，得到目标多尺度卷积神经网络模型。

步骤105、将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。

将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到每个电力设备图像对应的电力设备的运行正常概率和故障概率，根据运行正常概率和故障概率确定电力设备的故障检测结果。

在实际执行过程中，将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型后，目标多尺度卷积神经网络模型输出该电力设备图像对应的运行正常概率和故障概率，若运行正常概率大于预设阈值，则确定该电力设备图像对应的电力设备运行正常，若故障概率大于预设阈值，则确定该电力设备图像对应的电力设备出现故障。需要说明的是，由于原始图像集中包括多个多种电力设备图像，因此，该目标多尺度卷积神经网络模型可以根据实时采集的多种电力设备图像，识别多种电力设备是否存在故障。

此外，在进行执行电力设备故障检测任务，还可以对目标多尺度卷积神经网络模型的性能测试。

测试指标包括准确率

经过测试，目标多尺度卷积神经网络模型的各项测试指标为：准确率：0.9948，精确率：0.9936，召回率：0.9970，F1分数：0.9952。

本申请实施例提供的电力设备故障检测方法，通过获取原始图像数据集，并对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据，然后对第二数据集进行数据增强，得到第二目标数据集，以及利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型，利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；最后将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果，这样，使用具有不同感受野的卷积核可以提取不同尺度的图像特征，采用多尺度卷积神经网络作为深度学习模型，同时采用数据增强和迁移学习，提高了电力场景训练数据类别不平衡时的泛化能力，因此可以提高电力设备的故障检测精度和检测效率，进而能有效地对电力设备进行故障检测，根据检测结果，可以及时对电力故障设备进行安全检修，增加了电力物联网的安全性。

如图4所示，本申请实施例提供了一种电力设备故障检测装置，装置包括：

获取模块11，用于获取原始图像数据集；

处理模块12，用于对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据；

处理模块12，还用于对第二数据集进行数据增强，得到第二目标数据集；

训练模块13，用于利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；

训练模块13，还用于利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；

检测模块14，用于将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。

在一个实施例中，处理模块12，具体用于：

利用数据增强对第二数据集中的图像进行过采样，并将过采样结果增加至第二数据集中，得到第二目标数据集，其中，数据增强包括：图像旋转、图像翻转和图像灰度变化。

在一个实施例中，多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络；训练模块13，还用于

初始化特征提取网络、多尺度卷积网络和全连接网络，得到初始化多尺度卷积神经网络模型；

对应的，训练模块13，具体用于：利用第一数据集训练初始化多尺度卷积神经网络模型。

在一个实施例中，训练模块13，具体用于：

将第一数据集作为训练集，并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，则得到中间多尺度卷积神经网络模型。

在一个实施例中，训练模块13，具体用于：

配置初始化多尺度卷积神经网络模型的训练参数，训练参数包括迭代次数、小批量采样大小和模型参数学习率；

基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，得到中间多尺度卷积神经网络模型；

迭代操作包括：对第一数据集进行小批量随机采集，得到采样的小批量数据集；

将小批量数据集输入至初始化多尺度卷积神经网络模型，得到对应的预测类别概率；

根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数，并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。

在一个实施例中，训练模块13，具体用于：

加载中间多尺度卷积神经网络模型，并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层；

利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数，则得到目标多尺度卷积神经网络模型。

在一个实施例中，检测模块14，具体用于：

将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到每个电力设备图像对应的电力设备的运行正常概率和故障概率，根据运行正常概率和故障概率确定电力设备的故障检测结果。

本实施例提供的电力设备故障检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再多加赘述。关于电力设备故障检测装置的具体限定可以参见上文中对于电力设备故障检测方法的限定，在此不再赘述。

本申请实施例提供的电力设备故障检测方法的执行主体可以为电子设备，计算机设备、终端设备、服务器或服务器集群，本申请实施例对此不作具体限定。

图5为本申请实施例提供的一种电子设备的内部结构示意图。如图5所示，该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例提供的电力设备故障检测方法的步骤。内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。

本领域技术人员可以理解，图5中示出电子设备的内部结构图，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本申请实施例的电力设备故障检测方法的步骤。

本申请另一实施例中，还提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在服务器上运行时，使得电子设备执行上述方法实施例所示的方法流程中电力设备故障检测方法执行的各个步骤。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线（例如同轴电缆、光纤、数字用户线（digitalsubscriber line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带），光介质（例如，DVD）、或者半导体介质（例如固态硬盘（solid state disk，SSD））等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。