一种基于面积区域温度梯度的电力设备状态评估方法

技术领域

本发明涉及智能电网信息技术领域，特别是涉及一种基于面积区域温度梯度的电力设备状态评估方法。

背景技术

目前，针对电力设备的红外巡检完全依靠人工进行，存在人工工作量大且成本高的问题，而且设备状态评估对检修人员专业性和工作经验要求比较高，但检测结果依旧存在一定主观性的情况。随着人工智能技术的发展，各行各业都向着智能化方向发展，随着智能电网的提出，未来电力设备红外检测应向着智能化类型识别、状态评估方法发展，并形成规范化的电力设备状态红外评估体系，为电力设备运维提供支撑。

同时，红外检测的现行标准通过带电设备温度的相对温差进行状态评估，这种相对温差方法需要环境温度作为基准进行评估，然而电力设备众多、结构和工作环境复杂，不同电力设备受环境温度的影响程度能力不一，在不同的检测场景下，红外不一定能准确检测潜伏性缺陷，如设备接头处老化引起的局部某点温度异常等。

发明内容

本发明的目的在于，提出一种于面积区域温度梯度的电力设备状态评估方法，解决在不同的检测场景下，红外不一定能准确检测潜伏性缺陷的技术问题。

一方面，提供一种基于面积区域温度梯度的电力设备状态评估方法，包括：

采集电力设备红外图像，并对采集的电力设备的红外图像进行预处理，得到红外图像数据集；

将所述红外图像数据集作为输入项输入预先训练的电力设备面积区域的识别模型，得到电力设备面积区域图像；

对所述电力设备面积区域图像中任一点温度梯度炳进行计算，得到该电力设备面积区域图像对应的温度梯度图像结果，并根据所述温度梯度图像结果确定图像中各点对应的温度梯度结果；

将所述温度梯度结果与预设的先验知识温度梯度阈值比较，根据比较结果确定对应的电力设备状态评估结果。

优选地，所述对采集的电力设备的红外图像进行预处理包括：

采集电力设备的红外图像，其中，所述电力设备至少包括断路器、隔离开关、电压/电流互感器、电缆；

通过双线性插值的方式对红外图像增加的位置进行插值修改图像尺寸；

对原始的红外图像数据进行增强，形成红外图像数据集。

优选地，所述对原始的红外图像数据进行增强包括：

任意选取两张红外图像，并选取区其中一张红外图像对任意矩阵区域进行裁剪并填充像素值为0；

根据第一张图像裁剪的区域尺寸，将第二张图像进行尺寸修改并将其填充至裁剪的区域，实现数据的增强。

优选地，所述电力设备面积区域的识别模型至少包括主干特征提取网络、加强特征提取网络；

所述主干特征提取部分，通过网络主干部分获得5个特征层；

所述加强特征提取网络采用反卷积进行上采样，采样完成后通过权重相加和主干特征提取部分获取的5个特征层进行叠加融合，最终获得的预测层；

其中，所述电力设备面积区域的识别模型接收到输入的红外图像数据集后，通过该模型输入相同尺寸的预测图像，预测图像有效信息主要为设备区域，背景信息将被模型滤除。

优选地，所述电力设备面积区域的识别模型通过以下方式进行训练：

获取红外图像训练数据集并输入所述电力设备面积区域的识别模型；

对所述红外图像训练数据集进行训练处理，得到训练结果；

将所述训练结果与预设的训练目标结果进行对比，根据比对结果确定所述电力设备面积区域的识别模型是否收敛，若未达到所述训练目标结果，判定训练未完成，重现加载红外图像训练数据集进行重复训练；若达到所述训练目标结果，判定训练完成并输出模型权重，得到训练后的电力设备面积区域的识别模型。

优选地，所述对所述电力设备面积区域图像中任一点温度梯度炳进行计算包括：

根据以下公式计算所述电力设备面积区域图像中任一点的梯度炳：

其中，

优选地，根据以下公式确定图像中各点对应的温度梯度结果：

其中，entropy为温度梯度，P(l)为设备区域内不同的温度梯度值对应出现的概率，l为温度梯度值，L为l数量上限。

优选地，所述先验知识温度梯度阈值为预先收集的红外图像数据集基础上，根据现行标准将红外图像数据划分成的梯度等级所对应的阈值，其中，所述梯度等级至少包括为正常、一般缺陷、严重缺陷。

优选地，所述根据比较结果确定对应的电力设备状态评估结果包括：

当所述温度梯度结果处于所述先验知识温度梯度阈值中正常的梯度等级所对应的阈值时，判定对应的电力设备状态评估结果为正常；

当所述温度梯度结果处于所述先验知识温度梯度阈值中一般缺陷的梯度等级所对应的阈值时，判定对应的电力设备状态评估结果为一般缺陷；

当所述温度梯度结果处于所述先验知识温度梯度阈值中严重缺陷的梯度等级所对应的阈值时，判定对应的电力设备状态评估结果为严重缺陷。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的基于面积区域温度梯度的电力设备状态评估方法，首先采集电力设备的红外图像，然后通过对图像进行预处理，形成红外图像数据集，通过数据集对专利中的设备区域识别模型进行训练，训练完成后用于实现红外图像设备区域温度的提取，将电力设备区域的问题进行温度梯度分析，评估电力设备是否存在断路器内部接头接触不良、隔离开关转头接触不良、互感器匝间短路、电缆压接发热在内的故障，提高红外检测设备评估的精细化能力，进一步支撑智能电网的实现。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例中一种基于面积区域温度梯度的电力设备状态评估方法的主流程示意图。

图2为本发明实施例中数据集构建及电力设备面积区域的识别模型训练流程的逻辑示意图。

图3为本发明实施例中电力设备面积区域的识别模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明提供的一种基于面积区域温度梯度的电力设备状态评估方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：

步骤S1，采集电力设备红外图像，并对采集的电力设备的红外图像进行预处理，得到红外图像数据集；也就是，首先采集电力设备的红外图像，然后通过CutMix数据增强方法、图像剪切等方式对图像进行预处理，形成红外图像数据集。

具体实施例中，所述对采集的电力设备的红外图像进行预处理包括：采集电力设备的红外图像，其中，所述电力设备至少包括断路器、隔离开关、电压/电流互感器、电缆；通过双线性插值的方式对红外图像增加的位置进行插值修改图像尺寸；对原始的红外图像数据进行增强，形成红外图像数据集。其中，所述对原始的红外图像数据进行增强包括：任意选取两张红外图像，并选取区其中一张红外图像对任意矩阵区域进行裁剪并填充像素值为0；根据第一张图像裁剪的区域尺寸，将第二张图像进行尺寸修改并将其填充至裁剪的区域，实现数据的增强。可理解的，基于目前主流的人工智能平台TensorFlow开发，首先采集断路器、隔离开关、电压/电流互感器、电缆等设备的红外图像，然后通过双线性插值的方式对图像增加的位置进行插值，实现图像尺寸的修改，然后通过CutMix数据增强方法对原始的红外图像数据进行增强，形成红外图像数据集，其CutMix数据增强方法通过任意选取两张图像，其中一张图像对任意矩阵区域进行裁剪并填充像素值为0，然后根据第一张图像裁剪的区域尺寸，将第二张图像进行尺寸修改并将其填充至裁剪的区域，实现数据的增强。

步骤S2，将所述红外图像数据集作为输入项输入预先训练的电力设备面积区域的识别模型，得到电力设备面积区域图像；也就是，对于红外图像，同时红外图像对应设备的温度信息，首先判断图像是否满足格式要求，JPG或PNG格式，然后Resize至统一尺寸，模型获取输入数据后，将通过模型输入相同尺寸的预测图像，预测图像有效信息主要为设备区域，背景信息将被模型滤除。

具体实施例中，如图2和图3所示，所述电力设备面积区域的识别模型至少包括主干特征提取网络、加强特征提取网络；所述主干特征提取部分，通过网络主干部分获得5个特征层；所述加强特征提取网络采用反卷积进行上采样，采样完成后通过权重相加和主干特征提取部分获取的5个特征层进行叠加融合，最终获得的预测层；其中，所述电力设备面积区域的识别模型接收到输入的红外图像数据集后，通过该模型输入相同尺寸的预测图像，预测图像有效信息主要为设备区域，背景信息将被模型滤除。

所述电力设备面积区域的识别模型通过以下方式进行训练：获取红外图像训练数据集并输入所述电力设备面积区域的识别模型；对所述红外图像训练数据集进行训练处理，得到训练结果；将所述训练结果与预设的训练目标结果进行对比，根据比对结果确定所述电力设备面积区域的识别模型是否收敛，若未达到所述训练目标结果，判定训练未完成，重现加载红外图像训练数据集进行重复训练；若达到所述训练目标结果，判定训练完成并输出模型权重，得到训练后的电力设备面积区域的识别模型通过以上流程对数据集完成构建并对模型进行训练到收敛后，随机抽取一张红外图像对模型的识别效果进行检测。

步骤S3，对所述电力设备面积区域图像中任一点温度梯度炳进行计算，得到该电力设备面积区域图像对应的温度梯度图像结果，并根据所述温度梯度图像结果确定图像中各点对应的温度梯度结果。

具体实施例中，所述对所述电力设备面积区域图像中任一点温度梯度炳进行计算包括：根据以下公式计算所述电力设备面积区域图像中任一点的梯度炳：

其中，

具体地，现行标准通过带电设备温度的相对温差进行状态评估，其相对温差的计算公式如下：

上式中，T

对比，本实施例忽略了环境温度的影响，从梯度特性出发，研究设备面积区域内某一点温度相较于周围温度的变换程度，在人工智能的帮助下实现自动分析，降低设备所处环境温度对设备评估的影响。

首先通过电磁场的角度分析温度梯度的有效性，对应热场中各向同性材料的非稳态热传导方程如下式所示，

式中T为温度，单位K，t为时间，单位s，c为比热容，单位J/(kg·K)，ρ为密度，单位kg/m

在传输线波方程中，当L＝G＝0时，传播即为有损介质的电压传播方程，化简如下式所示。

上式中U为电压，单位V，C为单位长度的电容，单位F/m，R为单位长度的电阻，单位Ω/m。通过对比非稳态热传导方程和传输线波方程发现两个方程具有完全相同的数学表达式且各参量的结构形式也类似，即两者具有通解。因此可以推测温度场与电场具有高度的类比性，通过以下通用形式进行描述:

上式中a为传输系数，根据此方法推导电场热场参数之间的对偶关系，表1描述了部分参数的对偶关系。以此类推，通过热场的热流密度与电场的电流密度对比推导电场强度E与温度梯度F的关系。

上式中γ为电导率单位S/m，对比发现电场强度E和温度梯度F对偶，实际现场应用中，电场强度E用于表征设备绝缘性能，对偶分析，温度梯度F值也能用于表征设备状态变化。

表1电场与热场的对偶关系

以上从电磁场理论上分析了温度梯度的理论性，后续的温度梯度评估方法将基于上述基础提出，对于红外图像，其温度数据为二维矩阵，对应于矩阵中任意一点a的梯度。

本实施例中，根据以下公式确定图像中各点对应的温度梯度结果：

其中，entropy为温度梯度，P(l)为设备区域内不同的温度梯度值对应出现的概率，l为温度梯度值，L为l数量上限。可理解的，基于上述内容可以计算出对应电力设备区域内温度梯度的分布，即任意点的温度相较于周围点的温度变化情况，即降低环境温度对设备温度的影响，热力学中常用熵单位S表征混乱程度；其中，p(l)为设备区域内不同的温度梯度值对应出现的概率，通过分析温度梯度的熵对电力设备状态进行分析，对比已有的断路器、隔离开关、电压/电流互感器、电缆等设备的温度梯度规律库，给出最终分析结果。

步骤S4，将所述温度梯度结果与预设的先验知识温度梯度阈值比较，根据比较结果确定对应的电力设备状态评估结果。也就是，通过本发明提及的电力设备面积区域的识别方法对输入的电力设备红外图像进行区域识别，然后通过本发明提及的温度梯度计算方法分别获取温度梯度图像结果、温度梯度结果，然后对应于先验知识温度梯度阈值对输入的电力设备红外图像进行评估，这里的先验知识温度梯度阈值是在前期收集的红外图像数据集基础上，根据现行标准将红外图像数据划分为正常、一般缺陷、严重缺陷三类，然后分别计算温度梯度，然后统计分析出区分阈值。最后将输入的红外图像计算出的温度梯度值与先验知识阈值进行对比，给出对应的评估结果。

具体实施例中，所述先验知识温度梯度阈值为预先收集的红外图像数据集基础上，根据现行标准将红外图像数据划分成的梯度等级所对应的阈值，其中，所述梯度等级至少包括为正常、一般缺陷、严重缺陷。其中，所述根据比较结果确定对应的电力设备状态评估结果包括：当所述温度梯度结果处于所述先验知识温度梯度阈值中正常的梯度等级所对应的阈值时，判定对应的电力设备状态评估结果为正常；当所述温度梯度结果处于所述先验知识温度梯度阈值中一般缺陷的梯度等级所对应的阈值时，判定对应的电力设备状态评估结果为一般缺陷；当所述温度梯度结果处于所述先验知识温度梯度阈值中严重缺陷的梯度等级所对应的阈值时，判定对应的电力设备状态评估结果为严重缺陷。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的基于面积区域温度梯度的电力设备状态评估方法，首先采集电力设备的红外图像，然后通过对图像进行预处理，形成红外图像数据集，通过数据集对专利中的设备区域识别模型进行训练，训练完成后用于实现红外图像设备区域温度的提取，将电力设备区域的问题进行温度梯度分析，评估电力设备是否存在断路器内部接头接触不良、隔离开关转头接触不良、互感器匝间短路、电缆压接发热在内的故障，提高红外检测设备评估的精细化能力，进一步支撑智能电网的实现。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。