[发明专利]采用深度学习的电网隔离开关状态识别方法

说明书

技术领域

本发明涉及一种采用深度学习的电网隔离开关状态识别方法，属于图像处理领域。

背景技术

电在人类生产和生活各个领域中都是被主要使用的能源和动力，在人类社会的各个方面都起着主要的承担和支撑作用。在电网中存在大量的开关电器，在各种开关电器中，隔离开关是电网中最常应用的开关电器。这些开关电器不但需要维护整个电力网络的正常运行，还担任着发生事故时能够自动断开电路和必要时隔离电源等任务，其重要作用不言而喻。故在这些电压高、危险性大、环境复杂的变电站、高压传输线等地点，都已经安装了视频监测设备，更加方便、实时地监测开关电器的状态。但是在传统的视频监控系统中，需要使用大量人力资源去人工查看，除了难以达到所需的实时性要求外，人工检测的结果很大程度上受到了巡视员的主观和生理因素的影响，比如巡视的认真程度、人眼对图像的分辨能力等等。

随着计算机视觉和模式识别等技术深入各行业，图像处理和识别的技术已应用到现代生产的各个领域，比如军事领域、航天航空领域、通信工程领域等，并且取得了很大的成功。因此，将图像分析和识别技术运用到电力开关设备状态识别的相关研究中，将会大大的帮助维护人员提高工作效率，提高整个系统的智能化程度。

目前，电网中已经投入使用了监控技术，具有对开关电器进行监视、控制某些摄像机的动作和摄像等作用。但是在现阶段，很多监控系统只有监视功能，却并没有图像识别的功能。目前，在已运用图像识别技术分析开关状态的研究中，很多方法识别效率并不能达到完美，并且只能达到半自动化程度。

发明内容

针对上述问题，主要针对电网中的隔离开关设备，本发明提出一种采用深度学习的电网隔离开关状态识别方法,可以提高系统识别效率，完善视频监测技术。技术方案如下：

一种采用深度学习的电网隔离开关状态识别方法，包括下列步骤：

(1)对隔离开关图像进行预处理，得到隔离开关的轮廓图像；

(2)计算预处理过后的隔离开关图像的特征，包括隔离开关图像灰度统计特性、图像二阶矩、隔离开关主轴转动的角度关系和隔离开关操控电机工作电流关系，组成隔离开关图像的特征向量；

(3)将训练用隔离开关特征向量输入卷积神经网络，生成抽象特征向量。

(4)利用生成的抽象特征向量训练分类器，

(5)将待测隔离开关图像的特征向量输入分类器，对隔离开关状态进行识别。

附图说明

图1为本发明的系统整体结构示意图。

图2(a)为合闸到位的隔离开关图像，(b)为开闸到位的隔离开关图像。

具体实施方式

下面结合附图对本发明实施方式进行说明。

如图1所示，在采用深度学习的电网隔离开关状态识别方法的整个系统的主要过程为：

(1)图1所示的图像预处理部分，包括：将从电网视频监测设备获取的隔离开关视频在计算机控制下传输并保存，将隔离开关视频首先进行前景和背景的分离，得到隔离开关图像，对获得的隔离开关图像进行中值滤波处理和canny边缘检测得到隔离开关的轮廓图像。

(2)图1所示的计算隔离开关特征向量部分包括：计算训练用隔离开关图像和待测隔离开关图像的特征，包括隔离开关图像灰度统计特性、图像二阶矩、隔离开关主轴转动的角度关系、隔离开关操控电机工作电流关系。几个特征组成隔离开关特征向量。其中，隔离开关图像灰度统计特性的计算方法为：

R＝∫∫f(x，y)dxdy

图像二阶矩的计算方法为：

隔离开关主轴转动的角度为隔离开关在分闸或合闸过程中的主轴转动的角度θ和分闸或合闸过程时间关系，为(θ，t)，主轴转动的角度从隔离开关操作端显示读得。

隔离开关操控电机工作电流为操控隔离开关的电机中测得的电流I和隔离开关操作过程的时间的关系，为(I，t)。

几个特征组成的特征向量为D＝{R,M,N,Q,θ,t,I,t}，将特征向量输入卷积神经网络中，卷积神经网络的输入层为得到的特征向量D＝{R,M,N,Q,θ,t,I,t}，利用不同长度的卷积核对输入层的特征向量依次进行卷积，最后得到抽象特征。

(3)将得到的特征向量输入到分类器中，训练该样本下的分类器，从分类器的结果得到隔离开关的状态，对隔离开关图像进行识别。