[发明专利]一种电力设备发热缺陷的诊断方法以及诊断系统

说明书

本发明公开了一种电力设备发热缺陷的诊断方法以及诊断系统，该诊断方法包括：从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据；对红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据；缺陷数据至少包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记；利用电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型；其中，发热缺陷模型的输入数据为电力设备的缺陷数据，输出数据为电力设备的发热缺陷诊断结果，诊断结果包括是否存在发热缺陷以及发热缺陷的类型；采集待诊断电力设备的缺陷数据输入至发热缺陷诊断模型中得到发热缺陷诊断结果。

技术领域

本发明属于电气设备红外带电检测技术领域，具体涉及一种电力设备发热缺陷的诊断方法以及诊断系统。

背景技术

随着电力设备状态检修工作的不断开展，红外测温作为电力设备状态检测的重要手段越来越多的应用到电力设备日常维护中。目前大部分红外检测工作仍然依靠运维人员通过带电检测仪器完成，单纯依靠人员进行带电检测在实际的操作过程中存在以下问题未能有效解决：

1、绝大部分红外检测装置并无数据诊断功能，检测过程需要检测人员自行对数据进行分析判断。而红外检测数据量大，人工分析判断需要耗费大量时间，严重影响检测效率。且电压致热型发热故障诊断往往需要经过长久的经验积累才能做到准确判断，对检测人员专业技能要求较高，不利于红外带电检测工作在电网基层的开展。

2、部分红外检测装置中自带的诊断功能无法满足现场实际应用的需要。在现场应用中，由于电力设备发热缺陷类型的表现形式复杂多样，同时还存在大量干扰，检测装置自带的诊断功能很难准确识别发热缺陷类型，在使用过程中会产生误判，给带电检测人员的判断及后续的检修策略造成误导。

发明内容

本发明的目的是提供一种电力设备发热缺陷的诊断方法以及诊断系统，其通过红外传感器对电力设备进行红外热成像检测采集数据，并通过深度学习网络训练深度卷积神经网络得到发热缺陷诊断模型，进而实现了电力设备发热缺陷的自动诊断与识别，其通过训练神经网络提高了诊断结果的可靠性。

一方面，一种电力设备发热缺陷的诊断方法，包括如下步骤：

步骤S1：从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据；

步骤S2：对所述红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据；

所述缺陷数据至少包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记；

步骤S3：利用步骤S2中电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型；

其中，发热缺陷诊断模型的输入数据为电力设备的缺陷数据，输出数据为电力设备的发热缺陷诊断结果，所述诊断结果包括是否存在发热缺陷以及发热缺陷的类型；

步骤S4：采集待诊断电力设备的红外温度数据，并进行预处理得到缺陷数据；

步骤S5：将步骤S4的缺陷数据输入至步骤S3的发热缺陷诊断模型中得到发热缺陷诊断结果。

进一步优选，按照预设比例将步骤S2中采集的电力设备的缺陷数据以及发热缺陷类型标签进行划分得到训练集和验证集，训练集和验证集中每个样本均对应电力设备的一组缺陷数据以及发热缺陷类型标签，其中，利用训练集的训练深度卷积神经网络得到步骤S3中的发热缺陷诊断模型，训练过程如下：

S31：将训练集中样本的缺陷数据作为输入数据输入深度卷积神经网络；

S32：在前向传播过程中，输入的图形数据经过多层卷积层的卷积和池化处理，提出特征向量，并将特征向量传入全连接层得到分类识别结果；