[发明专利]一种基于深度学习的开关柜凝露识别方法

说明书

本发明公开了一种基于深度学习的开关柜凝露识别方法，建立开关柜凝露模拟实验平台，通过温湿度控制装置对开关柜内的湿度和温度进行调节，温湿度传感器采集到多组温湿度数据，同时，由摄像头采集水分检测试纸的图像；根据水分检测试纸的图像筛选出发生凝露现象和未发生凝露现象的温湿度数据，对上述温湿度数据进行归一化处理，作为训练数据集；利用上述训练数据集对凝露识别神经网络模型进行训练；采集待识别开关柜的实时温湿度数据，输入到训练好的凝露识别神经网络模型中，判断凝露发生的概率。本发明提供的基于深度学习的开关柜凝露识别方法，基于深度学习算法，综合利用温湿度数据对开关柜凝露现象进行识别，提高了识别效率和识别准确性。

技术领域

本发明涉及电力设备检测技术领域，特别是涉及一种基于深度学习的开关柜凝露识别方法。

背景技术

开关柜在配电系统的多个方面起着不可取代的作用，如控制设备、保护人员安全等等，是电网重要电气设备之一。近年来，开关柜事故屡有发生，故障直接降低了电力供应的稳定性、损坏了电力设备，同时大大降低现场人员的工作安全系数。而由于大量开关柜处于不良工作环境中，其柜内常常出现高温潮湿的状态，这正是容易出现开关柜凝露现象的情况，凝露现象出现后，工频高压作用下更易发生局部放电，长此以往会造成设备绝缘性能劣化明显，进而可能导致严重事故。

目前，对开关柜的凝露监测均通过柜内放置的温湿度传感器获得实时数据，之后根据温湿度是否超过安全阈值来实现对凝露的判断。但是凝露现象的出现条件非常复杂，不是与温度或湿度简单的对应关系，而是由两者共同决定的。现有的判断方法盲目确定温湿度安全阈值，无法确定当前温湿度出现凝露的危险程度，可能没有判断效果，甚至适得其反，因此需要采用更加复杂的识别方法判断凝露现象。

深度学习作为热门智能算法之一，近年来被广泛应用于模式识别领域，在给定大量带有标签数据的情况下，通过对其进行多轮训练后，可以实现相关数据的准确判断，相比其他识别方法可显著提高识别的准确率，在开关柜凝露识别方面的应用值得深入研究。

发明内容

本发明的目的是提供一种基于深度学习的开关柜凝露识别方法，基于深度学习算法，综合利用温湿度数据对开关柜凝露现象进行识别，提高了识别效率和识别准确性。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的开关柜凝露识别方法，该方法包括以下步骤：

步骤一，建立开关柜凝露模拟实验平台，包括开关柜以及设置在开关柜内的温湿度传感器、温湿度控制装置、摄像机和水分检测试纸；

步骤二，通过温湿度控制装置对开关柜内的湿度和温度进行调节，温湿度传感器采集到多组温湿度数据，同时，由摄像头采集水分检测试纸的图像；

步骤三，根据水分检测试纸的图像筛选出发生凝露现象和未发生凝露现象的温湿度数据，对上述温湿度数据进行归一化处理，并为发生凝露现象的温湿度数据加上标签1，未发生凝露现象的温湿度数据加上标签0，作为训练数据集；

步骤四，建立凝露识别神经网络模型，基于深度学习算法，利用上述训练数据集对凝露识别神经网络模型进行训练；

步骤五，采集待识别开关柜的实时温湿度数据，输入到训练好的凝露识别神经网络模型中，判断凝露发生的概率。

可选的，所述步骤一中，所述开关柜设置在密闭气候室中，所述温湿度控制装置包括加湿器和加热器，所述水分检测试纸设置在所述开关柜的顶部。

可选的，所述步骤二中，所述通过温湿度控制装置对开关柜内的湿度和温度进行调节，温湿度传感器采集到多组温湿度数据，同时，由摄像头采集水分检测试纸的图像，具体包括：

温度的调节范围为-5℃～98℃，湿度的调节范围为1％～98％，温度每变化0.1℃或湿度每变化0.1％，记录下温湿度数据及水分检测试纸的图像。