[发明专利]一种基于数据融合深度学习的变电站设备缺陷智能分析方法

说明书

本发明提出了一种基于数据融合深度学习的变电站设备缺陷智能分析方法，即通过构建处理跨摄像头视频数据、跨多传感器数据的高效协同、主动感知网络，在对多源视频图像、雷达、声纹振动传感器、智能读表器、水浸传感器、温湿度传感器、气象传感器和历史资料库等变电站多源异构大数据进行融合的基础上，对变电站设备缺陷进行智能分析。本发明实现了融合多源异构信息对变电站设备缺陷分析并行处理，协同一致，以获取更加及时、准确和全面的变电站设备缺陷分析结果，实现以体系效能换效率的整体优势和增值效应。

技术领域

本发明涉及信息融合、人工智能和电力信息化技术领域，更具体而言涉及一种基于数据融合深度学习的变电站设备缺陷智能分析方法。

背景技术

针对传统变电站无人化、智能化巡视模式的发展趋势下，变电站信息管理系统规模的不断扩大和智能化应用呈爆炸式增长，基于单一数据来源的巡视信息系统已经无法适应变电站智能化管理发展的新要求。

传统的变电站监控系统，缺少对于多源异构大数据的信息融合技术，难于准确得到监控目标识别的最优估计。受限于不同传感器物理性能、时空覆盖、归属和外界干扰等影响，从单一手段获取的目标特征参数的差异越来越不明显，原有的目标识别规律性被大量破坏，单一手段获取的变电站设备缺陷信息往往是不完整、不精确、不可靠的。

发明内容

本发明要解决的技术问题是提供一种基于数据融合深度学习的变电站设备缺陷智能分析方法，在变电站无人巡视的情况下，采用基于多源异构信息融合的设备缺陷智能分析方法，利用数据融合、深度学习和大数据分析等技术，减少目标识别的不确定程度，实现变电站的无人巡视模式的可靠性。

一种基于数据融合深度学习的变电站设备缺陷智能分析方法，包括以下步骤：

步骤a)、利用RDF资源描述框架，对多源异构大数据中的变电站设备目标进行语义标注，实现将多源异构非结构数据转换为结构化数据形式，同时实现变电站监控多源异构大数据的一致性语义共享；

步骤b)、采用Spatiotemporal-3DCNN框架构建变电站设备缺陷自动识别模型；

步骤c)、实时抓取分布于变电站的大量监控摄像头的视频数据，对于获取到的原始视频数据通过视频图像预处理实现视频冗余处理和图像灰度转换，获得数据量较少的已处理图像；将已处理图像输入到卷积神经网络中，经过目标检测、目标分类、特征模型的构建获得图像特征的高级抽象语义描述；

步骤d)、将变电站巡视系统采集的多源异构数据，与对处理完的视频图像信息进行信息融合；

步骤e)、输出识别结果，对于出现的设备异常现象，进行类型辨别，并根据分析结果的严重程度不同采取相应的报警措施。

进一步的，所述步骤a)包括以下步骤：

步骤a1)、通过定义具有基本公用类和属性集合的标签本体，用户使用语义标签标注数据，并允许用户不断添加和扩展标签本体，从而描述新概念的适用程度，为数据提供语义上合法的、无歧义的描述；

步骤a2)、自动变电站设备语义标注，逆向使用面向设备缺陷识别中研究完成得到的深度学习网络对多源异构监控大数据进行目标识别，并通过人机交互的方式，对基于目标识别结果自动完成的语义标注结果进行确认或修正；

步骤a3)、采用深层卷积神经网络进行特征图谱提取和目标识别；

步骤a4)、根据相关性理论与设备缺陷模型，构建语义决策树，实现多级别、多层次的映射模型，利用深层卷积神经网络产生的特征向量和不同图像分割技术产生的分割结果，对整个图像抽取语义信息。

进一步的，所述步骤b)包括以下步骤：