[发明专利]一种基于单阶红外图像目标检测的电力设备故障智能诊断方法

说明书

本发明公开了一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，包括：采集多种电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；将红外图像训练集导入YOLOV4卷积神经网络中，并使用迁移学习方法和K‑means++聚类分析方法进行训练以获得红外图像检测网络；拟合一种红外图像温度条的温度和灰度函数关系；制作PC电力设备红外故障诊断软件并将红外图像检测网络和温度灰度函数关系嵌入其中，通过对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取；根据DL/T 664‑2016带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。

技术领域

本发明涉及电力设备状态监测和故障诊断领域，特别是一种基于单阶红外图像目标检测的电力设备故障智能诊断方法。

背景技术

变电站设备在长期运行中，可能产生各种各样的内生缺陷，变电站运维人员普遍地运用红外测温工具周期性对设备进行巡视，尽早从设备运行的异常状况中预判故障，从而避免设备突然停运。这种方式对运维人员的经验和技术有一定要求，同时存在覆盖不全面、工作效率低的缺点。在智能化改造过程中，无人机、巡检机器人等智能设备也产生了大量巡检图片，却缺乏相应的智能分析能力。

在电网规模迅速扩大的今天，红外检测因其非接触性、便捷性等特点，已成为电力检修和在线监测的主要手段。对于运维检修，目前的检测主要流程为：①在现场检测并获得红外图像；②检测人员对被检测设备手动做结构划分、温度指标计算和故障诊断；③导入运维系统生成诊断结果并存档。然而面对如此大规模的电网，依赖于人工对设备热故障进行诊断使得检测效率低，检测结果也随人员的技术水平、疲劳程度和经验累积而有所区别，可能导致调度及运维无法对设备的故障态势做出正确判断，这也与电网的智能化发展极不相称。因此，对图像数据进行快速准确地分析，从中诊断电力设备状态，对于及时了解电力设备的运行状况，提高电力设备运行、维护和管理水平具有十分重要的意义。

发明内容

本发明所要解决的技术问题是提供一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，通过将基于YOLOV4的电力设备检测网络和故障分析流程嵌入PC软件中，能够使得工作人员快速准确地实现对电力设备故障的诊断，也能够使现场工作人员可以针对发热异常的设备直接利用软件甄别，提高电力设备故障识别的效率。

为解决上述技术问题，本发明所采用的技术方案是：一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，包括以下步骤：

S1：采集多种电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；

S2：将红外图像训练集导入YOLOV4卷积神经网络中，并使用迁移学习方法和K-means++聚类分析方法进行训练以获得红外图像检测网络；

S3：拟合一种红外图像温度条的温度和灰度函数关系；

S4：制作PC电力设备红外故障诊断软件并将红外图像检测网络和温度灰度函数关系嵌入其中，通过对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取；

S5：根据带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。

优选的，所述步骤S1中对所述红外图像进行预处理包括以下步骤：

S11：将获取的数据集进行旋转等数据扩充方法，以扩充数据集，形成应用于模型的数据集。

S12：在软件中对数据集中的多种电力设备所在的图形区域进行标注以及添加类别标签，最终制作成PASCAL VOC格式的数据集。

优选的，所述步骤S2中迁移学习的方法和K-means++聚类分析方法是使用YOLOV4预训练权重进行训练，使用K-means++聚类分析方法寻找更能代表标签框的锚框大小。