[发明专利]基于多层次自监督学习的变电站监控异常检测方法

说明书

本发明公开了一种基于多层次自监督学习的变电站监控异常检测方法，包括以下步骤：对红外异常图像进行数据预处理；利用自监督学习理解数据中的潜在信息；将在自监督学习中学到的知识迁移到神经网络并利用多层次学习训练。多层次学习将有助于神经网络发现不同大小、不同尺寸和不同位置异常信息，提升算法的适应性和检测准确度；对红外图像的大小进行规定将有助于后续神经网络的设计，有利于提高神经网络设计的效率，自监督学习的使用将有助于发现数据集中样本之间的相似结构关系；通过自监督学习提高后续训练优化过程中的神经网络性能，有助于训练过程中收敛，多层次学习的方式完成后续的训练，有利于在更多的范围内发现异常信息。

技术领域

本发明属于电力设备运行状态安全监测领域，更具体涉及到一种基于多层次自监督学习的变电站监控异常检测方法。

背景技术

变电站电力设备的异常发热状态与故障诊断对于电力系统安全稳定至关重要，通过对设备巡检检测电力设备的运行状态能够有效地预防由设备缺陷或故障而引发的事故。长期以来，许多国内外的专家学者一直致力于研究解决这一问题，提出了诸如脉冲电晕电流法、电压分步法和红外成像法等检测变电站设备异常的方法。其中，红外成像法是通过红外波段的辐射效应反应待测物体的温度，可以在不断电的情况下监测变电站电力设备的运行状态，具有非接触、无损伤、可靠性高和测温面积大等显著优势。但目前对于红外图像的处理与分析在很大程度上仍然需要依赖于专家经验，从而严重地消耗了人力成本和时间成本。因此，快速准确地监测变电站电力设备的运行状态并精准定位设备运行过程中的异常点是当前亟待解决的问题。

总体而言，当前利用红外成像解决变电站电力设备的异常监测问题存在以下的困难：(1)变电站电力设备的红外图像中异常信息大小规模不均匀，存在的位置不固定；(2)变电站电力设备的红外图像采集较为困难且异常图像相对稀缺，可供训练使用的数据量较少，如何有效使用这些数据以达到较好的效果是当前所需解决的问题；(3)实际场景的复杂多变导致模型在应用中存在泛化性差的问题。因此，迫切需要一种能够学习数据集内部结构关系以提高监测准确度方法，实现对变电站电力设备运行状态的精确监控。

发明内容

本发明要解决的技术问题在于提供一种基于多层次自监督学习的变电站监控异常检测方法，该检测方法能够多层次的角度发现红外图像中的异常信息，有效地适应实际应用中所存在复杂多变的场景。

为了解决上述技术问题，本发明通过以下方式来实现：

基于多层次自监督学习的变电站监控异常检测方法，包括以下步骤：

S1、对红外异常图像进行数据预处理；

S2、利用自监督学习理解数据中的潜在信息；

S3、将在自监督学习中学到的知识迁移到神经网络并利用多层次学习训练。

进一步地，所述步骤S1具体包括如下分步骤：

S11、按照双线性插值的方法，将获取到的变电站电力设备红外图像数据集，图像大小调整为256×256；

S12、通过LabelImg对步骤S11中数据集的异常区域进行标注，最终制作成PASCALVOC格式的数据集；

S13、将步骤S12中获取得到的数据集进行水平翻转处理，其中水平翻转处理指随机选取数据集中的红外图像并对其水平翻转；

S14、将步骤S13中获取得到的数据集进行裁剪处理，其中裁剪处理指随机选取数据集中经水平翻转处理后的红外图像，并对其裁剪尺寸调整为256×256；

S15、将步骤S14中获取得到的数据集进行高斯噪声处理，其中高斯噪声处理指随机选取数据集中经裁剪处理后的红外图像，并对其添加信噪比为15dB-30dB的高斯噪声；