[发明专利]基于深度学习和边缘计算的外绝缘设备放电故障诊断方法

说明书

本发明公开了一种基于深度学习和边缘计算的外绝缘设备放电故障诊断方法，包括：S1，构建紫外放电图谱样本库；S2，将紫外放电图谱作为二维图像输入量，进行图像预处理；S3，利用图像预处理后的紫外放电图谱的二维图像输入量训练卷积神经网络，对卷积特征进行提取，得到诊断模型；S4，将诊断模型部署在边缘计算平台JetsonXavierNX上；S5，将紫外成像仪拍摄的待测图像输入到边缘计算平台JetsonXavierNX中进行快速诊断，得到外绝缘设备放电故障信息。本发明提供的方法，利用深度学习和边缘计算技术，对外绝缘设备的紫外图谱进行本地端的快速诊断，最大限度地减少人工工作量，并提高电力巡检作业的实时性。

技术领域

本发明涉及外绝缘设备缺陷诊断技术领域，特别是涉及一种基于深度学习和边缘计算的外绝缘设备放电故障诊断方法。

背景技术

电力设备诊断评估的传统方法是根据经验或者人工提取特征进行分析从而得到判断结果，但容易降低判断的稳定性，降低故障识别的准确率。而深度学习方法可以通过构建多层网络结构模型来实现对任何复杂函数的模拟。深度学习从训练海量数据出发，经过一个端到端的模型，自行归纳潜在特征，深入学习数据之间内在联系，并将所学到的特征信息融入到所建立的模型中，从而减少人为提取特征的主观性。利用深度学习可以对电力系统设备的故障进行检测和评估，从而提高设备的安全性与电网的可靠性。

输电线路无人机平台是一种针对输变电设备智能化检测的设备搭载平台。无人机搭载紫外成像仪相机吊舱，具有高精度定位和自动摄像功能。以往的电力运维中，无人机搭载成像仪拍摄图片传送到中心云进行诊断分析。而这种方式过度依靠网络信号传输，在无人区、山区等的输电线路的巡检中会失效，并且这种方式还会给中心云带来巨大的负荷，巡检不能达到实时、高效的要求。随着边缘计算的发展，边云协同成为一种趋势。将深度学习诊断算法部署在边缘计算平台中，利用无人机搭载边缘计算平台进行巡飞，将拍摄的图片直接输入边缘计算平台进行诊断，捕捉缺陷数据进行回传，正常数据丢弃，大大缓解了信号传输的压力和中心云的计算压力，提高了无人机巡检的实时性和高效性。因此，利用深度学习和边缘计算技术对外绝缘设备的紫外图谱进行本地端的快速诊断，是本领域技术人员需要进一步深入研究的课题。

发明内容

本发明的目的是提供一种基于深度学习和边缘计算的外绝缘设备放电故障诊断方法，利用深度学习和边缘计算技术，对外绝缘设备的紫外图谱进行本地端的快速诊断，最大限度地减少人工工作量，并提高电力巡检作业的实时性。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习和边缘计算的外绝缘设备放电故障诊断方法，该方法包括以下步骤：

S1，构建紫外放电图谱样本库，所述紫外放电图谱样本库中的紫外放电图谱包括放电正常图谱和放电异常图谱；

S2，将紫外放电图谱样本库中的紫外放电图谱作为二维图像输入量，进行图像预处理；

S3，利用图像预处理后的紫外放电图谱的二维图像输入量训练卷积神经网络，对卷积特征进行提取，得到诊断模型；

S4，将诊断模型部署在边缘计算平台JetsonXavierNX上；

S5，将紫外成像仪拍摄的待测图像输入到边缘计算平台JetsonXavierNX中进行快速诊断，得到外绝缘设备放电故障信息。

进一步的，所述步骤S1中，放电正常图谱有13584张，放电异常图谱7720张。

进一步的，所述步骤S2中，图像预处理包括以下三个步骤：

灰度化：将彩色图像RGB三个颜色通道根据灰度化经验公式Gray＝R×0.299+G×0.587+B×0.115，将紫外放电图谱的RGB三颜色通道图片转变灰度化的紫外图像；