[发明专利]一种基于热成像的电能表过热故障判别方法

说明书

本发明涉及一种基于热成像的电能表过热故障判别方法，属于电力技术领域。该方法包括以下步骤：S1：收集电能表热成像图片数据。S2：对热成像图片数据进行人为标签分类以及数据预处理。S3：建立深度卷积神经网络，以及优化函数和优化器的选择。S4：训练模型，通过测试集的准确率对模型的超参数微调。S5：搭建最小系统，并将训练好的网络嵌入。可以对电能表非侵入式的进行收集热成像图片，便捷快速地判别电能表的过热故障类型并给出建议，避免电能表的绝缘老化对电力系统和用户造成影响。此外，还可使得检修活动更具有针对性，可提高电能表的检测效率、避免人力资源浪费。

技术领域

本发明属于电力技术领域，涉及一种基于热成像的电能表过热故障判别方法。

背景技术

电能表的安全运行通常与内部良好的状态有关，而电能表的过热故障通常会加快内部线路老化，引起绝缘性能下降。因此有必要研究电能表的过热故障在线检测方法和系统。

研究电能表的相关研究人员目前只针对电能表的运行状态、计量精确度等方面提出了许多检测方法，但是较少对电能表的过热故障提出诊断方法和研制相关检测系统。并且目前的状态评价方法通常是定期人工抽检，此方法人为影响较大，因此较为主观。定期人工抽查始终存在盲目性、以及检验不充分等问题，严重制约电能表轮换策略的实施，导致大量人力物力的浪费。

目前电网中存在大量的电能表的样本，并且随着算力和算法的进步，采用深度学习检测电能表是否发生故障可以大大提高电力系统的自动化和智能化水平。因此，需要提出一种基于热成像的电能表过热故障判别方法，用以补充目前对电能表的过热故障判断。

发明内容

有鉴于此，本发明的目的在于提供一种基于热成像的电能表过热故障判别方法。首先收集带标签的电能表的热成像图片，之后基于深度卷积神经网络处理热成像图片进行有监督学习，最后将训练好的神经网络嵌入最小系统构建故障判断装置及系统，实现对电能表的非侵入过热故障判别。

为达到上述目的，本发明提供如下技术方案：

一种基于热成像的电能表过热故障判别方法，该方法包括以下步骤：

S1：收集电能表热成像图片数据。

S2：对热成像图片数据进行人为标签分类以及数据预处理。

S3：建立深度卷积神经网络，以及优化函数和优化器的选择。

S4：训练模型，通过测试集的准确率对模型的超参数微调。

S5：搭建最小系统，并将训练好的网络嵌入。

可选的，所述S1中，数据类型为电能表的热成像图片。

数据的获取方式为通过热成像仪对工作的电能表进行非侵入式地收集图片。

可选的，所述S2中，对所有热成像图片进行初筛，剔除模糊的图片以及未完全包含整个电能表结构的图片。然后通过技术人员进行对所有电能表的过热故障进行人为分类打分，分为5个等级并给出建议；

若数据少，通过对热成像图片进行旋转、裁剪和加高斯噪声手段对数据进行增广。最后对把所有带标签的热成像图片转换成RGB格式的227×227×3灰度值。

可选的，所述S3中，深度卷积神经网络包含8层，前5层是卷积层，后3层为全连接层，其中最后一层采用softmax进行分类。采用ReLU作为激活函数，还利用dropout来减轻过拟合问题。具体如下：

第一层：卷积层，其输入为原始图像的RGB的灰度值，尺寸为227×227×3，使用96个11×11×3的卷积核，步长为4，之后输出为55×55×96的矩阵值，使用的激活函数是ReLU。然后进行局部响应归一化和最大池化，其中最大池化的尺寸为3×3，滑动步长为2，之后输出27×27×96的矩阵值。