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与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.为实现上述目的，本发明提供了如下方案：
6.一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：
7.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；
8.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；
9.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；
10.s4，将诊断模型部署在边缘计算平台jetsonxaviernx上；
11.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。
12.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。
13.进一步的，所述步骤s2中，图像预处理包括以下三个步骤：
14.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；
15.去均值：所有灰度化后的紫外图像像素值取平均后得到样本库均值，将经过灰度化后的紫外图像与样本库均值进行差值计算，即去均值化计算，将输入的不同维度的图像数据归一化到同一区间内，保证输入图像的一致性；
16.重定型：通过最近邻差值算法将不同尺寸大小的输入图像重新缩放至227
×
227像素，以满足所设定的卷积神经网络输入图像的接口要求。
17.进一步的，所述步骤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，具体包括：
18.s301，前向计算：将紫外放电图谱的二维图像输入卷积神经网络，经过各层的计算直至输出层最终通过全连接层后输出训练样本的结果；
19.s302，反向更新：在反向更新中，将前向计算的输出值与输入紫外放电图谱的实际放电状态的实际值进行差值计算，取得训练误差，训练误差相对于网络参数的导数从后往前逐层进行反向传播，实现神经元权值的更新；
20.s303，卷积神经网络通过小权值随机初始化，不断从紫外放电图谱样本库中批量提取输入的样本图像数据，重复进行前向计算和反向更新，经过多次迭代计算直至最终卷积神经网络收敛完成模型的训练过程。
21.进一步的，所述步骤s5，将紫外成像仪拍摄的待测图像输入到边缘计算平台jetson xaviernx中进行快速诊断，得到外绝缘设备放电故障信息，具体包括：
22.将待测图像直接输入至诊断模型的卷积神经网络，只通过前向计算，历经卷积神经网络的输出层，最终得出该输入紫外图谱放电程度正常、异常的评估。
23.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的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无人机采集到的紫外图谱进行处理，可实现外绝缘设备紫外通道下放电程度正常、异常的本地端快速诊断，节省了传统方法中需要人工识别的步骤，减少对巡检地点对网络信号的依赖和中心调度端的计算压力，实现云边协同，保证了巡检的实时性，为现场运维人员提供很大的便利，可以大大提高电力巡检效率。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1为本发明实施例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的流程图；
26.图2为本发明实施例卷积神经网络的原理结构图；
27.图3为本发明实施例卷积神经网络训练的流程图；
28.图4为本发明实施例特征提取可视化的图像。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.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。
31.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
32.如图1所示，本发明实施例提供的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：
33.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13584张放电正常图谱和7720张放电异常图谱；
34.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，包括以下三个步骤：
35.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；
36.去均值：所有灰度化后的紫外图像像素值取平均后得到样本库均值，将经过灰度化后的紫外图像与样本库均值进行差值计算，即去均值化计算，将输入的不同维度的图像数据归一化到同一区间内，保证输入图像的一致性；
37.重定型：由于输入的紫外图像尺寸大小不一，而卷积神经网络模型的输入设定为227
×
227像素的图像，所以通过最近邻差值算法将不同尺寸大小的输入图像重新缩放至227
×
227像素，以满足所设定的卷积神经网络输入图像的接口要求。
38.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；
39.s4，将诊断模型部署在边缘计算平台jetson xaviernx上；
40.s5，将紫外成像仪拍摄的待测图像输入到边缘计算平台jetson xavier nx中进行快速诊断，得到外绝缘设备放电故障信息。
41.其中，如图2至图3所示，所述步骤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，具体包括：
42.s301，前向计算：将紫外放电图谱的二维图像输入卷积神经网络，经过各层的计算直至输出层最终通过全连接层后输出训练样本的结果；各层的计算包括卷积层、激活层、归一层、池化层等的计算，具体为：
43.所述的卷积层为抽象特征提取层，每个卷积层中包含多个卷积神经元，通过滑动
的卷积核实现对不同局部的特征的特征提取。卷积层的前向计算过程如公式(1)所示：
[0044][0045]
公式(1)表示经过卷积计算前后的特征图的变化，表示模型l层的输出，表示选择输入的卷积特征图集合，共有多个的卷积核对输入量进行卷积计算，经过卷积计算之后添加一个额外的偏置完成该卷积层的计算；
[0046]
所述的激活层为修正线性单元relu，其数学表达式为f(x)＝max(0，x)；相比较传统神经网络中常用的sigmoid函数来说，relu激活函数拥有单边非对称结构、不会出现梯度消失、函数简洁计算速度更快等优势；
[0047]
所述的归一层中的归一化计算使局部特征完成一种“临近抑制”的作用，对局部输入特征进行归一化，前后基层对应位置的点对中间标红色的层做平滑约束处理。
[0048]
所述的池化层即为经过二次取样运算得到的特征图层，对于池化层来说，输入的特征图与输出的特征图总数量相等，通过二次取样运算后，每个输出的特征图进行降维，如公式(2)所示：
[0049][0050]
公式(2)中down表示一个下采样函数，表示l层的输出，二次取样运算使得输出的图像在维度上缩小了n倍，每个输出特征图都得回应一个属于自己的乘性偏置和一个加性偏置本技术实施例所采用的下采样的n＝2，即经过二次取样运算后的图像维度缩小了2倍。
[0051]
所述的丢弃层在训练过程中以一定的概率将全连接层中的神经元节点的输出值清零，主要作用为舍弃全连接层中的一些神经元，加快运算速度防止过拟合，使整体网络构架具有更好的普适性和提高鲁棒性。
[0052]
s302，反向更新：在反向更新中，将前向计算的输出值与输入紫外放电图谱的实际放电状态的实际值进行差值计算，取得训练误差，训练误差相对于网络参数的导数从后往前逐层进行反向传播，训练误差e相对于偏置项b的导数如(3)所示：
[0053][0054]
其中，u表示一个节点的全部输入，上式得到变量δ为训练误差e相对于偏置项b的变化率，及灵敏度δ；
[0055]
对于中间层i(1＜i＜n
l
‑
1)，第i层的灵敏度对应值为：δ
l
＝(w
l 1
)
t
δ
l 1
·
σ
′
(u
l
)；
[0056]
根据每一层改变的具体数值，训练误差相对于该层链接权重w
l
的导数为：
[0057]
对于该层的神经元权值的更新只需要偏导数乘以一个负学习率
‑
η便可实现神经元权值的更新：
[0058]
s303，卷积神经网络通过小权值随机初始化，不断从紫外放电图谱样本库中批量提取输入的样本图像数据，重复进行前向计算和反向更新，经过多次迭代计算直至最终卷
积神经网络收敛完成模型的训练过程。
[0059]
所述的卷积神经网络经过五次权值共享卷积特征提取的结构可在保持较少训练参数的情况下保证对输入图像特征提取的敏感度，最终通过两层全连接构架的传统神经网络进行参数整合输出。
[0060]
为更深层的展现输入的紫外图谱在卷积神经网络中的变化过程，在测试库中提取放电正常、放电异常典型的紫外图谱在训练好的卷积神经网络做前向计算，如图4所示，在整个前向计算过程中，分别经过多层不同类型的运算过程中，选出了最有代表性的5层卷集层和两层全连接层。
[0061]
从图4中可以更为详细直观了解，输入图像在卷积神经网络中的从直观变为抽象直到最终分类结果的全部可视化过程。
[0062]
在第一层的卷积特征图中，通过对输入图像进行不同卷积核的卷积运算，仍然可以看到绝缘子片以及放电较为明显的边缘轮廓及特征；
[0063]
在第二层的卷积特征图中，对第一层的卷积特征图再次进行多卷积核的卷积运算，该层已经较难看出绝缘子的轮廓以及放电的明显特征；
[0064]
在第三层和第四层的卷积特征图中，已经完全看出原有的绝缘子及放电的直观特征，放电程度的特征被进一部抽象提取，其特征图所表示的特征参量被进一步压缩至169(13
×
13)特征值；
[0065]
在第四层池化特征图中，可以较为直观的发现无放电的特征图大部分表现为上下排列的两个白色点，电晕放电的大部分特征图表现为图中的单个白色点，而火花放电的特征图大部分表现为左右排列的两个白色点，至此与输入的图像相比已经变得非常抽象，而分类特征也越趋明显；
[0066]
将第五层的特征图中所表示的所有像素点的特征参量值首尾依次连接一字排开与第六层的全连接层的神经元形成了第六层全连接特征值，通过第六层第七层两层类似于bp神经网络的全连接模型架构，最终得出第八层输出层的分类评估结果。
[0067]
整个的卷积神经网络架构对输入样本有较高的容错能力。所述的卷积神经网络的结构如表1所示。
[0068]
表1卷积神经网络结构
[0069]
[0070][0071]
其中，所述步骤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，具体包括：
[0072]
将待测图像直接输入至诊断模型的卷积神经网络，只通过前向计算，历经卷积神经网络的输出层，最终得出该输入紫外图谱放电程度正常、异常的评估。
[0073]
所述的边缘计算平台，结合了384核volta gpu和6核arm v8 cpu的强大功能，提供21tops(每秒万亿次操作)的优势，并具有sodimm(笔记本内存模块)的大小和形状。
[0074]
本发明提供的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无人机采集到的紫外图谱进行处理，可实现外绝缘设备紫外通道下放电程度正常、异常的本地端快速诊断，节省了传统方法中需要人工识别的步骤，减少对巡检地点对网络信号的依赖和中心调度端的计算压力，实现云边协同，保证了巡检的实时性，为现场运维人员提供很大的便利，可以大大提高电力巡检效率。
[0075]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。