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

技术特征：
1.一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，其特征在于，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jetson xavier nx上；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。2.根据权利要求1所述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，其特征在于，所述步骤s1中，放电正常图谱有13584张，放电异常图谱7720张。3.根据权利要求1所述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，其特征在于，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；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；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。4.根据权利要求1所述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，其特征在于，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：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；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；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。5.根据权利要求1所述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，其特征在于，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 xavier nx中进行快速诊断，得到外绝缘设备放电故障信息，具体包括：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。

技术总结
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。巡检作业的实时性。巡检作业的实时性。


技术研发人员：刘云鹏 马子儒 裴少通 李泳霖
受保护的技术使用者：华北电力大学（保定）
技术研发日：2021.08.24
技术公布日：2021/11/5