一种变电站关键电气设备的变化检测方法及系统

1.本发明涉及图像变化检测技术领域，具体为一种变电站关键电气设备的变化检测方法及系统。


背景技术：

2.在电力系统中，强电磁脉冲可以通过耦合输电线路进入变电站，进而对站内的一次设备和二次设备形成威胁；另一方面，强电磁脉冲也可以通过空间耦合直接作用于二次设备形成损害。当电力设备因受到脉冲伤害而表面有缺陷时，人眼很难分辨设备的细微变化，检测人员不可能快速识别设备的异常情况。因此，设备异常的误报、漏报情况时有发生。
3.图像变化检测领域旨在通过不同时序获取的相同区域上分析两个或若干个图像来标识显示发生改变的区域，已广泛应用在多个领域，而在电气设备领域，基于深度学习算法对关键电气设备的变化检测应用研究较少。目前，图像变化检测方法主要分为两类：传统变化检测方法和深度学习变化检测方法。传统变化检测方法主要包括图像代数，图像变换等方法。但是由于拍摄图像细节变得丰富，不同时间拍摄条件不同等影响，传统方法存在着一定的局限性，检测精度会随之降低。而变化检测问题是一种图像像素级的两分类问题，即语义分割问题。可通过现有的深度学习模型，进行变化检测。现阶段，深度学习变化检测方法中针对双时相图像的结合方式主要有:(1)将不同时相的图像数据叠加输入到网络中。(2)孪生神经网络方法，通过共享权值的方式将双时相图像输入一个特征提取器，(3)伪孪生神经网络方法，将双时相图像输入两个特征提取器中。但目前存在的对于变化检测的深度学习模型仍旧存在较严重的误检，漏检等问题，导致整体精度不高。


技术实现要素：

4.为了解决现有技术中存在的问题，本发明提供一种变电站关键电气设备的变化检测方法及系统，能够提高整体变化检测的精度，检测鲁棒性更强，实现故障快速定位，提升电气设备的安全性。
5.为实现上述目的，本发明提供如下技术方案：
6.一种变电站关键电气设备的变化检测方法，包括如下步骤，
7.采集电力设备不同时相下的待处理图像构建数据集，对数据集进行预处理；
8.构建基于双注意力机制的孪生神经网络模型；
9.将预处理后的数据集输入孪生神经网络模型中进行训练，生成增强特征表示的局部特征；
10.根据增强特征表示的局部特征划分出电力设备的变化区域和不变区域，变化检测完成。
11.优选地，所述对数据集进行预处理包括，
12.对待处理图像进行数据增强并随机分割，生成多个图像数据对；
13.基于图像数据对生成数据列表，数据列表中包括不同时相下的待处理图像数据和
对应的设备表面变化标签。
14.优选地，所述对待处理图像进行数据增强包括采用图像旋转、图像翻转、添加随机噪声与亮度调整的方式。
15.优选地，所述构建基于双注意力机制的孪生神经网络模型包括采用交叉熵作为损失函数对孪生神经网络模型进行损失计算。
16.优选地，所述交叉熵作为损失函数的表达式为，
[0017][0018]
其中，l为损失函数，n为数据集中的样本数量，i表示为第i个样本，li为样本i的损失，yi表示样本i的标签，样本为正类时，标签取1，样本为负类时，标签取0，pi表示样本i预测为正类的概率。
[0019]
优选地，所述构建基于双注意力机制的孪生神经网络模型后，还包括采用 adam优化器对孪生神经网络模型中的参数进行优化。
[0020]
优选地，所述孪生神经网络模型采用resnet50结构、vgg16结构或者resnet101结构。
[0021]
优选地，所述将预处理后的数据集输入孪生神经网络模型中进行训练，生成增强特征表示的局部特征包括，
[0022]
将预处理后的数据集输入孪生神经网络模型中生成局部特征；
[0023]
基于双注意力机制对局部特征之间建立互联，增强局部特征的特征表示。
[0024]
优选地，所述基于双注意力机制对局部特征之间建立互联包括，
[0025]
双注意力机制包括空间注意力模块与通道注意力模块，空间注意力模块将待处理图像中任意位置的局部特征的上下文信息进行编码输出增强特征表示的特征图；
[0026]
通道注意力模块通过获取待处理图像中不同通道映射之间的相互依赖性并根据相互依赖性整合并输出所有相关的局部特征；
[0027]
将空间注意力模块和通道注意力模块的输出相叠加，获得建立互联的局部特征。
[0028]
一种变电站关键电气设备的变化检测系统，包括，
[0029]
数据采集模块，用于采集电力设备不同时相下的待处理图像构建数据集，对数据集进行预处理；
[0030]
孪生神经网络模型构建模块，用于构建基于双注意力机制的孪生神经网络模型；
[0031]
数据训练模块，用于将预处理后的数据集输入孪生神经网络模型中进行训练，生成增强特征表示的局部特征；
[0032]
检测模块，用于根据增强特征表示的局部特征划分出电力设备的变化区域和不变区域。
[0033]
与现有技术相比，本发明具有以下有益效果：
[0034]
本发明提供一种变电站关键电气设备的变化检测方法，针对电力设备因受到脉冲伤害而表面有缺陷时，对设备异常的误报、漏报情况，通过将孪生神经网络与双注意力机制相结合，对电力设备不同时相下的图像进行变化检测，利用双注意力机制对图像进行丰富语义信息的捕获，具体使用孪生神经网络通过输入在同一区域的不同时间获得的高分辨率
图像对，来生成局部特征；利用双注意机制建立局部特征之间的连接，获取全局上下文信息，以更好地区分变化区域和不变区域；最后，将通过双注意机制获得的特征映射到特征空间中，获取电力设备的变化区域位置，能够实现更精准便利地实现对变电站关键电气设备的变化检测，及时发现设备的异常情况，进而实现故障快速定位，保障后续对关键电气设备进行电磁防护。
附图说明
[0035]
图1是本发明的电气设备故障检测流程示意图；
[0036]
图2为本发明实施例中检测方法流程图示意图；
[0037]
图3为本发明实施例中的resnet50结构示意图；
[0038]
图4为本发明实施例中双注意力机制中的空间注意力结构示意图；
[0039]
图5为本发明实施例中双注意力机制中的通道注意力结构示意图；
[0040]
图6为本发明实施例中的模型结构示意图；
[0041]
图7(a)为本发明实施例中的模型训练损失值曲线示意图；
[0042]
图7(b)为本发明实施例中的模型训练精度曲线示意图；
[0043]
图8(a)为本发明实施例中的电抗器片段t1时刻图像示意图；
[0044]
图8(b)为本发明实施例中的电抗器片段t2时刻图像示意图；
[0045]
图8(c)为本发明实施例中的标签图；
[0046]
图8(d)为本发明实施例中的unet 模型检测结果示意图；
[0047]
图8(e)为本发明实施例中的ifn模型检测结果示意图；
[0048]
图8(f)为本发明实施例中的孪生神经网络模型检测结果示意图；
[0049]
图9是本发明的电气设备故障检测系统框架图。
具体实施方式
[0050]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定木发明的范围。在下列段落中参照附图以举例方式更具体地描述木发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0051]
需要说明的是，当组件被称为“固定于"另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存居中组件。当一个组件被认为是“设置于"另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0052]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或"包括一个或多个相关的所列项目的任意的和所有的组合。
[0053]
如图1所示，本发明一种变电站关键电气设备的变化检测方法，包括如下步骤，
[0054]
采集电力设备不同时相下的待处理图像构建数据集，对数据集进行预处理；
[0055]
构建基于双注意力机制的孪生神经网络模型；
[0056]
将预处理后的数据集输入孪生神经网络模型中进行训练，生成增强特征表示的局部特征；
[0057]
根据增强特征表示的局部特征划分出电力设备的变化区域和不变区域，变化检测完成。
[0058]
本发明提供一种变电站关键电气设备的变化检测方法，针对电力设备因受到脉冲伤害而表面有缺陷时，对设备异常的误报、漏报情况，通过记录设备前后时序图像，应用图像变化检测的方法检测设备的变化情况，即将孪生神经网络与双注意力机制相结合，对电力设备不同时相下的图像进行变化检测，利用双注意力机制对图像进行丰富语义信息的捕获，具体使用孪生神经网络通过输入在同一区域的不同时间获得的高分辨率图像对，来生成局部特征；利用双注意机制建立局部特征之间的连接，获取全局上下文信息，以更好地区分变化区域和不变区域；最后，将通过双注意机制获得的特征映射到特征空间中，获取电力设备的变化区域位置，能够实现更精准便利地实现对变电站关键电气设备的变化检测，及时发现设备的异常情况，进而实现故障快速定位，保障后续对关键电气设备进行电磁防护。
[0059]
进一步地，所述对数据集进行预处理包括，
[0060]
对待处理图像进行数据增强并随机分割，生成多个图像数据对；
[0061]
基于图像数据对生成数据列表，数据列表中包括不同时相下的待处理图像数据和对应的设备表面变化标签。
[0062]
本发明在数据集输入孪生神经网络模型前，先对数据集中的数据进行预处理，通过将原始图片数据进行数据增强，再对原始图像进行随机分割，生成多个图像数据对；其次生成数据列表，数据列表包含train，test，val三个部分，其中每个部分包含a,b,lable三个文件夹，分别保存时段一，时段二，和对应的设备表面变化标签；其中，数据列表的每一行都用空格分开，利用标注好的文件定义数据集类。便于后续数据训练。
[0063]
优选地，所述对待处理图像进行数据增强包括采用图像旋转、图像翻转、添加随机噪声与亮度调整的方式。
[0064]
进一步地，所述构建基于双注意力机制的孪生神经网络模型包括采用交叉熵cross entropy作为损失函数对孪生神经网络模型进行损失计算。
[0065]
本发明在构建孪生神经网络模型时，首先通过算法检查多个样本并尝试找出最大限度地减少损失的模型，对模型进行优化，即经验风险最小化。本实施例中采用交叉熵作为损失函数对模型进行损失计算，损失是一个值，表示对单个样本而言模型预测的准确程度，如果模型预测的完全准确，损失为零，否则损失较大，进而提高模型预测的准确性。
[0066]
具体地，所述交叉熵作为损失函数的表达式为，
[0067][0068]
其中，l为损失函数，n为数据集中的样本数量，i表示为第i个样本，li为样本i的损失，yi表示样本i的标签，样本为正类时，标签取1，样本为负类时，标签取0，pi表示样本i预测为正类的概率。
[0069]
进一步地，所述构建基于双注意力机制的孪生神经网络模型后，还包括采用adam
的图像数据对。
[0091]
具体的，第二步：进行模型构建并训练，包括：搭建融合孪生神经网络和双注意力机制的网络模型，首先，使用交叉熵cross entropy作为损失函数进行损失计算，其中，交叉熵损失函数公式为
[0092][0093]
其次，使用adam优化器进行参数优化。
[0094]
具体的，使用resnet50作为孪生神经网络的结构。
[0095]
resnet50首先对输入做了卷积操作之后包含4个残差块，最后进行全连接操作以便于进行分类任务，resnet50则包含50个conv2d操作，其网络构成示意图如图3所示。
[0096]
具体的，空间注意模块将长距离的上下文信息编码为局部特征，从而增强了特征表示。如图4所示，给定一个特征a∈rc×h×w(其中，c,h,w分别代表特征a的通道数，高度，宽度)，然后经过一个带有bn层和relu层的卷积操作得到两个新的特征b,c,其中{b,c}∈rc×h×w，然后将这两个特征重塑到rc×n，其中，n＝h
×
w，然后在b和c的转置上应用一次矩阵乘法，之后应用softmax 层计算位置注意力映射图s∈rn×n，同时将特征a、b、c输入到一个带有bn 层和relu层的卷积层产生另外一个特征图d∈rc×h×w，同样重塑到rc×n，然后对d和s的转置应用一次矩阵乘法，重塑为rc×h×w，然后乘上一个因子
ɑ
，与特征a进行一个逐元素的相加操作得到最终的输出e∈rc×h×w。
[0097]
具体的，通道注意力机制通过获取不同通道映射之间的相互依赖性可以有效增强特征图对于特定语义的表征能力。如图5所示，首先对特征图a进行重塑操作至rc×n，然后在a与a的转置上应用一次矩阵乘法，最终应用一个 softmax层以获得通道注意力图x∈rc×c，之后对x的转置和a进行一次矩阵乘法然后重塑到rc×h×w，然后乘上一个因子β，然后与原始特征a进行一个逐元素的加和操作得到最终的特征图e∈rc×h×w。
[0098]
具体的，如图6所示，首先使用孪生神经网络通过输入在同一区域的不同时间获得的高分辨率图像对，来生成局部特征。然后，利用双注意机制建立局部特征之间的连接，获取全局上下文信息，以更好地区分变化区域和不变区域。最后，将通过双注意机制获得的特征映射到特征空间中。
[0099]
具体的，网络模型设定初始学习率为0.0001，并且每8epochs衰减一半，将训练数据的批处理大小设置为8，并且训练迭代的最大次数epoch设定为 100。如图7(a)和(b)所示，随着迭代次数增加，模型精度越来越高，损失值也越来越小，当迭代次数达到五十至六十次时，模型趋于稳定，网络收敛，故将训练迭代的最大次数设定为100，同时设置验证集损失不继续降低的容忍度为10个epoch，达到10个epoch后提前终止训练模型，训练结束。
[0100]
具体的，第三步：对电气设备进行变化检测，包括：完成整个网络训练且结果收敛后，对待检测图像数据进行变化检测，获取电气设备的变化区域位置。
[0101]
本实施例中，选择图8中电抗器片段进行预测实验分析，图像分辨率大小为1024*1024，通道数为3。同时选用unet 、ifn变化检测模型两种模型进行对比检测。
[0102]
检测结果如图8所示，其中，(a)表示电抗器片段t1时刻图像，(b)表示电抗器片段t2时刻图像，(c)为标签图，(d)为unet 模型检测结果，(e) 为ifn模型检测结果，(f)为本
发明所提供的模型的检测结果。
[0103]
从图8可以看出，unet 模型和ifn模型可以检测出图像的变化区域，但是这两种方法的检测结果都存在较严重的误检，漏检等问题，导致整体精度不高，而本发明首次将融合孪生神经网络和双注意力机制的网络模型应用于变电站关键电气设备的变化检测，通过双注意力机制获得更多，更好的判别特征表示，使学习到的特征对变化更具有鲁棒性。
[0104]
在对比试验中，三种网络的预测精度的结果如表1所示：
[0105]
表1
[0106][0107]
从表1中可以看出，本发明提供的检测方法和模型得到的检测结果具有更佳的识别能力，准确率和召回率分别为0.976和0.951，其训练结果参数量仅为16.25m。与其余两种方法相比，整体变化检测精度更高，检测鲁棒性更强。能够实现更精准便利地实现对变电站关键电气设备的变化检测，进而实现故障快速定位，保障后续对关键电气设备进行电磁防护。
[0108]
为实现上述目的,在本发明中采取的主要技术手段。要清楚、完整、准确地加以描述，要对发明的实质内容加以说明，公开的程度以所属技术领域的普通技术人员能够理解和实现为准。