本發(fā)明屬于人工智能電網(wǎng)視頻監(jiān)測技術(shù)領(lǐng)域，涉及一種基于深度學(xué)習(xí)的電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置。

背景技術(shù)：

長期以來，在變電站巡視過程中，需要定周期、定路線、定方法、定人、定標(biāo)準(zhǔn)、定時間，及時發(fā)現(xiàn)設(shè)備的缺陷或隱患，但變電站巡視主要通過人工模式，定期或不定期對現(xiàn)場設(shè)備進(jìn)行巡視檢查或采用紅處線測溫手段對電網(wǎng)設(shè)備狀態(tài)進(jìn)行監(jiān)視，工作量大，且受環(huán)境因素、人員素質(zhì)等各方面的影響，容易造成巡視不到位，核對不到位情況發(fā)生，巡視效率和質(zhì)量往往達(dá)不到預(yù)期效果。

目前，變電站中存在各種傳感器和監(jiān)測設(shè)備，產(chǎn)生大量數(shù)據(jù)，包括由工業(yè)相機(jī)捕獲的圖像和視頻。傳統(tǒng)的監(jiān)測系統(tǒng)僅實(shí)現(xiàn)了遙視功能，海量圖像資源數(shù)據(jù)僅靠人工搜索，效率較低，而且遠(yuǎn)沒有發(fā)揮圖像數(shù)據(jù)資源優(yōu)勢。傳統(tǒng)的電力生產(chǎn)主要依靠結(jié)構(gòu)化數(shù)據(jù)。近年來，視頻，圖像等非結(jié)構(gòu)化數(shù)據(jù)已超過結(jié)構(gòu)化數(shù)據(jù)的增長速度，并且這些非結(jié)構(gòu)化數(shù)據(jù)成為電網(wǎng)大數(shù)據(jù)的主要部分。如果能夠?qū)D像視頻這些非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行結(jié)構(gòu)化，在海量的圖像中實(shí)時發(fā)現(xiàn)正常運(yùn)行和故障的狀態(tài)，實(shí)現(xiàn)智能識別、高效決策將具有重要價值和意義。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于深度學(xué)習(xí)的電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

一種基于深度學(xué)習(xí)的電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置，該電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置包括視頻采集單元、電網(wǎng)設(shè)備檢測單元、顯示單元和儲存單元；其中，視頻采集單元包括工業(yè)相機(jī)和視頻編碼器，用于獲取待識別電網(wǎng)設(shè)備狀態(tài)；電網(wǎng)設(shè)備檢測單元包括圖像數(shù)據(jù)庫模塊、深度學(xué)習(xí)訓(xùn)練模塊、深度學(xué)習(xí)識別模塊；顯示單元為led顯示屏，將顯示識別結(jié)果以及實(shí)時監(jiān)測錄像；儲存單元為云盤儲存，將實(shí)時監(jiān)測視頻、圖像以及識別結(jié)果進(jìn)行云盤儲存。

所述的視頻采集單元的工業(yè)相機(jī)將采集到的視頻信息通過網(wǎng)線傳輸?shù)揭曨l解碼器，同時經(jīng)網(wǎng)線傳輸?shù)絻Υ鎲卧M(jìn)行數(shù)據(jù)備份；通過提取監(jiān)測視頻的視頻幀，構(gòu)建一個專門用于識別電網(wǎng)設(shè)備狀態(tài)的圖像數(shù)據(jù)庫；圖像數(shù)據(jù)庫中的所有圖像包括刀閘的斷、合，冷卻器的停、啟，溫度計、儀表盤處于預(yù)警刻度區(qū)和非預(yù)警刻度區(qū)等狀態(tài)，每幅圖像只包含一種狀態(tài)，一共8種狀態(tài)。所述每類圖片的數(shù)量通常設(shè)置為1000張。對建立好的數(shù)據(jù)庫中的每一幅圖片都做一些預(yù)處理，過程如下：首先將所有圖片隨機(jī)對等地劃分為訓(xùn)練圖片集和測試圖片集，再將每一張圖片的大小進(jìn)行歸一化，輸入數(shù)據(jù)為256×256像素；對每一幅圖片進(jìn)行無序排序，通過手工標(biāo)注得到一個標(biāo)簽，表明該幅圖片的識別狀態(tài)。

所述的電氣設(shè)備檢測單元將圖像數(shù)據(jù)庫中的電氣設(shè)備狀態(tài)數(shù)據(jù)傳輸?shù)缴疃葘W(xué)習(xí)訓(xùn)練模塊進(jìn)行深度學(xué)習(xí)建模，深度學(xué)習(xí)識別模塊利用深度學(xué)習(xí)訓(xùn)練模塊建立的模型對電氣設(shè)備狀態(tài)進(jìn)行判別分類，同時將判別分類結(jié)果進(jìn)行顯示和儲存。

所述的深度學(xué)習(xí)訓(xùn)練模塊分為兩部分：預(yù)處理和訓(xùn)練；預(yù)處理有三個部分：無序排序，顏色、圖形的聚類，大小和格式的調(diào)整；訓(xùn)練包括卷積層、池化層、全連接層、分類層以及激活函數(shù)，所述卷積層的后面連接所述池化層，所述池化層的后面連接所述全連接層，最后的分類層上的每個輸出節(jié)點(diǎn)為所述電網(wǎng)設(shè)備狀態(tài)概率，根據(jù)所述電網(wǎng)設(shè)備狀態(tài)概率確定所述待識別電網(wǎng)設(shè)備狀態(tài)的屬性信息。

其中：

卷積層，通過卷積運(yùn)算使得原信號特征增強(qiáng)并降低噪音；

池化層，利用圖像局部性原理通過抽樣的方法減少很多特征，包括最大池化、均值池化、隨機(jī)池化；

具體的卷積計算、池化計算采用現(xiàn)有caffenet中的卷積層和池化層實(shí)現(xiàn)；

全連接層，全連接層的每個神經(jīng)元都與下一層的每個神經(jīng)元相連，像傳統(tǒng)的多層感知器神經(jīng)網(wǎng)絡(luò)一樣；

分類層，將電網(wǎng)設(shè)備狀態(tài)分為8類，將分類結(jié)果和標(biāo)簽進(jìn)行匹配；

激活函數(shù)，用于參數(shù)的計算和調(diào)整；

為避免出現(xiàn)過擬合的現(xiàn)象，在圖像庫caffenet上對深度學(xué)習(xí)訓(xùn)練模塊進(jìn)行fine-tune。

所述深度學(xué)習(xí)識別模塊，用于將計算機(jī)自動獲取來自工業(yè)相機(jī)的實(shí)時畫面，自動提取并描述畫面的特征和內(nèi)容，辨別出畫面中設(shè)備的狀態(tài)變化，提取目標(biāo)的靜態(tài)特征，判斷其類別，并進(jìn)一步確定所述電網(wǎng)設(shè)備狀態(tài)的屬性信息；在此基礎(chǔ)上，即發(fā)出警告、記錄信息和啟動事件處置預(yù)案。

本發(fā)明的電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置，利用一個電網(wǎng)設(shè)備狀態(tài)的圖像數(shù)據(jù)庫，該數(shù)據(jù)庫包括了和各種條件下的電網(wǎng)設(shè)備狀態(tài)的圖像，所有圖像在背景、角度、光照、尺度等方面都具有很大的差異性。并且為避免在規(guī)模太小的數(shù)據(jù)庫上訓(xùn)練得到的電網(wǎng)設(shè)備狀態(tài)模型過擬合，所以在caffenet數(shù)據(jù)庫進(jìn)行fine-tune，從而獲得訓(xùn)練后的電網(wǎng)設(shè)備狀態(tài)模型。在獲取到待識別電網(wǎng)設(shè)備狀態(tài)圖像后，無需用戶手動定義狀態(tài)再進(jìn)行分類，直接通過該裝置即可識別并采取有效措施，有效地緩解人力監(jiān)測的壓力，達(dá)到真正意義上的智能監(jiān)測，結(jié)果表明本發(fā)明提出的基于深度學(xué)習(xí)的電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置具有非常高的實(shí)用性和可行性。

附圖說明

圖1是本發(fā)明電網(wǎng)設(shè)備狀態(tài)監(jiān)測裝置的結(jié)構(gòu)示意圖。

圖2是本發(fā)明電網(wǎng)設(shè)備狀態(tài)識別方法實(shí)施的流程示意圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明一種實(shí)施例做進(jìn)一步說明。

如圖1所示，該裝置包括視頻采集單元，電網(wǎng)設(shè)備檢測單元，顯示單元和儲存單元。

其中，所述視頻采集單元包括工業(yè)相機(jī)和視頻編碼器，用于獲取待識別電網(wǎng)設(shè)備狀態(tài)。

其中，所述電網(wǎng)設(shè)備檢測單元包括數(shù)據(jù)庫模塊、深度學(xué)習(xí)訓(xùn)練模塊、深度學(xué)習(xí)識別模塊。

其中，所述顯示單元為led顯示屏，將顯示識別結(jié)果以及實(shí)時監(jiān)測錄像。

其中，所述儲存單元為云盤儲存，將實(shí)時監(jiān)測視頻、圖像以及識別結(jié)果進(jìn)行云盤儲存。

如圖2所示，首先，建立一個包含刀閘斷、合，冷卻器的停、啟，溫度計、儀表盤處于預(yù)警刻度區(qū)和非預(yù)警刻度區(qū)等圖像的電網(wǎng)設(shè)備狀態(tài)圖像數(shù)據(jù)庫，所有圖像均來自現(xiàn)實(shí)的監(jiān)測設(shè)備，每一類圖像數(shù)量為1000張，并且每一類圖像的背景、角度、光照、尺度上具有很大的差異性。針對每一幅圖像，通過手工標(biāo)注得到一個標(biāo)簽，表明了該幅圖像的識別狀態(tài)。

對建立好的數(shù)據(jù)庫中的每一幅圖像都做一些預(yù)處理，首先將所有圖像隨機(jī)對等地劃分為訓(xùn)練圖像集和測試圖像集，再將每一張圖像的大小進(jìn)行歸一化，輸入數(shù)據(jù)為256×256像素。

在對模型進(jìn)行學(xué)習(xí)之前，需要解決訓(xùn)練模型參數(shù)過多帶來的過擬合現(xiàn)象。為此，在caffenet圖像公開庫上預(yù)先訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，再使用建立的電網(wǎng)設(shè)備狀態(tài)數(shù)據(jù)庫繼續(xù)學(xué)習(xí)該模型直至收斂。

所述的深度學(xué)習(xí)訓(xùn)練模塊分為兩部分：預(yù)處理和訓(xùn)練。預(yù)處理有三個部分：無序排序，顏色、圖形的聚類，調(diào)整大小和格式。訓(xùn)練包括5個卷積層、5個池化層、3個全連接層和1個分類層。所述卷積層1與池化層1用于濾波，卷積層2與池化層2對濾波結(jié)果進(jìn)行絕對值校正，卷積層3與池化層3用于對校正結(jié)果進(jìn)行均值和方差歸一化，卷積層4與池化層4用于對歸一化結(jié)果進(jìn)行采樣窗口所有值進(jìn)行平均化，卷積層5與池化層5用于對平均值進(jìn)行最大化。其中，激活函數(shù)采用relu非飽和激活函數(shù)，用于參數(shù)的計算和調(diào)整。

經(jīng)過卷積層1，將所述待識別電網(wǎng)設(shè)備狀態(tài)圖像與卷積核進(jìn)行卷積計算，卷積核大小為7*7，滑動時每次移動步長為2個像素，輸入的特征層個數(shù)為96，卷積核的參數(shù)的個數(shù)為96*7*7*3＝14112，經(jīng)過卷積層1后得到的結(jié)果為110*110*96＝1161600；

經(jīng)過池化層1，池化范圍大小為3*3，每次移動為2個像素，經(jīng)過池化層1后得到的圖像維度是55*55*96＝290400；

經(jīng)過卷積層2，將上一層得到輸出與卷積核進(jìn)行卷積計算，卷積核大小為5*5，滑動時每次移動步長為2個像素，輸入的特征層個數(shù)為256，卷積核的參數(shù)的個數(shù)為256*5*5*96＝614400，經(jīng)過卷積層2后得到的結(jié)果為26*26*256＝173056；

經(jīng)過池化層2，池化范圍大小為3*3，每次移動為2個像素；

經(jīng)過卷積層3，將上一層得到輸出與卷積核進(jìn)行卷積計算，卷積核大小為3*3，滑動時每次移動步長為1個像素，輸入的特征層個數(shù)為384，卷積核的參數(shù)的個數(shù)為384*3*3*256＝884736；

經(jīng)過池化層3，池化范圍大小為3*3，每次移動為2個像素；

經(jīng)過卷積層4，將上一層得到輸出與卷積核進(jìn)行卷積計算，卷積核大小為3*3，滑動時每次移動步長為1個像素，輸入的特征層個數(shù)為384，卷積核的參數(shù)的個數(shù)為384*3*3*384＝1327104；

經(jīng)過池化層4，池化范圍大小為3*3，每次移動為2個像素；

經(jīng)過卷積層5，將上一層得到輸出與卷積核進(jìn)行卷積計算，卷積核大小為3*3，滑動時每次移動步長為1個像素，輸入的特征層個數(shù)為256，卷積核的參數(shù)的個數(shù)為256*3*3*384＝884736；

經(jīng)過池化層5，池化范圍大小為3*3，每次移動為2個像素；

經(jīng)過全連接層1，全連接層的節(jié)點(diǎn)個數(shù)為4096個，涉及的卷積核參數(shù)的個數(shù)為4096*4096＝16777216；

經(jīng)過全連接層2，全連接層的節(jié)點(diǎn)個數(shù)為4096個，涉及的卷積核參數(shù)的個數(shù)為4096*4096＝16777216；

經(jīng)過全連接層3，全連接層的節(jié)點(diǎn)個數(shù)為4096個，涉及的卷積核參數(shù)的個數(shù)為4096*8＝32768；

最后經(jīng)過分類層進(jìn)行分類，將全連接層上的每個輸出節(jié)點(diǎn)的數(shù)值轉(zhuǎn)化為0到1之間的概率值，對應(yīng)每一類電氣設(shè)備狀態(tài)的概率。

將所述待識別電網(wǎng)設(shè)備狀態(tài)圖像作為輸入，從輸入層到卷積層通過卷積操作，卷積層的每個神經(jīng)元可以與輸入層中一定尺寸的局部感受野相連，通過卷積后獲得了所述待識別電網(wǎng)設(shè)備狀態(tài)圖像的特征，從卷積層到池化層的過程可以稱為池化過程，目的在于減少上一層的特征數(shù)量，經(jīng)過卷積層、池化層和全連接層之后得到的特征會由分類層進(jìn)行分類，分類層上的每個輸出節(jié)點(diǎn)為所述電網(wǎng)設(shè)備狀態(tài)概率，根據(jù)所述電網(wǎng)設(shè)備狀態(tài)概率確定所述待識別電網(wǎng)設(shè)備狀態(tài)的屬性信息。分類層將電網(wǎng)設(shè)備狀態(tài)分為8類，將分類結(jié)果和標(biāo)簽進(jìn)行匹配。具體實(shí)施時可以將最大的電網(wǎng)設(shè)備狀態(tài)概率作為最終結(jié)果。

所述深度學(xué)習(xí)識別模塊，用于將計算機(jī)自動獲取來自工業(yè)相機(jī)的實(shí)時畫面，依據(jù)深度學(xué)習(xí)訓(xùn)練模塊的學(xué)習(xí)規(guī)則，提取目標(biāo)的靜態(tài)特征信息，判斷其類別，并進(jìn)一步確定所述電網(wǎng)設(shè)備狀態(tài)的屬性信息。在最終結(jié)果基礎(chǔ)上，顯示識別結(jié)果，并將識別結(jié)果進(jìn)行云盤儲存，即可發(fā)出警告、記錄信息和啟動事件處置預(yù)案等后續(xù)措施。

本發(fā)明采用的是caffe深度學(xué)習(xí)框架，這是一個非常清晰且高效的深度學(xué)習(xí)框架，該框架能夠運(yùn)行及其優(yōu)秀的模型以及大規(guī)模的數(shù)據(jù)，對于要解決的問題具有很強(qiáng)的適應(yīng)性。使用caffe設(shè)置的參數(shù)包括基礎(chǔ)學(xué)習(xí)率：0.01，學(xué)習(xí)動量：0.9，權(quán)重懲罰系數(shù)：0.0005，迭代次數(shù)：20000。