本發(fā)明涉及電力設(shè)備智能維護(hù)領(lǐng)域，尤其是面向電力設(shè)備運(yùn)行中的多源輸入故障辨識(shí)與推理技術(shù)。

背景技術(shù)：

1、電力設(shè)備運(yùn)行故障辨識(shí)與推理系統(tǒng)是設(shè)計(jì)用來確保電力系統(tǒng)的穩(wěn)定性和可靠性的關(guān)鍵技術(shù)，涉及電力系統(tǒng)的全面分析以及實(shí)時(shí)監(jiān)控。該系統(tǒng)主要通過集成多種技術(shù)手段實(shí)現(xiàn)故障的快速檢測(cè)、準(zhǔn)確識(shí)別和有效定位。傳統(tǒng)的方法是用傳感器對(duì)電流、電壓、頻率等關(guān)鍵運(yùn)行參數(shù)進(jìn)行持續(xù)監(jiān)視，以便及時(shí)發(fā)現(xiàn)和響應(yīng)電網(wǎng)中的任何異常情況。但傳統(tǒng)方法往往檢測(cè)結(jié)果不夠準(zhǔn)確且及時(shí)。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為了解決上述問題，本技術(shù)采用傳感器數(shù)據(jù)、音頻數(shù)據(jù)和視頻數(shù)據(jù)作為辨識(shí)輸入，并將辨識(shí)與推理計(jì)算放在現(xiàn)場(chǎng)邊緣計(jì)算機(jī)上運(yùn)行，以避免辨識(shí)信息傳輸?shù)难訒r(shí)。

2、技術(shù)方案：一種電力設(shè)備運(yùn)行故障辨識(shí)與推理方法，包括以下步驟：

3、獲取歷史設(shè)備傳感器數(shù)據(jù)、歷史音頻數(shù)據(jù)和歷史視頻數(shù)據(jù)，并分別進(jìn)行預(yù)處理后得到數(shù)字化特征；

4、所述數(shù)字化特征作為輸入，對(duì)輸入按劃分的時(shí)間段分類，采用深度置信網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，確診的故障類型作為輸出，訓(xùn)練后得到若干模型；

5、將實(shí)時(shí)設(shè)備傳感器數(shù)據(jù)、實(shí)時(shí)音頻數(shù)據(jù)和實(shí)時(shí)視頻數(shù)據(jù)預(yù)處理后輸入所述若干模型，得到若干故障辨識(shí)結(jié)果；如若干故障辨識(shí)結(jié)果一致，則可得到確定的故障信息，如若干故障辨識(shí)結(jié)果不一致，則通過貝葉斯推理得到故障辨識(shí)結(jié)果中每一種故障出現(xiàn)的概率。

6、進(jìn)一步的，對(duì)歷史設(shè)備傳感器數(shù)據(jù)進(jìn)行預(yù)處理包括：對(duì)歷史設(shè)備傳感器數(shù)據(jù)進(jìn)行歸一化處理，并按劃分的時(shí)間段分類，所述歸一化處理方法：

7、歸一值＝(采樣值–傳感器量程最小值)/(傳感器量程最大值–傳感器量程最小值)

8、歸一化后得到一個(gè)多維的測(cè)量值向量。

9、進(jìn)一步的，對(duì)歷史音頻數(shù)據(jù)進(jìn)行預(yù)處理包括：對(duì)于歷史音頻數(shù)據(jù)進(jìn)行數(shù)字化特征提取，并按劃分的時(shí)間段分類，所述數(shù)字化特征提取方法如下：

10、對(duì)現(xiàn)場(chǎng)麥克風(fēng)錄取的聲音進(jìn)行無損壓縮壓縮，得到音頻文件；

11、對(duì)音頻文件提取其梅爾頻率倒譜系數(shù)作為特征表達(dá)向量。

12、進(jìn)一步的，對(duì)歷史視頻數(shù)據(jù)進(jìn)行預(yù)處理包括：對(duì)于歷史視頻數(shù)據(jù)進(jìn)行數(shù)字化特征提取，并按劃分的時(shí)間段分類，所述數(shù)字化特征提取方法如下：

13、將視頻流，按照均勻的時(shí)間間隔提取其圖像幀，對(duì)所有的圖像幀進(jìn)行顏色特征和紋理特征提??；

14、采用顏色聚合向量法對(duì)圖像進(jìn)行顏色特征提?。翰捎霉潭ㄩ撝捣▽?duì)顏色區(qū)間進(jìn)行連通區(qū)域分析，計(jì)算每一個(gè)像素點(diǎn)與顏色區(qū)間典型rgb值的差值均方根，小于固定閾值則為顏色區(qū)間對(duì)應(yīng)的聚合像素，反之為非聚合像素，得到如下聚合向量：

15、{顏色區(qū)間n＝1……16(r,g,b),(聚合像素?cái)?shù)量,非聚合像素的數(shù)量)}

16、采用灰度二進(jìn)制值方法對(duì)圖像進(jìn)行紋理特征提?。翰捎闷骄▽D像進(jìn)行灰度轉(zhuǎn)換：gray＝(r+g+b)/3；針對(duì)劃分的顏色區(qū)間，選取與顏色區(qū)間典型rgb值最接近的像素點(diǎn)，計(jì)算其局部二進(jìn)制值，組成一個(gè)多維的向量并進(jìn)行歸一化。

17、進(jìn)一步的，所述如若干故障辨識(shí)結(jié)果不一致，則通過貝葉斯推理得到每一種故障出現(xiàn)的概率，具體為：

18、根據(jù)歷史數(shù)據(jù)得到定義的不同故障模式在所有故障次數(shù)中出現(xiàn)的概率，得到故障基礎(chǔ)總概率以及故障誤辨識(shí)的概率；

19、設(shè)置若干故障辨識(shí)結(jié)果的識(shí)別權(quán)重，得到故障辨識(shí)準(zhǔn)確率；

20、根據(jù)貝葉斯推理公式：

21、推理結(jié)果＝故障辨識(shí)準(zhǔn)確率*故障誤辨識(shí)概率/故障基礎(chǔ)總概率

22、得到最終的結(jié)果。

23、一種電力設(shè)備運(yùn)行故障辨識(shí)與推理系統(tǒng)，包括：數(shù)據(jù)采集模塊和數(shù)據(jù)處理模塊，所述數(shù)據(jù)采集模塊包括電網(wǎng)設(shè)備傳感器、電網(wǎng)現(xiàn)場(chǎng)錄音機(jī)、電網(wǎng)現(xiàn)場(chǎng)監(jiān)控?cái)z像頭；所述數(shù)據(jù)處理模塊包括電網(wǎng)現(xiàn)場(chǎng)邊緣計(jì)算機(jī)；

24、在數(shù)據(jù)采集模塊中獲取歷史設(shè)備傳感器數(shù)據(jù)、歷史音頻數(shù)據(jù)和歷史視頻數(shù)據(jù)以及實(shí)時(shí)設(shè)備傳感器數(shù)據(jù)、實(shí)時(shí)音頻數(shù)據(jù)和實(shí)時(shí)視頻數(shù)據(jù)，用于數(shù)據(jù)處理模塊使用；

25、數(shù)據(jù)處理模塊獲取歷史設(shè)備傳感器數(shù)據(jù)、歷史音頻數(shù)據(jù)和歷史視頻數(shù)據(jù)，并分別進(jìn)行預(yù)處理后得到數(shù)字化特征；所述數(shù)字化特征作為輸入，對(duì)輸入按劃分的時(shí)間段分類，采用深度置信網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，確診的故障類型作為輸出，訓(xùn)練后得到若干模型；將實(shí)時(shí)設(shè)備傳感器數(shù)據(jù)、實(shí)時(shí)音頻數(shù)據(jù)和實(shí)時(shí)視頻數(shù)據(jù)預(yù)處理后輸入所述若干模型，得到若干故障辨識(shí)結(jié)果；如若干故障辨識(shí)結(jié)果一致，則可得到確定的故障信息，如若干故障辨識(shí)結(jié)果不一致，則通過貝葉斯推理得到故障辨識(shí)結(jié)果中每一種故障出現(xiàn)的概率。

26、進(jìn)一步的，對(duì)歷史設(shè)備傳感器數(shù)據(jù)進(jìn)行預(yù)處理包括：對(duì)歷史設(shè)備傳感器數(shù)據(jù)進(jìn)行歸一化處理，并按劃分的時(shí)間段分類，所述歸一化處理方法：

27、歸一值＝(采樣值–傳感器量程最小值)/(傳感器量程最大值–傳感器量程最小值)

28、歸一化后得到一個(gè)多維的測(cè)量值向量。

29、進(jìn)一步的，對(duì)歷史音頻數(shù)據(jù)進(jìn)行預(yù)處理包括：對(duì)于歷史音頻數(shù)據(jù)進(jìn)行數(shù)字化特征提取，并按劃分的時(shí)間段分類，所述數(shù)字化特征提取方法如下：

30、對(duì)現(xiàn)場(chǎng)麥克風(fēng)錄取的聲音進(jìn)行無損壓縮壓縮，得到音頻文件；

31、對(duì)音頻文件提取其梅爾頻率倒譜系數(shù)作為特征表達(dá)向量。

32、進(jìn)一步的，對(duì)歷史視頻數(shù)據(jù)進(jìn)行預(yù)處理包括：對(duì)于歷史視頻數(shù)據(jù)進(jìn)行數(shù)字化特征提取，并按劃分的時(shí)間段分類，所述數(shù)字化特征提取方法如下：

33、將視頻流，按照均勻的時(shí)間間隔提取其圖像幀，對(duì)所有的圖像幀進(jìn)行顏色特征和紋理特征提??；

34、采用顏色聚合向量法對(duì)圖像進(jìn)行顏色特征提?。翰捎霉潭ㄩ撝捣▽?duì)顏色區(qū)間進(jìn)行連通區(qū)域分析，計(jì)算每一個(gè)像素點(diǎn)與顏色區(qū)間典型rgb值的差值均方根，小于固定閾值則為顏色區(qū)間對(duì)應(yīng)的聚合像素，反之為非聚合像素，得到如下聚合向量：

35、{顏色區(qū)間n＝1……16(r,g,b),(聚合像素?cái)?shù)量,非聚合像素的數(shù)量)}

36、采用灰度二進(jìn)制值方法對(duì)圖像進(jìn)行紋理特征提?。翰捎闷骄▽D像進(jìn)行灰度轉(zhuǎn)換：gray＝(r+g+b)/3；針對(duì)劃分的顏色區(qū)間，選取與顏色區(qū)間典型rgb值最接近的像素點(diǎn)，計(jì)算其局部二進(jìn)制值，組成一個(gè)多維的向量并進(jìn)行歸一化。

37、進(jìn)一步的，所述如若干故障辨識(shí)結(jié)果不一致，則通過貝葉斯推理得到每一種故障出現(xiàn)的概率，具體為：

38、根據(jù)歷史數(shù)據(jù)得到定義的不同故障模式在所有故障次數(shù)中出現(xiàn)的概率，得到故障基礎(chǔ)總概率以及故障誤辨識(shí)的概率；

39、設(shè)置若干故障辨識(shí)結(jié)果的識(shí)別權(quán)重，得到故障辨識(shí)準(zhǔn)確率；

40、根據(jù)貝葉斯推理公式：

41、推理結(jié)果＝故障辨識(shí)準(zhǔn)確率*故障誤辨識(shí)概率/故障基礎(chǔ)總概率

42、得到最終的結(jié)果。

43、一種計(jì)算設(shè)備，包括：一個(gè)或多個(gè)處理器、一個(gè)或多個(gè)存儲(chǔ)器以及一個(gè)或多個(gè)程序，其中一個(gè)或多個(gè)程序存儲(chǔ)在所述一個(gè)或多個(gè)存儲(chǔ)器中并被配置為由所述一個(gè)或多個(gè)處理器執(zhí)行，所述一個(gè)或多個(gè)程序包括用于執(zhí)行一種電力設(shè)備運(yùn)行故障辨識(shí)與推理方法的指令。

44、一種存儲(chǔ)一個(gè)或多個(gè)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述一個(gè)或多個(gè)程序包括指令，所述指令當(dāng)由計(jì)算設(shè)備執(zhí)行時(shí)，使得所述計(jì)算設(shè)備執(zhí)行一種電力設(shè)備運(yùn)行故障辨識(shí)與推理方法。

45、有益效果：本技術(shù)利用電網(wǎng)設(shè)備傳感器數(shù)據(jù)、電網(wǎng)現(xiàn)場(chǎng)視頻畫面和現(xiàn)場(chǎng)聲音信息進(jìn)行多源輸入的故障辨識(shí)。利用深度置信網(wǎng)絡(luò)模型和貝葉斯推理，學(xué)習(xí)故障的復(fù)雜模式，通過這種方式，能夠提高故障檢測(cè)的精度，極大地提升了電力系統(tǒng)的安全性和可靠性。