一种基于MaskRCNN的变电设备异常识别定位方法及系统

摘要

本发明公开了一种基于MarkRCNN的变电设备异常识别定位方法及系统，包括，采集电力设备的实时数据进行预处理；利用iForest算法识别出预处理后的运行数据的异常值，结合K‑means聚类策略标记的所述异常值；基于卷积神经网络构建Mask RCNN目标识别网络模型；将标记的所述异常值输入至所述Mask RCNN目标识别网络模型中进行初步识别，输出目标识别结果；对LSSVM进行训练和参数优化，设定精度要求和阈值，训练完成后输出定位模型；将所述目标识别结果导入所述定位模型内，获得所述电力设备的异常位置信息。本发明大幅度的提升变电设备图像识别准确度的同时，提高了对设备异常位置的定位识别，提升了故障定位信息容错能力、定位效率和准确度。

说明书

技术领域

本发明涉及电力系统、图像识别的技术领域，尤其涉及一种基于MarkRCNN的变电设备异常识别定位方法及系统。

背景技术

传统图像识别方法在大样本数据集上表现较好，但目前电力设备图像样本较少，传统识别方法正确率不高，无法到达工业应用水平，但变电设备具有丰富的相关关系，特定种类的设备同时出现的概率较高，如果在图像识别的同时引入这一相关关系，则能大大提升识别准确率，使得工业应用成为可能。

基于现场设备采集的故障信息的定位方法主要有以下2种，a.矩阵法：有文献中提出统一矩阵算法，其基本过程是首先根据配电网的拓扑结构构造一个网络描述矩阵，根据过流信息生成一个故障信息矩阵，由此得出故障判断矩阵，从而准确地判断故障区间；b.人工智能法：此类方法在网络结构改变、上传的实时信息出现信息畸变或不完备等情况下依然能够准确地定位故障，主要有人工神经网络、遗传算法、粗糙集理论、数据挖掘、Petri网、仿电磁学等算法。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于MarkRCNN的变电设备异常识别定位方法及系统，能够解决针对故障定位信息容错能力较弱、定位效率不高、准确度较低的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，采集电力设备的实时数据进行预处理；利用iForest算法识别出预处理后的运行数据的异常值，结合K-means聚类策略标记的所述异常值；基于卷积神经网络构建Mask RCNN目标识别网络模型；将标记的所述异常值输入至所述Mask RCNN目标识别网络模型中进行初步识别，输出目标识别结果；对LSSVM进行训练和参数优化，设定精度要求和阈值，训练完成后输出定位模型；将所述目标识别结果导入所述定位模型内，获得所述电力设备的异常位置信息。

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：包括，选取径向基函数作为所述定位模型的目标函数，如下，

其中，x＝{x

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：输出所述定位模型包括，初始化惩罚参数C和σ，利用预处理的数据集对所述LSSVM进行训练和测试；设定所述精度要求，若所述LSSVM模型精度未达到要求，根据误差对所述C和所述σ进行赋值优化，直到测试数据精度达到所述精度要求；设定所述阈值，输出所述定位模型。

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：利用所述定位模型进行定位，包括，将预处理后的所述运行数据导入所述定位模型内；若所述变电设备中某一设备的所述运行数据超过所述阈值，则所述设备部件位置异常。

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：构建所述Mask RCNN目标识别网络模型包括，叠加多个残差网络ResNet，y＝F(x)+x；建立区域生成网络，P

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：所述初步识别包括，利用所述残差网络提取图像特征；所述区域生成网络利用所述图像特征对待识别物体进行定位，且将定位区域的特征分别送入所述分类分支和所述掩码分支中；所述分类分支识别所述待识别物体的种类；所述掩码分支定位所述待识别物体在图像中的像素点。

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：所述目标识别结果包括，种类、方位和大小。

作为本发明所述的基于MarkRCNN的变电设备异常识别定位方法的一种优选方案，其中：识别标记所述异常值包括，随机取样所述运行数据；定义划分维度并将所述维度中小于划分点的所述运行数据放在当前节点的左侧，大于所述划分点的所述运行数据放在右侧；循环迭代，直至所述运行数据不可再分时停止；利用所述K-means聚类策略选择k个点作为初始质心并计算其余所有点与所述质心的欧式距离；将所有与质心点距离值小于所述阈值的点划分为一个聚类；重新计算所述聚类的中心点并进行标签定义。

作为本发明所述的基于MarkRCNN的变电设备异常识别定位系统的一种优选方案，其中：包括，识别采集模块，用于采集所述图片信息及变电设备间的相关关系信息，获取变电设备历史运行数据和实时运行数据；数据处理中心模块连接于所述采集模块，用于接收、计算、存储、输出待处理的数据信息，其包括运算单元、数据库和输入输出管理单元，所述运算单元与所述采集模块相连接，用于接收所述信息采集模块获取的数据信息以进行识别定位运算处理和归一化处理，计算所述种类、大小、位置数据，所述数据库连接于各个模块，用于存储接收的所有数据信息，为所述数据处理中心模块提供调配供应服务，所述输入输出管理单元用于接收各个模块的信息并输出所述运算单元的运算结果；定位模块与所述数据处理中心模块相连接，其用于接收所述运算单元的运算结果，通过调取解码体分析判断大小是否超过阈值、位置是否在区域内，综合判断目标识别及数据的匹配是否对应，以进行异常位置的定位。

本发明的有益效果：本发明通过iForest算法识别出预处理后的运行数据的异常值，结合K-means聚类策略标记的所述异常值，利用Mask RCNN目标识别网络模型进行初步识别，添加LSSVM的定位模型，大幅度的提升变电设备图像识别准确度的同时，提高了对设备异常位置的定位识别，提升了故障定位信息容错能力、定位效率和准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：

图1为本发明方法第一个实施例所述的一种基于MarkRCNN的变电设备异常识别定位方法的流程示意图；

图2为本发明方法第一个实施例所述的一种基于MarkRCNN的变电设备异常识别定位方法的MarkRCNN算法框架示意图；

图3为本发明方法第二个实施例所述的一种基于MarkRCNN的变电设备异常识别定位系统的模块结构分布示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1和图2，为本发明的第一个实施例，提供了一种基于MarkRCNN的变电设备异常识别定位方法，包括：

S1：采集电力设备的实时数据进行预处理。

S2：利用iForest算法识别出预处理后的运行数据的异常值，结合K-means聚类策略标记的异常值。本步骤需要说明的是，识别标记异常值包括：

随机取样运行数据；

定义划分维度并将维度中小于划分点的运行数据放在当前节点的左侧，大于划分点的运行数据放在右侧；

循环迭代，直至运行数据不可再分时停止；

利用K-means聚类策略选择k个点作为初始质心并计算其余所有点与质心的欧式距离；

将所有与质心点距离值小于阈值的点划分为一个聚类；

重新计算聚类的中心点并进行标签定义。

S3：基于卷积神经网络构建Mask RCNN目标识别网络模型。其中还需要说明的是，构建Mask RCNN目标识别网络模型包括：

叠加多个残差网络ResNet，y＝F(x)+x；

建立区域生成网络，P

生成分类分支，P

生成掩码分支，M

其中，y：残差网络的输出，x：残差网络的输入，F：卷积运算函数，f：残差网络输出的图像特征，R

S4：将标记的异常值输入至Mask RCNN目标识别网络模型中进行初步识别，输出目标识别结果。本步骤还需要说明的是，初步识别包括：

利用残差网络提取图像特征；

区域生成网络利用图像特征对待识别物体进行定位，且将定位区域的特征分别送入分类分支和掩码分支中；

分类分支识别待识别物体的种类；

掩码分支定位待识别物体在图像中的像素点。

具体的，目标识别结果包括：

种类、方位和大小。

S5：对LSSVM进行训练和参数优化，设定精度要求和阈值，训练完成后输出定位模型。其中再次需要说明的是：

选取径向基函数作为定位模型的目标函数，如下，

其中，x＝{x

进一步的，输出定位模型包括：

初始化惩罚参数C和σ，利用预处理的数据集对LSSVM进行训练和测试；

设定精度要求，若LSSVM模型精度未达到要求，根据误差对C和σ进行赋值优化，直到测试数据精度达到精度要求；

设定阈值，输出定位模型。

S6：将目标识别结果导入定位模型内，获得电力设备的异常位置信息。本步骤需要再次说明的是，利用定位模型进行定位，包括：

将预处理后的运行数据导入定位模型内；

若变电设备中某一设备的运行数据超过阈值，则设备部件位置异常。

优选的，本实施例还需要说明的是，传统的电力设备异常识别定位方法是利用红外测温仪测得电力设备热点温度、非故障相的温度计环境参照体温度，通过温度差值计算出相对温差，结合PC机根据不同的电力设备识别不同的异常，其主要解决的问题如何方便的判断发热设备的异常位置以进行排修；相较于传统方法，本发明通过iForest算法识别出预处理后的运行数据的异常值，结合K-means聚类策略标记的所述异常值，利用Mask RCNN目标识别网络模型进行初步识别，添加LSSVM的定位模型，大幅度的提升变电设备图像识别准确度的同时，提高了对设备异常位置的定位识别，提升了故障定位信息容错能力、定位效率和准确度。

优选的是，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择传统的电力设备异常识别定位方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的电力设备异常识别定位方法具有使用局限性、容错性较弱、定位效率低、准确度仅针对于异常发热点较高，为验证本发明方法相较于传统方法具有较高的容错性、较全面的适用性、较高的定位效率和准确度，本实施例中将采用传统方法和本发明方法分别对变电设备的异常位置进行定位识别测试。

测试环境：(1)拍摄一百组待测设备的相关图片，采集相关设备历史运行数据和全时段的实时运行数据，处理之后输入仿真模拟软件内；

(2)变电设备种类包括，变压器、GIS、套管、绝缘子、开关、断路器、互感器、电容器；

(3)本发明方法与传统方法分别在训练集上进行训练，并在测试集上进行测试，且开启自动化测试设备并利用MATLB仿真。

测试结果如下所示：

表1：两种方法测试对比的设备异常定位容错率结果表。

参照表1，能够直观的看出，在面对相同的测试数据和测试设备下，本发明方法处理的识别定位结果相较于传统方法处理的识别定位结果的容错率更高，即准确度更高，验证了本发明方法所具有的真实效果。

实施例2

参照图3，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于MarkRCNN的变电设备异常识别定位系统，包括：

识别采集模块100，用于采集图片信息及变电设备间的相关关系信息，获取变电设备历史运行数据和实时运行数据。

数据处理中心模块200连接于采集模块100，用于接收、计算、存储、输出待处理的数据信息，其包括运算单元201、数据库202和输入输出管理单元203，运算单元201与采集模块100相连接，用于接收信息采集模块100获取的数据信息以进行识别定位运算处理和归一化处理，计算种类、大小、位置数据，数据库202连接于各个模块，用于存储接收的所有数据信息，为数据处理中心模块200提供调配供应服务，输入输出管理单元203用于接收各个模块的信息并输出运算单元201的运算结果。

定位模块300与数据处理中心模块200相连接，其用于接收运算单元201的运算结果，通过调取解码体分析判断大小是否超过阈值、位置是否在区域内，综合判断目标识别及数据的匹配是否对应，以进行异常位置的定位。

通俗的说，数据处理中心模块200主要分为三个层次，包括控制层、运算层及存储层，控制层是数据处理中心模块200的指挥控制中心，由指令寄存器IR、指令译码器ID和操作控制器OC组成，控制层能够根据用户预先编好的程序，依次从存储器中取出各条指令，放在指令寄存器IR中，通过指令译码器分析确定，通知操作控制器OC进行操作，按照确定的时序向相应的部件发出微操作控制信号；运算层是计算单元201的核心，能够执行算术运算(如加减乘除及其附加运算)和逻辑运算(如移位、逻辑测试或两个值比较)，其连接于控制层，通过接受控制层的控制信号进行运算操作；存储层是数据处理中心模块200的数据库，能够存放数据(待处理及已经处理过的数据)。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。