| 题名 | 基于深度学习的变电站设备故障诊断算法研究 |
| 作者 | 徐志远1,2 |
| 答辩日期 | 2020-05-26 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 王忠锋 |
| 关键词 | 红外监测 故障诊断 深度学习 压缩与加速 图像分类 |
| 学位名称 | 硕士 |
| 其他题名 | Research on Substation Equipment Fault Diagnosis Algorithm Based on Deep Learning |
| 学位专业 | 模式识别与智能系统 |
| 英文摘要 | 红外监测技术是一种无接触式的测量技术。在测量过程中不与被测设备直接相连，所以不会给系统造成额外负担。因此，红外监测技术越来越受到重视，被应用于各行各业的监测任务中。电力行业引进红外监测技术主要是为了完成一些电力巡检和设备状态监控任务。变电站作为电网系统中最重要的一个环节之一，维护变电站系统稳定、安全运行对电网系统有着十分重要的意义。在变电站设备故障诊断的工作中融入红外监测技术可以在不停电的情况下完成在线监测任务，不仅如此，变电站系统运行在高电压高电流的条件下，被测设备周围可能会存在比较强的电磁场，这就导致一些传统的测量传感器出现不灵敏甚至是失效的现象，而红外监测技术在采集红外热图像时则不会受到电磁场的干扰，测量出的数据更接近设备的真实状态。传统处理红外热图像的方法是对图像进行分割，提取目标区域，这种方法需要人为设定分割算法的参数，对于拍摄角度、距离、图像质量的前提要求太苛刻。近十几年来，人工智能技术得到了飞速发展，深度学习已经成为图像识别领域主流的计算模型。所以本文采用深度学习的方法，利用深度卷积神经网络提取红外图像的特征然后对这些特征进行故障的识别和分类。这种方法可以省去人工提取图像特征的工作，而且有着比较高的识别精度。本文的第一个创新点是图像预处理方案，图像预处理就是在提取红外图像特征之前，去除红外图像的噪声和干扰，便于接下来的图像识别工作。传统的预处理方法是使用一些常规的滤波器如中值滤波器、高斯滤波器。这种方法的缺点是，在去除噪声和干扰的同时丢失了图像的边缘或纹理等细节信息。本文采用的预处理方案是首先利用图像通道重组的方法增强特征区域的对比度，有利于特征提取。然后使用双边滤波器对通道重组后的图像进行滤波。双边滤波器在去除图像的噪声的同时能保留图像中的细节信息，有利用于故障和设备的识别。本文的第二个创新点是针对深度网络模型计算时需要占用大量的存储空间和计算资源的问题设计了一种计算模型轻量化的方法，有效减少了深度网络的计算量和存储空间的占用。深度网络计算模型通常部署在云端，计算时首先将本地数据上传至云端，然后由云端处理数据，最后云端返回给本地计算结果。但是对于变电站设备故障，由于故障发生周期很短，基于云端的故障诊断方案存在一定的传输时延，如果故障发生在数据传输的过程中，那么故障诊断将是毫无意义的。而且变电站中的数据是保密的，上传至云端还存在数据安全的问题。本文设计了一种基于梯度的深度网络剪枝算法——GP算法，通过修剪网络中冗余的参数，使模型获得加速计算的效果并且有效减少了对存储空间的占用。计算模型轻量化的目的是使深度网络能够部署在计算和存储资源相对受限的嵌入式设备中，在本地嵌入式设备中处理数据能够同时解决传输时延和数据安全这两个问题。最后针对变电站设备故障诊断的工作中的问题，在上述研究的基础上，本文设计了变电站故障诊断的方案和软件平台，通过对绝缘子和刀闸开关故障诊断的实验，结果表明故障诊断的正确率可达90%，证明该方案是可行的。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 74页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/27139]  |
| 专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
| 作者单位 | 1.中国科学院沈阳自动化研究所; 2.中国科学院大学 |
| 推荐引用方式 GB/T 7714 | 徐志远. 基于深度学习的变电站设备故障诊断算法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2020. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论