电力设备检测数据智能分析系统的制作方法

1.本发明涉及数据智能分析技术领域，具体涉及电力设备检测数据智能分析系统。


背景技术：

2.随着智能电网这一概念的提出，电网正在向大规模、智能化的方向发展。随着电网规模的不断扩大，电网的安全问题也面临着严峻的考验，在电力系统中，电力设备因为使用年限或者环境等因素而导致磨损甚至破坏，继而导致故障的出现，部分电力设备的故障会在导致整个电力系统的事故，从而造成巨大的财产损失甚至人身危害，现如今，社会中各行各业的发展均依赖电力，一旦出现大规模电力事故后果将无法想象，近年来国家电网不断加强对电力设备的检查和维护，以保证电力能够安全稳定的供应，因此，确保电力系统安全稳定运行对国家发展有重要意义。
3.变电站是电力系统中的重要组成部分，变电站中的设备纷繁复杂，传统的人工巡检方式需要耗费大量的劳动力，且工作效率较低。为了改进变电站的巡检模式，越来越多的研究者开始研究符合智能电网的数据监测模式，提高巡检的质量。


技术实现要素：

4.本发明提供电力设备监测数据智能分析系统，以解决现有技术中存在的上述问题。
5.电力设备检测数据智能分析系统，包括：
6.数据构建模块：在变电站内拍摄电力设备的工作图像，获取工作图像中的数据集，并使用数据增广技术对数据集进行扩充，对扩充后的数据集进行标记作为特征数据，用于对电力设备进行数据检测；
7.模型检测模块：提取电力设备的特征数据，并构建第一电力设备检测模型，通过预设的检测指标测试电力设备的使用性能；
8.性能分析模块：设置感知标签，所述感知标签对电力设备状态信息以及周围环境进行监测，构建第二电力设备检测模型，用于完成对电力设备的智能分析。
9.优选的，所述数据构建模块，包括：
10.数据收集单元：对变电站中变压器、隔离开关以及避雷器的电力设备进行数据采集，数据采集采用图像拍摄并提取工作图像的特征值的方式；
11.数据增强单元：获取所述工作图像的特征值进行数据扩充，在工作图像中建立二维坐标轴，利用坐标变换完成特征值的转换；
12.数据标注单元：收集经过转换的特征值作为数据集，使用人工标记的方式对数据集进行标注，并对标注的数据集进行训练。
13.优选的，所述数据增强单元，包括：
14.坐标变换子单元：获取在二维坐标中工作图像的特征值初始坐标，对工作图像进行几何变换处理，通过水平镜像以及旋转的方式完成工作图像中数据集的扩充；对完成数
据集扩充的工作图像进行对比度、锐化的变换得到凸显出特征值的工作图像，记录经过变换后的数据集坐标作为二次坐标；
15.目标检测子单元：建立数据集的评价指标，获取所述二次坐标中的数据集，对数据集进行分类目标的检测，划分所述分类目标的个数，分别作为分类目标检测中衡量检测精度的评价指标。
16.优选的，所述模型检测模块，包括：
17.模型构建单元：第一电力设备检测模型包括主干网络、特征金字塔以及预测分支，所述主干网络为三层卷积网络，所述特征金字塔每一层对应一个预测分支，所述预测分支包括分类预测分支、中心度预测分支以及回归预测分支；
18.损失计算单元：获取数据集，由数据集组成特征图，对特征图的每一点像素进行回归操作，并根据预测分支计算每一点像素的分类损失以及回归损失，得到特征数据集；
19.特征图预测单元：制定目标锚，经过预设的目标边框覆盖特征图中的特征数据集，通过图像预测方式对特征图类型进行预测。
20.优选的，所述特征图预测单元，包括：
21.模型训练子单元：构建网络卷积模型，用于通过深度学习对特征数据集进行训练；获取所述特征数据集，并将特征数据集输入到网络卷积模型中进行训练，在训练结束后将特征数据集重新输入至第一电力设备检测模型中进行预测；
22.结果预测子单元：在所述特征金字塔中的预测分支中得到特征数据集的预测结果，并对每一个预测分支中的预测结果进行打分，使用所述目标锚得出目标数据的边框位置，所述目标数据为超出电力设备使用性能范围内的特征数据集，使用非极大值抑制进行边框的边缘细化，得到最终的目标结果。
23.优选的，所述性能分析模块，包括：
24.主控单元：通过连接电力设备中的各类传感器，使用传感器中的控制芯片采集电力设备在工时产生的运行数据，将运行数据上传到所述第二电力设备检测模型中；
25.远程单元：搭建所述感知标签与远程监测终端的连接，所述控制芯片采集电力设备的地理位置数据以及环境温湿度数据上传到远程监测终端，所述远程监测终端对电力设备进行实时监控。
26.优选的，所述性能分析模块，还包括：
27.数据存储单元：每一个电力设备中包含唯一标识，通过关联对应的电力设备且储存电力设备的相关信息，与主控子模块进行连接，完成所述唯一标识与各传感器中采集到运行数据的耦合；
28.感知单元：用于实现对变电站位置及环境监测，通过计算经纬度确定变电站中电力设备的具体位置，测试变电站中的电力设备是否发生偏移，并预设偏移阈值对偏移风险做出判断；
29.供电单元：为所述感知标签提供电能，并设计供电方案确保电力设备的供电可靠性。
30.优选的，所述感知子模块，包括：
31.定位子单元：读取电力设备所在位置的gps数据，判断是否为可读取数据，对可读取数据进行解析得到经纬度数据，并将经纬度数据发送给主控子模块；
32.姿态监测子单元：定时采集电力设备的倾角以及姿态作为参量数据，设定参量数据的阈值，通过滤波处理提高参量数据的准确性，当参量数据超过阈值范围内时，则会触发报警。
33.温湿度监测子单元：传感器进行自检，若未通过自检则提示错误，若通过自检则读取温湿度值并将读取数据实时上传到第二电力设备检测模型中，由主控子模块接收到读取数据并进行记录。
34.优选的，电力设备检测数据智能分析系统，还包括：
35.模型构建模块：构建数据填补模型，用于对电力设备的检测数据中出现的数据缺失进行填补；
36.矩阵定义模块：获取电力设备中的检测数据，定义所述检测数据的时间序列矩阵，时间序列矩阵将检测数据中缺失处的矩阵元素定义为1，将无缺失的定义为0；
37.数据重建模块：所述数据填补模型获取未产生数据缺失的电力数据进行深度学习，得到填补特征数据，根据所述时间序列矩阵以及填补特征数据对缺失的电力数据进行数据重建。
38.优选的，所述数据重建模块，包括：
39.生成器构造单元：计算数据缺失的权重平均值，使用注意力机制计算出需要进行填补的数据集合，并生成网络训练框架用于辅助得到填补数据；
40.判别器构造单元：区分电力设备产生电力数据中的原始数据以及生成器得到的填补数据，并对电力数据的每一项进行质量评价。
41.损失计算单元：根据所述质量评价构造损失函数，所述损失函数包括所述原始数据中无缺失数据的重建损失与填补数据的填补损失，使判别器处于学习状态。
42.与现有技术相比，本发明具有以下优点：
43.本发明提供电力设备检测数据智能分析系统，高效率检测电力设备中的数据，及时发现电力数据中数据缺失的情况，以及电力设备有可能发生的故障，提高电力设备的使用性能。
44.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
45.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
46.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
47.图1为本发明实施例中电力设备监测数据智能分析系统的模块结构图；
48.图2为本发明实施例中第一电力设备检测模型对特征图检测的结构图；
49.图3为本发明实施例中对电力设备状态信息以及周围环境进行监测的模块结构图。
具体实施方式
50.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
51.本发明实施例提供了电力设备检测数据智能分析系统，包括:
52.数据构建模块：在变电站内拍摄电力设备的工作图像，获取工作图像中的数据集，并使用数据增广技术对数据进行集扩充，对扩充后的数据集进行标记作为特征数据，用于对电力设备进行数据检测；
53.模型检测模块：提取电力设备的特征数据，并构建第一电力设备检测模型，通过预设的检测指标测试电力设备的使用性能；
54.性能分析模块：设置感知标签，所述感知标签对电力设备状态信息以及周围环境进行监测，构建第二电力设备检测模型，用于完成对电力设备的智能分析。
55.在另一实施例中，所述数据构建模块，包括：
56.数据收集单元：对变电站中变压器、隔离开关以及避雷器的电力设备进行数据采集，数据采集采用图像拍摄并提取工作图像的特征值的方式；
57.数据增强单元：获取所述工作图像的特征值进行数据扩充，在工作图像中建立二维坐标轴，利用坐标变换完成特征值的转换；
58.数据标注单元：收集经过转换的特征值作为数据集，使用人工标记的方式对数据集进行标注，并对标注的数据集进行训练。
59.上述技术方案的工作原理为：本实施例采用的方案是，在电力设备的数据检测以及智能分析中，主要针对变电设备的变压器、隔离开关和避雷器设备进行采集。在传输过程中，使用变压器在传输功率一定时，采用高压输电的方式将高压电压转换为低电压使用。隔离开关将电力设备和电源进行隔离，形成明显的断开点，用于保护工作人员以及设备的安全，同时，隔离开关能够控制电气设备的运行，备用和检修状态，便于电气设备在不同情况下切换。在大型变电站中，电气设备在极端天气容易受到雷击的威胁，为了避免直击雷和雷电波对变电站产生破坏，需要在变电站中安装避雷器。通过采集变压器、隔离开关以及避雷器设备的数据，并构建数据集。
60.使用数据增强技术对数据集进行增强处理，其中增强处理包括对工作图像进行几何变换以及对比度、锐度变换。在进行变换后，将工作图像中的数据集打乱并进行归一化，使之随机分布，并分为若干个训练集与若干个测试集，将所有工作图像进行命名，并训练监督的方式进行标注，通过标注后对数据集进行训练分析，实现数据集的预测，继续对数据集进行二次标注，通过标记电力设备的轮廓得到数据集的标签文件。
61.上述技术方案的有益效果为：采用本实施例提供的方案，使用数据增强技术可以更精准的获取数据。
62.在另一实施例中，所述数据增强单元，包括：
63.坐标变换子单元：获取在二维坐标中工作图像的特征值初始坐标，对工作图像进行几何变换处理，通过水平镜像以及旋转的方式完成工作图像中数据集的扩充；对完成数据集扩充的工作图像进行对比度、锐化的变换得到凸显出特征值的工作图像，记录经过变换后的数据集坐标作为二次坐标；
64.目标检测子单元：建立数据集的评价指标，获取所述二次坐标中的数据集，对数据
集进行分类目标的检测，划分所述分类目标的个数，分别作为分类目标检测中衡量检测精度的评价指标。
65.上述技术方案的工作原理为：本实施例采用的方案是，使用几何变换使工作图像的角度、尺度、空间位置更加丰富，采用水平镜像以及旋转的方式对数据集进行扩充，对图像的旋转为根据某一点旋转一定的角度，并且旋转后的图像不会变形，将原工作图像进行几何变换后得到旋转图像的初始坐标。继续对图像进行对比度、锐度的变换。其中，对比度是指图像最亮和最暗区域的比例，比例越高，黑白渐变层次越多，显色性越丰富，通过降低对比度会提高整个图像的曝光水平，使亮区更亮，暗区更暗。锐度指的是通过提高切割工作图像区域内的边缘线周围的反差度，以实现刻痕的效应，提高锐度可以使图像内容更加锐利。
66.设定数据集的评价指标，在二维坐标轴中获取经过变换处理的工作图像中的数据集，并划分分类目标，将数据集划分为不同的种类，作为衡量检测精度的评价指标，其中分类目标包括：被错误划分为分类目标个数以及被错误划分为背景的个数。
67.对工作图像进行智能识别，首先使用随机森林进行训练，并考虑特征维度对分类的影响，通过特征分析计算得到分类目标，实现数据集的智能分类，公式如下：
[0068][0069]
其中，i代表数据集中作为样本数据的类别总数，表示工作图像u第i类样本数据中的第p维，p表示维度，同理，表示工作图像u第i类样本数据中的第q维；表示第i类样本数据在第p维度上的方差，同理，表示第i类样本数据在第q维度上的方差，最终计算得到k为工作图像进行划分的分类目标。
[0070]
上述技术方案的有益效果为：采用本实施例提供的方案，通过一系列的图像变换，高对比度以及高锐化效应，使工作图像中的特征值以及数据集更精准的被提取。
[0071]
在另一实施例中，所述建第一电力设备检测模型，包括：
[0072]
模型构建单元：第一电力设备检测模型包括主干网络、特征金字塔以及预测分支，所述主干网络为三层卷积网络，所述特征金字塔每一层对应一个预测分支，所述预测分支包括分类预测分支、中心度预测分支以及回归预测分支；
[0073]
损失计算单元：获取数据集，由数据集组成特征图，对特征图的每一点像素进行回归操作，并根据预测分支计算每一点像素的分类损失以及回归损失，得到特征数据集；
[0074]
特征图预测单元：制定目标锚，经过预设的目标边框覆盖特征图中的特征数据集，通过图像预测方式对特征图类型进行预测。
[0075]
在另一实施例中，所述特征图预测单元，包括：
[0076]
模型训练子单元：构建网络卷积模型，用于通过深度学习对特征数据集进行训练；获取所述特征数据集，并将特征数据集输入到网络卷积模型中进行训练，在训练结束后将特征数据集重新输入至第一电力设备检测模型中进行预测；
[0077]
结果预测单子元：在所述特征金字塔中的预测分支中得到特征数据集的预测结果，并对每一个预测分支中的预测结果进行打分，使用所述目标锚得出目标数据的边框位
置，所述目标数据为超出电力设备使用性能范围内的特征数据集，使用非极大值抑制进行边框的边缘细化，得到最终的目标结果。
[0078]
上述技术方案的工作原理为：本实施例采用的方案是，使用目标检测算法对完善第一电力设备检测模型的建立，制定目标锚，通过提前预定边框，覆盖工作图像中的数据集，通过使用图像预测的方式对工作图像进行目标检测，第一电力设备检测模型包括主干网络、特征金字塔以及预测分支，所述主干网络为一个三层卷积网络，所述特征金字塔。首先，将数据集输入全卷积网络的主干网络进行训练，得到电力设备的特征图，将特征图中的每一点像素进行回归操作，计算每点像素分类损失和回归损失，将数据集经过训练后输入到第一电力设备检测模型中，在第一电力设备检测模型中的特征金字塔中进行数据预测，得到预测结果。对预测结果进行分类打分，得出分类后对应数据的边框位置。
[0079]
上述技术方案的有益效果为：采用本实施例提供的方案，通过建立第一电力设备检测模型，对电力设备中的数据进行检验，提高了电力设备的使用性能。
[0080]
在另一实施例中，所述性能分析模块，包括：
[0081]
主控单元：通过连接电力设备中的各类传感器，使用传感器中的控制芯片采集电力设备在工时产生的运行数据，将运行数据上传到所述第二电力设备检测模型中；
[0082]
远程监测单元：搭建所述感知标签与远程监测终端的连接，所述控制芯片采集电力设备的地理位置数据以及环境温湿度数据上传到远程监测终端，所述远程监测终端对电力设备进行实时监控。
[0083]
在另一实施例中，所述性能分析模块，还包括：
[0084]
数据存储单元：每一个电力设备中包含唯一标识，通过关联对应的电力设备且储存电力设备的相关信息，与主控子模块进行连接，完成所述唯一标识与各传感器中采集到运行数据的耦合；
[0085]
感知单元：用于实现对变电站位置及环境监测，通过计算经纬度确定变电站中电力设备的具体位置，测试变电站中的电力设备是否发生偏移，并预设偏移阈值对偏移风险做出判断；
[0086]
供电单元：为所述感知标签提供电能，并设计供电方案确保电力设备的供电可靠性。
[0087]
上述技术方案的工作原理为：本实施例采用的方案是，感知标签实现对电力设备的标识和状态感知的一体化，感知标签由主控单元、远程监测单元、数据存储单元、感知单元以及供电单元构成。其中，主控单元时感知标签的核心单元，主控单元搭载感知单元的各传感器，通过驱动各种传感器的接口完成响应的数据采集，从而实现相应的功能，采集到的数据在经过处理后上传到第二电力设备检测模型中。远程监测单元搭建起感知标签与远程监测终端的桥梁，将控制芯片采集到的电力设备实时地理位置以及周围温湿度环境等数据进行实时上传，便于通过远程监测终端完成监控。数据存储子模块作为电力设备的唯一标识，关联对应的电力设备且存储设备的相关信息，与主控子模块完成技术桥接，实现电力设备与传感器参数的耦合。
[0088]
感知单元，主要由定位子单元、姿态监测子单元和温湿度监测子单元组成，定位子单元实现对电力设备的位置检测，通过相应纬度定位到电力设备的具体位置，姿态监测子单元对电力设备是否发生偏移，震动进行监测，通过该参量判断是否有被盗的情况，并设定
相应阈值给予警告，以便工作人员做出判断，温湿度监测子单元对电力设备的壳体表面以及所处环境的温湿度进行监测。供电单元为感知标签提供电能供电，并设计相应的供电方案来确保供电的可靠性。
[0089]
上述技术方案的有益效果为：采用本实施例提供的方案通过感知标签以及各子模块的作用，不但可以实现电力设备全寿命周期管理，还可以对电力设备周围环境和所处状态信息进行监测。
[0090]
在另一实施例中，所述感知单元，包括：
[0091]
定位子单元：读取电力设备所在位置的gps数据，判断是否为可读取数据，对可读取数据进行解析得到经纬度数据，并将经纬度数据发送给主控子模块；
[0092]
姿态监测子单元：定时采集电力设备的倾角以及姿态作为参量数据，设定参量数据的阈值，通过滤波处理提高参量数据的准确性，当参量数据超过阈值范围内时，则会触发报警。
[0093]
温湿度监测子单元：传感器进行自检，若未通过自检则提示错误，若通过自检则读取温湿度值并对读取数据实时上传到第二电力设备检测模型中，由主控子模块接收到读取数据并进行记录。
[0094]
上述技术方案的工作原理为：本实施例采用的方案是，定位单元首先进行初始化，在初始化结束后读取所在位置的gps数据，随后判断是否为可读取数据即$gnrmc，对符合的可读取数据进行解析，得到经纬度数据，并将经纬度数据发送给主控子模块。姿态监测单元定时采集电力设备的倾角和姿态作为参量数据，当参量数据超出预设的阈值时，则会触发报警。由于电力设备所处环境会造成震动和机械噪声，因此，为解决现场震动以及机械噪声对参量数据的影响，需要对采集到的参量数据进行滤波处理来提高数据参量的准确性。温湿度监测单元，将传感器进行自检，随后读取温湿度值并对数据进行实时上传到第二电力设备监测模型中，并由主控子模块进行接收。
[0095]
上述技术方案的有益效果为：采用本实施例提供的方案，通过对电力设备进行实时监测，在发生事故时可以及时进行解决。
[0096]
在另一实施例中，电力设备检测数据智能分析系统，还包括：
[0097]
模型构建模块：构建数据填补模型，用于对电力设备的检测数据中出现的数据缺失进行填补；
[0098]
矩阵定义模块：获取电力设备中的检测数据，定义所述检测数据的时间序列矩阵，时间序列矩阵将检测数据中缺失处的矩阵元素定义为1，将无缺失的定义为0；
[0099]
数据重建模块：所述数据填补模型获取未产生数据缺失的电力数据进行深度学习，得到填补特征数据，根据所述时间序列矩阵以及填补特征数据对缺失的电力数据进行数据重建。
[0100]
在另一实施例中，所述数据重建模块，包括：
[0101]
生成器构造单元：计算数据缺失的权重平均值，使用注意力机制计算出需要进行填补的数据集合，并生成网络训练框架用于辅助得到填补数据；
[0102]
判别器构造单元：区分电力设备产生电力数据中的原始数据以及生成器得到的填补数据，并对电力数据的每一项进行质量评价。
[0103]
损失计算单元：根据质量评价构造损失函数，所述损失函数包括所述原始数据中
无缺失数据的重建损失与填补数据的填补损失，使判别器处于学习状态。
[0104]
上述技术方案的工作原理为：本实施例采用的方案是，构建数据填补模型，定义数据填补模型中的时间序列矩阵，所述时间序列矩阵包含电力设备产生数据缺失值，在缺失处的矩阵元素值为1，否则为0。数据填补模型获取未产生数据缺失的电力数据进行深度学习，得到填补特征数据，对缺失的电力数据进行数据重建。其中数据填补模型，包括生成器与判别器，在生成器中包含权重融合模块、判别引入模块以及损失函数构造模块。其中权重融合模块为，计算缺失数据的权重平均值，使用注意力机制计算出填补数据的集合。在判别器中引入判别器结构，使用自注意力机制生成对抗网络训练框架，通过判别器区分在输入的数据中哪些是原始数据，哪些是生成器的填补数据，进而实现缺失数据填补质量评价功能。构造损失函数，使判别器处于学习状态，获取生成器中原始数据无缺失数据的重建损失与填补数据的填补损失共同构成生成器的损失函数。
[0105]
计算无缺失数据的重建损失与填补数据的填补损失的平均绝对误差，用于对判别器进行优化，公式如下：
[0106][0107]
其中，t、s分别为无缺失数据的重建损失与填补数据的填补损失的时间窗长度，t、s分别为无缺失数据与填补数据的样本总个数，c
t,s
为数据填补模型的时间序列矩阵，不同的损失类型使用不同的矩阵。另外，n为带有缺失的时间序列，m为用于填补的数据。最终计算得到l为无缺失数据的重建损失与填补数据的填补损失的平均绝对误差。
[0108]
上述技术方案的有益效果为：采用本实施例提供的方案，采用本实施例提供的方案，电力设备的在线数据监测会出现不同程度的缺失，为弥补传统缺失填补精度低的问题，使用一种自注意力生成对抗网络的电力设备在线监测缺失数据填补模型，对检测数据进行有效恢复，提高了数据预测精度。
[0109]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.电力设备检测数据智能分析系统，其特征在于，包括：数据构建模块：在变电站内拍摄电力设备的工作图像，获取工作图像中的数据集，并使用数据增广技术对数据集进行扩充，对扩充后的数据集进行标记作为特征数据，用于对电力设备进行数据检测；模型检测模块：提取电力设备的特征数据，并构建第一电力设备检测模型，通过预设的检测指标测试电力设备的使用性能；性能分析模块：设置感知标签，所述感知标签对电力设备状态信息以及周围环境进行监测，构建第二电力设备检测模型，用于完成对电力设备的智能分析。2.根据权利要求1所述的电力设备检测数据智能分析系统，其特征在于，所述数据构建模块，包括：数据收集单元：对变电站中变压器、隔离开关以及避雷器的电力设备进行数据采集，数据采集采用图像拍摄并提取工作图像的特征值的方式；数据增强单元：获取所述工作图像的特征值进行数据扩充，在工作图像中建立二维坐标轴，利用坐标变换完成特征值的转换；数据标注单元：收集经过转换的特征值作为数据集，使用人工标记的方式对数据集进行标注，并对标注的数据集进行训练。3.根据权利要求2所述的电力设备检测数据智能分析系统，其特征在于，所述数据增强单元，包括：坐标变换子单元：获取在二维坐标中工作图像的特征值初始坐标，对工作图像进行几何变换处理，通过水平镜像以及旋转的方式完成工作图像中数据集的扩充；对完成数据集扩充的工作图像进行对比度、锐化的变换得到凸显出特征值的工作图像，记录经过变换后的数据集坐标作为二次坐标；目标检测子单元：建立数据集的评价指标，获取所述二次坐标中的数据集，对数据集进行分类目标的检测，划分所述分类目标的个数，分别作为分类目标检测中衡量检测精度的评价指标。4.根据权利要求1所述的电力设备检测数据智能分析系统，其特征在于，所述模型检测模块，包括：模型构建单元：第一电力设备检测模型包括主干网络、特征金字塔以及预测分支，所述主干网络为三层卷积网络，所述特征金字塔每一层对应一个预测分支，所述预测分支包括分类预测分支、中心度预测分支以及回归预测分支；损失计算单元：获取数据集，由数据集组成特征图，对特征图的每一点像素进行回归操作，并根据预测分支计算每一点像素的分类损失以及回归损失，得到特征数据集；特征图预测单元：制定目标锚，经过预设的目标边框覆盖特征图中的特征数据集，通过图像预测方式对特征图类型进行预测。5.根据权利要求4所述的电力设备检测数据智能分析系统，其特征在于，所述特征图预测单元，包括：模型训练子单元：构建网络卷积模型，用于通过深度学习对特征数据集进行训练；获取所述特征数据集，并将特征数据集输入到网络卷积模型中进行训练，在训练结束后将特征数据集重新输入至第一电力设备检测模型中进行预测；
结果预测子单元：在所述特征金字塔中的预测分支中得到特征数据集的预测结果，并对每一个预测分支中的预测结果进行打分，使用所述目标锚得出目标数据的边框位置，所述目标数据为超出电力设备使用性能范围内的特征数据集，使用非极大值抑制进行边框的边缘细化，得到最终的目标结果。6.根据权利要求1所述的电力设备检测数据智能分析系统，其特征在于，所述性能分析模块，包括：主控单元：通过连接电力设备中的各类传感器，使用传感器中的控制芯片采集电力设备在工时产生的运行数据，将运行数据上传到所述第二电力设备检测模型中；远程监测单元：搭建所述感知标签与远程监测终端的连接，所述控制芯片采集电力设备的地理位置数据以及环境温湿度数据上传到远程监测终端，所述远程监测终端对电力设备进行实时监控。7.根据权利要求1所述的电力设备检测数据智能分析系统，其特征在于，所述性能分析模块，还包括：数据存储单元：每一个电力设备中包含唯一标识，通过关联对应的电力设备且储存电力设备的相关信息，与主控子模块进行连接，完成所述唯一标识与各传感器中采集到运行数据的耦合；感知单元：用于实现对变电站位置及环境监测，通过计算经纬度确定变电站中电力设备的具体位置，测试变电站中的电力设备是否发生偏移，并预设偏移阈值对偏移风险做出判断；供电单元：为所述感知标签提供电能，并设计供电方案确保电力设备的供电可靠性。8.根据权利要求7所述的电力设备检测数据智能分析系统，其特征在于，所述感知单元，包括：定位子单元：读取电力设备所在位置的gps数据，判断是否为可读取数据，对可读取数据进行解析得到经纬度数据，并将经纬度数据发送给主控子模块；姿态监测子单元：定时采集电力设备的倾角以及姿态作为参量数据，设定参量数据的阈值，通过滤波处理提高参量数据的准确性，当参量数据超过阈值范围内时，则会触发报警；温湿度监测子单元：传感器进行自检，若未通过自检则提示错误，若通过自检则读取温湿度值并将读取数据实时上传到第二电力设备检测模型中，由主控子模块接收到读取数据并进行记录。9.根据权利要求1所述的电力设备检测数据智能分析系统，其特征在于，还包括：模型构建模块：构建数据填补模型，用于对电力设备的检测数据中出现的数据缺失进行填补；矩阵定义模块：获取电力设备中的检测数据，定义所述检测数据的时间序列矩阵，时间序列矩阵将检测数据中缺失处的矩阵元素定义为1，将无缺失的定义为0；数据重建模块：所述数据填补模型获取未产生数据缺失的电力数据进行深度学习，得到填补特征数据，根据所述时间序列矩阵以及填补特征数据对缺失的电力数据进行数据重建。10.根据权利要求9所述的电力设备检测数据智能分析系统，其特征在于，所述数据重
建模块，包括：生成器构造单元：计算数据缺失的权重平均值，使用注意力机制计算出需要进行填补的数据集合，并生成网络训练框架用于辅助得到填补数据；判别器构造单元：区分电力设备产生电力数据中的原始数据以及生成器得到的填补数据，并对电力数据的每一项进行质量评价；损失计算单元：根据所述质量评价构造损失函数，所述损失函数包括所述原始数据中无缺失数据的重建损失与填补数据的填补损失，使判别器处于学习状态。

技术总结
本发明公开了电力设备检测数据智能分析系统，包括：在变电站内拍摄电力设备的工作图像，获取工作图像中的数据集，使用数据增广技术对数据集进行扩充并标记作为特征数据，用于对电力设备进行数据检测；提取电力设备的特征数据，并构建第一电力设备检测模型，通过预设的检测指标测试电力设备的使用性能；设置感知标签，所述感知标签对电力设备状态信息以及周围环境进行监测，构建第二电力设备检测模型，用于完成对电力设备的智能分析，通过智能分析系统，高效率检测电力设备中的数据，提高电力设备的使用性能。设备的使用性能。设备的使用性能。


技术研发人员：石少波 谭贵宾 乔凯庆 甘琪海 蒋少军 杜江 梁孟 刘智 李秋勇 李延荣 韦世彦
受保护的技术使用者：北京中润惠通科技发展有限公司
技术研发日：2023.05.15
技术公布日：2023/10/6