一种变电站设备变位告警的方法和系统与流程

1.本发明属于变电站智能巡视技术领域，特别涉及一种变电站设备变位告警的方法和系统。


背景技术：

2.随着技术进步，各行业原有的监控、运维方式已经不能满足智能化的要求。无论是自动化类型的常规监控方式，还是安防为主的视频监控方式，迫切需要进行能力升级，以适应行业客户的更高需要。以电力行业为例，常规的电力站所面临着人工巡视、人工复盘的大量重复性工作，因此亟需一套站所设备智能化巡视方案。
3.目前的智能监控巡视方案或采用目标检测的方式，但是该方式难免存在漏检，且只能识别当前状态，无法对设备状态变化进行告警。比如识别到巡检图像中空气开关处于闭合状态，但是并不确定当前闭合状态是否正常：或许该空气开关本来就是常闭，又或许是发生了短路导致跳闸，因此一个实用的巡视系统不仅要求能准确识别设备状态，更要能够对设备状态的变化进行告警。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种变电站设备变位告警的方法和系统。通过构建变电站设备状态识别模型，对变电站一次设备、二次设备具备稳定的状态识别能力。
5.为实现上述目的，本发明采用以下技术方案：
6.一种变电站设备变位告警的方法，包括以下步骤：
7.构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集；
8.构建变电站设备状态识别模型，所述构建变电站设备状态识别模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；
9.通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警。
10.进一步的，所述变电站设备包括变电站一次设备和变电站二次设备。
11.进一步的，所述构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集时，在模板图像和巡检图像中分别增加相同的定位标签。
12.进一步的，所述在模板图像和巡检图像中分别增加相同的定位标签之后，还包括：通过计算巡检图像中定位标签和模板图像中定位标签之间的偏移量确保巡检图像与模板图像处在相同的视角。
13.进一步的，在构建变电站设备状态识别模型之后还包括：利用增加定位标签的巡检图像对所述设备状态识别模型进行训练得到训练后的设备状态识别模型。
14.进一步的，在得到变电站的第一状态和变电站的第二状态之后，还包括提取第一状态中设备第一中心点坐标，并对第一中心点坐标进行归一化处理；以及提取第二状态中设备第二中心点坐标，并对第二中心点坐标进行归一化处理。
15.进一步的，在对第一中心点坐标进行归一化处理之后还包括对第一状态数据进行排序；以及对第二中心点坐标进行归一化处理之后还包括对第二状态数据进行排序。
16.进一步的，所述判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警的过程包括：依次比较按中心点坐标排序后所对应的第一状态和第二状态，如果相同则未变位，如果不相同，则变位进行告警。
17.本发明还提出了一种变电站设备变位告警的系统，包括第一构建模块、第二构建模块和判断模块；
18.所述第一构建模块用于构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集；
19.所述第二构建模块用于构建变电站设备状态识别模型，所述构建变电站设备状态识别模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；
20.所述判断模块用于通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警。
21.进一步的，所述第一构建模块中还包括在模板图像和巡检图像中分别增加相同的定位标签。
22.发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
23.本发明提出了一种变电站设备变位告警的方法和系统，该方法包括以下步骤：构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集；构建变电站设备状态识别模型，构建变电站设备状态识别模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警。基于一种变电站设备变位告警的方法，还提出了一种变电站设备变位告警的系统。本发明系统性的解决了变电站设备巡视、异常告警的关键难题；利用深度学习技术，通过自监督方式训练mea网络，用mae网络训练好的编码器(encoder)改进yolov5目标检测网络，替换其骨干网络为mae编码器，然后在少量标注好的样本上做微调训练，获得设备状态识别模型，模型对变电站一次设备、二次设备具备稳定的状态识别能力。
24.本发明通过粘贴一种特异性定位标签，定位模板图像与巡检图像中定位标签的位置，计算偏移量进行图像矫正，为了进一步确保矫正效果，对定位标签检测失败的情况采用图像关键点对配准的方式进行偏移量补充计算，充分确保算法运行稳定性。
25.本发明通过对识别结果的归一化及排序处理，使模板图像与巡检图像中目标一一对应，不但能准确识别设备状态，而且能够比较前后设备状态的差异，对设备状态的变化进
行告警。
附图说明
26.如图1为本发明实施例1提出的一种变电站设备变位告警的方法流程图；
27.如图2为本发明实施例1提出的变电站设备状态识别模型示意图；
28.如图3为本发明实施例1提出的定位标签示意图；
29.如图4为本发明实施例2提出的一种变电站设备变位告警的系统示意图。
具体实施方式
30.为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
31.实施例1
32.本发明实施例1提出了一种变电站设备变位告警的方法，系统性的解决了变电站设备巡视、异常告警的关键难题；本发明结合数字图像处理技术与深度学习网络，识别效果稳定。
33.本发明实现的过程包括：将设备运行正常情况下的巡检图像保存为模板图像，采用目标检测算法检测出模板图像中设备的位置坐标以及状态，以及通过在模板图像和巡检图像中分别增加相同的定位标签；通过计算巡检图像中定位标签和模板图像中定位标签之间的偏移量确保巡检图像与模板图像处在相同的视角，然后构建变电站设备状态识别模型，通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警。
34.本发明一方面采用深度学习目标检测算法，准确识别一次设备、二次设备的状态、位置，一方面针对巡视过程中点位偏移的问题提出偏移矫正的方法，确保设备状态识别模型输入图像的质量，通过设计并粘贴一种特异性定位标签，检测定位标签的位置计算偏移量，同时为保证矫正的稳定性，对定位标签检测失败或无法粘贴定位标签的点位辅助以关键点对计算偏移量的方式矫正图像，最后通过数值分析模块判断巡检图像中设备的坐标位置以及状态有无变化，有变化则显示变化区域并告警。
35.如图1为本发明实施例1提出的一种变电站设备变位告警的方法流程图；
36.在步骤s0中，开始处理该流程。
37.在步骤s1中，设定相机预置点位，制作一种特异性定位标签，通过分析巡检图像特点选定边长3cm的三角形为定位标签，在预置点位画面中粘贴定位标签，同时将该预置位图像按点位id保存为模板。
38.在步骤s2中，在模板图像和巡检图像中分别增加步骤s1中的相同的定位标签。利用数字图像处理技术检测巡视图像中定位标签的坐标位置。如图3为本发明实施例1提出的
定位标签示意图；
39.利用数字图像处理技术检测巡视图像中定位标签的坐标位置，获取掩膜区域的内容(如图3(b))，然后对图像进行canny边缘检测获取轮廓(如图3(c))，之后绘制轮廓线并获取轮廓角点数量，角点数量为3的区域即为定位标签区域(如图3(d))。
40.在步骤s3中，判断定位标签是否检测失败，或者该场景是否配置定位标签，如果定位失败或者该场景中未配置定位标签，执行步骤s4，否则步骤s5。
41.在步骤s4中，分别提取模板图像与巡检图像的特征点对，对特征点对进行匹配。以sift特征提取算法为例，首先通过对原图像进行不断的缩小和高斯滤波，生成高斯差分图像金字塔，之后通过检测不同层之间的图像的极值点，使用hessian矩阵进行筛选，公式如下，得到特征点的位置，其中d
xx
,d
xy
和d
yy
是候选点邻域对应位置的差分求得的。
[0042][0043]
得到特征点的位置之后，需要求取它们的方向，其中l为关键点所在的尺度空间值，θ为方向角。对于在高斯差分金字塔检测到的关键点，采集所在图像3σ邻域窗口内像素的梯度和方向特征，并进行统计。取幅值最高的方向为主方向，超过峰值百分之80的方向为辅方向。
[0044][0045][0046]
在步骤s5中，计算巡检图像中和模板图像中特征点对的偏移量；将特征点邻域分为几个区块，计算八个方向的梯度方向直方图。有16个区域，所以生成了16
×
8＝128个维度的数据。通过匹配模板图像与巡检图像特征点描述子，找到两张图中匹配的特征点对，计算偏移量。
[0047]
在步骤s6中，判断偏移量是否超出阈值，如果未超出阈值，则执行步骤s8,否则执行步骤s13。
[0048]
在步骤s14中，判定设备发生偏移。
[0049]
在步骤s7中，按照所得偏移量对巡检图像进行平移矫正，确保巡检图像与模板图像处在相同的视角。
[0050]
上述步骤s0至步骤s7的过程解决了变电站在运转过程中会存在偏差，从而导致图像中待识别的目标发生位置偏移，造成状态识别模型预测不准的技术问题。通过粘贴一种特异性定位标签，定位模板图像与巡检图像中定位标签的位置，计算偏移量进行图像矫正，为了进一步确保矫正效果，对定位标签检测失败的情况采用图像关键点对配准的方式进行偏移量补充计算，充分确保算法运行稳定性。
[0051]
在对图像矫正后，执行步骤s8。
[0052]
在步骤s8中，构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集。本技术中构建变电站一次设备、二次设备图像数据集，数据集总量10万张。本
申请保护的范围不局限于实施例1中列举出的数量，本领域人员可以根据实际情况进行选择。
[0053]
在步骤s9中，构建变电站设备状态识别模型。如图2为本发明实施例1提出的变电站设备状态识别模型示意图；构建变电站设备状态识别模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；
[0054]
对所构建的巡检图像数据集筛选需要识别状态的优质图像一万张进行标注。利用标注好的数据对mae改进的yolov5网络进行微调训练获得设备状态识别模型。
[0055]
本技术中从标注后的巡检图像数据集中筛选出一部分图像用于训练变电站设备状态识别模型。本技术保护的范围不局限于实施例1中列举出的数量，本领域人员可以根据实际情况进行选择。
[0056]
在步骤s10中，通过训练后的设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态。
[0057]
从第一状态中筛选出第一中心点坐标和从第二状态中筛选出第二中心点坐标。以及提取第二状态中设备第二中心点坐标，并对第二中心点坐标进行归一化处理。
[0058]
在步骤s11中，对第一状态数据进行排序；以及对第二中心点坐标进行归一化处理之后还包括对第二状态数据进行排序。
[0059]
在步骤s12中，依次比较按中心点坐标排序后所对应的第一状态和第二状态，如果相同则未变位，返回步骤s10，如果不相同，则变位，执行步骤s13。
[0060]
在步骤s13中，进行告警。
[0061]
在步骤s15中，流程结束。
[0062]
本发明步骤s9至s14中，利用深度学习技术，通过自监督方式训练mea网络，用mae网络训练好的编码器(encoder)改进yolov5目标检测网络，替换其骨干网络为mae编码器，然后在少量标注好的样本上做微调训练，获得设备状态识别模型，模型对变电站一次设备、二次设备具备稳定的状态识别能力。
[0063]
本发明通过对识别结果的归一化及排序处理，使模板图像与巡检图像中目标一一对应，不但能准确识别设备状态，而且能够比较前后设备状态的差异，对设备状态的变化进行告警。
[0064]
本发明实施例1提出的一种变电站设备变位告警的方法，系统性的解决了变电站设备巡视、异常告警的关键难题。发明结合数字图像处理技术与深度学习网络，识别效果稳定，具有创新性，且本发明经过实验以及在实际场景中的应用也验证了其有效性，可被广泛推广。
[0065]
实施例2
[0066]
基于本发明实施例1中提出的一种变电站设备变位告警的方法，本发明实施例2还提出了一种变电站设备变位告警的系统，如图4为本发明实施例2提出的一种变电站设备变位告警的系统示意图，该系统包括：第一构建模块、第二构建模块和判断模块；
[0067]
第一构建模块用于构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集；
[0068]
第二构建模块用于构建变电站设备状态识别模型，所述构建变电站设备状态识别
模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；
[0069]
判断模块用于通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警。
[0070]
其中在第一构建模块中，在模板图像和巡检图像中分别增加相同的定位标签。在模板图像和巡检图像中分别增加相同的定位标签之后，还包括：通过计算巡检图像中定位标签和模板图像中定位标签之间的偏移量确保巡检图像与模板图像处在相同的视角。
[0071]
在第二构建模块中，利用增加定位标签的巡检图像对所述设备状态识别模型进行训练得到训练后的设备状态识别模型。
[0072]
在判断模块中，在得到变电站的第一状态和变电站的第二状态之后，还包括提取第一状态中设备第一中心点坐标，并对第一中心点坐标进行归一化处理；以及提取第二状态中设备第二中心点坐标，并对第二中心点坐标进行归一化处理。
[0073]
在对第一中心点坐标进行归一化处理之后还包括对第一状态数据进行排序；以及对第二中心点坐标进行归一化处理之后还包括对第二状态数据进行排序。
[0074]
依次比较按中心点坐标排序后所对应的第一状态和第二状态是否相同，如果相同则未变位，如果不相同，则变位进行告警。
[0075]
本发明实施例2提出的一种变电站设备变位告警的系统，系统性的解决了变电站设备巡视、异常告警的关键难题；利用深度学习技术，通过自监督方式训练mea网络，用mae网络训练好的编码器(encoder)改进yolov5目标检测网络，替换其骨干网络为mae编码器，然后在少量标注好的样本上做微调训练，获得设备状态识别模型，模型对变电站一次设备、二次设备具备稳定的状态识别能力。
[0076]
本发明实施例2提出的一种变电站设备变位告警的系统，通过粘贴一种特异性定位标签，定位模板图像与巡检图像中定位标签的位置，计算偏移量进行图像矫正，为了进一步确保矫正效果，对定位标签检测失败的情况采用图像关键点对配准的方式进行偏移量补充计算，充分确保算法运行稳定性。
[0077]
本发明实施例2提出的一种变电站设备变位告警的系统，通过对识别结果的归一化及排序处理，使模板图像与巡检图像中目标一一对应，不但能准确识别设备状态，而且能够比较前后设备状态的差异，对设备状态的变化进行告警。
[0078]
本技术实施例2提供的一种变电站设备变位告警的系统中相关部分的说明可以参见本技术实施例1提供的一种变电站设备变位告警的方法中对应部分的详细说明，在此不再赘述。
[0079]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本技术实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
[0080]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：
1.一种变电站设备变位告警的方法，其特征在于，包括以下步骤：构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集；构建变电站设备状态识别模型，所述构建变电站设备状态识别模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警。2.根据权利要求1所述的一种变电站设备变位告警的方法，其特征在于，所述变电站设备包括变电站一次设备和变电站二次设备。3.根据权利要求1所述的一种变电站设备变位告警的方法，其特征在于，所述构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集时，在模板图像和巡检图像中分别增加相同的定位标签。4.根据权利要求3所述的一种变电站设备变位告警的方法，其特征在于，所述在模板图像和巡检图像中分别增加相同的定位标签之后，还包括：通过计算巡检图像中定位标签和模板图像中定位标签之间的偏移量确保巡检图像与模板图像处在相同的视角。5.根据权利要求4所述的一种变电站设备变位告警的方法，其特征在于，在构建变电站设备状态识别模型之后还包括：利用增加定位标签的巡检图像对所述设备状态识别模型进行训练得到训练后的设备状态识别模型。6.根据权利要求1所述的一种变电站设备变位告警的方法，其特征在于，在得到变电站的第一状态和变电站的第二状态之后，还包括提取第一状态中设备第一中心点坐标，并对第一中心点坐标进行归一化处理；以及提取第二状态中设备第二中心点坐标，并对第二中心点坐标进行归一化处理。7.根据权利要求6所述的一种变电站设备变位告警的方法，其特征在于，在对第一中心点坐标进行归一化处理之后还包括对第一状态数据进行排序；以及对第二中心点坐标进行归一化处理之后还包括对第二状态数据进行排序。8.根据权利要求7所述的一种变电站设备变位告警的方法，其特征在于，所述判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位，进行告警的过程包括：依次比较按中心点坐标排序后所对应的第一状态和第二状态，如果相同则未变位，如果不相同，则变位进行告警。9.一种变电站设备变位告警的系统，其特征在于，包括第一构建模块、第二构建模块和判断模块；所述第一构建模块用于构建变电站设备状态的模板图像和用于变电站设备状态识别的巡检图像数据集；所述第二构建模块用于构建变电站设备状态识别模型，所述构建变电站设备状态识别模型的过程为：采用自监督方式训练掩码自编码器mae，利用训练后掩码自编码器mae中的编码器encoder替换yolov5骨干网络得到改进后的yolov5网络；所述判断模块用于通过设备状态识别模型分别对模板图像和巡检图像进行检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态
是否相同，如果不相同，则变电站设备变位，进行告警。10.根据权利要求9所述的一种变电站设备变位告警的系统，其特征在于，所述第一构建模块中还包括在模板图像和巡检图像中分别增加相同的定位标签。

技术总结
本发明提出了一种变电站设备变位告警的方法和系统，该方法包括：构建变电站设备状态的模板图像和用于状态识别的巡检图像数据集；构建变电站设备状态识别模型，具体包括：采用自监督方式训练掩码自编码器，利用训练后掩码自编码器中的编码器Encoder替换YoloV5骨干网络得到改进后的YoloV5网络；通过设备状态识别模型分别对模板图像和巡检图像检测得到模板图像中变电站的第一状态和巡检图像中变电站的第二状态；判断第一状态和第二状态是否相同，如果不相同，则变电站设备变位进行告警。基于该方法，还提出了一种变电站设备变位告警的系统。本发明不但能准确识别设备状态，而且能比较前后设备状态的差异，对状态的变化告警。对状态的变化告警。对状态的变化告警。


技术研发人员：岳绍龙 方亮 李睿 张亚辉 高宗彬
受保护的技术使用者：智洋创新科技股份有限公司
技术研发日：2023.04.07
技术公布日：2023/7/22