基于深度学习算法的变电站设备温度异常检测方法
时间：2023-02-12 21:40:02 来源：柠檬阅读网 本文已影响 人 
陈立斌
（国网宜兴市供电公司，江苏 无锡 214200）
变电站设备因温度异常导致故障的现象较为常见，如果变电站设备温度异常检测未受到重视，或者异常温度检测的精度低，不能及时发现变电站设备存在的故障，则将给电力系统的安全运行埋下隐患。所以，准确检测变电站设备的温度变化是安全供电不可或缺的一部分。
深度学习算法是一种机器的自主学习过程，其将人工智能领域的知识引入机器学习，基于数据分析的角度来进行研究，解决了传统检测方法得到的数据不够准确的情况。
1.1 提取变电站设备区域图像
通过把变电站设备区域内的图像进行提取和分析，主要是针对设备区域内的温度情况进行检测，并根据所提取的图像来进行分类，着重设备温度异常区域的检测。而对于图像的处理方式，主要就是通过把温度异常区域的对比度和高光进行增强，因为在传统的系统中，温度检测的图像分辨率比较低，2个区域中间的界面比较模糊，所以需要增加图像的对比度。信噪比也称为迅噪比（Signal-Noise Ratio，SNR），是表示电子设备中目标信号的强度与噪声之间的比例关系，用WSNR表示，计算公式为
式中：βA表示一目标区域灰度的平均值；
βS表示为整个区域背景灰度的均值；
ηS则表示为整个区域背景灰度的标准差[1]。
图像变化处理是一种为了解决目标范围内图像亮度不均匀的处理办法。进行开运算得到的差值为p，计算公式为
式中：(t°k)为主要结构的元素进行开运算的值。
根据式（2）可以得到区域内大小各不相同的结构元素，从而可以提取出该目标区域的特征，然后再对其中需要用到的特征来进行亮度处理，这样就可以增强该目标区域内的对比度情况，解决分布不均的情况出现。即通过该区域主要结构的元素大小与实际目标的大小来相互进行对应，提取出该变电站区域内图像的具体情况，实现对该区域进行分割的目的。
1.2 分割设备温度异常区域
在（f+g）×（f+g）的一定区域范围内，分别用β(a,b)和η2(a,b)来表示灰度均值和目标区域方差，具体为
式中：d(x,y)表示区域的灰度值；
β(a,b)表示中心位置的像素区域值[2]。
选择合适结构的元素，再通过移动来完成从原本构成的图像到局部位置的方差图像的影射。区域内温度显示图像的像素有N个级别的灰度值a,b=0,1,…,N。图像中任意一个位置(x,y)的平均值为
原始图像中任何1个位置(x,y)的数值都能够转变成为1个由灰度值d(x,y)和灰度值的平均值s(x,y)所组成的平面坐标位置。(a,b)用来表示整个图像的区域范围，其中a为某1个位置的灰度值，b则为整个区域灰度值的平均数值。那么对G×G的整个区域内图像来说，如果(a,b)的频率v(a,b)，则所对应的整合密度的概率值为
式中：j(a,b)表示原始图像中任何1个位置的灰度值和灰度值的平均值所组成的平面坐标。
设备温度异常的区域通过分割的方式会产生出大量的小规模区域范围，主要就是利用局部区域计算出的方差值，来使原本区域内和相邻区域内的灰度存在一定程度上的差值。采用这样的办法可以提高一定程度上的容量率，来保证对此区域内的温度进行全方面监控，从而可以高效地看出区域内的不同区别[3]。
1.3 深度学习算法检测温度异常
深度学习算法是根据原本图像作为基础输入的数据信息，主要由输入层、处理层、整合层、连接层和输出层5个部分组成。在处理层中，通常根据长、宽和高来进行指示处理，计算公式为
式中：E是平面坐标；
U是平面处理层数据值；
x和y分别为a×b范围内对应点的位置，两者组成的区域就是由深度学习算法检测出的温度区域。按照指令所得到的数值越趋近于数字1，表示其稳定性和准确性越高。
深度学习算法主要就是现有的系统算法在温度存在异常的情况下，高效地检测出温度异常的表现。采用深度学习的算法来对整体数据进行分类处理，从而提高处理温度异常状态的学习能力。在学习算法的选择上，因为需要解决界限模糊的非明显图像，所以属于与非线性相关的问题，需要利用深度学习的算法实现对这种非线性图像进行分类处理，从而提高整体图像的识别率[4]。综上所述，通过增加深度学习算法这一步骤可以检测出变电站设备温度异常的情况。
2.1 实验准备工作
为了测试提出的变电站设备温度异常检测方法的准确性和实际使用效果，选择某工业产区变电站为实验的场地，测试实验的周期为1个星期共计7 d。采集数据量为50组，将样本分成测试组共40组数据和对照组共10组数据。在训练组中选取任意1天，其部分数据见表1。
表1 变电站温度检测数据
本次实验中温度检测的流程如图1所示。
图1 深度学习算法温度检测图
由于实验时间较长，可能会出现数据异常或者缺失等情况，因此需要在训练之前筛选数据，选择出有效的数据[5]。
2.2 数据监测及反馈结果
实验测试是同一变电站设备在相同时间内进行的。将测试组的40组数据平均分为A、B这2组，其中A组为使用传统办法来进行温度异常检测，而B组则是使用深度学习算法后来对设备温度进行检测。为了保证此次实验的结果更加准确，并且保证得出的结果不是无效的，本次实验将对比20组数据，并将此数据与对照组的10组数据进行对比，具体如图2所示。
图2 测试组和对照组检测温度对比图
由图2可知，传统方法检测出的温度与原始数据存在较大的误差，而应用深度学习算法检测出的温度情况与原始数据基本上会保持一致，不存在较大的误差[6]。
通过大数据计算机计算得出，传统方法检测得出的温度输入指令后的结果为0.753 2，而深度学习算法检测出的温度输入指令后得到的结果是0.987 6，更加接近于1，表示该算法使变电站设备的温度异常检测更加准确。
综上所述，传统方法无法准确判断出温度异常情况，使用深度学习算法过后，更加容易且准确地判断出变电站设备温度异常的状况。
本文方法可以有效检测出变电站设备是否异常运行，从而为变电站的运行提供准确的数据参考，并提高运行效率，降低设备温度异常点数量。以设备温度异常点数量反映本文运维方法的有效性，设备温度异常点数量越低，表明应用本文方案后设备运行正常状态有所提升，即本文方法具备有效性。实验时长为12 d，累计设备温度异常点数量，实验结果如表2所示。
表2 设备温度异常点数量
根据表2的数据可知，应用设计方法和传统方法前，变电站设备温度异常点数量达到了11个，温度异常点数量多的情况是设备运行时间较长，但是在应用2种方法后，设备温度异常点数量均有降低，其中应用本文方法后，设备温度异常点数量明显降低，在第12天时，该数量仅为4个，传统方法的设备温度异常点数量为8个相比可知，本文方法有效降低了设备温度异常点数量，提高了设备运行效率。
此次温度异常检测方法是在当前拥有的检测方法基础上，结合深度学习算法研究出更适合当前变电站设备使用的温度异常检测方法。但变电站温度检测的设备只依赖深度学习算法，无法针对温度差异特别小的设备，容易出现误差，从而影响后续温度检测的准确性。今后可以在此算法的基础上进行优化，添加可以使温度更加精确的算法，将误差控制在尽可能小的范围内，从而得到更加准确的变电站设备温度异常检测方法。
猜你喜欢 灰度变电站深度 采用改进导重法的拓扑结构灰度单元过滤技术北京航空航天大学学报(2022年6期)2022-07-02四增四减 深度推进快乐学习报·教育周刊(2022年16期)2022-05-01Bp-MRI灰度直方图在鉴别移行带前列腺癌与良性前列腺增生中的应用价值天津医科大学学报(2021年1期)2021-01-26深度理解一元一次方程中学生数理化·七年级数学人教版(2020年11期)2020-12-14Arduino小车巡线程序的灰度阈值优化方案中国信息技术教育(2020年2期)2020-02-02变电站巡检机器人控制系统设计电子制作(2019年10期)2019-06-17简约教学 深度学习福建基础教育研究(2019年6期)2019-05-28关于变电站五防闭锁装置的探讨电子制作(2018年8期)2018-06-26超高压变电站运行管理模式探讨电子制作(2017年8期)2017-06-05电解铝降压整流变电站综合自动化的运行有色金属设计(2014年4期)2014-03-11
