一种变电设备无接触式监测方法和系统与流程

本发明涉及变电设备，具体涉及一种变电设备无接触式监测方法和系统。

背景技术：

1、目前，变电设备是生产生活电力保障的重要设备，安全运行关系到人民生产生活的方方面面。变电设备的使用往往是随下游居民与商业用户的用电功率做出变电策略的调整，设备在切换的过程中往往伴随发热和微振动的变化，这些信息能够反映控制部件与功率的调整的运行状态。

2、也就是说这些信息的及时采集、分析与存储能够有效监控设备的是否正常工作。然而，现有的变电设备故障监测与预警主要采用人工观察检修与专用装置测试等方法，监测效率较低，检修的不及时，造成了设备的提前老化与报废。

技术实现思路

1、为了解决现有技术中采用人工观察与专用装置测试的方法对变电设备进行故障监测，导致对变电设备的故障监测效率低的问题，本发明提出一种变电设备无接触式监测方法，包括：

2、获取变电设备的红外温度数据和振动视频序列；

3、根据所述红外温度数据，利用红外温度预警算法，得到所述变电设备的温度是否超过温度阈值的判断结果；

4、根据所述振动视频序列，利用预先训练的振动监测模型，得到所述变电设备中是否含有振动部件的判断结果；

5、基于所述变电设备的温度是否超过温度阈值的判断结果和所述变电设备中是否含有振动部件的判断结果，得到所述变电设备的运行状态监测结果；

6、其中，所述振动监测模型是以所述变电设备的历史振动视频序列作为振动训练数据的输入，以所述振动视频序列中是否含有对应的振动部件的结果作为振动训练数据的输出，对卷积神经网络进行训练得到的。

7、可选的，所述变电设备的红外温度数据包括如下的获取过程：

8、获取变电设备的红外光谱信息；

9、根据所述红外光谱信息，利用预先训练的温度换算模型，得到所述红外光谱信息对应的红外温度数据；

10、其中，所述温度换算模型是以历史的红外光谱信息作为温度训练数据的输入，以所述历史的红外光谱信息对应的红外温度数据作为温度训练数据的输出，对所述卷积神经网络进行训练后得到的。

11、可选的，所述卷积神经网络的网络结构包括：依次连接的卷积层、第一relu激活层、池化层、第一全连接层、第二relu激活层、第二全连接层和softmax输出层。

12、可选的，所述振动视频序列包括如下的获取过程：

13、获取所述变电设备的视频采集序列；

14、利用相位微动作放大算法，对所述视频采集序列进行振动放大，得到对应的振动视频序列。

15、可选的，所述利用相位微动作放大算法，对所述视频采集序列进行振动放大，得到对应的振动视频序列，包括：

16、对所述视频采集序列中的各图像帧进行拉普拉斯金字塔分解，得到所述各图像帧的明暗空间变化信息和所述视频采集序列的金字塔信息；

17、基于所述各图像帧的明暗空间变化信息，得到所述视频采集序列的低频振动信号；

18、将所述视频采集序列的低频振动信号按照预设的振动幅频进行振幅放大，得到振幅放大信息；

19、根据所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述视频采集序列对应的振动视频序列。

20、可选的，所述基于所述各图像帧的明暗空间变化信息，得到所述视频采集序列的低频振动信号，包括：

21、对所述各图像帧的明暗空间变化信息进行低通滤波，得到所述各图像帧中每一个像素点的时域变化信息；

22、根据所述各图像帧中每一个像素点的时域变化信息，得到所述视频采集序列的低频振动信号。

23、可选的，所述根据所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述视频采集序列对应的振动视频序列，包括：

24、将所述振幅放大信息和所述金字塔信息进行信息叠加，得到叠加振动信息；

25、利用逆拉普拉斯金字塔算法对所述叠加振动信息进行图像重建，得到所述视频采集序列对应的振动视频序列。

26、可选的，所述基于所述变电设备的温度是否超过温度阈值的判断结果和所述变电设备中是否含有振动部件的判断结果，得到所述变电设备的运行状态监测结果，包括：

27、当所述变电设备的温度超过温度阈值，且所述变电设备中含有振动部件时，所述变电设备的运行状态监测结果为发生运行故障；

28、否则，所述变电设备的运行状态监测结果为未发生运行故障。

29、可选的，所述变电设备的运行状态监测结果为发生运行故障之后，还包括：

30、将所述变电设备发生运行故障的工况信息通过通讯网络发送到警报装置，所述警报装置用于针对所述工况信息发出声光警报。

31、基于同一发明构思，本发明还提供了一种变电设备无接触式监测系统，包括：

32、数据获取模块：用于获取变电设备的红外温度数据和振动视频序列；

33、温度判断模块：用于根据所述红外温度数据，利用红外温度预警算法，得到所述变电设备的温度是否超过温度阈值的判断结果；

34、振动判断模块：用于根据所述振动视频序列，利用预先训练的振动监测模型，得到所述变电设备中是否含有振动部件的判断结果；

35、状态监测模块：用于基于所述变电设备的温度是否超过温度阈值的判断结果和所述变电设备中是否含有振动部件的判断结果，得到所述变电设备的运行状态监测结果；

36、其中，所述振动判断模块中的振动监测模型是以所述变电设备的历史振动视频序列作为振动训练数据的输入，以所述振动视频序列中是否含有对应的振动部件的结果作为振动训练数据的输出，对卷积神经网络进行训练得到的。

37、可选的，所述数据获取模块中变电设备的红外温度数据包括如下的获取过程：

38、获取变电设备的红外光谱信息；

39、根据所述红外光谱信息，利用预先训练的温度换算模型，得到所述红外光谱信息对应的红外温度数据；

40、其中，所述温度换算模型是以历史的红外光谱信息作为温度训练数据的输入，以所述历史的红外光谱信息对应的红外温度数据作为温度训练数据的输出，对所述卷积神经网络进行训练后得到的。

41、可选的，所述振动判断模块中卷积神经网络的网络结构包括：依次连接的卷积层、第一relu激活层、池化层、第一全连接层、第二relu激活层、第二全连接层和softmax输出层。

42、可选的，所述数据获取模块中的振动视频序列包括如下的获取过程：

43、获取所述变电设备的视频采集序列；

44、利用相位微动作放大算法，对所述视频采集序列进行振动放大，得到对应的振动视频序列。

45、可选的，所述数据获取模块中利用相位微动作放大算法，对所述视频采集序列进行振动放大，得到对应的振动视频序列，包括：

46、对所述视频采集序列中的各图像帧进行拉普拉斯金字塔分解，得到所述各图像帧的明暗空间变化信息和所述视频采集序列的金字塔信息；

47、基于所述各图像帧的明暗空间变化信息，得到所述视频采集序列的低频振动信号；

48、将所述视频采集序列的低频振动信号按照预设的振动幅频进行振幅放大，得到振幅放大信息；

49、根据所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述视频采集序列对应的振动视频序列。

50、可选的，所述数据获取模块中基于所述各图像帧的明暗空间变化信息，得到所述视频采集序列的低频振动信号，包括：

51、对所述各图像帧的明暗空间变化信息进行低通滤波，得到所述各图像帧中每一个像素点的时域变化信息；

52、根据所述各图像帧中每一个像素点的时域变化信息，得到所述视频采集序列的低频振动信号。

53、可选的，所述数据获取模块中根据所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述视频采集序列对应的振动视频序列，包括：

54、将所述振幅放大信息和所述金字塔信息进行信息叠加，得到叠加振动信息；

55、利用逆拉普拉斯金字塔算法对所述叠加振动信息进行图像重建，得到所述视频采集序列对应的振动视频序列。

56、可选的，所述状态监测模块，具体用于：

57、当所述变电设备的温度超过温度阈值，且所述变电设备中含有振动部件时，所述变电设备的运行状态监测结果为发生运行故障；

58、否则，所述变电设备的运行状态监测结果为未发生运行故障。

59、可选的，所述状态监测模块中在变电设备的运行状态监测结果为发生运行故障之后，还包括：

60、将所述变电设备发生运行故障的工况信息通过通讯网络发送到警报装置，所述警报装置用于针对所述工况信息发出声光警报。

61、与现有技术相比，本发明的有益效果为：

62、本发明提供了一种变电设备无接触式监测方法和系统，包括：获取变电设备的红外温度数据和振动视频序列；根据所述红外温度数据，利用红外温度预警算法，得到所述变电设备的温度是否超过温度阈值的判断结果；根据所述振动视频序列，利用预先训练的振动监测模型，得到所述变电设备中是否含有振动部件的判断结果；基于所述变电设备的温度是否超过温度阈值的判断结果和所述变电设备中是否含有振动部件的判断结果，得到所述变电设备的运行状态监测结果；其中，所述振动监测模型是以所述变电设备的历史振动视频序列作为振动训练数据的输入，以所述振动视频序列中是否含有对应的振动部件的结果作为振动训练数据的输出，对卷积神经网络进行训练得到的；本技术通过红外温度预警算法能够自动化分析大量红外温度数据，快速定位高温点；通过基于卷积神经网络构建的振动监测模型对变电设备进行振动监测，能够自动学习振动视频中的时空特征，快速且准确地识别出变电设备中的异常振动情况；通过本发明的方法能及时监测变电设备的温度和振动变化监测变电设备是否正常工作，有利于提高对变电设备的监测效率。