【《深度学习在电力行业的应用研究国内外文献综述》3900字】

深度学习在电力行业的应用研究国内外文献综述电力系统在快速发展过程中，共出现三种检修方式：故障检修，定期检修，状态检修[1-3],电力设备检修由最初的故障后维修，发展为预防性定期检修，能够较为及时发现电力设备隐患，并及时消除，但进行定期检修需要进行停电检修，所需时间长，工作量大。随着现代科学和工程技术水平的不断提升，电力电子技术的不断发展，传感器技术、光纤技术、计算机技术、信息技术应用于各大领域，取得良好效果[4]。当今，电力设备检修融入了先进的科学技术，逐步实现了在线的状态检修和监测，其前提是通过高灵敏度、高可靠性的传感器对电力设备运行状态信息进行实时采集，通过图像处理和深度学习对采集到的设备状态信息进行处理分析，判断电力设备状态。国内外学者针对配电变压器红外图像的诊断主要包括以下几个方面。1.1红外热成像技术研究现状近年来，红外故障诊断技术飞速发展，与传统的故障诊断相比，红外故障诊断技术具有非接触、灵敏度高等一系列优点，特别是对温度高、电压高、带电并高速运转的测试目标，可远距离获得其整个表面的温度场图像[5]。红外热成像技术可以对目标进行实时监测，同时根据设备红外辐射情况探测捕获目标[6]。红外热成像技术广泛应用于军事、工农业生产中，是电力系统在线监测和维护的重要工具。在配电变压器故障检修中，红外诊断技术以其不停电、安全、可靠、非接触以及不易受电磁干扰和覆盖大面积区域进行检查等优点，能够发现设备发热隐患，发现配电变压器明显的、隐蔽的功能性过热故障，监测设备运行状况，识别分析其运行状态，在配电变压器等电力设备预防性和预测性检测中占有重要地位[7-9]。20世纪60年代中期，AGA/Bofors公司与瑞典电力局在FLIR基础上，开发出第二代红外成像装置，称为热像仪[10]，并成功地应用于电力设备的故障检测和诊断中。随后，红外诊断技术在对电力设备进行带电检测和故障诊断中的应用进入了新阶段，并且广泛应用于高电压输变电设备的维护监测中。1993年美国动力会议上，底特律爱迪生公司和伊利诺伊州电力公司分别介绍了红外诊断技术在电力设备故障诊断中的实际应用及经验。直到上世纪七十年代初期，我国才开始应用自主研制的红外测温仪对电气设备表面过热故障进行温度检测。八十年代，我国一些高校和电力研究所开始研究红外热像诊断技术。应用红外诊断技术对输变电线路进行巡检。九十年代，电力研究院（所）与供电部门相结合，建立高电压设备故障仿真实验室，通过对实验研究成果和实地检测情况进行总结，积累了大量的经验，现已掌握各类高压电气设备内外部故障的表面红外热像特征；同时，积累了大量高压电气设备的红外热变化图谱，能够对电气设备内外故障类型进行定性诊断，对故障部位和严重程度进行定量诊断分析，并且对影响电力设备故障诊断准确性的诸多因素及对策进行分析，在配电变压器内部故障和绝缘套管故障诊断方面达到了国际先进水平。1.2图像处理技术在电力行业研究现状随着数字图像处理技术[11]的发展和计算机处理速度的提升，许多学者对红外图像识别技术进行了研究，结合图像处理和深度学习技术，在一定程度上实现了红外图像中目标的识别和缺陷的诊断。电力设备的红外图像处理向着自动识别和诊断的方向发展。红外图像处理主要从图像预处理、特征提取、图像识别三个方面开展，束江等[12]提出了一种改进的retinex图像增强方法，对电力设备图像进行处理增强，降低光晕现象、颜色失真问题的影响，以便于对设备图像进处理分析，从而对故障进行识别、定位。崔昊杨等[13]提出了一种基于自适应遗传算法的红外热像图模糊增强技术，为增强变电站中变压器等电力设备红外热像图的视觉效果，突出局部热异常区域，方便故障定位检修。李振杰等[14]运用基于logistic隶属度函数的模糊理论进行模糊化，并对模糊域内图像进行处理增强，使电力设备红外图像更加明显。陈基顺等[15]采用区域联合先验信息约束和伽马变换对Retinex增强模型进行改进，提出多尺度结构保留型平滑滤波，用高斯正则项约束滤波尺寸。以上研究工作主要对电力设备红外图像进行去噪、增强等操作，通过提高红外图像质量，为后续的识别、诊断分析打下基础。Almeida等[16]应用分水岭变换算法从红外热图像中分割避雷器。将避雷器工作状态分类为不同的类别。Dutta等[17]利用基于梯度的边缘检测和Otsu等不同的阈值技术对热点区域进行识别。Jaffery和Dubey[18]开发了电力设备自动监控系统。采用基于阈值和颜色的分割方法对热点区域进行检测。提出从热点区域提取统计特征和几何特征，并利用主成分分析(PCA)对电气故障进行分类。Huda等[19]提出了一种对建筑物内电气设备热像检查的方法，提出将一阶直方图和灰度共生矩阵的统计值用作图像特征。然后利用多层感知器(MLP)神经网络对电气设备的状态进行分类。尹骏刚等[20]运用双奇偶形态梯度的边缘检测算子，在故障识别前对高压瓷质绝缘子串红外图像进行分割，以优化计算复杂度。邹辉等[21]利用K均值算法将电气设备红外图像聚类为五个区域，统计特征器对故障条件进行分类。张浩等[22]采用图像形状特征分析技术，提出了新的模板匹配算法。减少了传统灰度匹配算法的计算量，提高了运算速度，能更快地对电力变压器进行定位识别。邹辉等[23]综合利用可见光和红外图像，通过改进的FAsT-Match算法在电力设备可见光图像中实现多目标定位，利用红外图像和可见光图像之间存在近似仿射变换，求出目标在红外图像中的位置。以上方法虽然能够较为准确的对红外图像进行分析处理，但是对于海量的配电变压器红外图像而言，对其进行分析处理需要大量时间，无法做到对设备的实时监测。近年来，随着人工智能技术的兴起，图像智能分析技术在配电变压器红外图像分析中的应用逐渐增多。1.3深度学习在电力行业中的研究现状传统的目标检测算法精度在2012年被深度神经网络大幅超越，但是传统目标检测中提出的滑动窗口、尺度金字塔等策略被深度学习网络广泛接收并应用，为当前的深度神经网络奠定了坚实的基础，仍然具有较大的学习和研究价值。深度神经网络的发掘，使得目标检测在精度、速度上相比传统的识别算法有了很大提升。基于深度学习的目标检测主要分为twostage的目标检测算法和onestage的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。正是由于两种方法的差异，在性能上也有不同，前者在检测准确率和定位精度上占优，后者在算法速度上占优。twostage的目标检测算法包括的框架主要有RCNN、SPP-net[24]、Fast-RCNN[25]、Faster-RCNN[26]；onestage的目标检测算法包括的框架主要有YOLO系列[27,28]、SSD[29]等。图1-1深度学习的目标检测网络Fig.1-1ObjectdetectionnetworkofDeepLearning随着深度学习成为解决计算机视觉问题主流方法，依靠计算机视觉与深度学习对电力设备进行识别和状态监测成为当前研究热点[30,31]。李连巧等[32]通过YOLO算法对电力设备红外图像进行识别，并利用非线性最小二乘曲线测量电力设备温度信息,但是YOLO算法识别准确率较低。赵洪山等[33]通过霍夫变换与YOLOv2相结合，对变压器套管进行定位、识别。赵文清等[34]通过将SENet注意力机制与FasterRCNN网络相结合，对绝缘子进行精确识别，但检测时间较长，无法满足实时要求。姚万业等[35]通过改进YOLOv3损失函数提高对变压器的识别准确度。吴涛等[36]通过替换YOLOv3的特征提取网络，提高对绝缘子的识别检测速度，完成绝缘子的定位和故障的检测。马鹏等[37]采用迁移学习的方法，通过改进SSD算法对变电站中变压器等电力设备图像进行目标检测。李瑞生等[38]利用SSD目标检测算法对变压器呼吸器进行目标提取，采用HSV特征阈值对呼吸器颜色进行跟踪和提取。上述方法对设备硬件要求较高，且主要针对高分辨率的可见光图像，对于分辨率低、噪声多、背景复杂的电力设备红外图像而言，检测效果有待进一步提升。未来基于深度学习的神经网络主要是在减少数据依赖性，将目前监督学习转向半监督或无监督学习，增强算法的泛化能力，提升模型应用能力[39]。并且目前基于深度学习的识别需要GPU等硬件设备，而针对于轻量级CPU工业环境并不友好，所以需要通过轻量级网络方法，在保证识别精度的基础上减少网络的学习时间。参考文献黄雅罗，黄树红.发电设备状态检修[M].北京.中国电力出版社，2000.谢小鹏.设备状态识别与维修的决策[M].北京.中国石化出版社，2000.M.wang，A.J.Vanderaar，K.D.Srivastava.ReviewofconditionassessmentofPowertransformersinservice[J].IEEEElectricalInsulationMagzine，Volume：18Issue：6，Nov/Dec2002:12-25.任庆帅.红外诊断技术在电力系统状态检修中的应用研究[D].山东大学，2015.戴文远.基于红外热图像的故障诊断方法综述[J].红外,2013，31（2）：16-21.时誉宁.基于红外热成像技术的配电柜故障监测与诊断[D].安徽理工大学,2017.何君霞，李涛.电力设备缺陷红外检测方法及应用[J].自动化技术与应用，2018,37（10）：99-100+104.崔昊杨，许永鹏，曾俊东等.电力设备故障红外现状及发展趋势[J].上海电力学院学报，2013,29（3）：271-275.A.S.NazmulHuda*,SoibTaib.Applicationofinfraredthermographyforpredictive/preventivemaintenanceofthermaldefectinelectricalequipment[J].AppliedThermalEngineering,2013,61(2):220-227.杨洋.电气设备红外诊断分析与处理[D].北京交通大学，2015.冈萨雷斯（美）等著.阮秋琦，阮宇智等译.数字图像处理[M].北京.电子工业出版社，2011.束江，崔昊杨，刘晨斐.改进MSRCR的电力设备图像增强算法研究[J].物联网技术，2017（10）：47-50.崔昊杨，许永鹏，孙岳等.基于自适应遗传算法的变电站红外图像模糊增强[J].高电压技术，2015,41（3）：902-908.李振杰，张卫国，王智杰等.基于隶属度函数的电力设备红外图像模糊增强算法研究[J].电子设计工程，2018,26（18）：96-101.陈基顺，肖立军，万新宇等.复杂环境下电力设备红外热图增强与分割研究[J].红外技术，2018,40（11）：1112-1118.AlmeidaCAL,BragaAP,NascimentoS,etal.Intelligentthermographicdiagnosticappliedtosurgearresters:anewapproach[J].IEEETransactionsonpowerdelivery,2009,24(2):751-757.DuttaT,SilJ,ChottopadhyayP.Conditionmonitoringofelectricalequipmentusingthermalimageprocessing[C]//2016IEEEFirstInternationalConferenceonControl,MeasurementandInstrumentation(CMI).IEEE,2016:311-315.JafferyZA,DubeyAK.Designofearlyfaultdetectiontechniqueforelectricalassetsusinginfraredthermograms[J].Internationaljournalofelectricalpower&energysystems,2014,63:753-759.HudaASN,TaibS,JadinMS,etal.Asemi-automaticapproachforthermographicinspectionofelectricalinstallationswithinbuildings[J].EnergyandBuildings,2012,55:585-591.YinJ,LuY,GongZ,etal.EdgeDetectionofHigh-VoltagePorcelainInsulatorsinInfrared