一种基于图像快速处理技术的配电网电压异常诊断方法
阅读：186发布：2020-05-08
专利汇可以提供一种基于图像快速处理技术的配电网电压异常诊断方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种基于图像快速处理技术的配 电网 电压 异常诊断方法，包括：步骤1、通过配电网自动化 数据库 获取初始数据；步骤2、对所读取的初始数据格式和类型进行转换获得电压日曲线图像，并分类；步骤3、将class1和class2中的数据分为训练集、验证集和测试集；步骤4、利用 深度学习 的VGG16网络对于处理之后的电压日曲线图像进行特征提取；步骤5、用训练集和验证集中的数据结合深度学习神经网络模型对进行数据训练和模型参数优化，将训练后的数据进行整合；步骤6、将训练好的模型进行保存；输入待检测电压日曲线图像，通过训练好的模型进行特征提取，并映射到分类空间，判断图像类别；输出测试 精度 。本发明方法能够快速、准确的进行电压数据的处理。，下面是一种基于图像快速处理技术的配电网电压异常诊断方法专利的具体信息内容。
1.一种基于图像快速处理技术的配电网电压异常诊断方法，其特征在于，包括以下步骤：
步骤1、通过配电网自动化数据库获取初始数据；
步骤2、对所读取的初始数据格式和类型进行转换获得电压日曲线图像，并对电压的状态进行分类；将电压曲线图像分为class1和class2两类，class1中为电压过高的数据，class2中为电压过低的数据；
步骤3、将class1和class2中的数据分为训练集、验证集和测试集，训练集中的数据为模型的训练提供数据输入，验证集数据用来调整分类器参数；
步骤4、利用深度学习的VGG16网络对于处理之后的电压日曲线图像进行特征提取，然后将这些特征输入电压分类器，开始训练；
步骤5、用训练集和验证集中的数据结合深度学习神经网络模型对步骤2中预处理过的数据进行数据训练和模型参数优化，将训练后的数据进行整合；
步骤6、将训练好的模型进行保存；输入待检测电压日曲线图像，通过训练好的模型进行特征提取，并映射到分类空间，判断图像类别；输出测试精度。
2.根据权利要求1所述的一种基于图像快速处理技术的配电网电压异常诊断方法，其特征在于，步骤1中采集的初始数据包含了瞬时有功功率、无功功率、三相电流、三相电压和总功率因数数据；在每天的数据测量中，每隔十五分钟得到一个测量值。
3.根据权利要求1所述的一种基于图像快速处理技术的配电网电压异常诊断方法，其特征在于，步骤2中，首先将所收集到的初始数据判断出每日的电压数据，提取出同一天的电压数据，将同一天的A相电压绘制成一张曲线图像，转换成JPG文件；只选取每日测量电压达到96个值的日期作为样本数据，转换后的电压日曲线图像中将横坐标和纵坐标标识全部隐藏，只将电压图像取出来做为模型输入数据图像；电压的状态分类方法是识别每日的电压最大值，每日的电压最大值大于或等于235V，将其归为class 1，每日的电压最大值小于或等于230V，将其归为class 2。
一种基于图像快速处理技术的配电网电压异常诊断方法
技术领域
背景技术
[0002] 如今电力系统庞大的数据信息量也在朝着可视化方向发展，为了方便对电力系统运行进行监控和预测，人们将电力系统中的庞大数据转换成直观的图形和图像形式进行分析和研究。但仅靠传统的电力技术对电网的运行进行监测和维护是需要大量的人力资源的。
[0003] 传统的电压异常检测方法为了实时监控电力系统的运行状态，对电力系统的运行状态做出及时调整，通常需要进行大量而快速的潮流计算，这不仅耗费大量的人力和时间，面对海量的配电网电力数据时普遍面临着运算时间长、统计分析功能不全以及数据可视化效果不理想等问题。
[0004] 为了确保配电网运行的安全可靠，其电压问题必须得到有效地诊断和治理，而配电网电压易受到负荷波动或分布式电源接入及电压无功控制设备动作影响而发生异常波动，但中低压配电网节点众多，现有方法无法实时判断并搜索异常电压节点，而错过及时发现异常并治理的时机，从而影响了供电服务质量。
[0005] 因此，实有必要提供一种诊断方法，以快速、准确的进行电压数据的处理，进而快速、准确的识别电压问题，并针对所找到的电压问题及时调整，保证电网运行的安全性和可靠性。
发明内容
[0006] 本发明的目的在于提供一种基于图像快速处理技术的配电网电压异常诊断方法，以解决上述技术问题。
[0007] 为了实现上述目的，本发明采用如下技术方案：
[0008] 一种基于图像快速处理技术的配电网电压异常诊断方法，包括以下步骤：
[0009] 步骤1、通过配电网自动化数据库获取初始数据；
[0010] 步骤2、对所读取的初始数据格式和类型进行转换获得电压日曲线图像，并对电压的状态进行分类；将电压曲线图像分为class1和class2两类，class1中为电压过高的数据，class2中为电压过低的数据；
[0011] 步骤3、将class1和class2中的数据分为训练集、验证集和测试集，训练集中的数据为模型的训练提供数据输入，验证集数据用来调整分类器参数；
[0012] 步骤4、利用深度学习的VGG16网络对于处理之后的电压日曲线图像进行特征提取，然后将这些特征输入电压分类器，开始训练；
[0013] 步骤5、用训练集和验证集中的数据结合深度学习神经网络模型对步骤2中预处理过的数据进行数据训练和模型参数优化，将训练后的数据进行整合；
[0014] 步骤6、将训练好的模型进行保存；输入待检测电压日曲线图像，通过训练好的模型进行特征提取，并映射到分类空间，判断图像类别；输出测试精度。
[0016] 进一步的，步骤2中，首先将所收集到的初始数据判断出每日的电压数据，提取出同一天的电压数据，将同一天的A相电压绘制成一张曲线图像，转换成JPG文件；只选取每日测量电压达到96个值的日期作为样本数据，转换后的电压日曲线图像中将横坐标和纵坐标标识全部隐藏，只将电压图像取出来做为模型输入数据图像；电压的状态分类方法是识别每日的电压最大值，每日的电压最大值大于或等于235V，将其归为class 1，每日的电压最大值小于或等于230V，将其归为class 2。
[0017] 相对于现有技术，本发明具有以下有益效果：
[0018] 本发明利用深度学习的卷积神经网络算法对电压数据进行大量的训练，自动提取电压图像波形的特征，最终根据网络末端的分类器完成对电压波形图像的识别任务。本发明训练模型结束之后，再用测试集中的数据对模型的性能进行测试，在程序中运行结果显示本发明中所采用的深度学习的模型具有85.08％的测试精度，验证了模型的性能，其测试精度和训练精度都达到期望值。附图说明
[0020] 图1为本发明一种基于图像快速处理技术的配电网电压异常诊断方法的流程图；
[0021] 图2为电压提取及格式转换流程图；
[0022] 图3为电压曲线图；
[0023] 图4为VGG16网络构架图；
[0024] 图5为利用VGG16深度学习模型定义并构建密集连接分类器过程图；
[0025] 图6为训练精度和验证精度示意图。
具体实施方式
[0026] 下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0027] 以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
[0028] 请参阅图1所示，本发明提供一种基于图像快速处理技术的配电网电压异常诊断方法，包括以下步骤：
[0029] 步骤1、通过配电网自动化数据库获取初始数据，对数据库中存储的海量数据进行有针对性的读取和选择；
[0030] 步骤2、对所读取的初始数据格式和类型进行转换获得电压日曲线图像，以及对电压的状态进行分类，将电压曲线图像分为class1和class2两类，class1中为电压过高的数据，class2中为电压过低的数据；
[0031] 步骤3、将class1和class2中的数据分为训练集、验证集和测试集，训练集中的数据为模型的训练提供数据输入，验证集数据用来调整分类器参数；
[0032] 步骤4、利用深度学习的VGG16网络对处理之后的电压日曲线图像进行特征提取，然后将这些特征输入一个电压分类器，开始训练；
[0033] 步骤5、用训练集和验证集中的数据结合深度学习神经网络模型对步骤2中预处理过的数据进行模型训练和模型参数优化，将训练后的数据进行整合；
[0034] 步骤6、将训练的模型进行保存，利用测试集中的数据检验最终选择最优的模型的性能如何，从而输出测试结果
[0035] 针对配电网电压问题的诊断，本发明提供一种基于图像快速处理技术的配电网电压异常诊断方法，利用深度学习的预训练网络VGG16网络对已经分类完毕的电压数据进行大量的训练，自动提取电压图像波形的特征，最终在网络末端添加并训练自定义的电压图像密集连接分类器，从而完成对电压波形图像的识别任务。
[0036] 模型的训练步骤如下所示：初始化模型，在对导入VGG16网络时加载预训练权重，即weights＝’imagenet’；输入训练样本，对于输入网络的图像张量形状，设置为(150，150，3)，否则则为随机初始化，网络模型可处理任何形状的图像；用卷积层初始化参数提取输入图像特征，卷积层对前一层的输出进行卷积运算，经过激活函数后得到本层的输出特征图；
第一段卷积层卷积计算后生成64维特征图，然后进行一次池化操作，得到第一段池化层特征图，该图将作为第二段卷积层的输入图像，以此类推；池化层对卷积层的输出特征图进行整合处理，降低图像的维度同时使图像保持平移不变性；将形状为(8192，1)的一维向量与全连接层进行全连接构建分类空间并更新参数；训练结束之后保存模型及参数权重。模型的测试步骤为：输入测试图片，用保存好的模型进行特征提取，并映射到分类空间；判断图像类别；输出测试精度。
第一段卷积层卷积计算后生成64维特征图，然后进行一次池化操作，得到第一段池化层特征图，该图将作为第二段卷积层的输入图像，以此类推；池化层对卷积层的输出特征图进行整合处理，降低图像的维度同时使图像保持平移不变性；将形状为(8192，1)的一维向量与全连接层进行全连接构建分类空间并更新参数；训练结束之后保存模型及参数权重。模型的测试步骤为：输入测试图片，用保存好的模型进行特征提取，并映射到分类空间；判断图像类别；输出测试精度。
[0037] 该方法能够自动从底层样本数据中学习特征并且进行分类动作，同时还保证了样本数据信息的完整性，并且提升了电压问题识别的准确性和快速性。
[0038] 步骤1中，通过配电网自动化数据库获取初始数据：采用了台区13个公变一年的数据，这些数据以csv(逗号分隔值)格式保存，初始数据包含了瞬时有功功率、无功功率、三相电流、三相电压和总功率因数数据，在每天的数据测量中，每隔十五分钟就会得到一个测量值，本发明选取A相电压数据对于所采用的深度学习算法模型进行训练和测试。
[0039] 步骤2中，首先将所收集到的初始数据判断出每日的电压数据，提取出同一天的电压数据，将同一天的A相电压绘制成一张曲线图像，转换成JPG文件。因为所用到的电压数据都来自于真实的数据，所以电压数据中可能存在一些缺失值，为了减少实验数据的误差，只选取每日测量电压达到96个值(即满足每15分钟测量一个点)的日期作为样本数据，转换后的电压日曲线图像中将横坐标和纵坐标标识全部隐藏，只将电压图像取出来做为模型输入数据图像。电压的状态分类方法是编写程序识别每日的电压最大值，每日的电压最大值大于或等于235V，将其归为class 1，每日的电压最大值小于或等于230V，将其归为class 2，在本发明中，处于230-235之间的数据认为是正常数据，不在高低电压考虑范围之内。根据状态分类结果可以得到class 1中共有3387张电压日曲线图像，class 2共有339张电压日曲线图像。
[0040] 步骤3中使用VGG16网络的卷积基从电压日曲线图像中提取出不同电压值的对应曲线特征，在这些特征上训练一个电压分类器。训练过程包括用卷积层初始化参数提取输入图像特征、卷积层输出到激活函数中、池化层对激活函数的输出进行采样、经过池化层得到特征图、然后战平为一维向量与全连接层进行全连接，构建分类空间并更新参数，最后保存模型以及参数权重。VGG16模型从keras.applications模块中导入，在导入VGG16模型的过程中，本发明中所使用的不需要包含它原有的密集连接分类器，只需要使用只含有class 1和class 2这两个类别的电压密集连接分类器，通过调用predict方法(在conv_base模型中)对输入算法模型的图像使用数据增强的特征提取，使用数据增强的特征提取就是在VGG16的卷积基顶层添加Dense层来扩展conv_base模型。这种方法计算速度慢，代价高，在本发明运行的过程中，花费了近乎一整天的时间才将这一部分的程序运行结束，但可以在训练期间使用数据增强。所提取出的特征形状为(samples，4,4,512)，可以理解为最后的输出是一个4*4的矩阵，其中各个矩阵的每个元素是含有512个值的向量，作为特征提取的补充，模型微调会让模型学习到的参数与所研究的问题更加相关，模型微调选用RMSProp优化器来实现，RMSProp优化器学习率小，既能保证对模型进行微调，并且不会对之前学习到的表示构成破坏。在将特征形状输入到密集连接分类器之前，先将其展平为(samples，8192)，在电压密集连接分类器中，两个dense层的激活函数分别为relu和sigmiod，在定义好密集分类器之后，开始训练。训练过程中的训练精度和验证精度以图像的形式绘制出以便观察在训练过程中精度的变化。最后通过测试集中的数据对模型的性能进行测试，得到一个最终的测试精度。
[0041] 本发明利用预训练的卷积神经网络VGG16网络对电压曲线图像进行特征提取和分类，在整个过程中，包括了原始数据格式转换、数据预处理、电压状态的分类、模型的初始化调参、模型的训练和验证以及模型的测试。
[0042] 请参阅图2所示，电压提取及格式转换具体包括：
[0043] 首先，读取台区所有公变一年的初始数据，初始数据以csv(逗号分隔值)格式保存；初始数据中包含了瞬时有功功率、无功功率、三相电流、三相电压和总功率因数数据；然后从初始数据中读取日期栏和A相电压栏数据，将同一天的电压保存到同一列表中，变将同一天的电压值数量达到96个的电压值数据绘制二值图像，横坐标设置为0-95，为电压值数量，纵坐标设置为200-300，为电压数值；然后将坐标轴显示设置为关，并保存图片，获得JPG文件；如此，将同一天的A相电压绘制成一张曲线图像。因为所有的电压数据都来自于真实的数据，所以电压数据中可能存在一些缺失值，为了减少实验数据的误差，只选取每日测量电压达到96个值的日期作为样本数据，转换后的电压日曲线图像中将横坐标和纵坐标标识全部隐藏，只将电压图像取出来做为本发明模型输入数据图像，最终输入深度学习模型的数据如图3所示。
[0044] 卷积神经网络具有强大的学习特征与分类能力，目前为止，它是使用在计算机视觉任务中最为广泛的一种深度学习模型。VGG16网络的结构如图4所示。
[0045] 步骤3中，使用VGG16网络的卷积基可以从电压日曲线图像中提取出特征，在这些特征上训练一个电压分类器。本发明中的利用VGG16深度学习模型定义并构建密集连接分类器过程如图5所示，具体包括：
[0046] 导入CGG16网络模块，并加载使用Imagenet预训练的参数，通过os.path.join命令读取训练集、验证集和测试集中的数据；调用conv_base模型的pridect方法对电压图像进行提取特征；定义密集连接分类器，其中添加Dropout(0.5)降低过拟合，根据数据类别蛇形dense层的激活函数为sigmoid。
[0047] 经过上述步骤之后，电压问题识别模型构建完成，接下来需要训练网络，卷积神经网络模型训练实际上就是一个参数自动更新的过程，在编译和训练模型之前，为了使卷积基在之前学习到的表示不被破坏，需要将卷积基冻结，即保持冻结层权重在训练过程中不被改变。设置冻结之后，在模型的训练过程中，只会对自己添加的dense层的权重参数会被不断地训练和更新，最后保存最终的模型和参数，训练过程中的训练精度和验证精度如图6所示。
[0048] 图6是训练过程中使用数据增强的特征提取的训练精度和验证精度的平滑后曲线，模型性能得到验证，图中展示的是损失的平均值，影响精度的并不是平均值，而是损失值的分布，所以从损失曲线中看不出模型的性能。
[0049] 训练模型结束之后，再用测试集中的数据对模型的性能进行测试，在程序中运行结果显示本发明中所采用的深度学习的模型具有85.08％的测试精度，验证了模型的性能，其测试精度和训练精度都达到期望值。
[0050] 由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种断路器缺陷识别方法 | 2020-05-08 | 303 |
| 一种电厂设备管理平台系统及设备管理方法 | 2020-05-11 | 735 |
| 可迭代更新的心电图分析系统 | 2020-05-08 | 504 |
| 医学影像人工智能辅助诊断系统与PACS的交互方法与装置 | 2020-05-08 | 539 |
| 基于改进的MobileNet网络对乳腺癌进行分类的方法 | 2020-05-08 | 419 |
| 一种PFC母线异常的诊断和校正恢复电路及方法 | 2020-05-08 | 841 |
| 一种带自诊断的数字量采集电路 | 2020-05-08 | 378 |
| 一种高压隔离开关机械故障诊断装置 | 2020-05-08 | 537 |
| 三孔细胞培养板装置 | 2020-05-08 | 335 |
| 一种基于贴标机的CCD视觉定位装置 | 2020-05-08 | 218 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
自诊断热门专利
QQ群二维码
意见反馈
意见反馈