【技术实现步骤摘要】
本专利技术属于电力系统自动化，特别是涉及一种基于深度学习和知识图谱的换流站设备运维方法。
技术介绍
1、换流站作为电力系统中重要的组成部分，其设备的稳定运行对保证电网的可靠性和安全性至关重要。换流站内包括了多种高压电气设备，如变压器、断路器等，这些设备都需要精确和高效的运维管理方式来避免故障带来的严重后果。
2、传统的换流站设备运维方式通常依赖于定期的物理检查和基于经验的预测。这种方式不仅耗时耗力，而且可能因为人为因素和技术限制导致故障诊断不准确。随着设备运行环境的复杂化，传统方法更加难以满足现代电力系统对运维效率和反应速度的高要求。
3、近年来，随着人工智能技术的快速发展，尤其是深度学习在目标检测领域的广泛应用，提供了一种新的解决方案来提高换流站设备的故障检测和诊断准确性。深度学习技术能够通过分析设备运行期间收集的图像和传感器数据，自动识别出潜在的故障模式。然而，仅靠深度学习的诊断结果有时可能缺乏足够的决策支持，特别是在故障处理和预防维护策略的制定上。
4、知识图谱作为一种强大的数据整合和知识管理工具，在很多领域已被证明可以有效支持复杂决策过程。通过构建一个涵盖换流站设备特性、历史故障数据、维护记录以及相关处理策略的知识图谱，可以显著增强故障诊断的上下文理解，提供更加准确和系统的维护建议。
5、因此，急需一种结合深度学习和知识图谱技术的新型运维方法，以解决传统方法中存在的问题，实现对换流站设备的高效、准确和智能化运维。本专利技术正是在此背景下提出，旨在通过技术创新提升换流站的设备
技术实现思路
1、本专利技术的主要目的是提供一种基于深度学习和知识图谱的换流站设备运维方法，通过结合目标检测方法的自动故障识别能力和知识图谱的决策支持功能，有效提升换流站设备的故障检测准确性和运维效率。本专利技术旨在解决传统运维方法中故障诊断时间长、准确率低和决策支持不足的问题，同时降低维护成本，提高设备可靠性和安全性。
2、为实现上述目的，本专利技术采用以下技术方案：
3、本专利技术的一种基于深度学习和知识图谱的换流站设备运维方法，包括以下步骤：
4、1)深度学习目标检测模块：利用深度学习中的目标检测技术来实时监控并自动识别换流站内各种设备的故障。该技术通过分析从摄像头或其他图像采集设备收集的图像数据，能够识别出设备上的异常情况，如过热、磨损或机械故障等。
5、构建目标检测模块包括以下步骤：
6、从现场采集换流站设备故障图像数据,构建换流站设备故障区域目标检测训练及测试数据集。标注故障设备故障区域的目标边框坐标及类别信息，将所述的样本组成故障设备故障区域目标检测数据集，其中随机抽取80％的样本作为训练数据集，20％的样本作为测试数据集。
7、对训练样本集中的每张图片分别进行对比度调整、亮度调整和镜像变换扩充训练样本量。
8、构建基于深度卷积神经网络的设备故障检测网络，包括：
9、为了能够更好的针对设备进行目标检测，我们在yolov8的基础上进行改进，并将其作为我们的目标检测模型，改进部分主要包括在yolov8的backbone部分引入自注意力机制(self-attention mechanism)，可以使网络更加关注于与设备故障相关的特征，提高检测的准确性和鲁棒性。
10、自注意力机制的计算过程可以用以下公式表示：
11、
12、其中，xi表示输入特征图中的每个位置，wq、wk、wv是权重矩阵，d是特征维度,t表示输入序列的长度或者特征图的空间维度。这个公式计算了每个位置的注意力权重，并将注意力加权后的特征进行聚合；
13、其次，在yolov8的neck部分引入特征金字塔网络(feature pyramid network，fpn)。可以使网络在检测换流站设备故障时更加全面地捕捉不同尺度的特征。fpn的计算过程可以用以下公式表示：
14、pi＝conv(ci)+resize(pi+1)
15、其中，pi表示金字塔的每一层特征图，ci表示backbone提取的特征图，conv表示卷积操作，resize表示上一层特征图的上采样操作。这个公式将不同层次的特征图进行融合，得到多尺度的特征金字塔；
16、最后通过引入wiou损失函数进行回归损失的计算，不仅优化了训练流程，还增强了模型对边界框预测的回归性能，从而有效提升了整体检测率。
17、引入wiou损失函数:假设yolov8输出的预测框为真实框为b＝(bx,by,bw,bh)，预测的类别置信度为真实的类别标签为c。我们引入两个权重参数λiou和λconf来平衡iou损失和类别置信度损失。同时，我们引入一个正则化项λreg来限制预测框的大小。
18、交并比iou定义为：
19、
20、wiou损失函数定义为：
21、
22、其中表示类别交叉熵损失函数，表示位置回归损失，λiou、λconf和λreg是损失函数中的权重参数，用于平衡各个损失项的重要性。
23、就此，目标检测模型构建完成。
24、将扩充后的训练样本集作为输入图像输入构建的目标检测网络进行学习训练。
25、将测试数据集输入训练完成的目标检测网络中，得到测试数据集的故障检测结果。将测试数据集输入到深度学习目标检测网络，获得设备故障检测结果。
26、接下来进行模型部署。
27、模型部署包括以下步骤：
28、选择一款兼容usb摄像头。
29、将摄像头连接到一台pc上，在pc上部署模型。
30、安装相应的摄像头驱动
31、下载并安装visual studio。
32、下载安装cmake、opencv和vulkansdk并添加至环境变量。下载opencv4.5.4源码并解压，切换到opencv的根目录下，编译并安装opencv。
33、下载protobuf源码并解压，切换到protobuf的根目录下，编译并安装protobuf。
34、访问ncnn的官网(https://github.com/tencent/ncnn)，从该网址克隆ncnn项目到本地计算机。克隆完成后，进入到ncnn项目的根目录，完成ncnn的编译。
35、将yolov8改进模型转换为适用于ncnn推理的格式。
36、使用摄像头驱动捕获摄像头的图像帧。
37、对捕获到的图像帧进行预处理，比如缩放、归一化等。
38、使用转换后的模型对预处理后的图像帧进行目标检测。
39、对检测到的目标进行后处理。
40、将处理后的结果在图像上进行可视化。
41、将编写好的推理脚本以及模型文件、必要的库文件等上传到pc上。
42、在设备上运行推理脚本，开始对摄像头的实时图像本文档来自技高网...
【技术保护点】
1.一种基于深度学习和知识图谱的换流站设备运维方法，其特征在于，该运维方法包含以下步骤：
2.根据权利要求1所述的运维方法，其特征在于，所述目标检测方法使用基于深度卷积神经网络的目标检测模型来分析监控视频或图像数据，以实现高精度的故障识别和定位；该目标检测模块能够识别出各种类型的设备故障，包括短路、电气火花和机械损坏等，从而为后续的故障处理提供准确的基础信息。
3.根据权利要求1所述的运维方法，其特征在于，所述知识图谱的构建步骤包括对收集到的数据进行实体抽取、关系抽取、属性抽取等；并且可以将收集到的新的故障数据进行处理后添加到现有的图谱中，保持知识图谱的持续更新和优化；该知识图谱能够不断进行更新，从而为故障诊断和决策提供准确、全面的支持。
4.根据权利要求1所述的运维方法，其特征在于，所述故障处理决策包括具体的维护建议、部件更换指导和操作参数调整建议；这些决策基于知识图谱中的数据和关联分析，为运维人员提供具体、可操作的维护指导，以确保设备的快速修复和长期可靠运行。
5.根据权利要求1所述的运维方法，其特征在于，所述模式进一步包括一个
6.根据权利要求1所述的运维方法，其特征在于，所述目标检测技术和知识图谱联合使用的方式，特别适用于那些高风险或关键性能的设备，以提高这些设备的故障处理速度和准确性；这种综合运维模式能够充分利用深度学习的强大特征提取能力和知识图谱的丰富背景知识，为高风险设备的故障诊断和处理提供全面的支持，从而确保电力系统的稳定运行和安全性。
7.一种实现权利要求1所述的运维方法的系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种基于深度学习和知识图谱的换流站设备运维方法，其特征在于，该运维方法包含以下步骤：
2.根据权利要求1所述的运维方法，其特征在于，所述目标检测方法使用基于深度卷积神经网络的目标检测模型来分析监控视频或图像数据，以实现高精度的故障识别和定位；该目标检测模块能够识别出各种类型的设备故障，包括短路、电气火花和机械损坏等，从而为后续的故障处理提供准确的基础信息。
3.根据权利要求1所述的运维方法，其特征在于，所述知识图谱的构建步骤包括对收集到的数据进行实体抽取、关系抽取、属性抽取等；并且可以将收集到的新的故障数据进行处理后添加到现有的图谱中，保持知识图谱的持续更新和优化；该知识图谱能够不断进行更新，从而为故障诊断和决策提供准确、全面的支持。
4.根据权利要求1所述的运维方法，其特征在于，所述故障处理决策包括具体的维...
【专利技术属性】
技术研发人员：杨航，顾文娟，李天贵，刘浩状，高文奇，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。