摘要
随着变电站智能化、自动化水平的不断提升，传统的人工巡检和故障诊断方法已难以满足现代电力系统安全稳定运行的需求。为实现更高效的自动化巡检和故障诊断，本文将围绕基于深度学习的变电站设备识别与热故障诊断方法展开研究，主要研究内容如下： 首先，针对变电站复杂背景环境下存在噪声干扰，导致变电设备红外成像质量下降、进而影响设备识别准确性的问题，研究了变电设备红外图像预处理算法。在分析变电设备红外图像的成像特征及噪声特点的基础上，研究了均值滤波、中值滤波、高斯滤波以及快速导向滤波等几种去噪算法，并采用这些算法对含噪图像进行去噪实验。实验结果表明，快速导向滤波算法在去噪效果及处理效率上表现更佳，因此更加适用于变电设备红外图像的去噪处理，为后续研究提供高质量的图像数据源。 其次，针对目前变电设备红外图像识别方法中普遍存在检测模型算法复杂而难以部署，特定场景下检测精度低且易漏检、误检，以及训练样本集不平衡的问题，提出了基于LF-YOLOv7的变电设备红外图像识别方法。通过引入轻量化卷积模块对YOLOv7主干网络的模块进行轻量化改进，以提升模型检测速度。同时，为增强设备特征信息表达能力，设计一种特征增强模块，并将其融合到改进的主干网络中。此外，针对数据集样本分布不平衡的问题，采用改进的焦点损失函数优化模型训练过程。在五类典型变电设备的红外图像数据集上进行测试，结果表明，LF-YOLOv7在平均识别精度，检测速度方面要优于EfficientDet、SSD等经典网络模型。 最后，在实现了变电设备识别的基础上，针对传统变电站设备热故障诊断方法效率低的问题，提出一种基于目标检测的变电设备热故障诊断方法。该方法利用目标检测算法对变电设备异常发热区域进行检测和精准定位。通过衡量变电设备目标框与异常发热区域目标框的重叠程度，能够准确判断设备是否存在故障。若存在故障，则依据灰度与温度的映射关系，将检测目标框内的灰度图像转换为温度分布图像。进一步分析温度分布，并结合设备的热故障诊断标准，能够准确评估设备的热故障等级。在包含异常发热样本的数据集上进行测试，结果验证了所提方法在变电站设备红外图像热故障诊断方面的有效性。
NETL