本發(fā)明涉及電力設備智能維護領域，尤其是面向電力設備運行中的多源輸入故障辨識與推理技術。

背景技術：

1、電力設備運行故障辨識與推理系統(tǒng)是設計用來確保電力系統(tǒng)的穩(wěn)定性和可靠性的關鍵技術，涉及電力系統(tǒng)的全面分析以及實時監(jiān)控。該系統(tǒng)主要通過集成多種技術手段實現(xiàn)故障的快速檢測、準確識別和有效定位。傳統(tǒng)的方法是用傳感器對電流、電壓、頻率等關鍵運行參數(shù)進行持續(xù)監(jiān)視，以便及時發(fā)現(xiàn)和響應電網中的任何異常情況。但傳統(tǒng)方法往往檢測結果不夠準確且及時。

技術實現(xiàn)思路

1、發(fā)明目的：為了解決上述問題，本技術采用傳感器數(shù)據(jù)、音頻數(shù)據(jù)和視頻數(shù)據(jù)作為辨識輸入，并將辨識與推理計算放在現(xiàn)場邊緣計算機上運行，以避免辨識信息傳輸?shù)难訒r。

2、技術方案：一種電力設備運行故障辨識與推理方法，包括以下步驟：

3、獲取歷史設備傳感器數(shù)據(jù)、歷史音頻數(shù)據(jù)和歷史視頻數(shù)據(jù)，并分別進行預處理后得到數(shù)字化特征；

4、所述數(shù)字化特征作為輸入，對輸入按劃分的時間段分類，采用深度置信網絡進行模型訓練，確診的故障類型作為輸出，訓練后得到若干模型；

5、將實時設備傳感器數(shù)據(jù)、實時音頻數(shù)據(jù)和實時視頻數(shù)據(jù)預處理后輸入所述若干模型，得到若干故障辨識結果；如若干故障辨識結果一致，則可得到確定的故障信息，如若干故障辨識結果不一致，則通過貝葉斯推理得到故障辨識結果中每一種故障出現(xiàn)的概率。

6、進一步的，對歷史設備傳感器數(shù)據(jù)進行預處理包括：對歷史設備傳感器數(shù)據(jù)進行歸一化處理，并按劃分的時間段分類，所述歸一化處理方法：

7、歸一值＝(采樣值–傳感器量程最小值)/(傳感器量程最大值–傳感器量程最小值)

8、歸一化后得到一個多維的測量值向量。

9、進一步的，對歷史音頻數(shù)據(jù)進行預處理包括：對于歷史音頻數(shù)據(jù)進行數(shù)字化特征提取，并按劃分的時間段分類，所述數(shù)字化特征提取方法如下：

10、對現(xiàn)場麥克風錄取的聲音進行無損壓縮壓縮，得到音頻文件；

11、對音頻文件提取其梅爾頻率倒譜系數(shù)作為特征表達向量。

12、進一步的，對歷史視頻數(shù)據(jù)進行預處理包括：對于歷史視頻數(shù)據(jù)進行數(shù)字化特征提取，并按劃分的時間段分類，所述數(shù)字化特征提取方法如下：

13、將視頻流，按照均勻的時間間隔提取其圖像幀，對所有的圖像幀進行顏色特征和紋理特征提取；

14、采用顏色聚合向量法對圖像進行顏色特征提取：采用固定閾值法對顏色區(qū)間進行連通區(qū)域分析，計算每一個像素點與顏色區(qū)間典型rgb值的差值均方根，小于固定閾值則為顏色區(qū)間對應的聚合像素，反之為非聚合像素，得到如下聚合向量：

15、{顏色區(qū)間n＝1……16(r,g,b),(聚合像素數(shù)量,非聚合像素的數(shù)量)}

16、采用灰度二進制值方法對圖像進行紋理特征提取：采用平均法將圖像進行灰度轉換：gray＝(r+g+b)/3；針對劃分的顏色區(qū)間，選取與顏色區(qū)間典型rgb值最接近的像素點，計算其局部二進制值，組成一個多維的向量并進行歸一化。

17、進一步的，所述如若干故障辨識結果不一致，則通過貝葉斯推理得到每一種故障出現(xiàn)的概率，具體為：

18、根據(jù)歷史數(shù)據(jù)得到定義的不同故障模式在所有故障次數(shù)中出現(xiàn)的概率，得到故障基礎總概率以及故障誤辨識的概率；

19、設置若干故障辨識結果的識別權重，得到故障辨識準確率；

20、根據(jù)貝葉斯推理公式：

21、推理結果＝故障辨識準確率*故障誤辨識概率/故障基礎總概率

22、得到最終的結果。

23、一種電力設備運行故障辨識與推理系統(tǒng)，包括：數(shù)據(jù)采集模塊和數(shù)據(jù)處理模塊，所述數(shù)據(jù)采集模塊包括電網設備傳感器、電網現(xiàn)場錄音機、電網現(xiàn)場監(jiān)控攝像頭；所述數(shù)據(jù)處理模塊包括電網現(xiàn)場邊緣計算機；

24、在數(shù)據(jù)采集模塊中獲取歷史設備傳感器數(shù)據(jù)、歷史音頻數(shù)據(jù)和歷史視頻數(shù)據(jù)以及實時設備傳感器數(shù)據(jù)、實時音頻數(shù)據(jù)和實時視頻數(shù)據(jù)，用于數(shù)據(jù)處理模塊使用；

25、數(shù)據(jù)處理模塊獲取歷史設備傳感器數(shù)據(jù)、歷史音頻數(shù)據(jù)和歷史視頻數(shù)據(jù)，并分別進行預處理后得到數(shù)字化特征；所述數(shù)字化特征作為輸入，對輸入按劃分的時間段分類，采用深度置信網絡進行模型訓練，確診的故障類型作為輸出，訓練后得到若干模型；將實時設備傳感器數(shù)據(jù)、實時音頻數(shù)據(jù)和實時視頻數(shù)據(jù)預處理后輸入所述若干模型，得到若干故障辨識結果；如若干故障辨識結果一致，則可得到確定的故障信息，如若干故障辨識結果不一致，則通過貝葉斯推理得到故障辨識結果中每一種故障出現(xiàn)的概率。

26、進一步的，對歷史設備傳感器數(shù)據(jù)進行預處理包括：對歷史設備傳感器數(shù)據(jù)進行歸一化處理，并按劃分的時間段分類，所述歸一化處理方法：

27、歸一值＝(采樣值–傳感器量程最小值)/(傳感器量程最大值–傳感器量程最小值)

28、歸一化后得到一個多維的測量值向量。

29、進一步的，對歷史音頻數(shù)據(jù)進行預處理包括：對于歷史音頻數(shù)據(jù)進行數(shù)字化特征提取，并按劃分的時間段分類，所述數(shù)字化特征提取方法如下：

30、對現(xiàn)場麥克風錄取的聲音進行無損壓縮壓縮，得到音頻文件；

31、對音頻文件提取其梅爾頻率倒譜系數(shù)作為特征表達向量。

32、進一步的，對歷史視頻數(shù)據(jù)進行預處理包括：對于歷史視頻數(shù)據(jù)進行數(shù)字化特征提取，并按劃分的時間段分類，所述數(shù)字化特征提取方法如下：

33、將視頻流，按照均勻的時間間隔提取其圖像幀，對所有的圖像幀進行顏色特征和紋理特征提?。?/p>

34、采用顏色聚合向量法對圖像進行顏色特征提?。翰捎霉潭ㄩ撝捣▽︻伾珔^(qū)間進行連通區(qū)域分析，計算每一個像素點與顏色區(qū)間典型rgb值的差值均方根，小于固定閾值則為顏色區(qū)間對應的聚合像素，反之為非聚合像素，得到如下聚合向量：

35、{顏色區(qū)間n＝1……16(r,g,b),(聚合像素數(shù)量,非聚合像素的數(shù)量)}

36、采用灰度二進制值方法對圖像進行紋理特征提取：采用平均法將圖像進行灰度轉換：gray＝(r+g+b)/3；針對劃分的顏色區(qū)間，選取與顏色區(qū)間典型rgb值最接近的像素點，計算其局部二進制值，組成一個多維的向量并進行歸一化。

37、進一步的，所述如若干故障辨識結果不一致，則通過貝葉斯推理得到每一種故障出現(xiàn)的概率，具體為：

38、根據(jù)歷史數(shù)據(jù)得到定義的不同故障模式在所有故障次數(shù)中出現(xiàn)的概率，得到故障基礎總概率以及故障誤辨識的概率；

39、設置若干故障辨識結果的識別權重，得到故障辨識準確率；

40、根據(jù)貝葉斯推理公式：

41、推理結果＝故障辨識準確率*故障誤辨識概率/故障基礎總概率

42、得到最終的結果。

43、一種計算設備，包括：一個或多個處理器、一個或多個存儲器以及一個或多個程序，其中一個或多個程序存儲在所述一個或多個存儲器中并被配置為由所述一個或多個處理器執(zhí)行，所述一個或多個程序包括用于執(zhí)行一種電力設備運行故障辨識與推理方法的指令。

44、一種存儲一個或多個程序的計算機可讀存儲介質，所述一個或多個程序包括指令，所述指令當由計算設備執(zhí)行時，使得所述計算設備執(zhí)行一種電力設備運行故障辨識與推理方法。

45、有益效果：本技術利用電網設備傳感器數(shù)據(jù)、電網現(xiàn)場視頻畫面和現(xiàn)場聲音信息進行多源輸入的故障辨識。利用深度置信網絡模型和貝葉斯推理，學習故障的復雜模式，通過這種方式，能夠提高故障檢測的精度，極大地提升了電力系統(tǒng)的安全性和可靠性。