5行业标准电网设备缺陷智能识别技术规范2023征求意见稿.docx

《5行业标准电网设备缺陷智能识别技术规范2023征求意见稿.docx》由会员分享，可在线阅读，更多相关《5行业标准电网设备缺陷智能识别技术规范2023征求意见稿.docx（29页珍藏版）》请在第一文库网上搜索。

1、ICS27.100F29备案号：D1中华人民共和电力行业标准D1/TXXX202x电网设备缺陷智能识别技术规范Technica1specificationforinte11igentdefectidentificationofpowergridequipment（征求意见稿）2023-XX-XX实施2023-XX-XX发布国家能源局发布目次前言II1范围12规范性引用文件13术语定义14总则25技术框架36图像要求37设备部件样本库38设备缺陷样木库39电力专业知识库410核心算法库411智能识别方式412评价指标4附录A（资料性附录）图像类缺陷智能识别技术框架6附录B（资料性附录）典型的电网

2、设备分类6附录C（资料性附录）设备类图像识别应用要求7附录D（资料性附录）常见环境类识别要素应用要求21附录E（资料性附录）图像标注示例22本标准依据GB/T1.1-2009标准化工作导则第1部份：标准的结构和编写规则起草。本标准由中国电力企业联合会提出。本标准由能源行业电网设备智能巡检标准化技术委员会归口。本标准负责起草单位：广东电网有限责任公司（待补充）本标准参与起草单位：等（排名暂不分先后，名单亦根据贡献度有变化）本标准主要起草人：根据贡献度填写本标准在执行过程中的意见或建议反馈至中国电力企业联合会标准化中心（北京市宣武区白广路二条一号，100761）。电网设备缺陷智能识别技术规范1范围

3、本规范规定了电网设备输电、变电、配电领域的可见光外观和红外发热等图像类缺陷智能识别技术要求。本规范适用于无人机、直升机、机器人、图像监测装置、遥感卫星等智能巡检及人工巡检的电网设备可见光外观、红外发热等图像类缺陷的智能识别。2规范性引用文件下列文件对于本标准的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本标准。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本标准。词汇词汇词汇GB/T527134信息技术GB/T5271.31信息技术GB/T5271.28信息技术第34部分：人工智能第31部分：人工智能第28部分：人工智能神经网络机器学习基本概念与专家系统GB/T

4、32673架空输电线路故障巡视技术导则D1/T1248架空输电线路状态检修导则GB/T35697架空输电线路在线监测装置通用技术规范GB/T35695架空输电线路涉鸟故障防治技术导则CH/Z3001CH/Z3002CH/Z3005CHZT8023CH/T8024D1/T1482D1/T1346D1/T664无人机航摄安全作业基本要求无人机航摄系统技术要求低空数字航空摄影规范机载激光雷达数据处理技术规范机载激光雷达数据获取技术规范架空输电线路无人机巡检作业技术导则直升机激光扫描输电线路作业技术规程带电设备红外诊断应用规范DB11/T384.5DB11/T384.13DB11/T384.10DB1

5、1/T384.6图像信息管理系统技术规范第5部分：图像质量要求与评价方法图像信息管理系统技术规范第13部分：图像信息存储系统图像信息管理系统技术规范第10部分：图像采集点设置要求图像信息管理系统技术规范第6部分：图像存储与回放要求3术语定义3. 1电网设备Powergridequipment用于电能传输的输电、变电、配电设备。可见光外观缺陷Visib1eIightappearancedefect使用可见光数码相机拍摄检测发现的设备外观缺陷。红外发热缺陷Infraredheatingdefect使用红外热成像仪检测发现的设备发热缺陷。目标target图像中待识别的对象，包括正常状态下的电网设备或

6、部件、缺陷状态下的电网设或部件位等。标签IabeI巡检图像中目标分类描述规则。图像标注Imageannotation通过人工或计算机辅助对巡检图像样本匹配标签的过程。标注工具Annotationtoo1图像标注的工具软件，通过该软件进行标注图像，并生成统一格式的标注文件。样本库SampIebase根据需要规范化收集、标注、存储、管理和使用的样本集合。电力专业知识库E1ectricpowerprofessiona1know1edgebase指专家系统设计所应用的电力专业规则集合，包含规则所联系的事实及数据，它们的全体构成知识库。3.10核心算法库Corea1gorithmbase针对某一(或某些

7、)领域问题求解的需要,集中存储、组织、管理和使用的算法模型集合。3. 11正样本PositivesampIe正样本是正确分类出的类别所对应的样本。3.12负样本NegativeSamP1e负样本是任何不是正样本类别所对应的样本。1.1 13准确率Precision准确率即所有检测出来的目标个数，正确检测的占比。准确率计算公式Precision=TP/(TP+FP)o其中TP为被判定为正样本，事实上是正样本；FP为被判定为正样本，事实上是负样本。召回率RecaII召回率即为被正确识别出来的正样本个数与测试集中所有正样本的个数的比值。召回率计算公式ReCa11=TP/(TP+FN)。其中FN为被判

8、定为负样本，事实上是正样本。平均计算时间AVerageCa1cu1ationTime平均计算时间指的是在忽略图像传输时间的前提下，算法模型识别单张图片的平均计算时间。4总则4.1 电网设备缺陷主要包括输电、变电、配电设备本体及其通道环境缺陷。4.2 电网设备缺陷智能识别主要是针对无人机、直升机、机器人、图像监测装置、遥感卫星等智能巡检和人工巡检产生的图像数据，运用人工智能技术，结合电力专业知识库，有机协调数据驱动和模型算法，实现电网设备缺陷智能识别，保障电网安全运行。5技术框架为提升图像类缺陷智能识别效果，宜对巡检采集的数据进行图像预处理，按设备类型建立的设备部件及缺陷样本库，按照电网设备特点

9、建立电力专业知识库，通过集成大量先进的底层核心算法，结合缺陷智能识别要求选择合适的算法组合逻辑，对图像数据样本库进行训练与优化调参，实现对输入的图像类缺陷智能识别。图像类缺陷智能识别技术框架见图Ao6图像要求6.1 可见光图像要求6.1.1 可见光图像分辨率不低于1920X1080,宜使用JPEG格式。6.1.2 识别目标在图像中的像素宜不小于50X50。6.1.3 识别目标原则上无遮挡，若存在小部分遮挡，其遮挡不得超过目标的10%。6.1.4 图像清晰良好，亮度均匀，对比度适中，不含噪声，不应存在斑点、雪花、水波纹、过曝光、欠曝光、模糊不清等现象。6.1.5 图像不应有水印和有其它标识遮挡。

10、6.2 红外图像要求6.2.1 红外图像采集设备要求，测温灵敏度不低于60mK,测温精度不低于2C或2%（取绝对值大者），其他要求符合D1/T664的规定。6.2.2 红外图像分辨率不低于640X480,宜使用JPEG格式。6.2.3 识别目标在图像中的像素宜不小于20X20。6.2.4 识别目标原则上无遮挡，若存在小部分遮挡，其遮挡不得超过目标的10%。6.2.5 图像清晰良好，亮度均匀，对比度适中，不含噪声，不应存在斑点、雪花、水波纹、过曝光、欠曝光、模糊不清等现象。6.2.6 图像不应有水印和有其它标识遮挡。7设备部件样本库7.1 根据电网设备的设备类型、部件、部件种类和部位的从属关系，

11、建立各类输电、变电、配电领域的设备样本库。典型的电网设备分类见附录B。7.2 电网设备部件应按照电网设备分类分级标准化命名。8设备缺陷样本库8.1 根据电网设备的设备类型、部件、部件种类和部位的从属关系，确定各类输电、变电、配电领域典型缺陷种类和缺陷分类分级样本库。8.2 根据图像识别对象不同，可将图像识别应用类别总体分为二类：a）设备类：将图像识别技术应用于设备表计、缺陷的识别，包括可见光、红外测温的识别等。常见设备类识别要素（表计及常见设备缺陷）应用要求见附录CKC2及C3所示。b）环境类：将图像设备技术应用于电力设施外部隐患等环境变化情况的识别，包括外力破坏隐患等。常见环境类识别要素应用

12、要求见附录D所示。8.3 采用标注工具宜以矩形框形式对目标进行标注，标注示例见附录E。8.4 标注文件应与图像文件命名一致，采用XM1格式保存,参考格式见附录F,储存于指定位置标注数据文件夹内。该文件记录对应图像的基本信息和标注的目标信息。9电力专业知识库9.1 为更好解决电网设备目标检测和缺陷识别问题，宜结合电力领域的专业知识，深入研究设备部件与其缺陷的属性、结构、关联、规则、关系和因果，建立电力专业知识库。9.2 在图像智能识别算法中嵌入电力专业知识库，可增强图像的特征表示，有助于区分从属类别之间的细微差异。10核心算法库10.1核心算法库宜包含一系列图像识别算法模型。利用机器学习对目标图

13、像进行图像特征提取，支持识别多种缺陷。10.2算法模型训练宜结合电力专利知识库，根据样本库图像特征选用合适算法框架开展算法模型训练。10.3 算法模型训练，包括图像数据增强、图像切割、算法迭代训练、算法调优等过程。11智能识别方式11.1 根据图像识别应用实效性要求和模型史杂度，图像识别模型应用具体包括：a）前端智能识别：将图像识别模型部署设备端，在设备端直接开展数据处理。此种方式适用于实时性要求高，且模型较为简单的应用。b）站端边缘智能识别：在站端部署图像识别模块（集成式或单台服务器）进行识别，处理后的结果返回站端。此种方式适用于实时性要求高，且模型运算量较大的应用；c）云端智能识别：在云端

14、平台部署图像识别算法模型，将数据传回云端平台，由云端平台统一分析。此种方式适用于业务实时性要求不高，且模型运算量大的应用。11.2 识别结果信息应包括识别算法响应结果和缺陷识别结果。识别算法响应结果包括结果返回码、返回描述、缺陷序号、缺陷置信度、缺陷位置的坐标信息等。缺陷识别结果包括缺陷描述、缺陷部位、缺陷置信度、缺陷级别等。12评价指标12.1图像识别准确率宜不低于80%,召回率宜不低于805准确率、召回率与样本数量有密切关系：a）样本数量大于500张，最高可实现：图像识别准确率不低于65%,召回率不低于70%.b）样本数量大于IOOO张，最高可实现：图像识别准确率不低于75%,召回率不低于

15、75%。c）样本数量大于2000张，最高可实现：图像识别准确率不低于85%,召回率不低于85%od）样本数量大于5000张，最高可实现：图像识别准确率不低于90%,召回率不低于90%。12.2站端边缘识别和云端智能识别的平均计算时间应达到秒级，前端智能识别的平均计算时间应达到亳秒级。附录A（资料性附录）图像类缺陷智能识别技术框架算法迭代图A图像类缺陷智能识别技术框架附录B（资料性附录）典型的电网设备分类SQSMSTTXeMB%:U*电压互助R仪设杼Iii1;跖I_Vt一Mt一好ImMKM4fiMWW图B典型的电网设备分类附录C（资料性附录）设备类图像识别应用要求C1.表计识别序号表计名称1SF6气压表2BD气体密度计3避雷器监测器4主变油温表5本体油位计6室内电压表7室内电流表8主控数字表计9避雷