红外测温是目前电力系统广泛应用的非接触无损测量手段,可以准确测量电力设备的温度,进而判断设备运行状况。随着智能电网战略的提出与实施,设备的安全稳定运行与人工智能的结合是一个重点的研究方向,作为人工智能的核心技术,深度学习在电气设备故障诊断领域得到了广泛应用。针对发热不明显、温宽狭窄的电压致热型设备红外图像分析的问题,将其与深度学习结合寻找突破口。巡检得到的设备红外图像背景复杂,若采用单一特征如人工特征、绝缘体类别和场景等对设备进行识别及故障诊断,不仅识别率低,而且很难表示故障图像的目标特征。本文提出一种基于深度学习的电压致热型设备红外诊断方法。首先对红外图像进行预处理,采用基于自适应掩模的红外图像滤波方法能很好地去除高斯噪声和椒盐噪声,然后建立基于Centernet的电压致热型设备目标检测模型,得到目标设备的关键区域。在此基础上提取电压致热型设备红外图像的三种典型特征,包括颜色、小波和纹理特征,进而通过串行融合算法将三种不同属性的故障特征进行融合,充分地提取设备红外图像的故障特征,以此代替原始图像作为深度置信网络DBN的输入,然后采用DBN对样本进行学习训练,最后通过训练好的模型对红外图像进行分类,从而完成故障诊断。实验结果表明,相对于支持向量机和传统神经网络方法,采用DBN在电压致热型设备红外诊断中可以取得更好的效果。此外通过MATLAB搭建了故障诊断系统,将文中所提方法嵌入其中,能很好地实现红外诊断。同时将本文提出的以深度学习为基础的红外诊断方法与带电检测、停电检测和解体试验等辅助手段相结合,对电压致热型设备进行进一步的故障诊断。