变电站设备运行的可靠性直接关系到了整个电力系统运行的稳定性,随着红外热成像技术的发展与普及,国网运维部门也广泛应用此技术对变电站设备进行热故障检测,但随着运维部门采集的电气设备红外图像数据量的增加,利用人工对变电设备进行热故障诊断的效率降低。为提高红外巡检效率,针对变电站设备红外图像过多,人工筛查工作量大且热故障诊断效率过低的问题,本文以深度学习区域建议算法Faster R-CNN为研究基础,分析Faster R-CNN算法存在的不足并对其进行改进。首先介绍了变电站内隔离开关、断路器、电流互感器、高压套管、避雷器和电压互感器六类电气设备的结构以及常见热故障成因,并对红外检测技术的应用进行了说明;以国网吉林省某运维部门使用德国Testo红外热像仪采集的变电站设备红外图像作为实验所用数据集,对电气设备红外图像利用软件Labelimg进行标注,将标记好的红外图像样本构建实验数据集。然后针对变电设备由于目标尺寸较小而导致目标识别难度大的问题,本文在原Faster R-CNN算法基础上加入特征金字塔网络FPN对其进行改进,使小尺寸的电气设备检测准确率得到较大的增强,同时选择Res Net-101网络作为改进模型的特征提取网络,与FPN结合在一起,组成残差-特征金字塔网络;对于原算法中兴趣区域池化ROI Pooling,用ROI Align替代;区域建议网络RPN中的区域建议框anchor的生成,通过引入聚类算法k-means++对其加以完善,使改进模型生成的目标预测框更加接近变电设备形状。通过实验对比,改进后的模型比原模型的检测速度每秒高出了5帧,并且改进后的Faster R-CNN模型对变电设备红外图像检测的平均精度m AP、精确率和召回率以及F1分数对比原始Faster R-CNN模型分别高出了2.51%、4.49%、2.13%和0.4,实验结果证明了改进后的模型对于变电设备红外图像的检测速度和平均精度都得到了较大的提升。最后,本文先将改进Faster R-CNN模型对变电设备的分类定位功能和灰度-温度换算公式进行结合,先对输入的红外图像中待识别的变电设备进行分类定位,然后将红外图像中设备区域和异常发热区域进行交并比计算,对交集区域利用灰度化处理方法得到对应的灰度值,根据灰度-温度换算公式计算出图像对应最高温度数值和温度范围,再结合选取的电气设备故障诊断判据得出设备故障情况,本文利用该模型对高压套管、隔离开关和电流互感器的红外图像进行了实例测试,实验结果验证了本文提出的基于改进Faster R-CNN算法目标识别框架的故障诊断方法具有可行性。