随着电力系统生产自动化水平的不断提高,越来越多的变电站实现了无人值守运行模式,采用数字图像处理技术对监控图像进行分析与识别,大大提高了无人值守变电站运行的安全性和可靠性。为了实现对变电站监控图像智能识别的任务,采用深度学习技术为解决该问题提供了一个重要的方向。深度学习模仿人脑的视觉机制来学习样本数据之间的内在规律和表示层次,能够深刻表达数据的本质特征,是机器学习领域中一个备受关注的研究方向。卷积神经网络是深度学习模型中最为高效的一种图像识别技术,可以直接将原始图像作为网络的输入,对于识别具有旋转、平移、缩放或者其他扭曲不变形式的物体有很好的鲁棒性。本文在对卷积神经网络进行深入理论研究的基础上,将其应用于变电站监控图像的异常识别中。本文基于线性修正函数和柔性光滑函数的优点,提出了一种使用非线性修正函数作为神经元激励的方法,非线性修正函数不仅具备稀疏表达的能力,而且将大于零的数据进行了非线性映射,加快了网络收敛速度,并且提高了识别准确率;根据矩阵的奇异值分解对于图像的几何失真具有高度不变性的原理,考虑到图像信息的主要能量集中于奇异值中较大的几个,提出一种基于矩阵2-范数的池化方法,它是将卷积层的特征图划分为若干个互不重叠的子块图像,然后分别计算子块图像矩阵的奇异值,将矩阵的最大奇异值作为池化区域统计结果,该方法将图像的能量信息作为下一层网络传播的特征,仿真结果表明该方法具有更高的识别率,可以反映隐含在图像中的能量信息特征;通过构建人员闯入、误入限制或者危险区域的变电站监控图像异常状况的卷积神经网络模型,验证了本文方法的可行性和很好的适应性,对于电网智能化建设有较高的工程应用价值。