[發(fā)明專利]一種電網故障檢測方法

有效

• 申請?zhí)枺?/td>: 202110442697.8
• 申請日: 2021-04-23
• 公開（公告）號: CN113139464B
• 公開（公告）日: 2022-11-18
• 發(fā)明（設計）人: 鄒謙;王俊武;張瑋;于衛(wèi)鋒;張秋陽;蔡啟亮;劉昱
• 申請（專利權）人: 國網山東省電力公司青島市即墨區(qū)供電公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 青島華慧澤專利代理事務所(普通合伙) 37247
• 代理人: 劉娜

本發(fā)明公開了一種電網故障檢測方法，包括如下步驟：利用無人機巡航拍攝獲得電網圖像，并將獲得的圖像分為訓練集和測試集；將訓練集的圖像輸入到深度學習的卷積神經網絡模型中，得到網絡分類標簽；將得到的網絡分類標簽輸入到標簽對齊層中，得到與人工標注的標簽同格式的對齊后的網絡分類標簽；計算對齊后的網絡分類標簽與人工標注的標簽的AccLoss損失函數值，并利用所得的AccLoss損失函數值進行反向傳播，不斷調整卷積神經網絡模型的參數，完成卷積神經網絡模型的訓練；將測試集的圖像輸入到訓練后的卷積神經網絡模型中進行測試，得到電網故障分類結果。本發(fā)明所公開的方法在電網故障檢測中可以獲得很高的準確率。

技術領域

本發(fā)明涉及電網檢測技術領域，特別涉及一種電網故障檢測方法。

背景技術

隨著經濟與社會的發(fā)展，電網起到的作用也越來越重要，因此維護電網的供電可靠性是電力運營發(fā)展的首要任務。但隨著人們生活水平的提高，電網的規(guī)模不斷擴大，人工檢測電網成本逐漸升高而且難以實施，如何借助科技的力量實現自動的電網故障檢測就顯得至關重要。而無人機巡航中獲得的圖像就可以作為判斷故障的媒體信息，即將電網故障檢測問題定義為圖像分類問題(故障類與無故障類的二分類問題)。這將會極大提高電網故障檢測的效率以及人工成本。

圖像分類是要解決圖片中是否屬于某類的問題，是人工智能、計算機視覺領域的基礎研究方向。一般說來，物體分類算法通過手工特征或者特征學習方法對整個圖像進行全局描述，然后使用分類器判斷是否屬于某類物體。大多數特征提取過程是人工設計的，但是這些特征與圖像高級主題間還是存在很大的“語義鴻溝”。而深度學習利用設定好的網絡結構，完全從訓練數據中學習圖像的層級結構性特征，能夠提取更加接近圖像高級語義的抽象特征，因此在圖像識別上的表現遠遠超過傳統(tǒng)方法。深度學習是由Hinton等在2006年提出。其中的卷積神經網絡在特征表示上具有極大的優(yōu)越性。因此，如何通過深度學習的方式降低電網巡檢的人力成本并提高故障檢測準確率顯得極為重要。

現有的圖像分類方法都是基于模型結構上的改進，訓練時所用到的損失函數都為交叉熵損失函數。交叉熵損失函數是一個信息論中的概念，原是用來估算平均編碼長度。即給定兩個概率分布p和q，通過q來表示p的交叉熵公式為：如果p和q兩個概率分布差距越大，那么這個損失函數就越大。其中p為已知分布，即圖像的標簽；q為深度學習模型預測結果。交叉熵損失函數是從概率論的角度上度量分類準確率的損失，雖然能夠達到較好的效果，但它始終是誤差函數(即深度學習模型預測正確的樣本總數)的一個近似，很難給予網絡一個正確的優(yōu)化方向。而誤差函數帶有判斷的運算，因此不能直接做訓練和反向傳播。

發(fā)明內容

為解決上述技術問題，本發(fā)明提供了一種電網故障檢測方法，利用一些可反向傳播的運算等效誤差函數，直接用準確率的計算公式進行反向傳播，使得網絡訓練收斂的更快并且能收斂到一個更優(yōu)的解，增強泛化能力，將上述方法運用在電網的故障檢測中，使得電網故障檢測獲得更高的準確率。

為達到上述目的，本發(fā)明的技術方案如下：

一種電網故障檢測方法，包括如下步驟：

(1)利用無人機巡航拍攝獲得電網圖像，并將獲得的圖像分為訓練集和測試集；

(2)將訓練集的圖像輸入到深度學習的卷積神經網絡模型中，得到網絡分類標簽；

(3)將得到的網絡分類標簽輸入到標簽對齊層中，得到與人工標注的標簽同格式的對齊后的網絡分類標簽；所述標簽對齊層對輸入的數據進行最大池化層操作、反最大池化層操作和歸一化最大值位置操作；

(4)計算對齊后的網絡分類標簽與人工標注的標簽的AccLoss損失函數值，并利用所得的AccLoss損失函數值進行反向傳播，不斷調整卷積神經網絡模型的參數，完成卷積神經網絡模型的訓練；AccLoss損失函數值計算公式如下：