CN113920080A - 一种基于生成对抗网络的电网故障定位方法 - Google Patents

Abstract

本发明公开了一种基于生成对抗网络的电网故障定位方法，包括如下步骤：S1、获电网线路上的电缆故障数据集，对电缆故障数据集进行预处理，将电缆故障数据集分为测试集Tx以及训练集Td；S2、建立生成对抗网络结构；S3、通过特征提取网络H对训练集Td的分割特征进行提取；S4将分割特征分别输入到鉴别网络D中进行特征对比；基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡；S5、将测试集Tx输入到训练好的生成对抗网络中进行故障定位检测。通过训练后的生成对抗网络对电网线路中的电缆故障点进行检测，检测结果更加快速、准确，有效提高了电网电缆故障点定位效率及可靠性。

Description

一种基于生成对抗网络的电网故障定位方法

技术领域

本发明涉及故障定位技术领域，具体的，涉及一种基于生成对抗网络的电网故障定位方法。

背景技术

生成对抗网络GAN是一种生成对抗模型，受到博弈论影响，模型通常由一个生成器和一个鉴别器构成。生成器捕获真实数据的潜在分布，并且生成新的数据样本；鉴别器是二分器，鉴别输入数据为真实数据还是由生成器生成的样本。生成器和鉴别器网络结构均为卷积神经网络。生成对抗网络涉及数据分析领域，将真实数据作为生成对抗网络输入，生成网络输出分析结果。分析结果的真实性决定了生成对抗网络的性能与否。电网故障检测是在故障拓扑数据中进行电网故障点的识别，其中故障点的选取根据实际情况限定。故障检测模型方法一般分为三类：无监督故障检测、监督故障检测和半监督故障检测，通常选择监督异常检测方法，训练得到输出分析结果中具体故障定位策略的模型；传统故障检测模型结构均为单一一体化的卷积网络，并不涉及生成对抗网络中存在两个互相对抗的网络结构，导致故障点的查找存在一定困难。

发明内容

本发明的目的是解决射频电路的设计过程中采用有源晶振成本较高、在保证RFIC原有射频性能参数前提下尽量缩小射频模块的体积并实现频率偏差校正的问题，提出了一种射频信号频率自动校准电路及其控制方法，能够较低成本、较高效率前提条件下实现射频信号频率校准。

为实现上述技术目的，本发明提供的一种技术方案是，一种基于生成对抗网络的电网故障定位方法，包括如下步骤：

S1、获电网线路上的电缆故障数据集，并构建表征电网线路上的电缆故障拓扑结构N＝[J1，J2，…，Jn]，其中，n为电缆故障点的节点编号，对电缆故障数据集进行预处理，将电缆故障数据集分为测试集Tx以及训练集Td；

S2、构建生成对抗网络结构，生成对抗网络结构包括有生成网络G、鉴别网络D以及特征提取网络H；其中，生成网络G，结构中包含卷积层、反卷积层、LR层以及B层；鉴别网络D，结构中包含卷积层、LR层以及B层；

S3、通过特征提取网络H对训练集Td的分割特征进行提取；获取红色绝缘胶带的像素个数、黑色保护层的尺寸以及裸露线缆的像素个数；

S4将分割特征分别输入到鉴别网络D中进行特征对比；基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡；

S5、将测试集Tx输入到训练好的生成对抗网络中进行故障定位检测。

本方案中，选取电网线路中的电缆作为检测对象，对电网全域的电缆接头图像数据进行采集，制成电缆故障拓扑结构，生成电缆故障数据集，对电缆故障数据集进行图像预处理后，作为生成对抗网络的输入，基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡，训练后得到用于电网故障定位的生成对抗网络，通过训练后的生成对抗网络对电网线路中的电缆故障点检测结果更加快速、准确，有效提高了电网电缆故障点定位效率及可靠性。

作为优选，S1中，对电缆故障数据集进行预处理包括如下步骤：

采集电网线路上个各检测点的电缆图片数据，使用YOLOV5目标检测算法对获取到的图片进行目标识别，识别出图片中的电缆；使用labelme工具对图片中的电缆进行标注；

根据电缆检测框位置，将电缆从图片中截取出来生成图片数据集。

作为优选，所述特征提取网络H中，使用UNet分割网络模型将图片数据集中对应的电缆特征分割出来；采用的Mobilenet-V2网络作为UNet分割网络模的主干网络；根据形态学运算方法获取红色绝缘胶带的像素个数、黑色保护层的尺寸以及裸露线缆的像素个数。

作为优选，UNet分割网络模型包含编码器和解码器，其中：

编码器是负责特征提取，将图像进行四次下采样后缩小原图对原图中的特征充分提取与压缩；解码器负责图像的上采样，将提取出的特征进行四次上采样，每上采样一次就和编码器部分对应的通道数相同尺度融合，最终将特征还原成原图尺寸大小，最后所得即是分割后的图片；对截取的电缆图片进行图像预处理，将图像改为统一尺寸，预处理后的图片作为UNet分割网络模型中输入，经过下采样和上采样，最终得到固定尺寸的分割图。

作为优选，S4中，训练集Td经过特征提取网络H预处理后提取图像特征数据，图像特征数据作为鉴别网络D的输入，鉴别网络D输出关于故障图像的第一真假可能性Pf/r和网络中间层特征参数fmf/r＝[fm0,fm1,fm2]，以保证网络训练可靠性；

生成对抗网络训练过程中，生成网络G根据原始训练集Td生成根据标注信息对应的故障点Nfm，输入故障点Nfm到鉴别网络D，输出关于故障点Nfm的故障可能性Pf；输入判别故障节点Jn到鉴别网络D中，输出关于判别故障节点Jn的真实可能性Pr和真实特征参数fmr＝[fm0,fm1,fm2]；并及时更新鉴别网络D的鉴别网络参数；

鉴别网络D更新完成后，再一次输入故障点Nfm到鉴别网络D，输出关于故障点Nfm的故障可能性Pf和故障特征参数fmf＝[fm0,fm1,fm2]；获取得到真实的故障特征参数，立即更新生成网络G的生成网络参数。

作为优选，更新鉴别网络D的鉴别网络参数公式如下：

lD＝-(log(1-Pf)+log(Pr))。

作为优选，更新生成网络G的生成网络参数公式如下：

lG＝-log(Pf)+Average((fmf-fmr)2)，

其中，Average为计算均值。

作为优选，黑色保护层的尺寸计算包括如下步骤：

计算黑色保护层的外接最小矩形框，得到黑色保护层矩形框的长边和短边，

计算裸露电缆区域的最初外接矩形A，并记录矩形的面积S；

通过旋转公式计算以角度θ旋转电缆裸露区域的点簇；计算旋转之后点簇的外接矩阵框，计算该矩阵框的面积并与面积S比较大小，将小面积赋值给S_min；

以角度β为步长直至将点簇旋转到90度，循环计算矩形框面积并更新S_min；

获取最小外接矩形面积S_min所对应的旋转角度α；将最初外接矩形A反旋转α角度，即获得最小外接矩形。

作为优选，点簇旋转公式如下：

x＝x cos(θ)-y sin(θ)

y＝x sin(θ)+y cos(θ)

其中，θ＝θ+β，(x,y)为点簇中点的像素坐标，角度θ的初始值为0，角度步长β设为1度。

本发明的有益效果：本发明公开了一种基于生成对抗网络的电网故障定位方法，选取电网线路中的电缆作为检测对象，对电网全域的电缆接头图像数据进行采集，制成电缆故障拓扑结构，生成电缆故障数据集，对电缆故障数据集进行图像预处理后，作为生成对抗网络的输入，基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡，训练后得到用于电网故障定位的生成对抗网络，通过训练后的生成对抗网络对电网线路中的电缆故障点检测结果更加快速、准确，有效提高了电网电缆故障点定位效率及可靠性。

附图说明

图1为本发明的一种基于生成对抗网络的电网故障定位方法的流程图。

具体实施方式

为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

如图1所示，一种基于生成对抗网络的电网故障定位方法，包括如下步骤：

S1、获电网线路上的电缆故障数据集，并构建表征电网线路上的电缆故障拓扑结构N＝[J1，J2，…，Jn]，其中，n为电缆故障点的节点编号，对电缆故障数据集进行预处理，将电缆故障数据集分为测试集Tx以及训练集Td。

对电缆故障数据集进行预处理包括如下步骤：

采集电网线路上个各检测点的电缆图片数据，使用YOLOV5目标检测算法对获取到的图片进行目标识别，识别出图片中的电缆；使用labelme工具对图片中的电缆进行标注；

根据电缆检测框位置，将电缆从图片中截取出来生成图片数据集。

特征提取网络H中，使用UNet分割网络模型将图片数据集中对应的电缆特征分割出来；采用的Mobilenet-V2网络作为UNet分割网络模的主干网络；根据形态学运算方法获取红色绝缘胶带的像素个数、黑色保护层的尺寸以及裸露线缆的像素个数。

UNet分割网络模型包含编码器和解码器，其中：

编码器是负责特征提取，将图像进行四次下采样后缩小原图对原图中的特征充分提取与压缩；解码器负责图像的上采样，将提取出的特征进行四次上采样，每上采样一次就和编码器部分对应的通道数相同尺度融合，最终将特征还原成原图尺寸大小，最后所得即是分割后的图片；对截取的电缆图片进行图像预处理，将图像改为统一尺寸，预处理后的图片作为UNet分割网络模型中输入，经过下采样和上采样，最终得到固定尺寸的分割图。

黑色保护层的尺寸计算包括如下步骤：

计算黑色保护层的外接最小矩形框，得到黑色保护层矩形框的长边和短边，

计算裸露电缆区域的最初外接矩形A，并记录矩形的面积S；

通过旋转公式计算以角度θ旋转电缆裸露区域的点簇；计算旋转之后点簇的外接矩阵框，计算该矩阵框的面积并与面积S比较大小，将小面积赋值给S_min；

以角度β为步长直至将点簇旋转到90度，循环计算矩形框面积并更新S_min；

获取最小外接矩形面积S_min所对应的旋转角度α；将最初外接矩形A反旋转α角度，即获得最小外接矩形。

点簇旋转公式如下：

x＝x cos(θ)-y sin(θ)

y＝x sin(θ)+y cos(θ)

其中，θ＝θ+β，(x,y)为点簇中点的像素坐标，角度θ的初始值为0，角度步长β设为1度。

S2、构建生成对抗网络结构，生成对抗网络结构包括有生成网络G、鉴别网络D以及特征提取网络H；其中，生成网络G，结构中包含卷积层、反卷积层、LR层以及B层；鉴别网络D，结构中包含卷积层、LR层以及B层；

S3、通过特征提取网络H对训练集Td的分割特征进行提取；获取红色绝缘胶带的像素个数、黑色保护层的尺寸以及裸露线缆的像素个数；

S4将分割特征分别输入到鉴别网络D中进行特征对比；基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡；

包括如下步骤：

训练集Td经过特征提取网络H预处理后提取图像特征数据，图像特征数据作为鉴别网络D的输入，鉴别网络D输出关于故障图像的第一真假可能性Pf/r和网络中间层特征参数fmf/r＝[fm0,fm1,fm2]，以保证网络训练可靠性；

生成对抗网络训练过程中，生成网络G根据原始训练集Td生成根据标注信息对应的故障点Nfm，输入故障点Nfm到鉴别网络D，输出关于故障点Nfm的故障可能性Pf；输入判别故障节点Jn到鉴别网络D中，输出关于判别故障节点Jn的真实可能性Pr和真实特征参数fmr＝[fm0,fm1,fm2]；并及时更新鉴别网络D的鉴别网络参数；

鉴别网络D更新完成后，再一次输入故障点Nfm到鉴别网络D，输出关于故障点Nfm的故障可能性Pf和故障特征参数fmf＝[fm0,fm1,fm2]；获取得到真实的故障特征参数，立即更新生成网络G的生成网络参数。

更新鉴别网络D的鉴别网络参数公式如下：

lD＝-(log(1-Pf)+log(Pr))。

更新生成网络G的生成网络参数公式如下：

lG＝-log(Pf)+Average((fmf-fmr)2)，

其中，Average为计算均值。

S5、将测试集Tx输入到训练好的生成对抗网络中进行故障定位检测。

本实施例具备的有益效果是：选取电网线路中的电缆作为检测对象，对电网全域的电缆接头图像数据进行采集，制成电缆故障拓扑结构，生成电缆故障数据集，对电缆故障数据集进行图像预处理后，作为生成对抗网络的输入，基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡，训练后得到用于电网故障定位的生成对抗网络，通过训练后的生成对抗网络对电网线路中的电缆故障点检测结果更加快速、准确，有效提高了电网电缆故障点定位效率及可靠性。

以上所述之具体实施方式为本发明一种基于生成对抗网络的电网故障定位方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (8)

1.一种基于生成对抗网络的电网故障定位方法，其特征在于：包括如下步骤：

S1、获电网线路上的电缆故障数据集，并构建表征电网线路上的电缆故障拓扑结构N＝[J1，J2，···，Jn]，其中，n为电缆故障点的节点编号，对电缆故障数据集进行预处理，将电缆故障数据集分为测试集Tx以及训练集Td；

S2、构建生成对抗网络结构，生成对抗网络结构包括有生成网络G、鉴别网络D以及特征提取网络H；

S3、通过特征提取网络H对训练集Td的分割特征进行提取；获取红色绝缘胶带的像素个数、黑色保护层的尺寸以及裸露线缆的像素个数；

S4将分割特征分别输入到鉴别网络D中进行特征对比；基于对抗学习的方式，对生成网络G和鉴别网络D进行迭代训练；使得生成网络G和鉴别网络D达到那什均衡；

S5、将测试集Tx输入到训练好的生成对抗网络中进行故障定位检测。

2.根据权利要求1所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：

S1中，对电缆故障数据集进行预处理包括如下步骤：

采集电网线路上个各检测点的电缆图片数据，使用YOLOV5目标检测算法对获取到的图片进行目标识别，识别出图片中的电缆；使用labelme工具对图片中的电缆进行标注；

根据电缆检测框位置，将电缆从图片中截取出来生成图片数据集。

3.根据权利要求2所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：

所述特征提取网络H中，使用UNet分割网络模型将图片数据集中对应的电缆特征分割出来；采用的Mobilenet-V2网络作为UNet分割网络模的主干网络；根据形态学运算方法获取红色绝缘胶带的像素个数、黑色保护层的尺寸以及裸露线缆的像素个数。

4.根据权利要求3所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：

UNet分割网络模型包含编码器和解码器，其中：

编码器是负责特征提取，将图像进行四次下采样后缩小原图对原图中的特征充分提取与压缩；解码器负责图像的上采样，将提取出的特征进行四次上采样，每上采样一次就和编码器部分对应的通道数相同尺度融合，最终将特征还原成原图尺寸大小，最后所得即是分割后的图片；对截取的电缆图片进行图像预处理，将图像改为统一尺寸，预处理后的图片作为UNet分割网络模型中输入，经过下采样和上采样，最终得到固定尺寸的分割图。

5.根据权利要求1所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：

S4中，训练集Td经过特征提取网络H预处理后提取图像特征数据，图像特征数据作为鉴别网络D的输入，鉴别网络D输出关于故障图像的第一真假可能性Pf/r和网络中间层特征参数fmf/r＝[fm0,fm1,fm2]，以保证网络训练可靠性；

生成对抗网络训练过程中，生成网络G根据原始训练集Td生成根据标注信息对应的故障点Nfm，输入故障点Nfm到鉴别网络D，输出关于故障点Nfm的故障可能性Pf；输入判别故障节点Jn到鉴别网络D中，输出关于判别故障节点Jn的真实可能性Pr和真实特征参数fmr＝[fm0,fm1,fm2]；并及时更新鉴别网络D的鉴别网络参数；

鉴别网络D更新完成后，再一次输入故障点Nfm到鉴别网络D，输出关于故障点Nfm的故障可能性Pf和故障特征参数fmf＝[fm0,fm1,fm2]；获取得到真实的故障特征参数，立即更新生成网络G的生成网络参数。

6.根据权利要求5所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：

更新鉴别网络D的鉴别网络参数公式如下：

lD＝-(log(1-Pf)+log(Pr))。

7.根据权利要求5所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：

更新生成网络G的生成网络参数公式如下：

lG＝-log(Pf)+Average((fmf-fmr)2)，

其中，Average为计算均值。

8.根据权利要求1或2或3所述的一种基于生成对抗网络的电网故障定位方法，其特征在于：黑色保护层的尺寸计算包括如下步骤：

计算黑色保护层的外接最小矩形框，得到黑色保护层矩形框的长边和短边，

计算裸露电缆区域的最初外接矩形A，并记录矩形的面积S；

通过旋转公式计算以角度θ旋转电缆裸露区域的点簇；计算旋转之后点簇的外接矩阵框，计算该矩阵框的面积并与面积S比较大小，将小面积赋值给S_min；

以角度β为步长直至将点簇旋转到90度，循环计算矩形框面积并更新S_min；

获取最小外接矩形面积S_min所对应的旋转角度α；将最初外接矩形A反旋转α角度，即获得最小外接矩形。

Images