CN114266720B - 基于混合神经网络的电力导线故障检测方法及系统 - Google Patents

Abstract

基于混合神经网络的电力导线故障检测方法及系统，首先根据损坏的电力导线所处地域建立损坏严重性指标，然后采集各个地域损坏的电力导线图像以及未损坏的电力导线图像并对采集的图像进行增广，并对所采集的图像已经增广的图像进行标签设置，构建混合神经网络模型并进行训练，最后实时采集电力导线图像输入至训练好的混合神经网络模型中进行判定。本发明基于混合神经网络的电力导线故障检测模型能够提取各类损坏和未损坏的电力线图像的图像特征并进行分类。本发明的混合神经网络优于现有技术，可使得分类识别率高达95.57％。

Description

基于混合神经网络的电力导线故障检测方法及系统

技术领域

本发明属于电力导线故障智能检测领域，具体涉及基于混合神经网络的电力导线故障检测方法及系统。

背景技术

电力就像是工业化和经济社会的支柱。现代社会的发展不能容忍即使短暂的电力供应缺失。但是，不断发展的技术、现代社会和对电力日益增加的依赖给研究人员和电力供应商带来了许多挑战，以准确监控、管理和分析电力智能电网确保不间断的电力流动。而在部分国家缺乏对老化的输电基础设施进行升级的激励措施，例如在美国和欧洲，停电变得更加频繁。短期停电大多会持续几个小时或几十分钟，但长期停电会持续数天甚至数周。短期和长期停电都会严重影响毫无准备的企业的能力。例如，这种停电导致公司和其他关键基础设施(如金融服务、电信行业、医院和供水商)的整体生产率关闭。如今，所有的电力网站都是互联的，一个电网站的故障会导致超区域停电。Bruch等人进行了统计分析，得出的结论是，美国所有大中型行业停电30分钟平均损失15,709美元，停电8小时平均损失94,000美元。需要一种智能方式来定期监控电力线和电网基础设施，以防止线路损坏导致的停电。

在全球范围内，我们面临着有限的能源资源和更多的需求。而从这些有限的资源中获取能量需要高预算。考虑到有限资源的可用性和高昂的支出成本，研究人员对有效利用可用能源给予了极大的关注。一些研究人员通过开发智能电网模型发表了监测工作，例如：现有技术中的LSTM架构可用于智能电网应用进行检测；决策树可用于低压站的电力导线检测。但现实工作图像中电力导线目标背景较为复杂且故障形状多变、大小不一，这些故障特性都为电力导线故障检测研究带来一定挑战，导致电力故障目标检测精度不够。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于混合神经网络的电力导线故障检测方法及系统

本发明采用如下的技术方案：

基于混合神经网络的电力导线故障检测方法包括以下步骤：

步骤1，根据损坏的电力导线所处地域建立损坏严重性指标；

步骤2，采集各个地域损坏的电力导线图像以及未损坏的电力导线图像并对采集的图像进行增广；

步骤3，对步骤2所采集图像以及增广的图像设置标签；

步骤4，构建混合神经网络模型；

步骤5，将步骤2采集与增广的图像作为输入数据以及步骤3的标签作为判定标签输入至步骤4的混合神经网络模型进行训练，得到训练好的混合神经网络模型；

步骤6，实时采集电力导线图像输入至步骤5训练好的混合神经网络模型中，进行电力导线故障检测。

在步骤1中，损坏的电力导线包括电力导线损伤、电力导线断股、电力导线散股、电力导线可以被直接接触以及电力导线被锈蚀；

电力导线的严重性分为高、中、低，分别对应以下地域：

1)居住区内出现损坏的电力导线，严重性为高；

2)电线杆上电缆50cm范围内存在损坏的电力导线，其严重性为高；

3)农作物和田地上方存在损坏的电力导线，严重性为中；

4)山区或沙漠中存在损坏的电力导线，严重性为低。

在步骤3中，对于损坏的电力导线图像，其对应的标签为损坏；

对于未损坏的电力导线图像，其对应的标签为未损坏；

基于严重性指标，根据损坏的电力导线图像中电力导线所处的地域将损坏的电力导线图像损坏严重性的标签分为高、中、低；

将损坏的电力导线图像类型分为电力导线损伤、电力导线断股、电力导线散股、电力导线可以被直接接触以及电力导线被锈蚀。

混合神经网络模型包括第一智能模块与第二智能模块；

其中，第一智能模块使用一个神经网络，包括前馈神经网络、反馈神经网络；

第二智能模块使用一个分类器，包括朴素贝叶斯分类器、最近邻分类器、决策树。

第一智能模块包括数据输入层、三层卷积层、二层激活函数层与池化层；每个卷积层上都设置神经元，神经元的个数为2的整倍数，至少为128个；每个神经元的输入连接上一层的局部接受域，并通过卷积操作提取该局部特征；

除了最后一层卷积层外，每层卷积层后为一层激活函数层，激活函数层与卷积层满足以下关系式：

式中，是第n层卷积层经过卷积后得到的第ii张图像的特征，/>表示第n-1层卷积层求取的第ii张图像的特征，M_j为所有图像的总数，*表示卷积运算，f()为激活函数，为第n层卷积层对于第ii张图像的偏置值，/>为第n层卷积层所使用的第ii张图像相对于第j张图像的权重参数集合，权重集合/> 为第n层卷积层所使用的第ii张图像相对于第j张图像的权重参数，j＝1，2，3…M_j且j≠ii。

第二智能模块使用的分类器的分类决策函数为：

其中，nn表示所有图像特征总数，表示各个样本的拉格朗日系数的最优解，通过拉格朗日乘数法求得；x_i表示第i个待分类图像特征，y_i表示第i个待分类图像特征所对应的真实分类类别，b^*表示分类阈值,K(x_i，y_i)表示径向核函数。

分类阈值b*的求取方法为：

在第一次训练分类模型时，将分类阈值设置为0，并计算各个测试样本的判别值；利用所获得的分类判别函数计算各个测试样本的判别值；然后将所有判别值进行排序；将排在序列前端不大于20％与后端不大于20％的判别值组成判别值对，并逐对取平均值，即排名第一的判别值与排名最后的判别值组成判别值对，求取其平均值；排名第二的判别值与排名倒数第二的判别值组成判别值对，求取其平均值；之后再求取所有判别值对平均值的总体平均值，作为下一轮训练该分类模型时的分类阈值。

判别值满足以下关系式：

其中，F(α)表示判别值，α_i表示第i个图像特征的拉格朗日系数，i＝1，2…nn，α_j表示除了第i个图像特征以外的第j个图像特征的拉格朗日系数，j＝1，2…nn，j≠i，x_j表示除x_i外第j个待分类图像特征，y_j表示第j个待分类图像特征所对应的真实分类类别。

在步骤5中，将各个地域损坏的电力导线图像以及各地区未损坏的电力导线图像输入至第一智能模块进行训练提取图像特征；

将提取得到的图像特征分为测试集与训练集，将测试集输入至第二智能模块进行训练；

若第二智能模块中的所有分类器在测试集判定准确率在0.8以上时，即停止训练第一智能模块与第二智能模块。

本发明还公开了基于混合神经网络的电力导线故障检测方法而实现的电力导线故障检测系统，包括严重性指标建立模块、数据采集模块、数据标签设置模块、混合神经网络构建模块、混合神经网络训练模块以及电力导线数据判定模块；

严重性指标建立模块根据地域的不同将电力导线的严重性进行分级，并将分级结果输入至数据标签提取模块；

数据采集模块采集各个地域损坏的电力导线图像以及各地区未损坏的电力导线图像并将采集到的数据输入至数据标签提取模块；

数据标签设置模块根据严重性分级结果将采集到的数据标签设置为“损坏”与“未损坏”，按严重性将采集到的各个地域损坏的电力导线图像严重性标签设置为“高”、“中”、“低”，按损坏类型将采集到的各个地域损坏的电力导线图像严重性标签设置为“电力导线损伤”、“电力导线断股”、“电力导线散股”、“电力导线可以被直接接触”以及“电力导线被锈蚀”；

混合神经网络构建模块构建由第一智能模块与第二智能模块组成的混合神经网络模型，其中第一智能模块为一个神经网络，第二智能模块包括三个自研发的非线性映射分类器；

混合神经网络训练模块将数据采集模块采集的数据以及数据标签提取模块提取标签输入至混合神经网络构建模块的第一智能模块训练提取图像特征，再将得到的图像特征与其对应的严重性标签输入至第二智能模块进行训练；

电力导线数据判定模块实时采集电力导线图像后输入至训练好的混合神经网络后进行判定得到导线是否损坏，如果损坏，其损坏的严重性以及损坏类型。

本发明的有益效果在于，与现有技术相比，本发明，

1、基于混合神经网络的电力导线故障检测模型包括两个智能模块，第一智能模块提取各类损坏和未损坏的电力线图像的图像特征，通过第二智能模块可以进行三层级别的分类。本发明的混合神经网络的分类方法优于现有技术，在结合第一智能模块的图像特征提取后以及第二智能模块自研发的分类器整体的分类识别率可高达95.57％；

2、本发明可以帮助电力公司减少额外的预算支出，用于雇佣劳动力来监控输电线路以发现线路故障；大多数情况下，这种手动输电线路监控较为耗时；本发明的模型通过在短时间内执行识别任务来解决这些问题。

附图说明

图1为本发明基于混合神经网络的电力导线故障检测方法的流程图；

图2为本发明基于混合神经网络的电力导线故障检测方法分类检测结果图；

图3为本发明基于混合神经网络的电力导线故障检测方法对损坏的电力导线图像类型分类后的准确度对比图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

本发明公开了基于混合神经网络的电力导线故障检测方法及系统，图1为本发明基于混合神经网络的电力导线故障检测方法的流程图，包括以下步骤：

步骤1，根据损坏的电力导线所处地域建立损坏严重性指标；

损坏的电力导线包括电力导线损伤、电力导线断股、电力导线散股、电力导线可以被直接接触以及电力导线被锈蚀；

电力导线的严重性分为高、中、低，分别对应以下地域：

如果居住区内出现损坏的电力导线，严重性则为高，因为如果被击落，居住区范围内的电力导线会导致巨大的损失。

电线杆上电缆50cm范围内存在损坏的电力导线，则其严重性也为高。因为大多数情况下，该区域损坏的电力导线会导致整个区域的电力连接中断，因此需要紧急的修复与升级。

农作物和田地上方存在损坏的电力导线，严重性为中，虽然这些地域被损坏的电力导线也需要修复，否则可能会烧毁庄稼或家畜，但其损坏成本比电网故障总成本或输电线路总故障成本相对较低，因此其严重性为中。

山区或沙漠中存在损坏的电力导线，则严重性为低。

步骤2，采集各个地域损坏的电力导线图像以及未损坏的电力导线图像并对采集的图像进行增广；

增广的方法包括平移、转置、镜像、旋转、缩放。

步骤3，对步骤2所采集图像设置标签；

对于损坏的电力导线图像，其对应的标签为损坏；

对于未损坏的电力导线图像，其对应的标签为未损坏；

根据步骤1的严重性指标根据损坏的电力导线图像中电力导线所处的地域将损坏的电力导线图像损坏严重性的标签分为高、中、低；

将损坏的电力导线图像类型分为电力导线损伤、电力导线断股、电力导线散股、电力导线可以被直接接触以及电力导线被锈蚀；

步骤4，构建混合神经网络模型；

混合神经网络模型包括第一智能模块与第二智能模块；

其中，第一智能模块使用一个神经网络，可选择的神经网络包括前馈神经网络、反馈神经网络；

优选的，第一智能模块所使用的神经网络为一个自定义优化神经网络，包括数据输入层、三层卷积层、二层激活函数层与池化层；每个卷积层上都设置神经元，神经元的个数为2的整倍数，至少为128个。每个神经元的输入连接上一层的局部接受域，并通过卷积操作提取该局部特征；

除了最后一层卷积层外，每层卷积层后为一层激活函数层，激活函数层与卷积层满足以下关系式：

式中，是第n层卷积层经过卷积后得到的第ii张图像的特征，/>表示第n-1层卷积层求取的第ii张图像的特征，M_j为所有图像的总数，*表示卷积运算，f()为激活函数，为第n层卷积层对于第ii张图像的偏置值，/>为第n层卷积层所使用的第ii张图像相对于第j张图像的权重参数集合，权重集合/> 为第n层卷积层所使用的第ii张图像相对于第j张图像的权重参数，j＝1,2,3…M_j且j≠ii。使用RELU激活函数对网络参数进行初始化，在不断的迭代过程中通过前向传播以及误差反向传播算法更新权重参数。

在本实施例中，第一层激活函数层使用的激活函数为RELU，第二层激活函数层使用的激活函数为tanh。卷积层与激活函数层总称为隐藏层。该自定义优化神经网络的参数表如表1所示。

表1自定义优化神经网络参数表

第二智能模块使用三个分类器，可选择的分类器包括朴素贝叶斯分类器、最近邻分类器、决策树。第一分类器用来判定是否为损坏的电力导线，将判定为损坏的电力导线图像特征分别输入至第二分类器和第三分类器；第二分类器用以判定导线损坏的严重性，第三分类器用来判定损坏的电力导线类型。

在本实施例中，三个分类器都为自研发的非线性映射分类器，该分类器的分类决策函数为：

其中，nn表示所有图像特征总数，表示各个样本的拉格朗日系数的最优解，通过拉格朗日乘数法求得；x_i表示第i个待分类图像特征，y_i表示第i个待分类图像特征所对应的真实分类类别，b^*表示分类阈值,K(x_i,y_i)表示径向核函数。

确定分类阈值的具体过程如下：

在第一次训练该分类模型时，将分类阈值设置为0，并使用分类判别函数计算各个测试样本的判别值：

其中，F(α)表示判别值,α_i表示第i个图像特征的拉格朗日系数，i＝1，2…nn，α_j表示除了第i个图像特征以外的第j个图像特征的拉格朗日系数，j＝1，2…nn,j≠i，x_j表示除x_i外第j个待分类图像特征，y_j表示第j个待分类图像特征所对应的真实分类类别；

利用所获得的分类判别函数计算各个测试样本的判别值；然后将所有判别值进行排序；将排在序列前端不大于20％与后端不大于20％的判别值组成判别值对，并逐对取平均值，即排名第一的判别值与排名最后的判别值组成判别值对，求取其平均值；排名第二的判别值与排名倒数第二的判别值组成判别值对，求取其平均值；之后再求取所有判别值对平均值的总体平均值，作为下一轮训练该分类模型时的分类阈值。

步骤5，将步骤2采集与增广的图像作为输入数据以及步骤3的标签作为判定标签输入至步骤4的混合神经网络模型进行训练，得到训练好的混合神经网络模型；

将各个地域损坏的电力导线图像以及各地区未损坏的电力导线图像输入至第一智能模块进行训练提取图像特征；

将提取得到的图像特征分为测试集与训练集，将测试集输入至第二智能模块进行训练；

若第二智能模块中的所有分类器在测试集判定准确率在0.8以上时，即停止训练第一智能模块与第二智能模块。

步骤6，实时采集电力导线图像输入至步骤6训练好的混合神经网络模型中进行判定。

图2为分类检测结果图，图3为对损坏的电力导线图像类型分类后的准确度对比图。

本发明还公开了一个基于混合神经网络的电力导线故障检测系统，包括严重性指标建立模块、数据采集模块、数据标签设置模块、混合神经网络构建模块、混合神经网络训练模块以及电力导线数据判定模块；

严重性指标建立模块根据地域的不同将电力导线的严重性进行分级，并将分级结果输入至数据标签提取模块；

数据采集模块采集各个地域损坏的电力导线图像以及各地区未损坏的电力导线图像并将采集到的数据输入至数据标签提取模块；

数据标签设置模块根据严重性分级结果将采集到的数据标签设置为“损坏”与“未损坏”，按严重性将采集到的各个地域损坏的电力导线图像严重性标签设置为“高”、“中”、“低”，按损坏类型将采集到的各个地域损坏的电力导线图像严重性标签设置为“电力导线损伤”、“电力导线断股”、“电力导线散股”、“电力导线可以被直接接触”以及“电力导线被锈蚀”；

混合神经网络构建模块构建由第一智能模块与第二智能模块组成的混合神经网络模型，其中第一智能模块为一个神经网络，第二智能模块包括三个自研发的非线性映射分类器；

混合神经网络训练模块将数据采集模块采集的数据以及数据标签提取模块提取标签输入至混合神经网络构建模块的第一智能模块训练提取图像特征，再将得到的图像特征与其对应的严重性标签输入至第二智能模块进行训练；

电力导线数据判定模块实时采集电力导线图像后输入至训练好的混合神经网络后进行判定得到导线是否损坏，如果损坏，其损坏的严重性以及损坏类型。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.基于混合神经网络的电力导线故障检测方法，其特征在于，所述电力导线故障检测方法包括以下步骤：

步骤1，根据损坏的电力导线所处地域建立损坏严重性指标；

步骤2，采集各个地域损坏的电力导线图像以及未损坏的电力导线图像并对采集的图像进行增广；

步骤3，对步骤2所采集图像以及增广的图像设置标签；

步骤4，构建混合神经网络模型，混合神经网络模型包括第一智能模块与第二智能模块；

第一智能模块为一个神经网络，第二智能模块包括三个自研发的非线性映射分类器，包括朴素贝叶斯分类器、最近邻分类器和决策树；第一分类器用来判定是否为损坏的电力导线，将判定为损坏的电力导线图像特征分别输入至第二分类器和第三分类器；第二分类器用以判定导线损坏的严重性，第三分类器用来判定损坏的电力导线类型；

步骤5，将步骤2采集与增广的图像作为输入数据以及步骤3的标签作为判定标签输入至步骤4的混合神经网络模型进行训练，得到训练好的混合神经网络模型；

将各个地域损坏的电力导线图像以及各地区未损坏的电力导线图像输入至第一智能模块进行训练提取图像特征；

将提取得到的图像特征分为测试集与训练集，将测试集输入至第二智能模块进行训练；

若第二智能模块中的所有分类器在测试集判定准确率在0.8以上时，即停止训练第一智能模块与第二智能模块；

步骤6，实时采集电力导线图像输入至步骤5训练好的混合神经网络模型中，进行电力导线故障检测。

2.根据权利要求1所述的基于混合神经网络的电力导线故障检测方法，其特征在于：

在所述步骤1中，损坏的电力导线包括电力导线损伤、电力导线断股、电力导线散股、电力导线被直接接触以及电力导线被锈蚀；

电力导线的严重性分为高、中、低，分别对应以下地域：

1)居住区内出现损坏的电力导线，严重性为高；

2)电线杆上电缆50cm范围内存在损坏的电力导线，其严重性为高；

3)农作物和田地上方存在损坏的电力导线，严重性为中；

4)山区或沙漠中存在损坏的电力导线，严重性为低。

3.根据权利要求1或2所述的基于混合神经网络的电力导线故障检测方法，其特征在于：

在所述步骤3中，对于损坏的电力导线图像，其对应的标签为损坏；

对于未损坏的电力导线图像，其对应的标签为未损坏；

基于严重性指标，根据损坏的电力导线图像中电力导线所处的地域将损坏的电力导线图像损坏严重性的标签分为高、中、低；

将损坏的电力导线图像类型分为电力导线损伤、电力导线断股、电力导线散股、电力导线被直接接触以及电力导线被锈蚀。

4.根据权利要求3所述的基于混合神经网络的电力导线故障检测方法，其特征在于：

所述第一智能模块包括数据输入层、三层卷积层、二层激活函数层与池化层；每个卷积层上都设置神经元，神经元的个数为2的整倍数，至少为128个；每个神经元的输入连接上一层的局部接受域，并通过卷积操作提取该局部特征；

除了最后一层卷积层外，每层卷积层后为一层激活函数层，激活函数层与卷积层满足以下关系式：

式中，是第n层卷积层经过卷积后得到的第ii张图像的特征，/>表示第n-1层卷积层求取的第ii张图像的特征，M_j为所有图像的总数，*表示卷积运算，f()为激活函数，/>为第n层卷积层对于第ii张图像的偏置值，/>为第n层卷积层所使用的第ii张图像相对于第j张图像的权重参数集合，权重集合/> 为第n层卷积层所使用的第ii张图像相对于第j张图像的权重参数，j＝1,2,3…M_j且j≠ii。

5.根据权利要求1所述的基于混合神经网络的电力导线故障检测方法，其特征在于：

所述第二智能模块使用的分类器的分类决策函数为：

其中，nn表示所有图像特征总数，表示各个样本的拉格朗日系数的最优解，通过拉格朗日乘数法求得；x_i表示第i个待分类图像特征，y_i表示第i个待分类图像特征所对应的真实分类类别，b^*表示分类阈值,K(x_i,y_i)表示径向核函数。

6.根据权利要求5所述的基于混合神经网络的电力导线故障检测方法，其特征在于：

所述分类阈值b^*的求取方法为：

在第一次训练分类模型时，将分类阈值设置为0，并计算各个测试样本的判别值；利用所获得的分类判别函数计算各个测试样本的判别值；然后将所有判别值进行排序；将排在序列前端不大于20％与后端不大于20％的判别值组成判别值对，并逐对取平均值，即排名第一的判别值与排名最后的判别值组成判别值对，求取其平均值；排名第二的判别值与排名倒数第二的判别值组成判别值对，求取其平均值；之后再求取所有判别值对平均值的总体平均值，作为下一轮训练该分类模型时的分类阈值。

7.根据权利要求6所述的基于混合神经网络的电力导线故障检测方法，其特征在于：

所述判别值满足以下关系式：

其中，F(α)表示判别值，α_i表示第i个图像特征的拉格朗日系数，i＝1,2…nn，α_j表示除了第i个图像特征以外的第j个图像特征的拉格朗日系数，j＝1,2…nn,j≠i，x_j表示除x_i外第j个待分类图像特征，y_j表示第j个待分类图像特征所对应的真实分类类别。

8.利用权利要求1-7任意一项所述的基于混合神经网络的电力导线故障检测方法而实现的电力导线故障检测系统，其特征在于：

所述基于混合神经网络的电力导线故障检测系统包括严重性指标建立模块、数据采集模块、数据标签设置模块、混合神经网络构建模块、混合神经网络训练模块以及电力导线数据判定模块；

所述严重性指标建立模块根据地域的不同将电力导线的严重性进行分级，并将分级结果输入至数据标签设置模块；

所述数据采集模块采集各个地域损坏的电力导线图像以及各地区未损坏的电力导线图像并将采集到的数据输入至数据标签设置模块；

所述数据标签设置模块根据严重性分级结果将采集到的数据标签设置为“损坏”与“未损坏”，按严重性将采集到的各个地域损坏的电力导线图像严重性标签设置为“高”、“中”、“低”，按损坏类型将采集到的各个地域损坏的电力导线图像类型标签设置为“电力导线损伤”、“电力导线断股”、“电力导线散股”、“电力导线被直接接触”以及“电力导线被锈蚀”；

所述混合神经网络构建模块构建由第一智能模块与第二智能模块组成的混合神经网络模型，其中第一智能模块为一个神经网络，第二智能模块包括三个自研发的非线性映射分类器，包括朴素贝叶斯分类器、最近邻分类器和决策树；第一分类器用来判定是否为损坏的电力导线，将判定为损坏的电力导线图像特征分别输入至第二分类器和第三分类器；第二分类器用以判定导线损坏的严重性，第三分类器用来判定损坏的电力导线类型；

所述混合神经网络训练模块将数据采集模块采集的数据以及数据标签设置模块提取标签输入至混合神经网络构建模块的第一智能模块训练提取图像特征，再将得到的图像特征与其对应的严重性标签输入至第二智能模块进行训练；

所述电力导线数据判定模块实时采集电力导线图像后输入至训练好的混合神经网络后进行判定得到导线是否损坏，如果损坏，其损坏的严重性以及损坏类型。