CN115631184A - 基于决策树的输电线路故障分析方法、装置、设备及存储介质 - Google Patents

基于决策树的输电线路故障分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115631184A
CN115631184A CN202211387668.7A CN202211387668A CN115631184A CN 115631184 A CN115631184 A CN 115631184A CN 202211387668 A CN202211387668 A CN 202211387668A CN 115631184 A CN115631184 A CN 115631184A
Authority
CN
China
Prior art keywords
transmission line
decision tree
power transmission
fault
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211387668.7A
Other languages
English (en)
Inventor
罗欣儿
卢旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202211387668.7A priority Critical patent/CN115631184A/zh
Publication of CN115631184A publication Critical patent/CN115631184A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于决策树的输电线路故障分析方法，至少包括：获取输电线路区域的故障历史样本数据；根据故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率满足预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息；将多个目标决策树模型组成随机森林模型；获取输电线路区域内的第一输电线路图像，对其进行图像预处理得到图像质量增强的第二输电线路图像；将第二输电线路图像输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息。本发明还公开了相应的装置、设备及存储介质。实施本发明实施例，能够减小运维人员的工作量，提高故障分析的效率，提高故障分析结果的准确度。

Description

基于决策树的输电线路故障分析方法、装置、设备及存储介质
技术领域
本发明涉及输电线路故障检测领域，尤其涉及一种基于决策树的输电线路故障分析方法、装置、设备及存储介质。
背景技术
随着城市的不断的发展建设，供电网的输电线路的覆盖范围也越来越大，同时，输电线路的架设也更加复杂化。由于输电线路架设于户外，容易受到环境因素以及人为因素的影响产生故障。故，及时排查输电线路的故障，对故障段进行及时修复，对于维持输电线路的正常运行十分重要。
在现有技术中，一般采用人工方式对输电线路进行故障排查工作。但输电线路较大的覆盖范围和复杂化的架设结构，使得运维人员在进行输电线路故障排查工作时，面临较大的工作量；且依靠运维人员的经验进行故障诊断，故障排查工作的效率较低，且故障诊断结果的可靠性难以得到保障。
发明内容
本发明所述解决的技术问题在于，提出一种基于决策树的输电线路故障分析方法、装置、设备及存储介质，采用目标决策树模型完成输电线路故障分析工作，减小运维人员的工作量，提高故障分析的效率，提高故障分析结果的准确度。
作为本发明的一方面，本发明实施例提供了基于决策树的输电线路故障分析方法，其包括：获取输电线路区域的故障历史样本数据；
根据所述故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个所述目标决策树模型对应于一类故障类型信息；
将所述多个目标决策树模型组成随机森林模型；获取所述输电线路区域内的第一输电线路图像；
对所述第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像；
将所述第二输电线路图像输入所述随机森林模型进行故障分析处理，输出所述第二输电线路图像中输电线路所属的故障类型信息。
优选地，所述根据所述故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型的步骤，包括：
根据多个故障类型将所述故障历史样本数据进行粗分类，得到多个数据集合，每一个所述数据集合对应一个所述故障类型；
对多个所述数据集合分别进行决策树模型建立处理得到多个对应的所述决策树模型；
采用交叉验证法根据对应的单个所述数据集合对各个所述决策树模型进行所述准确率评估处理，得到各个所述决策树模型的分类准确率；将各个所述决策树模型的所述分类准确率与预设准确率阈值对比；
在所述分类准确率不小于预设准确率阈值的情况下，将所述决策树模型确定为所述目标决策树模型。
优选地，所述将各个所述决策树模型的所述分类准确率与预设准确率阈值对比的步骤之后，还包括：
在所述分类准确率小于预设准确率阈值的情况下，将所述决策树模型标记为不合格模型；
获取各个所述不合格模型所对应的所述数据集合；根据各个所述数据集合重新进行决策树模型建立处理和准确率评估处理，以得到所述分类准确率不小于预设准确率阈值的所述目标决策树模型。
优选地，所述采用交叉验证法根据对应的单个所述数据集合对各个所述决策树模型进行所述准确率评估处理，得到各个所述决策树模型的分类准确率的步骤，包括：
对单个所述数据集合进行不重复抽样处理，将单个所述数据集合中的原始数据随机分为k份数据；
从所述k份数据中选取1份数据作为测试集，剩余k-1份数据作为训练集；根据所述测试集和所述训练集进行一次交叉验证处理，得到1个模型准确率Pe；
从剩余的所述k-1份数据中依次选取1份数据，对所述测试集和所述训练集进行k-1次更新替换处理，每次更新替换处理后得到的所述测试集和所述训练集均不相同；
根据每次更新替换处理后的所述测试集和所述训练集进行交叉验证处理，得到k-1个所述模型准确率Pe；
对进行k次交叉验证处理后得到的k个所述模型准确率Pe取均值，得到所述分类准确率。
优选地，所述决策树模型建立处理的步骤，包括：
提取单个所述数据集合中的关键特征值，并融合相似特征；
更新所述单个所述数据集合；
建立决策树节点，训练所述数据集合初步得到初始决策树模型；
对所述初始决策树模型进行剪枝处理，得到单个所述决策树模型。
优选地，所述故障类型信息包括：绝缘子覆冰故障、线路断裂、线夹缺失、防震锤缺失和塔材腐锈。所述图像预处理包括：去雾处理、分割处理、增强处理和复原处理。
作为本发明的另一方面，本发明实施例提供了一种输电线路故障分析装置，用于实现第一方面所述的输电线路故障分析方法，包括：
数据获取单元，用于获取输电线路区域的故障历史样本数据；
模型建立单元，用于根据所述故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个所述目标决策树模型对应于一类故障类型信息，通过所述多个目标决策树模型形成随机森林模型；
图像处理单元，用于获取所述输电线路区域内的第一输电线路图像，对所述第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像；
故障分析单元，用于将所述第二输电线路图像输入所述随机森林模型进行故障分析处理，输出所述第二输电线路图像中输电线路所属的故障类型信息。
作为本发明的再一方面，本发明实施例提供了一种输电线路故障分析设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的输电线路故障分析方法。
作为本发明的别一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行前述的输电线路故障分析方法。
实施本发明实施例，具有如下有益效果：
本发明提出了一种基于决策树的输电线路故障分析方法、装置、设备及计算机可读存储介质。通过在输电线路故障排查阶段，输电线路故障分析装置获取输电线路区域的故障历史样本数据后，进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息，而后将多个目标决策树模型组成随机森林模型；对获取的第一输电线路图像进行图像预处理得到第二输电线路图像，将其输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息。
本发明实施例的方案，在输电线路故障排查过程中，输电线路故障分析装置能够通过多个分类准确率大于预设准确率阈值的目标决策树模型构造随机森林模型，采用该随机森林模型完成输电线路故障分析工作，减小运维人员的工作量，提高故障分析的效率，提高故障分析结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明提供的一种输电线路故障分析装置的一个实施例的模块示意图；
图2是本发明提供的一种基于决策树的输电线路故障分析方法的一个实施例的主流程示意图；
图3是图2中步骤S220的具体方法的流程示意图；
图4是本发明图2中涉及的决策树模型建立处理的流程示意图；
图5是本发明提供的一种输电线路故障分析设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
下面结合附图，对本发明实施例作进一步阐述。
参照图1，图1是本发明一实施例提供的输电线路故障分析装置100的模块示意图。该输电线路故障分析装置100至少包括：数据获取单元110、模型建立单元120、图像处理单元130和故障分析单元140，其中，数据获取单元110与模型建立单元120通信连接，故障分析单元140分别与模型建立单元120、图像处理单元130通信连接。
其中，数据获取单元110，用于获取输电线路区域的故障历史样本数据。具体地，数据获取单元110获取输电线路区域的故障历史样本数据，并将故障历史样本数据发送给模型建立单元120。
模型建立单元120，用于根据故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息，通过多个目标决策树模型形成随机森林模型。随机森林模型包括多个目标决策树模型，每个目标决策树模型用于对输电线路图像进行分类得到一类故障类型信息，且每个目标决策树模型的分类准确率均大于预设准确率阈值，有利于提高故障分析结果的准确度。
图像处理单元130，用于获取输电线路区域内的第一输电线路图像，对第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像。在将输电线路图像发送给故障分析单元140进行故障分析处理之前，图像处理单元130对输电线路图像进行图像预处理，有利于提高输电线路图像的图像质量，从而在一定程度上提高故障分析的准确度和成功率。
故障分析单元140，用于将第二输电线路图像输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息。利用随机森林模型对第二输电线路图像进行故障分析处理，以提高故障分析的效率，提高故障分析结果的准确度。
根据本发明一实施例提供的输电线路故障分析装置，在输电线路故障排查阶段，运维人员能够通过使用输电线路故障分析装置实现高效率、高准确度的故障分析工作。具体地，在输电线路故障排查阶段，输电线路故障分析装置获取输电线路区域的故障历史样本数据后，进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息，而后将多个目标决策树模型组成随机森林模型；对获取的第一输电线路图像进行图像预处理得到第二输电线路图像，将其输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息，完成输电线路故障分析工作，减小运维人员的工作量，提高故障分析的效率，提高故障分析结果的准确度。
本发明实施例描述的装置功能模块示意以及应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着装置功能模块的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。本领域技术人员可以理解的是，图1中示出的装置功能模块并不构成对本发明实施例的限定，可以包括比图示更多或更少的模块，或者组合某些模块，或者不同的组合模块设置。
如图2所示，示出了本发明一实施例提供的基于决策树的输电线路故障分析方法的流程示意图；该方法应用于图1所示的输电线路故障分析装置中，所述输电线路故障分析方法至少包括如下的步骤：
步骤S210：获取输电线路区域的故障历史样本数据。
本步骤中，输电线路故障分析装置获取输电线路区域的故障历史样本数据，基于真实的故障历史样本数据训练决策树，当利用该决策树对故障情况未知的样本数据进行故障分析时，能够提高故障分析处理的准确率和可信程度。
步骤S220：根据故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息。
本步骤中，输电线路故障分析装置根据故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息，构造多个具有高分类准确率的目标决策树模型，能够分析出多种故障类型信息，以达到减小运维人员的工作量，提高故障分析的效率的目的。
步骤S230：将多个目标决策树模型组成随机森林模型。
本步骤中，输电线路故障分析装置将多个目标决策树模型组成随机森林模型。随机森林模型包括多个目标决策树模型，每个目标决策树模型用于对输电线路图像进行分类得到一类故障类型信息，且每个目标决策树模型的分类准确率均大于预设准确率阈值，有利于提高故障分析结果的准确度。
步骤S240：获取输电线路区域内的第一输电线路图像。
本步骤中，输电线路故障分析装置获取输电线路区域内的第一输电线路图像。具体地，可以自动获取巡检无人机拍摄的输电线路区域内的第一输电线路图像，或是人工导入输电线路区域内的第一输电线路图像，本发明对第一输电线路图像的获取方式不做具体的限制。
步骤S250：对第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像。
本步骤中，输电线路故障分析装置对第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像。在对输电线路图像进行故障分析处理之前，需要对输电线路图像进行图像预处理，通过图像预处理提高输电线路图像的图像质量，从而在一定程度上提高故障分析的准确度和成功率。
在本发明的一个实施例中，图像预处理包括：去雾处理、分割处理、增强处理和复原处理。即对第一输电线路图像依次进行去雾处理、分割处理、增强处理和复原处理，得到图像质量增强的第二输电线路图像。具体地，对第一输电线路图像进行去雾处理，得到去雾后的第一输电线路图像；对经过去雾处理后的第一输电线路图像进行分割处理，提取到第一输电线路图像中的轮廓，而后，对分割后的图像进行增强处理，以去除噪声干扰并突出图像中的目标区域；对增强后的图像进行复原处理，得到图像质量增强的第二输电线路图像。
可以理解的是，对第一输电线路图像进行去雾处理时，可以采用基于导向滤波的暗通道先验图像去雾算法、或是基于颜色空间的单幅图像去雾算法等等，本发明对去雾处理过程中所采用的算法不作具体的限制。
可以理解的是，对经过去雾处理后的第一输电线路图像进行分割处理时，可以采用基于改进谱聚类的图像分割算法、或是基于遗传算法的图像分割算法，本发明对分割处理过程中所采用的算法不作具体的限制。
可以理解的是，在对分割后的图像进行增强处理的过程中，可以采用中值滤波算法、小波滤波算法等算法实现增强处理，本发明对此不作具体的限制。
步骤S260：将第二输电线路图像输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息。
本步骤中，输电线路故障分析装置将第二输电线路图像输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息。具体地，第二输电线路图像输入随机森林模型后，根据预设的投票机制进行投票表决，得到投票表决结果，从而决定第二输电线路图像属于哪一类故障类型，而后输出故障类型信息。具体地，投票机制采用少数服从多数制。
在本发明的一个实施例中，故障类型信息包括：绝缘子覆冰故障、线路断裂、线夹缺失、防震锤缺失和塔材腐锈。
在输电线路故障排查阶段，输电线路故障分析装置执行步骤S210至步骤S260，能够基于获取的输电线路区域的故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，并将多个目标决策树模型组成随机森林模型，而后对获取的第一输电线路图像进行图像预处理得到第二输电线路图像，最后将其输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息，完成输电线路故障分析工作，减小运维人员的工作量，提高故障分析的效率，提高故障分析结果的准确度。
参照图3，图3是图2中步骤S220的具体方法的流程示意图。所述步骤S220至少包括如下的步骤：
步骤S310：根据多个故障类型将故障历史样本数据进行粗分类，得到多个数据集合，每一个数据集合对应一个故障类型。
本步骤中，输电线路故障分析装置根据多个故障类型将故障历史样本数据进行粗分类，得到多个数据集合，每一个数据集合对应一个故障类型。具体地，在本发明的一个实施例中，故障类型信息包括：绝缘子覆冰故障、线路断裂、线夹缺失、防震锤缺失和塔材腐锈。根据故障类型对故障历史样本数据进行粗分类得到多个数据集合，利用该数据集合训练决策树模型，有利于在一定程度上提高决策树模型的可信程度。
步骤S320：对多个数据集合分别进行决策树模型建立处理得到多个对应的决策树模型。
本步骤中，输电线路故障分析装置对多个数据集合分别进行决策树模型建立处理得到多个对应的决策树模型，能够基于多个数据集合同时建立多个不同的决策树模型，提高建立模型的效率。
步骤S330：采用交叉验证法根据对应的单个数据集合对各个决策树模型进行准确率评估处理，得到各个决策树模型的分类准确率。
本步骤中，输电线路故障分析装置采用交叉验证法根据对应的单个数据集合对各个决策树模型进行准确率评估处理，得到各个决策树模型的分类准确率。具体地，交叉验证法采用k折交叉验证方法。训练决策树模型时，容易产生过拟合状态和欠拟合状态，采用k折交叉验证方法对决策树模型进行测试得到决策树模型的分类准确率具有较高的可靠性。
在本发明的一个实施例中，采用交叉验证法根据对应的单个数据集合对各个决策树模型进行准确率评估处理，得到各个决策树模型的分类准确率，包括：对单个数据集合进行不重复抽样处理，将单个数据集合中的原始数据随机分为k份数据；从k份数据中选取1份数据作为测试集，剩余k-1份数据作为训练集；根据测试集和训练集进行一次交叉验证处理，得到1个模型准确率Pe；从剩余的k-1份数据中依次选取1份数据，对测试集和训练集进行k-1次更新替换处理，每次更新替换处理后得到的测试集和训练集均不相同；根据每次更新替换处理后的测试集和训练集进行交叉验证处理，得到k-1个模型准确率Pe；对进行k次交叉验证处理后得到的k个模型准确率Pe取均值，得到分类准确率。具体地，k值取10。
步骤S340：将各个决策树模型的分类准确率与预设准确率阈值对比。
本步骤中，输电线路故障分析装置将各个决策树模型的分类准确率与预设准确率阈值对比。对比结果有两种，其一是分类准确率不小于预设准确率阈值，其二是分类准确率小于预设准确率阈值。具体地，预设准确率阈值设置为97％。
步骤S350：在分类准确率不小于预设准确率阈值的情况下，将决策树模型确定为目标决策树模型。
本步骤中，在分类准确率不小于预设准确率阈值的情况下，输电线路故障分析装置将决策树模型确定为目标决策树模型，通过保障目标决策树模型的分类准确率，保障故分析处理的准确度。
在本发明的一个实施例中，将各个决策树模型的分类准确率与预设准确率阈值对比之后，还包括：在分类准确率小于预设准确率阈值的情况下，将决策树模型标记为不合格模型；获取各个不合格模型所对应的数据集合；根据各个数据集合重新进行决策树模型建立处理和准确率评估处理，以得到分类准确率不小于预设准确率阈值的目标决策树模型。
举一示例，实际处理中，根据5个不同的故障类型将故障历史样本数据进行粗分类，得到多个数据集合；每一个数据集合对应一个故障类型；而后对5个数据集合分别进行决策树模型建立处理得到5个对应的决策树模型；采用交叉验证法根据对应的单个数据集合分别对5个决策树模型进行准确率评估处理，得到各个决策树模型的分类准确率；将各个决策树模型的分类准确率与预设准确率阈值对比；若5个决策树模型的分类准确率均不小于预设准确率阈值，则分别确定5个决策树模型为5个目标决策树模型，结束决策树模型建立处理；若有2个决策树模型的分类准确率小于预设准确率阈值，则基于其对应的数据集合重新进行决策树模型建立处理和准确率评估处理，直到这2个决策树模型的分类准确率不小于预设准确率阈值，能够被确定为目标决策树模型为止。在一个例子中，随机森林模型中应当包括5个目标决策树模型。
参照图4，图4是本发明一个实施例提供的决策树模型建立处理的流程示意图，所述决策树模型建立处理的步骤至少包括如下步骤：
步骤S410：提取单个数据集合中的关键特征值，并融合相似特征；
步骤S420：更新单个数据集合；
步骤S430：建立决策树节点，训练数据集合初步得到初始决策树模型；
步骤S440：对初始决策树模型进行剪枝处理，得到单个决策树模型。
通过步骤S410至步骤S440，输电线路故障分析装置首先提取单个数据集合中的关键特征值，并融合相似特征，而后更新单个数据集合，随后建立决策树节点，训练数据集合初步得到初始决策树模型，对初始决策树模型进行剪枝处理，得到单个决策树模型，完成单次决策树模型建立处理。
参照图5，图5是本发明一个实施例提供的输电线路故障分析设备的结构示意图。本发明实施例的输电线路故障分析设备500，包括一个或多个处理器510和存储器520，图5中以一个处理器510及一个存储器520为例。处理器510和存储器520可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器520作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器520可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器520可选包括相对于处理器510远程设置的存储器520，这些远程存储器520可以通过网络连接至该基于无人机巡检和点云数据的输电线路故障分析设备500。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解，图5中示出的装置结构并不构成对基于无人机巡检和点云数据的输电线路故障分析设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
实现上述实施例中应用于输电线路故障分析设备500的输电线路故障分析方法所需的非暂态软件程序以及指令存储在存储器520中，当被处理器510执行时，执行上述实施例中应用于输电线路故障分析设备500的输电线路故障分析方法，例如，执行以上描述的图2中的方法步骤S210至步骤S260、图3中的方法步骤S310至步骤S350及图4中的方法步骤S410至步骤S440。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，被图5中的一个处理器510执行，可使得上述一个或多个处理器510执行上述方法实施例中的控制方法，例如，执行以上描述的图2中的方法步骤S210至步骤S260、图3中的方法步骤S310至步骤S350及图4中的方法步骤S410至步骤S440。
实施本发明实施例，具有如下有益效果：
本发明提出了一种基于决策树的输电线路故障分析方法、输电线路故障分析装置、输电线路故障分析设备、及计算机可读存储介质，在输电线路故障排查阶段，输电线路故障分析装置获取输电线路区域的故障历史样本数据后，进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个目标决策树模型对应于一类故障类型信息，而后将多个目标决策树模型组成随机森林模型；对获取的第一输电线路图像进行图像预处理得到第二输电线路图像，将其输入随机森林模型进行故障分析处理，输出第二输电线路图像中输电线路所属的故障类型信息。即是说，本发明实施例的方案，在输电线路故障排查过程中，输电线路故障分析装置能够通过多个分类准确率大于预设准确率阈值的目标决策树模型构造随机森林模型，采用该随机森林模型完成输电线路故障分析工作，减小运维人员的工作量，提高故障分析的效率，提高故障分析结果的准确度。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上所述仅为本发明的较佳实施例，并非用以限定本发明的权利要求范围，因此凡其它未脱离本发明所揭示的精神下所完成的等效改变或修饰，均应包含于本发明的权利要求范围内。

Claims (10)

1.一种基于决策树的输电线路故障分析方法，其特征在于，至少包括：
获取输电线路区域的故障历史样本数据；
根据所述故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到多个不同的目标决策树模型，每个所述目标决策树模型对应于一类故障类型信息，且每一目标决策树模型中其分类准确率均大于预设准确率阈值；
将所述多个目标决策树模型组成随机森林模型；
获取所述输电线路区域内的第一输电线路图像，并对所述第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像；
将所述第二输电线路图像输入所述随机森林模型进行故障分析处理，输出所述第二输电线路图像中输电线路所属的故障类型信息。
2.根据权利要求1所述的输电线路故障分析方法，其特征在于，所述根据所述故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型的步骤，包括：
根据多个故障类型将所述故障历史样本数据进行粗分类，得到多个数据集合，每一个所述数据集合对应一个所述故障类型；
对多个所述数据集合分别进行决策树模型建立处理得到多个对应的所述决策树模型；
采用交叉验证法根据对应的单个所述数据集合对各个所述决策树模型进行所述准确率评估处理，得到各个所述决策树模型的分类准确率；
将各个所述决策树模型的所述分类准确率与预设准确率阈值对比；
在所述分类准确率不小于预设准确率阈值的情况下，将所述决策树模型确定为所述目标决策树模型。
3.根据权利要求2所述的输电线路故障分析方法，其特征在于，所述将各个所述决策树模型的所述分类准确率与预设准确率阈值对比的步骤之后，还包括：
在所述分类准确率小于预设准确率阈值的情况下，将所述决策树模型标记为不合格模型；
获取各个所述不合格模型所对应的所述数据集合；
根据各个所述数据集合重新进行决策树模型建立处理和准确率评估处理，以得到所述分类准确率不小于预设准确率阈值的所述目标决策树模型。
4.根据权利要求2所述的输电线路故障分析方法，其特征在于，所述采用交叉验证法根据对应的单个所述数据集合对各个所述决策树模型进行所述准确率评估处理，得到各个所述决策树模型的分类准确率的步骤，包括：
对单个所述数据集合进行不重复抽样处理，将单个所述数据集合中的原始数据随机分为k份数据；
从所述k份数据中选取一份数据作为测试集，剩余k-1份数据作为训练集；
根据所述测试集和所述训练集进行一次交叉验证处理，得到一个模型准确率Pe；
从剩余的所述k-1份数据中依次选取一份数据，对所述测试集和所述训练集进行k-1次更新替换处理，每次更新替换处理后得到的所述测试集和所述训练集均不相同；
根据每次更新替换处理后的所述测试集和所述训练集进行交叉验证处理，得到k-1个所述模型准确率Pe；
对进行k次交叉验证处理后得到的k个所述模型准确率Pe取均值，得到所述分类准确率。
5.根据权利要求2所述的输电线路故障分析方法，其特征在于，所述决策树模型建立处理的步骤，包括：
提取单个所述数据集合中的关键特征值，并融合相似特征；
更新所述单个所述数据集合；
建立决策树节点，训练所述数据集合初步得到初始决策树模型；
对所述初始决策树模型进行剪枝处理，得到单个所述决策树模型。
6.根据权利要求1所述的输电线路故障分析方法，其特征在于，所述故障类型信息包括：绝缘子覆冰故障、线路断裂、线夹缺失、防震锤缺失和塔材腐锈。
7.根据权利要求1所述的输电线路故障分析方法，其特征在于，所述图像预处理包括：去雾处理、分割处理、增强处理和复原处理。
8.一种输电线路故障分析装置，用于实现权利要求1至7任一项所述的输电线路故障分析方法，其特征在于，包括：
数据获取单元，用于获取输电线路区域的故障历史样本数据；
模型建立单元，用于根据所述故障历史样本数据进行决策树模型建立处理和准确率评估处理，得到分类准确率大于预设准确率阈值的多个不同的目标决策树模型，每个所述目标决策树模型对应于一类故障类型信息，通过所述多个目标决策树模型形成随机森林模型；
图像处理单元，用于获取所述输电线路区域内的第一输电线路图像，对所述第一输电线路图像进行图像预处理，得到图像质量增强的第二输电线路图像；
故障分析单元，用于将所述第二输电线路图像输入所述随机森林模型进行故障分析处理，输出所述第二输电线路图像中输电线路所属的故障类型信息。
9.一种输电线路故障分析设备，其特征在于，包括：包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的输电线路故障分析方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的输电线路故障分析方法。
CN202211387668.7A 2022-11-07 2022-11-07 基于决策树的输电线路故障分析方法、装置、设备及存储介质 Pending CN115631184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211387668.7A CN115631184A (zh) 2022-11-07 2022-11-07 基于决策树的输电线路故障分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211387668.7A CN115631184A (zh) 2022-11-07 2022-11-07 基于决策树的输电线路故障分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115631184A true CN115631184A (zh) 2023-01-20

Family

ID=84907853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211387668.7A Pending CN115631184A (zh) 2022-11-07 2022-11-07 基于决策树的输电线路故障分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115631184A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117971550A (zh) * 2024-04-02 2024-05-03 潍柴动力股份有限公司 Scr系统故障确定方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117971550A (zh) * 2024-04-02 2024-05-03 潍柴动力股份有限公司 Scr系统故障确定方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111178523B (zh) 一种行为检测方法、装置、电子设备及存储介质
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN110070029B (zh) 一种步态识别方法及装置
CN111382623A (zh) 一种直播审核的方法、装置、服务器和存储介质
CN110969194B (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
US11615166B2 (en) System and method for classifying image data
CN110348390B (zh) 一种火焰检测模型的训练方法、计算机可读介质及系统
CN110705389A (zh) 一种电网作业行为的识别方法及系统
CN115018840B (zh) 精密铸件裂纹检测方法、系统及装置
CN112967248B (zh) 生成缺陷图像样本的方法、装置、介质及程序产品
CN116629465B (zh) 智能电网视频监控与风险预测响应系统
CN114124567A (zh) 基于大数据漏洞挖掘的云服务处理方法及人工智能系统
CN112906620B (zh) 无人机辅助的绝缘子故障检测方法、装置和电子设备
CN115631184A (zh) 基于决策树的输电线路故障分析方法、装置、设备及存储介质
CN112288700A (zh) 一种铁轨缺陷检测方法
CN115082813A (zh) 检测方法、无人机、检测系统及介质
CN111027397A (zh) 适用于智能监控网络中的综合特征目标检测方法、系统、介质及设备
CN117274177A (zh) 一种基于图像识别的输电线路防外破方法及装置
CN114973152B (zh) 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质
CN116739963A (zh) 一种基于多层级多尺度特征融合的电网设备缺陷检测方法
CN112712002B (zh) 基于cgan的环境监控方法、装置、系统及存储介质
CN114419018A (zh) 图像采样方法、系统、设备及介质
CN116416486A (zh) 图像识别方法及系统
CN109003254B (zh) 基于逻辑回归覆冰检测方法、装置、设备、系统及介质
CN112714284A (zh) 一种电力设备检测方法、装置及移动终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination