CN117611890A - 基于深度学习的电力导线故障检测方法 - Google Patents
基于深度学习的电力导线故障检测方法 Download PDFInfo
- Publication number
- CN117611890A CN117611890A CN202311574894.0A CN202311574894A CN117611890A CN 117611890 A CN117611890 A CN 117611890A CN 202311574894 A CN202311574894 A CN 202311574894A CN 117611890 A CN117611890 A CN 117611890A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- network
- power wire
- power
- candidate
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000004020 conductor Substances 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
基于深度学习的电力导线故障检测方法，解决了如何提高电力导线故障检测效率的问题，属于电力故障检测领域。本发明包括：构建训练集，包括电力导线类型为损伤、断股、散股、导线裸露、导线锈蚀、未损坏的电力导线图像；构建电力导线故障检测网络包括：电力导线图像通过输入至深度卷积特征提取网络，深度卷积特征提取网络进行特征提取，提取的特征输入至候选特征生成网络，候选特征生成网络利用候选框选择出候选特征，候选特征输入至分类识别网络中；利用训练集对电力导线故障检测网络进行训练；将待测电力导线图像输入至电力导线故障检测网络中，电力导线故障检测网络输出分类结果，完成电力导线故障检测。
Description
技术领域
本发明涉及一种基于深度学习的电力导线故障检测方法，属于电力故障检测领域。
背景技术
随着电网规模的不断扩大，电网运行的安全可靠问题引起了广泛关注。电力导线是连接电力网络的主要电力部件。由于电力导线跨越不同的复杂地形，导线长期暴露在各种环境下，极易发生开股等故障，电力导线一旦发生故障将严重影响电网系统的安全可靠运行。因此，对于电力导线的故障检测是电力网络运检维护的必要程序之一。传统电网设备监控系统只有视频监控和录像功能，不能对监控目标进行智能化的主动识别分析，需要操作员时刻观察分析图像，对于复杂地形，更是需要操作员手持设备亲身去检查电网设备是否故障。增加了操作员的工作负担。人眼易疲劳和人工判断的主观性，严重影响了电力导线状态监测的准确度和自动化程度。将数据运回运检维护中心增加了操作员的压力，也延长了故障的修复时间。
发明内容
针对如何提高电力导线故障检测效率的问题，本发明提供一种基于深度学习的电力导线故障检测方法。
本发明的一种基于深度学习的电力导线故障检测方法，所述方法包括：
S1、构建训练集，训练集中包括电力导线类型为损伤、断股、散股、导线裸露、导线锈蚀、未损坏的电力导线图像，并进行标签；S2、构建电力导线故障检测网络，所述网络包括输入层、深度卷积特征提取网络、候选特征生成网络和分类识别网络；
电力导线图像通过输入至深度卷积特征提取网络，深度卷积特征提取网络进行特征提取，提取的特征输入至候选特征生成网络，候选特征生成网络利用候选框选择出候选特征，候选特征输入至分类识别网络中；
S3、利用训练集对电力导线故障检测网络进行训练，得到训练好的电力导线故障检测网络；
S4、将待测电力导线图像输入至电力导线故障检测网络中，电力导线故障检测网络输出分类结果，完成电力导线故障检测。
作为优选，深度卷积神经网络包括五个依次连接的提取网络，第一提取网络和第二提取网络结构相同，分别对输入图像进行两次卷积和ReLU操作之后连接了极大值池化层；第三至第五提取网络的结构相同，分别对输入图像进行经过三次卷积和ReLU操作之后连接了极大值池化层其中；
五个提取网络中的所有卷积层均为3×3的卷积核；所有极大值池化层均为2×2池化核来对卷积特征进行缩放。
作为优选，分类识别网络使用了全连接层来完成边界框回归与候选区域分类任务，根据全连接层的输出进行预测，得到结果与人工标注进行对比，进入类别loss层，获取分类误差，确定电力导线类型。
作为优选，所述全连接层以全连接的方式连接相邻的两层神经元，全连接层的每个输出结点的输出值是所有输入结点输入值的加权再求和。
作为优选，所述电力导线故障检测网络部署到嵌入式板中，将设备安装到电网系统线路上，在线路上直接将监控的图片进行本地导线故障检测，将故障图片通过通信模块传输到服务器。
本发明的有益效果，本发明利用基于深度学习的电力导线故障检测网络自动检测出电力导线的类型，能够准确确定故障类型，及时发现及检修，节省人力的同时，还可以保证电力正常运行。
附图说明
图1为本发明的应用示意图；
图2为本发明电力导线故障检测网络的原理示意图；
图3为本发明深度卷积神经网络的原理示意图；
图4为第一种提取网络的原理示意图；
图5为第二种提取网络的原理示意图；
图6为分类识别网络的原理示意图。
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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的基于深度学习的电力导线故障检测方法，方法包括：
步骤1、确定电力导线类型，包括电力导线损伤、电力导线断股、电力导线散股、电力导线裸露、电力导线锈蚀、未损坏电力导线；
根据电力导线类型构建训练集，采集电力导线图像以及未损坏的电力导线图像，根据输电线路故障数据，包括无人机巡检图像、监控设备录像与操作员手持设备现场拍摄图像进行收集，建立训练集，其中数据集生成主要包括，对样本库中所有图像通过软件手动打标签，生成符合PASCAL VOC格式的XML标签文件。其中标签文件包含图片以下信息：图片名称，图片路径，图片像素高度、宽度与深度，图片中包含故障类别，故障所在区域的矩形边框的坐标；通过数据转换脚本将PASCAL VOC格式的数据集转换成符合深度学习框架数据集格式。由于输电线路覆盖范围广，导线故障发生情况存在偶然性。通过对收集到的图像进行筛选，选择出符合导线故障特征的图像，一部分用于训练和验证，一部分用于测试。为了解决图像数量较少问题，并对采集的图像进行扩增，扩增的方法包括通过对图片进行水平翻转、随机裁剪加颜色扭曲、随机采集块域与获取小目标训练样本手段对数据进行扩增，在进行数据增强需要根据对应操作重新生成目标边界框。
步骤2、构建电力导线故障检测网络，所述网络包括输入层、深度卷积特征提取网络、候选特征生成网络和分类识别网络；
采集的电力导线图像输入至深度卷积特征提取网络，深度卷积特征提取网络进行特征提取，提取的特征输入至候选特征生成网络，候选特征生成网络利用候选框选择出候选特征，候选特征输入至分类识别网络中；
采用构建的训练集对电力导线故障检测网络进行训练，得到训练好的电力导线故障检测网络。
本实施方式的深度卷积神经网络通过大规模的数据拟合复杂模型，学习出电力导线图像的深层语义特征，更具体的表征待检测物体。深度卷积神经网络包括五个提取网络，如图2所示。第一提取网络和第二提取网络结构相同，分别对输入图像进行两次卷积和ReLU操作之后连接了极大值池化层；第三至第五提取网络的结构相同，，分别对输入图像进行经过三次卷积和ReLU操作之后连接了极大值池化层其中，所有的卷积层都使用尺寸为3×3的卷积核；所有的极大值池化层都使用2×2池化核来对卷积特征进行缩放。
候选区域特征生成网络将深度卷积神经网络的输出作为输入，生成每个候选区域对应的卷积特征，并将特征矢量化，为分类识别网络提供标准化输入。
为了方便整个网络实现端到端的运算，分类识别网络使用了全连接层来完成边界框回归与候选区域分类任务。全连接层以全连接的方式连接相邻的两层神经元，认为下一层的输入与上一层所有的输入都相关。全连接层的每个输出结点的输出值是所有输入结点输入值的加权再求和，对全连接层的输出进行预测，得到结果与人工标注进行对比，进入类别loss层，获取分类误差，确定电力导线类型。
将本实施方式的电力导线故障检测网络部署到嵌入式板中，将设备安装到电网系统线路上。在线路上直接将监控的图片进行本地导线故障检测，将故障图片通过通信模块传输到服务器。相比传统在服务器端进行故障检测，需要将海量监控数据传人服务器端，仅传输故障数据减轻了通信线路的数据负载压力。操作员通过接收到的故障图片对缺陷样本库进行扩充，增加了样本库的多样性，利用样本库中的故障图片进行模型训练，提升了导线故障检测模型的准确度。
本实施方式将深度学习的深度卷积神经网络应用于输电线路的特征提取及分类，并针对基于嵌入式板的边缘计算设备，在满足准确度的前提下提升运算速度，与常见大型神经网络相比，在损失较小精准度的情况下，将模型大小缩小10余倍，计算速度提升了将近30倍。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
1.基于深度学习的电力导线故障检测方法，其特征在于，所述方法包括：S1、构建训练集，训练集中包括电力导线类型为损伤、断股、散股、导线裸露、导线锈蚀、未损坏的电力导线图像，并进行标签；S2、构建电力导线故障检测网络，所述网络包括输入层、深度卷积特征提取网络、候选特征生成网络和分类识别网络；
电力导线图像通过输入至深度卷积特征提取网络，深度卷积特征提取网络进行特征提取，提取的特征输入至候选特征生成网络，候选特征生成网络利用候选框选择出候选特征，候选特征输入至分类识别网络中；
S3、利用训练集对电力导线故障检测网络进行训练，得到训练好的电力导线故障检测网络；
S4、将待测电力导线图像输入至电力导线故障检测网络中，电力导线故障检测网络输出分类结果，完成电力导线故障检测。
2.根据权利要求1所述的基于深度学习的电力导线故障检测方法，其特征在于，深度卷积神经网络包括五个依次连接的提取网络，第一提取网络和第二提取网络结构相同，分别对输入图像进行两次卷积和ReLU操作之后连接了极大值池化层；第三至第五提取网络的结构相同，分别对输入图像进行经过三次卷积和ReLU操作之后连接了极大值池化层其中；
五个提取网络中的所有卷积层均为3×3的卷积核；所有极大值池化层均为2×2池化核来对卷积特征进行缩放。
3.根据权利要求2所述的基于深度学习的电力导线故障检测方法，其特征在于，分类识别网络使用了全连接层来完成边界框回归与候选区域分类任务，根据全连接层的输出进行预测，得到结果与人工标注进行对比，进入类别loss层，获取分类误差，确定电力导线类型。
4.根据权利要求3所述的基于深度学习的电力导线故障检测方法，其特征在于，所述全连接层以全连接的方式连接相邻的两层神经元，全连接层的每个输出结点的输出值是所有输入结点输入值的加权再求和。
5.根据权利要求3所述的基于深度学习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网络部署到嵌入式板中，将设备安装到电网系统线路上，在线路上直接将监控的图片进行本地导线故障检测，将故障图片通过通信模块传输到服务器。
6.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至5任一所述基于深度学习的电力导线故障检测方法方法。
7.一种基于深度学习的电力导线故障检测方法装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述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实现如权利要求1至5任一所述基于深度学习的电力导线故障检测方法方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311574894.0A CN117611890A (zh) | 2023-11-23 | 2023-11-23 | 基于深度学习的电力导线故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311574894.0A CN117611890A (zh) | 2023-11-23 | 2023-11-23 | 基于深度学习的电力导线故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117611890A true CN117611890A (zh) | 2024-02-27 |
Family
ID=89945719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311574894.0A Pending CN117611890A (zh) | 2023-11-23 | 2023-11-23 | 基于深度学习的电力导线故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611890A (zh) |
-
2023
- 2023-11-23 CN CN202311574894.0A patent/CN117611890A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785289B (zh) | 一种输电线路缺陷检测方法、系统及电子设备 | |
| KR20200004825A (ko) | 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체 | |
| CN110175085B (zh) | 一种利用图分析的Hadoop系统异常原因诊断方法及装置 | |
| CN114863118A (zh) | 一种基于输电线路外部隐患自学习识别系统、方法 | |
| CN108415886B (zh) | 一种基于生产工序的数据标签纠错方法及装置 | |
| CN111008641A (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
| CN114399484A (zh) | 一种光伏组件缺陷检测方法、装置、设备及介质 | |
| CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
| CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
| CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
| CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
| CN114676053A (zh) | 一种硬件设备的自动化分析方法及装置 | |
| CN117437227B (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN117611890A (zh) | 基于深度学习的电力导线故障检测方法 | |
| KR20210037199A (ko) | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 | |
| CN113780371B (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
| CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
| CN110942401B (zh) | 一种电力物联网智能通讯方法 | |
| CN110597650A (zh) | 一种计算机系统中基于自学习的并行故障定位方法及系统 | |
| CN113114987B (zh) | 一种基于Hadoop的电力系统巡检方法和系统 | |
| KR102431935B1 (ko) | 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템 | |
| CN111800296B (zh) | 实时系统网络数据捕获与分析方法、系统、设备及存储介质 | |
| Zhong et al. | Inspection Technology of Power Communication Network Based on Machine Vision Graphic Recognition |
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 |