CN112884018A - 电网线路故障识别模型训练方法和电网线路巡检方法 - Google Patents

电网线路故障识别模型训练方法和电网线路巡检方法 Download PDF

Info

Publication number
CN112884018A
CN112884018A CN202110121070.2A CN202110121070A CN112884018A CN 112884018 A CN112884018 A CN 112884018A CN 202110121070 A CN202110121070 A CN 202110121070A CN 112884018 A CN112884018 A CN 112884018A
Authority
CN
China
Prior art keywords
fault
model
power grid
grid line
training
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
CN202110121070.2A
Other languages
English (en)
Inventor
冯歆尧
彭泽武
谢瀚阳
梁盈威
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.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid 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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110121070.2A priority Critical patent/CN112884018A/zh
Publication of CN112884018A publication Critical patent/CN112884018A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种电网线路故障识别模型训练方法和电网线路巡检方法，训练方法包括：构建训练样本集和测试样本集；采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小；采用测试样本集中的样本图片输入至训练后的故障识别模型，得到测试分类结果；采用测试分类结果和测试样本集中样本图片的特征标签计算模型准确度；在模型准确度不满足设定要求的情况下，重复执行前述的训练和测试步骤，直至得到满足设定要求的模型。通过训练预先建立的初始化故障识别模型，使得故障识别模型具有识别电网线路故障的能力。将此故障识别模型部署到实际应用中，可以取代有经验专业人员对拍摄的电网线路特征图片进行识别。

Description

电网线路故障识别模型训练方法和电网线路巡检方法
技术领域
本申请涉及电网巡检技术领域，尤其涉及一种电网线路故障模型训练方法和一种电网线路巡检方法。
背景技术
电力行业中，为避免因为主干电网线路和塔架故障造成大面积停电故障，需要对主干电网及其塔架故障进行巡检，及时发现出现的故障并消除故障。
采用无人机对电网线路进行故障巡检已经在电力行业中较为普遍；但是，目前，采用无人机巡检拍摄得到的影像资料后，仍然需要专业人员基于影像资料进行故障的识别；故障识别的准确性与专业人员的经验专业人员的精力状态直接相关，因为专业人员查看影像资料而识别故障的可信度是随着个人状态、影像资料的可辨识度直接相关；相关专业人员也很难长时间专注于故障的识别。如何减小在实际作业中对专业人员经验的依赖，是实现电网线路故障快速排除的核心。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了。
一方面，本申请提供一种电网线路故障识别模型训练方法，包括：
S101：构建训练样本集和测试样本集；所述训练样本集和所述测试样本集均包括电网线路中构件的正常样本图片、所述构件出现各种故障时的故障样本图片；所述正常样本图片和所述故障样本图片均具有匹配的特征标签；
S102：采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小；
S103：采用测试样本集中的样本图片输入至训练后的所述故障识别模型，得到测试分类结果；
S104：采用所述测试分类结果和所述测试样本集中样本图片的特征标签计算模型准确度；
S105：在所述模型准确度不满足设定要求的情况下，重复执行步骤S102-S104，直至得到满足所述设定要求的故障识别模型。
可选地，步骤S104采用所述测试分类结果和所述测试样本集中样本图片的特征标签计算模型准确度，包括：
统计所述测试分类结果中的正确故障识别数量和全部故障识别数量；
根据所述正确故障识别数量和所述测试样本集中特征标签为故障标签的样本数量，计算精准度；
根据所述正确故障识别数量和全部故障识别数量，计算召回率；
根据所述精准度和所述召回率计算所述模型准确度。
可选地，至少包括两种类型的故障识别模型；
所述S105还包括，在至少两种故障识别模型的模型准确度均满足设定要求的情况下，选定模型准确度最高的所述故障识别模型作为实际应用模型。
可选地，包括两种类型的所述故障识别模型，两种类型的故障识别模型分别为卷积神经网路模型和多层感知机模型。
可选地，统计执行步骤S102-S104的重复次数；
在所述重复次数超过预设次数的情况下，修改所述故障识别模型的架构后再重复执行步骤S102-S104。
另一方面，本申请提供一种电网线路巡检方法，包括：
采用人工巡检和/或无人机巡检方法获得待识别电网线路特征图片；
采用如前所述电网线路故障识别模型训练方法得到的故障识别模型处理所述待识别电网线路特征图片，得到故障判定结果；
根据所述故障判定结果确定需检修部位。
可选地，还包括：在对所述需检修部位进行检修后，重新获取所述需检修部位图片；
采用所述故障识别模型处理所述需检修部位图片，得到检修后故障判定结果；
根据所述检修后故障判定结果确定检修质量。
再一方面，本申请提供一种电网线路故障识别模型训练装置，包括：
样本集构建单元，用于构建训练样本集和测试样本集；所述训练样本集和所述测试样本集均包括电网线路中构件的正常样本图片、所述构件出现各种故障时的故障样本图片；所述正常样本图片和所述故障样本图片均具有匹配的特征标签；
模型训练单元，用于采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小；
模型测试单元，用于采用测试样本集中的样本图片输入至训练后的所述故障识别模型，得到测试分类结果；
模型准确度评价单元，用于采用所述测试分类结果和所述测试样本集中样本图片的特征标签计算模型准确度；
训练结束判定单元，用于训练在所述模型准确度不满足设定要求的情况下，触发所述模型训练单元、所述模型测试单元和所述模型准确度评价单元重复执行操作，直至得到满足所述设定要求的故障识别模型。
再一方面，本申请提供一种电网线路巡检装置，包括：
图像获取单元，用于获得待识别电网线路特征图片；
故障判断单元，用于采用如前所述电网线路故障识别模型训练方法得到的故障识别模型处理所述待识别电网线路特征图片，得到故障判定结果；
检修部位确定单元，用于根据所述故障判定结果确定需检修部位。
本申请提供的电网线路故障识别模型的训练方法，通过训练预先建立的初始化故障识别模型，使得故障识别模型具有识别电网线路故障的能力。将此故障识别模型部署到实际应用中，可以取代有经验专业人员对拍摄的电网线路特征图片进行识别，而确定特征图片表征出的电网线路故障问题；采用此模型可以减轻专业人员的工作强度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的电网线路故障识别模型训练方法流程图；
图2是本申请实施例提供的电网线路巡检方法流程图；
图3是本申请实施例提供的电网线路故障识别模型训练装置的结构示意图；
图4是本申请实施例提供的电网线路巡检装置的结构示意图；
图5是本申请实施例提供的电子设备的结构示意图；
其中：11-样本集构建单元，12-模型训练单元，13-模型测试单元，14-模型准确度评价单元，15-训练结束判定单元，21-图像获取单元，22-故障判断单元，23-检修部位确定单元，31-处理器，32-存储器，33-通信接口，34-总线***。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面将对本申请的方案进行进一步描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但本申请还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本申请的一部分实施例，而不是全部的实施例。
图1是本申请实施例提供的电网线路故障识别模型训练方法流程图。如图1所示，本申请实施例提供的电网线路故障识别模型训练方法包括步骤S101-S106。
S101：构建训练样本集和测试样本集。
本申请实施例中，训练样本集和测试样本集均是包括大量电网线路巡检中获得的电网线路图片的集合。具体应用中，可以从历史巡检资料中获取电网线路图片，构建训练样本即和测试样本集。
应当注意的是，为了保证后续训练模型尽可能地识别出电网线路中的各种可能故障，并且尽可能不把表征正常线路特征的图片识别为故障图片，在训练样本集和测试样本集中均具有正常样本图片和各种构件出现故障时的故障样本图片。其中正常样本图片和故障样本图片包括诸如塔杆、导线、底线、引流线等组成电网线路的各种构件部分的图片。
训练样本集和测试样本集中的正常样本图片、故障样本图片均包括对应的特征标签，特征标签用于表征故障类型的标签。针对正常样本图片，其特征标签可以仅表明其包含的构件部位，而不设置故障标识字段的字符正常等标识字样，后期在模型训练时直接根据构件部位和故障标识字段的字符为空，确定对应的图片为正常样本图片。针对故障样本图片，特征标签包括其包含的构件部位，缺陷类型和缺陷等级等用于区分故障情况的标识符。
应当注意的是，根据特征标签的用于区分故障类型的各种标识符的数量决定了后续故障识别模型的输出层的节点数量。
本申请实施例中，为了能够适应故障识别模型的输入层设置，本申请实施例中还需要正常样本图片和故障样本图片进行标准化处理，标准化处理包括图片的裁剪、缩放等操作，以使得图片能够包括需要识别的部位的足量信息，同时各个图片的尺寸被设定为相同的维度和通道数量。
还应当注意的是，本申请实施例中，训练样本集中的样本图片数量应当大于测试样本就中的样本图片数量；实际应用中，可以将二者的样本比例设置在4:1左右，以能够使得既能够有足量的样本图片用于故障识别模型的训练，又能够有足量的样本图片用于模型的测试。此时，不管是训练样本集还是测试样本集，样本的数量均应当是足量的，以提高模型的泛化能力。
S102：采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小。
步骤S102是故障识别模型的训练步骤。在此步骤中，将训练样本集中的样本图片作为输入，输入到故障识别模型中，得到图片被识别为各种特征标签的概率，并利用前述识别为各种特征标签的概率构建输出结果向量。另外，还需要根据某一图片的特征标签构建判别向量。随后，利用输出结果向量和判别向量计算损失函数，并采用误差反向传播算法修正故障识别模型的网络参数，直至损失函数最小。
在计算损失函数最小后，即确定故障识别模型训练完成。本申请实施例中，损失函数最小指的是损失函数满足设定的数量级要求，或者误差反向传播算法被使用了设定的次数。
S103：采用测试样本集中的样本图片输入至训练后的故障识别模型，得到测试分类结果。
在得到训练好的故障识别模型后，即可以将测试样本数据集中的样本图片作为输入，利用故障识别模型得到测试分类结果。测试分类结果实际上是将输出结果向量中的最大概率对应的分类标签作为测试分类结果。
应当注意的是，步骤S103是将测试样本集中的所有样本图片输入到故障识别模型，得到对应的测试分类结果。
S104：采用测试分类结果和测试样本集中样本图片的特征标签计算模型准确度。
本申请实施例中，计算模型准确度是利用测试分类结果和样本图像集中各个样本图像的特征标签进行比较和数据统计，将统计结果作为表征模型准确度的过程。
本申请实施例的一个应用中，步骤S104可以细化为步骤S1041-S1044。
S1041：统计测试分类结果中的正确故障识别数量和全部故障识别数量。
正确故障识别数量，是所有的测试分类结果中，满足下列条件的测试分类结果的数量：(1)测试分类结果为故障结果；(2)测试分类结果中的故障类型和对应的样本图片的特征标签相同。
全部故障识别数量，是测试结果为故障结果的测试分类结果的数量。
S1042：根据正确故障识别数量和测试样本集中特征标签为故障标签的样本数量，计算精准度。
本申请实施例中，精准度表征了测试样本中所有故障样本中被识别出的故障样本的比率，其采用正确故障样本数量和测试样本即中特征标签为故障标签的样本数量之比得到。
如果正确故障识别数量为a，特征标签为故障标签的样本数量为b，则精准度为precision＝a/b。
S1043：根据正确故障识别数量和全部故障识别数量，计算召回率。
召回率表表征了测试样本中确定故障识别数量与全部故障识别数量的比率。如果全部故障识别数量为c，则召回率recall＝a/c。
S1044：根据精准度和召回率计算模型准确度
本申请实施例中，根据精准度和召回率计算模型准确度，是按照公式F1＝(precision×recall)/(precision+recall)，其中F1即为模型精准度。
S105：判断模型准确度是否满足设定要求；若是，执行步骤S106，若否，返回步骤S102。
S106：结束模型训练。
本申请实施例中，如果模型准确度满足设定要求，无需对模型进行再训练；如果模型准确度不满足要求，则需要重新执行步骤S102-S104的步骤。
本申请实施例中，步骤S105中可以预先设定一精准度阈值，只有在模型精准度超过精准度阈值的情况下才认定模型具有较好的泛化能力，能够用于实际操作。
本申请实施例提供一种电网线路故障识别模型的训练方法，通过训练预先建立的初始化故障识别模型，使得故障识别模型具有识别电网线路故障的能力。将此故障识别模型部署到实际应用中，可以取代有经验专业人员对拍摄的电网线路特征图片进行识别，而确定特征图片表征出的电网线路故障问题；采用此模型可以减轻专业人员的工作强度。
本申请实施例中，实际构建的故障识别模型可能有多个，在执行步骤S103的过程中，对各个故障识别模型均进行训练，并通过步骤S104对各个故障识别模型的精准度进行测试。而在步骤S105更改为：在多个故障识别模型均满足准确度要求的情况下，选定模型准确度最高的故障识别模型作为实际应用模型，此时即使某些模型精准度并不满足要求，也不再对此模型进行训练。
具体应用中，前述至少两种类型的故障识别模型可以是卷积神经网络模型和多层感知机模型；当然，在其他应用中，也可以采用深度学习领域中使用的其他模型。
本申请实施例的一个具体应用中，除了包括前述的步骤S101-S106外，还可以包括如下步骤：统计执行步骤S102-S104的重复次数，并判断重复次数是否超过预设次数；若是，对故障识别模型的架构进行修改后重复执行步骤S102-S104。具体应用中，对故障识别模型的架构进行修改包括更改模型的层数、更改模型中某一隐含层的节点数量，更改各个节点的激活函数的类型等。
除了提供前述的电网线路故障识别模型训练方法外，本申请实施例还提供一种电网线路巡检方法。图2是本申请实施例提供的电网线路巡检方法流程图。如图2所示，电网线路巡检方法包括步骤S201-S203。
S201：获得待识别电网线路特征图片。
待识别电网线路特征图片是采用人工巡检或者无人机巡检方法获得的，包含电网线路特征的图片。再获得图片后，按照前述模型训练方法中的步骤对图片进行处理(包括裁剪、缩放等操作)，得到处理后的待识别特征图片。
S202：将待识别电网线路特征图片输入到故障识别模型中，得到故障判定结果。
S203：根据故障判定结果确定需检修部位。
步骤S202中故障判定结果是确定相应的图片是否包括故障信息，如果包含故障信息，则步骤S203根据包含故障信息的图片溯源确定此图片对应的电网线路部分，并将此部分确定为检修部位。
实际应用中，可以采用前述步骤S201-S203的方法确定需检修部位，随后再采用人工复检的方法确定相应的电网线路特征图片是否是故障部位图片，继而确定是否对确定的检修部位进行检修。
实际应用中，可以对人工复检的图片进行确认并标准特征标签后，添加至一数据库中，后续继续利用此数据库的图片对故障识别模型进行再训练。
本申请实施例中，因为故障识别模型的特征标签包括缺陷部位、缺陷等级等类型信息，实际得到的故障判定结果也可以包括此类信息。因此可以根据缺陷部位、缺陷等级确定优先进行检修的部位，即实现了缺陷的分级预警。
本申请实施例具体应用中，除了检前述的步骤S201-S203外，电网线路巡检方法还可以包括步骤S204-S206。
S204：在对需检修部位进行检修后，重新获取需检修部位图片。
S205：采用故障识别模型处理需检修部位图片，得到检修后故障判定结果；
S206：根据检修后故障判定结果确定检修质量。
基于提供前述的电路线路故障识别模型训练方法外，本申请实施例还提供一种电网线路故障识别模型训练装置。图3是本申请实施例提供的电网线路故障识别模型训练装置的结构示意图，如图3所示，训练装置包括样本集构建单元11、模型训练单元12、模型测试单元13、模型准确度评价单元14和训练结束判定单元15。
样本集构建单元11用于构建训练样本集和测试样本集；训练样本集和测试样本集均包括电网线路中构件的正常样本图片、构件出现各种故障时的故障样本图片；正常样本图片和故障样本图片均具有匹配的特征标签；
模型训练单元12用于采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小；
模型测试单元13用于采用测试样本集中的样本图片输入至训练后的故障识别模型，得到测试分类结果；
模型准确度评价单元14采用测试分类结果和测试样本集中样本图片的特征标签计算模型准确度；
训练结束判定单元15用于训练在模型准确度不满足设定要求的情况下，触发模型训练单元12、模型测试单元13和模型准确度评价单元14重复执行操作，直至得到满足设定要求的故障识别模型。
在一个具体应用中，模型准确度评价单元14采用下述方法确定故障识别模型的准确度：统计测试分类结果中的正确故障识别数量和全部故障识别数量；根据正确故障识别数量和测试样本集中特征标签为故障标签的样本数量，计算精准度；根据正确故障识别数量和全部故障识别数量，计算召回率；根据精准度和召回率计算模型准确度。
本申请实施例的一个具体应用中，模型训练单元12可以对至少中类型的故障识别模型进行训练，对应的模型测试单元13对各个故障识别模型进行测试得到测试分类结果，模型准确度评价单元14评价各个故障识别模型的模型准确度，训练结束判定单元15则还用于选定准确度最高并且满足设定要求的故障识别模型作为最终应用模型。
基于前文提供的电网线路巡检方法的发明构思，本申请实施例还提供一种电网线路巡检装置。图4是本申请实施例提供的电网线路巡检装置的结构示意图；如图4所示，电网线路巡检装置包括图像获取单元21、故障判断单元22和检修部位确定单元23。
图像获取单元21用于获得待识别电网线路特征图片。
故障判断单元22用于采用电网线路故障识别模型训练方法得到的故障识别模型处理待识别电网线路特征图片，得到故障判定结果；
检修部位确定单元23用于根据故障判定结果确定需检修部位。
基于前述的发明构思，本申请还提供一种电子设备。图5是本申请实施例提供的电子设备的结构示意图。如图5所示，第一服务器包括至少一个处理器31、至少一个存储器32和至少一个通信接口33。通信接口33，用于与外部设备之间的信息传输。
第一服务器中的各个组件通过总线***34耦合在一起。可理解地，总线***34用于实现这些组件之间的连接通信。总线***34除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图5中将各种总线都标为总线***34。
可以理解，本实施例中的存储器32可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。在一些实施方式中，存储器32存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作***和应用程序。
其中，操作***，包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础任务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用任务。实现本申请实施例提供的电网线路故障识别模型训练方法和/或电网线路巡检方法的程序可以包含在应用程序中。
在本申请实施例中，处理器31通过调用存储器32存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器31用于执行本申请实施例提供的电网线路故障识别模型训练方法和/或电网线路巡检方法的各个步骤。
本申请实施例提供的电网线路故障识别模型训练方法和/或电网线路巡检方法可以应用于处理器31中，或者由处理器31实现。处理器31可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例提供的电网线路故障识别模型训练方法和/或电网线路巡检方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器32，处理器31读取存储器32中的信息，结合其硬件完成方法的步骤。
本申请实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行电网线路故障识别模型训练方法和/或电网线路巡检方法的步骤各实施例的步骤，为避免重复描述，在此不再赘述。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电网线路故障识别模型训练方法，其特征在于，包括：
S101：构建训练样本集和测试样本集；所述训练样本集和所述测试样本集均包括电网线路中构件的正常样本图片、所述构件出现各种故障时的故障样本图片；所述正常样本图片和所述故障样本图片均具有匹配的特征标签；
S102：采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小；
S103：采用测试样本集中的样本图片输入至训练后的所述故障识别模型，得到测试分类结果；
S104：采用所述测试分类结果和所述测试样本集中样本图片的特征标签计算模型准确度；
S105：在所述模型准确度不满足设定要求的情况下，重复执行步骤S102-S104，直至得到满足所述设定要求的故障识别模型。
2.根据权利要求1所述电网线路故障识别模型训练方法，其特征在于，步骤S104采用所述测试分类结果和所述测试样本集中样本图片的特征标签计算模型准确度，包括：
统计所述测试分类结果中的正确故障识别数量和全部故障识别数量；
根据所述正确故障识别数量和所述测试样本集中特征标签为故障标签的样本数量，计算精准度；
根据所述正确故障识别数量和全部故障识别数量，计算召回率；
根据所述精准度和所述召回率计算所述模型准确度。
3.根据权利要求1所述电网线路故障识别模型训练方法，其特征在于：至少包括两种类型的故障识别模型；
所述S105还包括，在至少两种故障识别模型的模型准确度均满足设定要求的情况下，选定模型准确度最高的所述故障识别模型作为实际应用模型。
4.根据权利要求3所述电网线路故障识别模型训练方法，其特征在于，
包括两种类型的所述故障识别模型，两种类型的故障识别模型分别为卷积神经网路模型和多层感知机模型。
5.根据权利要求1所述电网线路故障识别模型训练方法，其特征在于，还包括：
统计执行步骤S102-S104的重复次数；
在所述重复次数超过预设次数的情况下，修改所述故障识别模型的架构后再重复执行步骤S102-S104。
6.一种电网线路巡检方法，其特征在于，包括：
采用人工巡检和/或无人机巡检方法获得待识别电网线路特征图片；
采用如权利要求1-5任一项所述电网线路故障识别模型训练方法得到的故障识别模型处理所述待识别电网线路特征图片，得到故障判定结果；
根据所述故障判定结果确定需检修部位。
7.根据权利要求6所述的电网线路巡检方法，其特征在于，还包括：
在对所述需检修部位进行检修后，重新获取所述需检修部位图片；
采用所述故障识别模型处理所述需检修部位图片，得到检修后故障判定结果；
根据所述检修后故障判定结果确定检修质量。
8.一种电网线路故障识别模型训练装置，其特征在于，包括：
样本集构建单元，用于构建训练样本集和测试样本集；所述训练样本集和所述测试样本集均包括电网线路中构件的正常样本图片、所述构件出现各种故障时的故障样本图片；所述正常样本图片和所述故障样本图片均具有匹配的特征标签；
模型训练单元，用于采用训练样本集中的样本图片和匹配的特征标签，对故障识别模型进行训练，直至损失函数最小；
模型测试单元，用于采用测试样本集中的样本图片输入至训练后的所述故障识别模型，得到测试分类结果；
模型准确度评价单元，用于采用所述测试分类结果和所述测试样本集中样本图片的特征标签计算模型准确度；
训练结束判定单元，用于训练在所述模型准确度不满足设定要求的情况下，触发所述模型训练单元、所述模型测试单元和所述模型准确度评价单元重复执行操作，直至得到满足所述设定要求的故障识别模型。
9.一种电网线路巡检装置，其特征在于，包括：
图像获取单元，用于获得待识别电网线路特征图片；
故障判断单元，用于采用如权利要求1-5任一项所述电网线路故障识别模型训练方法得到的故障识别模型处理所述待识别电网线路特征图片，得到故障判定结果；
检修部位确定单元，用于根据所述故障判定结果确定需检修部位。
10.一种电子设备，其特征在于，包括处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至7任一项所述方法的步骤。
CN202110121070.2A 2021-01-28 2021-01-28 电网线路故障识别模型训练方法和电网线路巡检方法 Pending CN112884018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110121070.2A CN112884018A (zh) 2021-01-28 2021-01-28 电网线路故障识别模型训练方法和电网线路巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110121070.2A CN112884018A (zh) 2021-01-28 2021-01-28 电网线路故障识别模型训练方法和电网线路巡检方法

Publications (1)

Publication Number Publication Date
CN112884018A true CN112884018A (zh) 2021-06-01

Family

ID=76053268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110121070.2A Pending CN112884018A (zh) 2021-01-28 2021-01-28 电网线路故障识别模型训练方法和电网线路巡检方法

Country Status (1)

Country Link
CN (1) CN112884018A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689111A (zh) * 2021-08-20 2021-11-23 北京百度网讯科技有限公司 故障识别模型训练方法、故障识别方法、装置和电子设备
CN113759968A (zh) * 2021-09-01 2021-12-07 中国南方电网有限责任公司超高压输电公司贵阳局 一种基于无人机的电网巡线规划方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067026A (zh) * 2017-02-16 2017-08-18 国网江苏省电力公司电力科学研究院 基于深度神经网络的电力设备故障检测方法
CN110580475A (zh) * 2019-11-12 2019-12-17 江西博微新技术有限公司 基于无人机巡检的线路诊断方法、电子装置及存储介质
US20200403406A1 (en) * 2019-06-19 2020-12-24 King Fahd University Of Petroleum And Minerals Distribution grid fault analysis under load and renewable energy uncertainties
CN112232133A (zh) * 2020-09-18 2021-01-15 许继集团有限公司 基于深度卷积神经网络的输电线路图像识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067026A (zh) * 2017-02-16 2017-08-18 国网江苏省电力公司电力科学研究院 基于深度神经网络的电力设备故障检测方法
US20200403406A1 (en) * 2019-06-19 2020-12-24 King Fahd University Of Petroleum And Minerals Distribution grid fault analysis under load and renewable energy uncertainties
CN110580475A (zh) * 2019-11-12 2019-12-17 江西博微新技术有限公司 基于无人机巡检的线路诊断方法、电子装置及存储介质
CN112232133A (zh) * 2020-09-18 2021-01-15 许继集团有限公司 基于深度卷积神经网络的输电线路图像识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689111A (zh) * 2021-08-20 2021-11-23 北京百度网讯科技有限公司 故障识别模型训练方法、故障识别方法、装置和电子设备
CN113759968A (zh) * 2021-09-01 2021-12-07 中国南方电网有限责任公司超高压输电公司贵阳局 一种基于无人机的电网巡线规划方法及***

Similar Documents

Publication Publication Date Title
US10878283B2 (en) Data generation apparatus, data generation method, and data generation program
US10885618B2 (en) Inspection apparatus, data generation apparatus, data generation method, and data generation program
US11029260B2 (en) Solder paste printing quality inspection system and method
CN110021005B (zh) 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
CN109060817B (zh) 人工智能复检***及其方法
CN111079818A (zh) 铁路货车车钩托梁折断检测方法
US11727553B2 (en) Vision analysis and validation system for improved inspection in robotic assembly
CN112884018A (zh) 电网线路故障识别模型训练方法和电网线路巡检方法
CN112528975A (zh) 工业质检方法、装置和计算机可读存储介质
CN114445746A (zh) 模型训练方法、铁路接触网异常检测方法及相关装置
US20220343642A1 (en) High-precision identification method and system for substations
CN112529109A (zh) 一种基于无监督多模型的异常检测方法及***
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
US11120308B2 (en) Vehicle damage detection method based on image analysis, electronic device and storage medium
CN111507483A (zh) 返修板检测装置、方法及计算机可读存储介质
CN115100614A (zh) 车辆感知***的评估方法、装置、车辆及存储介质
CN117372424B (zh) 一种缺陷检测方法、装置、设备及存储介质
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及***
CN113592864B (zh) 基于卷积神经网络的变压器监控方法、装置、***及介质
CN113447572B (zh) 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质
CN116383710A (zh) 标签确定方法、装置、电子设备及存储介质
KR20210037199A (ko) 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치
CN115294505A (zh) 风险物体检测及其模型的训练方法、装置及电子设备
CN114897863A (zh) 一种缺陷的检测方法、装置以及设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601

RJ01 Rejection of invention patent application after publication