【技术实现步骤摘要】
基于多任务深度卷积神经网络的输电线路诊断方法和系统
本专利技术涉及电力系统运行和故障诊断
，具体涉及一种基于多任务深度卷积神经网络的输电线路诊断方法及系统。
技术介绍
随着国民经济的飞速发展，各行各业对电力资源的需求量也在与日俱增。电网作为经济的命脉，安全稳定地运行对人民生活、工业生产乃至社会正常运转具有重要影响。输电线路作为连接发电厂、变电站和用户的纽带，是电网的重要组成部分，是全社会能量输送的大动脉，输电线路运行的安全性和可靠性受到了越来越广泛的关注。在输电线路上安装视频监控设备，通过监测的手段实现对于输电线路本体异常情况和外部通道隐患的预知，并及时进行处理是提高输电线路安全稳定运行水平的切实需要。实际环境中，既存在玻璃绝缘子、螺栓销钉、防震锤、金具、导地线等输电线路本体装置异常情况，又存在吊车、塔吊、泵车等机械外破、导地线悬挂异物、杆塔、鸟巢、蜂窝、烟雾、山火等输电线路通道环境异常情况。所以要求既能够对异常情况的属性进行分类：即异常情况属于本体异常还是通道异常，又能够对对异常情况的类别进行分类：即异常情况...
【技术保护点】
1.一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征在于：包括步骤：/n获取需要诊断的输电线路图像，并与正常图像对比，获取差异图像；/n将差异图像输入预先训练得到的异常物类别分类用网络模型和异常物属性分类用网络模型，识别异常物的属性和类型；/n所述异常物属性分类用网络模型是基于MMD距离迁移异常物类别分类用网络模型中的部分卷积层特征参数，并对剩余网络层进行再训练得到的。/n
【技术特征摘要】
1.一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征在于：包括步骤：
获取需要诊断的输电线路图像，并与正常图像对比，获取差异图像；
将差异图像输入预先训练得到的异常物类别分类用网络模型和异常物属性分类用网络模型，识别异常物的属性和类型；
所述异常物属性分类用网络模型是基于MMD距离迁移异常物类别分类用网络模型中的部分卷积层特征参数，并对剩余网络层进行再训练得到的。
2.根据权利要求1所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述异常物属性分类用网络模型获取过程为：
将训练得到的异常物类别分类用网络模型中的卷积层和池化层的参数全部迁移作为异常物的属性分类用网络模型的初始参数，对异常物属性分类用卷积神经网络进行一次训练；
计算异常物类别分类用网络和属性分类用网络中的某一对应的卷积层输出之间的MMD距离，响应于MMD距离小于设定的阈值，将异常物属性分类用网络中该层卷积层及其之前的卷积层的特征参数固定；
对属性分类用网络的剩余网络层再训练，得到异常物属性分类用网络模型。
3.根据权利要求2所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述异常物类别分类用网络和属性分类用网络中的某一层卷积层输出之间的MMD距离为：
其中，k(.)是将卷积层输出变量向再生核希尔伯特空间映射的映射函数，X,Y分别表示属性分类和类别分类用网络对应的卷积层输出的两种特征分布的向量，卷积层输出的两种特征分布的向量的大小分别为m和n，i，j为整数序号，xi为属性分类用网络中某卷积层输出向量中的第i个值,xj为属性分类用网络中某卷积层输出向量中的第j个值，yi为类别分类用网络中某卷积层输出向量中的第i个值，yj为类别分类用网络中某卷积层输出向量中的第j个值。
4.根据权利要求1所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述异常物类别分类用网络模型和异常物属性分类用网络模型预先训练时的样本集获取方法为：对输电线路走廊异常物的图片样本进行预处理后再扩充。
5.根据权利要求4所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述预处理包括：对原始输电线路走廊异常物的图片样本筛选后提取异常物矩形框对应的图像，得到原始有效图片样本；
将原始有效图片样本的大小归一化，像素值二值化，得到预处理后的图像样本。
6.根据权利要求4所述的一种基于多任务深度...
【专利技术属性】
技术研发人员：张恒，饶丹，李临风，周华良，李友军，尹宇轩，王军，张吉，
申请(专利权)人：国电南瑞科技股份有限公司，国电南瑞南京控制系统有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。