一种用于电力巡检场景模型的评价方法技术

本发明专利技术公开了一种用于电力巡检场景模型的评价方法，包括以下步骤：S1：对电力巡检场景算法模型进行调研和分析，建立指标算法模型测试方式；S2：对电网的典型场景进行定制化分析，分析获得相应的评价指标数据；S3：结合步骤S2的数据特征、计划任务和实际场景进行计算分析，确定相应任务和相应电力巡检场景的各子场景的评价指标；S4：通过场景模型的评价指标，计算相应场景的评测指标。面向电力巡检场景，针对以电力巡检为代表的特定场景，实现对如小部件识别场景、输电线路巡检场景、绝缘子缺陷检测场景等典型场景结合不同场景安全性需求，构建定制化评价指标，进一步提升子场景评测可靠性、准确性。准确性。

【技术实现步骤摘要】
一种用于电力巡检场景模型的评价方法


[0001]本专利技术涉及电力场景模型法
，尤其涉及一种用于电力巡检场景模型的评价方法。

技术介绍

[0002]随着大数据和人工智能时代的来临，越来越多的软件和应用程序构建于大数据和人工智能技术的基础上，国家电网作为国家基础设施的重要组成部分，也成为大数据与人工智能发展的重要场景，针对电力场景的AI算法模型与电力人工智能技术也得到了迅速的发展。
[0003]当前衡量人工智能模型的质量，主要从评估人工智能模型性能角度出发，如在分类问题中使用准确率、精确率、召回率等指标，回归问题中使用MSE、MAE等指标，工业界使用点击率、客户留存率等商业指标，这些指标在衡量模型性能方面取得显著效果，但在模型的安全性、与具体业务结合等方面却存在一定瓶颈。人工智能算法模型评测验证技术通常通过分类、聚类、回归等大类进行任务区分，缺乏面向电力行业实际应用各场景下的算法模型评测方法，难以针对以电力巡检为代表的特定场景，形成相对细化且客观准确的模型评价体系，在一定程度上未能使模型贴近电力行业的实际需求。因此亟需细化定义电力巡检的典型场景，建立准确有效的模型评价指标，提高模型的实际效能。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的用于电力巡检场景模型的评价方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种用于电力巡检场景模型的评价方法，包括以下步骤：
[0007]S1：对电力巡检场景算法模型进行调研和分析，建立指标算法模型测试方式；
[0008]S2：对电网的典型场景进行定制化分析，分析获得相应的评价指标数据；
[0009]S3：结合步骤S2的数据特征、计划任务和实际场景进行计算分析，确定相应任务和相应电力巡检场景的各子场景的评价指标；
[0010]S4：通过场景模型的评价指标，计算相应场景的评测指标。
[0011]进一步地，在步骤S2中，典型场景包括小部件识别场景、输电线路巡检场景和绝缘子缺陷检测场景；
[0012]评价指标包括模型的正确性、效率、鲁棒性、安全性、稳定性和复杂性。
[0013]进一步地，用于步骤S2中，模型的正确性针对不同任务，依据数据集基准，采用不同测量方式进行测量，任务包括回归任务、分类任务、聚类任务；
[0014]模型的效率包括时间效率和空间效率；
[0015]模型的安全性包括数据安全性和模型安全性；
[0016]模型稳定性指模型采用群体稳定性。
[0017]相比于现有技术，本专利技术的有益效果在于：
[0018]面向电力巡检场景，针对以电力巡检为代表的特定场景，形成相对细化且客观准确的模型评价体系，使模型贴近电力行业的实际需求，通过对电力巡检的典型场景、不同任务、算法模型的多个评价指标进行针对性的分析，避免人工智能算法模型鲁棒性低，在实际部署后可用性低的问题，实现对如小部件识别场景、输电线路巡检场景、绝缘子缺陷检测场景等典型场景结合不同场景安全性需求，构建定制化评价指标，进一步提升子场景评测可靠性、准确性。
具体实施方式
[0019]下面将对本专利技术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专利技术一部分实施例，而不是全部的实施例。
[0020]在本申请中，用于调研的数据为：调研图像识别领域高级别国际会议近5年相关学术成果，分析国网实际业务，统计筛选出具有研究价值的典型子场景，对各子场景调研总结常用算法模型。
[0021]电力小部件识别场景：在实际输电线路视觉巡检图像中,包含螺丝钉、锤、电力变压器、隔离开关、断路器、间隔棒、塔号牌等多种小电力部件的识别，大多由于目标图像区域面积和特征较少、干扰物较多，无法用传统的图像识别方法对其检测。
[0022]输电线路巡检场景：输电线路的巡检业务是电网设施运行保障的重要一环，主要是为了掌握输电线路的运行状况、能够及时发现电网相关设备缺陷和威胁线路安全的问题。目前常见的巡检方式是通过无人机巡检，在巡检过程中采集有限目标的图像，如输电线路及杆塔等，输电线路运行状态识别智能化工作，主要内容包括输电线路运行状态识别智能化、输电线路缺陷识别智能化、输电线路隐患识别智能化三个方面。
[0023]绝缘子缺陷检测场景：输电线路是电力系统的重要组成部分，而绝缘子作为其重要的部件，起着电气绝缘和机械固定的作用，输电运维工作中不同形式结构、材质绝缘子各种缺陷现象会带来不同的安全隐患，现有的绝缘子故障检测仍然以人眼观察或者传统的数字图像检测技术为主，也包括基于Faster
‑
RCNN算法的无人机巡检图片绝缘子缺陷检测方法。
[0024]实施例
[0025]用于电力巡检场景模型的评价方法，包括以下步骤：
[0026]S1：对电力巡检场景算法模型进行调研和分析，建立指标算法模型测试方式；
[0027]S2：对电网的典型场景进行定制化分析，分析获得相应的评价指标数据；
[0028]S3：结合步骤S2的数据特征、计划任务和实际场景进行计算分析，确定相应任务和相应电力巡检场景的各子场景的评价指标；
[0029]S4：通过场景模型的评价指标，计算相应场景的评测指标。
[0030]在本申请的具体实施例中，在步骤S2中，典型场景包括小部件识别场景、输电线路巡检场景和绝缘子缺陷检测场景；
[0031]评价指标包括模型的正确性、效率、鲁棒性、安全性、稳定性和复杂性；
[0032]用于步骤S2中，模型的正确性针对不同任务，依据数据集基准，采用不同测量方式进行测量，任务包括回归任务、分类任务、聚类任务；
[0033]模型的效率包括时间效率和空间效率；
[0034]模型的安全性包括数据安全性和模型安全性；
[0035]模型稳定性指模型采用群体稳定性。
[0036]所述评测指标包括漏警率和误检率，具体计算方式为：
[0037]漏警率MR＝FN/(TP+FN)；
[0038]误检率FPR＝FP/(FP+TN)；
[0039]其中，TP——预测为真正例的样本数；FN——预测为假负例的样本数；FP——预测为假正例的样本数；FN——预测为假负例的样本数。
[0040]为了更好的理解本专利技术的技术方案，以下对实施例进一步说明。
[0041]在本申请的具体实施例中，在电力巡检场景下，电力巡检过程中的图像识别模型准确率集中分布于80％
‑
92％之间，形成如下格式评测指标，具体见表1.
[0042][0043][0044]表1典型场景模型评价指标其中，漏警率和误检率，具体计算方式为：漏警率MR＝FN/(TP+FN)；
[0045]误检率FPR＝FP/(FP+TN)；
[0046]其中，TP——预测为真正例的样本数；FN——预测为假负例的样本数；FP——预测为假正例的样本数；FN——预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于电力巡检场景模型的评价方法，其特征在于，包括以下步骤：S1：对电力巡检场景算法模型进行调研和分析，建立指标算法模型测试方式；S2：对电网的典型场景进行定制化分析，分析获得相应的评价指标数据；S3：结合步骤S2的数据特征、计划任务和实际场景进行计算分析，确定相应任务和相应电力巡检场景的各子场景的评价指标；S4：通过场景模型的评价指标，计算相应场景的评测指标，获得结果完成评价。2.根据权利要求1所述的用于电力巡检场景模型的评价方法，其特征在于...

【专利技术属性】
技术研发人员：董天宇，黄云，张黎，孙浩，严宗，
申请(专利权)人：安徽继远检验检测技术有限公司，
类型：发明
国别省市：