System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于电路巡检,更具体地,涉及一种线路状态的确定方法、装置、计算机设备及可读存储介质。
技术介绍
1、电路巡检是指定期检查电路系统的运行状态和设备设施的工作情况,以确保其正常运行和安全性。目前,无人机巡检代替人工巡检成为电路巡检的主要方式,可以替代人工爬电塔等亲力亲为的确认方式,提高了巡检效率。但申请人认识到,采用无人机巡检的方式通常需要无人机拍摄较多的巡检线路图像,相关人员根据大量的巡检线路图像判断当前巡检线路的线路状态,由于人员精力限制以及主观因素影响,存在漏检或误判故障的情况,即具有线路故障(线损)的巡检线路检测不出来或对巡检线路出现的线损类型误判,线损判断准确性较低。
技术实现思路
1、有鉴于此,本专利技术提供了一种线路状态的确定方法、装置、计算机设备及可读存储介质,主要目的在于解决目前存在对线损漏检或误判故障的情况,线损判断准确性较低的问题。
2、依据本申请第一方面,提供了一种线路状态的确定方法,包括:
3、获取训练数据集,所述训练数据集包括多个线路状态类别、所述多个线路状态类别中每个线路状态类别对应的多个目标历史巡检特征数据;
4、建立深度网络模型,基于所述训练数据集对所述深度网络模型进行训练,直至模型收敛,得到目标深度网络模型;
5、获取预测数据集,将所述预测数据集输入所述目标深度网络模型,得到待确定线路的目标线路状态,其中,所述预测数据集包括用于指示所述待确定线路的线路状态的多个当前巡检特征数据。
6、
7、获取多个历史线路巡检图像,并获取所述多个历史线路巡检图像中每个历史线路巡检图像对应的线路所属区域的地区身份标识号、降雨量信息、气温信息、风力信息;
8、将所述多个历史线路巡检图像中每个历史线路巡检图像与对应的线路所属区域的地区身份标识号、降雨量信息、气温信息、风力信息进行组合,得到多个历史巡检特征数据;
9、获取所述多个线路状态类别,采用所述多个线路状态类别对所述多个历史巡检特征数据进行标注,得到多个标注后的历史巡检特征数据;
10、基于所述多个标注后的历史巡检特征数据得到初始训练数据集。
11、可选地,所述基于所述多个标注后的历史巡检特征数据得到初始训练数据集之后,所述方法还包括:
12、识别所述初始训练数据集中存在离散型特征指标缺失的至少一个第一历史巡检特征数据,将所述至少一个第一历史巡检特征数据从所述初始训练数据集中删除,得到中间训练数据集;
13、识别所述中间训练数据集中存在连续型特征指标缺失的至少一个第二历史巡检特征数据,获取标识信息,采用所述标识信息对所述至少一个第二历史巡检特征数据进行标注,得到标注后的至少一个第二历史巡检特征数据,基于所述标注后的至少一个第二历史巡检特征数据得到更新中间训练数据集;
14、对所述更新中间训练数据集进行连续型特征指标的归一化处理,得到处理后的更新中间训练数据集;
15、按照所述标识信息从所述处理后的更新中间训练数据集中提取与所述至少一个第二历史巡检特征数据对应的至少一个待填补历史巡检特征数据,采用拉格朗日插值法对所述至少一个待填补历史巡检特征数据中每个待填补历史巡检特征数据的缺失值进行填补,得到至少一个目标历史巡检特征数据;
16、基于所述至少一个目标历史巡检特征数据得到所述训练数据集。
17、可选地,所述基于所述训练数据集对所述深度网络模型进行训练,直至模型收敛,得到目标深度网络模型,包括:
18、采用独热编码对所述训练数据集进行处理,得到目标训练数据集,所述目标训练数据集包括多个学习目标标签、所述多个学习目标标签中每个学习目标标签对应的目标历史巡检特征数据;
19、采用所述目标训练数据集对所述深度网络模型进行训练,直至模型收敛,确定目标模型参数;
20、基于所述目标模型参数得到所述目标深度网络模型。
21、可选地,,所述采用所述目标训练数据集对所述深度网络模型进行训练,直至模型收敛,确定目标模型参数,包括:
22、将所述目标训练数据集划分为多个训练子集,其中,所述多个训练子集中每个训练子集包括相同数量的标注后的目标历史巡检特征数据;
23、从所述多个训练子集中选取任一训练子集,将选取的所述训练子集输入所述深度网络模型,获取所述深度网络模型输出的每个标注后的目标历史巡检特征数据对应的线损故障概率;
24、获取所述深度网络模型的损失函数,以及从所述训练子集中提取每个标注后的目标历史巡检特征数据对应的学习目标标签;
25、基于每个标注后的目标历史巡检特征数据对应的学习目标标签、线损故障概率利用所述损失函数计算所述深度网络模型对应的损失值;
26、当检测到所述损失值未超过目标阈值时,确定模型收敛,并将所述深度网络模型的当前模型参数作为所述目标模型参数。
27、可选地,所述深度网络模型的损失函数为:
28、
29、其中,loss为所述损失函数的损失值,n为选取的数据训练子集包括的标注后的目标历史巡检特征数据的总数,i为所述训练子集中第i个标注后的目标历史巡检特征数据,c为当前分类,m为所述多个学习目标标签,yic为在当前分类下第i个标注后的目标历史巡检特征数据对应的标签值,pic为在所述当前分类下第i个标注后的目标历史巡检特征数据对应的线损故障概率。
30、可选地,当检测到所述损失值超过所述目标阈值时,基于所述损失值利用随机梯度下降法计算所述深度网络模型的权重值梯度;
31、获取所述深度网络模型的预设模型学习率,并基于所述权重值梯度和所述预设模型学习率对所述深度网络模型的权重值进行更新,得到更新深度网络模型,从所述多个训练子集中选取除所述训练子集外的一其他训练子集,将选取的所述其他训练子集输入所述更新深度网络模型,获取所述更新深度网络模型输出的所述其他训练子集中每个标注后的目标历史巡检特征数据对应的线损故障概率,基于所述其他训练子集中每个标注后的目标历史巡检特征数据对应的线损故障概率利用所述损失函数计算所述更新深度网络模型对应的更新损失值,直至所述更新损失值未超过所述目标阈值,确定模型收敛,并将所述更新深度网络模型的当前模型参数作为所述目标模型参数。
32、依据本申请第二方面,提供了一种线路状态的确定装置,包括:
33、获取模块,用于获取训练数据集,所述训练数据集包括多个线路状态类别、所述多个线路状态类别中每个线路状态类别对应的多个目标历史巡检特征数据;
34、训练模块,用于建立深度网络模型,基于所述训练数据集对所述深度网络模型进行训练,直至模型收敛,得到目标深度网络模型;
35、输入模块,用于获取预测数据集,将所述预测数据集输入所述目标深度网络模型,得到待确定线路的目标线路状态,其中,所述预测数据集包本文档来自技高网...
【技术保护点】
1.一种线路状态的确定方法,其特征在于,包括:
2.根据权利要求1所述的线路状态的确定方法,其特征在于,所述获取训练数据集之前,所述方法还包括:
3.根据权利要求2所述的线路状态的确定方法,其特征在于,所述基于所述多个标注后的历史巡检特征数据得到初始训练数据集之后,所述方法还包括:
4.根据权利要求1所述的线路状态的确定方法,其特征在于,所述基于所述训练数据集对所述深度网络模型进行训练,直至模型收敛,得到目标深度网络模型,包括:
5.根据权利要求4所述的线路状态的确定方法,其特征在于,所述采用所述目标训练数据集对所述深度网络模型进行训练,直至模型收敛,确定目标模型参数,包括:
6.根据权利要求5所述的线路状态的确定方法,其特征在于,所述深度网络模型的损失函数为:
7.根据权利要求5所述的线路状态的确定方法,其特征在于,
8.一种线路状态的确定装置,其特征在于,包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种线路状态的确定方法,其特征在于,包括:
2.根据权利要求1所述的线路状态的确定方法,其特征在于,所述获取训练数据集之前,所述方法还包括:
3.根据权利要求2所述的线路状态的确定方法,其特征在于,所述基于所述多个标注后的历史巡检特征数据得到初始训练数据集之后,所述方法还包括:
4.根据权利要求1所述的线路状态的确定方法,其特征在于,所述基于所述训练数据集对所述深度网络模型进行训练,直至模型收敛,得到目标深度网络模型,包括:
5.根据权利要求4所述的线路状态的确定方法,其特征在于,所述采用所述目标训练数据集对所述深度网络模型进行...
【专利技术属性】
技术研发人员:武丹,尹继成,刘旭光,王永永,兰立雄,李婷婷,王亚菲,李龙,
申请(专利权)人:国网冀北电力有限公司张家口供电公司,
类型:发明
国别省市:
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。