【技术实现步骤摘要】
本专利技术属于电力系统领域，特别是涉及基于多源数据融合与边缘计算的输电线路故障检测方法。
技术介绍
1、随着社会用电负荷的不断增加，发、输、变、配电等各方面的电力设施规模都在急剧扩展，给运维保障带来了极大的挑战。作为电能传输的通道，输电线路对正常电力供应及电网安全、稳定起着重要作用，因此如何检测识别线路故障至为关键。电网故障通常是由于微小缺陷的扩大而导致的，尤其对于高空输电线路，如何及时发现并处理微小故障，是当下输电线路巡检的首要任务。
2、传统故障检测大多采用人工巡检的方式，配合望远镜、紫外/红外测温仪等设备对线路进行巡查，效率较低且易出现错检、漏检等问题。随着无人机技术的不断发展和成熟，将其应用于输电线路巡检能够有效弥补人工巡检的不足，但海量巡检数据的深化处理给精准故障检测的实现带来了新的挑战。目前，国内外针对输电线路的故障检测已取得了一些研究成果，但对于检测效率和检测准确率仍有待进一步的提升。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的基于多源数据融合与边缘计算的输电线路故障检测方法解决了现有技术没有针对输电线路运行环境复杂且小目标缺陷识别效果不佳的问题进行设计，使得检测效率和准确率不高的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：基于多源数据融合与边缘计算的输电线路故障检测方法，包括以下步骤：
3、s1、采集输电线路中的运行环境信息，作为多维多源异构数据；
4、s2、对多维多源异构数据进
5、s3、使用改进后的yolov7模型对融合后的数据进行处理，输出输电线路的故障检测结果。
6、进一步地：所述步骤s1中采集的输电线路中的运行环境信息包括输电线路外破、山火、覆冰、污秽、避雷器监测、发热监测、漏电检测和故障定位数据。
7、进一步地：所述步骤s2包括以下分步骤：
8、s21、将多维多源异构数据进行数据离散化及矩阵化处理，得到预处理后的数据；
9、s22、使用正交基前向神经网络对预处理后的数据进行数据融合，得到融合后的数据；
10、数据融合过程中第n-1个隐含层表示为：
11、
12、其中，x为预处理后的数据；
13、融合后的数据y(x)的表达式为：
14、
15、其中，j为计数标识，wj为第j个隐含层与输出层神经元的权重。
16、进一步地：所述步骤s3中，改进后的yolov7模型包括依次连接的输入层、主干网络、特征融合网络和预测层；
17、所述主干网络用于输出第一特征、第二特征、第三特征和第四特征，分别作为所述特征融合网络的第一输入、第二输入、第三输入和第四输入；
18、所述特征融合网络用于根据第一特征、第二特征、第三特征和第四特征，分别输出第五特征、第六特征和第七特征，分别作为所述预测层的第一输入、第二输入和第三输入。
19、进一步地：所述主干网络包括依次连接的第一冲突搜索层、第二冲突搜索层、第一高效长程注意力网络、第一注意力机制模块、第二高效长程注意力网络、第二注意力机制模块、第三高效长程注意力网络、第三注意力机制模块、第四高效长程注意力网络、第四注意力机制模块和共享包装分析森林；
20、所述第一冲突搜索层的输入端作为所述主干网络的输入端，与所述输入层的输出端连接；
21、所述第一注意力机制模块的输出端作为所述主干网络的第一输出端，输出第一特征；所述第二注意力机制模块的输出端作为所述主干网络的第二输出端，输出第二特征；所述第三注意力机制模块的输出端作为所述主干网络的第三输出端，输出第三特征；所述第四注意力机制模块的输出端作为所述主干网络的第四输出端，输出第四特征。
22、进一步地：所述第一注意力机制模块、第二注意力机制模块、第三注意力机制模块和第四注意力机制模块结构相同，均包括依次连接的通道注意力模块和空间注意力模块，所述第一注意力机制模块的数学模型为：
23、
24、其中，u为第一注意力机制模块的输入，mc为第一注意力机制模块的输入u经过通道注意力模块生成的一维通道图，ms为mc和u加权求和后，经过空间注意力模块生成的二维空间图，为加权求和符号。
25、进一步地：所述特征融合网络对第一特征、第二特征、第三特征和第四特征进行处理，输出第五特征、第六特征和第七特征的方法包括以下步骤：
26、a1、将第一特征、第二特征、第三特征和第四特征分别输入第三冲突搜索层、第四冲突搜索层、第五冲突搜索层和第六冲突搜索层，分别得到第一中间量、第二中间量、第三中间量和第四中间量；
27、a2、将第四中间量进行上采样操作后，与第三中间量进行拼接，得到第五中间量；
28、a3、将第五中间量依次通过第六高效长程注意力网络和第八冲突搜索层，得到第六中间量；
29、a4、将第六中间量进行上采样操作后，与第二中间量进行拼接，得到第七中间量；
30、a5、将第七中间量依次通过第五高效长程注意力网络和第七冲突搜索层，得到第八中间量；
31、a6、将第八中间量进行上采样操作后，与第一中间量进行拼接，得到第九中间量；
32、a7、将第九中间量与第一中间量共同作为第七高效长程注意力网络的输入，得到第五特征并输出；
33、a8、将第五特征输入第一最大池化层，得到第十中间量；
34、a9、将第二中间量与第八中间量进行拼接，得到第六特征并输出；
35、a10、将第六特征依次通过第八高效长程注意力网络和第二最大池化层，得到第十一中间量；
36、a11、将第三中间量与第十一中间量进行拼接，得到第七特征并输出。
37、进一步地：所述改进后的yolov7模型的损失函数lloss的表达式为：
38、lloss＝λ1lobj+λ2lclc+λ3lbox
39、其中，lobj为置信度损失，lclc为分类损失，lbox为定位损失，λ1、λ2和λ3均为平衡系数；lobj和lclc均采用二分类交叉熵损失函数进行计算，lbox采用ciou损失lciou进行计算，表示为：
40、
41、式中，p2(b,bgt)表示两个中心点之间的欧式距离；α表示权重参数；τ为预测框和真实框的宽高比相似度；c表示最小包围框的对角线距离；iou表示预测框和真实框的交并比。
42、本专利技术的有益效果为：
43、1.本方法设计了边缘计算控制系统和正交基前向神经网络，在前端便实现数据预处理和数据融合等操作，缩短检测时间；
44、2.本专利技术针对输电线路运行环境复杂且小目标缺陷识别效果不佳的问题进行设计，因yolov7算法在学习小目标样本时效果不佳，因此引入嵌入注意力模块、和fo本文档来自技高网...
【技术保护点】
1.基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述步骤S1中采集的输电线路中的运行环境信息包括输电线路外破、山火、覆冰、污秽、避雷器监测、发热监测、漏电检测和故障定位数据。
3.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述步骤S2包括以下分步骤：
4.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述步骤S3中，改进后的YOLOv7模型包括依次连接的输入层、主干网络、特征融合网络和预测层；
5.根据权利要求4所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述主干网络包括依次连接的第一冲突搜索层、第二冲突搜索层、第一高效长程注意力网络、第一注意力机制模块、第二高效长程注意力网络、第二注意力机制模块、第三高效长程注意力网络、第三注意力机制模块、第四高效长程注意力网络、第四注意力机制模块和共享包装分析森林；
7.根据权利要求5所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述特征融合网络对第一特征、第二特征、第三特征和第四特征进行处理，输出第五特征、第六特征和第七特征的方法包括以下步骤：
8.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述改进后的YOLOv7模型的损失函数Lloss的表达式为：
...【技术特征摘要】
1.基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述步骤s1中采集的输电线路中的运行环境信息包括输电线路外破、山火、覆冰、污秽、避雷器监测、发热监测、漏电检测和故障定位数据。
3.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述步骤s2包括以下分步骤：
4.根据权利要求1所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述步骤s3中，改进后的yolov7模型包括依次连接的输入层、主干网络、特征融合网络和预测层；
5.根据权利要求4所述的基于多源数据融合与边缘计算的输电线路故障检测方法，其特征在于，所述主干网络包括依次连接的第一冲突搜索层、第二冲突搜索层、第一高效长程注意力网络、第一注意...
【专利技术属性】
技术研发人员：钟加勇，李雨晨，李玉华，稂龙亚，
申请(专利权)人：重庆东电通信技术有限公司，
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。