【技术实现步骤摘要】
本专利技术属于电网输电线路缺陷检测，尤其涉及一种输电线路缺陷特征分布学习方法。
技术介绍
1、目前电网已经成为一个庞大、复杂、电压等级日益增长的系统。因此，电网企业迫切需要一种高效、有效的方法来快速识别电网中的问题和缺陷。传统的人工电网巡检方法存在巨大风险、高度复杂性以及时间和人力资源消耗，同时还可能导致缺陷的延迟检测。这些潜在的电网输电线上缺陷可能包括异物存在、部分关键零部件（例如螺栓、绝缘子等）的损坏或缺失、电缆损坏和拉线缺陷。
2、针对上述电网输电线存在的种种缺陷，现有技术中提出了新的输电线异物检测网络tlfod net，该模型在识别速度和精度上都有所提高。现有技术提出采用图像处理技术对输电线路进行检测，并使用adaboost算法对目标进行缺陷识别。现有技术通过提取巡检图像中输电线和天空背景的颜色和纹理特征，以此作为svm分类器的训练数据，在检测阶段，根据预训练的svm分类器得到不同区域的得分，以此为依据将图像分割为天空区域、非天空区域和不确定区域，通过不确定区域周围的像素点属性逐渐将不确定区域归类合并，最终剩下的未合并区域就是异物所在位置。现有技术中采用了ssd作为异物检测的主要算法，通过多次的对比实验证明数据增强对该任务模型的平均精度值有较大提升。上述方法都对输电线上的缺陷进行了检测，并取得了一定的成效，但由于对数据的特征学习不够充分，从而导致模型的计算量偏大，检测的准确率低。
3、由于电网输电线数据可能存在标签缺失的问题，现有技术提出了无监督学习的模型。在使用无监督的方式来使类间距离变大时，往
4、现有的方法虽然较好的解决了局部的问题，但是还是不能很好的兼顾以上几种问题。此外，鲜有技术考虑到输电线特征的整体分布，经常导致数据信息丢失。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种输电线路缺陷特征分布学习方法，解决了输电线异常检测时存在的不稳定、效果差的问题。
2、为了达到以上目的，本专利技术采用的技术方案为：一种输电线路缺陷特征分布学习方法，包括以下步骤：
3、s1、获取输电线路缺陷数据集，并初始化受限玻尔兹曼机参数；s2、根据输电线路缺陷数据集，利用受限玻尔兹曼机得到重构后的输电线路缺陷数据；s3、对重构后的输电线路缺陷数据进行聚类，得到输电线路缺陷数据的伪标签，其中，输电线路缺陷数据的伪标签为重构后的输电线路缺陷数据的类别；s4、根据输电线路缺陷数据的伪标签，对受限玻尔兹曼机参数进行更新；s5、判断是否达到迭代次数，若是，则根据s4的更新结果，得到最优受限玻尔兹曼机，并进入s6，否则，返回s2；s6、利用最优受限玻尔兹曼机，对输电线路缺陷特征分布进行判别。
4、本专利技术的有益效果是：本专利技术以受限玻尔兹曼机结构为基础，引入类簇分布和自监督判别特征学习的思想，对输电线路缺陷数据进行重构以及进行聚类得到重构的输电线路缺陷数据的类别，并对受限玻尔兹曼机参数进行更新，得到最优的受限玻尔兹曼机，以对输电线路缺陷特征分布进行判别。本专利技术能够大幅提升编码数据的可判别性，并且具有较好的稳定性。
5、进一步地，所述受限玻尔兹曼机包括：
6、高斯-伯努利受限玻尔兹曼机，用于在保证输电线路缺陷数据的整体分布保持原样的情况下，对输电线路缺陷数据集进行数据重构，以及对正常输电线路数据和异常输电线路数据进行判别；聚类集成器，用于对重构后的输电线路缺陷数据集进行聚类，得到输电线路缺陷数据的伪标签，并利用f-散度最大化不同类别之间分布的差异参数，利用该差异参数更新高斯-伯努利受限玻尔兹曼机，增强正常输电线路数据和异常输电线路数据判别的训练，其中，所述输电线路缺陷数据的伪标签为重构后的输电线路缺陷数据的类别。
7、上述进一步方案的有益效果是：本专利技术提出了在完善保存输电线数据的整体分布的同时，注重输电线全局特征的模型（受限玻尔兹曼机），克服了现有的基于均值和局部数据的特征学习的方法不具有一般性的缺陷。同时，所提出的模型（受限玻尔兹曼机）自我生成伪标签，两部分相互迭代学习，使其不受输电线可能存在的数据标签缺失的问题所制约，在多种数据集和多个指标下，能具有更好的输电线特征提取能力和较高的电网输电线缺陷的判别准确率；所提出的模型（受限玻尔兹曼机），使用输电线数据的分布来增强数据的编码可判别性，摆脱了使用欧几里得距离所遇到的模型的性能不稳定的问题。
8、再进一步地，所述利用f-散度最大化不同类别之间分布的差异参数的目标公式如下：；：
9、其中，表示判别特征学习在隐藏层的损失函数，表示类别数量，表示输电线特征数量，分别表示第个类别和第个类别的下标，表示f-散度的值，表示隐藏层第个神经元生成的输电线路特征的第类别所形成的分布，表示隐藏层的第个神经元生成的输电线路特征的第类别所形成的分布，表示判别特征学习在重构的隐藏层的损失函数，表示重构后的隐藏层的第个神经元生成的输电线路特征的第类别所形成的分布，表示重构后的隐藏层的第个神经元生成的输电线路特征的第类别所形成的分布，表示神经元的索引号。
10、再进一步地，所述利用该差异参数更新高斯-伯努利受限玻尔兹曼机的目标表达式如下：，，：
11、其中，表示第次迭代的第个可见层特征和第个隐藏层特征的权重值，表示第次迭代的第个可见层的特征和第个隐藏层特征的权重值，表示比例系数，表示学习率，表示可见层的第个特征，表示第个隐藏层特征的状态，表示在可见层的运算，表示在隐藏层的运算，表示求导运算，表示隐藏层的目标函数，表示第个可见层特征和第个隐藏层特征的权重值，表示第次迭代的第个隐藏层特征的偏置值，表示第次迭代的第个隐藏层特征的偏置值，表示比例系数，表示第个隐藏层特征的偏差值，表示第次迭代的第个可见层特征的偏置值，表示第次迭代的第个可见层特征的偏置值，表示可见层的第个特征，表示可见层的偏移值，表示可见层的第个方差值，表示迭代次数，表示可见层特征的索引号，表示隐藏层特征的索引号；
12、，
13、：
14、其中，表示所在类别的分布，表示重构后输电线路数据的第个隐藏层特征的第 t个类别，表示所在的类别分布，表示隐藏层中输电线路数据的第个隐藏层特征属于第类，表示 y散度值，表示隐藏层和可见层分布之间的比值，表示以e为底，2为值的对数值， t表示类别的索引号。
15、再进一步地，所述高斯-伯努利受限玻尔兹曼机的能量函数的表达式如下：：
16、其中，表示高斯-伯努利受限玻尔兹曼机的能量函数，表示隐藏层的向量，表示可见层的向量，表示可见层特征的集合，表示第个可见层特征，表示第个可见层特征的偏差值，表示可见层的第个方差值，表示第个隐藏层特征的状态，本文档来自技高网...
【技术保护点】
1.一种输电线路缺陷特征分布学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的输电线路缺陷特征分布学习方法，其特征在于，所述受限玻尔兹曼机包括：
3.根据权利要求2所述的输电线路缺陷特征分布学习方法，其特征在于，所述利用F-散度最大化不同类别之间分布的差异参数的目标公式如下：
4.根据权利要求3所述的输电线路缺陷特征分布学习方法，其特征在于，所述利用该差异参数更新高斯-伯努利受限玻尔兹曼机的目标表达式如下：
5.根据权利要求2所述的输电线路缺陷特征分布学习方法，其特征在于，所述高斯-伯努利受限玻尔兹曼机的能量函数的表达式如下：
6.根据权利要求1所述的输电线路缺陷特征分布学习方法，其特征在于，所述受限玻尔兹曼机的目标函数的表达式如下：
7.根据权利要求1所述的输电线路缺陷特征分布学习方法，其特征在于，所述受限玻尔兹曼机的能量函数的表达式如下：
【技术特征摘要】
1.一种输电线路缺陷特征分布学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的输电线路缺陷特征分布学习方法，其特征在于，所述受限玻尔兹曼机包括：
3.根据权利要求2所述的输电线路缺陷特征分布学习方法，其特征在于，所述利用f-散度最大化不同类别之间分布的差异参数的目标公式如下：
4.根据权利要求3所述的输电线路缺陷特征分布学习方法，其特征在于，所述利用该差异参数更新高斯...
【专利技术属性】
技术研发人员：张凌浩，常政威，王红军，向思屿，邝俊威，梁晖辉，陈亮，刘昶，刘春，庞博，邓创，
申请(专利权)人：国网四川省电力公司电力科学研究院，
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。