【技术实现步骤摘要】
本专利技术属于输变电设备缺陷识别领域，尤其涉及一种基于人工智能的输变电设备缺陷识别方法。
技术介绍
1、输变电设备在电力系统中起着至关重要的作用，无论输电设备还是变电设备，都是电网的重要的组成部分。输电设备主要包括输电线路、电力设备等，它是电能传输的主要途径。由于其跨越广大区域，经常暴露于各种自然环境和恶劣的气候条件中，这使得输电设备容易出现各种缺陷。变电设备主要包括变压器等设备，负责不同电压等级电能变换。经过数十年的快速发展，输变电设备数量越来越多，分布也越来越广。同时，随着运行年限的增加，输变电设备的缺陷也随之逐步增加。为了保证电力系统的安全稳定运行，及时、准确地发现和定位潜在的线路问题成为了一项关键任务。传统的输变电设备巡检方式往往依赖人工巡检或简单的机械设备，这不仅效率低下，还可能由于人为因素导致检查不够全面或出现疏漏。随着科技的进步，虽然引入了高清摄像机和无人机等技术，但由于受限于数据处理和分析技术，使得大量收集的图像数据没有被充分利用。此外，传统的数据处理和模型训练方法在面对复杂、多变的输变电设备图像时，很容易陷入局部最优，导致识别效果不佳。因此，急需一种高效、准确的输变电设备缺陷识别技术来应对上述挑战，以提高电力系统的运行安全和稳定性。
2、中国专利技术专利cn202310656311.2提出一种基于图像识别的输电线路监测系统，包括监控模块、定位模块、通信模块、环境信息获取模块、边缘计算模块和供电模块；所述监控模块用于对输电线路进行监测；所述定位模块用于获取本系统所在的位置信息；所述通信模块用于完成本系
3、中国专利技术专利cn202010624342.6提出一种变电站设备巡检图像全景重建方法，该专利技术针对变电站各类巡检手段获得的大量巡检图像无法完全呈现设备全景信息的问题，根据变电站内设备外观复杂、棱角分明且规则的特征，提供一种变电站设备巡检图像全景重建方法，该方法针对变电站设备结构与外观的特点，采用了改进的surf特征检测算法对图像特征进行提取，并结合多项匹配方式完成巡检图像之间的高效匹配，最终实现了很好的图像融合效果。
4、中国专利技术专利cn202310738565.9提出一种基于全卷积网络的输电塔架锈蚀识别方法，包括以下步骤：步骤1：获取实际服役状况下输电塔架图像；步骤2：对拍摄的输电塔架图像进行图像预处理，建立输电塔架锈蚀识别数据集；步骤3：搭建基于全卷积网络的输电塔架锈蚀识别网络模型，选择多组超参数进行训练，选择最优的超参数作为训练结果；步骤4：将输电塔架锈蚀图像输入模型进行识别，确定该图像中发生锈蚀的区域。应用本技术方案可快速识别输电塔架发生的锈蚀区。
5、现有技术在以下方面存在不足：
6、1、数据扩充问题：现有技术在数据扩充上可能过于依赖传统的手段，没有充分利用生成对抗网络，特别是结合回声状态网络的动态特性进行数据扩充，导致生成的样本可能单一或不够逼真。
7、2、固定学习率：传统模型可能使用固定或手动调整的学习率，而没有根据模型的输出动态地调整学习率，这可能导致训练过程不够高效或模型收敛速度较慢。
8、3、数据预处理简单：现有技术可能仅仅使用简单的图像处理或特征提取方法，没有利用多尺度核化图像转换和基于熵权重的融合方法，从而可能漏掉或忽视某些重要的图像特征。
9、4、容易陷入局部最优：传统的神经网络可能主要依赖梯度下降或其变种进行优化，容易陷入局部最优而不是全局最优，导致模型的表现不佳。
10、5、静态拓扑结构：传统的自组织映射分类算法可能使用静态或固定的拓扑结构，没有根据输变电设备缺陷的多样性和数据的特性进行动态调整，导致分类效果不够准确。
技术实现思路
1、本专利技术的目的在于提供了一种基于人工智能的输变电设备缺陷识别方法，基于弹性波动优化的神经网络在特征提取和模型训练阶段，有更高的概率找到全局最优解，提高模型的准确性；通过增强拓扑的自组织映射分类算法，更准确、有效地识别和分类输变电设备的缺陷，为电力系统的稳定运行提供保障。
2、一种基于人工智能的输变电设备缺陷识别方法，包括如下步骤：
3、步骤一、数据采集与标注；
4、步骤二、数据扩充；
5、步骤三、数据预处理；
6、步骤四、特征提取；
7、步骤五、训练分类器；
8、步骤六、输变电设备缺陷识别分类。
9、优选地，所述步骤一具体为：对输变电设备进行图像数据采集与标注，数据格式为rgb图像，每个图像的大小为w×h×3，其中w和h分别代表图像的宽度和高度，3表示rgb三个通道。
10、优选地，输变电设备的图像数据来源于无人机或高清摄像机；
11、优选地，所述步骤二具体为：基于回声状态的生成对抗网络进行样本生成，包含如下步骤：
12、s2.1初始化，即初始化生成器g、鉴别器d以及回声状态网络esn的权重和结构；
13、s2.2回声状态映射，将图像数据输入到回声状态网络esn，将输入的图像数据i映射到回声状态e，这一映射是通过输入权重矩阵win和回声状态网络的循环连接权重矩阵wres完成的，表示为：
14、e＝tanh(win×i+wres×et-1)
15、其中，et-1是上一个时间步的回声状态；tanh()是双曲正切激活函数；i为输入的图像数据，大小为m×n，其中m为图像的高度，n为图像的宽度；e为回声状态的状态矩阵，大小为p×q；
16、s2.3使用生成器g基于回声状态生成新的图像数据，生成器使用回声状态e和输出权重矩阵wout生成新的图像igen，表示为：
17、igen＝g(e×wout)
18、其中，wout为esn的输出权重矩阵；g()为生成器函数；
19、s2.4鉴别器d同时评估真实图像数据和生成的图像数据，鉴别器评估真实图像和生成的图像，输出鉴别结果dreal和dgen，表示为：
20、dreal＝d(i)
21、dgen＝d(igen)
22、其中，d()为鉴别器函数；
23、s2.5优化与反馈，根据鉴别器d的输出，计算损失，并用这个损失来更新生成器g的权重；同时利用真实数据和生成数据之间的差异，更新esn的输出权重；
24、定义鉴别器输出的熵为：
25、h(d)＝-dreallog(dreal)-(1-dreal)log(1-dreal)
26、其中，h(d)为鉴别器输出的熵，用于衡量生成图像的质量；
27、为了动态调节生成器和鉴别器的学习率，本文档来自技高网...
【技术保护点】
1.一种基于人工智能的输变电设备缺陷识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤一具体为：对输变电设备进行图像数据采集与标注，数据格式为RGB图像，每个图像的大小为W×H×3，其中W和H分别代表图像的宽度和高度，3表示RGB三个通道。
3.如权利要求2所述的方法，其特征在于，输变电设备的图像数据来源于无人机或高清摄像机。
4.如权利要求1所述的方法，其特征在于，所述步骤二具体为：基于回声状态的生成对抗网络进行样本生成，包含如下步骤：
5.如权利要求1所述的方法，其特征在于，所述步骤三具体为：将扩充后的训练数据集进行数据预处理，包括：
6.如权利要求5所述的方法，其特征在于，设在SIFT算法中，为每个关键点提取了一个128维的描述符，若总共提取到了N个关键点，则最后得到的一维向量长度L′，为后续的输变电设备缺陷识别的特征提取提供输入数据：
7.如权利要求1所述的方法，其特征在于，所述步骤四具体为：采用神经网络对预处理后的数据进行特征提取，
8.如权利要求7所
9.如权利要求1所述的方法，其特征在于，所述步骤五具体为：
10.如权利要求1所述的方法，其特征在于，所述步骤六具体为：
...【技术特征摘要】
1.一种基于人工智能的输变电设备缺陷识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤一具体为：对输变电设备进行图像数据采集与标注，数据格式为rgb图像，每个图像的大小为w×h×3，其中w和h分别代表图像的宽度和高度，3表示rgb三个通道。
3.如权利要求2所述的方法，其特征在于，输变电设备的图像数据来源于无人机或高清摄像机。
4.如权利要求1所述的方法，其特征在于，所述步骤二具体为：基于回声状态的生成对抗网络进行样本生成，包含如下步骤：
5.如权利要求1所述的方法，其特征在于，所述步骤三具体为：将扩充后的训练...
【专利技术属性】
技术研发人员：陈朝阳，赵德祥，罗玉文，吴奇伟，韩永森，张怡琳，方春华，
申请(专利权)人：国网江苏省电力有限公司常州供电分公司，
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。