[发明专利]一种电网故障检测方法

说明书

本发明公开了一种电网故障检测方法，包括如下步骤：利用无人机巡航拍摄获得电网图像，并将获得的图像分为训练集和测试集；将训练集的图像输入到深度学习的卷积神经网络模型中，得到网络分类标签；将得到的网络分类标签输入到标签对齐层中，得到与人工标注的标签同格式的对齐后的网络分类标签；计算对齐后的网络分类标签与人工标注的标签的AccLoss损失函数值，并利用所得的AccLoss损失函数值进行反向传播，不断调整卷积神经网络模型的参数，完成卷积神经网络模型的训练；将测试集的图像输入到训练后的卷积神经网络模型中进行测试，得到电网故障分类结果。本发明所公开的方法在电网故障检测中可以获得很高的准确率。

技术领域

本发明涉及电网检测技术领域，特别涉及一种电网故障检测方法。

背景技术

随着经济与社会的发展，电网起到的作用也越来越重要，因此维护电网的供电可靠性是电力运营发展的首要任务。但随着人们生活水平的提高，电网的规模不断扩大，人工检测电网成本逐渐升高而且难以实施，如何借助科技的力量实现自动的电网故障检测就显得至关重要。而无人机巡航中获得的图像就可以作为判断故障的媒体信息，即将电网故障检测问题定义为图像分类问题(故障类与无故障类的二分类问题)。这将会极大提高电网故障检测的效率以及人工成本。

图像分类是要解决图片中是否属于某类的问题，是人工智能、计算机视觉领域的基础研究方向。一般说来，物体分类算法通过手工特征或者特征学习方法对整个图像进行全局描述，然后使用分类器判断是否属于某类物体。大多数特征提取过程是人工设计的，但是这些特征与图像高级主题间还是存在很大的“语义鸿沟”。而深度学习利用设定好的网络结构，完全从训练数据中学习图像的层级结构性特征，能够提取更加接近图像高级语义的抽象特征，因此在图像识别上的表现远远超过传统方法。深度学习是由Hinton等在2006年提出。其中的卷积神经网络在特征表示上具有极大的优越性。因此，如何通过深度学习的方式降低电网巡检的人力成本并提高故障检测准确率显得极为重要。

现有的图像分类方法都是基于模型结构上的改进，训练时所用到的损失函数都为交叉熵损失函数。交叉熵损失函数是一个信息论中的概念，原是用来估算平均编码长度。即给定两个概率分布p和q，通过q来表示p的交叉熵公式为：如果p和q两个概率分布差距越大，那么这个损失函数就越大。其中p为已知分布，即图像的标签；q为深度学习模型预测结果。交叉熵损失函数是从概率论的角度上度量分类准确率的损失，虽然能够达到较好的效果，但它始终是误差函数(即深度学习模型预测正确的样本总数)的一个近似，很难给予网络一个正确的优化方向。而误差函数带有判断的运算，因此不能直接做训练和反向传播。

发明内容

为解决上述技术问题，本发明提供了一种电网故障检测方法，利用一些可反向传播的运算等效误差函数，直接用准确率的计算公式进行反向传播，使得网络训练收敛的更快并且能收敛到一个更优的解，增强泛化能力，将上述方法运用在电网的故障检测中，使得电网故障检测获得更高的准确率。

为达到上述目的，本发明的技术方案如下：

一种电网故障检测方法，包括如下步骤：

(1)利用无人机巡航拍摄获得电网图像，并将获得的图像分为训练集和测试集；

(2)将训练集的图像输入到深度学习的卷积神经网络模型中，得到网络分类标签；

(3)将得到的网络分类标签输入到标签对齐层中，得到与人工标注的标签同格式的对齐后的网络分类标签；所述标签对齐层对输入的数据进行最大池化层操作、反最大池化层操作和归一化最大值位置操作；

(4)计算对齐后的网络分类标签与人工标注的标签的AccLoss损失函数值，并利用所得的AccLoss损失函数值进行反向传播，不断调整卷积神经网络模型的参数，完成卷积神经网络模型的训练；AccLoss损失函数值计算公式如下：