基于SENet和EffNet的输电线路可靠性预测方法、系统及设备与流程

本发明涉及输电线路可靠性预测手段，属于输电线路安全，尤其涉及基于senet和effnet的输电线路可靠性预测方法、系统及设备。

背景技术：

1、输电线路是电力系统的重要组成部分，其可靠性直接影响着电力系统的稳定供应，因此，对输电线路可靠性进行预测十分必要。

2、输电线路可靠性预测是对电力系统中输电线路的可靠性进行评估和计算的过程，其目的是确定输电线路在一定时间内能够正常运行、不发生故障的概率；目前，在现有的可靠性预测过程中，通常是将输电线路的故障率作为输电线路可靠性的预测指标，其依赖于历史故障数据和统计分析，而忽略了实时环境和外部因素，例如天气条件对输电线路可靠性的影响，并且当输电线路出现故障并完成维修后，相应的故障原因通常会被解决掉，反复出现同一种故障的概率较小，因此，仅仅将故障率作为输电线路可靠性预测的唯一指标，无法全面反映输电线路的整体健康状态和可靠性，导致输电线路可靠性计算的准确性偏低。因此，亟需一种较为准确的预测手段，以更加全面的反映输电线路的可靠性。

技术实现思路

1、本发明的目的是克服现有技术中存在的上述缺陷与问题，提供一种准确性较高的基于senet和effnet的输电线路可靠性预测方法、系统及设备。

2、为实现以上目的，本发明的技术解决方案是：一种基于senet和effnet的输电线路可靠性预测方法，包括：

3、s1、获取输电线路目标区域的图像数据；所述图像数据包括导线、绝缘子、塔架、线路金具、拉线、接地装置；

4、s2、基于keras框架构建输电线路cnn模型；所述cnn模型包括卷积层、融合模块、池化层、全连接层、激活函数、批量归一化层、复合缩放层和决策层；所述融合模块基于cnn-senet模块与efficientnet模块融合获得，所述cnn-senet模块中包括se模块，所述efficientnet模块中包括mbconv模块；所述keras框架中包括拼接层；

5、s3、将图像数据输入至卷积层中，获得图像特征图，并将图像特征图输入至融合模块中，以融合se模块与mbconv模块，并输出图像特征图的增强特征，然后将增强特征输入至池化层中，获取全局特征；

6、所述融合se模块与mbconv模块的步骤如下：

7、s31、输入图像特征图，通过mbconv模块扩展图像特征图的初始通道数，并进行深度可分离卷积，获得深度可分离卷积之后的特征图；

8、s32、将se模块嵌入mbconv模块中，并对深度可分离卷积之后的特征图的通道数进行重标定和投影卷积；

9、s33、将投影卷积后的输出特征图进行逐点卷积，然后在逐点卷积后的特征图的通道数与初始通道数相同且步长为1的情况下，对逐点卷积后的特征图进行残差连接，实现se模块与mbconv模块的融合；

10、s4、实时获取输电线路的电气参数、环境参数与目标区域天气数据，并将电气参数与天气数据通过拼接层进行数据拼接，然后将拼接后的数据与全局特征输入至全连接层进行融合，获得综合特征向量；

11、s5、将综合特征向量由激活函数进行非线性变换，获得激活处理后的特征向量，然后输入至批量归一化层，获得归一化后的特征向量，接着将归一化后的特征向量输入至复合缩放层调整特征向量的尺度，获得最终特征向量；

12、s6、将最终特征向量输入至决策层中进行预测，获得输电线路可靠性预测结果；

13、s7、将可靠性预测结果映射至地图上的相应位置，以视觉元素对应输电线路的可靠性进行展示。

14、所述步骤s32，具体包括：

15、s321、对深度可分离卷积之后的特征图进行全局平均池化，获得每个通道的第一全局特征；

16、s322、通过第一全连接层、第二全连接层和激活函数对第一全局特征进行处理，生成通道注意力权重；

17、所述第一全连接层的表达式如下：

18、xse1＝relu(dense(xgap，wse1))；

19、其中：xse1为通过第一全连接层dense和relu激活函数处理后的特征，xgap为第一全局特征，wse1为第一连接层的权重；

20、所述第二全连接层的表达式如下：

21、xse2＝σ(dense(xse1，wse2))；

22、其中：xse2为通过第二全连接层dense和σ激活函数处理后的通道注意力权重，wse2为第二连接层的权重；

23、s323、将生成的通道注意力权重与深度可分离卷积之后的特征图相乘，进行通道数的重标定，获得重标定后的特征图，其表达式如下：

24、x′＝x⊙xse2；

25、其中：x′为重标定后的特征图，x为深度可分离卷积之后的特征图，⊙表示逐元素相乘操作；

26、s324、将重标定后的特征图的通道数投影到初始通道数，完成投影卷积，其表达式如下：

27、y＝w·x′；

28、其中：y为投影卷积后的输出特征图，w为权重矩阵。

29、所述步骤s6，具体包括：

30、s61、将最终特征向量输入决策层，使决策层中的目标函数最小化，并在目标函数最小化的情况下，根据目标函数的约束条件，确定cnn模型的权重向量和偏置项；

31、所述目标函数的表达式如下：

32、

33、其中：w为权重向量，||w||2为权重向量的系数，c为惩罚参数，ξi为松弛变量，n为样本数量；

34、所述约束条件的表达式如下：

35、yi(w·xi+b)≥1-ξi，ξi≥0，i＝1，2，...，n；

36、其中：w为权重向量，yi为样本i的标签，xi为第i个最终特征向量，b为偏置项；

37、s62、基于权重向量和偏置项计算决策层中的决策函数，获得输电线路可靠性预测值；

38、所述决策函数的表达式如下：

39、y＝f(w·x+b)；

40、其中：y为可靠性预测值，f为激活函数，w为权重向量，x为决策层的输入，b为偏置项；

41、s63、通过softmax函数将可靠性预测值统计为概率分布，以表示为不同可靠性等级的概率。

42、所述步骤s7，具体包括：

43、s71、统计所有目标区域的可靠性预测值，并将所有目标区域的输电线路的可靠性预测值通过gis接口映射到地图上的相应位置；所述地图中的每条输电线路在地图上对应一个地理路径；

44、s72、基于不同的可靠性预测值，将不同的可靠性预测值所对应的输电线路，以不同的视觉元素进行展示。

45、所述激活函数为leaky relu函数。

46、一种基于senet和effnet的输电线路可靠性预测系统，所述系统包括：

47、图像数据获取模块，用于获取输电线路目标区域的图像数据；所述图像数据包括导线、绝缘子、塔架、线路金具、拉线、接地装置；

48、输电线路cnn模型构建模块，用于基于keras框架构建输电线路cnn模型；所述cnn模型包括卷积层、融合模块、池化层、全连接层、激活函数、批量归一化层、复合缩放层和决策层；所述融合模块基于cnn-senet模块与efficientnet模块融合获得，所述cnn-senet模块中包括se模块，所述efficientnet模块中包括mbconv模块；所述keras框架中包括拼接层；

49、特征增强模块，用于将图像数据输入至卷积层中，获得图像特征图，并将图像特征图输入至融合模块中，以融合se模块与mbconv模块，并输出图像特征图的增强特征，然后将增强特征输入至池化层中，获取全局特征；

50、所述融合se模块与mbconv模块的步骤如下：

51、s31、输入图像特征图，通过mbconv模块扩展图像特征图的初始通道数，并进行深度可分离卷积，获得深度可分离卷积之后的特征图；

52、s32、将se模块嵌入mbconv模块中，并对深度可分离卷积之后的特征图的通道数进行重标定和投影卷积；

53、s33、将投影卷积后的输出特征图进行逐点卷积，然后在逐点卷积后的特征图的通道数与初始通道数相同且步长为1的情况下，对逐点卷积后的特征图进行残差连接，实现se模块与mbconv模块的融合；

54、特征融合模块，用于实时获取输电线路的电气参数、环境参数与目标区域天气数据，并将电气参数与天气数据通过拼接层进行数据拼接，然后将拼接后的数据与全局特征输入至全连接层进行融合，获得综合特征向量；

55、激活归一化模块，用于将综合特征向量由激活函数进行非线性变换，获得激活处理后的特征向量，然后输入至批量归一化层，获得归一化后的特征向量，接着将归一化后的特征向量输入至复合缩放层调整特征向量的尺度，获得最终特征向量；

56、决策预测模块，用于将最终特征向量输入至决策层中进行预测，获得输电线路可靠性预测结果；

57、结果展示模块，用于将可靠性预测结果映射至地图上的相应位置，以视觉元素对应输电线路的可靠性进行展示。

58、所述特征增强模块根据以下步骤进行重标定和投影卷积：

59、s321、对深度可分离卷积之后的特征图进行全局平均池化，获得每个通道的第一全局特征；

60、s322、通过第一全连接层、第二全连接层和激活函数对第一全局特征进行处理，生成通道注意力权重；

61、所述第一全连接层的表达式如下：

62、xse1＝relu(dense(xgap，wse1))；

63、其中：xse1为通过第一全连接层dense和relu激活函数处理后的特征，xgap为第一全局特征，wse1为第一连接层的权重；

64、所述第二全连接层的表达式如下：

65、xse2＝σ(dense(xse1，wse2))；

66、其中：xse2为通过第二全连接层dense和σ激活函数处理后的通道注意力权重，wse2为第二连接层的权重；

67、s323、将生成的通道注意力权重与深度可分离卷积之后的特征图相乘，进行通道数的重标定，获得重标定后的特征图，其表达式如下：

68、x′＝x⊙xse2；

69、其中：x′为重标定后的特征图，x为深度可分离卷积之后的特征图，⊙表示逐元素相乘操作；

70、s324、将重标定后的特征图的通道数投影到初始通道数，完成投影卷积，其表达式如下：

71、y＝w·x′；

72、其中：y为投影卷积后的输出特征图，w为权重矩阵。

73、所述决策预测模块根据以下步骤进行输电线路的可靠性预测：

74、s61、将最终特征向量输入决策层，使决策层中的目标函数最小化，并在目标函数最小化的情况下，根据目标函数的约束条件，确定cnn模型的权重向量和偏置项；

75、所述目标函数的表达式如下：

76、

77、其中：w为权重向量，||w||2为权重向量的系数，c为惩罚参数，ξi为松弛变量，n为样本数量；

78、所述约束条件的表达式如下：

79、yi(w·xi+b)≥1-ξi，ξi≥0，i＝1，2，...，n；

80、其中：w为权重向量，yi为样本i的标签，xi为第i个最终特征向量，b为偏置项；

81、s62、基于权重向量和偏置项计算决策层中的决策函数，获得输电线路可靠性预测值；

82、所述决策函数的表达式如下：

83、y＝f(w·x+b)；

84、其中：y为可靠性预测值，f为激活函数，w为权重向量，x为决策层的输入，b为偏置项；

85、s63、通过softmax函数将可靠性预测值统计为概率分布，以表示为不同可靠性等级的概率。

86、所述结果展示模块根据以下步骤对可靠性进行展示：

87、s71、统计所有目标区域的可靠性预测值，并将所有目标区域的输电线路的可靠性预测值通过gis接口映射到地图上的相应位置；所述地图中的每条输电线路在地图上对应一个地理路径；

88、s72、基于不同的可靠性预测值，将不同的可靠性预测值所对应的输电线路，以不同的视觉元素进行展示。

89、一种基于senet和effnet的输电线路可靠性预测设备，所述设备包括处理器以及存储器；

90、所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；

91、所述处理器用于根据所述计算机程序代码中的指令执行上述的基于senet和effnet的输电线路可靠性预测方法。

92、与现有技术相比，本发明的有益效果为：

93、本发明一种基于senet和effnet的输电线路可靠性预测方法中，方法首先获取目标区域图像数据并构建输电线路的神经网络模型，然后通过神经网络模型进行可靠性预测；本方案在应用中，通过综合考虑图像数据、电气数据和天气数据等多种数据源，以全面反映输电线路的实际运行状态和外部环境的影响，并且通过卷积层、融合模块、池化层等结构，提取和融合多层次的特征，获得更为丰富和有意义的特征表示，通过全连接层将图像特征、电气数据和天气数据进行融合，构建综合特征向量，可以有效地将多源数据的特征进行整合，形成对输电线路状态的全面描述，通过非线性变换，可以捕捉复杂的特征关系，且对特征进行归一化处理，减少模型训练过程中的内部协变量偏移，提高模型的训练效率和稳定性，除此之外，通过复合缩放层调整特征的尺度，通过决策层，输出输电线路的可靠性预测值，综上所述，本发明通过引入多源数据、多层次特征提取和融合、非线性变换与归一化处理等步骤，能够更全面、准确地评估输电线路的可靠性，相较于仅依赖历史故障数据和统计分析的方法，可以更好地反映输电线路的整体健康状态和实时运行状况，从而提高了输电输电线路可靠性预测的准确性。