本發(fā)明涉及輸電線路可靠性預(yù)測手段，屬于輸電線路安全，尤其涉及基于senet和effnet的輸電線路可靠性預(yù)測方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、輸電線路是電力系統(tǒng)的重要組成部分，其可靠性直接影響著電力系統(tǒng)的穩(wěn)定供應(yīng)，因此，對輸電線路可靠性進(jìn)行預(yù)測十分必要。

2、輸電線路可靠性預(yù)測是對電力系統(tǒng)中輸電線路的可靠性進(jìn)行評估和計(jì)算的過程，其目的是確定輸電線路在一定時(shí)間內(nèi)能夠正常運(yùn)行、不發(fā)生故障的概率；目前，在現(xiàn)有的可靠性預(yù)測過程中，通常是將輸電線路的故障率作為輸電線路可靠性的預(yù)測指標(biāo)，其依賴于歷史故障數(shù)據(jù)和統(tǒng)計(jì)分析，而忽略了實(shí)時(shí)環(huán)境和外部因素，例如天氣條件對輸電線路可靠性的影響，并且當(dāng)輸電線路出現(xiàn)故障并完成維修后，相應(yīng)的故障原因通常會被解決掉，反復(fù)出現(xiàn)同一種故障的概率較小，因此，僅僅將故障率作為輸電線路可靠性預(yù)測的唯一指標(biāo)，無法全面反映輸電線路的整體健康狀態(tài)和可靠性，導(dǎo)致輸電線路可靠性計(jì)算的準(zhǔn)確性偏低。因此，亟需一種較為準(zhǔn)確的預(yù)測手段，以更加全面的反映輸電線路的可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)中存在的上述缺陷與問題，提供一種準(zhǔn)確性較高的基于senet和effnet的輸電線路可靠性預(yù)測方法、系統(tǒng)及設(shè)備。

2、為實(shí)現(xiàn)以上目的，本發(fā)明的技術(shù)解決方案是：一種基于senet和effnet的輸電線路可靠性預(yù)測方法，包括：

3、s1、獲取輸電線路目標(biāo)區(qū)域的圖像數(shù)據(jù)；所述圖像數(shù)據(jù)包括導(dǎo)線、絕緣子、塔架、線路金具、拉線、接地裝置；

4、s2、基于keras框架構(gòu)建輸電線路cnn模型；所述cnn模型包括卷積層、融合模塊、池化層、全連接層、激活函數(shù)、批量歸一化層、復(fù)合縮放層和決策層；所述融合模塊基于cnn-senet模塊與efficientnet模塊融合獲得，所述cnn-senet模塊中包括se模塊，所述efficientnet模塊中包括mbconv模塊；所述keras框架中包括拼接層；

5、s3、將圖像數(shù)據(jù)輸入至卷積層中，獲得圖像特征圖，并將圖像特征圖輸入至融合模塊中，以融合se模塊與mbconv模塊，并輸出圖像特征圖的增強(qiáng)特征，然后將增強(qiáng)特征輸入至池化層中，獲取全局特征；

6、所述融合se模塊與mbconv模塊的步驟如下：

7、s31、輸入圖像特征圖，通過mbconv模塊擴(kuò)展圖像特征圖的初始通道數(shù)，并進(jìn)行深度可分離卷積，獲得深度可分離卷積之后的特征圖；

8、s32、將se模塊嵌入mbconv模塊中，并對深度可分離卷積之后的特征圖的通道數(shù)進(jìn)行重標(biāo)定和投影卷積；

9、s33、將投影卷積后的輸出特征圖進(jìn)行逐點(diǎn)卷積，然后在逐點(diǎn)卷積后的特征圖的通道數(shù)與初始通道數(shù)相同且步長為1的情況下，對逐點(diǎn)卷積后的特征圖進(jìn)行殘差連接，實(shí)現(xiàn)se模塊與mbconv模塊的融合；

10、s4、實(shí)時(shí)獲取輸電線路的電氣參數(shù)、環(huán)境參數(shù)與目標(biāo)區(qū)域天氣數(shù)據(jù)，并將電氣參數(shù)與天氣數(shù)據(jù)通過拼接層進(jìn)行數(shù)據(jù)拼接，然后將拼接后的數(shù)據(jù)與全局特征輸入至全連接層進(jìn)行融合，獲得綜合特征向量；

11、s5、將綜合特征向量由激活函數(shù)進(jìn)行非線性變換，獲得激活處理后的特征向量，然后輸入至批量歸一化層，獲得歸一化后的特征向量，接著將歸一化后的特征向量輸入至復(fù)合縮放層調(diào)整特征向量的尺度，獲得最終特征向量；

12、s6、將最終特征向量輸入至決策層中進(jìn)行預(yù)測，獲得輸電線路可靠性預(yù)測結(jié)果；

13、s7、將可靠性預(yù)測結(jié)果映射至地圖上的相應(yīng)位置，以視覺元素對應(yīng)輸電線路的可靠性進(jìn)行展示。

14、所述步驟s32，具體包括：

15、s321、對深度可分離卷積之后的特征圖進(jìn)行全局平均池化，獲得每個(gè)通道的第一全局特征；

16、s322、通過第一全連接層、第二全連接層和激活函數(shù)對第一全局特征進(jìn)行處理，生成通道注意力權(quán)重；

17、所述第一全連接層的表達(dá)式如下：

18、xse1＝relu(dense(xgap，wse1))；

19、其中：xse1為通過第一全連接層dense和relu激活函數(shù)處理后的特征，xgap為第一全局特征，wse1為第一連接層的權(quán)重；

20、所述第二全連接層的表達(dá)式如下：

21、xse2＝σ(dense(xse1，wse2))；

22、其中：xse2為通過第二全連接層dense和σ激活函數(shù)處理后的通道注意力權(quán)重，wse2為第二連接層的權(quán)重；

23、s323、將生成的通道注意力權(quán)重與深度可分離卷積之后的特征圖相乘，進(jìn)行通道數(shù)的重標(biāo)定，獲得重標(biāo)定后的特征圖，其表達(dá)式如下：

24、x′＝x⊙xse2；

25、其中：x′為重標(biāo)定后的特征圖，x為深度可分離卷積之后的特征圖，⊙表示逐元素相乘操作；

26、s324、將重標(biāo)定后的特征圖的通道數(shù)投影到初始通道數(shù)，完成投影卷積，其表達(dá)式如下：

27、y＝w·x′；

28、其中：y為投影卷積后的輸出特征圖，w為權(quán)重矩陣。

29、所述步驟s6，具體包括：

30、s61、將最終特征向量輸入決策層，使決策層中的目標(biāo)函數(shù)最小化，并在目標(biāo)函數(shù)最小化的情況下，根據(jù)目標(biāo)函數(shù)的約束條件，確定cnn模型的權(quán)重向量和偏置項(xiàng)；

31、所述目標(biāo)函數(shù)的表達(dá)式如下：

32、

33、其中：w為權(quán)重向量，||w||2為權(quán)重向量的系數(shù)，c為懲罰參數(shù)，ξi為松弛變量，n為樣本數(shù)量；

34、所述約束條件的表達(dá)式如下：

35、yi(w·xi+b)≥1-ξi，ξi≥0，i＝1，2，...，n；

36、其中：w為權(quán)重向量，yi為樣本i的標(biāo)簽，xi為第i個(gè)最終特征向量，b為偏置項(xiàng)；

37、s62、基于權(quán)重向量和偏置項(xiàng)計(jì)算決策層中的決策函數(shù)，獲得輸電線路可靠性預(yù)測值；

38、所述決策函數(shù)的表達(dá)式如下：

39、y＝f(w·x+b)；

40、其中：y為可靠性預(yù)測值，f為激活函數(shù)，w為權(quán)重向量，x為決策層的輸入，b為偏置項(xiàng)；

41、s63、通過softmax函數(shù)將可靠性預(yù)測值統(tǒng)計(jì)為概率分布，以表示為不同可靠性等級的概率。

42、所述步驟s7，具體包括：

43、s71、統(tǒng)計(jì)所有目標(biāo)區(qū)域的可靠性預(yù)測值，并將所有目標(biāo)區(qū)域的輸電線路的可靠性預(yù)測值通過gis接口映射到地圖上的相應(yīng)位置；所述地圖中的每條輸電線路在地圖上對應(yīng)一個(gè)地理路徑；

44、s72、基于不同的可靠性預(yù)測值，將不同的可靠性預(yù)測值所對應(yīng)的輸電線路，以不同的視覺元素進(jìn)行展示。

45、所述激活函數(shù)為leaky?relu函數(shù)。

46、一種基于senet和effnet的輸電線路可靠性預(yù)測系統(tǒng)，所述系統(tǒng)包括：

47、圖像數(shù)據(jù)獲取模塊，用于獲取輸電線路目標(biāo)區(qū)域的圖像數(shù)據(jù)；所述圖像數(shù)據(jù)包括導(dǎo)線、絕緣子、塔架、線路金具、拉線、接地裝置；

48、輸電線路cnn模型構(gòu)建模塊，用于基于keras框架構(gòu)建輸電線路cnn模型；所述cnn模型包括卷積層、融合模塊、池化層、全連接層、激活函數(shù)、批量歸一化層、復(fù)合縮放層和決策層；所述融合模塊基于cnn-senet模塊與efficientnet模塊融合獲得，所述cnn-senet模塊中包括se模塊，所述efficientnet模塊中包括mbconv模塊；所述keras框架中包括拼接層；

49、特征增強(qiáng)模塊，用于將圖像數(shù)據(jù)輸入至卷積層中，獲得圖像特征圖，并將圖像特征圖輸入至融合模塊中，以融合se模塊與mbconv模塊，并輸出圖像特征圖的增強(qiáng)特征，然后將增強(qiáng)特征輸入至池化層中，獲取全局特征；

50、所述融合se模塊與mbconv模塊的步驟如下：

51、s31、輸入圖像特征圖，通過mbconv模塊擴(kuò)展圖像特征圖的初始通道數(shù)，并進(jìn)行深度可分離卷積，獲得深度可分離卷積之后的特征圖；

52、s32、將se模塊嵌入mbconv模塊中，并對深度可分離卷積之后的特征圖的通道數(shù)進(jìn)行重標(biāo)定和投影卷積；

53、s33、將投影卷積后的輸出特征圖進(jìn)行逐點(diǎn)卷積，然后在逐點(diǎn)卷積后的特征圖的通道數(shù)與初始通道數(shù)相同且步長為1的情況下，對逐點(diǎn)卷積后的特征圖進(jìn)行殘差連接，實(shí)現(xiàn)se模塊與mbconv模塊的融合；

54、特征融合模塊，用于實(shí)時(shí)獲取輸電線路的電氣參數(shù)、環(huán)境參數(shù)與目標(biāo)區(qū)域天氣數(shù)據(jù)，并將電氣參數(shù)與天氣數(shù)據(jù)通過拼接層進(jìn)行數(shù)據(jù)拼接，然后將拼接后的數(shù)據(jù)與全局特征輸入至全連接層進(jìn)行融合，獲得綜合特征向量；

55、激活歸一化模塊，用于將綜合特征向量由激活函數(shù)進(jìn)行非線性變換，獲得激活處理后的特征向量，然后輸入至批量歸一化層，獲得歸一化后的特征向量，接著將歸一化后的特征向量輸入至復(fù)合縮放層調(diào)整特征向量的尺度，獲得最終特征向量；

56、決策預(yù)測模塊，用于將最終特征向量輸入至決策層中進(jìn)行預(yù)測，獲得輸電線路可靠性預(yù)測結(jié)果；

57、結(jié)果展示模塊，用于將可靠性預(yù)測結(jié)果映射至地圖上的相應(yīng)位置，以視覺元素對應(yīng)輸電線路的可靠性進(jìn)行展示。

58、所述特征增強(qiáng)模塊根據(jù)以下步驟進(jìn)行重標(biāo)定和投影卷積：

59、s321、對深度可分離卷積之后的特征圖進(jìn)行全局平均池化，獲得每個(gè)通道的第一全局特征；

60、s322、通過第一全連接層、第二全連接層和激活函數(shù)對第一全局特征進(jìn)行處理，生成通道注意力權(quán)重；

61、所述第一全連接層的表達(dá)式如下：

62、xse1＝relu(dense(xgap，wse1))；

63、其中：xse1為通過第一全連接層dense和relu激活函數(shù)處理后的特征，xgap為第一全局特征，wse1為第一連接層的權(quán)重；

64、所述第二全連接層的表達(dá)式如下：

65、xse2＝σ(dense(xse1，wse2))；

66、其中：xse2為通過第二全連接層dense和σ激活函數(shù)處理后的通道注意力權(quán)重，wse2為第二連接層的權(quán)重；

67、s323、將生成的通道注意力權(quán)重與深度可分離卷積之后的特征圖相乘，進(jìn)行通道數(shù)的重標(biāo)定，獲得重標(biāo)定后的特征圖，其表達(dá)式如下：

68、x′＝x⊙xse2；

69、其中：x′為重標(biāo)定后的特征圖，x為深度可分離卷積之后的特征圖，⊙表示逐元素相乘操作；

70、s324、將重標(biāo)定后的特征圖的通道數(shù)投影到初始通道數(shù)，完成投影卷積，其表達(dá)式如下：

71、y＝w·x′；

72、其中：y為投影卷積后的輸出特征圖，w為權(quán)重矩陣。

73、所述決策預(yù)測模塊根據(jù)以下步驟進(jìn)行輸電線路的可靠性預(yù)測：

74、s61、將最終特征向量輸入決策層，使決策層中的目標(biāo)函數(shù)最小化，并在目標(biāo)函數(shù)最小化的情況下，根據(jù)目標(biāo)函數(shù)的約束條件，確定cnn模型的權(quán)重向量和偏置項(xiàng)；

75、所述目標(biāo)函數(shù)的表達(dá)式如下：

76、

77、其中：w為權(quán)重向量，||w||2為權(quán)重向量的系數(shù)，c為懲罰參數(shù)，ξi為松弛變量，n為樣本數(shù)量；

78、所述約束條件的表達(dá)式如下：

79、yi(w·xi+b)≥1-ξi，ξi≥0，i＝1，2，...，n；

80、其中：w為權(quán)重向量，yi為樣本i的標(biāo)簽，xi為第i個(gè)最終特征向量，b為偏置項(xiàng)；

81、s62、基于權(quán)重向量和偏置項(xiàng)計(jì)算決策層中的決策函數(shù)，獲得輸電線路可靠性預(yù)測值；

82、所述決策函數(shù)的表達(dá)式如下：

83、y＝f(w·x+b)；

84、其中：y為可靠性預(yù)測值，f為激活函數(shù)，w為權(quán)重向量，x為決策層的輸入，b為偏置項(xiàng)；

85、s63、通過softmax函數(shù)將可靠性預(yù)測值統(tǒng)計(jì)為概率分布，以表示為不同可靠性等級的概率。

86、所述結(jié)果展示模塊根據(jù)以下步驟對可靠性進(jìn)行展示：

87、s71、統(tǒng)計(jì)所有目標(biāo)區(qū)域的可靠性預(yù)測值，并將所有目標(biāo)區(qū)域的輸電線路的可靠性預(yù)測值通過gis接口映射到地圖上的相應(yīng)位置；所述地圖中的每條輸電線路在地圖上對應(yīng)一個(gè)地理路徑；

88、s72、基于不同的可靠性預(yù)測值，將不同的可靠性預(yù)測值所對應(yīng)的輸電線路，以不同的視覺元素進(jìn)行展示。

89、一種基于senet和effnet的輸電線路可靠性預(yù)測設(shè)備，所述設(shè)備包括處理器以及存儲器；

90、所述存儲器用于存儲計(jì)算機(jī)程序代碼，并將所述計(jì)算機(jī)程序代碼傳輸給所述處理器；

91、所述處理器用于根據(jù)所述計(jì)算機(jī)程序代碼中的指令執(zhí)行上述的基于senet和effnet的輸電線路可靠性預(yù)測方法。

92、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

93、本發(fā)明一種基于senet和effnet的輸電線路可靠性預(yù)測方法中，方法首先獲取目標(biāo)區(qū)域圖像數(shù)據(jù)并構(gòu)建輸電線路的神經(jīng)網(wǎng)絡(luò)模型，然后通過神經(jīng)網(wǎng)絡(luò)模型進(jìn)行可靠性預(yù)測；本方案在應(yīng)用中，通過綜合考慮圖像數(shù)據(jù)、電氣數(shù)據(jù)和天氣數(shù)據(jù)等多種數(shù)據(jù)源，以全面反映輸電線路的實(shí)際運(yùn)行狀態(tài)和外部環(huán)境的影響，并且通過卷積層、融合模塊、池化層等結(jié)構(gòu)，提取和融合多層次的特征，獲得更為豐富和有意義的特征表示，通過全連接層將圖像特征、電氣數(shù)據(jù)和天氣數(shù)據(jù)進(jìn)行融合，構(gòu)建綜合特征向量，可以有效地將多源數(shù)據(jù)的特征進(jìn)行整合，形成對輸電線路狀態(tài)的全面描述，通過非線性變換，可以捕捉復(fù)雜的特征關(guān)系，且對特征進(jìn)行歸一化處理，減少模型訓(xùn)練過程中的內(nèi)部協(xié)變量偏移，提高模型的訓(xùn)練效率和穩(wěn)定性，除此之外，通過復(fù)合縮放層調(diào)整特征的尺度，通過決策層，輸出輸電線路的可靠性預(yù)測值，綜上所述，本發(fā)明通過引入多源數(shù)據(jù)、多層次特征提取和融合、非線性變換與歸一化處理等步驟，能夠更全面、準(zhǔn)確地評估輸電線路的可靠性，相較于僅依賴歷史故障數(shù)據(jù)和統(tǒng)計(jì)分析的方法，可以更好地反映輸電線路的整體健康狀態(tài)和實(shí)時(shí)運(yùn)行狀況，從而提高了輸電輸電線路可靠性預(yù)測的準(zhǔn)確性。