一种基于自适应调整的输电线路特征提取方法及系统与流程

本发明涉及电网控制，特别是一种基于自适应调整的输电线路特征提取方法及系统。

背景技术：

1、随着电力系统的不断发展，输电线路作为电力传输的核心组成部分，对整个电力系统的安全和稳定运行至关重要，然而在当前技术背景下，传统的输电线路特征提取方法存在一些显著的不足，限制了对电力系统的全面监测和维护；传统的输电线路图像处理方法主要依赖于手工设计的特征提取算法，尽管在某些场景下表现良好，但在适应复杂多变的光照和天气条件方面存在一定的困难，特别是在现有技术中，由于输电线路所处环境的复杂性，传统方法往往难以灵活地适应光照和天气条件的变化，导致在不同场景下的特征提取效果不稳定；监督学习方法虽然在一定程度上取得成功，但其受到大量标注数据的依赖，而在实际应用中获取大规模标注数据相对困难，限制了监督学习方法的广泛应用。

2、传统方法难以灵活地适应输电线路所处环境的光照和天气条件的变化，导致其在复杂场景下的特征提取效果不稳定，影响了监测和分析的准确性；目前现有技术中的特征提取密度通常是固定的，无法灵活适应输电线路在不同工况下的特性变化；监督学习方法依赖于大量标注数据，然而在实际应用中，获取大规模标注数据相对困难，尤其是在光照和天气条件多变的情况下，缺乏足够多样性的标注数据，限制了监督学习方法的可行性和泛化能力。

技术实现思路

1、鉴于对输电线路进行特征提取时，现有技术中难以灵活地适应输电线路所处环境的光照和天气条件的变化，需要依赖大量标注数据等问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种灵活适应环境的光照和天气条件，减少对于数据的依赖，提高特征提取效果的方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于自适应调整的输电线路特征提取方法，其包括采集输电线路的相关数据进行预处理，并根据所述输电线路的相关数据动态调整特征提取密度；利用无监督学习算法学习提取不同场景下的特征，并基于无监督学习算法的学习结果和动态调整的特征提取密度构建自适应特征提取模型；基于对抗性生成网络gan引入对抗样本，优化自适应特征提取模型。

5、作为本发明所述基于自适应调整的输电线路特征提取方法的一种优选方案，其中：所述输电线路的相关数据包括图像数据、光照条件和天气信息；所述动态调整特征提取密度通过利用采集的光照条件和天气信息对输电线路周围环境进行感知，制定动态调整特征提取密度策略。

6、作为本发明所述基于自适应调整的输电线路特征提取方法的一种优选方案，其中：所述动态调整特征提取密度的计算公式如下：

7、dtotal＝dbase+f(α,β)·dadjust(ilight,wweather)

8、其中，dtotal为总特征提取密度；dbase为基础特征提取密度，即没有考虑光照和天气影响时的密度；f(α,β)为非线性函数；dadjust(ilight,wweather)为动态调整的特征提取密度。

9、作为本发明所述基于自适应调整的输电线路特征提取方法的一种优选方案，其中：所述非线性函数的计算公式如下：

10、

11、所述动态调整的特征提取密度的计算公式如下：

12、

13、其中，α为调整光照对特征提取密度的影响；β为调整天气对特征提取密度的影响；ilight为光照条件；wweather为天气信息。

14、作为本发明所述基于自适应调整的输电线路特征提取方法的一种优选方案，其中：所述动态调整特征提取密度策略具体情况如下：若光照条件ilight小于第一阈值或天气信息wweather小于第二阈值，则进行特征提取密度的动态调整，减少动态调整的特征提取密度；若光照条件ilight大于第三阈值或天气信息wweather大于第四阈值，则增加动态调整的特征提取密度；若光照条件ilight在第一阈值和第三阈值之间且天气信息wweather在第二阈值和第四阈值之间，则保持基础特征提取密度不变；若光照条件ilight或天气信息wweather的变化幅度大于第五阈值，则进行特征提取密度的动态调整；若光照条件ilight或天气信息wweather的变化幅度不大于第五阈值，则保持特征提取密度不变。

15、作为本发明所述基于自适应调整的输电线路特征提取方法的一种优选方案，其中：所述利用无监督学习算法学习提取不同场景下的特征包括以下步骤：使用自编码器autoencoder学习输入数据的紧凑表示；构建自适应特征提取模型；设计无监督学习的损失函数，并引入所述动态调整特征提取密度；利用引入动态调整特征提取密度的损失函数对自适应特征提取模型进行训练。

16、作为本发明所述基于自适应调整的输电线路特征提取方法的一种优选方案，其中：所述引入动态调整特征提取密度的损失函数的计算公式如下：

17、

18、其中，total loss为引入动态调整特征提取密度的损失函数；n为数据样本的数量；xi为第i个样本的实际输入；为第i个样本的模型输出；λ为权衡两者的超参数，控制正则化项的影响力。

19、第二方面，本发明为进一步解决输电线路特征提取中存在的安全问题，实施例提供了一种基于自适应调整的输电线路特征提取系统，其包括：参数调整模块，用于采集输电线路的图像数据、光照条件和天气信息，并根据光照条件和天气信息动态调整特征提取密度；模型构建模块，用于利用无监督学习算法学习提取不同场景下的特征，并将动态调整特征提取密度引入无监督学习的损失函数中，构建自适应特征提取模型；模型优化模块，用于利用抗性生成网络gan引入对抗样本，对构建的自适应特征提取模型进行训练和优化。

20、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于自适应调整的输电线路特征提取方法的任一步骤。

21、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于自适应调整的输电线路特征提取方法的任一步骤。

22、本发明有益效果为：本发明通过动态调整特征提取密度和无监督学习算法，使得模型在不同光照和天气条件下能够更灵活地提取特征，提高适应性；采用无监督学习和对抗性生成网络优化，使模型具备更好的泛化能力，能够处理各种输电线路场景，而不需要依赖于大量标注数据，并使模型能够更准确地提取输电线路的关键特征，提高了特征提取的准确性。

技术特征：

1.一种基于自适应调整的输电线路特征提取方法，其特征在于：包括：

2.如权利要求1所述的基于自适应调整的输电线路特征提取方法，其特征在于：所述输电线路的相关数据包括图像数据、光照条件和天气信息；

3.如权利要求2所述的基于自适应调整的输电线路特征提取方法，其特征在于：所述动态调整特征提取密度的计算公式如下：

4.如权利要求3所述的基于自适应调整的输电线路特征提取方法，其特征在于：所述非线性函数的计算公式如下：

5.如权利要求4所述的基于自适应调整的输电线路特征提取方法，其特征在于：所述动态调整特征提取密度策略具体情况如下：

6.如权利要求5所述的基于自适应调整的输电线路特征提取方法，其特征在于：所述利用无监督学习算法学习提取不同场景下的特征包括以下步骤：

7.如权利要求6所述的基于自适应调整的输电线路特征提取方法，其特征在于：所述引入动态调整特征提取密度的损失函数的计算公式如下：

8.一种基于自适应调整的输电线路特征提取系统，基于权利要求1～7任一所述的一种基于自适应调整的输电线路特征提取方法，其特征在于：包括，

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的一种基于自适应调整的输电线路特征提取方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的一种基于自适应调整的输电线路特征提取方法的步骤。

技术总结本发明公开了一种基于自适应调整的输电线路特征提取方法及系统，涉及电网控制技术领域，包括输电线路的相关数据进行预处理，并根据所述输电线路的相关数据动态调整特征提取密度；利用无监督学习算法学习提取不同场景下的特征，并基于无监督学习算法的学习结果和动态调整的特征提取密度构建自适应特征提取模型；基于对抗性生成网络GAN引入对抗样本，优化自适应特征提取模型。本发明通过动态调整特征提取密度和无监督学习算法，使模型在不同光照和天气条件下能够更灵活地提取特征；采用无监督学习和对抗性生成网络优化，使模型具备更好的泛化能力，不需要依赖于大量标注数据，能够准确提取输电线路的关键特征，提高特征提取的准确性。技术研发人员：祝文姬,邹林,祁红涛,卓浩泽,欧发斌,纪硕磊,刘旭,卢万里,农宇,王乐受保护的技术使用者：广西电网有限责任公司电力科学研究院技术研发日：技术公布日：2024/7/29