基于人工智能的输电线路覆冰检测方法

本发明属于输电线路安全人工智能监测，具体涉及一种基于人工智能的输电线路覆冰检测方法。

背景技术：

1、输电线路覆冰是一种常见的自然灾害，特别是在冬季或寒冷地区，覆冰会对输电线路造成严重威胁，包括导致电线断裂、塔架倒塌以及输电效率降低等问题。因此，准确、及时地检测输电线路上的覆冰情况，成为了保障电力系统稳定运行的关键技术挑战。在技术发展的早期阶段，输电线路覆冰的检测主要依赖于地面巡检和定期维护，这种方法不仅耗时耗力，而且难以做到实时监控和全面覆盖。随着无人机和卫星遥感技术的应用，虽然提高了检测的效率和范围，但在图像数据处理和覆冰识别的准确性上仍存在较大的挑战。特别是在复杂的自然环境下，如何从大量的图像数据中准确识别出覆冰情况，以及如何评估覆冰的程度，成为了技术发展的瓶颈。

2、传统的图像处理和模式识别方法在处理这一问题时，通常面临着数据量大、特征提取难度高、模型泛化能力弱等问题。这些方法往往依赖于手工提取的特征，如颜色、纹理和形状等，但这些特征在复杂的自然环境中很难准确描述覆冰的状态，导致检测结果的准确性不高。此外，传统方法在处理大规模数据时效率低下，难以满足实时监控的需求。

3、现有技术存在以下不足：

4、1、传统方法在训练数据的获取和增强上存在局限，导致模型训练样本单一，不足以覆盖复杂的覆冰情况。

5、2、在特征提取、参数优化方面，传统技术可能面临梯度消失、梯度爆炸或陷入局部最优解的问题，影响训练的稳定性和模型的性能。

6、3、现有技术在覆冰检测的准确性和效率方面仍有改进空间，特别是在处理复杂环境下的覆冰情况时。

技术实现思路

1、随着人工智能技术，尤其是深度学习技术的快速发展，提供了一种新的解决方案。深度学习技术通过构建多层的神经网络模型，能够自动学习数据中的复杂特征，从而提高了特征提取的准确性和模型的泛化能力。基于深度学习的输电线路覆冰检测方法，能够直接从原始图像中自动学习到覆冰的特征，大大提高了检测的准确性和效率。

2、本发明为了解决上述现有技术中存在的问题，提供了一种基于人工智能的输电线路覆冰检测方法。

3、其主要技术方案为：一种基于人工智能的输电线路覆冰检测方法，包括以下步骤：

4、step1：数据采集与标注，采集输电线路监控系统中的图像数据，并对采集到的图像数据进行标注；

5、step2：数据扩充，使用基于镜面对称映射的生成对抗网络用于数据扩充，通过生成网络创造出具有新视角和条件下的覆冰图像；

6、step3：特征提取模型训练，将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，其采用3层的全连接神经网络进行特征提取，使用涡动优化神经网络算法，优化神经网络中的参数；

7、step4：特征降维模型训练，将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，自编码器采用分解优化技术，在编码和解码过程中采用多个阶段的优化，每个阶段针对数据的不同特性进行专门的处理；

8、step5：分类器模型训练，将降维后的数据输入到分类器中进行分类器模型的训练，通过自适应免疫优化的极限学习机分类算法，自动调整极限学习机的权重和偏置参数；

9、step6：输电线路覆冰检测，利用训练完成的模型进行新样本处理，对于新采集的图像数据，通过特征提取、特征降维后，得到的特征表示输入到分类器中进行分类，以识别和分类新的输电线路覆冰情况。

10、具体的，所述step1中图像数据包括输电线路的日常监控图像、由无人机拍摄的高清图像以及地面巡检人员拍摄的图像。

11、具体的，step2中基于镜面对称映射的生成对抗网络的训练流程包括以下步骤：

12、s2.1：对生成网络和判别网络进行初始化，生成网络生成新的覆冰图像，判别网络区分生成的图像与真实图像；

13、s2.2：对训练集中的覆冰图像进行镜面对称变换，生成镜像图像；

14、s2.3：利用包含原始图像及其镜像图像的扩展数据集，训练生成网络；

15、s2.4：采用稳定匹配理论来调整两个网络之间的学习策略；

16、s2.5：判别网络通过不断学习，逐渐提高其判断的准确性，进一步促进生成网络生成更高质量的图像；

17、s2.6：重复进行生成网络和判别网络的训练过程，直至模型达到预设的训练次数。

18、具体的，step3中涡动优化神经网络算法的训练流程包括以下步骤：

19、s3.1：在参数空间中随机生成一组涡旋，每个涡旋代表一个可能的参数配置；

20、s3.2：计算每个涡旋代表的参数配置在训练集上的性能，根据性能对涡旋进行排序，性能评估使用损失函数l(pi)来完成，评估完成后，涡旋根据损失函数的值进行排序：

21、l(p1)≤l(p2)≤…≤l(pn)

22、s3.3：进行涡旋动态更新，根据涡旋的排名和相互之间的距离，动态调整涡旋的位置和强度，模拟涡旋的相互作用和演变过程；

23、s3.4：模拟自然界涡旋的合并与分裂现象；

24、s3.5：选取表现最好的涡旋，进行局部搜索以精细调整其参数，模拟涡旋在流体中的局部吸收和能量集中现象；

25、s3.6：进行涡旋衰减，模拟自然界中涡旋能量的消散过程，逐步淘汰表现较差的涡旋，释放资源给新生成的或表现更好的涡旋；

26、s3.7：重复s3.2至s3.6，直到达到预设的最大迭代次数，每一轮迭代后，更新涡旋的状态，并重新评估它们的性能。

27、具体的，step4中自编码器结构的训练流程包括以下步骤：

28、s4.1：设特征提取后的数据集为e，其中每个数据表示为ei，进行标准化处理对输入到改进的自编码器中的数据进行处理，可以表示为：

29、

30、其中，是标准化后的数据，μe和σe分别是数据集e中的平均值和标准差；

31、s4.2：使用分解优化技术，将编码器训练过程分为多个阶段，每个阶段专注于数据的一部分特征或结构；

32、s4.3：在每个训练阶段，利用黑箱策略来评估当前模型的性能，并指导参数的调整；

33、s4.4：与编码器相对应，解码器的训练也采用分解优化技术，并通过黑箱策略来优化解码过程；

34、s4.5：迭代s4.1至s4.4，直至达到预设的最大训练次数。

35、具体的，step5中自适应免疫优化的极限学习机分类算法的训练流程包括如下步骤：

36、s5.1：初始化极限学习机的权重和偏置参数，同时，根据自适应免疫算法初始化一组抗体(即一组候选的权重和偏置参数)；

37、s5.2：对每一组抗体，通过极限学习机评估其性能；

38、s5.3：根据抗体的性能，选择效果最好的抗体(权重和偏置参数)保留下来，淘汰较差的抗体；

39、s5.4：将性能良好的抗体存储在免疫记忆库中，识别未来遇到的相似模式，若新的抗体适应度高于记忆库中的某些抗体，则进行替换；

40、s5.5：迭代s5.1至s5.4，直到满足最大迭代次数。

41、本发明的有益效果在于：包括以下几点，

42、1、基于镜面对称映射的生成对抗网络显著增加了训练数据的多样性和数量，有助于模型学习到更加鲁棒的覆冰特征，提高了检测模型的准确率和泛化能力。

43、2、涡动优化神经网络算法能有效克服梯度消失、爆炸或陷入局部最优解的问题，提高了模型训练的稳定性和性能。

44、3、改进的自编码器结构和分解优化技术细致地捕捉数据中的关键信息，提高了特征提取的质量，从而增强了模型的判别能力。

45、4、基于自适应免疫优化的极限学习机分类算法显著减少了模型的训练时间，同时保持或提升了分类精度，有效提高了检测效率。