(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211035110.2 (22)申请日 2022.08.26 (71)申请人 国网安徽省电力有限公司超高压分 公司 地址 230000 安徽省合肥市包河区桐城南 路397号 申请人 合肥工业大 学 (72)发明人 葛健　马欢　李帷韬　童倩倩　 刘文涛　孙伟　郭振宇　李奇越　 刘鑫　董翔宇　王旗　李腾　 王晓东　邵华　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 丁瑞瑞(51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 3/40(2006.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于异构数据的特高压线路绝缘子故障诊 断方法及装置 (57)摘要 本发明公开了基于异构数据的特高压线路 绝缘子故障诊断方法及装置， 所述方法包括： 采 集特高压线路绝缘子的图像数据和泄露电流数 据， 使用超分辨率卷积神经网络对图像数据集进 行超分辨率重建； 对超分辨率重建图片进行降 维； 将降维后的图像数据与泄漏电流数据融合得 到融合数据集； 构建卷积编码器特征提取网络并 训练， 将融合数据集输入训练好的网络得到融合 特征； 将融合特征输入到softmax分类器中， 得出 绝缘子故障诊断结果； 本发明的优点在于： 检测 精度高。 权利要求书3页 说明书10页 附图1页 CN 115294094 A 2022.11.04 CN 115294094 A 1.基于异构数据的特高压线路绝 缘子故障诊断方法， 其特 征在于， 所述方法包括： 步骤一： 采集特高压线路绝缘子的图像数据和 泄露电流数据， 使用超分辨率卷积神经 网络对图像数据集进行超分辨 率重建； 步骤二： 对 超分辨率重建图片进行降维； 步骤三： 将降维后的图像数据与泄漏电流数据融合得到融合数据集； 步骤四： 构建卷积编码器特征提取网络并训练， 将融合数据集输入训练好的网络得到 融合特征； 步骤五： 将融合特 征输入到softmax分类 器中， 得出绝缘子故障诊断结果。 2.根据权利要求1所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述超分辨率卷积神经网络包括顺序连接的特征提取层、 全连接层以及输出层， 所述特 征提取层包括c1个卷积核大小为5 ×5的卷积层， 步长大小均为s1； 所述全连接层包括c2个卷 积核大小为1 ×1的卷积层， 步长大小均为s2； 所述输出层包括c3个卷积核大小为3 ×3的卷积 层， 步长大小均为s3。 3.根据权利要求1所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述步骤一包括： 步骤1.1、 将图像数据X输入到超分辨率卷积神经网络中的特征提取层， 得到图像块特 征向量组成的特征矩阵F1(X)＝max(0,W1×X+B1)， 其中， W1表示特征提取层的卷积核权值， B1 表示特征提取层的卷积核偏置； 步骤1.2、 将特征提取层输出的特征矩阵F1(X)输入到全连接层， 得到特征矩阵F2(X)＝ max(0,W2×F1(X)+B2)， 其中， W2表示全连接层的卷积核权值， B2表示全连接层的卷积核偏置； 步骤1.3、 将 全连接层输 出的特征矩阵F2(X)输入到输 出层， 输出最终的高分辨率图像矩 阵F3(X)＝W3×F2(X)+B3， 其中， W3表示输出层的卷积核权值， B3表示输出层的卷积核偏置 。 4.根据权利要求3所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述步骤二包括： 步骤2.1、 使用滑动窗口滑动截取高分辨 率图像矩阵F3(X)， 得到截取到的图片数量 Num； 步骤2.2、 通过公式 得到第i个样本的重组图像矩 阵X′i， i＝1 ,2 ,...,N ； Xi ,r s为重组图像矩阵X ′i的 第r行第s列子矩阵且 r＝1,2,. ..,Num， s＝1,2,.. .,Num， x(n,n)为子矩阵在 第n行第n列的数值， n 为滑动窗口大小； 步骤2.3、 对子矩阵Xi,rs进行奇异值分解， 得到其 最大特征值Bi,rs； 步骤2.4、 通过公式 构成第i个样本降维后的向 量。权　利　要　求　书 1/3 页 2 CN 115294094 A 25.根据权利要求4所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述步骤三包括： 通过公式Z＝[Z1,Z2,...,Zi,...ZN]将采集到的泄漏电流数据Yi(i＝1,2,...,N)与降维 的图像数据 进行融合， 其中， Z为融合数据集， 6.根据权利要求5所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述步骤四包括： 步骤4.1、 将融合数据集Z划分为两个互斥的子集Z1和Z2， 即Z＝Z1∪Z2且 其 中Z1作为训练集， Z2作为测试集； 步骤4.2、 将训练集的数据输入卷积编码器特 征提取网络 CAENet； 步骤4.3、 初始化卷积编码器特征提取网络CAENet当前迭代次数为d， 并初始化d＝0， 设 定最大迭代次数为dmax及网络误差阈值e0； 步骤4.4、 令d＝d+1并计算卷积编码器特征提取网络CAENet输出特征与输入样本 的损 失函数值； 步骤4.5、 判断ed>e0和d<dmax是否均成立， 若均成立， 根据梯度下降算法更新第d次迭代 的卷积编码 器特征提取网络CAENet的参数， 并返回执行步骤4.4； 否则， 将第d次迭代的卷积 编码器特 征提取网络 CAENet中编码器的输出作为 提取的融合特 征。 7.根据权利要求6所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述卷积编码 器特征提取网络CAENet包括编码 器与解码器， 其中， 编码器包括32个卷积 核大小为5的卷积层、 最大池化层、 64个卷积核大小为5的卷积层； 解码 器包括一个卷积核 大 小为1的卷积层、 32个卷积核大小为5的卷积层、 上采样层、 64个卷积核大小为5的卷积层。 8.根据权利要求6所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述卷积编码器特 征提取网络 CAENet输出 特征与输入样本的损失函数为 其中， N是训练集样本个数， xj是CAENet的第j个输入样本， 是CAENet的第j个样本的预 测值。 9.根据权利要求6所述的基于异构数据的特高压线路绝缘子故障诊断方法， 其特征在 于， 所述步骤五包括： 将测试集Z2中的样本输入训练好的卷积编码器特征提取网络CAENet， 提取的融合特征 输入到softmax分类器中， 利用公式 得出绝缘子 故障诊断结果； 其中， result(xi)＝0表示绝缘子无故障， result(xi)＝1表示绝缘子有故障， xi为Z2中第i个样本， yi为第i个样本 的正确标签类别， K为权　利　要　求　书 2/3 页 3 CN 115294094 A 3