[发明专利]基于RVI-BNN的配电线路鸟巢故障识别方法

说明书

基于RVI‑BNN的配电线路鸟巢故障识别方法，包括以下步骤：步骤1：通过无人机巡检拍摄，采集真实场景下的配电线路杆塔图像；步骤2：对采集到的原始图像数据集进行标记，构建配电线路鸟巢图像数据集；步骤3：对步骤2中的配电线路鸟巢图像数据集进行深度学习模型训练，获得配电线路鸟巢故障识别模型；步骤4：通过上述训练过程得到的配电线路鸟巢故障识别模型，对无人机巡检中获取的配电线路图像进行检测。本发明将重参数化变分推断与贝叶斯神经网络模型结合，通过变分推断近似贝叶斯网络模型权重参数的后验分布，用于无人机配电线路巡检图像中识别，具有非常强的鲁棒性。

技术领域

本发明涉及一种配电线路故障识别方法，具体涉及一种基于RVI-BNN的配电线路鸟巢故障识别方法。

背景技术

随着我国配电线路的不断增多及生态环境的逐步改善，鸟害事故明显上升，其造成的损失也明显增加，这对电网的安全稳定运行带来了严重的威胁。

根据运行经验和统计数据，鸟类活动引发的电力故障频率，仅次于雷击和外力破坏。鸟害具体包括：鸟类身体短路故障、鸟类筑巢、鸟类捕食、鸟粪闪络、鸟类天敌身体短路、鸟类啄食复合绝缘子故障等。研究表明，配电线路杆塔横担区域为鸟禽提供了稳定的生活环境，安定居所的鸟类经常以金属丝等较长的材料加固鸟巢，狭长的鸟巢材料使架空配电线路相间或者相地间的有效绝缘距离减少，同时鸟粪也会畸变悬垂绝缘子串周边场强，可能会导致架空配电线路发生跳闸、闪络等事故。因此，在鸟巢故障形成机理和防治对策的研究方面要投入更多时间和精力，使得该类故障可预防和监测，减小其对配电线路的安全运行的影响。

近年来，传统人工巡检模式由于工作量骤增、检测精度和效率受客观条件限制，逐步被无人机巡检模式代替。目前无人机巡检依据规划的飞行轨迹采集图像，减少了人工巡检的工作量，但是采集图像无预判、数量多、视角固定，加重人工检查图像的任务。人工检测效率较低，容易因疲劳出现漏检，且采集环境具有不确定性，采集图像异常，存在难以辨识而误检的情况。因此需要采用一种检测速度快、同时具有不确定性量化能力的算法。

发明内容

本发明提供一种基于RVI-BNN的配电线路鸟巢故障识别方法，能够应用于处理无人机巡检配电线路的图像数据，自动辨识检测出鸟巢故障；有助于评估配电线路鸟害的严重程度，以更为方便高效的方式维护电力设备运行的稳定，降低配电线路的鸟害故障率。

本发明采取的技术方案为：

基于RVI-BNN的配电线路鸟巢故障识别方法，包括以下步骤：

步骤1、数据获取：通过无人机巡检拍摄，采集若干真实场景下的配电线路杆塔图像；

步骤2：对采集到的原始图像数据集进行标记，构建配电线路鸟巢图像数据集；

步骤3：对步骤2中的配电线路鸟巢图像数据集进行深度学习模型训练，获得配电线路鸟巢故障识别模型；

步骤4：通过上述训练过程得到的配电线路鸟巢故障识别模型，对无人机巡检中获取的配电线路图像进行检测。

所述步骤2中，根据无人机巡检采集的图像，通过专家检查结核实地考察确认后进行故障标记，对图像中的配电线路杆塔中有鸟巢故障的区域进行标记，生成与子图相对应的带有图像信息和名称信息的文件，将所有图像进行故障标记后，构成用于深度学习训练的训练样本。

所述步骤3中，选择贝叶斯卷积神经网络作为分类场景，搭建了贝叶斯卷积神经网络模型，具体网络结构如下：

①、输入层：将每一张原始图像归一化为227×227×3规格的RGB图像。

②、第一层卷积层有96个卷积核，尺寸为11×11×3，步长为4。layer1池化层的池化方法为Maxpooling，尺寸为3×3，步长为2。