基于深度学习的输电线路绝缘子故障诊断方法

1.本技术涉及物理元件故障诊断相关技术领域，具体地涉及一种基于深度学习的输电线路绝缘子故障诊断方法。


背景技术：

2.绝缘子(insulator)是安装在不同电位的导体或导体与接地构件之间，能够耐受电压和机械应力作用的物理元件。绝缘子种类繁多，形状各异。不同类型的绝缘子结构和外形虽有较大差别，但都是由绝缘件和连接金具两大部分组成的。输电线路绝缘子是在整个电力系统所占份额最多的一个原件，同时输电线路出现故障很大程度上也与其有直接的联系，绝缘子故障直接或间接导致了输电线路的绝大部分故障。输电线路绝缘子种类很多，按照它们材料的不同，那能够将他们分为瓷绝缘子、玻璃绝缘子和复合材料绝缘子等主要的三种类型，不同类型的绝缘子易出现的故障类型具有明显不同。在输电线路的长期运行中，绝缘子会受到很多外在环境的影响，如气候影响、温度变化等，还有输电线路电流、电压的不同也会影响绝缘子的状态；此外，绝缘子的机械载荷也会对绝缘子状态造成影响。目前，各种工况下的输电线路绝缘子可能出现的故障类型可归纳为爬弧、掉串、自爆、断裂、电阻劣化和表面污秽等六种。
3.传统的输电线路绝缘子故障诊断方法包括以下几种，即：火花间隙法，其依据就是看绝缘子能否产生放电，这是判断绝缘子是否故障的一大依据；小球放电法，针对于绝缘子的电压分布，通过对绝缘子两端的小球进行测量，通过观察他们的放电距离来进行故障诊断，这两种方法均存在无法判断具体故障类别和诊断准确率低的缺点；红外热像仪法，主要是依据绝缘子表面的热效应原理，故障绝缘子的表面温度会低于正常绝缘子，该方法虽然准确率较高但仍存在无法诊断具体故障类型的缺点；泄露电流检测法，通过电流传感器能够对流经绝缘子两端的泄漏电流进行测量，进而实现绝缘子的故障诊断，但该方法无法实现带电检测，诊断成本过高。基于深度学习视觉识别的故障诊断技术发展迅速，在输电线路绝缘子故障诊断领域也有所应用，但现有的方法仅通过绝缘子图像实现多种故障类别的诊断，没有考虑工况对绝缘子故障的影响，而对于电阻劣化这类视觉变化不明显的故障则完全无法检测。
4.随着深度学习中的注意力机制网络应用越发广泛，结合注意力机制与深度卷积神经网络的视觉问答任务网络得到了发展；相比单纯依赖图像的诊断方法，基于注意力机制与卷积神经网络的深度神经网络能够实现图像特征和绝缘子工况特征的结合分析，在绝缘子故障诊断领域更具优势。


技术实现要素：

5.为了克服现有技术的不足，本发明提供的基于深度学习的输电线路绝缘子故障诊断方法能够准确分类不同的故障类型，大幅提升输电线路绝缘子故障诊断速度，通过集成数据预处理过程和端到端深度学习网络，实现了输电线路绝缘子的端到端故障诊断，简化
故障诊断流程，并获得更高的故障诊断准确率。
6.为实现上述目的，本发明所采用的解决方案为：
7.一种基于深度学习的输电线路绝缘子故障诊断方法，其包括以下步骤：
8.步骤1：采集并处理输电线路绝缘子的图像信息和工况信息；
9.采集输电线路绝缘子的图像信息，通过像素采样进行图像尺度调整，并进行归一化处理，获得绝缘子图像数据；
10.采集输电线路绝缘子的工况信息，包括绝缘子材质、输电电压、输电电流、绝缘子机械载荷、钢帽温度、绝缘子温度、环境温度和天气状况共8维度数据，将8维数据标准化，通过背景数据填充获得维度统一的绝缘子工况特征矩阵数据；
11.步骤2：根据绝缘子图像数据和绝缘子工况特征矩阵数据训练绝缘子故障诊断模型；
12.根据步骤1中的绝缘子图像数据和绝缘子工况特征矩阵数据组建训练数据，将训练数据按比例划分训练数据集和验证数据集，将训练数据集传入基于深度学习的输电线路绝缘子故障诊断模型进行训练；所述基于深度学习的输电线路绝缘子故障诊断模型进行训练包括：icn深度学习模块、ecnn深度学习模块、tsan深度学习模块、共同注意力机制层和输出全连接层；
13.所述tsan深度学习模块的关键模型结构为自注意力机制层，所述自注意力机制层表达式如下：
[0014][0015]
式中：attention(q，k，v)表示自注意力机制函数；q表示自注意力机制层的第一中间数据；k表示自注意力机制层的第二中间数据；v表示自注意力机制层的第三中间数据；swish表示自注意力机制层的第一激活函数；wi表示自注意力机制层的第一学习参数；bi表示自注意力机制层的第二学习参数；d表示自注意力机制层的第一中间数据q和第二中间数据k的向量长度；x表示tsan深度学习模块的自注意力机制层输入；i表示不同参数编号；
[0016]
所述共同注意力机制层能够实现绝缘子图像特征与绝缘子工况语义特征的融合，共同注意模块与特征提取网络一同进行训练，并自动优化学习参数；所述共同注意力机制层的表达式如下：
[0017][0018]
式中：α表示共同注意力机制层的第一中间数据；u表示共同注意力机制层的第一学习参数；y表示icn网络与ecnn网络的深度学习模块输出；l表示共同注意力机制层的第二学习参数；β表示共同注意力机制层的第二中间数据；sigmoid表示共同注意力机制层第一激活函数；swishb表示共同注意力机制层的第二激活函数；z表示tsan深度学习模块的自注意力机制层输出；m表示共同注意力机制层的第四学习参数；output表示共同注意力机制层输出；
[0019]
所述输出全连接层中激活函数为softmax，具体表达式如下所示：
[0020][0021]
式中：j表示全连接层神经元编号；cj表示第j神经元的输出；ωj表示输出全连接层的第一学习参数；βj表示输出全连接层的第二学习参数；classj表示输入数据属于第j缺陷类别的概率；*表示矩阵乘法；softmax表示输出全连接层中激活函数；
[0022]
步骤3：确定输电线路绝缘子故障诊断模型的训练效果，保存训练好的模型；
[0023]
根据步骤2中的验证数据集判断输电线路绝缘子故障诊断模型的训练效果，基于深度学习的输电线路绝缘子故障诊断模型输出异常绝缘子的故障类型，当验证数据集的平均绝对误差小于0.9％时模型完成训练，保存训练好的输电线路绝缘子故障诊断模型参数，所述平均绝对误差计算公式如下：
[0024][0025]
式中：lmp表示数据集的平均绝对误差；n表示数据集batch数量；k表示batch编号；acck表示网络推理结果在第k个batch中的绝对准确率；
[0026]
步骤4：将绝缘子故障诊断模型应用到输电线路绝缘子在线故障诊断；
[0027]
在线故障诊断的输入数据首先需要进行与步骤1中训练数据相同的数据预处理操作，传入基于深度学习的绝缘子故障诊断模型得到输电线路绝缘子故障类型，最终完成输电线路绝缘子故障诊断。
[0028]
可优选的是，所述步骤2中训练数据需要利用专业输电线路工程师的故障诊断结果制作真实的故障情况标签，绝缘子的故障情况包括爬弧、掉串、自爆、断裂、电阻劣化和表面污秽共6个类别。
[0029]
可优选的是，所述步骤2中的基于深度学习的输电线路绝缘子故障诊断模型的特征提取网络包含由卷积层、反卷积层、concat机制、激活函数、池化层和全连接层组成的icn深度学习模块与ecnn深度学习摸块和tsan深度学习模块、共同注意力机制层与输出全连接层。
[0030]
可优选的是，所述步骤2中的基于深度学习的输电线路绝缘子故障诊断模型需要计算交叉熵损失函数，如下所示：
[0031][0032]
式中：l表示交叉熵损失函数；m表示故障类别总数；yi表示第i个故障类别置信度；yi表示实际是否为该故障类别。
[0033]
可优选的是，所述步骤2中的绝缘子图像数据需要输入进行特征整合的icn网络，icn网络的输出数据再输入ecnn网络获得绝缘子图像特征数据，绝缘子工况特征数据输入tsan深度学习模块获得绝缘子工况语义特征数据，再将绝缘子图像特征数据和绝缘子工况语义特征数据传入共同注意力机制模块，最后通过输出全连接层输出诊断结果；
[0034]
可优选的是，所述步骤2中的icn深度学习模块和ecnn深度学习模块，具体为：
[0035]
所述icn深度学习模块使用了三个下采样卷积层和一个步长为2的最大值池化以及与下采样卷积对应的反卷积层；
[0036]
所述ecnn深度学习模块包含的两个卷积层的卷积核大小均为5且卷积步长均为1，使用了两个步长为2的最大值池化串联结构，共四个池化层。
[0037]
可优选的是，所述步骤2中的共同注意力机制层中通过全连接层和sigmoid函数获得绝缘子工况信息的影响程度，再结合icn与ecnn深度学习模块获得的绝缘子真实图像特征数据，获得受影响的整合特征数据并通过softmax函数输出故障诊断结果。
[0038]
可优选的是，所述tsan深度学习模块中使用了头数为8的多头自注意力机制以及特征展开层和全连接层；所述tsan深度学习模块能够实现自动提取绝缘子工况数据的故障诊断敏感信息，tsan与整个网络一同进行训练，能够自动优化学习参数；所述tsan深度学习模块获得的绝缘子工况数据的诊断敏感信息能够通过共同注意力机制模块对最终的故障诊断结果产生影响。
[0039]
与现有技术相比，本发明的有益效果在于：
[0040]
(1)本发明提出的网络模型使用了基于自注意力机制的绝缘子工况数据特征提取网络，能够随整体网络共同进行参数优化，实现绝缘子工况对诊断结果影响的量化；使用基于共同注意机制的故障诊断结果输出网络，网络输出模块能够随整体网络共同进行参数优化，实现了绝缘子工况特征影响与绝缘子图像特征的关联与结果输出。
[0041]
(2)本发明提供的基于深度学习的输电线路绝缘子故障诊断方法能大幅提升输电线路绝缘子故障诊断速度，并能够准确分类不同的故障类型，为后续的故障解决与排除提供参考，帮助快速恢复供电。本发明提供的基于深度学习的输电线路绝缘子故障诊断方法通过集成数据预处理过程和端到端深度学习网络，实现了输电线路绝缘子的端到端故障诊断。
[0042]
(3)本发明为使用者提供了更加便捷的诊断方式，无需掌握大量专业输电工程知识即能操作，简化了绝缘子故障诊断流程，使普通工人在完成数据采集的情况下能够实现绝缘子故障诊断；通过使用设计的网络结构实现比已有的深度学习网络更高的故障诊断准确率。
附图说明
[0043]
图1为本发明实施例基于深度学习的输电线路绝缘子故障诊断方法的控制框图；
[0044]
图2为本发明实施例基于深度学习的输电线路绝缘子故障诊断方法步骤流程简图；
[0045]
图3为本发明实施例网络模型结构图；
[0046]
图4为本发明实施例网络模型中的共同注意力机制层的计算图；
[0047]
图5为本发明实施例网络模型中的多头自注意力层的计算图；
[0048]
图6为本发明实施例网络训练过程的损失值与准确率变化图；
[0049]
图7为本发明实施例仅考虑两个故障类型的网络推理结果的混淆矩阵图；
[0050]
图8为本发明实施例使用的绝缘子真实图像示例图。
具体实施方式
[0051]
以下，参照附图对本发明的实施方式进行说明。
[0052]
本发明实施例提出的网络模型使用了基于自注意力机制的绝缘子工况数据特征提取网络，实现绝缘子工况对诊断结果影响的量化，使用基于共同注意机制的故障诊断结果输出网络，实现了绝缘子工况特征影响与绝缘子图像特征的关联与结果输出；基于深度学习的输电线路绝缘子故障诊断方法能大幅提升输电线路绝缘子故障诊断速度，并能够准确分类不同的故障类型，为后续的故障解决与排除提供参考，帮助快速恢复供电。本发明提供的基于深度学习的输电线路绝缘子故障诊断方法通过集成数据预处理过程和端到端深度学习网络，实现了输电线路绝缘子的端到端故障诊断；本案例简化了绝缘子故障诊断流程，使普通工人在完成数据采集的情况下能够实现绝缘子故障诊断，并提高了故障诊断准确率。如图1所示为本发明实施例基于深度学习的输电线路绝缘子故障诊断方法的控制框图。
[0053]
本发明实施例提供了一种基于深度学习的输电线路绝缘子故障诊断方法，如图2所示为本发明实施例基于深度学习的输电线路绝缘子故障诊断方法步骤流程简图；为了证明本发明的适用性，将其应用于实例，具体包含如下步骤：
[0054]
s1：采集并处理输电线路绝缘子的图像信息和工况信息；
[0055]
采集输电线路绝缘子的图像信息，通过像素采样进行图像尺度调整，并进行归一化处理，获得绝缘子图像数据，网络的输入图像如图8所示为本发明实施例使用的绝缘子真实图像示例图。
[0056]
采集输电线路绝缘子的工况信息，包括绝缘子材质、输电电压、输电电流、绝缘子机械载荷、钢帽温度、绝缘子温度、环境温度和天气状况共8维度数据，将8维数据标准化，通过背景数据填充获得维度统一的绝缘子工况特征矩阵数据，绝缘子工况数据为包含八个数据元素的一维数组。
[0057]
s2：根据绝缘子图像数据和绝缘子工况特征矩阵数据训练绝缘子故障诊断模型；
[0058]
根据s1中的绝缘子图像数据和绝缘子工况特征矩阵数据组建训练数据，将训练数据按比例划分训练数据集和验证数据集，将训练数据集传入基于深度学习的输电线路绝缘子故障诊断模型进行训练；训练数据需要利用专业输电线路工程师的故障诊断结果制作真实的故障情况标签，绝缘子的故障情况包括爬弧、掉串、自爆、断裂、电阻劣化和表面污秽共6个类别，数据集的类别标签由六维独热编码的形式给出。
[0059]
基于深度学习的输电线路绝缘子故障诊断模型进行训练包括：icn深度学习模块、ecnn深度学习模块、tsan深度学习模块、共同注意力机制层和输出全连接层；如图4所示为本发明实施例网络模型中的共同注意力机制层的计算图。基于深度学习的输电线路绝缘子故障诊断模型的特征提取网络包含由卷积层、反卷积层、concat机制、激活函数、池化层和全连接层组成的icn深度学习模块与ecnn深度学习摸块和tsan深度学习模块、共同注意力机制层与输出全连接层。如图3所示为本发明实施例网络模型结构图。tsan深度学习模块中使用了头数为8的多头自注意力机制以及特征展开层和全连接层；如图5所示为本发明实施例网络模型中的多头自注意力层的计算图。tsan深度学习模块能够实现自动提取绝缘子工况数据的故障诊断敏感信息，tsan与整个网络一同进行训练，能够自动优化学习参数；tsan深度学习模块获得的绝缘子工况数据的诊断敏感信息能够通过共同注意力机制模块对最
终的故障诊断结果产生影响，在故障类别为6，batch size设置为2时，网络输出的最终结果的一个示例如下式：
[0060][0061]
之后，使用条件语句将输出数据转化为故障类别输出，完成模型推理过程。
[0062]
绝缘子图像数据需要输入进行特征整合的icn网络，icn网络的输出数据再输入ecnn网络获得绝缘子图像特征数据，绝缘子工况特征数据输入tsan深度学习模块获得绝缘子工况语义特征数据，再将绝缘子图像特征数据和绝缘子工况语义特征数据传入共同注意力机制模块，最后通过输出全连接层输出诊断结果；icn深度学习模块使用了三个下采样卷积层和一个步长为2的最大值池化以及与下采样卷积对应的反卷积层；ecnn深度学习模块包含的两个卷积层的卷积核大小均为5且卷积步长均为1，使用了两个步长为2的最大值池化串联结构，共四个池化层。
[0063]
共同注意力机制层中通过全连接层和sigmoid函数获得绝缘子工况信息的影响程度，再结合icn与ecnn深度学习模块获得的绝缘子真实图像特征数据，获得受影响的整合特征数据并通过softmax函数输出故障诊断结果。
[0064]
tsan深度学习模块的关键模型结构为自注意力机制层，自注意力机制层表达式如下：
[0065][0066]
式中：attention(q，k，v)表示自注意力机制函数；q表示自注意力机制层的第一中间数据；k表示自注意力机制层的第二中间数据；v表示自注意力机制层的第三中间数据；swish表示自注意力机制层的第一激活函数；wi表示自注意力机制层的第一学习参数；bi表示自注意力机制层的第二学习参数；d表示自注意力机制层的第一中间数据q和第二中间数据k的向量长度；x表示tsan深度学习模块的自注意力机制层输入；i表示不同参数编号。
[0067]
共同注意力机制层能够实现绝缘子图像特征与绝缘子工况语义特征的融合，共同注意模块与特征提取网络一同进行训练，并自动优化学习参数；共同注意力机制层的表达式如下：
[0068][0069]
式中：α表示共同注意力机制层的第一中间数据；u表示共同注意力机制层的第一学习参数；y表示icn网络与ecnn网络的深度学习模块输出；l表示共同注意力机制层的第二学习参数；β表示共同注意力机制层的第二中间数据；sigmoid表示共同注意力机制层第一激活函数；swishb表示共同注意力机制层的第二激活函数；z表示tsan深度学习模块的自注意力机制层输出；m表示共同注意力机制层的第四学习参数；output表示共同注意力机制层输出。
[0070]
输出全连接层中激活函数为softmax，具体表达式如下所示：
[0071][0072]
式中：j表示全连接层神经元编号；cj表示第j神经元的输出；ωj表示输出全连接层的第一学习参数；βj表示输出全连接层的第二学习参数；classj表示输入数据属于第j缺陷类别的概率；*表示矩阵乘法；softmax表示输出全连接层中激活函数。
[0073]
基于深度学习的输电线路绝缘子故障诊断模型需要计算交叉熵损失函数，如图6所示为本发明实施例网络训练过程的损失值与准确率变化图；如下所示：
[0074][0075]
式中：l表示交叉熵损失函数；m表示故障类别总数；yi表示第i个故障类别置信度；yi表示实际是否为该故障类别。
[0076]
s3：确定输电线路绝缘子故障诊断模型的训练效果，保存训练好的模型；
[0077]
根据s2中的验证数据集判断输电线路绝缘子故障诊断模型的训练效果，基于深度学习的输电线路绝缘子故障诊断模型输出异常绝缘子的故障类型，当验证数据集的平均绝对误差小于0.9％时模型完成训练，保存训练好的输电线路绝缘子故障诊断模型参数，平均绝对误差计算公式如下：
[0078][0079]
式中：lmp表示数据集的平均绝对误差；n表示数据集batch数量；k表示batch编号；acck表示网络推理结果在第k个batch中的绝对准确率。
[0080]
s4：将绝缘子故障诊断模型应用到输电线路绝缘子在线故障诊断；
[0081]
在线故障诊断的输入数据首先需要进行与s1中训练数据相同的数据预处理操作，传入基于深度学习的绝缘子故障诊断模型得到输电线路绝缘子故障类型，最终完成输电线路绝缘子故障诊断。如图7所示为本发明实施例仅考虑两个故障类型的网络推理结果的混淆矩阵图，通过对混淆矩阵的分析能够看出本发明对于输电线路绝缘子故障诊断具有较好的效果，能够满足实际使用需求。
[0082]
综上，本案例基于深度学习的输电线路绝缘子故障诊断方法的预测结果证明了具有很好的效果。
[0083]
(1)本发明实施例通过基于自注意力机制的绝缘子工况数据特征提取网络对实际输电线路数据进行处理，能够随整体网络共同进行参数优化，实现绝缘子工况对诊断结果影响的量化；使用基于共同注意机制的故障诊断结果输出网络，网络输出模块能够随整体网络共同进行参数优化，实现了绝缘子工况特征影响与绝缘子图像特征的关联与结果输出。
[0084]
(2)本发明实施例提供的基于深度学习的输电线路绝缘子故障诊断方法能大幅提升输电线路绝缘子故障诊断速度，并能够准确分类不同的故障类型，为后续的故障解决与排除提供参考，帮助快速恢复供电。本发明提供的基于深度学习的输电线路绝缘子故障诊
断方法通过集成数据预处理过程和端到端深度学习网络，实现了输电线路绝缘子的端到端故障诊断。
[0085]
(3)本发明实施例简化了绝缘子故障诊断流程，无需掌握大量专业输电工程知识即能操作，使普通工人在完成数据采集的情况下能够实现绝缘子故障诊断，通过对诊断结果的对比能够看出，本案例能够提高故障诊断准确率，满足实际使用需求。
[0086]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，其包括以下步骤：步骤1：采集并处理输电线路绝缘子的图像信息和工况信息；采集输电线路绝缘子的图像信息，通过像素采样进行图像尺度调整，并进行归一化处理，获得绝缘子图像数据；采集输电线路绝缘子的工况信息，包括绝缘子材质、输电电压、输电电流、绝缘子机械载荷、钢帽温度、绝缘子温度、环境温度和天气状况共8维度数据，将8维数据标准化，通过背景数据填充获得维度统一的绝缘子工况特征矩阵数据；步骤2：根据绝缘子图像数据和绝缘子工况特征矩阵数据训练绝缘子故障诊断模型；根据步骤1中的绝缘子图像数据和绝缘子工况特征矩阵数据组建训练数据，将训练数据按比例划分训练数据集和验证数据集，将训练数据集传入基于深度学习的输电线路绝缘子故障诊断模型进行训练；所述基于深度学习的输电线路绝缘子故障诊断模型进行训练包括：icn深度学习模块、ecnn深度学习模块、tsan深度学习模块、共同注意力机制层和输出全连接层；所述tsan深度学习模块的关键模型结构为自注意力机制层，所述自注意力机制层表达式如下：式中：attention(q，k，v)表示自注意力机制函数；q表示自注意力机制层的第一中间数据；k表示自注意力机制层的第二中间数据；v表示自注意力机制层的第三中间数据；swish表示自注意力机制层的第一激活函数；w
i
表示自注意力机制层的第一学习参数；b
i
表示自注意力机制层的第二学习参数；d表示自注意力机制层的第一中间数据q和第二中间数据k的向量长度；x表示tsan深度学习模块的自注意力机制层输入；i表示不同参数编号；所述共同注意力机制层能够实现绝缘子图像特征与绝缘子工况语义特征的融合，共同注意模块与特征提取网络一同进行训练，并自动优化学习参数；所述共同注意力机制层的表达式如下：式中：α表示共同注意力机制层的第一中间数据；u表示共同注意力机制层的第一学习参数；y表示icn网络与ecnn网络的深度学习模块输出；l表示共同注意力机制层的第二学习参数；β表示共同注意力机制层的第二中间数据；sigmoid表示共同注意力机制层第一激活函数；swishb表示共同注意力机制层的第二激活函数；z表示tsan深度学习模块的自注意力机制层输出；m表示共同注意力机制层的第四学习参数；output表示共同注意力机制层输出；所述输出全连接层中激活函数为softmax，具体表达式如下所示：
式中：j表示全连接层神经元编号；c
j
表示第j神经元的输出；ω
j
表示输出全连接层的第一学习参数；β
j
表示输出全连接层的第二学习参数；class
j
表示输入数据属于第j缺陷类别的概率；*表示矩阵乘法；softmax表示输出全连接层中激活函数；步骤3：确定输电线路绝缘子故障诊断模型的训练效果，保存训练好的模型；根据步骤2中的验证数据集判断输电线路绝缘子故障诊断模型的训练效果，基于深度学习的输电线路绝缘子故障诊断模型输出异常绝缘子的故障类型，当验证数据集的平均绝对误差小于0.9％时模型完成训练，保存训练好的输电线路绝缘子故障诊断模型参数，所述平均绝对误差计算公式如下：式中：lmp表示数据集的平均绝对误差；n表示数据集batch数量；k表示batch编号；acc
k
表示网络推理结果在第k个batch中的绝对准确率；步骤4：将绝缘子故障诊断模型应用到输电线路绝缘子在线故障诊断；在线故障诊断的输入数据首先需要进行与步骤1中训练数据相同的数据预处理操作，传入基于深度学习的绝缘子故障诊断模型得到输电线路绝缘子故障类型，最终完成输电线路绝缘子故障诊断。2.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中训练数据需要利用专业输电线路工程师的故障诊断结果制作真实的故障情况标签，绝缘子的故障情况包括爬弧、掉串、自爆、断裂、电阻劣化和表面污秽共6个类别。3.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的基于深度学习的输电线路绝缘子故障诊断模型的特征提取网络包含由卷积层、反卷积层、concat机制、激活函数、池化层和全连接层组成的icn深度学习模块与ecnn深度学习摸块和tsan深度学习模块、共同注意力机制层与输出全连接层。4.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的基于深度学习的输电线路绝缘子故障诊断模型需要计算交叉熵损失函数，如下所示：式中：l表示交叉熵损失函数；m表示故障类别总数；y
i
表示第i个故障类别置信度；y
i
表示实际是否为该故障类别。5.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的绝缘子图像数据需要输入进行特征整合的icn网络，icn网络的输出数据再输入ecnn网络获得绝缘子图像特征数据，绝缘子工况特征数据输入tsan深度学习模块获得绝缘子工况语义特征数据，再将绝缘子图像特征数据和绝缘子工况语义特征数据传入共同注意力机制模块，最后通过输出全连接层输出诊断结果。
6.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的icn深度学习模块和ecnn深度学习模块，具体为：所述icn深度学习模块使用了三个下采样卷积层和一个步长为2的最大值池化以及与下采样卷积对应的反卷积层；所述ecnn深度学习模块包含的两个卷积层的卷积核大小均为5且卷积步长均为1，使用了两个步长为2的最大值池化串联结构，共四个池化层。7.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的共同注意力机制层中通过全连接层和sigmoid函数获得绝缘子工况信息的影响程度，再结合icn与ecnn深度学习模块获得的绝缘子真实图像特征数据，获得受影响的整合特征数据并通过softmax函数输出故障诊断结果。8.根据权利要求3所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述tsan深度学习模块中使用了头数为8的多头自注意力机制以及特征展开层和全连接层；所述tsan深度学习模块能够实现自动提取绝缘子工况数据的故障诊断敏感信息，tsan与整个网络一同进行训练，能够自动优化学习参数；所述tsan深度学习模块获得的绝缘子工况数据的诊断敏感信息能够通过共同注意力机制模块对最终的故障诊断结果产生影响。

技术总结
本发明涉及一种基于深度学习的输电线路绝缘子故障诊断方法，其包括以下步骤，步骤1：采集并处理输电线路绝缘子的图像信息和工况信息；步骤2：根据绝缘子图像数据和绝缘子工况特征矩阵数据训练绝缘子故障诊断模型；步骤3：确定输电线路绝缘子故障诊断模型的训练效果，保存训练好的模型；步骤4：将绝缘子故障诊断模型应用到输电线路绝缘子在线故障诊断。本发明提供的基于深度学习的输电线路绝缘子故障诊断方法能够准确分类不同的故障类型，大幅提升输电线路绝缘子故障诊断速度，通过集成数据预处理过程和端到端深度学习网络，实现了输电线路绝缘子的端到端故障诊断，简化故障诊断流程，并获得更高的故障诊断准确率。并获得更高的故障诊断准确率。并获得更高的故障诊断准确率。


技术研发人员：郭保苏 陈昊哲 吴凤和 孙迎兵 张磊 丁世琛
受保护的技术使用者：燕山大学
技术研发日：2023.05.23
技术公布日：2023/9/12