一种电力设备状态监控分析方法与系统
1.本发明属于深度学习领域，更具体的，涉及一种电力设备状态监控分析方法与系统。
背景技术：
2.深度学习作为机器学习的主流分支之一，在电力设备状态监控领域得到了广泛引用。目前，变电站电力设备的巡检主要靠人工完成，传统的人工巡检方式存在工作模式艰苦、劳动强度大、安全性低、巡检效率低、缺陷发现不及时不全面等问题。基于电力设备如无人机、机器人、监控等手段的半人工巡检方式，大部分只是止步于变电站设备图像的采集功能，设备的故障诊断大多依赖后期人工识别。同时，采集的数据需要经过筛选，最终可用数据少之又少。这种做法不但需要投入大量的人力物力，而且诊断效率也相对较低。这些缺陷都极大限制了基于电力设备的变电站电力设备巡检平台的推广使用。
3.使用迁移学习算法对电力设备状态进行监控分析，针对未知设备缺陷样本容量不足的问题，由于未知设备缺陷的监控数据和已知设备缺陷的监控数据之间存在一些相似性，这种相似性可以通过相关算法所提取的特征体现出来，因此未知设备的缺陷特征在算法中得以正确分类。一个完备的基于迁移学习的检测算法在取得良好性能的同时，需要的硬件资源也越来越高，可能无法在移动端或嵌入式设备上运行。通过知识蒸馏训练出与复杂的迁移学习检测模型性能相同或更优的轻量化学生网络，可以方便的搭载至现有的电力设备。
4.因此，在需要使用迁移学习算法进行电力设备缺陷检测的同时，也需要针对电力设备的有限算力和实时性的要求，对复杂神经网络模型进行轻量化设计。
技术实现要素：
5.为解决现有技术中存在的不足，本发明的目的在于，为开展电力设备缺陷分析相关工作，针对电力设备存在的问题，提出了一种电力设备状态监控分析方法与系统。在电力设备状态监控分析场景中，采用迁移学习技术，实现对未知电力设备缺陷的分类。采用知识蒸馏技术，将得到的基于迁移学习的复杂电力设备缺陷检测模型进行轻量化设计，运用在各种不同的电力设备上。
6.本发明采用如下的技术方案。
7.一种电力设备状态监控分析方法，包括如下步骤：
8.步骤s1，获取具有标签的源域缺陷数据集、不具有标签的目标域缺陷数据集。
9.步骤s2，构建训练集和测试集。
10.步骤s3，将训练集输入到迁移学习算法中，经过迭代训练获得电力设备状态监控分析的教师模型；
11.步骤s4，将教师模型输入到知识蒸馏算法中，得到学生模型；
12.步骤s5，将学生模型部署在电力设备上以监控电力设备。
13.进一步的，缺陷数据集通过互联网获得。
14.进一步的，步骤s1还包括：
15.对缺陷数据集中的样本采用平移、旋转、镜像、高斯噪声的方式，以扩展缺陷数据集。
16.进一步的，步骤s2具体包括：
17.所述训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对所述电力设备监控分析的教师模型进行迭代训练获得教师模型。源域图像数据集为之前任务场景的图像集合，目标域图像数据集为当前任务场景(需要进行电力设备状态监控分析的任务场景)的图像集合。
18.进一步的，缺陷数据集是图片，并且步骤s3具体包括：
19.步骤s31，获取缺陷数据集的rgb三维矩阵；
20.步骤s32，将rgb三维矩阵代入到迁移学习算法中，得到教师模型。
21.将源域图像和目标域图像均作为所述训练集样本，直接借用基于源域图像数据集训练获得的缺陷检测模型进行训练，实现源域到目标域的知识迁移，经过训练后获得的教师模型能够自适应对目标域图像进行电力设备状态监控，在目标域获得良好的缺陷检测精度，无需为目标域图像打标签来构建训练集，也无需重新构建深度学习神经网络结构，节省了训练时间。
22.进一步的，步骤s3还包括：
23.迁移学习算法为样本权重迁移法、特征变换迁移法或模型预训练迁移法。所述电力设备状态监控分析的网络结构为faster r-cnn，迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失；
24.所述对抗域适应损失用于表征教师模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性；
25.所述分布差异损失用于表征教师模型的roi池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。
26.进一步的，对抗域适应损失的获取方法包括：构建域判别器网络，所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域；根据域判别器网络的输出结果按照如下公式计算对抗域适应损失l
ad
为：
[0027][0028]
其中，di表示训练集中第i个样本对应的域判别器网络d的输出结果；domaini表示训练集中第i个样本的域标签，若domaini＝0，则第i个样本为源域图像，若domaini＝1，则第i个样本为目标域图像。
[0029]
进一步的，所述分布差异损失l
mmd
为：
[0030][0031]
其中，ns表示源域图像数据集的图像数量，j和j
′
均表示目标域图像数据集中图像
的索引，j≠j
′
，表示第j个源域图像，表示第j
′
个源域图像；n
t
表示目标域图像数据集的图像数量，k和k
′
均表示源域图像数据集中图像的索引，k≠k
′
，表示第k个目标域图像，表示第k
′
个目标域图像；表示roi池化网络输出的第j个源域图像的候选区域特征；表示roi池化网络输出的第j
′
个源域图像的候选区域特征；表示roi池化网络输出的第k个目标域图像的候选区域特征；表示roi池化网络输出的第k
′
个目标域图像的候选区域特征；k(a，b)表示求取候选区域特征a和候选区域特征b的特征核。
[0032]
进一步的，迭代训练中以目标损失函数函数值最小为优化目标不断调整faster rcnn的网络参数，所述目标损失函数为：
[0033]
l＝l
rpn
+l
roi
+λ(l
ad
+l
mmd
)
[0034]
其中，表示l
rpn
网络损失；表示l
roi
池化网络损失；λ表示第一权值，λ∈[0，3]；l
ad
表示对抗域适应损失；l
mmd
表示分布差异损失。
[0035]
进一步的，缺陷数据集是图片，并且步骤s4具体包括：
[0036]
教师模型是resnet50的网络结构，学生模型是resnet18的网络结构；resnet50的网络结构或resnet50的网络结构公式为：
[0037]
x
l+1
＝x1+f(x
l
，w1)
[0038]
其中，x代表残差网络中的一个残差块，l代表的是层数。
[0039]
进一步的，缺陷数据集是图片，并且步骤s4具体包括：
[0040]
步骤s51，实时监测电力设备，提取电力设备的数据；
[0041]
步骤s52，将电力设备的数据传入学生模型，学生模型对电力设备的数据进行特征提取、置信度计算，取置信度最大值作为当前数据的缺陷类别。
[0042]
一种电力设备状态监控分析系统，包括：搜索模块、算法模型模块与监控模块；
[0043]
搜索模块用于获取缺陷数据集；
[0044]
算法模型模块用于得到教师模型与学生模块；
[0045]
监控模块用于监控电力设备。、
[0046]
进一步的，系统还包括：数据增强模块，用于扩展缺陷数据集。
[0047]
进一步的，算法模型模块包括：迁移学习算法模块与知识蒸馏算法模块；
[0048]
迁移学习算法模块用于得到教师模型；
[0049]
知识蒸馏算法模块用于得到学生模块。
[0050]
进一步的，监控模块包括：特征提取模块与计算模块；
[0051]
特征提取模块用于对电力设备的数据进行特征提取；
[0052]
计算模块用于置信度计算。
[0053]
本发明的有益效果在于，与现有技术相比，本发明具有以下优点：
[0054]
(1)在电力设备状态监控分析场景中，由于电力设备的缺陷场景照片数量太少，以及保密性的原则。本技术创造性的将其他场景下的缺陷照片与迁移学习算法相结合，实现对电力设备场景下缺陷检测，解决了传统的人工巡检方式存在劳动强度大、安全性低、巡检效率低、缺陷发现不及时不全面等问题。
[0055]
(2)采用知识蒸馏技术，将得到的基于迁移学习的复杂电力设备缺陷检测模型进
行轻量化设计，可以优化出与迁移学习检测模型性能差距不大的学生模型，用时短，性能好，适合部署和预测。
附图说明
[0056]
图1为本发明实施例提供的电力设备状态监控分析方法的流程图。
具体实施方式
[0057]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0058]
图1为本发明实施例提供的电力设备状态监控分析方法的流程图。针对电力设备存在的问题，本发明实施例在电力设备状态监控分析场景中，采用迁移学习与知识蒸馏相结合的技术，将得到的基于迁移学习的复杂电力设备缺陷检测模型进行轻量化设计，进而实现缺陷分类。
[0059]
如图1所示，该流程包括如下步骤：
[0060]
步骤s1，对电力设备缺陷数据集
[0061]
进一步的，可以对缺陷数据集进行数据增强：对缺陷数据集中的样本采用平移、旋转、镜像、高斯噪声的方式，以扩展缺陷数据集的样本数量。
[0062]
其中，缺陷数据集指的是有缺陷的电力设备的图片集合，有缺陷的电力设备的图片可以是一张锈蚀的变压器图片，也可以是某些电力设备金属锈蚀、某些电力设备渗漏油、某些电力设备上的表记破损或表记读数错误图片等。缺陷数据集可以从互联网搜索获取，也可以从电力局内部获取这些缺陷数据。其次，上述数据增强可以指：将一张锈蚀的变压器图片，然后将其经过旋转，镜像，加噪等变换，以得到更多的图片。因此，上述数据增强的目的是人工扩展样本，提高模型鲁棒性，降低过拟合风险。具体的，对该数据集采用平移、旋转、镜像、高斯噪声的方式进行数据增强。在一些实施例中，扩展样本可以是将一张图片经过旋转不同角度、镜像、加噪、亮度变化等方式变成多张图片。比如将一张图片旋转90
°
、180
°
、镜像，则这张图片就扩展出了3张图片，这样数据的数量据增大了。
[0063]
步骤s2，构建训练集。训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对所述电力设备监控分析的教师模型进行迭代训练获得教师模型。源域图像数据集为之前任务场景的图像集合，目标域图像数据集为当前任务场景(需要进行电力设备状态监控分析的任务场景)的图像集合。
[0064]
步骤s3，训练增强后的缺陷数据集，获得迁移学习电力设备缺陷检测模型。
[0065]
需要说明的是，例如，一个缺陷数据集包括若干张缺陷图片，这些图片是无标签的，也就是说，除非我们一张张人工点开确认，否则并不知道这些图片中是哪种设备缺陷。迁移学习电力设备缺陷检测模型完成以下目的：将每种缺陷放入它们各自对应的缺陷文件夹中。例如：自动将所有表记破损的图片放入标记破损类别的文件夹中，变压器金属锈蚀的图片被分到金属锈蚀类别的文件夹中。
[0066]
进一步的，对抗域适应损失的获取方法包括：构建域判别器网络，域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域；根据域判别器网络的输出结果按照如下公式计算对抗域适应损失l
ad
为：
[0067][0068]
其中，di表示训练集中第i个样本对应的域判别器网络d的输出结果；domaini表示训练集中第i个样本的域标签，若domaini＝0，则第i个样本为源域图像，若domaini＝1，则第i个样本为目标域图像。
[0069]
在本实施例中，域判别器网络d优选但不限于为一个二分类神经网络。在训练集训练过程中，利用前部分训练样本训练原油泄露检测模型的网络结构的同时，同步对域判别器网络d进行训练，使得域判别器网络d能够识别出特征提取器输出的特征图来源于源域图像还是目标域图像，在后部分训练样本训练过程中，计算对抗域适应损失，利用对抗域适应损失去调整特征提取器的网络参数，使得特征提取器输出的特征图的域类别不明显，域判别器网络d无法再有效区分源域图像和目标域图像。
[0070]
在本实施例中，进一步的，分布差异损失l
mmd
为：
[0071][0072]
其中，ns表示源域图像数据集的图像数量，j和j
′
均表示目标域图像数据集中图像的索引，j≠j
′
，表示第j个源域图像，表示第j
′
个源域图像；n
t
表示目标域图像数据集的图像数量，k和k
′
均表示源域图像数据集中图像的索引，k≠k
′
，表示第k个目标域图像，表示第k
′
个目标域图像；表示roi池化网络输出的第j个源域图像的候选区域特征；表示roi池化网络输出的第j
′
个源域图像的候选区域特征；表示roi池化网络输出的第k个目标域图像的候选区域特征；表示roi池化网络输出的第k
′
个目标域图像的候选区域特征；k(a，b)表示求取候选区域特征a和候选区域特征b的特征核。
[0073]
具体地，在迭代训练中，以电力设备缺陷检测模型提取的源域图像特征和目标域图像特征区别最小为优化目标不断优化电力设备缺陷检测模型的网络参数，进而实现源域到目标域的知识迁移。迭代训练的停止条件优选但不限于为预先设置最大迭代次数，当迭代次数达到最大迭代次数时，停止迭代。
[0074]
进一步的，可以利用迁移学习算法对步骤s2的数据进行分类，得到训练成功的迁移学习电力设备缺陷检测模型。在一些实施例中，例如，缺陷数据集可以是图片，而图片的本质就是一个rgb三维矩阵，将该rgb三维矩阵通过迁移学习算法可以得到一个一维矩阵，也就是迁移学习电力设备缺陷检测模型，矩阵中的值就是分类结果的置信度。在后续步骤中，取矩阵中最高的置信度作为输出，即该图片对应的类别。
[0075]
需要说明的是，迁移学习算法并不是本技术的发明点，能够分类的迁移学习算法均可应用于本方案，具体使用何种迁移学习算法是本领域技术人员根据需要所进行的常规选择。因为迁移学习算法可以是样本权重迁移法、特征变换迁移法、模型预训练迁移法中的任意一种。迁移学习就是把已训练好的模型参数迁移到新的模型来帮助新模型的训练。考虑到大部分数据是存在相关性的，所以通过迁移学习我们可以将已学到的模型参数(也可理解为模型学到的知识)分享给新模型，从而加快并优化模型的学习效率，不用像大多数网
络那样从零学习。
[0076]
综上，迁移学习算法包括两个域，其中，我们把已有知识的域叫做源域，要进行学习的域叫做目标域。在本专利中，我们就是要将从互联网上到的缺陷数据进行训练得到的模型参数，迁移到电力局内部获取的缺陷数据上，从而实现对电力局内部的缺陷数据分类。也就是说，互联网获取的数据为源域，电力设备缺陷数据为目标域。这样做的原因是，从互联网上很容易获取公开的数据集(这些数据集也并非全都是设备缺陷，只是在尽可能与缺陷数据相似的数据)，但是真正的电力设备缺陷数据由于场地或需要保密的原因，难以获取。所以就用容易获取的数据训练出的模型参数迁移到难以获取的数据上。当然也是由于电力设备缺陷数据难以获取，数量较少，所以才进行增广，以得到更多的数据来进行模型训练。
[0077]
步骤s4，将所述迁移学习电力设备缺陷检测模型作为教师模型训练学生模型，得到优化好的学生模型；说明：知识蒸馏可以选择对抗蒸馏算法、多教师知识蒸馏算法、基于响应的知识蒸馏算法等算法中的任意一种。
[0078]
具体的，由于缺陷检测模型部署在算力较小的巡检设备上，所以要利用知识蒸馏技术对生成的模型(教师模型)进行压缩，得到网络结构相对简单、对设备算力要求低一些的小模型(学生模型)。具体操作为：将经过迁移学习预训练后的模型作为教师模型，未经过预训练的小模型(也就是步骤s2中的训练集)作为学生模型一同放入知识蒸馏算法中进行重新训练学习。教师模型采用resnet50的网络结构，学生模型采用相对较简单的resnet18的网络结构，其区别在于学生模型所拥有的卷积层和全连接层等要比教师模型少，所以对算力要求低，得到的学生模型可视为新生成的缺陷检测模型。
[0079]
残差网络结构(例如，resnet50的网络结构或resnet18的网络结构)的公式表达：x
l+1
＝x
l
+f(x
l
，w
l
)，其中，残差网络结构是由一系列残差块组成的，x代表残差网络中的一个残差块，l代表的是层数。通过递归，可以得到任意深层单元l特征的表达：对于任意深的单元l的特征x
l
，可以表达为浅层单元l的特征x
l
加上一个形如的残差函数，表明了任何单元l和l之间都具有残差特性。
[0080]
需要说明的是，优化好的学生模型是一个可以搭载到算力稍弱设备上的模型，其神经网络层数小于等于教师模型，它将教师网络模型中不必要的参数进行摒弃，只从教师那里学到一些必要的参数来识别检测到的物体。学生模型使用softmax(软标签)得到更多的信息，相较于教师模型有较好的泛化能力，虽然网络层数少，但原始数据的ground truth和教师模型的识别相结合，可以让学生模型识别准确率不逊于教师模型(原始的大模型)。学生模型的具体网络结构还是要根据教师模型来看。
[0081]
步骤s5，将学生模型部署在电力设备上以监控电力设备。具体包括：
[0082]
步骤s51，实时监测电力设备，提取电力设备的数据；
[0083]
步骤s52，将电力设备的数据传入所述缺陷检测模型，缺陷检测模型对电力设备的数据进行特征提取、置信度计算，取置信度最大值作为当前数据的缺陷类别；需要说明的是，该缺陷检测模型就是学生模型。
[0084]
对迁移学习的部分解释放在了专利最末端。
[0085]
综上，可以理解的是，在步骤s2中，同时输入多种缺陷类型的大量照片，经过步骤s3，步骤s4的学习，得到了一个缺陷检测模型，这个模型可以识别出全部的缺陷。通过当前
缺陷检测模型，计算缺陷检测设备的数据，设置缺陷置信度的阈值为z0，若计算出的某一类缺陷的置信度大于z0，则认为当前数据的分类结果为该类。例如计算得到当前图片人员跌倒、人员抽烟、设备冒烟的置信度分别为z1，z2，z3，且根据模型的定义，z1+z2+z3+无缺陷置信度＝1。比较他们与z0的大小，假设z1超过z0，则认为当前的缺陷为z1代表的人员跌倒。因此，可以理解的是，步骤s52中的缺陷类别包括了无缺陷的类别。
[0086]
相应的，本技术还公开了一种电力设备状态监控分析系统，包括：搜索模块、算法模型模块与监控模块；
[0087]
搜索模块用于获取缺陷数据集；
[0088]
算法模型模块用于得到教师模型与学生模块；
[0089]
监控模块用于监控电力设备。
[0090]
进一步的，系统还包括：数据增强模块，用于扩展缺陷数据集。
[0091]
进一步的，算法模型模块包括：迁移学习算法模块与知识蒸馏算法模块；
[0092]
迁移学习算法模块用于得到教师模型；
[0093]
知识蒸馏算法模块用于得到学生模块。
[0094]
进一步的，监控模块包括：特征提取模块与计算模块；
[0095]
特征提取模块用于对电力设备的数据进行特征提取；
[0096]
计算模块用于置信度计算。
[0097]
综上所述，本发明实施例提供了一种电力设备状态监控分析方法，本采用迁移学习技术实现对未知电力设备缺陷的分类，解决了传统的人工巡检方式存在劳动强度大、安全性低、巡检效率低、缺陷发现不及时不全面等问题。采用知识蒸馏技术，将得到的基于迁移学习的复杂电力设备缺陷检测模型进行轻量化设计，可以优化出与迁移学习缺陷检测模型性能差距不大的学生模型，用时短，性能好，适合部署和预测。
[0098]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0099]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
技术特征：
1.一种电力设备状态监控分析方法，其特征在于，包括如下步骤：步骤s1，获取具有标签的源域缺陷数据集、不具有标签的目标域缺陷数据集。步骤s2，构建训练集和测试集。步骤s3，将训练集输入到迁移学习算法中，经过迭代训练获得电力设备状态监控分析的教师模型；步骤s4，将教师模型输入到知识蒸馏算法中，得到学生模型；步骤s5，将学生模型部署在电力设备上以监控电力设备。2.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，步骤s1还包括：对缺陷数据集中的样本采用平移、旋转、镜像、高斯噪声的方式，以扩展缺陷数据集。3.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，步骤s2还包括：将缺陷数据集分为训练集和测试集。训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据。测试集包括不具有标签的目标域图像数据。4.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，缺陷数据集是图片，步骤s3具体包括：步骤s31，获取缺陷数据集的rgb三维矩阵；步骤s32，将rgb三维矩阵代入到迁移学习算法中，得到教师模型。5.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，迁移学习算法为样本权重迁移法、特征变换迁移法或模型预训练迁移法。所述电力设备状态监控分析的网络结构为faster r-cnn，迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失；所述对抗域适应损失用于表征教师模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性；所述分布差异损失用于表征教师模型的roi池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。6.根据权利要求5所述的所述的一种电力设备状态监控分析方法，其特征在于，对抗域适应损失的获取方法包括：构建域判别器网络，所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域；根据域判别器网络的输出结果按照如下公式计算对抗域适应损失l
ad
为：其中，d
i
表示训练集中第i个样本对应的域判别器网络d的输出结果；domain
i
表示训练集中第i个样本的域标签，若domain
i
＝0，则第i个样本为源域图像，若domain
i
＝1，则第i个样本为目标域图像。7.根据权利要求2或3所述的一种电力设备状态监控分析方法，其特征在于，所述分布差异损失l
mmd
为：
其中，n
s
表示源域图像数据集的图像数量，j和j
′
均表示目标域图像数据集中图像的索引，j≠j
′
，表示第j个源域图像，表示第j
′
个源域图像；n
t
表示目标域图像数据集的图像数量，k和k
′
均表示源域图像数据集中图像的索引，k≠k
′
，表示第k个目标域图像，表示第k
′
个目标域图像；表示roi池化网络输出的第j个源域图像的候选区域特征；表示roi池化网络输出的第j
′
个源域图像的候选区域特征；表示roi池化网络输出的第k个目标域图像的候选区域特征；表示roi池化网络输出的第k
′
个目标域图像的候选区域特征；k(a，b)表示求取候选区域特征a和候选区域特征b的特征核。8.根据权利要求2或3所述的一种电力设备状态监控分析方法，其特征在于，迭代训练中以目标损失函数函数值最小为优化目标不断调整faster rcnn的网络参数，所述目标损失函数为：l＝l
rpn
+l
roi
+λ(l
ad
+l
mmd
)其中，表示l
rpn
网络损失；表示l
roi
池化网络损失；λ表示第一权值，λ∈[0，3]；l
ad
表示对抗域适应损失；l
mmd
表示分布差异损失。9.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，知识蒸馏算法为对抗蒸馏算法、多教师知识蒸馏算法或基于响应的知识蒸馏算法等算法。10.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，缺陷数据集是图片，并且步骤s4具体包括：教师模型是resnet50的网络结构，学生模型是resnet18的网络结构；resnet50的网络结构或resnet50的网络结构公式为：x
l+1
＝x
l
+f(x
l
,w
l
)其中，x代表残差网络中的一个残差块，l代表的是层数。11.根据权利要求1所述的一种电力设备状态监控分析方法，其特征在于，缺陷数据集是图片，并且步骤s5具体包括：步骤s51，实时监测电力设备，提取电力设备的数据；步骤s52，将电力设备的数据传入学生模型，学生模型对电力设备的数据进行特征提取、置信度计算，取置信度最大值作为当前数据的缺陷类别。12.一种电力设备状态监控分析系统，用于执行如权利要求1-11所述的方法，其特征在于，系统包括：搜索模块、算法模型模块与监控模块；搜索模块用于获取缺陷数据集；算法模型模块用于得到教师模型与学生模型；监控模块用于监控电力设备。13.根据权利要求11所述的一种电力设备状态监控分析系统，其特征在于，系统还包括：数据增强模块，用于扩展缺陷数据集。
14.根据权利要求11所述的一种电力设备状态监控分析系统，其特征在于，算法模型模块包括：迁移学习算法模块与知识蒸馏算法模块；迁移学习算法模块用于得到教师模型；知识蒸馏算法模块用于得到学生模块。监控模块包括：特征提取模块与计算模块；特征提取模块用于对电力设备的数据进行特征提取；计算模块用于置信度计算。
技术总结
一种电力设备状态监控分析方法，包括如下步骤：获取缺陷数据集；将缺陷数据集输入到迁移学习算法中，经过学习获得教师模型；将教师模型输入到知识蒸馏算法中，得到学生模型；将学生模型部署在电力设备上以监控电力设备。本申请创造性的将其他场景下的缺陷照片与迁移学习算法相结合，实现对电力设备场景下缺陷的分类，解决了传统的人工巡检方式存在劳动强度大、安全性低、巡检效率低、缺陷发现不及时不全面等问题。面等问题。面等问题。
