(19)中华 人民共和国 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 202111581497.7 (22)申请日 2021.12.2 2 (71)申请人 国网安徽省电力有限公司 地址 236000 安徽省合肥市包河区黄山路9 号 申请人 国网安徽省电力有限公司电力科 学 研究院 (72)发明人 谢民　邵庆祝　章昊　汪伟　俞斌　 于洋　张骏　叶远波　程晓平　 丁津津　孙辉　张峰　许旵鹏　 刘之奎　张军　 (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 代理人 郑浩(51)Int.Cl. G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H04L 12/44(2006.01) (54)发明名称 特高压换流站保护系统全景监控图像重建 与传输方法 (57)摘要 特高压换流站保护系统全景监控图像重建 与传输方法， 属于特高压换流站全 景监控技术领 域， 解决目前特高压换流站保护系统全景监视图 像存在的模糊不清、 分辨率低， 以及在网络发生 故障时全景监控 数据传输拥堵的问题； 通过在深 度多尺度残差网络模型中采用多尺度卷积块构 建多种尺度提取图像的低阶和高阶特征， 避免图 像细节提取不完备现象， 采用残差学习机制来保 留低阶粗糙特征， 促进特征的再利用， 进而提高 图像的重建能力； 拓扑优化通过构建异构网络的 拓扑结构， 采用深度强化学习和蒙特卡罗树搜索 相结合的框架， 根据预先定义的拓扑规则依次构 建网络； 蒙特卡罗树的搜索结果加强了深度卷积 神经网络的学习， 以便在下一次迭代中获得更准 确的预测。 权利要求书3页 说明书16页 附图7页 CN 114283062 A 2022.04.05 CN 114283062 A 1.特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 包括以下步骤： S1、 对全景监视图像进行超分辨 率重建， 所述的重建的方法如下： S11、 在边缘侧建立深度多尺度残差网络模型； 所述的深度多尺度残差网络模型包括： 输入端卷积层、 输出卷积层、 k个多尺度卷积块； 所述的输入端卷积层作为编码器提取低分 辨率图像的原始低阶特征； 所述的输出端 卷积层用于融合多尺度细节特征以重 建高分辨率 图像； 所述的输入端卷积层与输出端卷积层之间跳跃连接， 建立一个从低分辨率图像到高 分辨率图像的恒等映射， 以进行全局残差学习； k个所述的多尺度卷积块依 次堆叠连接， 用 于获得网络模型深度； 原始低阶特征与k个所述的多尺度卷积块之间通过k条路径对应连 接， 通过局部残差学习增强网络模型 学习复杂特 征的能力； S12、 输入样本数据集， 对深度多尺度残差网络模型进行训练； S13、 对训练后的深度多尺度残差网络模型采用标准数据集， 测试网络峰值信噪比和结 构相似指数； S14、 将特高压换流站全景监视图像输入到训练好的深度多尺度残差网络模型完成超 分辨率重建； S2、 对特高压换流站全景监控的泛在异构网络传输拓扑进行优化， 所述的优化的方法 如下： S21、 将特高压 换流站异构网络建模 为树形结构， 所述的树形结构具有 一个主站v0和N‑1 个数据传输节点{v1,v2,...,vN‑1}， 其中每 个数据传输节点都具有到主站v0的唯一路径； S22、 将主站v0作为树形结构的根节点， 以根节点为初始状态对每个状态使用蒙特卡罗 树递归搜索得到训练数据集； S23、 将搜索得到的训练数据集输入深度卷积神经网络中进行训练， 得到值函数和策略 函数， 用于引导蒙特卡罗树递归搜索具有 预期奖励的状态并反过来更新收集深度卷积神经 网络的训练数据集； S24、 训练完成后， 从初始状态s0＝0开始， 通过在深度卷积神经网络预测的策略中顺序 地选择at～π(st)处的动作， 并更新状态st+1＝T(st,at)， 直到到达完整的树为止， 从而得到 异构网络 拓扑结构。 2.根据权利要求1所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的输入端卷积层、 输出卷积层均采用步长为1的卷积核， 所述的输入端卷积层 使用Relu激活； 所述的多尺度卷积块对输入图像 分别使用3 ×3、 3×2、 2×3和2×2四种尺度 的卷积核提取多层次细节特征， 然后将四种尺度的特征图通过交叉机制， 在指定维度上进 行两两拼接， 再送入尺度为3 ×3的卷积层中进行特征映射， 生成与输入大小相同的新特征 图送入下一个多尺度卷积块。 3.根据权利要求2所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的局部残差学习定义如下： Hk＝Gk(Hk‑1)+F； 其中， Gk为第k个多尺度卷积块学习 得到的特征映射， Hk为第k个多尺度卷积块 的输出， 为第k‑1个多尺度卷积块 的输出， F 为输入端卷积层提取的原 始低阶特 征； 全 局 残 差 和 局 部 残 差 学 习 得 到 的 k 个 多 尺 度 卷 积 块 映 射 表 示 为 ：权　利　要　求　书 1/3 页 2 CN 114283062 A 2其中， F0()为输入端卷积层 需要学习的映射， F‑1()为输出端卷积层需要学习的映射， 其中， IHR、 ILR分别表示高分辨率 图像和低分辨率图像， 为第k‑1个多尺度卷积块学习得到的特征映射， Gk为第1个多尺度 卷积块学习得到的特 征映射， R()为映射 运算。 4.根据权利要求3所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的深度多尺度残差网络模型的损失函数为： 其 中， 为深度多尺度残差网络的参数， 采用Adam优化器最小化损失函数； X(i)为样本数据集 中的第i个子图像， Y(i)为相应的标签， N 为正整数。 5.根据权利要求1所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的全景监视图像包括： 二次设备、 硬压板和端子锈蚀图像； 所述的标准数据集 包括： Set5、 Set14和Urban10 0三个基础数据集。 6.根据权利要求4所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的测试峰值信噪比的计算公式如下： 其中， MSE为原始图像与处理后图像的均 方 误差， MAXI表示图像颜色的最大值； 所述的结构相似指数的计算公式如下： SSIM(X,Y)＝L(X,Y)*C(X,Y)*S(X,Y)； 其中， uX、 uY、 σX和σY分别表示图像X和Y的均值和标 准差， σXY表示图像X和Y的协方差， C1、 C2和C3为常数， 通常取C1＝(K1*L)2， C2＝(K2*L)2， C3＝ C2/2， K1＝0.01， K2＝0.03， L为像素值的范围。 7.根据权利要求1所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的将特高压换流站异构网络建模为树形结构的方法具体如下： 在每一轮数据 采集中， 节点vi将 位数据转发到其父节点， 其中， i∈{1， 2， ...， N‑1}； 是由vi自身生成的数据， 数据集合 是来自vi的子节点， a()函数是聚合 函数； 采用传输模型 传输流量， 传输模型中与拓扑相关 的节点传输流量 由数据处理和传输时耗两部分组成； 和 分别是在节点vi处进行每比特数据处理的时耗 以及每比特数据传输的时耗， 所述的每比特数据传输的时耗取决于到父节点的距离， 其计 算公式如下： 其中， 是节点vi与其父节点vj之间的欧氏距离， ρ 是链路预算 中考虑了阴影衰落影响的功率 放大常数。 8.根据权利要求7所述的特高压换流站保护系统全景监控图像重建与传输方法， 其特 征在于， 所述的蒙特卡罗树递归搜索的方法如下： 蒙特卡罗树上的每个节点表 示5元组数据 (s， a， M(s， a)， π(s)， Qπ(s， a))； 在每个搜索步骤t＜N处， 选择最大化置信 上限的动作， 当搜权　利　要　求　书 2/3 页 3 CN 114283062 A 3