面向局放检测的多光谱感传算一体化方法、装置及系统

技术领域

本发明涉及一种面向局放检测的多光谱感传算一体化方法、装置及系统，属于电力系统技术领域。

背景技术

目前，随着电力系统输电容量逐渐增大、输电电压不断增高，高压设备的运行环境面临着越来越多的风险，电场强度过高或高压设备绝缘内部存在污秽、杂质、空隙和气泡等都会引起局部放电现象，局部放电时间过长易导致绝缘故障甚至是高压设备损坏等问题，为高压设备的安全稳定运行带来巨大隐患。

局部放电检测技术可在输电、变电以及配电设备正常运行的情况下对高压设备进行状态检测，使其缺陷部位得到精准确定、缺陷程度得到定量分析，以保障高压设备运行的可靠性和稳定性。局部放电检测法有脉冲电流测量、超声波测量、光测量、化学测量、超高频测量以及特高频测量等方法。其中，光方法利用光波长的不同，实现局部放电的识别。通过利用可见光、紫外光以及图像处理技术，能够清晰地将放电位置和放电强度在图像中显示出来，提高对电力设备检测的快速性和可靠性。

多光谱的融合检测涉及到感知层的图像滤波窗口大小，传输层的时间分割比，计算层的小波分解层数，因此需要利用感传算一体化保证检测的可靠性、漏检率及误检率。同时，信息时效性也是检测的指标，包括AoI(Age of Information,信息年龄)、端到端时延、数据寿命等指标。其中，AoI能够体现出局放检测信息的新鲜度，能够最准确地反应局放检测的实际情况，因此如何通过多光谱感传算一体化实现局放检测是关键科学问题，目前传统的局部检测技术主要面临以下挑战：

第一，多光谱感知、传输和计算与高压局放检测性能紧密耦合，为了大幅度改善检测性能，就需要感传算一体化优化。传统的局部放电检测技术在进行检测时，并没有进行多光谱感知、传输、计算一体化优化，大多数方法在分析数据的感知、传输、计算等环节都是独立的，没有利用感知端、传输端、计算端间的联动互补能力，而在高压设备在线检测与故障诊断过程中，单独分析数据感知、数据传输、数据计算的每个环节可能导致部分信息丢失，且存在一定的滞后性，难以保障数据的精确感知、实时传输、高效计算。

第二，检测及时性和可靠性之间的矛盾，更复杂的图像去噪和融合方法可以提高局放检测的可靠性，但却不可避免地增大了AoI，降低了检测的及时性。传统的局部放电检测技术往往只考虑了局放检测的可靠性分析，在进行图像去噪和融合的过程中，仅仅考虑更为复杂的方法，不可避免地降低了检测的及时性，并且在高压设备在线检测与故障诊断过程中，复杂的方法会导致检测结果无法即时发送给运维人员，无法满足局部放电检测的及时性和可靠性联合保障需求。

第三，缺乏协同优化及对失败经验的学习导致多次违反AoI界限，漏检率增加。一方面，传统的局部放电检测技术仅仅使用的传统DQN(Deep Q Network,深度Q网络)进行优化，而传统的DQN只适用于求解离散变量优化问题，在解决整数变量优化问题时需要将变量离散化，带来学习性能的损失。另一方面，传统方法缺乏对失败经验的学习，难以捕捉到违反AoI界限和出现漏判情况下的失效经验，导致违反AoI界限和假阴性的概率增大，导致局部放电检测效率低、精度差。

有鉴于上述的缺陷，本发明以期创设一种面向局放检测的多光谱感传算一体化方法、装置及系统，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种面向局放检测的多光谱感传算一体化方法、装置及系统。

本发明的一种面向局放检测的多光谱感传算一体化系统，包括面向局放检测的多光谱感知层，面向局放检测的传输层和面向局放检测的边缘计算层；

所述面向局放检测的多光谱感知层包含多个多光谱感知装置；

所述面向局放检测的多光谱传输层包含多个多光谱传输装置；

所述面向局放检测的多光谱计算层包含多个多光谱边缘计算装置；

其中，多光谱感知装置利用光纤、4G/5G通信、WLAN、工业以太网在内的通信方式与变电站监控主站进行通信；多光谱边缘计算装置利用4G/5G与多光谱传输装置进行通信；多光谱传输装置利用总线与多光谱感知装置进行通信。

进一步的，所述多光谱感知装置，包含分光器模块、可见光CMOS模块、紫外光CMOS模块、感知图像存储模块、图像去噪模块、去噪图像存储模块、电源模块；

进一步的，所述多光谱传输装置，包含传输图像存储模块、时分复用模块、图像滤波窗口大小优化结果存储模块、4G/5G通信模块和电源模块；

进一步的，所述多光谱边缘计算装置，包含4G/5G通信模块、图像存储模块、图像融合模块、局部放电检测模块、AoI分析模块、感传算一体化优化模块、可视化模块、感传算一体化优化结果存储模块和电源模块；

一种面向局放检测的多光谱感传算一体化方法，具体步骤为：

S1：系统模型的建模：构建面向局放检测的多光谱感传算一体化模型，包括感知层模型、传输层模型、计算层模型和AoI模型；在感知层模型中，使用基于改进中值滤波算法进行图像去噪；在传输层模型中，基于时分复用完成对可见光和紫外光图像数据的传输；在计算层模型中，使用基于IHS-小波变换的图像融合算法进行图像融合，并在Canny边缘检测的基础上实现局部放电检测；在AoI模型中，对图像的峰值AoI进行分析；

S2：问题建模与转换：根据上述面向局放检测的多光谱感传算一体化模型构建融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题，在长期排队时延、AoI约束下，最小化峰值AoI、误判率和漏判率的加权和；

S3：提出算法对转后问题进行解决：根据最小化峰值A

进一步的，S1中所述感知层模型包括：

(1)基于改进中值滤波算法实现图像去噪：步骤如下：

4)中值滤波窗口大小选择：定义整个过程被划分为具有相等持续时间τ的T个时隙，其集合表示为，T＝{1,…,t,…,T}；在每个时隙中分别捕获

5)像素权重计算：根据紫外光图像灰度值对窗口内的

其中

6)改进中值滤波输出：改进中值滤波输出的结果为滤波窗口内所有像素的灰度值加权和，则第

对可见光图像执行同样的改进中值滤波操作；

(3)感知层图像数据队列模型：

定义第

其中，K(t)表示第

其中，

基于Little’s Law(律特法则)，定义第

进一步的，S1中所述传输层模型包括：

定义第

其中，C

其中，

定义第

分别表示第t时隙可见光和紫外光平均去噪图像数据到达率。

进一步的，S1中所述计算层模型包括：

(4)基于IHS-小波变换的图像融合算法，步骤介绍如下：

3)IHS变换：将可见光图像从红、绿、蓝(RGB)空间转移到IHS空间，以获得强度(I)、色调(H)和饱和度(S)分量；

4)小波分解：将紫外光图像分解为四个分量，即低-低分量(LFLF)、高-低分量(HFLF)、低-高分量(LFHF)和高-高分量(HFHF)分量；定义

其中，Z

3)系数组合：将可见光图像的I分量和紫外光图像中同一小波分解层数的每个分量对应的系数进行组合；基于最大选择方法对高频系数进行组合，以提取更多的图像细节；基于平均法对LFLF分量对应的低频系数进行组合，以提高稳定性；

4)小波重构：对每一层进行小波重构，得到一个新的LFLF分量；第d(t)个小波分解层数的小波重构可表示为：

其中，*表示共轭转置运算。重复执行d(t)次，将获得的Z

5)逆IHS变换：将I’

(5)计算层图像数据队列模型

定义第t时隙可见光和紫外光图像计算数据队列为

其中，O(t)表示第

其中，τ

其中，f

定义第t时隙计算层可见光和紫外光图像排队时延为：

其中，

(6)基于Canny边缘检测的局部放电检测

完成可见光和紫外光图像融合后，局部放电检测模块在Canny边缘检测的基础上进行局部放电检测；首先，将紫外光图像转换为灰色图像，对其进行二值化以获得二值图像；其次，利用Canny边缘检测算子检测二值图像的边缘，如果检测到的边缘内的区域大小超过阈值ζ，则确定为故障区域；最后，基于从紫外光图像中获得的故障区域边缘点的坐标，将故障区域定位在融合图像中，实现对局部放电故障位置和程度的精准识别；

将第

进一步的，S1中所述AoI模型为：完成局部放电检测之后，AoI分析模块对图像的峰值AoI进行分析；定义AoI为从用于检测的最后一帧图像的采集时刻到当前时刻的时间间隔；AoI不断增加表示信息不断老化，当下一帧图像可用于检测后AoI被更新；AoI被更新为下一帧图像从采集到检测所经历的端到端时延；定义第

PAoI(t,k)＝τ(t,k)+Δτ(t,k) (25)

其中，Δτ(t,k)表示第

高帧率图像采集场景中，第k+1帧图像已经存在于计算数据队列中，则Δτ(t,k)等于第

则第t时隙的峰值

进一步的，S2中融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题建模为：

其中，α

然后将P1问题转换为P2问题，则优化问题可转换为：

其中，V表示(α

进一步的，S3中基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法包括双重动作生成、动作提取和基于AoI和漏判率感知多重经验回放学习三部分；具体实施步骤如下。

(4)双重动作生成：首先，该算法将S

(5)动作提取：该算法将可见光和紫外光图像的滤波窗口大小和时间分割比的动作发送到多光谱感知装置和多光谱传输装置，用于图像去噪和传输；

(6)基于AoI和漏判率感知多重经验回放学习：在局部放电检测之后，观察得到AoI(t)，FP(t)和FN(t)，并根据式更新

定义成功经验为峰值AoI不超过阈值AoI

第t时隙β(t)表示为：

β(t)＝max{β

其中，Π{x}表示指示函数，Π{x}＝1表示x为真；Π{x}＝0表示x为假；

DAC的损失函数可表示为：

其中，|A

最后，该算法更新θ

其中，η

该算法更新动作网络θ

其中，η

一种面向局放检测的多光谱感传算一体化装置，包括：

系统模型的建模模块：用于构建面向局放检测的多光谱感传算一体化模型，包括感知层模型、传输层模型、计算层模型和AoI模型；在感知层模型中，使用基于改进中值滤波算法进行图像去噪；在传输层模型中，基于时分复用完成对可见光和紫外光图像数据的传输；在计算层模型中，使用基于IHS-小波变换的图像融合算法进行图像融合，并在Canny边缘检测的基础上实现局部放电检测；在AoI模型中，对图像的峰值AoI进行分析；

问题建模与转换模块：用于根据上述面向局放检测的多光谱感传算一体化模型构建融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题，在长期排队时延、AoI约束下，最小化峰值AoI、误判率和漏判率的加权和；

提出算法对转后问题进行解决模块：用于根据最小化峰值AoI、误判率和漏判率的加权和，提出基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法，联合优化感知层图像去噪模块的滤波窗口大小、传输层数据传输模块的时间分割比例、计算层图像融合模块小波分解层数，实现对高压局部放电检测及时性可靠性的联合保障。

借由上述方案，本发明至少具有以下优点：

1、融合多光谱图像处理和高压放电检测的感传算一体化：本发明提出改进中值滤波算法对图像进行滤波，通过对滤波窗口的紫外光图像像素进行排序，并计算滤波窗口内所有像素的灰度级加权和，实现可见光和紫外光图像滤波，最大程度去除图像中椒盐噪声和高斯噪声的影响；提出基于IHS-小波变换的图像融合算法，结合IHS变换快速融合和小波变换强大信息提取的能力，保障可见光和紫外光图像快速、准确融合；采用Canny边缘检测算子进行局部放电检测。通过联合优化感知层的图像滤波窗口大小、传输层的时间分割比和计算层的小波分解层数来同时最小化峰值AoI、漏判率和误判率。

2、局部放电检测及时性和可靠性的联合保障：首先，将AoI的长期保障作为优化问题的约束，满足长期局部放电检测的及时性。同时，在目标函数中赋予AoI、漏判率和误判率不同的权重，以平衡及时性和可靠性。此外，本发明提出的基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法在构建经验池时同时考虑了AoI和漏判率，实现了AoI和漏判率的联合感知，满足局部放电检测的及时性和可靠性联合保障需求。

3、基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法：该算法构造了一对协作DAC网络扩充DQN，实现了对整数变量和连续变量同时优化。此外，该算法将AoI超过阈值或出现漏判情况的经验判断为失败经验，并调整成功经验回放池和失败经验回放池的协作提取率，提高初始学习阶段的收敛速度，避免最后学习阶段的过拟合，实现多重经验回放学习，避免了局部放电检测多次失败的情况，提高了局部放电检测效率、精度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某个实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明面向局放检测的多光谱感传算一体化系统；

图2是本发明的多光谱感知装置的结构示意图；

图3是本发明多光谱传输装置的结构示意图；

图4是本发明多光谱边缘计算装置的结构示意图；

图5是本发明面向局放检测的多光谱感传算一体化方法的流程图；

图6是本发明基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法框架图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明包括面向局放检测的多光谱感传算一体化系统、装置和方法三部分，具体描述如下。

本发明提出面向局放检测的多光谱感传算一体化系统如图1所示，包括面向局放检测的多光谱感知层，传输层和边缘计算层，各层介绍如下：

面向局放检测的多光谱感知层包含多个多光谱感知装置；面向局放检测的多光谱传输层包含多个多光谱传输装置；面向局放检测的多光谱计算层包含多个多光谱边缘计算装置。其中，多光谱感知装置可利用光纤、4G/5G通信、WLAN、工业以太网等通信方式与变电站监控主站进行通信；多光谱边缘计算装置利用4G/5G与多光谱传输装置进行通信；多光谱传输装置利用总线与多光谱感知装置进行通信。

多光谱感知装置如图2所示，包含分光器模块、可见光CMOS模块、紫外光CMOS模块、感知图像存储模块、图像去噪模块、去噪图像存储模块、电源模块。各模块介绍如下：

分光器模块：将变电站电气设备产生的光信号通过分光镜分成两束，形成可见光信号和紫外光信号。

可见光CMOS模块：将可见光信号转换成可见光图像。

紫外光CMOS模块：将紫外光信号转换成紫外光图像。

感知图像存储模块：用于存储感知的可见光和紫外光图像数据。

图像去噪模块：基于所提的改进中值滤波算法对可见光图像和紫外光图像进行去噪。

去噪图像存储模块：用于存储去噪后的可见光和紫外光图像数据；向多光谱感知装置发送去噪后的可见光和紫外光图像数据；通过总线接收多光谱传输装置反馈的图像滤波窗口大小优化结果。

电源模块：用于给多光谱感知装置中的其它模块供电。

多光谱传输装置如图3所示，包含传输图像存储模块、时分复用模块、图像滤波窗口大小优化结果存储模块、4G/5G通信模块和电源模块。各模块介绍如下：

传输图像存储模块：用于接收从多光谱感知装置传输的去噪后的可见光和紫外光图像数据，并进行传输。

时分复用模块：用于设置多光谱图像数据传输时间分割比，即一个时隙中用于传输可见光图像的比例和用于传输紫外光图像的比例。

4G/5G通信模块：用于向多光谱边缘计算装置发送完成时间分割的可见光和紫外光图像数据；接收多光谱边缘计算装置反馈的图像滤波窗口大小和时间分割比优化结果；向时分复用模块发送时间分割比优化结果；向图像滤波窗口大小优化结果存储模块发送图像滤波窗口大小优化结果。

图像滤波窗口大小优化结果存储模块：用于存储4G/5G通信模块反馈的图像滤波窗口大小优化结果；通过总线向多光谱感知装置反馈图像滤波窗口大小优化结果。

电源模块：用于给多光谱传输装置中的其它模块供电。

多光谱边缘计算装置如图4所示，包含4G/5G通信模块、图像存储模块、图像融合模块、局部放电检测模块、AoI分析模块、感传算一体化优化模块、可视化模块、感传算一体化优化结果存储模块和电源模块。各模块介绍如下：

4G/5G通信模块：接收多光谱传输装置中完成时间分割的可见光和紫外光图像数据；将图像滤波窗口大小、时间分割比优化结果反馈给多光谱传输装置；向变电站监控主站传输信息。

图像存储模块：用于存储完成时间分割的可见光和紫外光图像数据。

图像融合模块：基于IHS-小波变换的图像融合算法对可见光和紫外光图像进行融合。

局部放电检测模块：对融合后的图像数据基于Canny边缘检测方法实现对局部放电故障的位置和程度的精准识别。

AoI分析模块：对图像的峰值AoI进行分析和计算。

感传算一体化优化模块：通过优化感知层的滤波窗口大小、传输层的时间分割比和计算层的小波分解层数，最小化峰值AoI、误判率和漏判率的加权和，实现对高压局部放电检测及时性可靠性的联合保障。

可视化模块：接收局部放电检测模块的输出，将故障诊断结果以可视化的方式展示给运维人员。

感传算一体化优化结果存储模块：存储图像滤波窗口大小、时间分割比、小波分解层数优化结果；向图像融合模块发送小波分解层数优化结果；通过4G/5G通信模块向多光谱传输装置反馈图像滤波窗口大小、时间分割比优化结果。

电源模块：用于给多光谱边缘计算装置中的其它模块供电。

本发明提出了一种面向局放检测的多光谱感传算一体化方法，具体流程如图5所示。首先，建立面向局放检测的多光谱感传算一体化模型，包括感知层模型、传输层模型、计算层模型和AoI模型；其次，构建融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题，在长期排队时延、AoI约束下，最小化峰值AoI、误判率和漏判率的加权和；最后，通过基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法联合优化感知层滤波窗口大小、传输层时间分割比例和计算层小波分解层数，实现了对高压局部放电检测及时性可靠性的联合保障，具体实施步骤如下。

S1：构建面向局放检测的多光谱感传算一体化模型，包括感知层模型、传输层模型、计算层模型和AoI模型；在感知层模型中，使用基于改进中值滤波算法进行图像去噪；在传输层模型中，基于时分复用完成对可见光和紫外光图像数据的传输；在计算层模型中，使用基于IHS-小波变换的图像融合算法进行图像融合，并在Canny边缘检测的基础上实现局部放电检测；在AoI模型中，对图像的峰值AoI进行分析。

S2：构建融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题，在长期排队时延、AoI约束下，最小化峰值AoI、误判率和漏判率的加权和；

S3：提出基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法，联合优化感知层图像去噪模块的滤波窗口大小、传输层数据传输模块的时间分割比例、计算层图像融合模块小波分解层数。

在进一步的实施例中，步骤S1包括：

S1.1感知层模型

感知层实现图像采集和去噪。面向局放检测的多光谱感知装置用于捕捉高压变电设备局部放电的光信号。光信号通过分光器模块分成两束，分别通过可见光和紫外光CMOS模块转换成可见光图像和紫外光图像。然后图像去噪模块基于改进中值滤波算法实现图像去噪。

(1)基于改进中值滤波算法实现图像去噪：

为了对从可见光CMOS模块和紫外光CMOS模块获取的可见光图像和紫外光图像中的椒盐噪声和高斯噪声进行去噪，本发明将中值滤波和均值滤波相结合，提出了一种改进中值滤波算法。该算法将权重分配给以中值像素为中心的其他像素，并计算像素的加权和作为图像去噪模块的输出。步骤介绍如下。

7)中值滤波窗口大小选择：定义整个过程被划分为具有相等持续时间τ的T个时隙，其集合表示为，T＝{1,…,t,…,T}。在每个时隙中分别捕获K(t)帧可见光图像和K(t)帧紫外光图像。以第t时隙第k帧紫外光图像为例，定义待滤波的紫外光图像像素坐标为(x,y)，则第k帧紫外光图像像素灰度值表示为

8)像素权重计算：根据紫外光图像灰度值对窗口内的W*W紫外光图像像素进行排序，得到中值像素(i

其中，

9)改进中值滤波输出：改进中值滤波输出的结果为滤波窗口内所有像素的灰度值加权和，则第t时隙第k帧滤波窗口大小为ω

对可见光图像执行同样的改进中值滤波操作。

(4)感知层图像数据队列模型：

定义第t时隙可见光和紫外光图像感知数据队列为

其中，K(t)表示第t时隙感知层感知的可见光和紫外光图像数据；[·]

其中，

基于Little’s Law(律特法则)，定义第t时隙感知层可见光和紫外光图像去噪的排队时延为

其中，

S1.2传输层模型

在传输层，可见光和紫外光的去噪图像数据在时分复用模块基于时分复用进行图像数据的传输，并通过4G/5G通信模块传输到到多光谱边缘计算装置中。

定义第t时隙可见光和紫外光图像传输数据队列为

其中，C

其中，

定义第t时隙传输层可见光和紫外光图像排队时延为

其中，

S1.3计算层模型

在计算层，图像融合模块基于IHS-小波变换的图像融合算法对从多光谱传输装置接收到的可见光和紫外图像进行融合，并在局部放电模块中基于Canny边缘检测进行局部放电检测。

(7)基于IHS-小波变换的图像融合算法

为了对去噪后的可见光和紫外光图像进行融合，本发明将IHS变换和小波变换相结合，提出了一种基于IHS-小波变换的图像融合算法。该算法结合了IHS变换快速融合和小波变换强大信息提取的能力，保障可见光和紫外光图像快速、准确融合。步骤介绍如下。

5)IHS变换：将可见光图像从红、绿、蓝(RGB)空间转移到IHS空间，以获得强度(I)、色调(H)和饱和度(S)分量。

6)小波分解：将紫外光图像分解为四个分量，即低-低分量(LFLF)、高-低分量(HFLF)、低-高分量(LFHF)和高-高分量(HFHF)分量。定义

其中，Z

3)系数组合：将可见光图像的I分量和紫外光图像中同一小波分解层数的每个分量对应的系数进行组合。基于最大选择方法对高频系数进行组合，以提取更多的图像细节。基于平均法对LFLF分量对应的低频系数进行组合，以提高稳定性。

4)小波重构：对每一层进行小波重构，得到一个新的LFLF分量。第d(t)个小波分解层数的小波重构可表示为：

其中，*表示共轭转置运算。重复执行d(t)次，将获得的Z

5)逆IHS变换：将I’

(8)计算层图像数据队列模型

定义第t时隙可见光和紫外光图像计算数据队列为

/>

其中，O(t)表示第t时隙计算层可见光和紫外光的融合图像数据，且O(t)取决于小波分解层数，则O(t)可表示为

其中，τ

其中，f

定义第t时隙计算层可见光和紫外光图像排队时延为

其中，

(9)基于Canny边缘检测的局部放电检测

完成可见光和紫外光图像融合后，局部放电检测模块在Canny边缘检测的基础上进行局部放电检测。首先，将紫外光图像转换为灰色图像，对其进行二值化以获得二值图像。其次，利用Canny边缘检测算子检测二值图像的边缘，如果检测到的边缘内的区域大小超过阈值ζ，则确定为故障区域。最后，基于从紫外光图像中获得的故障区域边缘点的坐标，将故障区域定位在融合图像中，实现对局部放电故障位置和程度的精准识别。

本发明利用误判率和漏判率来体现局部放电检测的可靠性。误判率表示正常图像被误判为局部放电图像。漏判率表示局部放电图像被漏判为正常图像。将第t时隙中检测到的误判率和漏判率的图像帧数定义为O

S1.4 AoI模型

完成局部放电检测之后，AoI分析模块对图像的峰值AoI进行分析。定义AoI为从用于检测的最后一帧图像的采集时刻到当前时刻的时间间隔。AoI不断增加表示信息不断老化，当下一帧图像可用于检测后AoI被更新。AoI被更新为下一帧图像从采集到检测所经历的端到端时延。定义第t时隙第k帧图像的AoI为AoI(t,k)，第t时隙第k帧的图像端到端延迟为τ(t,k)。当完成第k帧的图像局部放电检测时，AoI(t,k)＝τ(t,k)。则第t时隙图像的峰值AoI为

PAoI(t,k)＝τ(t,k)+Δτ(t,k) (25)

其中，Δτ(t,k)表示第t时隙从第k帧图像检测时刻到下一帧图像检测时刻的时间间隔。

高帧率图像采集场景中，第k+1帧图像已经存在于计算数据队列中，则Δτ(t,k)等于第k+1帧图像融合时延τ

则第t时隙的峰值AoI取决于第O(t)帧的最大峰值AoI，即

在进一步的实施例中，步骤S2包括：优化问题建模和优化问题转化两部分。具体实施步骤如下。

S2.1优化问题建模

本发明提出融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题，通过联合优化感知层滤波窗口大小、传输层时间分割比例和计算层小波分解层数，最小化峰值AoI、误判率和漏判率的加权和。优化目标建模为

/>

其中，α

S2.2优化问题转换

为了求解P1问题，本发明首先将短期优化决策与长期约束解耦。将第t时隙C4，C5，C6，C7，C8和C9对应的排队时延虚拟赤字定义为

/>

AD(t+1)＝[AD(t)+PAoI(t)-AoI

然后将P1问题转换为P2问题，则优化问题可转换为

其中，V表示(α

在进一步的实施例中，步骤S3包括：马尔可夫问题建模和基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法两部分。具体实施步骤如下。

S3.1马尔可夫问题建模

本发明在数据分析优化模块将P2问题建模为马尔可夫决策过程。由于求解融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题同时涉及离散和连续优化变量，因此无法通过常规DQN直接求解。本发明通过用协作DAC网络扩充DQN来解决这个问题，其中DAC网络的连续输出被合并到DQN的状态空间中以生成离散决策。马尔可夫决策过程的双重状态空间、动作空间和奖励函数介绍如下。

(1)双重状态空间：分别为DAC和DQN构造了第t时隙的状态空间S

(2)动作空间：动作空间包含连续空间A

(3)奖励函数：奖励函数被定义为P2问题优化目标的相反数，即-Υ(t)。

S3.2基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法

基于AoI和漏判率感知多重经验回放学习的多光谱感传算一体化算法框架如图6所示。

该算法构造了一对协作DAC网络扩充DQN来学习融合可见光紫外光多光谱成像的高压局部放电检测及时性可靠性联合保障问题的最优集成策略。DAC由动作网络θ

该算法进一步设计了多重经验回放池，以提高收敛速度和学习优化。第t时隙多重经验回放池由成功经验回放池

(7)双重动作生成：首先，该算法将S

(8)动作提取：该算法将可见光和紫外光图像的滤波窗口大小和时间分割比的动作发送到多光谱感知装置和多光谱传输装置，用于图像去噪和传输。

(9)基于AoI和漏判率感知多重经验回放学习：在局部放电检测之后，观察得到AoI(t)，FP(t)和FN(t)，并根据式更新

定义成功经验为峰值AoI不超过阈值AoI

该算法从失败经验回放池和成功经验回放池中提取I

β(t)＝max{β

其中，Π{x}表示指示函数，Π{x}＝1表示x为真；Π{x}＝0表示x为假。

基于

L

由于DAC的连续输出是DQN的状态空间的一部分，因此可以利用DQN输出的量化状态动作值的Q值来测量DAC的学习性能。则DAC的损失函数可表示为

/>

其中，|A

最后，该算法更新θ

其中，η

该算法更新动作网络θ

其中，η

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。