本技术涉及电力电子，特别是涉及一种接线状态监测方法、接线状态监测模型的训练方法及装置。
背景技术：
1、在电力系统中，屏柜背部的竖端子接线状态的监测与诊断在变电站中具有重要意义。屏柜背部的竖端子的正确接线与否直接关系着继电保护功能是否正常，以及电网的安全稳定运行。
2、相关技术中，由于屏柜背部的竖端子处于柜内，外部巡检机器人无法打开柜门操作，因此一般需要在柜内安装导轨机器人来实现竖端子拍照。随后，通过卷积神经网络（convolutional neural networks，cnn）等机器学习算法，对拍摄的屏柜背部端子图像进行特征提取和识别。
3、然而，由于屏柜背部端子的光照条件、接线方式、拍照角度等因素的复杂多变，传统的图像识别方法对于竖端子的接线状态的识别准确率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高接线状态识别准确率的接线状态监测方法、接线状态监测模型的训练方法及装置。
2、第一方面，本技术提供了一种接线状态监测方法。所述方法包括：
3、获取电力系统的屏柜背部的竖端子的待检测图像，所述竖端子用于在电力系统中进行电气连接或信号传输；
4、将所述竖端子的待检测图像输入接线状态监测模型，并获取所述接线状态监测模型输出的接线状态监测结果，所述接线状态监测结果用于表征所述竖端子的通断，所述接线状态监测模型中包括残差神经网络，所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合，以根据融合后的特征图确定所述接线状态监测结果；
5、根据所述接线状态监测结果，确定所述屏柜背部的竖端子的是否存在误连接。
6、在其中一个实施例中，所述残差神经网络中包括第一处理单元和多个第二处理单元，所述第一处理单元用于对输入的所述待检测图像进行预处理，所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图，每个瓶颈子单元中均包括多个卷积层。
7、在其中一个实施例中，所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元，所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
8、在其中一个实施例中，在所述将所述竖端子的图像输入接线状态监测模型，并获取所述接线状态监测模型输出的接线状态监测结果之前，所述方法还包括：
9、获取所述电力系统中的各个屏柜背部的竖端子的历史图像；
10、通过分别在每个历史图像上添加标识信息，生成所述接线状态监测模型的样本集，所述标识信息用于指示所述历史图像中的竖端子的通断；
11、使用所述样本集训练所述接线状态监测模型。
12、第二方面，本技术提供了一种接线状态监测模型的训练方法。所述方法包括：
13、获取电力系统中的各个屏柜背部的竖端子的历史图像；
14、通过分别在每个历史图像上添加标识信息，生成所述接线状态监测模型的样本集，所述标识信息用于指示所述历史图像中的竖端子的通断；
15、使用所述样本集训练所述接线状态监测模型，所述接线状态监测模型中包括残差神经网络，所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合，以根据融合后的特征图确定所述接线状态监测结果。
16、第三方面，本技术还提供了一种接线状态监测装置。所述装置包括：
17、采集模块，用于获取电力系统的屏柜背部的竖端子的待检测图像，所述竖端子用于在电力系统中进行电气连接或信号传输；
18、监测模块，用于将所述竖端子的待检测图像输入接线状态监测模型，并获取所述接线状态监测模型输出的接线状态监测结果，所述接线状态监测结果用于表征所述竖端子的通断，所述接线状态监测模型中包括残差神经网络，所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合，以根据融合后的特征图确定所述接线状态监测结果；
19、确定模块，用于根据所述接线状态监测结果，确定所述屏柜背部的竖端子的是否存在误连接。
20、在其中一个实施例中，所述残差神经网络中包括第一处理单元和多个第二处理单元，所述第一处理单元用于对输入的所述待检测图像进行预处理，所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图，每个瓶颈子单元中均包括多个卷积层。
21、在其中一个实施例中，所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元，所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
22、在其中一个实施例中，所述装置还包括：
23、处理模块，用于获取所述电力系统中的各个屏柜背部的竖端子的历史图像；通过分别在每个历史图像上添加标识信息，生成所述接线状态监测模型的样本集，所述标识信息用于指示所述历史图像中的竖端子的通断；使用所述样本集训练所述接线状态监测模型。
24、第四方面，本技术还提供了一种接线状态监测模型的训练装置。所述装置包括：
25、获取模块，用于获取电力系统中的各个屏柜背部的竖端子的历史图像；
26、生成模块，用于通过分别在每个历史图像上添加标识信息，生成所述接线状态监测模型的样本集，所述标识信息用于指示所述历史图像中的竖端子的通断；
27、训练模块，用于使用所述样本集训练所述接线状态监测模型，所述接线状态监测模型中包括残差神经网络，所述残差神经网络用于提取不同的特征图并将所述不同的特征图进行特征融合，以根据融合后的特征图确定所述接线状态监测结果。
28、第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的接线状态监测方法或第二方面所述的接线状态监测模型的训练方法。
29、第六方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的接线状态监测方法或第二方面所述的接线状态监测模型的训练方法。
30、第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现实现第一方面所述的接线状态监测方法或第二方面所述的接线状态监测模型的训练方法。
31、上述接线状态监测方法、接线状态监测模型的训练方法及装置，首先采集电力系统的屏柜背部的竖端子的待检测图像，竖端子用于在电力系统中进行电气连接或信号传输。随后，将竖端子的待检测图像输入接线状态监测模型，并获取接线状态监测模型输出的接线状态监测结果，接线状态监测结果用于表征竖端子的通断，接线状态监测模型中包括残差神经网络，残差神经网络用于提取不同的特征图并将不同的特征图进行特征融合，以根据融合后的特征图确定接线状态监测结果。最后，根据接线状态监测结果，确定屏柜背部的竖端子的是否存在误连接。由于本技术中的接线状态监测模型，在识别待检测图像时，会对不同的特征图进行特征融合，从而使得对接线状态识别准确率更高。
1.一种接线状态监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述残差神经网络中包括第一处理单元和多个第二处理单元，所述第一处理单元用于对输入的所述待检测图像进行预处理，所述多个第二处理单元均用于通过不同数量的瓶颈子单元提取特征图，每个瓶颈子单元中均包括多个卷积层。
3.根据权利要求2任一项所述的方法，其特征在于，所述瓶颈子单元包括第一瓶颈子单元和第二瓶颈子单元，所述第一瓶颈子单元和所述第二瓶颈子单元中的特征的输入和/或特征的输出的数量不同。
4.根据权利要求1所述的方法，其特征在于，在所述将所述竖端子的图像输入接线状态监测模型，并获取所述接线状态监测模型输出的接线状态监测结果之前，所述方法还包括：
5.一种接线状态监测模型的训练方法，其特征在于，所述方法包括：
6.一种接线状态监测装置，其特征在于，所述装置包括：
7.一种接线状态监测模型的训练装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
