一種基于紅外熱像的電氣設(shè)備故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電氣設(shè)備熱缺陷檢測領(lǐng)域，尤其涉及一種基于紅外熱像的電氣設(shè)備故 障診斷方法。
【背景技術(shù)】
[0002] 隨著堅(jiān)強(qiáng)智能電網(wǎng)的迅猛發(fā)展，我國對電力系統(tǒng)可靠性的要求越來越高。電氣設(shè) 備的故障隔離對供電區(qū)域健全的供電極為重要，因此要求對電力設(shè)備進(jìn)行在線監(jiān)測和安全 預(yù)警，及時(shí)發(fā)現(xiàn)故障并采取措施消除隱患。作為故障檢測的一種有效手段，紅外熱像檢測技 術(shù)得到了廣泛應(yīng)用。紅外熱像檢測技術(shù)相結(jié)合的監(jiān)控系統(tǒng)大大提高了電力系統(tǒng)的故障檢測 水平，但目前的檢測方法仍然需要人工診斷，無法實(shí)現(xiàn)診斷結(jié)果的實(shí)時(shí)準(zhǔn)確。
[0003] 根據(jù)電氣設(shè)備故障問題，運(yùn)用圖像處理，智能診斷技術(shù)進(jìn)行自動檢測電氣設(shè)備故 障。因?yàn)锽P神經(jīng)網(wǎng)絡(luò)處理能夠模仿人類大腦，非精確的自適應(yīng)功能，非規(guī)則結(jié)構(gòu)，具有自組 織學(xué)習(xí)的特點(diǎn)，可以優(yōu)化計(jì)算和知識推理，因此在電氣設(shè)備運(yùn)行狀態(tài)診斷中被廣泛使用。但 BP神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練數(shù)據(jù)時(shí)，神經(jīng)網(wǎng)絡(luò)函數(shù)的收斂性較差，對參數(shù)的尋優(yōu)效果較差，而遺 傳算法是一種全局搜索能力強(qiáng)的算法，能夠搜索得到全局最優(yōu)解。因此將擅長全局搜索的 遺傳算法與BP算法結(jié)合起來，實(shí)現(xiàn)兩者的優(yōu)勢互補(bǔ)，提高算法收斂速度，較快得到問題的 全局最優(yōu)解。為此，將BP神經(jīng)網(wǎng)絡(luò)算法與遺傳算法結(jié)合起來（即GA-BP神經(jīng)網(wǎng)絡(luò)方法），對 電氣設(shè)備的故障診斷具有一定意義。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的就是為了解決上述問題，提出了一種基于紅外熱像的電氣設(shè)備故障 診斷方法，該方法利用最大類間方差法（以下簡稱OTSU)分割紅外圖像和GA-BP神經(jīng)網(wǎng)絡(luò) 模型相結(jié)合的方法來實(shí)現(xiàn)電氣設(shè)備的故障診斷，首先將采集的電氣設(shè)備紅外熱像進(jìn)行圖像 OTSU分割等預(yù)處理，再提取電氣設(shè)備的相對溫度分布特征、Zernike不變矩等參數(shù)，作為識 別設(shè)備狀態(tài)的信息特征量，然后，進(jìn)行GA-BP神經(jīng)網(wǎng)絡(luò)智能診斷，輸出設(shè)備的狀態(tài)信息，對 電氣設(shè)備的熱缺陷進(jìn)行智能診斷。
[0005] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] 一種基于紅外熱像的電氣設(shè)備故障診斷方法，包括以下步驟：
[0007] (1)輸入采集的電氣設(shè)備紅外熱像圖；
[0008] (2)對紅外熱像圖像進(jìn)行灰度化處理，運(yùn)用OTSU法對灰度化后的電氣設(shè)備紅外熱 像圖進(jìn)行分割處理；
[0009] (3)提取分割后的紅外熱像的特征參數(shù)作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)并對 GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[0010] (4)運(yùn)用訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備進(jìn)行熱缺陷診斷，輸出診斷結(jié)果。
[0011] 所述步驟（2)的具體方法為：
[0012] 1)首先將紅外熱像進(jìn)行灰度化處理，假設(shè)灰度圖像的灰度級范圍為[0,L-1]，像 素個(gè)數(shù)為N，ni表示灰度級為i的像素個(gè)數(shù)；
[0013] 2)灰度為i的像素出現(xiàn)的概率為Pi=ni/N，使用閾值t將圖像灰度級劃分為Q和 Q兩類：C0= (0，1，2…，t) ;(^= (t+l，t+2，??'L-l);
[0014]3)分別計(jì)算CjPCi出現(xiàn)的概率、灰度均值以及類間方差；
[0015] 4)當(dāng)類間方差為最大值時(shí)，前景和背景的差異最大，達(dá)到最小誤判概率，視為最佳 閾值分割。
[0016]所述步驟3)中，CdPCi出現(xiàn)的概率分別為：
【主權(quán)項(xiàng)】
1. 一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，包括以下步驟： (1) 輸入采集的電氣設(shè)備紅外熱像圖； (2) 對紅外熱像圖像進(jìn)行灰度化處理，運(yùn)用OTSU法對灰度化后的電氣設(shè)備紅外熱像圖 進(jìn)行分割處理； (3) 提取分割后的紅外熱像的特征參數(shù)作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)并對GA-BP神 經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； (4) 運(yùn)用訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備進(jìn)行熱缺陷診斷，輸出診斷結(jié)果。
2. 如權(quán)利要求1所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟（2)的具體方法為： 1) 首先將紅外熱像進(jìn)行灰度化處理，假設(shè)灰度圖像的灰度級范圍為[0,L-1]，像素個(gè) 數(shù)為N，ni表示灰度級為i的像素個(gè)數(shù)； 2) 灰度為i的像素出現(xiàn)的概率為Pi=nVN，使用閾值t將圖像灰度級劃分為〇!和C1 兩類：CQ= (0，1，2…，t) ;(^= (t+l，t+2，...，L-1); 3) 分別計(jì)算CjPCi出現(xiàn)的概率、灰度均值以及類間方差； 4) 當(dāng)類間方差為最大值時(shí)，前景和背景的差異最大，達(dá)到最小誤判概率，視為最佳閾值 分割。
3. 如權(quán)利要求2所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟3)中，(^和Ci出現(xiàn)的概率分別為：
其中，PiS灰度為i的像素出現(xiàn)的概率。
4. 如權(quán)利要求2所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟3)中，(^和Ci的灰度值分別為：
(^和Ci的灰度均值為： yt=w 〇y〇+?iyi 其中，Pi為灰度為i的像素出現(xiàn)的概率，Wd、％分別為CdPCi出現(xiàn)的概率。
5. 如權(quán)利要求2所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟3)中，類間方差的計(jì)算方法為：
其中，別為(：。和Ci出現(xiàn)的概率，y。、y:分別為(：。和Ci的灰度值，yt為CQ 和Q的灰度均值。
6. 如權(quán)利要求2所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟4)中，最佳閾值的表達(dá)式為：
其中，別為(：。和Ci出現(xiàn)的概率，y。、y汾別為(：。和Ci的灰度值。
7. 如權(quán)利要求1所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟（3)中，提取12個(gè)特征參數(shù)值作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；包含4個(gè)溫度特征參 數(shù)：變電站設(shè)備紅外熱像中區(qū)域溫度最大值、平均溫度值t_n、背景溫度值tB、溫度分布 方差tvm，以及8個(gè)Zernike矩特征參數(shù)。
8. 如權(quán)利要求7所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，定義 函數(shù)f(X，y)的p階q重的Zernike矩為：
其中，[Vpq(r，0)]#是Vpq(r，0)的共軛，r為半徑，0為相角； 對于離散的紅外圖像的P階q重的Zernike矩為：
針對圖像的尺度變化，直接對圖像進(jìn)行尺度歸一化，得到Zernike矩為：
其中，AM是紅外圖像的p階q重的Zernike矩，為紅外熱像的面積。
9. 如權(quán)利要求1所述的一種基于紅外熱像的電氣設(shè)備故障診斷方法，其特征是，所述 步驟（4)的具體方法為： a) 將大量的分割后電氣設(shè)備紅外熱像數(shù)據(jù)，輸入BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，得到初始的BP 神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值； b) 對獲得的BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行編碼；設(shè)定遺傳算法的種群規(guī)模為P、遺傳算 法的交叉概率為P。、變異概率為Pm; c) 設(shè)定GA-BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)，網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差平方和 E(i) = 2 2 (Yk-Tk)2 式中，i為染色體個(gè)數(shù)；k為輸出層節(jié)點(diǎn)數(shù)；Yk為實(shí)際輸出值；Tk為期望輸出值； d) 由E(i)的值判斷是否進(jìn)行進(jìn)化計(jì)算，每個(gè)個(gè)體的適應(yīng)值為 fi= 1/E(i)fmax=max{fJ 其中，E(i)是網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差平方和，心為染色體個(gè)數(shù)為i時(shí)，E(i) 的倒數(shù)，f_是f中的最大值； e) 將適應(yīng)度為fmax的個(gè)體對應(yīng)的權(quán)值、閾值記為初始權(quán)值A(chǔ)i，若fmax大于設(shè)置參數(shù)，則 轉(zhuǎn)向步驟i)，否則進(jìn)行步驟f); f) 將初始權(quán)值4反向傳播經(jīng)過GA-BP神經(jīng)網(wǎng)絡(luò)的隱含層，直至輸入層，求出各層神經(jīng) 元的誤差信號；對初始權(quán)值4進(jìn)行調(diào)整并記為A2; g) 將染色體進(jìn)行選擇復(fù)制、交叉、變異遺傳操作，產(chǎn)生新的一代種群； h) 從新一代群體和父代中選出P個(gè)適應(yīng)度高的個(gè)體形成新的群體，進(jìn)行步驟d); i) 對適應(yīng)值為匕《的個(gè)體進(jìn)行譯碼，得到GA-BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并保存； j) 將采集的待診斷數(shù)據(jù)輸入優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷。
【專利摘要】本發(fā)明公開了一種基于紅外熱像的電氣設(shè)備故障診斷方法，包括：輸入采集的電氣設(shè)備紅外熱像圖；對紅外熱像圖像進(jìn)行灰度化處理，運(yùn)用OTSU法對灰度化后的電氣設(shè)備紅外熱像圖進(jìn)行分割處理；提取分割后的紅外熱像的特征參數(shù)作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)并對GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；運(yùn)用訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備進(jìn)行熱缺陷診斷，輸出診斷結(jié)果。本發(fā)明有益效果：引入OTSU分割，提取溫度特征和Zernike矩參數(shù)，經(jīng)GA-BP神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備進(jìn)行故障診斷，效果顯著，可針對不同的電氣設(shè)備熱缺陷進(jìn)行診斷處理，有利于變電站的智能化運(yùn)行，提高檢測的準(zhǔn)確性。
【IPC分類】G01R31-00, G06T7-00, G01J5-00, G06N3-12
【公開號】CN104809722
【申請?zhí)枴緾N201510173009
【發(fā)明人】胡曉黎, 段玉兵, 雍軍, 楊波, 張皓, 孫曉斌, 孟海磊
【申請人】國家電網(wǎng)公司, 山東電力研究院
【公開日】2015年7月29日
【申請日】2015年4月13日