一种基于红外热像的电气设备故障诊断方法
【技术领域】
[0001] 本发明涉及电气设备热缺陷检测领域，尤其涉及一种基于红外热像的电气设备故 障诊断方法。
【背景技术】
[0002] 随着坚强智能电网的迅猛发展，我国对电力系统可靠性的要求越来越高。电气设 备的故障隔离对供电区域健全的供电极为重要，因此要求对电力设备进行在线监测和安全 预警，及时发现故障并采取措施消除隐患。作为故障检测的一种有效手段，红外热像检测技 术得到了广泛应用。红外热像检测技术相结合的监控系统大大提高了电力系统的故障检测 水平，但目前的检测方法仍然需要人工诊断，无法实现诊断结果的实时准确。
[0003] 根据电气设备故障问题，运用图像处理，智能诊断技术进行自动检测电气设备故 障。因为BP神经网络处理能够模仿人类大脑，非精确的自适应功能，非规则结构，具有自组 织学习的特点，可以优化计算和知识推理，因此在电气设备运行状态诊断中被广泛使用。但 BP神经网络算法在训练数据时，神经网络函数的收敛性较差，对参数的寻优效果较差，而遗 传算法是一种全局搜索能力强的算法，能够搜索得到全局最优解。因此将擅长全局搜索的 遗传算法与BP算法结合起来，实现两者的优势互补，提高算法收敛速度，较快得到问题的 全局最优解。为此，将BP神经网络算法与遗传算法结合起来（即GA-BP神经网络方法），对 电气设备的故障诊断具有一定意义。
【发明内容】
[0004] 本发明的目的就是为了解决上述问题，提出了一种基于红外热像的电气设备故障 诊断方法，该方法利用最大类间方差法（以下简称OTSU)分割红外图像和GA-BP神经网络 模型相结合的方法来实现电气设备的故障诊断，首先将采集的电气设备红外热像进行图像 OTSU分割等预处理，再提取电气设备的相对温度分布特征、Zernike不变矩等参数，作为识 别设备状态的信息特征量，然后，进行GA-BP神经网络智能诊断，输出设备的状态信息，对 电气设备的热缺陷进行智能诊断。
[0005] 为了实现上述目的，本发明采用如下技术方案：
[0006] 一种基于红外热像的电气设备故障诊断方法，包括以下步骤：
[0007] (1)输入采集的电气设备红外热像图；
[0008] (2)对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热 像图进行分割处理；
[0009] (3)提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对 GA-BP神经网络进行训练；
[0010] (4)运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。
[0011] 所述步骤（2)的具体方法为：
[0012] 1)首先将红外热像进行灰度化处理，假设灰度图像的灰度级范围为[0,L-1]，像 素个数为N，ni表示灰度级为i的像素个数；
[0013] 2)灰度为i的像素出现的概率为Pi=ni/N，使用阈值t将图像灰度级划分为Q和 Q两类：C0= (0，1，2…，t) ;(^= (t+l，t+2，??'L-l);
[0014]3)分别计算CjPCi出现的概率、灰度均值以及类间方差；
[0015] 4)当类间方差为最大值时，前景和背景的差异最大，达到最小误判概率，视为最佳 阈值分割。
[0016]所述步骤3)中，CdPCi出现的概率分别为：
【主权项】
1. 一种基于红外热像的电气设备故障诊断方法，其特征是，包括以下步骤： (1) 输入采集的电气设备红外热像图； (2) 对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图 进行分割处理； (3) 提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对GA-BP神 经网络进行训练； (4) 运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。
2. 如权利要求1所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤（2)的具体方法为： 1) 首先将红外热像进行灰度化处理，假设灰度图像的灰度级范围为[0,L-1]，像素个 数为N，ni表示灰度级为i的像素个数； 2) 灰度为i的像素出现的概率为Pi=nVN，使用阈值t将图像灰度级划分为〇!和C1 两类：CQ= (0，1，2…，t) ;(^= (t+l，t+2，...，L-1); 3) 分别计算CjPCi出现的概率、灰度均值以及类间方差； 4) 当类间方差为最大值时，前景和背景的差异最大，达到最小误判概率，视为最佳阈值 分割。
3. 如权利要求2所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤3)中，(^和Ci出现的概率分别为：
其中，PiS灰度为i的像素出现的概率。
4. 如权利要求2所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤3)中，(^和Ci的灰度值分别为：
(^和Ci的灰度均值为： yt=w 〇y〇+?iyi 其中，Pi为灰度为i的像素出现的概率，Wd、％分别为CdPCi出现的概率。
5. 如权利要求2所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤3)中，类间方差的计算方法为：
其中，别为(：。和Ci出现的概率，y。、y:分别为(：。和Ci的灰度值，yt为CQ 和Q的灰度均值。
6. 如权利要求2所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤4)中，最佳阈值的表达式为：
其中，别为(：。和Ci出现的概率，y。、y汾别为(：。和Ci的灰度值。
7. 如权利要求1所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤（3)中，提取12个特征参数值作为GA-BP神经网络的输入参数；包含4个温度特征参 数：变电站设备红外热像中区域温度最大值、平均温度值t_n、背景温度值tB、温度分布 方差tvm，以及8个Zernike矩特征参数。
8. 如权利要求7所述的一种基于红外热像的电气设备故障诊断方法，其特征是，定义 函数f(X，y)的p阶q重的Zernike矩为：
其中，[Vpq(r，0)]#是Vpq(r，0)的共轭，r为半径，0为相角； 对于离散的红外图像的P阶q重的Zernike矩为：
针对图像的尺度变化，直接对图像进行尺度归一化，得到Zernike矩为：
其中，AM是红外图像的p阶q重的Zernike矩，为红外热像的面积。
9. 如权利要求1所述的一种基于红外热像的电气设备故障诊断方法，其特征是，所述 步骤（4)的具体方法为： a) 将大量的分割后电气设备红外热像数据，输入BP神经网络模型训练，得到初始的BP 神经网络中的权值和阈值； b) 对获得的BP神经网络权值和阈值进行编码；设定遗传算法的种群规模为P、遗传算 法的交叉概率为P。、变异概率为Pm; c) 设定GA-BP神经网络的目标函数，网络的实际输出与期望输出的误差平方和 E(i) = 2 2 (Yk-Tk)2 式中，i为染色体个数；k为输出层节点数；Yk为实际输出值；Tk为期望输出值； d) 由E(i)的值判断是否进行进化计算，每个个体的适应值为 fi= 1/E(i)fmax=max{fJ 其中，E(i)是网络的实际输出与期望输出的误差平方和，心为染色体个数为i时，E(i) 的倒数，f_是f中的最大值； e) 将适应度为fmax的个体对应的权值、阈值记为初始权值Ai，若fmax大于设置参数，则 转向步骤i)，否则进行步骤f); f) 将初始权值4反向传播经过GA-BP神经网络的隐含层，直至输入层，求出各层神经 元的误差信号；对初始权值4进行调整并记为A2; g) 将染色体进行选择复制、交叉、变异遗传操作，产生新的一代种群； h) 从新一代群体和父代中选出P个适应度高的个体形成新的群体，进行步骤d); i) 对适应值为匕《的个体进行译码，得到GA-BP神经网络的权值和阈值，并保存； j) 将采集的待诊断数据输入优化后的GA-BP神经网络模型进行故障诊断。
【专利摘要】本发明公开了一种基于红外热像的电气设备故障诊断方法，包括：输入采集的电气设备红外热像图；对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图进行分割处理；提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对GA-BP神经网络进行训练；运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。本发明有益效果：引入OTSU分割，提取温度特征和Zernike矩参数，经GA-BP神经网络对电气设备进行故障诊断，效果显著，可针对不同的电气设备热缺陷进行诊断处理，有利于变电站的智能化运行，提高检测的准确性。
【IPC分类】G01R31-00, G06T7-00, G01J5-00, G06N3-12
【公开号】CN104809722
【申请号】CN201510173009
【发明人】胡晓黎, 段玉兵, 雍军, 杨波, 张皓, 孙晓斌, 孟海磊
【申请人】国家电网公司, 山东电力研究院
【公开日】2015年7月29日
【申请日】2015年4月13日