一种电力系统中电气设备运行状态的红外图谱诊断方法与流程

本发明涉及一种根据红外图谱对高压电气设备运行状态进行诊断的方法，属输配电技术领域。

背景技术：

随着社会经济的快速发展，人们用电需求量不断增加，电网规模不断扩大，同时也对电力系统的稳定运行提出了更高的要求。高压电气设备作为电网中必不可少的部分，在保证电能质量、维持电网安全稳定运行上发挥着重要的作用。因此，准确评价电气设备的运行状态，是保证设备可靠性和电网安全运行的关键。

对设备的运行状态进行监测与评估，可为设备的维护、检修提供依据。现代智能算法的快速发展，使得评价手段逐渐从基于信号处理以及解析模型的传统方法，转变到基于模糊数学、机器学习等的人工智能方法。

目前，对电气设备状态进行评价的手段主要采用设备状态打分法、基于传统机器学习的评价法、专家系统法等，但现有方法大多是从电气特性的角度来评价设备，很少考虑到日照强度、环境温度、风速等外界条件对设备运行带来的影响，其评价结果具有一定的局限性，并且需要消耗大量的人力物力对设备进行定时巡检，操作极为不便。

技术实现要素：

本发明的目的在于针对现有技术之弊端，提供一种电力系统中电气设备运行状态的红外图谱诊断方法，以提高电气设备运行状态评价结果的准确性，为高压设备的维护、检修提供可靠依据。

本发明所述问题是以下述技术方案解决的：

一种电力系统中电气设备运行状态的红外图谱诊断方法，所述方法采用图像识别技术确定由红外成像仪所呈红外图像中电力设备的轮廓和位置，并通过红外图像识别获取设备的最高温度；通过热力学仿真构建电气设备的实体模型，并采用有限元分析方法得到电气设备在不同电气及气象条件下运行时的温度分布情况，将仿真模拟出的温度作为样本对神经网络进行训练；用训练好的神经网络预测不同运行条件下电气设备的最高温度并将其与通过红外图像识别获取的最高温度进行比对，从而实现设备运行状态的诊断。

上述电力系统中电气设备运行状态的红外图谱诊断方法，确定红外图像中电力设备位置的方法按以下步骤进行：

a.将红外图像原图与电气设备目标图转化为同等像素大小；

b.将图像导入matlab中进行数字化，并通过rgb颜色平均值转换，将图像矩阵转换为二值矩阵；

c.将图像矩阵进行傅里叶变换；

d.相关计算：对原图变换得到的矩阵取共轭后与目标图变换得到的矩阵数相乘，将得到的乘积矩阵通过反傅里叶变换到频域，利用fftshift函数将函数的低频部分移动到坐标系核实位置，并将图形镜像反转为正确的坐标轴向，此时函数最大值即为相关最强的点；

e.对图像进行定位：设定max函数计算出矩阵最大值，将最大值相关度减一设置为阈值，高于此阈值像素点的坐标即为电力设备所在位置。

上述电力系统中电气设备运行状态的红外图谱诊断方法，通过红外图像识别获取设备的最高温度的具体步骤如下：

a.以对图像定位中max函数计算出的矩阵最大值作为极值，以极值为中心在其附近选取一定量的坐标点，将它们的像素转化为灰度图像；

b.将红外图像上温度尺中最高温度与最低温度识别出来，确定温度显示区域左上角的像素的位置值，通过imcrop函数，裁剪下目标图对应的区域，将其转化为二值图像；

c.导入相同字体的数字模板；

d.通过定义函数的方式将图片中的数字逐个与模板比对，继而输出比对后的结果；

e.将灰度图片的亮度与温度尺上对应区间的亮度进行比对，得到设备上的最高温度。

上述电力系统中电气设备运行状态的红外图谱诊断方法，所述电气设备的气象条件包括日照强度、环境温度和风速；可准确预测变压器在该气象条件下正常运行时的最高温度。

本发明利用红外图谱和人工智能技术，在充分考虑日照强度、环境温度、风速等影响设备运行的外界条件的情况下，对高压电气设备的运行状态进行评价，大大提高了评价结果的准确性，可为高压设备的维护、检修提供可靠依据。

附图说明

下面结合附图对本发明作进一步详述。

图1为红外图像识别设备原图；

图2为红外图像识别目标图；

图3为目标图与原图相关后的频谱图；

图4为识别结果；

图5数字模板图；

图6数字识别结果图；

图7为额定条件下变压器内部热力云图，得到的温度作为样本数据；

图8为网络训练流程图；

图9为网络训练中sse变化图；

图10为网络输出绝对误差；

图11为网络输出值与测试样本实际值对比图。

附图或文中所用标号清单为：

sse(sumofsquaresforerror)误差平方和；

θ——温度(k)；

n——方向(x,y,z作为角标代表三个方向)；

∑1、∑2、∑3——物体表面；

——方向n上的温度梯度(w/m)；

k——方向n上的热导率(w/(m·k))；

h——固体表面的对流系数(w/m²·k)；

ρ——物体的密度(kg/m³)；

θ0——与固体接触的流体表面的温度(k)；

q——热流密度(w/m²)；

q——物体内部的热源密度；

ω——待求解域；

θi——单元内节点温度；

——形函数矩阵；

n——全域ω的单元数；

[k]——即热传导矩阵；

{θ}——节点温度矩阵；

{p}——温度载荷矩阵。

具体实施方式

下面结合附图和实施方式对本发明作进一步的详细说明。

本方法可实现对变压器、断路器、电流互感器等电力设备的诊断，在此实施例中以变压器为例进行说明。

一.电气设备红外图像识别

算法内容主要由三部分构成，首先是图像识别部分，通过目标图与原图的比对，在原图中获得电气设备图像。其二是通过红外数字转换，从图像的温度尺上得到此图像温度范围，最后获得图像亮度与温度范围的对应关系。其三是通过函数运算得到该设备上最高温度。

图像识别具体内容：将原图像与目标图像转化为矩阵函数进行比较，得出相似性极值点，以确定在原图像中与目标图像相同或相似的区域的位置。

具体实现步骤如下：

1.处理原图和目标图。由于相关性矩阵计算只能在相同维度展开，所以需要将红外原图与目标图转化为同等像素大小。

2.将图像导入matlab中进行数字化，为简便计算，将rgb颜色计算平均值转换，将图像矩阵转换为二值矩阵。

3.将图像矩阵进行傅里叶变换，根据相关性定理：时域卷积为频域的乘积，将需要进行相关计算的图像进行傅里叶变换并变换到频域待用。

4.相关计算：图像经傅里叶变换后，先对原图变换得到的矩阵取共轭，再将两矩阵数乘，此时得到一乘积矩阵，将此矩阵通过反傅里叶变换到频域，利用fftshift函数将函数的低频部分移动到坐标系核实位置，并将图形镜像反转为正确的坐标轴向，此时函数最大值即为相关最强的点。见图3。

5.对图像进行定位。设定max函数计算出矩阵最大值，并设置阈值，此阈值值为最大值相关度减一，高于此阈值像素点的坐标即为目标图所在位置，即可自动识别出需诊断电气设备。具体识别结果如图4所示。

6.确定极值后，以极值为中心在其附近选取一定量的坐标点，将它们的像素由伪显色的红外图像转化为灰度图像，以像素点亮度矩阵形式进行储存。此步骤具体原理先通过imcrop函数，获得极值点附近图像，然后将rgb三色通道图像，通过循环计算取rgb三色平均值的方式转化为灰度图像。

7.将红外图像上温度尺中最高温度与最低温度识别出来为函数计算使用，由于采取的红外图像是统一规格的，所以可以通过像素定位的方式来获得温度史上最大与最小的数值，确定温度显示区域左上角的像素的位置值，继而通过imcrop函数，裁剪下对应的区域。由于此时裁剪图像，仍为rgb三色图像，需将其灰化，继而通过设置阈值的方式将其转化为二值图像。

8.由于同一型号红外设备摄制出红外图像使用字体统一，所以可先行导入一套相同字体的数字模板，为对比识别图像数字使用。数字模板图见图5。

9.通过定义函数的方式将图片中数字每个分隔开逐个与模板比对，继而输出比对后的结果。分割识别结果见图6。

10.将灰度图片的亮度与温度尺上对应区间的亮度进行比对，由于温度在温度尺上由高到低均匀分配，且不同温度对应不同亮度，所以可认为温度与亮度为正比例函数关系，继而通过温度尺中最大值、最小值与亮度值三者进行结合计算，得出设备上最高温度。

二.稳恒温度场边界条件以及微分方程转化为有限元形式

有限单元在稳态温度场(即物体各点的温度不随时间的变化而变化，此时的温度场为稳态温度场)影响下的积分形式为：

(1)由n个线性方程组成，为求解单元节点的温度θi，将上式改写成有限元形式，即：

[k]{θ}＝{p}(2)

式中：[k]——刚度矩阵，即热传导矩阵。包含导热系数，对流换热系数等参数。其元素为：

其中，第一项为单元对刚度矩阵的影响，第二项为第三类边界条件对刚度矩阵的影响。

{θ}——节点温度矩阵。

{p}——温度载荷矩阵，其元素为：

其中，第一项为给定热流引起的温度载荷，第二项是热交换引起的温度载荷，第三项是热源引起的温度载荷；

将用微分方程描述的温度场转换为有限元形式，接下来的建模仿真就基于有限元形式的微分方程。

三.实体模型的构建及温度仿真

由于需要综合考虑气温、风速、日照等气象条件以及电气条件对电气设备运行状态的影响，待求解问题实质上是热电耦合问题。因此选择稳态热电耦合分析作为整个模型的运算分析系统。

此处选取了sfpl2-40000/220型变压器作为仿真模型的原型。

对结构图进行适当简化，并根据设备的材料和参数，利用ansys进行实体建模。

计算结果及仿真训练

将电压，电流，热辐射，对流系数以及环境温度等载荷施加到仿真实体模型上，对其进行计算求解。在额定负荷，日照强度为平均水平，无风，环境温度为20℃的额定边界条件下，得到仿真结果如图7所示。

改变边界条件，分析不同电气及气象条件下的设备发热情况，得到100组变压器数据样本。仿真得到的不同电气与气象条件下的正常运行温度数据供神经网络预测使用。

四.bp神经网络预测设备正常运行温度

选择logsig函数作为隐含层及输出层的激励函数，选择双层隐节点作为神经网络的结构。bp神经网络训练的流程图见图8。

将上一步通过仿真训练出的100组样本分为两组，前90组样本用来训练神经网络，后10组样本用来测试网络在非训练样本处的预测情况。用前90组样本中电气与气象条件作为输入，样本中运行温度作为输出，训练神经网络。可使得该网络在得到不同的电气与气象条件数据后进行准确地预测。得到网络输出值与实际样本值、测试样本值的对比图。网络输出值与测试样本实际值对比见图11，可发现网络预测温度与样本实际温度基本相等。通过适当调整参数，即可实现在输入电气与气象条件后较准确的预测设备正常运行时的最高温度。

仿真样本训练及结果分析

利用变压器仿真结果训练神经网络，结果如图9。从结果中可以看到，在训练过程中sse(误差项的平方和)没有发生明显波动，在逐渐收敛。说明隐含层神经元输出值的相关性较小，没有发生神经元合并，神经网络预测效果较好。网络输出绝对误差见图10，误差也在允许范围之内。

通过分析结果可以得知，该网络最终sse为0.0192，误差较小，且在非训练数据点处也有很好的预测能力，能够较好地反映变压器的运行情况。所以可通过输入气象环境的条件数据预测得到设备正常运行时的最高温度。

将红外图像识别出的设备运行最高温度与神经网络预测温度结果相比对，即可诊断设备的运行状况。

此方法运用红外图像识别技术，运用特征值识别、设备外观建模、fftshift函数变换技术可将电气设备自动辨识，提取设备最高温度值。运用ansys软件构建电气设备典型温度图谱，获得正常情况下不同设备的运行温度图谱，最终结合仿真温度样本和bp神经网络算法预测各种电气与气象条件下的设备最高温度，与之前提取的温度比对，诊断电气设备健康程度。