一种基于随机森林模型检测零值绝缘子的方法与流程

1.本发明涉及电气设备绝缘状态检测领域，尤其涉及一种基于随机森林模型检测零值绝缘子的方法。


背景技术：

2.绝缘子在运行过程中还要经受强电场和较大的机械负荷的考验。这些现象都会加快绝缘子的劣化，加大绝缘子裂纹的缝隙，使其内部裂纹直接演变为外部裂纹。随着时间推移，绝缘子不断劣化变质，导致绝缘电阻变小，漏电电流不断增大，绝缘性能不断减弱，最终会演变为零值绝缘子。
3.传统的解决方案的缺陷如下：1、运用红外采集装置对输电线路上的绝缘子进行图像采集，通过处理器分析其绝缘特性并判断其是否为零值绝缘子，但该方法没有考虑环境因素中温度对绝缘子在红外成像上的影响，造成所测结果易产生偏差；2、利用红外热像仪获取绝缘子串的温度分布，考虑相关的环境参数，再通过人工分析判断是否为零值绝缘子，该方法需要人工进行数据处理，工作量大，不能快速大量的对绝缘子状态进行检测，检测效率低；3、利用神经网络与红外测温检测零值绝缘子的方法，该方法将绝缘子红外图像通过影像处理与小波监测方法进行特征量提取，作为输入量输入至神经网络系统，将绝缘子状态信息作为输出量，该方法在处理红外图像时，将光信号转化成电信号，器件本身自带的噪声会被加入到信号中，电信号在进行放大过程中部分噪声也会被放大，同时，神经网络存在收敛速度慢、易陷入局部最优，其网络结构难以确定的问题。为了解决检测结果不准确、检测效率低和收敛速度慢的问题，本发明提出了一种基于随机森林模型利用绝缘子串红外图像检测零值绝缘子的方法。


技术实现要素：

4.本发明目的在于提供一种基于随机森林模型检测零值绝缘子的方法，该发明实现了通过对输电线路上绝缘子串进行红外图像测量，并将测量参数输入训练好的随机森林模型内，随机森林模型便能判断该绝缘子串是否为零值绝缘子，达到快速高效的检测绝缘子是否为零值绝缘子的目的。
5.为了实现上述发明目的，本发明采用以下技术方案：
6.s101、通过使用包含不同阻值零值绝缘子的绝缘子串的室内模型进行不同参数条件下的试验，获取不同条件下相应的绝缘子串红外图像；
7.s102、将室内试验获取的绝缘子串红外图像进行分割，提取绝缘子串的灰度图像灰度特征值相关参数、环境参数以及电压等级，并将数据进行归一化处理后将其作为训练数据样本；
8.s103、根据灰度图像灰度特征值相关参数、环境参数以及电压等级，确定随机选择特征个数x；
9.s104、利用bagging思想，确立回归决策子树t；
10.s105、并且验证袋外误差oob，是否符合精度要求，若满足精度要求，则执行s106；
11.s106、根据随机选择特征个数x和回归决策子树t，建立随机森林模型，并将训练数据样本代入本模型，完成对模型的训练；
12.s107、通过输入被测绝缘子的灰度图像灰度特征值以及相关参数，随机森林模型将会输出的被测绝缘子阻值，根据该阻值判断被测绝缘子是否为零值绝缘子。
13.进一步的，所述通过使用包含不同阻值零值绝缘子的绝缘子串的室内模型进行不同参数条件下的试验，获取不同条件下相应的绝缘子串红外图像，其中不同参数条件分别为不同的环境温度、环境湿度以及电压等级。
14.进一步的，所述灰度图像灰度特征值相关参数、环境参数以及电压等级；包括灰度分布方差、灰度最大差值、灰度熵、灰度偏度、环境温度、环境湿度和电压等级。
15.进一步的，所述根据灰度图像灰度特征值相关参数、环境参数以及电压等级，确定随机选择特征个数x；其中灰度图像灰度特征值相关参数、环境参数以及电压等级为总特征空间数。
16.进一步的，所述利用bagging思想，确立回归决策子树t，并且验证袋外误差oob，是否符合要求；其中bagging思想的具体步骤为，将归一化处理后的样本设为原始样本s，从原始样本s中有放回地随机抽取多个训练样本，每次抽取的样本量为原始样本的2/3，且随机放回抽样，并对每个训练样本分别构建回归决策子树，最终形成ti棵决策树。
17.进一步的，所述验证袋外误差oob的具体公式为：
[0018][0019]
其中n为训练数据样本的样本数。
[0020]
进一步的，所述袋外误差oob，是否符合精度要求；其中精度的具体验证步骤为：通过改变不同的ti值并求得相应的模型oob误差，当oob
last-oob
new
《v时，取当前的ti值为最终参数t。其中oob
last
表示上一次误差值，oob
new
表示本次误差值，v表示袋外误差阈值。
[0021]
进一步的，所述建立随机森林模型的公式如下：
[0022][0023]
其中θ
t
为服从独立同分布的随机变量，x为自变量，为回归预测值
[0024]
进一步的，所述通过输入被测绝缘子的灰度图像灰度特征值以及相关参数，判断被测绝缘子是否为零值绝缘子，具体为输入绝缘子的灰度图像灰度特征值以及相关参数后，随机森林模型输出的绝缘子阻值，将其与零值绝缘子阻值临界值对比，当被测绝缘子阻值大于或等于零值绝缘子阻值临界值时为正常绝缘子，当被测绝缘子阻值小于零值绝缘子阻值临界值时为零值绝缘子。
[0025]
本发明的有益效果：本发明提出了一种基于随机森林模型检测零值绝缘子的方法，本方法通过将被测绝缘子拍摄红外图像时，环境温度和湿度等环境因素纳入检测范围，使得检测零值绝缘子的结果更精准可靠；本方法通过利用被测绝缘子红外图像提供的信息通过计算，能够直接判断被测绝缘子的阻值是否为零值，比现有技术更直接，能有效的提高
工作效率；本方法通过利用随机森林模型，相对于其他算法，随机森林模型可以同时处理连续、离散属性，运行效率高且具有较强的顽健性、抗噪声和防止过拟合的优点。
附图说明
[0026]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
[0027]
图1为一种基于随机森林模型检测零值绝缘子的方法的步骤示意图。
具体实施方式
[0028]
下面结合附图对本公开实施例进行详细描述。
[0029]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0030]
结合图1来说明，一种基于随机森林模型检测零值绝缘子的方法，包括以下步骤：
[0031]
s101、通过使用包含不同阻值零值绝缘子的绝缘子串的室内模型进行不同参数条件下的试验，获取不同条件下相应的绝缘子串红外图像；
[0032]
需说明的是：开展包含不同阻值零值绝缘子的绝缘子串的室内物理模型试验，采集相应的绝缘子串红外图像，获取随机森林模型的训练数据，例如取多片正常绝缘子与多片设定阻值的零值绝缘子，记录好每片绝缘子对应的阻值后，将其置于不同温度、湿度、电压等级条件下，利用红外成像仪采集绝缘子串的红外图像。完成各种不同条件下的红外图像的采集，并且将其数据记录下来，为训练森林模型做准备。
[0033]
s102、将室内试验获取的绝缘子串红外图像进行分割，提取绝缘子串的灰度图像灰度特征值相关参数、环境参数以及电压等级，并将数据进行归一化处理后将其作为训练数据样本；
[0034]
需说明的是：将室内试验获取的绝缘子串红外图像进行分割，并提取绝缘子串的灰度图像灰度特征值，在特定电压等级条件下，将温度、环境湿度因素与灰度特征值合并为输入值，分别为环境温度x
1i
、环境湿度x
2i
、电压等级x
3i
、灰度分布方差x
4i
、灰度最大差值x
5i
、灰度熵x
6i
和灰度偏度x
7i
，将实验的绝缘子电气性能即阻值yi作为输出值，数据归一化处理后将其作为训练数据样本。
[0035]
s103、根据灰度图像灰度特征值相关参数、环境参数以及电压等级，确定随机选择特征个数x；
[0036]
需说明的是：在构建回归决策子树的过程中，每个分裂节点都从总的特征空间x{x1,x2,x3,x4,x5,x6,x7}中随机抽取特征子空间作为节点的候选特征集，在树的每个节点随
机选择x个特征进行分裂(x《7)建立多个预测模型。通过将总特征个数7开方取整，及将总特征个数7对2取对数取整，确定随机选择特征个数x为3。至此确定本模型的随机选择特征个数为3。
[0037]
s104、利用bagging思想，确立回归决策子树t；
[0038]
需说明的是：bagging思想的具体步骤为，将归一化处理后的样本设为原始样本s，从原始样本s中有放回地随机抽取多个训练样本，每次抽取的样本量为原始样本的2/3，且随机放回抽样，并对每个训练样本分别构建回归决策子树，最终形成ti棵决策树。
[0039]
s105、并且验证袋外误差oob，是否符合精度要求，若满足精度要求，则执行s106；
[0040]
需说明的是：验证袋外误差oob的具体公式为：
[0041][0042]
其中n为训练数据样本的样本数。
[0043]
袋外误差oob，其中精度的具体验证步骤为：通过改变不同的ti值并求得相应的模型oob误差，当oob
last-oob
new
《v时，取当前的ti值为最终参数t。其中oob
last
表示上一次误差值，oob
new
表示本次误差值，v表示袋外误差阈值。当误差满足精度要求时，将执行下一步。
[0044]
s106、根据随机选择特征个数x和回归决策子树t，建立随机森林模型，并将训练数据样本代入本模型，完成对模型的训练；
[0045]
需说明的是：确定随机选择特征个数x和回归决策子树t后，计算每棵决策子树的回归值{h(x，θ
t
)t＝1，2，...，t}，其中θ
t
是服从独立同分布的随机变量，x表示自变量，最后将多个模型回归值的均值作为回归预测值，生成随机森林模型，公式如下：
[0046][0047]
根据回归决策子树t的值确定决策树的数量，将s102得出的训练样本代入随机森林模型，绘制决策树图，完成对随机森林模型的建立和训练。
[0048]
s107、通过输入被测绝缘子的灰度图像灰度特征值以及相关参数，随机森林模型将会输出的被测绝缘子阻值，根据该阻值判断被测绝缘子是否为零值绝缘子。
[0049]
需说明的是：将随机森林模型输出的被测绝缘子阻值y’与通过s101步骤中的试验得出的零值绝缘子阻值临界值r对比，当y’≥r时为正常绝缘子，当y’《r时为零值绝缘子。对比过程由随机森林模型完成，至此完成对被测绝缘子的检测。
[0050]
以上仅为说明本发明的实施方式以及具体数值，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。