一种预防变电站安全隐患智能识别算法的制作方法

1.本发明涉及变电站技术领域，尤其涉及一种预防变电站安全隐患智能识别算法。


背景技术：

2.变电站是衔接智能电网的发电、输电、配电、用电以及调度各大环节的关键。众所周知，变电站是电力系统的枢纽，一但出现火灾，会造成整个电网的瓦解，严重危害了供电可靠性，所以做好变电站的防火措旆，是保障电网安全稳定运行至关重要的一项工作。电气火灾就其燃烧过程而言都是有其预兆的，经常性的电气防火检查，就是为了及时发现电气方面存在的火险隐患。因此，对也电气设备的安全检查足十分重要的，变电站这样电气设备较多、做好日常的巡视检查是十分必要的。
3.现有技术存在以下缺陷：
4.1、早期变电站安全隐患防护是用过在站内每个角落布满摄像头，受到技术的限制，摄像头只具备监控的功能，当某个点发生火灾时不能提前报警跟预测，需要变电站运维人员实时的关注摄像头，增加了人员的工作量，如遇到不是专业性、责任性强的工作人员就会出现安全隐患；
5.2、现阶段也采用电气火灾监控系统，电气火灾监控系统虽能准确、全天候地监测电气线路中的漏电、温度等参数的变化，当线路中发生异常时，也可迅速发出报警信号并准确定位故障点，通知电气专业人员及时排查电气火灾隐患，将电气火灾消灭在萌芽状态，电气火灾监控系统较之传统的技术手段的确是一大技术进步，但依然存在诸多不足，但是也存在功能单一，偏重于状态监测及报警保护，缺乏故障诊断、故障分析、趋势预测等智能分析功能；
6.3、监测面窄：
7.1)偏重于配电线路漏电及温度的点式探测，缺乏电缆温度的分布式、线式探测；
8.2)偏重于对低压设备的状态监测，缺乏对高压设备的状态监测；偏重民用建筑电气火灾的预防，忽视了工业领域的预防；
9.3)网络化水平低，并非完全网络化的全数字系统，对外缺乏网络接口，无法实现信息的对外共享发布，无法组建远程监测及管理系统；
10.4、
11.1)智能化未实现，未全部实现数字化及智能化，不符合物联网的技术方向；
12.2)同时系统缺乏智能分析功能，只局限在监测层级，不符合设备状态监测领域的技术水平；
13.5、可视化不足，监测报警手段传统单一，缺少图形化及其他更为直观的监测报警手段。
14.现提出一种预防变电站安全隐患智能识别算法，通过在摄像头后台部署一种经过深度训练的人工智能算法，具有预测温度变化的功能，如温度临近或超过物体燃点、或出现明显的火焰等系统秒级反应通过物联网技术实现实时报警，启动安全预警状态。


技术实现要素：

15.本发明主要是解决上述现有技术所存在的技术问题，提供一种预防变电站安全隐患智能识别算法，通过结合物联网技术，包含红外摄像机与燃点监测仪相结合与系统平台的燃点算法相结合，实现站内物体自燃点监测报警的方法，提出的变电站物体自燃点的监测，通过对含高温热源的变电站物体进行数值模拟，可以得到用于验证bp神经网络算法正确性的数据，再使用实验台所得出的数据进行验证。模拟取数所使用的数据主要来源于日常变电站运维数据实验，实验台的数据主要用来进一步验证bp神经网络算法的正确性。
16.为了实现上述目的，本发明采用了如下技术方案，一种预防变电站安全隐患智能识别算法，包括：
17.s1：对摄像机采集视频图像进行预处理，高斯平滑滤波，灰度图像二值化，定位可疑目标火焰区域；
18.s2：提取当前帧可疑区域的外接矩形的像素值，缩放成相同大小，将外界矩形的数据作为列向量，记为d1；
19.s3：依次取该帧后连续n-1帧图像，同样地提取火焰区域外接矩形的数据，缩放为同样大小，逐帧将数据作为列向量d2,d3,
…
,dn；
20.s4：所有的列向量di(1≤i≤n)组成矩阵d，即d＝(d1,d2,
…
,dn)；
21.s5：求解低秩矩阵a，求出a的奇异值；
22.s6：以奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值t来确定奇异值的个数，规定个数为矩阵d的新秩；
23.s7：求得两类样本的秩的频数柱状图、准确率、召回率、算法所用时间，保证准确率和召回率，且算法用时短，求得的θ即为分界点θ*
24.s8：当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。
25.作为优选，所述高斯滤波将输入数组的每一个像素点与高斯函数做卷积，将卷积和做输出像素值，公式为：
26.f'(i,j)＝f(i,j)g(i,j)；
27.式中：g(i,j)＝exp[-(i2+j2)/(2σ2)]为高斯函数；f(i,j)为输入的像素值；f'(i j)为输出的像素值。
[0028]
作为优选，还包括图像采集和图像预处理，所述图像采集由红外摄像机与燃点监测仪对含高温热源的变电站物体进行图像采集，采用高斯平滑滤波算法，并将目标区域的图像数据作为列向量构成观察矩阵。
[0029]
作为优选，所述图像预处理采用增广拉格朗日乘子法求解低秩矩阵，并对该低秩矩阵进行奇异值分解，以奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值来确定奇异值的个数，将其定义为矩阵的新秩。
[0030]
有益效果
[0031]
本发明提供了一种预防变电站安全隐患智能识别算法。具备以下有益效果：
[0032]
结合多种算法的变电站物体自燃点监测与火焰识别报警的方法，可有效的为变电站发生火灾隐患做防护，相较于传统的火灾监测，本发明可在未出现明显明火的时候提前报警，有效的阻止重大的损失。
附图说明
[0033]
图1为本发明算法流程图。
具体实施方式
[0034]
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0035]
实施例：一种预防变电站安全隐患智能识别算法，如图1，本发明采用的是高斯平滑滤波算法，高斯滤波是将输入数组的每一个像素点与高斯函数
[0036]
做卷积，将卷积和做输出像素值，如式(1)所示：
[0037]
f'(i,j)＝f(i,j)g(i,j)
[0038]
式(1)
[0039]
式(1)中：g(i,j)＝exp[-(i2+j2)/(2σ2)]为高斯函数；
[0040]
f(i,j)为输入的像素值；
[0041]
f'(ij)为输出的像素值。
[0042]
发明利用低秩分解火焰图像数据矩阵表示为d，在理想的子空间的假设下，d应是低秩的。但在实际中，由于阴影、光照变化、遮挡、镜面反射等误差项的存在，使d往往表现出满秩的结构。记误差矩阵为e，则d＝a+e。a表示满足理想低维子空间假设的图像数据矩阵，因此是低秩矩阵。e为违背子空间假设的误差矩阵，假设误差只存在于图像空间的少量维度中，则误差相对于图像空间是稀疏的。图像数据矩阵d分解成低秩矩阵a和稀疏误差矩阵e之和的形式。
[0043]
该问题对应的优化模型如式(2)所示：
[0044][0045]
式(2)中：||
·
||
*
，||
·
||1别为矩阵的核范数(定义为矩阵的奇异值之和)和l1范数(定义为矩阵所有元素的绝对值之和)；λ为低秩矩阵和误差矩阵之间的权衡参数。，验证参数λ的取值为max(m,n)-1/2时(m表示d的行数，n表示d的列数)，式(2)有最优解，可以精确地从d中分离出低秩矩阵a和稀疏误差矩阵e。
[0046]
采用增广拉格朗日乘子法求解式(2)。构造拉格朗日函数如式(3)所示：
[0047][0048][0049]
交替迭代矩阵a和e，直到满足终止条件为止。则矩阵a和e的迭代更新公式如式(4)、式(5)所示：
[0050][0051][0052]
记akj++11、ekj++11分别收敛于a*k+1、ek*+1，则矩阵y的更新公式如式(6)所示：
[0053][0054]
最后更新参数μ，如式(7)所示：
[0055][0056]
式中：ρ》1为常数；ε》0为比较小的正数。得到的拉格朗日乘子法算法流程如下：
[0057]
输入：观测矩阵d，参数λ。初始化：y0＝e0＝0；μ0》0；ρ》1。进行以下步骤，直到收敛：
[0058][0059][0060]
(3)y
k+1
＝yk+μk(d-a
k+1-e
k+1
)；
[0061]
(4)更新μk至μ
k+1
；
[0062]
(5)k
←
k+1。
[0063]
奇异值分解
[0064]
对a作奇异值分解(svd)，如式(8)所示：
[0065][0066]
式中：λi为矩阵aat的非零特征值，λ1≥λ2≥
…
≥λr；ui为aat对应的特征向量；vi为矩阵ata对应的特征向量。
[0067]
1)对摄像机采集视频图像进行预处理，高斯平滑滤波，灰度图像二值化，定位可疑目标火焰区域。
[0068]
2)提取当前帧可疑区域的外接矩形的像素值，缩放成相同大小，将外界矩形的数据作为列向量，记为d1。
[0069]
3)依次取该帧后连续n-1帧图像，同样地提取火焰区域外接矩形的数据，缩放为同样大小，逐帧将数据作为列向量d2，d3，...，dn。
[0070]
4)所有的列向量di(1≤i≤n)组成矩阵d，即d＝(d1，d2，...，dn)。
[0071]
5)求解满足式(2)的低秩矩阵a，求出a的奇异值。
[0072]
6)以奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值t(计算方法如式(9)、(10)所示)来确定奇异值的个数，规定个数为矩阵d的新秩。
[0073]
7)通过实验，求得两类样本的秩的频数柱状图、准确率、召回率、算法所用时间，保证准确率和召回率，且算法用时短，如式(11)所示，求得的θ即为分界点θ*。
[0074]
定义信噪比：
[0075][0076]
给定阈值：
[0077][0078][0079]
式中：z为准确率；r为召回率；t为算法计算时间。设ω1是火焰图像的集合，ω0是白炽灯等干扰物图像的集合，分类公式如式(12)所示：
[0080][0081]
即当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。
[0082]
本发明的工作原理：对输入的图像序列进行预处理，阈值分割提取可疑火焰区域，并将目标区域的图像数据作为列向量构成观察矩阵；采用增广拉格朗日乘子法求解低秩矩阵，并对该低秩矩阵进行奇异值分解，以奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值来确定奇异值的个数，将其定义为矩阵的新秩。统计显示火焰样本矩阵的秩远高于白炽灯等干扰物的样本矩阵的秩。实验结果表明，所提算法在识别火焰的同时，能有效排除白炽灯等红外热源的影响。
[0083]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。