變電站設備紅外圖像診斷方法及系統的制作方法
【技術領域】
[0001] 本發明涉及一種變電站設備運行狀態診斷方法及系統，尤其涉及一種變電站設備 紅外圖像診斷方法及系統。
【背景技術】
[0002] 電力工業中電氣設備的故障隔離與供電區域健全的供電極為重要，因此需要對電 力設備進行在線監測和安全預警，及時發現故障并采取措施消除隱患。作為故障檢測的一 種有效手段，紅外檢測技術得到了廣泛應用。紅外檢測的基本原理就是通過探測物體的紅 外輻射信號，獲得物體的熱狀態特征，并根據這種熱狀態特征及相應的判斷依據判斷出物 體的狀態。由于紅外檢測技術具有遠距離、不接觸、實時、快速等特點，因而對實現電力設備 故障診斷具有重要的意義。
[0003] 紅外檢測技術雖然有上述的諸多優點，但目前的檢測方法仍然需要人工診斷，無 法實現實時準確的故障檢測，從而制約了變電站中電力設備故障診斷自動化水平的提高， 不利于智能電網的安全穩定運行。

【發明內容】

[0004] 本發明的目的在于提供一種變電站設備紅外圖像診斷方法，利用該方法能對紅外 溫度監控的變電站設備運行狀態進行自動診斷，從而實現對紅外溫度監控的變電站設備運 行狀態的實時準確的監測，提高變電站的智能化水平，及時發現變電站設備運行故障，有利 于智能電網的安全穩定運行，同時降低維護成本。
[0005] 本發明的另一目的在于提供一種變電站設備紅外圖像診斷系統，該系統可基于上 述方法達到上述效果。
[0006] 為了實現上述目的，本發明提出了一種變電站設備紅外圖像診斷方法，用于對變 電站設備運行狀態進行診斷以輸出診斷結果，其包括步驟：
[0007] ( -）采用從已知的不同環境溫度和不同運行狀態下的K張變電站設備的紅外熱 像圖中對應提取出的K組紅外熱像圖特征參數作為輸入向量樣本訓練SOM神經網絡，以建 立SOM神經網絡中輸入向量樣本和輸出層神經元之間的映射關系，并根據該映射關系，采 用與所述K組紅外熱像圖特征參數對應的已知的變電站設備的運行狀態對輸出層神經元 進行分類；
[0008] (二）獲取待診斷的變電站設備的紅外熱像圖，并從中提取待診斷的變電站設備 的紅外熱像圖特征參數；
[0009] (三）將待診斷的變電站設備的紅外熱像圖特征參數作為經過訓練的SOM神經網 絡的輸入向量，則其映射到的經過訓練的SOM神經網絡的輸出層神經元所屬的分類即表征 待診斷的變電站設備的運行狀態。
[0010] 本發明所述的變電站設備紅外圖像診斷方法的構思是利用SOM神經網絡這一數 學模型來解決對變電站設備的紅外熱像圖的自動診斷問題，由于變電站設備的紅外熱像圖 反映變電站設備的運行狀態，從而實現對變電站設備運行狀態的自動診斷。具體來說，本發 明所述的變電站設備紅外圖像診斷方法首先選取K張不同的環境溫度和不同的運行狀態 下的變電站設備的紅外熱像圖并提取其紅外熱像圖特征參數作為SOM神經網絡的輸入向 量樣本，基于該輸入向量樣本對SOM神經網絡進行訓練，使得輸入向量樣本中的每組紅外 熱像圖特征參數分別穩定地映射到SOM神經網絡的相應的輸出層神經元，并且根據該映射 關系，采用與所述紅外熱像圖特征參數對應的已知的變電站設備運行狀態對輸出層神經元 進行分類；之后將經訓練的SOM神經網絡用于對變電站設備的紅外熱像圖的自動診斷，對 于一張待診斷的變電站設備的紅外熱像圖，提取其紅外熱像圖特征參數作為經訓練的SOM 神經網絡的輸入向量，經訓練的SOM神經網絡將所述輸入向量自組織映射到相應的輸出層 神經元，并將該輸出層神經元所屬分類作為所述待診斷的變電站設備的紅外熱像圖對應的 變電站設備運行狀態的診斷結果。
[0011] 上述方案中，紅外熱像圖特征參數的提取是采用最大類間方差法分割紅外熱像 圖再進行提取。采用最大類間方差法分割紅外熱像圖的具體方法為：設紅外熱像圖為 f(x，y)，其灰度級i的范圍為[0, L-1]，使用閾值t將圖像灰度級i劃分為CO和Cl兩 類，其中CO = 0，1，2···，t，Cl = t+1，t+2，…，L-1，在[0，L-1]范圍內遍歷閾值t，計算 不同閾值t下的類間方差值，取最大類間方差值對應的閾值t為最佳閾值，并基于以該 最佳閾值劃分的CO和Cl將紅外熱像圖f(x，y)分割為相應的兩部分；所述類間方差為
分別為CO和Cl出現的 概率，
分別為CO和Cl的灰度值，式中P1為灰度級為i 的像素出現的概率；取較低灰度級CO對應的紅外熱像圖f(x，y)作為分割出來的紅外熱像 圖。
[0012] 上述方法中，類間方差越大，CO和Cl對應的紅外熱像圖的兩個部分差分也越大， 當類間方差為最大值，紅外熱像圖前景和背景的差異最大，此時達到最小誤判概率，可以被 視為最佳閾值分割狀=η ΥΝ，其中N為像素個數，Ii1表示灰度級為i的像素個數；所述類 間方差的計算公式由下式推得：
[0015] 利用本發明所述的變電站設備紅外圖像診斷方法能對紅外溫度監控的變電站設 備運行狀態進行自動診斷，從而實現對紅外溫度監控的變電站設備運行狀態的實時準確的 監測，提高變電站的智能化水平，及時發現變電站設備運行故障，有利于智能電網的安全穩 定運行，同時降低維護成本。
[0016] 進一步地，在本發明所述的變電站設備紅外圖像診斷方法中，步驟（一）包括：
[0017] (1)獲取不同的環境溫度和不同的運行狀態下的K張變電站設備的紅外熱像圖， 該K張變電站設備的紅外熱像圖對應的變電站設備的運行狀態是已知的，且該已知的變電 站設備的運行狀態至少包括"設備故障"和"設備正常"；
[0018] (2)采用最大類間方差法分割所述K張變電站設備的紅外熱像圖，取其低灰度部 分；
[0019] (3)從分割出來的K張變電站設備的紅外熱像圖中的每張提取一組紅外熱像圖特 征參數，從而共提取K組紅外熱像圖特征參數，其中每組紅外熱像圖特征參數包括η種參 數，以向量X k= [Xkl，Xk2，…，表示，其每個分量對應所述η種參數中的一種，K組紅外 熱像圖特征參數以k = 1，2, 3…K對應的Xk表示；
[0020] (4)構建輸入層神經元數量為n、輸出層神經元數量為m的SOM神經網絡，其中m 不小于所述運行狀態的分類數量，以向量\作為與輸入層神經元對應的輸入向量，各輸出 層神經元的權重向量為Wj= [W pWj2，…，Wjn]，其中j = 1，2, 3…m;
[0021] (5)采用所述K組紅外熱像圖特征參數作為輸入向量樣本按照下述步驟對SOM神 經網絡進行循環訓練，以建立SOM神經網絡中輸入向量樣本和輸出層神經元之間的映射關 系，在循環訓練時，逐漸減小α的值，直到K組紅外熱像圖特征參數通過輸入向量X k分別 穩定地映射到相應的輸出層神經元：
[0022] (5a)使用標準的歐氏距離計算輸入向量Xk和各輸出層神經元的權重向量W j之間 的距離djk，其公式為
其中心表示向量X 分量，W μ表 示向量Wj的分量；
[0024] (5b)選擇與輸入向量Xk距離最近的權重向量W j對應的輸出層神經元作為獲勝神 經元，設獲勝神經元的權重向量為Wc，則該獲勝神經元即為與輸入向量X1J c有映射關系的 輸出層神經元；
[0025] (5c)通過公式W。(t+1) = W。(t) + a (Xk-W。(t))更新獲勝神經元的權重向量Wc，其 中，α為學習率，范圍為[0，1]，設置t = t+l，t的范圍為[1，T]，T為迭代次數；
[0026] (6)根據所述映射關系，采用與所述K組紅外熱像圖特征參數對應的已知的變電 站設備的運行狀態對輸出層神經元進行分類，所述分類至少表征"設備故障"和"設備正 常"。
[0027] 上述方案中，"設備故障"和"設備正常"只是最基礎的分類，根據需求可以進行更 細致的等級劃分。輸出層神經元可以用不同顏色或灰度分類來對應表征不同運行狀態。
[0028] 進一步地，在本發明所述或上述變電站設備紅外圖像診斷方法中，所述紅外熱像 圖特征參數包括溫度特征參數和Zernike矩特征參數。
[0029] 進一步地，在上述變電站設備紅外圖像診斷方法中，所述溫度特征參數包括區域 溫度最大值t_、平均溫度值t_ n、背景溫度值tB以及溫度分布