高精度配电网电气设备故障识别检测方法*
时间：2023-01-15 13:55:09 来源：柠檬阅读网 本文已影响 人 
赵 欢， 阳 浩， 何 亮， 魏恩伟， 郑 杰
(中国南方电网 深圳供电局电力科学研究院， 广东 深圳 518000)
配电网电气设备是保障电力系统安全、稳定运行的重要设备，对于电气设备运行状态的监测是电力巡检工作中的重要一环.采用传统的人工巡检，依靠经验判断潜在隐患的工作方式已经难以满足现代电力系统的运行要求.随着图像识别和人工智能技术的发展[1-2]，基于各种人工智能算法的高清视频检测[3-4]、红外热成像[5-6]等监测手段在电力系统中获得了广泛应用.
受技术条件的限制，红外图像往往清晰度较低，且噪声较多，目标识别和特征提取困难.为解决这一问题，研究人员对此开展了广泛的研究.邹辉等[7]以电力设备的红外图像为研究对象，利用可见光和红外图像，采用基于图片的灰度值快速模板匹配算法，解决了红外图像的伪色彩问题，实现了对电力设备红外图像的多目标定位.张浩等[8]针对传统的灰度匹配算法存在的计算量过大的问题，采用隔行隔列粗略匹配再结合精确匹配技术，实现了远程数字视频监控对变压器快速定位识别的目标.余彬等[9]为了解决红外图像噪声大、边缘模糊的问题，对红外图像进行了R、G、B三通道光源的不均匀性校正，并将其转换为Lab色彩空间，采用密度相似因子算法实现了对红外图像的滤噪分割.冯振兴等[10]为解决红外图像中目标边界模糊导致的提取效果差的问题，从灰度相似聚类的角度出发，提出了一种改进算法，实现了对电力设备故障区域的准确识别.
上述研究多是通过目标匹配的方式来提高目标检测的准确率，缺少对图像特征参数的应用，通用性有待提高.本文在现有研究基础上，利用卷积神经网络模型实现了对配电网设备的图像识别，并充分利用灰度-梯度信息矩阵提取红外图像的纹理信息特征，采用主成分分析的方法完成了对设备发热故障的诊断.该方法结合可见光图像和红外图像，充分利用图像的灰度、纹理信息和卷积神经网络的特征识别能力，实现了对配电网电气设备故障的识别检测.
基于热成像的红外检测技术能够在远距离实现对配电网电气设备的在线监测.卷积神经网络(CNN)是目前图像识别领域的重要算法之一，利用卷积神经网络模型的特征识别能力，可实现对配电网设备的准确识别.
卷积神经网络模型包含了卷积层、池化层和全连接层3个部分.其中，卷积层是对图像特征的强化，池化层则可以有效降低数据处理的复杂度，加快图像识别的计算速度.因此，利用卷积神经网络模型进行图像识别的核心是对图像进行卷积层和池化层不断交替运算，最后，由全连接层通过概率运算预测图像的类别.
1.1 卷积层设计
图像识别的准确率和网络层数量、卷积核的大小、激活函数等参数有关.与卷积层输出有关的主要参数包括卷积核的大小、步幅以及零值填充数量.其中，卷积核的尺寸对应于处理图像的范围，步长控制则随卷积窗口的移动变化步幅，零值填充的大小控制卷积输出.
数据处理过程中通常可将卷积核的大小设置为3×3像素或者5×5像素，然后采用不同步长依次滑动完成对图像的处理.在进行卷积神经网络设计过程中，对图形进行卷积处理之后通常配合池化层使用.一般情况下，池化层的尺寸可选择2×2像素，也可以根据实际情况进行调整.越大的池化层，丢失图像信息的可能性就越大.
对于相同大小的图像，采用多层卷积和叠加的方式能够实现对一定图像范围内的图片信息的非线性化处理，这样更有利于图像特征的提取，而避免信息丢失.因此，在进行卷积策略的选择过程中，在图像进行初步处理时可采用较大的卷积核以及较少的层数，有利于降低运算量.而在处理后期，则可以采用较小的卷积核以及较多的层数，从而尽可能地保留图像特征.基于上述分析得到本文特征提取网络参数如表1所示.
表1 特征提取网络参数Tab.1 Network parameters of feature extraction
1.2 目标候选设计
图像的分割和目标候选区域的选择是实现图像识别的第一步，本文采用选择搜索算法对得到的1 080×1 527像素图片进行分割，将结果作为CNN模型训练识别的样本.本文选定的目标分割图像的个数为500个，原始图像样本以及部分候选目标提取图如图1所示.
图1 样本图片以及候选目标提取效果Fig.1 Sample image and extraction effect of candidate target
为了提升目标识别的准确度，降低目标候选区域和真实目标之间的差异，需要采用边框回归的方式对目标进行调整和定位[11].目标候选框的调整输出可由向量A=(Ax，Ay，Aw，Ah)来表示，与之对应的真实值为B=(Bx，By，Bw，Bh)，其中，Ax，Ay和Bx，By分别为目标候选框及真实图像左下角的像素坐标位置；
Aw，Ah和Bw，Bh分别为候选区域与真实图像区域的宽与高.
为了降低信息的冗余，提高图像识别的准确率，可以通过边框平移和图像缩放找到一种映射f，使得f(Ax，Ay，Aw，Ah)≈(Bx，By，Bw，Bh).图像位移和尺度变换因子可表示为
(1)
(2)
式中，dx(A)，dy(A)，dw(A)，dh(A)分别为向量A在x，y，w，h维度的变化.目标函数可表示为
B′x=Awdx(A)+Ax
(3)
B′y=Ahdy(A)+Ay
(4)
B′w=Awedw(A)
(5)
B′h=Ahedh(A)
(6)
由式(3)～(6)可知，需要寻找合适的dx(A)，dy(A)，dw(A)，dh(A)才能实现输出值和真实值之间的映射.基于CNN模型的边框回归阶段，其输入量为原始图像的特征向量和目标信息矩阵，输出量为预测的边框位置.
定义目标函数为
(7)
式中：f(A)为输入候选框的特征向量；
C(x，y，w，h)为变换参数.定义信息损失函数为
(8)
式中，ti为相对于边框回归窗口预测尺度的变化量，优化目标为
(9)
1.3 模型训练和调参
训练样本为1 000张现场拍摄的配电网照片，并将样本调整为统一的512×512像素图片，然后针对样本进行训练.设置学习速率为0.005，选择PreLU作为激活函数，并使用MSRA进行初始化，损失函数变化曲线如图2所示.由图2可知，随着迭代周期的增加，损失函数值逐步趋于稳定.训练和测试的准确率变化曲线如图3所示，准确率分别能够达到95%和90%以上.
图2 损失函数变化图Fig.2 Variation diagram of loss function
图3 准确率变化图Fig.3 Variation diagram of accuracy rate
配电网电气设备的红外图像包含了设备的发热信息，为了对设备是否存在发热故障进行判断，本文在对目标识别的基础上，提取红外图像的灰度信息和梯度信息的纹理特征，完成对设备的故障判断.
2.1 特征提取
采用灰度-梯度信息矩阵提取红外图像的纹理信息时，首先需要对图像信息矩阵进行归一化处理.设g(m，n)为像素点(m，n)的梯度值，h(m，n)为像素点(m，n)的灰度值，提取表达式为
(10)
(11)
式中：gmax为最大梯度值；
Ng为归一化后的梯度级最大值；
hmax为最大灰度值；
Nh为图像归一化后的灰度级最大值.本文取Ng和Nh为16.
统计满足H(m，n)=i和G(m，n)=j的像素个数，并将其作为灰度-梯度共生矩阵T(i，j)值，得到归一化的灰度-梯度矩阵T′为
(12)
式中，a、b为图像的像素大小.
结合红外热像的特点，本文列出了13项主要的纹理特征参数，包括灰度-梯度矩阵的小梯度优势、纹理特征参数的灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均值、梯度平均值、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵及差分矩.
2.2 设备故障识别
为了对设备是否存在发热故障进行判断，降低信息冗余、提高运算速度，本文采用主成分分析方法(PCA)对上述灰度图像的13个特征参数进行分析.从中提取出更具代表性的新特征因子来表征图像特征，主成分分析的基本步骤如下：
1) 计算协方差矩阵.本文选择配电网防雷设备的红外图像灰度纹理特征参数作为分析变量，对选定的初始变量构造原始特征空间矩阵.假设X是p×q的原始样本空间矩阵，由公式计算得到样本空间的协方差矩阵C为
(13)
2) 计算特征值λ和特征向量E.计算协方差矩阵C的特征值λj(j=1，2，…，p)及其相对应的特征向量E(正交方阵)，并将特征值从大到小排序，得到新的变换矩阵T，进而可以得到p个特征参数Y，即
Y=XT
(14)
3) 确定主成分.在计算特征值的基础上，利用单一贡献率和累计贡献率对主成分的权重进行评价.当累计贡献率超过85%，即可采用i个元素代替样本的q个特征参数，特征矩阵Y的前i列元素(Y1，Y2，…，Yi)即为所要求的主成分.
本文以如图4所示的样本灰度图像为例，选择图中检测到的10个电力设备的灰度图像作为数据样本，构成大小13×10的特征值数据矩阵X，所得到的特征值及特征向量的贡献率如表2所示.
图4 灰度图像及目标提取效果Fig.4 Gray level image and target extraction effect
表2 PCA特征值及贡献率Tab.2 PCA eigenvalues and contribution ratios
由表2中数据可看出，选取前5个主分量对灰度图像特征分析时，其累计贡献率超过85%.因此，可以认为这5个分量已经携带了绝大多数的灰度图像纹理特征信息，能够实现对电气设备的发热故障分析.
将特征参数作为输入向量，以设备发热状况是否超过阈值作为神经网络模型分类输出向量，即输入层为5个主成分分量节点，输出层为设备发热是否超标2个节点，对故障进行判断.设置神经网络模型的训练要求精度为0.05%，对设备进行发热故障识别时，识别准确率为85.56%.
本文研究了基于神经网络模型的图像识别技术在配电网设备监测中的应用，主要结论如下：
1) 通过分析卷积核尺寸、步幅以及零值填充对卷积神经网络的影响，完成了对配电网设备图像特征提取网络的架构设计.采用5个卷积层搭建网络模型，同时利用7×7，5×5，3×3的卷积核以获取详细的局部信息.
2) 采用边框回归算法实现了对图像识别对象的准确标记.同时采用非极大值抑制的方法完成了对冗余信息的过滤，进一步提高了图像识别的准确率.样本训练和测试的准确率能够分别达到95%和90%以上.
3) 采用灰度-梯度信息矩阵提取了配电网设备红外图像的纹理信息特征参数，并利用主成分分析的方法得到了5个能够表征特征参数的主成分分量.在此基础上完成了对电气设备发热故障的识别，识别准确率约为85%.
猜你喜欢 特征参数图像识别梯度 支持向量机的舰船图像识别与分类技术舰船科学技术(2022年11期)2022-07-15基于应变梯度的微尺度金属塑性行为研究九江学院学报(自然科学版)(2022年2期)2022-07-02基于视频图像序列的船用雷达目标检测和目标特征参数提取舰船科学技术(2022年10期)2022-06-17基于计算机视觉的图像识别技术研究国际商业技术(2022年4期)2022-04-21人工智能背景下图像识别技术浅析数码世界(2019年6期)2019-09-09一个具梯度项的p-Laplace 方程弱解的存在性华东师范大学学报（自然科学版）(2019年3期)2019-06-24内容、形式与表达——有梯度的语言教学策略研究福建基础教育研究(2019年3期)2019-05-28航磁梯度数据实测与计算对比研究西部资源(2018年1期)2018-11-01说话人识别特征参数MFCC的提取与分析电子技术与软件工程(2016年22期)2016-12-26图像识别交互系统中国信息技术教育(2016年21期)2016-12-05
