2025《基于SOM神经网络的变电站设备红外图像诊断方法概述》2800字.docxVIP

基于SOM神经网络的变电站设备红外图像诊断方法概述

基于改进神经网络的电力设备红外热像特征提取及诊断方法

红外检测技术提高了电力系统的故障检测水平，但目前的检测方法仍然需要人工诊断，分析效率较低。根据变电站电气设备故障问题，研究了采用数字图像处理技术在变电站自动检测电气设备故障。在应用神经网络技术进行变电站运行状态诊断时，因为智能神经网络处理能够模仿人类大脑，非精确的自适应功能，非规则结构，具有自组织学习的特点，可以优化计算和知识推理。因此，神经网络在变电站运行状态诊断中被广泛使用，以BP神经网络算法为代表，也应用最广。BP算法的主要优点是，它涉及对训练样本的学习，对故障数据和有规律的内在联系的分析，其本质是作为函数逼近器，通过学习能反应输入、输出之间复杂的非线性关系。自组织神经网络(SOM)算法能有效解决BP算法在故障诊断中的不足，如要求训练样本大、训练时间长、预测精度受隐层神经元数据的限制，并且不能保证收敛。

项目利用OTSU分割红外图像和SOM神经网络模型相结合的方法来实现变电站运行状态的诊断。利用红外热像仪采集相应的变电站设备红外图像，并过图像OTSU分割等预处理后，提取设备的相对温度分布特征、Hu不变矩、Zernike不变矩等参数作为识别设备状态的信息特征量，通过SOM神经网络智能诊断，输出设备的状态信息，并用于变电站设备诊断。

1）OTSU法分割红外热像

图像分割是红外图像的预处理到分析的关键步骤，设备状态评估的效果受制于图像分割的质量，因此，图像分割的效果很关键。基于阈值的图像分割的基本思想，是根据一些标准的过程中获得最佳阈值。其中基于阈值的分割方法中应用较为广泛的一种称为最大类间方差法又称作Otsu法。其基本思想是：设灰度图像的灰度级范围为[0，L-1]，其灰度为i，像素个数为N，ni表示灰度级为i的像素个数，灰度为i的像素出现的概率为pi=ni/N，使用阈值t将图像灰度级划分为两类，C0和C1。C0=(0，1，2…，t)和C1=(t+1，t+2，…，L-1)，则两类出现的概率分别为：

（式STYLEREF1\s21）

（式STYLEREF1\s22）

两类的灰度均值分别为：

（式STYLEREF1\s23）

（式STYLEREF1\s24）

（式STYLEREF1\s25）

类间方差定义为：

（式STYLEREF1\s26）

则最佳阈值的表达式为：

（式STYLEREF1\s27）

灰度分布的均一性度量是方差，方差越大，构成图像的两个部分差分是更大的，当方差为最大值，前景和背景的差异最大，达到最小误判概率，可以被视为最佳阈值分割。下图为某变压器套管的红外热像图及对应分割图。

图STYLEREF1\s2-1变压器套管的红外热像图及OTSU分割图

2）提取红外热像特征信息

设计模式识别分类器的关键是提取有效的特征信息，常见的红外图像特征有Hu矩，但其包含许多冗余信息，计算量随矩阶数的增加而迅速增长。而正交矩没有信息冗余，抗噪声能力强，更适合图像目标的描述。在正交矩的分析方法中，Zernike矩对噪声的灵敏度好，冗余信息和对图形的描述能力等方面都具有较好的性能。

p阶q重的Zernike矩可定义为：

其中是的共轭，对于离散图像：

针对图像的尺度变化，可直接对图像进行尺度归一化，得到Zernike矩为：

在实际应用中，Zernike矩的模Apq为形状特征。

因此，本文共提取12个特征参数值作为SOM神经网络的输入参数，包含4个温度特征参数，包括变电站设备红外热像中区域温度最大值tmax、平均温度值tmean、背景温度值tB、温度分布方差tvar，以及8个Zernike矩特征参数。

3）SOM故障诊断模型

20世纪80年代，芬兰赫尔辛基大学神经网络专家Kohonen教授提出的一种无监督神经网络，即SOM神经网络。SOM网络可以完成从输入空间(n维)到输出平面(2维)的降维映射，且映射具有拓扑特征保持性质，SOM神经网络模型如图所示。

出层入层…………xnxix1

出层

入层

……

……

xn

xi

x1

图STYLEREF1\s2-2SOM神经网络