王佳林, 崔昊楊, 許永鵬, 孫運濤, 張同喬, 盛戈皞

(1.上海電力學(xué)院 電子與信息工程學(xué)院, 上?！?00090; 2.國網(wǎng)山東省電力公司 濟南供電公司,

山東 濟南　250000; 3.上海交通大學(xué) 電氣工程系, 上?！?00240)

?

基于SOM神經(jīng)網(wǎng)絡(luò)的變電站設(shè)備紅外熱像診斷研究

王佳林1, 崔昊楊1, 許永鵬1, 孫運濤2, 張同喬2, 盛戈皞3

(1.上海電力學(xué)院 電子與信息工程學(xué)院, 上海200090; 2.國網(wǎng)山東省電力公司 濟南供電公司,

山東 濟南250000; 3.上海交通大學(xué) 電氣工程系, 上海200240)

摘要:提出了基于自組織神經(jīng)網(wǎng)絡(luò)(SOM)判別變電站設(shè)備熱故障類型的紅外圖像診斷方法.采用了最大類間差法(OTSU)對電力設(shè)備紅外熱像進行了分割處理,從中提取出包括設(shè)備紅外熱像的溫度特征值、Zernike不變矩等12個參數(shù),以此作為設(shè)備狀態(tài)識別的信息輸入量,將設(shè)備的狀態(tài)分類信息作為輸出向量.通過訓(xùn)練56組紅外熱像數(shù)據(jù),確定了SOM神經(jīng)網(wǎng)絡(luò)識別模型中的參數(shù)值.試驗結(jié)果表明:該方法可用于變電站設(shè)備狀態(tài)診斷,相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法的診斷結(jié)果,該方法對設(shè)備運行狀態(tài)評估的準(zhǔn)確率高達85.7%,如將診斷模型產(chǎn)生的可疑狀態(tài)列入故障狀態(tài),則故障的診斷率可達到95%以上.

關(guān)鍵詞：紅外熱像; SOM神經(jīng)網(wǎng)絡(luò); 故障診斷; OTSU法

隨著電力系統(tǒng)等級的提高和規(guī)模的擴大,以及大型變電站數(shù)量的增加,國家對變電站電氣設(shè)備的可靠性要求日益提高.電氣設(shè)備的故障檢測及供電區(qū)域的健全對供電質(zhì)量極為重要,因此對電力設(shè)備進行在線監(jiān)測,及時發(fā)現(xiàn)設(shè)備的運行故障并采取相應(yīng)措施是消除事故隱患的重要環(huán)節(jié)[1].傳統(tǒng)的檢測方法主要分為事后檢測和預(yù)防性檢測兩個階段,傳統(tǒng)的檢測方法為電力設(shè)備的安全運行提供了有力的保證,但隨著設(shè)備規(guī)模的擴大,設(shè)備故障復(fù)雜性的提高,傳統(tǒng)的檢測方法也存在著事后檢修時間緊,任務(wù)重,導(dǎo)致部分設(shè)備周期性停運等不足.目前已研究出了許多較為成熟的技術(shù),如油色譜技術(shù)、絕緣故障診斷技術(shù)、機械故障診斷技術(shù)等[2].而在電力系統(tǒng)中,許多電氣設(shè)備故障都是通過設(shè)備相關(guān)部位的溫度或者熱狀態(tài)變化表現(xiàn)出來的,因此對設(shè)備進行熱故障檢測,可以了解設(shè)備是否正常工作,是否存在隱患等狀態(tài).而熱故障診斷技術(shù)是故障檢測的一種較為有效的手段,特別是將紅外檢測技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合,極大地提高了電力系統(tǒng)的故障檢測效率[3].

在采用紅外熱像診斷設(shè)備狀態(tài)的方法中,已經(jīng)發(fā)展了數(shù)字圖像處理技術(shù)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的變電站電氣設(shè)備故障的診斷技術(shù).該技術(shù)的原理是將特定故障對應(yīng)的紅外熱圖像信息作為樣本,通過圖像分割處理提取特征值作為神經(jīng)網(wǎng)絡(luò)的輸入量,訓(xùn)練神經(jīng)網(wǎng)絡(luò),調(diào)整內(nèi)部大量節(jié)點之間的連接關(guān)系,通過驗證神經(jīng)網(wǎng)絡(luò)的輸入量,就可以完成故障診斷.故障診斷中神經(jīng)網(wǎng)絡(luò)所采用的模型大都為反向傳播算法(Back Propagution,BP)模型,這主要是由于BP模型算法簡單,可操作性強.但在實際的故障診斷中,BP神經(jīng)網(wǎng)絡(luò)需要大量的樣本對其進行訓(xùn)練,訓(xùn)練周期長,預(yù)測精度也受到隱含層神經(jīng)元數(shù)據(jù)的限制,且不能保證收斂,從而導(dǎo)致故障診斷結(jié)果的可靠性低.而基于自組織神經(jīng)網(wǎng)絡(luò)(Self Organization Map,SOM)算法,能夠通過對輸入向量的聚類,有效解決BP 算法在故障診斷中的不足.

本文利用最大類間方差法(OTSU)分割紅外圖像和SOM神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方法來實現(xiàn)變電站運行狀態(tài)的診斷.利用紅外熱像儀采集相應(yīng)的變電站設(shè)備紅外圖像,通過圖像OTSU分割等預(yù)處理后,提取設(shè)備的相對溫度分布特征、Hu不變矩、Zernike不變矩等參數(shù)作為識別設(shè)備狀態(tài)的信息特征量,并通過SOM神經(jīng)網(wǎng)絡(luò)進行智能診斷,輸出設(shè)備的狀態(tài)信息,用于變電站設(shè)備的故障診斷.

1紅外熱像分割處理與特征提取

1.1OTSU法分割紅外熱像

圖像分割是紅外圖像的預(yù)處理到分析的關(guān)鍵步驟,設(shè)備狀態(tài)評估的效果往往受制于圖像分割的質(zhì)量.閾值化法是一種極為重要而且被廣泛使用的圖像分割方法.目前主要的閾值分割法有最大類間方差法、最小誤差法和最大熵法.而應(yīng)用較為廣泛的是最大類間方差法,又稱作OTSU法[3].其基本思想是:首先要提取設(shè)備的紅外熱像灰度圖,設(shè)灰度圖像的灰度級范圍為[0,L-1],灰度為i,熱像的像素數(shù)量為N,ni表示灰度級為i的像素個數(shù),灰度為i的像素出現(xiàn)的概率為pi=ni/N;然后使用閾值t將圖像灰度級劃分為兩類,目標(biāo)區(qū)域C0和背景區(qū)域C1.C0=(0,1,2,3,…,t),C1=(t+1,t+2,t+3,…,L-1),則兩類出現(xiàn)的概率分別為:

(1)

兩類的灰度均值分別為:

(2)

整幅圖像的灰度均值μt為:

(3)

類間方差定義為:

(4)

則最佳閾值的表達式為:

(5)

灰度分布的均一性度量是方差,方差越大,構(gòu)成圖像的兩個部分的差分就越大.依據(jù)這一思路,當(dāng)方差為最大值時,目標(biāo)和背景的差異最大,達到最小誤判概率,可以被視為最佳閾值分割.圖 1為某變壓器套管的紅外熱像圖及對應(yīng)分割圖.

1.2提取紅外熱像特征信息

神經(jīng)網(wǎng)絡(luò)中模式識別分類器的關(guān)鍵是提取有效的特征信息.常見的紅外圖像特征有Hu矩、正交矩,但Hu矩包含較多冗余信息,計算量隨矩階數(shù)的增加而迅速增長.而正交矩沒有信息冗余,抗噪聲能力強,更適合圖像目標(biāo)的描述.在正交矩的分析方法中,Zernike矩[4]對噪聲的靈敏度好,在冗余信息和對圖形的描述能力等方面都具有較好的性能.

p階q重的 Zernike 矩可定義為:

(6)

式中Vpq(r,θ)*是Vpq(r,θ)的共軛.

對于離散圖像:

(7)

針對圖像的尺度變化,可直接對圖像進行尺度歸一化,得到的Zernike 矩為:

(8)

在實際應(yīng)用中,Zernike 矩的模Apq為形狀特征.

因此,本文共提取12個特征參數(shù)值作為SOM神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),包含4個溫度特征參數(shù)(包括變電站設(shè)備紅外熱像圖中區(qū)域溫度最大值tmax,平均溫度值tmean,背景溫度值tB,溫度分布方差tvar)和8個 Zernike 矩特征參數(shù).

2SOM 故障診斷模型

20世紀(jì)80年代,芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家Kohonen教授提出的一種無監(jiān)督神經(jīng)網(wǎng)絡(luò),即SOM 神經(jīng)網(wǎng)絡(luò)[5-8].SOM 網(wǎng)絡(luò)可以完成從輸入空間(n維) 到輸出平面(2維) 的降維映射,且映射具有拓撲特征保持性質(zhì).SOM神經(jīng)網(wǎng)絡(luò)模型如圖 2所示.

神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)過程如下.

步驟1初始化SOM.輸入層數(shù)量為n,競爭層的神經(jīng)元數(shù)量為m,確定網(wǎng)絡(luò)的拓撲結(jié)構(gòu).所有的權(quán)重Wj初始化為[0,1]區(qū)間的隨機數(shù).設(shè)置SOM網(wǎng)絡(luò)的迭代次數(shù)和樣本大小分別是T和K.

步驟2提出輸入模式.將輸入向量帶入SOM神經(jīng)網(wǎng)絡(luò).其中,第k次的輸入向量為Xk=[xk1,xk2,xk3,……,xkn].Xk的值將被隨機選取或從訓(xùn)練集中循環(huán)選取.

步驟3計算所有神經(jīng)元的距離.在這項研究中,輸入向量為Xk=[xk1,xk2,xk3,…,xkn],各神經(jīng)元的權(quán)重向量為Wj=[Wj1,Wj2,Wj3,…,Wjn],使用標(biāo)準(zhǔn)的歐氏距離計算:

(9)

步驟4確定獲勝神經(jīng)元.SOM的輸出通常是權(quán)重向量與輸入向量Xk最近的神經(jīng)元.假設(shè)獲勝神經(jīng)元是C,獲勝神經(jīng)元和輸入神經(jīng)元之間的權(quán)重向量是Wc,即:

(10)

步驟5更新權(quán)重和相鄰節(jié)點 .一旦獲勝神經(jīng)元被定位,SOM通過更新獲勝神經(jīng)元的權(quán)值向量得到不斷學(xué)習(xí).根據(jù)輸入向量,權(quán)重向量應(yīng)該通過式(11)進行更新和強化.

(11)

(12)

式中:Wj(t+1)——更新操作后的權(quán)值向量;

Wj(t)——更新操作前的權(quán)值向量;

η(t)——學(xué)習(xí)率;

hjc(t)——鄰域函數(shù),用高斯鄰域函數(shù)表示;rc,rj——獲勝神經(jīng)元和其他競爭的神經(jīng)元在二維平面陣列的點；

σ——鄰域半徑.

步驟6選擇新的輸入向量,循環(huán)進行步驟3至步驟5,直到輸出層獲勝神經(jīng)元對應(yīng)的輸入樣本穩(wěn)定.

步驟7更新學(xué)習(xí)率和鄰域函數(shù)

(13)

一般情況下,學(xué)習(xí)率需要降低到保證算法的收斂性.

(14)

(15)

式中:σ0——σ(t)的初始值;

t——時間常數(shù),可由τ=1 000/log(σ0)獲得.

隨著不斷學(xué)習(xí),鄰域半徑最終減小到零.這就意味著獲勝神經(jīng)元對附近的神經(jīng)元的影響將不斷降低,以加強對確定類別的響應(yīng).

步驟8設(shè)置t=t+1,重復(fù)步驟2進行T次迭代.

從學(xué)習(xí)過程中可以發(fā)現(xiàn),權(quán)值向量在向輸入模型靠近.權(quán)重向量集是對所有樣本的描述,一個單一的權(quán)值向量可以作為全部樣本的聚類中心,通過設(shè)置相應(yīng)的神經(jīng)元作為獲勝神經(jīng)元樣本,然后SOM神經(jīng)網(wǎng)絡(luò)實現(xiàn)聚類和分類功能.

一旦聚類形成,新的數(shù)據(jù)類別將被輸入到SOM,判斷其所屬的聚類(使用相同的相似準(zhǔn)則來訓(xùn)練SOM).假設(shè)A=[a1,a2,…,an],是一個新的輸入量,然后找到最近的競爭神經(jīng)元,作為獲勝神經(jīng)元.獲勝神經(jīng)元的激活值是1,其他值為0.獲勝的神經(jīng)元代表A的分類結(jié)果.

3實例分析

將采集得到的紅外熱像特征參數(shù)作為SOM神經(jīng)網(wǎng)絡(luò)的輸入樣本,并獲得可視化的聚類效果圖.每組共有12個數(shù)據(jù),包含4個溫度特征參數(shù)和8個 Zernike 矩特征參數(shù),在不同的環(huán)境溫度和不同的運行狀態(tài)下,以變壓器套管為例,現(xiàn)場采集56組紅外熱像數(shù)據(jù).為獲得良好的視覺效果,通常SOM網(wǎng)絡(luò)的輸入層節(jié)點數(shù)要稍大于輸入樣本的數(shù)量,故定義SOM網(wǎng)絡(luò)輸出節(jié)點數(shù)為7×7.輸出層的拓撲結(jié)構(gòu)為層狀的六邊形網(wǎng)格,部分輸入?yún)?shù)如表1所示.

本文的診斷結(jié)果分為故障和正常兩種情況,輸出分別由1,2代表,得到的SOM神經(jīng)網(wǎng)絡(luò)映射圖如圖 3所示.其中輸出結(jié)果映射到淺灰區(qū)域的表示設(shè)備運行正常,映射到深灰區(qū)域的表示設(shè)備運行有故障,還有淺灰和深灰重疊的黑色部分,既可能是正常狀態(tài)又可能是故障的狀態(tài),這是由SOM神經(jīng)網(wǎng)絡(luò)診斷誤差引起的,此類輸入將列入可疑狀態(tài),與故障狀態(tài)一起需要進一步跟蹤處理.另外,還有白色區(qū)域為沒有輸入數(shù)據(jù)映射到此區(qū)域,本文暫忽略不計.

根據(jù)采集的紅外熱像圖數(shù)據(jù),進行SOM神經(jīng)網(wǎng)絡(luò)診斷的準(zhǔn)確率達到85.7%;若將可疑狀態(tài)列入故障狀態(tài),則故障的診斷率可達95%以上.而經(jīng)過BP神經(jīng)網(wǎng)絡(luò)的診斷,診斷率為57.14%,其準(zhǔn)確率遠低于SOM神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果.BP網(wǎng)絡(luò)診斷的輸出如圖 4所示.

因此,對于BP網(wǎng)絡(luò)來說,自組織神經(jīng)網(wǎng)絡(luò)通過對輸入向量的聚類,能有效解決BP算法在故障診斷中的不足,提高診斷率.

4結(jié)語

本文在變電站中采集紅外熱圖像,經(jīng)過OTSU分割,提取溫度特征和Zernike矩參數(shù).經(jīng)SOM神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備進行故障診斷分析,提出的方法能夠?qū)﹄姎庠O(shè)備故障進行有效診斷,有

利于智能化電站的進一步發(fā)展.以變壓器套管為例進行實驗,可以推廣到其他電氣設(shè)備,具有很好的可擴展性.但是由于本文提取的特征參數(shù)有限,而且僅是戶外變電站設(shè)備,因此在以后的研究中,可以考慮加入設(shè)備的負荷狀態(tài)、濕度、設(shè)備使用年限等參數(shù),并進一步研究SOM神經(jīng)網(wǎng)絡(luò)診斷模型的優(yōu)化,以提高診斷的準(zhǔn)確率和運算效率.

參考文獻：

[1]李巍. 變電站主要電氣設(shè)備檢測方法的研究[D].北京:華北電力大學(xué),2012.

[2]ROGALSKI A. Recent progress in infrared detector technologies [J]. Infrared Physics & Technology,2011,54(3):136-154.

[3]姚建剛,關(guān)石磊,陸佳政,等.相對溫度分布特征與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的零值絕緣子識別方法[J]．電網(wǎng)技術(shù),2012,36(2): 170-175．

[4]許向陽,宋恩民,金良海. OTSU 準(zhǔn)則的閾值性質(zhì)分析[J].電子學(xué)報,2009,37(12): 2 716-2 719.

[5]SINGH C,WALIA E. Rotation invariant complex zernike moments features and their applications to human face and character recognition [J]. IET Computer Vision,2010,5(5): 255-266.

[6]ZOU Yunfeng,WU Weilin,LI Zhiyong. Cluster analysis of arc fault in low-voltage based on SOM neural network [J]. Chinese Journal of Scientific Instrument,2010,31(3): 571-576.

[7]SERGIO V V,MARIO O G,CAROLINA S,etal. Classification,filtering,and identification of electrical customer load patterns through the use of self-organizing maps [J]. IEEE Transactions on power Systems,2006,21(4):1 672-1 682.

[8]SHIAN Chang-huang,TUNG Kuang-wub. Integrating recurrent SOM with wavelet-based kernel partial least square regressions for financial forecasting [J]. Expert Systems with Applications,2010,37(8):5 698-5 705.

(編輯胡小萍)

Infrared Image Diagnosis Method of Transformer Substation Equipment Based on SOM Neural NetworkWANG Jialin1, CUI Haoyang1, XU Yongpeng1, SUN Yuntao2, ZHANG Tongqiao2, SHENG Gehao3

(1.School of Electronics and Information Engineering, Shanghai University of Electric Power, Shanghai200090, China;

2.Jinan Power Supply Company, Shandong Province Electric Power Company State Grid, Jinan250000, China;

3.Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai200240, China)

Abstract:A method of diagnosing substation equipment’s state based on infrared image diagnosis method of SOM neural network is proposed by using the OTSU method.The equipment’s infrared thermography is obtained through thermal infrared image,which could extract temperature characteristic value,Zernike invariant moment of infrared thermography. These values can be regarded as properties of distinguishing equipment state information. Then through treating classified information of equipment as the output vector and training 56 groups of the infrared image data,SOM neural network identification model is gained,which can be utilized on diagnosis of substation equipment. The experiment results show this method is highly accurate and its accuracy rate of diagnosis of running state is 85.7%,and if suspicious state of diagnosis model is treated as fault state,the fault rate of diagnosis can be above 95%.

Key words:infrared thermography; SOM neural network; Fault diagnosis; OTSU method

中圖分類號：TM41;TP391.41

文獻標(biāo)志碼：A

文章編號：1006-4729(2016)01-0078-05

通訊作者簡介：崔昊楊(1976-),男,博士后,教授,上海人.主要研究方向為電氣設(shè)備紅外診斷,紅外探測材料與器件.E-mail:cuihy@shiep.edu.cn.

收稿日期：2015-05-24