吳曦+姚楠+許建剛

摘 要： 為了保證電力系統(tǒng)的正常運行，提高電站變壓器裂紋圖像的識別精度，提出基于改進神經(jīng)網(wǎng)絡(luò)算法的變電站變壓器裂紋圖像識別模型。首先收集變電站變壓器裂紋圖像，并進行去噪處理，然后提取變電站變壓器裂紋圖像的特征，并對特征進行無量綱化處理，最后采用神經(jīng)網(wǎng)絡(luò)建立變電站變壓器裂紋圖像識別模型，并對神經(jīng)網(wǎng)絡(luò)的不足進行相應(yīng)改進，在Matlab 2014R平臺上進行變電站變壓器裂紋圖像識別的仿真測試，結(jié)果表明，改進神經(jīng)網(wǎng)絡(luò)不僅能夠獲得較好的變電站變壓器裂紋圖像識別結(jié)果，而且識別速度也能夠滿足變電站變壓器裂紋圖像檢測的要求。

關(guān)鍵詞： 變電站變壓器； 裂紋圖像； 特征提?。?神經(jīng)網(wǎng)絡(luò)

中圖分類號： TN911.73?34； TP181 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）13?0066?04

Abstract： In order to guarantee the normal operation of the electric power system， and improve the identification precision of the substation transformer crack image， a substation transformer crack image recognition model based on the improved neural network algorithm is proposed. The substation transformer crack image is collected and denoised. And then the features of the substation transformer crack image are extracted， and proceeded with dimensionless processing. The neural network is used to establish the recognition model of the substation transformer crack image， and its deficiency is improved correspondingly. The simulation test of the substation transformer simulation crack image recognition was carried out in Matlab 2104R. The results show that the improved neural network can obtain better result of the substation transformer crack image recognition， and the recognition speed can meet the requirements of the substation transformer crack image detection.

Keywords： substation transformer； crack image； feature extraction； neural network

0 引 言

隨著經(jīng)濟的不斷發(fā)展，人們的生活水平日益提高，各種家用電器以及辦公室的電器使用更加頻繁，電力系統(tǒng)的穩(wěn)定工作面臨巨大的挑戰(zhàn)[1]。變壓器是一種重要的電氣設(shè)備，變電站變壓器裂紋嚴(yán)重影響電力系統(tǒng)的正常運行，因此如何對變電站變壓器裂紋圖像進行準(zhǔn)確識別具有重要的意義[2]。

國內(nèi)外學(xué)者對變電站變壓器裂紋圖像技術(shù)進行了深入、廣泛的研究，提出了一些可行的變電站變壓器裂紋圖像識別模型[3]，目前變電站變壓器裂紋圖像識別模型主要基于圖像進行識別，通過對變壓器裂紋圖像進行分類，對變壓器裂紋圖像的類別進行正確劃分。在實際應(yīng)用中，變壓器裂紋圖像采集受到天氣、環(huán)境以及采集設(shè)備的干擾，圖像中難免會包含一定的噪聲，這些噪聲對變壓器裂紋圖像準(zhǔn)確識別產(chǎn)生了不利影響，因此需去除變壓器裂紋圖像中的噪聲[4?5]。變壓器裂紋圖像識別主要基于特征進行建模分析，因此特征對變壓器裂紋圖像識別結(jié)果影響十分重要，當(dāng)前變壓器裂紋圖像識別特征很多，其中不變矩陣特征具有惟一性、魯棒性和可分性，在目標(biāo)識別、字符識別等領(lǐng)域得到了廣泛的應(yīng)用[6]。變壓器裂紋圖像類別與特征之間的聯(lián)系十分復(fù)雜，傳統(tǒng)方法采用歐式距離估計樣本之間的特征聯(lián)系，建立的變壓器裂紋圖像識別模型的誤識率比較高[7?8]。神經(jīng)網(wǎng)絡(luò)具有很好的非線性擬合性能，可以較好地描述變壓器裂紋圖像類型與特征之間的變化關(guān)系，廣泛應(yīng)用于變電站變壓器裂紋圖像的識別中。然而神經(jīng)網(wǎng)絡(luò)自身也存在一定的不足，如參數(shù)的確定全憑經(jīng)驗進行，導(dǎo)致變壓器裂紋圖像識別結(jié)果具有一定的盲目性和主觀性，識別結(jié)果不理想[9?10]。

為了保證電力系統(tǒng)的正常運行，提高變電站變壓器裂紋圖像的識別精度，提出基于改進BP神經(jīng)網(wǎng)絡(luò)[11]算法的變電站變壓器裂紋圖像識別。首先收集變電站變壓器裂紋圖像，并進行去噪處理，然后提取變電站變壓器裂紋圖像的特征，最后采用改進神經(jīng)網(wǎng)絡(luò)建立變電站變壓器裂紋圖像識別模型，在Matlab 2014R平臺上仿真測試結(jié)果表明，改進神經(jīng)網(wǎng)絡(luò)提高了變電站變壓器裂紋圖像的識別精度，加快了變電站變壓器裂紋圖像的檢測速度。

1 小波變換和神經(jīng)網(wǎng)絡(luò)

1.1 小波變換

小波變換可以對信號進行小波分解，小波系數(shù)描述不同分辨率上的信息，而且自適應(yīng)能力強，其基本思想為：

式中：和分別表示高分辨率空間和低分辨率空間。

當(dāng)時，小波變換的空間分解見圖1。

和是尺度空間和小波空間的正交基函數(shù)，分別定義如下：

1.2 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)屬于非線性理論中的機器學(xué)習(xí)算法，它們可以通過一個結(jié)構(gòu)網(wǎng)絡(luò)對非線性問題進行無限逼近，在圖像處理、人臉識別等領(lǐng)域得到成功應(yīng)用，其中BP神經(jīng)網(wǎng)絡(luò)的性能要優(yōu)于其他神經(jīng)網(wǎng)絡(luò)，通用性更強，BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2所示，包括輸入層、輸出層和隱含層。

在圖2中，為BP神經(jīng)網(wǎng)絡(luò)的輸入向量，為BP神經(jīng)網(wǎng)絡(luò)的輸出向量，其中隱含層神經(jīng)元的節(jié)點數(shù)量通過輸入和輸出的數(shù)和決定，一般情況下，采用Sigmoid函數(shù)構(gòu)建隱含層的轉(zhuǎn)移函數(shù)，具體如下：

BP神經(jīng)網(wǎng)絡(luò)具有反饋功能，選擇輸出層期望輸出與預(yù)測輸出的誤差平方和作為反饋誤差，具體為：

1.3 BP神經(jīng)網(wǎng)絡(luò)的改進

在BP神經(jīng)網(wǎng)絡(luò)的工作過程中，BP神經(jīng)網(wǎng)絡(luò)的權(quán)值直接影響其性能，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)采用經(jīng)驗確定權(quán)值，對于不同問題，神經(jīng)網(wǎng)絡(luò)的性能差別很大，為此，本文對標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)進行相應(yīng)的改進，采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進行在線優(yōu)化，以提高變電站變壓器裂紋圖像識別的效果，遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值具體設(shè)計過程為：

Step1：個體編碼。采用十進制對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進行編碼，那么編碼長度為：

式中：表示輸入層與隱含層的權(quán)重；表示隱含層與輸出層之間的權(quán)重。

Step2：適應(yīng)度函數(shù)的構(gòu)建。對個體進行解碼，得到BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和隱含層的輸出和輸出層的輸出它們分別為：

式中是訓(xùn)練輸出數(shù)據(jù)。

Step3：通過選擇、交叉和變異等遺傳操作，不斷產(chǎn)生新的種群，將個體解碼為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，然后根據(jù)權(quán)值對訓(xùn)練樣本進行學(xué)習(xí)，得到反饋誤差，根據(jù)反饋誤差進行反饋操作，最后得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的權(quán)值。

2 變電站變壓器裂紋圖像識別模型

2.1 變電站變壓器裂紋圖像的特征提取

設(shè)變電站變壓器裂紋圖像為其原點矩和中心矩分別為：

2.2 變電站變壓器裂紋圖像識別模型的工作步驟

（1） 收集變電站變壓器裂紋圖像。

（2） 采用小波變換對變電站變壓器裂紋圖像進行去噪處理，消除噪聲的干擾。

（3） 提取變電站變壓器裂紋圖像的不變矩特征，并進行如下處理：

（4） 采用BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本進行學(xué)習(xí)，并采用遺傳算法優(yōu)化權(quán)值，建立變電站變壓器裂紋圖像識別分類器。

（5） 采用測試樣本對變電站變壓器裂紋圖像識別結(jié)果進行分析。

3 仿真實驗

3.1 實驗環(huán)境

為了測試改進BP神經(jīng)網(wǎng)絡(luò)的變電站變壓器裂紋圖像識別性能，在Matlab 2014R仿真平臺上進行了仿真實驗，選擇不同類型的變電站變壓器裂紋圖像作為實驗對象，它們共有4種類型，編號分別為1，2，3，4。

3.2 結(jié)果與分析

選擇傳統(tǒng)神經(jīng)網(wǎng)絡(luò)作為對比實驗，變電站變壓器裂紋圖像識別結(jié)果如圖3和圖4所示，平均識別正確率和訓(xùn)練時間如表1所示。

對識別結(jié)果進行分析可以得到如下結(jié)論：

（1） 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的變電站變壓器裂紋圖像識別正確率低，這主要是由于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值隨機確定，無法描述變電站變壓器裂紋圖像的類別，因此識別效果差。

（2） 改進神經(jīng)網(wǎng)絡(luò)的變電站變壓器裂紋圖像識別結(jié)果相對更優(yōu)，這主是由于小波變換消除了變電站變壓器裂紋圖像中的噪聲，并通過遺傳算法確定BP神經(jīng)網(wǎng)絡(luò)權(quán)值，提高了變電站變壓器裂紋圖像識別的正確率，而且變電站變壓器裂紋圖像訓(xùn)練時間更快，加快了變電站變壓器裂紋圖像的識別速度。

4 結(jié) 論

變電站變壓器裂紋圖像具有重要的應(yīng)用價值，為了解決當(dāng)前變電站變壓器裂紋圖像識別中存在的局限性，提出改進神經(jīng)網(wǎng)絡(luò)的變電站變壓器裂紋圖像的識別模型，并通過具體應(yīng)用實驗對其有效性進行測試，具體結(jié)論如下：

（1） 針對變電站變壓器裂紋圖像的噪聲，采用小波分析對變電站變壓器裂紋圖像進行變換和處理，消除外界環(huán)境以及其他因素帶來的噪聲干擾，便于后續(xù)變電站變壓器裂紋圖像特征提取和分類器建立，有助于改善變電站變壓器裂紋圖像的識別效果。

（2） 通過提取變電站變壓器裂紋圖像的不變矩圖像，作為變電站變壓器裂紋圖像分類器的輸入，建立了變電站變壓器裂紋圖像識別的依據(jù)，準(zhǔn)確反映了變電站變壓器裂紋圖像類型。

（3） 采用改進神經(jīng)網(wǎng)絡(luò)對變電站變壓器裂紋圖像進行分類與識別，可以反映變電站變壓器裂紋圖像類型與圖像特征之間的映射關(guān)系，通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)建立變電站變壓器裂紋圖像的識別模型，提高變電站變壓器裂紋圖像的識別精度。

（4） 通過引入遺傳算法對神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化，解決了神經(jīng)網(wǎng)絡(luò)參數(shù)確定的難題，建立了結(jié)構(gòu)更優(yōu)的神經(jīng)網(wǎng)絡(luò)，降低了變電站變壓器裂紋圖像識別的錯誤率。

（5） 與其他識別模型相比，改進神經(jīng)網(wǎng)絡(luò)提高了變電站變壓器裂紋圖像識別的正確率，而且識別速度也有顯著的優(yōu)勢，對比結(jié)果驗證了改進神經(jīng)網(wǎng)絡(luò)應(yīng)用于變電站變壓器裂紋圖像識別的優(yōu)越性。

參考文獻

[1] 郭創(chuàng)新，朱傳柏，曹一家.電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢[J].電力系統(tǒng)自動化，2006，30（8）：98?103.

[2] 蘇鵬聲，王歡.電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)分析[J].電力系統(tǒng)自動化，2003，27（1）：61?65.

[3] 項新建.粗糙集理論在變壓器故障診斷專家系統(tǒng)中的應(yīng)用研究[J].科技通報，2003，19（4）：288?291.

[4] 應(yīng)鴻，李天云，張宇輝.變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)法[J].東北電力學(xué)院學(xué)報，1996，16（4）：54?58.

[5] 孫才新，郭俊峰，廖瑞金，等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究[J].中國電機工程學(xué)報，2001，21（2）：37?41.

[6] 張冠軍，嚴(yán)璋，張仕君.電力變壓器故障診斷中斷新方法的應(yīng)用[J].高壓電器，1998（4）：32?35.

[7] 顏湘蓮，文遠(yuǎn)芳.模糊神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用研究[J].變壓器，2002（7）：41?43.

[8] 謝可夫，羅安.遺傳算法在變壓器故障診斷中的應(yīng)用[J].電力自動化設(shè)備，2005（4）：55?58.

[9] 何成才.電力機車牽引變壓器油箱體裂紋故障的分析及處理[J].鄭州鐵路職業(yè)技術(shù)學(xué)院學(xué)報，2009，21（1）：13?14.

[10] 侯汝鋒，王文洪，莫潤陽，等.絕緣子表面裂紋激光超聲檢測[J].激光技術(shù)，2014（1）：35?38.

[11] 李瑛，胡志剛.一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型[J].計算技術(shù)與自動化，2007，26（2）：77?80.