基于SOM神经网络的变电站设备红外热像诊断研究

王佳林, 崔昊杨, 许永鹏, 孙运涛, 张同乔, 盛戈皞

(1.上海电力学院 电子与信息工程学院, 上海　200090; 2.国网山东省电力公司 济南供电公司,

山东 济南　250000; 3.上海交通大学 电气工程系, 上海　200240)



基于SOM神经网络的变电站设备红外热像诊断研究

王佳林1, 崔昊杨1, 许永鹏1, 孙运涛2, 张同乔2, 盛戈皞3

(1.上海电力学院 电子与信息工程学院, 上海200090; 2.国网山东省电力公司 济南供电公司,

山东 济南250000; 3.上海交通大学 电气工程系, 上海200240)

摘要:提出了基于自组织神经网络(SOM)判别变电站设备热故障类型的红外图像诊断方法.采用了最大类间差法(OTSU)对电力设备红外热像进行了分割处理,从中提取出包括设备红外热像的温度特征值、Zernike不变矩等12个参数,以此作为设备状态识别的信息输入量,将设备的状态分类信息作为输出向量.通过训练56组红外热像数据,确定了SOM神经网络识别模型中的参数值.试验结果表明:该方法可用于变电站设备状态诊断,相对于传统的神经网络方法的诊断结果,该方法对设备运行状态评估的准确率高达85.7%,如将诊断模型产生的可疑状态列入故障状态,则故障的诊断率可达到95%以上.

关键词：红外热像; SOM神经网络; 故障诊断; OTSU法

随着电力系统等级的提高和规模的扩大,以及大型变电站数量的增加,国家对变电站电气设备的可靠性要求日益提高.电气设备的故障检测及供电区域的健全对供电质量极为重要,因此对电力设备进行在线监测,及时发现设备的运行故障并采取相应措施是消除事故隐患的重要环节[1].传统的检测方法主要分为事后检测和预防性检测两个阶段,传统的检测方法为电力设备的安全运行提供了有力的保证,但随着设备规模的扩大,设备故障复杂性的提高,传统的检测方法也存在着事后检修时间紧,任务重,导致部分设备周期性停运等不足.目前已研究出了许多较为成熟的技术,如油色谱技术、绝缘故障诊断技术、机械故障诊断技术等[2].而在电力系统中,许多电气设备故障都是通过设备相关部位的温度或者热状态变化表现出来的,因此对设备进行热故障检测,可以了解设备是否正常工作,是否存在隐患等状态.而热故障诊断技术是故障检测的一种较为有效的手段,特别是将红外检测技术与神经网络技术相结合,极大地提高了电力系统的故障检测效率[3].

在采用红外热像诊断设备状态的方法中,已经发展了数字图像处理技术与人工神经网络相结合的变电站电气设备故障的诊断技术.该技术的原理是将特定故障对应的红外热图像信息作为样本,通过图像分割处理提取特征值作为神经网络的输入量,训练神经网络,调整内部大量节点之间的连接关系,通过验证神经网络的输入量,就可以完成故障诊断.故障诊断中神经网络所采用的模型大都为反向传播算法(Back Propagution,BP)模型,这主要是由于BP模型算法简单,可操作性强.但在实际的故障诊断中,BP神经网络需要大量的样本对其进行训练,训练周期长,预测精度也受到隐含层神经元数据的限制,且不能保证收敛,从而导致故障诊断结果的可靠性低.而基于自组织神经网络(Self Organization Map,SOM)算法,能够通过对输入向量的聚类,有效解决BP 算法在故障诊断中的不足.

本文利用最大类间方差法(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,通过图像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,并通过SOM神经网络进行智能诊断,输出设备的状态信息,用于变电站设备的故障诊断.

1红外热像分割处理与特征提取

1.1OTSU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往往受制于图像分割的质量.阈值化法是一种极为重要而且被广泛使用的图像分割方法.目前主要的阈值分割法有最大类间方差法、最小误差法和最大熵法.而应用较为广泛的是最大类间方差法,又称作OTSU法[3].其基本思想是:首先要提取设备的红外热像灰度图,设灰度图像的灰度级范围为[0,L-1],灰度为i,热像的像素数量为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;然后使用阈值t将图像灰度级划分为两类,目标区域C0和背景区域C1.C0=(0,1,2,3,…,t),C1=(t+1,t+2,t+3,…,L-1),则两类出现的概率分别为:

(1)

两类的灰度均值分别为:

(2)

整幅图像的灰度均值μt为:

(3)

类间方差定义为:

(4)

则最佳阈值的表达式为:

(5)

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的差分就越大.依据这一思路,当方差为最大值时,目标和背景的差异最大,达到最小误判概率,可以被视为最佳阈值分割.图 1为某变压器套管的红外热像图及对应分割图.

1.2提取红外热像特征信息

神经网络中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、正交矩,但Hu矩包含较多冗余信息,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[4]对噪声的灵敏度好,在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:

(6)

式中Vpq(r,θ)*是Vpq(r,θ)的共轭.

对于离散图像:

(7)

针对图像的尺度变化,可直接对图像进行尺度归一化,得到的Zernike 矩为:

(8)

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图中区域温度最大值tmax,平均温度值tmean,背景温度值tB,温度分布方差tvar)和8个 Zernike 矩特征参数.

2SOM 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[5-8].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 2所示.

神经网络模型的学习过程如下.

步骤1初始化SOM.输入层数量为n,竞争层的神经元数量为m,确定网络的拓扑结构.所有的权重Wj初始化为[0,1]区间的随机数.设置SOM网络的迭代次数和样本大小分别是T和K.

步骤2提出输入模式.将输入向量带入SOM神经网络.其中,第k次的输入向量为Xk=[xk1,xk2,xk3,……,xkn].Xk的值将被随机选取或从训练集中循环选取.

步骤3计算所有神经元的距离.在这项研究中,输入向量为Xk=[xk1,xk2,xk3,…,xkn],各神经元的权重向量为Wj=[Wj1,Wj2,Wj3,…,Wjn],使用标准的欧氏距离计算:

(9)

步骤4确定获胜神经元.SOM的输出通常是权重向量与输入向量Xk最近的神经元.假设获胜神经元是C,获胜神经元和输入神经元之间的权重向量是Wc,即:

(10)

步骤5更新权重和相邻节点 .一旦获胜神经元被定位,SOM通过更新获胜神经元的权值向量得到不断学习.根据输入向量,权重向量应该通过式(11)进行更新和强化.

(11)

(12)

式中:Wj(t+1)——更新操作后的权值向量;

Wj(t)——更新操作前的权值向量;

η(t)——学习率;

hjc(t)——邻域函数,用高斯邻域函数表示;rc,rj——获胜神经元和其他竞争的神经元在二维平面阵列的点；

σ——邻域半径.

步骤6选择新的输入向量,循环进行步骤3至步骤5,直到输出层获胜神经元对应的输入样本稳定.

步骤7更新学习率和邻域函数

(13)

一般情况下,学习率需要降低到保证算法的收敛性.

(14)

(15)

式中:σ0——σ(t)的初始值;

t——时间常数,可由τ=1 000/log(σ0)获得.

随着不断学习,邻域半径最终减小到零.这就意味着获胜神经元对附近的神经元的影响将不断降低,以加强对确定类别的响应.

步骤8设置t=t+1,重复步骤2进行T次迭代.

从学习过程中可以发现,权值向量在向输入模型靠近.权重向量集是对所有样本的描述,一个单一的权值向量可以作为全部样本的聚类中心,通过设置相应的神经元作为获胜神经元样本,然后SOM神经网络实现聚类和分类功能.

一旦聚类形成,新的数据类别将被输入到SOM,判断其所属的聚类(使用相同的相似准则来训练SOM).假设A=[a1,a2,…,an],是一个新的输入量,然后找到最近的竞争神经元,作为获胜神经元.获胜神经元的激活值是1,其他值为0.获胜的神经元代表A的分类结果.

3实例分析

将采集得到的红外热像特征参数作为SOM神经网络的输入样本,并获得可视化的聚类效果图.每组共有12个数据,包含4个温度特征参数和8个 Zernike 矩特征参数,在不同的环境温度和不同的运行状态下,以变压器套管为例,现场采集56组红外热像数据.为获得良好的视觉效果,通常SOM网络的输入层节点数要稍大于输入样本的数量,故定义SOM网络输出节点数为7×7.输出层的拓扑结构为层状的六边形网格,部分输入参数如表1所示.

本文的诊断结果分为故障和正常两种情况,输出分别由1,2代表,得到的SOM神经网络映射图如图 3所示.其中输出结果映射到浅灰区域的表示设备运行正常,映射到深灰区域的表示设备运行有故障,还有浅灰和深灰重叠的黑色部分,既可能是正常状态又可能是故障的状态,这是由SOM神经网络诊断误差引起的,此类输入将列入可疑状态,与故障状态一起需要进一步跟踪处理.另外,还有白色区域为没有输入数据映射到此区域,本文暂忽略不计.

根据采集的红外热像图数据,进行SOM神经网络诊断的准确率达到85.7%;若将可疑状态列入故障状态,则故障的诊断率可达95%以上.而经过BP神经网络的诊断,诊断率为57.14%,其准确率远低于SOM神经网络的诊断结果.BP网络诊断的输出如图 4所示.

因此,对于BP网络来说,自组织神经网络通过对输入向量的聚类,能有效解决BP算法在故障诊断中的不足,提高诊断率.

4结语

本文在变电站中采集红外热图像,经过OTSU分割,提取温度特征和Zernike矩参数.经SOM神经网络对电气设备进行故障诊断分析,提出的方法能够对电气设备故障进行有效诊断,有

利于智能化电站的进一步发展.以变压器套管为例进行实验,可以推广到其他电气设备,具有很好的可扩展性.但是由于本文提取的特征参数有限,而且仅是户外变电站设备,因此在以后的研究中,可以考虑加入设备的负荷状态、湿度、设备使用年限等参数,并进一步研究SOM神经网络诊断模型的优化,以提高诊断的准确率和运算效率.

参考文献：

[1]李巍. 变电站主要电气设备检测方法的研究[D].北京:华北电力大学,2012.

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

[3]姚建刚,关石磊,陆佳政,等.相对温度分布特征与人工神经网络相结合的零值绝缘子识别方法[J]．电网技术,2012,36(2): 170-175．

[4]许向阳,宋恩民,金良海. OTSU 准则的阈值性质分析[J].电子学报,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.

(编辑胡小萍)

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

中图分类号：TM41;TP391.41

文献标志码：A

文章编号：1006-4729(2016)01-0078-05

通讯作者简介：崔昊杨(1976-),男,博士后,教授,上海人.主要研究方向为电气设备红外诊断,红外探测材料与器件.E-mail:cuihy@shiep.edu.cn.

收稿日期：2015-05-24