[发明专利]一种基于红外热像的电气设备故障诊断方法

说明书

本发明公开了一种基于红外热像的电气设备故障诊断方法，包括：输入采集的电气设备红外热像图；对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图进行分割处理；提取分割后的红外热像的特征参数作为GA‑BP神经网络的输入参数并对GA‑BP神经网络进行训练；运用训练好的GA‑BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。本发明有益效果：引入OTSU分割，提取温度特征和Zernike矩参数，经GA‑BP神经网络对电气设备进行故障诊断，效果显著，可针对不同的电气设备热缺陷进行诊断处理，有利于变电站的智能化运行，提高检测的准确性。

技术领域

本发明涉及电气设备热缺陷检测领域，尤其涉及一种基于红外热像的电气设备故障诊断方法。

背景技术

随着坚强智能电网的迅猛发展，我国对电力系统可靠性的要求越来越高。电气设备的故障隔离对供电区域健全的供电极为重要，因此要求对电力设备进行在线监测和安全预警，及时发现故障并采取措施消除隐患。作为故障检测的一种有效手段，红外热像检测技术得到了广泛应用。红外热像检测技术相结合的监控系统大大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，无法实现诊断结果的实时准确。

根据电气设备故障问题，运用图像处理，智能诊断技术进行自动检测电气设备故障。因为BP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，因此在电气设备运行状态诊断中被广泛使用。但BP神经网络算法在训练数据时，神经网络函数的收敛性较差，对参数的寻优效果较差，而遗传算法是一种全局搜索能力强的算法，能够搜索得到全局最优解。因此将擅长全局搜索的遗传算法与BP算法结合起来，实现两者的优势互补，提高算法收敛速度，较快得到问题的全局最优解。为此，将BP神经网络算法与遗传算法结合起来(即GA-BP神经网络方法)，对电气设备的故障诊断具有一定意义。

发明内容

本发明的目的就是为了解决上述问题，提出了一种基于红外热像的电气设备故障诊断方法，该方法利用最大类间方差法(以下简称OTSU)分割红外图像和GA-BP神经网络模型相结合的方法来实现电气设备的故障诊断，首先将采集的电气设备红外热像进行图像OTSU分割等预处理，再提取电气设备的相对温度分布特征、Zernike不变矩等参数，作为识别设备状态的信息特征量，然后，进行GA-BP神经网络智能诊断，输出设备的状态信息，对电气设备的热缺陷进行智能诊断。

为了实现上述目的，本发明采用如下技术方案：

一种基于红外热像的电气设备故障诊断方法，包括以下步骤：

(1)输入采集的电气设备红外热像图；

(2)对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图进行分割处理；

(3)提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对GA-BP神经网络进行训练；

(4)运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。

所述步骤(2)的具体方法为：

1)首先将红外热像进行灰度化处理，假设灰度图像的灰度级范围为[0，L-1]，像素个数为N，n_i表示灰度级为i的像素个数；

2)灰度为i的像素出现的概率为P_i＝n_i/N，使用阈值t将图像灰度级划分为C₀和C₁两类：C₀＝(0，1，2…，t)；C₁＝(t+1，t+2，…，L-1)；

3)分别计算C₀和C₁出现的概率、灰度均值以及类间方差；