[发明专利]一种遗传小波神经网络的输电线路覆冰厚度识别方法

说明书

技术领域

本发明涉及输电线路覆冰灾害监测领域，具体涉及了一种遗传小波神经网络的输电线路覆冰厚度识别方法。

背景技术

伴随着国家的经济发展，输电线路起着越来越重要的作用。由于输电线路的工作环境大多在野外，容易受到各种环境气象因素的影响，特别是在一些高海波高寒地区，输电线路容易受到覆冰灾害的影响，导致输电线路故障，造成电力系统无法安全可靠的运行，影响人民群众的正常生产和生活，造成经济损失和社会影响。因此，通过及时掌握输电线路覆冰的状态，开展覆冰灾害预防与处理工作，对电力输送的安全稳定具有重要的现实意义与实用价值。

现有的依据图像的输电线路覆冰厚度识别方法大多采用传统的图像边缘检测算子，然而这些算子仅适用于有限类型的检测，并且对噪声敏感，自适应性较差。

本发明提出了一种遗传小波神经网络的输电线路覆冰厚度识别方法，通过输电线路覆冰图像进行识别，能有有效计算输电线路的覆冰厚度并且为输电线路覆冰灾害监测与处理提供参考，具有广泛的应用前景以及经济价值。

发明内容

本发明提出了一种遗传小波神经网络的输电线路覆冰厚度识别方法，为输电线路覆冰灾害监测与处理提供参考，从而保证电力运行的安全稳定。

为实现上述目的，本发明采用的技术方案是：

一种遗传小波神经网络的输电线路覆冰厚度识别方法，包括以下步骤：

步骤1：通过图像传感器获取输电线路覆冰图像；

步骤2：对获取的输电线路图像进行预处理；

步骤3：利用遗传小波神经网络识别输电线路图像的边缘；

步骤4：计算输电线路覆冰厚度。

所述步骤2中应包括以下具体步骤：

步骤2.1：对权利要求1中所述步骤1获取的图像灰度化处理：

(1)

式中，为转换为灰度图像后对应的像素点的灰度值，、、为原图像红色分量值、绿色分量值与蓝色分量值；

步骤2.2：对灰度化后的图像以为窗口进行中值滤波。

所述步骤3中应包括以下具体步骤：

步骤3.1：对权利要求1中所述步骤2获取的预处理后的图像归一化处理：

(2)

式中，为归一化后的像素灰度值，为预处理后的像素灰度值

步骤3.2：采用Canny算子的窗口作为二值图像检测窗口的幅度，获得9维特征向量作为遗传小波神经网络的输入，像素点为边缘点小波神经网络输出为1，否则为0，小波神经网络中隐含层神经元小波基函数为：

(3)

其中，与为伸缩平移尺度因子，，取Morlet小波：

(4)

所述输出层神经元通过选择Sigmoid函数：

(5)

可以表示为：

(6)

其中，

(7)

(8)

(9)

(10)

(11)

式中为样本个数，、、、为网络学习速率，为网络动量因子。步骤3.3：具体包括：

步骤3.3.1：初始化遗传算法参数，包括群体大小、交叉概率、变异概率以及最大代数；

步骤3.3.2：将所述的小波神经网络中的隐含层节点数、初始权值、、网络学习速率、、、、伸缩平移尺度因子、以及网络动量因子采用实数编码方法作为一组染色体;

步骤3.3.3：随机生成组初始染色体，构成初始种群；

步骤3.3.4：定义适应度函数为：

，

式中为第个样本输出神经元的实际输出，为第个样本输出神经元的理想输出，计算种群各个个体的适应度；

步骤3.3.5：选择适应度比例选择法进行遗传操作；

步骤3.3.6：根据交叉概率，进行交叉操作；

步骤3.3.7：选择变异概率，进行变异操作；

步骤3.3.8：得到下一代种群；

步骤3.3.9：判断是否达到最大次数或中最优个体适应度大于等于预定值，若是则停止运算，将最优个体解码为小波神经网络的参数，若否则重复步骤3.3.3-步骤3.3.9；

步骤3.4：将Canny算子检测为边缘的像素点作为训练样本训练小波神经网络。

步骤4中应包括以下具体步骤：

步骤4.1：根据小波神经网络的输出结果计算输电线路覆冰后导线平均轮廓宽度：

(12)

式中，为第个边缘像素轮廓的宽度；