[发明专利]一种基于红外热像图的电缆接头运行状态识别方法

说明书

技术领域

本发明涉及一种机器学习领域中的状态识别方法，特别是涉及一种基于红外热像图的电缆接头运行状态识别方法。

背景技术

电缆接头是电网安全运行中的薄弱环节之一，从电缆接头过热到火灾事故的发生，整个过程发展速度缓慢、时间较长，如2016年6月18日，西安变电站爆炸事故，以及2016年10月13日，日本东京大规模停电事故等，都是由于电缆温度过高，起火导致。电网的安全运行，不仅与人们的日常生活息息相关，也严重影响着一个国家的社会经济活动，因此电缆故障的早期预防和维护是十分重要的。然而目前，大多数电缆的诊断是靠巡逻工人定期巡查，出具巡查报告然后再经过专家评估，评估检测只能由有经验的人员负责，否则，结果经常被错误诊断，这种方法是相当费时而且费用昂贵。实际操作中，由于电缆巡检需要大量的人力检查，大部分电力公司通常将这些人力检查工作指派给外部承包商，外部承包商提交检查报告后，电力公司再一个接一个地评估其有效性，之间有经验的人员需采用大量时间完成复杂的评价工作，最后决定是否维修。

为了克服这些限制，保证电力生产安全高效运行，对电缆状态检修提出了更高的要求，其中红外成像技术在电缆运行状态检测中有着明显的优越性。红外成像是以热状态分布为依据对电缆运行状态良好与否进行诊断，它具有不停运、不接触、远距离、快速、直观地进行成像。由于电缆的热像图是运行状态下热状态及其温度分布的真实描写，而电缆在运行状态下的热分布正常与否是判断状态良好与否的一个重要特征，因而采用红外成像技术可以通过对电缆热像图的分析来诊断运行状态及其隐患缺陷。将图像处理技术、模式识别技术与红外热成像技术相结合，并在电缆巡检中应用，对于提高电气设备的可靠性和运行经济效益、降低维修成本具有非常重要的意义。

近年来，红外图像识别研究领域发展很快。结合模式识别的思路，利用一些能代表感兴趣部分图像的特征数据来训练模型，这些被训练好的模型可以对要处理的图像归入事先设置好的类别当中。目前，基于机器学习的图像分类方法应用最为广泛，总体上来说，它是利用己经得到的一些图像来提取出最能代表它们的特征数据，这些数据根据一定的模式训练出一些常用数学模型的关键参数，于是这些数学模型就能根据经过处理的未知图像信息做出判断，归类到预先设置的类别当中。这种模式识别的图像分类方法有两个关键因素，一个关键因素是合适图像特征的构建，好坏的衡量指标有两个：一是这个特征小且能准确的描述这个图像所包含的信息，尤其是感兴趣的信息，并且必须是只有关注的目标有，其他背景信息没有；二是这个特征有很好的区分性，特征数据在空间上有一定的聚类分布，这样有利于区分。其中图像处理的关键是将其转换成灰度图像进行处理，这样灰度方面的很多算法可以得到运用。另一个关键的因素就是学习器模型的选取，现在比较广泛的方法有BP神经网络算法和支持向量机算法，一些文献用BP进行生物识别图像分类，但BP神经网络参数多，训练速度慢，而且要求大量数据。

Extreme Learning Machine (ELM) 方法能够随机产生隐层结点参数，然后利用得到的权值来决定输出，大大简化了传统BP神经网络复杂的迭代过程，克服了红外图像因数据量大导致传统人工神经网络、支持向量机的运行速度慢的局限，很好的满足了电缆检测领域对准确率和速度的双重要求。

发明内容

为了克服现有识别方法的不足，减少需要设置的学习器参数，并提高识别准确率，本发明提供了一种基于红外热像图的电缆接头运行状态识别方法，包括训练阶段和识别阶段。在训练阶段，首先提取不同运行状态下电缆接头红外热像图的像素矩阵，并带入ELM学习器进行训练；在识别阶段，用已经训练好的ELM学习器对待测试的电缆接头红外热像图进行识别，并得到识别结果。

本发明的基于红外热像图的电缆接头运行状态识别方法，包括以下步骤：

步骤一：输入不同运行状态下电缆接头的红外热像图；

步骤二：对不同运行状态下电缆接头的红外热像图进行位平面分解；

步骤三：建立初始特征矩阵，提取红外热像图各位平面的特征参数（Hu矩和Zernike矩），将提取到的特征参数带入到特征矩阵中；

步骤四：对不同运行状态下电缆接头的红外热像图特征参数进行ELM学习器训练；

步骤五：将采集的电缆接头红外热像图输入已训练好的状态识别模型，并获得相应的电缆接头运行状态结果，即运行状态正常或不正常。

作为优选的方案：

为了减少红外热像图离散所带来的误差，在上述步骤三中，对提取的Zernike矩进行归一化处理。