[发明专利]基于热红外图像的变电站高压设备故障识别方法

说明书

本发明公开了一种基于热红外图像的变电站高压设备故障识别方法，包括步骤：S1.采集变电站高压设备的热红外图像；S2.确定所述热红外图像对应的温度概率密度函数；S3.以温度概率密度函数中的极值点温度作为识别特征，对所述热红外图像进行分类处理，得到热红外图像的初始分类结果；S4.基于热红外图像的初始分类结果，将温度概率密度函数中的极值点温度作为聚类中心，对所述热红外图像进行聚类处理，得到热红外图像的聚类结果；S5.对热红外图像的聚类结果进行故障区域提取，得到变电站高压设备的故障区。本发明能够提升故障部位识别的准确度，缩短聚类迭代次数，并为变电站智能检测系统的构建提供支持，保障了电力设备的可靠运行。

技术领域

本发明涉及故障识别领域，具体涉及一种基于热红外图像的变电站高压设备故障识别方法。

背景技术

变电设备故障是影响变电站运行的常见原因之一，大多数诸如接触不良、绝缘老化或磁路故障等均会以发热升温的形式表现出来。红外热成像法主要用来检测因介电损耗上升和电阻损耗等问题引起的局部温度升高，因为其不接触、不停运、不取样、不解体的“四不”优点，使得其成为了目前最常用的针对变电设备故障的检测技术。

在使用热成像仪对变电设备进行拍摄后，需要对热红外图像进行处理以实现对检测目标的诊断和识别。在人工识别图像时，可以通过图片中明显特征判别故障位置。然而随着检测数据的增加，对于大量待检测样本使用人工检测的效率和速度已经远不能满足实际的应用需求。因此使用机器学习方法来对热红外图像进行识别可以在面对大量待检测样本时提升检测的速度和效率。

目前常用在红外图像识别上的机器学习方法主要分为监督学习和无监督学习。监督学习(supervised learning，SL)是从已标记的数据中训练具有某种推断功能模型的机器学习方法。支持向量机(support vector machine，SVM)、人工神经网络(artificialneural networks，ANN)等方法是目前主要用于图像识别的监督学习方法，这一类方法的特点是对数据的标定和样本数据量有一定要求。

无监督学习(unsupervised learning，UL)是在无类标信息(或预期输出值)的情况下训练模型，可以在缺少设备样本标注的情况下实现对故障的诊断和识别。在实际检测中由于拍摄环境、天气状况复杂等问题，训练样本采集十分困难，样本数据少，因此无监督学习具备更好的适应性。同时，无监督算法可以实现对数据的自适应标定，标定后的结果提供给监督学习方法作为输入，进一步提升智能检测效率。其中，K均值聚类(K-means)算法是一种常用的对红外图像进行分割的无监督学习算法。该算法可以在无样本训练的前期下实现对故障的分割和识别。但是该算法在聚类类别和初始聚类点的选择上通常根据经验或者随机数设定，导致缺乏与现场实际工况的相关信息，最终影响聚类结果的准确性和有效性。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于热红外图像的变电站高压设备故障识别方法，能够提升对故障部位的识别准确度，缩短聚类迭代次数，并为变电站智能检测系统的构建提供理论依据，从而保障了电力设备的可靠运行。

本发明的基于热红外图像的变电站高压设备故障识别方法，包括如下步骤：

S1.采集变电站高压设备的热红外图像；

S2.确定所述热红外图像对应的温度概率密度函数；

S3.以温度概率密度函数中的极值点温度作为识别特征，对所述热红外图像进行分类处理，得到热红外图像的初始分类结果；

S4.基于热红外图像的初始分类结果，将温度概率密度函数中的极值点温度作为聚类中心，对所述热红外图像进行聚类处理，得到热红外图像的聚类结果；

S5.对热红外图像的聚类结果进行故障区域提取，得到变电站高压设备的故障区。

进一步，根据如下公式确定所述热红外图像对应的温度概率密度函数：