基于K-means聚类算法的电力电缆诊断方法技术

本发明专利技术涉及一种基于K‑means聚类算法的电力电缆诊断方法，包括：步骤S1：导入红外图像，并基于K‑means聚类算法提取红外图像中目标设备部分；步骤S2：基于提取出的目标设备部分识别设备温度；步骤S3：根据设备温度对设备进行故障诊断。与现有技术相比，本发明专利技术提取了设备部分，去除了背景，从而提高了诊断的准确性。

Power cable diagnosis method based on K-means clustering algorithm

The present invention relates to a power cable diagnosis method based on K_means clustering algorithm, which includes: importing infrared image and extracting the target device part of infrared image based on K_means clustering algorithm; (2) identifying the device temperature based on the extracted target device part; (2) diagnosing the device fault according to the device temperature. Compared with the prior art, the invention extracts the equipment part and removes the background, thereby improving the accuracy of diagnosis.

【技术实现步骤摘要】
基于K-means聚类算法的电力电缆诊断方法
本专利技术涉及电力检修领域，尤其是涉及一种基于K-means聚类算法的电力电缆诊断方法。
技术介绍
红外热成像技术具有快速、实时、非接触性等优点，多年来应用于电力电缆运行管理领域。借助便携式红外热成像仪或在线红外测温系统，对运行状态下的电缆设备进行温度数据采集，能够及时发现、诊断出大多数的过热故障，有效减少设备损坏和由此导致的电网大面积停电事故发生的次数。通常设备运行人员依据自身的经验知识，借助辅助的红外分析软件对图像进行人工分析、诊断，因采集的图像数量众多，且需要基于历史温度数据进行综合判断，故需要耗费巨大的人力。因此，实现对红外图像自动分析、设备故障诊断的智能化，正成为电力电缆运行管理的一种趋势。目前，电气设备热缺陷分析判定方法主要有以下6种：(1)表面温度判断法；(2)同类比较法；(3)图像特征判断法；(4)相对温差法；(5)档案分析法；(6)实时分析法。其中除了方法(1)实质上都要基于进行比较的策略，需要同组三相设备、同相设备及同类设备对应部位的温差进行比较，建立电气设备红外档案或基于长时间连续观测。分析软件ThermaCAMReporterPro能够对红外图谱中选取的区域、点、线温度进行分析，作为诊断缺陷的参考。但此类软件也有不足之处：(1)没有对图像中的设备主体和背景进行分离，降低了数据分析的精度；(2)没有自动建立红外档案等功能，不利于后续对故障诊断的自动化处理。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于K-means聚类算法的电力电缆诊断方法。本专利技术的目的可以通过以下技术方案来实现：一种基于K-means聚类算法的电力电缆诊断方法，包括：步骤S1：导入红外图像，并基于K-means聚类算法提取红外图像中目标设备部分；步骤S2：基于提取出的目标设备部分识别设备温度；步骤S3：根据设备温度对设备进行故障诊断。所述步骤S1包括：步骤S11：导入红外图像，并根据红外图像设定多个聚类中心；步骤S12：计算各个样本像素与各聚类中心的距离，本根据各样本像素与各聚类中心的距离将样本像素分配至各聚类；步骤S13：计算每个聚类的样本均值作为新的聚类中心；步骤S14：判断误差是否小于阈值，若为是，则得到聚类结果并执行步骤S15，若为否，则返回步骤S12；步骤S15：基于得到的聚类结果分割出红外图像的目标设备部分。所述距离为欧式距离，具体为：其中：样本xi、xj为任意两个像素点i、j的RGB向量，d(xi,xj)为样本像素i和j之间的距离，xik、xjk为像素点i、j的R或G或B值。所述步骤S11中聚类中心的数目为13个。所述步骤S3具体包括：步骤S31：输入设备温度，并得到温差和相对温度；步骤S32：载入历史数据和诊断判据；步骤S32：基于历史数据和诊断判据根据设备的温差和相对温度诊断设备是否发生故障，若为是，则执行步骤S33：步骤S33：确定故障类别，并输出故障类别以及消除故障的建议信息。所述相对温度为：其中：δ为相对温度，T0为环境参照体的温度，T1为发热点的温度，T2为正常相对应点的温度。与现有技术相比，本专利技术具有以下有益效果：1)提取了设备部分，去除了背景，从而提高了诊断的准确性。2)采用了K-means聚类算法，提高分离效果。3)聚类中心的数量设置为13个时对背景的分离效果较好。4)利用了历史数据，提高了诊断的准确度。附图说明图1为本专利技术方法的主要步骤流程示意图；图2为外图谱综合数据分析系统框图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。一种基于K-means聚类算法的电力电缆诊断方法，本文首先应用K-means聚类算法对红外图像中的目标设备进行提取，克服了图像背景引起的误差，然后对目标设备的温度场进行了数据分析，初步实现了红外图像的自动分析。后续可以结合红外图像特征的识别和缺陷的诊断判据，理论上可以确定缺陷类型及性质，最终的目标是生成合适的消缺建议。整个红外图像综合数据分析系统的流程如图2所示。如图1和图2所示，具体包括：步骤S1：导入红外图像，并基于K-means聚类算法提取红外图像中目标设备部分，包括：步骤S11：导入红外图像，并根据红外图像设定多个聚类中心；步骤S12：计算各个样本像素与各聚类中心的距离，本根据各样本像素与各聚类中心的距离将样本像素分配至各聚类；其中，距离为欧式距离，具体为：其中：样本xi、xj为任意两个像素点i、j的RGB向量，d(xi,xj)为样本像素i和j之间的距离，xik、xjk为像素点i、j的R或G或B值。步骤S13：计算每个聚类的样本均值作为新的聚类中心，其中，聚类中心的数目为13个。步骤S14：判断误差是否小于阈值，若为是，则得到聚类结果并执行步骤S15，若为否，则返回步骤S12；步骤S15：基于得到的聚类结果分割出红外图像的目标设备部分。步骤S2：基于提取出的目标设备部分识别设备温度；步骤S3：根据设备温度对设备进行故障诊断，具体包括：步骤S31：输入设备温度，并得到温差和相对温度，步骤S32：载入历史数据和诊断判据；步骤S32：基于历史数据和诊断判据根据设备的温差和相对温度诊断设备是否发生故障，若为是，则执行步骤S33：步骤S33：确定故障类别，并输出故障类别以及消除故障的建议信息。该算法的难点在于：(1)聚类数目K的选取；(2)初始聚类中心的选取；(3)选取哪些聚类作为目标设备、哪些作为背景分离。对两张典型的110kV电缆室内终端的红外图像，通过MATLAB软件应用K-means算法进行图像分割试验。选取初始聚类中心使其在图像上均匀分布，设置K＝13时对背景的分离效果较好，处理后的各聚类用不同色彩标识出来。红外图像中目标设备通常温度高于环境温度，同时运行人员拍摄时会使目标设备尽量位于图像的中央，基于以上两个事实，选取满足平均灰度值排序前9(优先选取代表温度较高区域的聚类)、聚类中心距离竖直中轴线1/4图像宽度内的聚类，作为目标设备提取出来，背景基本被分离，证明该算法对目标和背景对比度较高的图像有很好的分割效果。电气设备红外图谱的缺陷诊断主要依据《带电设备红外诊断应用规范(DL/T_664-2008)》(以下简称规范)以及《电力设备红外检测作业指导书》。电气设备的热缺陷类型可分为电流致热、电压致热、综合致热和电磁致热缺陷，前文所述的6种热缺陷分析判定方法针对不同类型的缺陷各有优劣。现将《规范》中与超高压电力电缆有关的电流致热型、电压致热型设备缺陷诊断判据列于表1、表2[6]。由表1和表2可知，对缺陷性质(一般、重要、紧急缺陷)的判定通常要依据温差d和相对温差δ，δ定义为：式中：T0——环境参照体(用来采集环境温度的相似物体)的温度；T1，τ1——发热点的温度和温升；T2，τ2——正常相对应点的温度和温升。表1表2本文档来自技高网...

【技术保护点】
1.一种基于K‑means聚类算法的电力电缆诊断方法，其特征在于，包括：步骤S1：导入红外图像，并基于K‑means聚类算法提取红外图像中目标设备部分；步骤S2：基于提取出的目标设备部分识别设备温度；步骤S3：根据设备温度对设备进行故障诊断。

【技术特征摘要】
1.一种基于K-means聚类算法的电力电缆诊断方法，其特征在于，包括：步骤S1：导入红外图像，并基于K-means聚类算法提取红外图像中目标设备部分；步骤S2：基于提取出的目标设备部分识别设备温度；步骤S3：根据设备温度对设备进行故障诊断。2.根据权利要求1所述的一种基于K-means聚类算法的电力电缆诊断方法，其特征在于，所述步骤S1包括：步骤S11：导入红外图像，并根据红外图像设定多个聚类中心；步骤S12：计算各个样本像素与各聚类中心的距离，本根据各样本像素与各聚类中心的距离将样本像素分配至各聚类；步骤S13：计算每个聚类的样本均值作为新的聚类中心；步骤S14：判断误差是否小于阈值，若为是，则得到聚类结果并执行步骤S15，若为否，则返回步骤S12；步骤S15：基于得到的聚类结果分割出红外图像的目标设备部分。3.根据权利要求2所述的一种基于K-means聚类算法的电力电缆诊断方法，其特征在于，所述距离为欧式距离，具...

【专利技术属性】
技术研发人员：杨月仲，周利军，蒋谦，许印白，招灏文，王骁迪，李红亮，陈妙龙，胡嘉俊，杨仲庆，温德康，徐治，邹翔宇，周颖，邹志伟，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：上海,31