一种遗传小波神经网络的输电线路覆冰厚度识别方法技术

本发明专利技术涉及的是一种遗传小波神经网络的输电线路覆冰厚度识别方法，这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：通过图像传感器获取输电线路覆冰图像；对获取的输电线路图像进行预处理；利用遗传小波神经网络识别输电线路图像的边缘；计算输电线路覆冰厚度。本发明专利技术提供的输电线路覆冰厚度识别方法，具有识别精度高、识别结果可靠等优点，能够有效计算输电线路覆冰厚度，可以应用于输电线路覆冰灾害的处理。

【技术实现步骤摘要】
【专利说明】
本专利技术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。
技术介绍
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。 本专利技术提出了，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。
技术实现思路
本专利技术提出了，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，本专利技术采用的技术方案是： ，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： F G, >99；? 4 0.SS7S G.H4S (1) 式中，I为转换为灰度图像后对应的像素点的灰度值，I、1、i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3 x. 3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，X为归一化后的像素灰度值，y为预处理后的像素灰度值 步骤3. 2 :采用Canny算子的3 \ 3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，否则为〇,小波 神经网络中隐含层神经元小波基函数为：(3) 其中，i?:与I为伸缩平移尺度因子，._尹_::，___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If为样本个数，_、_、霞:、_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 代数炙·' 步骤3. 3. 2 :将所述的小波神经网络中的隐含层节点数9、初始权值^、Wf5l、网络学习 速率、伸缩平移尺度因子以及网络动量因子I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： υ?Ν 丄 λ J ^ o/ o式中f为第t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W，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/Vu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，为第纟个边缘像素轮廓的宽度； 步骤4. 2 :计算输电线路覆冰的平均厚度：(13) 式中，I为已知的输电线路原始直径。 本专利技术的有益效果在于： 本专利技术的，可以达到有效计算输 电线路覆冰厚度的目的，结果准确率高、自适应好、具有一定鲁棒性，从而为输电线路冰灾 监测及处理提供参考，保证电网系统的安全稳定。【附图说明】 图1为本专利技术的流程图。 图2为本专利技术中小波神经网络结构图。 图3为本专利技术中遗传算法优化流程图。【具体实施方式】 以下结合附图1-附图3对本专利技术的优选实施例进行说明，应当理解，此处所描 述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。 -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： .:?:關 _ 麵:纖海 （1) 式中，I为转换为灰度图像后对应的像素点的灰度值，I、|、#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3 X 3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 :对步骤2获取的预处理后的图像归一化处理： :丨 (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 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，否则为〇,小波神经网络 中隐含层神经元小波基函数为：(3) 其中，I与I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：式中I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iV= SGS、交叉概率变异概率 |_运||以及最大代数= ; 步骤3. 3. 2 :将基于权利要求1所述的步骤3所述的小波神经网络的预测模型中的隐 含层节点数9、初始权值、wiis、网络学习速率麗、邏、議、痛:、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 :随机生成况组初始染色体，构成初始种群; 步骤3. 3. 4 :定义适应度函数为式中,为第卩个样本输出神经元的实际输出，#:为第g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本文档来自技高网...

【技术保护点】
一种遗传小波神经网络的输电线路覆冰厚度识别方法, 其特征在于，所述方法包括：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，具体如下：步骤3.1：对所述步骤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：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采用遗传算法获得最优个体解码作为小波神经网络的参数；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，计算输电线路覆冰厚度。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘斌，李艳辉，李贤丽，李卓，潘颖，柳玉昕，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙江;23