一种电力设备缺陷的多元图像处理及模式识别方法技术

本发明专利技术涉及一种电力设备缺陷的多元图像处理及模式识别方法，通过获取局部放电信号的PRPD图谱；构建光学局部放电图谱和特高频局部放电图谱；基于非下采样轮廓波变换的局部放电图像融合；基于经训练的卷积神经网络模型确定待识别的局部放电信号的类型，能够及时有效地获取局部放电类型，及时消除隐患，避免重大事故的发生。本发明专利技术克服了现有技术在变电站现场GIS的局部放电检测中的不足，一定程度上对单一的检测方法下得到的局部放电图像的放电信息进行了互补，可以获得更高的模式识别正确率，具有更好的识别性能，更适用于大数据平台下的工程应用。平台下的工程应用。平台下的工程应用。

【技术实现步骤摘要】
一种电力设备缺陷的多元图像处理及模式识别方法


[0001]本专利技术属于电力设备监控
，尤其是一种电力设备缺陷的多元图像处理及模式识别方法。

技术介绍

[0002]由于GIS（气体绝缘组合电器）设备内部绝缘缺陷的多样性以及不同绝缘类型下表现出的放电现象的差异性，在局部放电研究过程中，判断局部放电放电类型是其中的一个重要研究分支。不同的绝缘缺陷往往对应不同的局部放电信号模式，因此通常通过识别局部放电信号的模式来判断相应的设备绝缘缺陷。随着人工智能等技术的高速发展，模式识别技术在放电类型判断等方面得到越来越广泛的应用。
[0003]目前，主流的局部放电检测方法都因为检测设备和检测环境等因素的制约，存在一定的局限性。因此，单一的检测方法下采集的局部放电信号，都可能存在一定程度上的信号缺失。而不完整的信号转化的局部放电模式图谱中包含的局部放电信息也是不完整的。在进行模式识别研究时，信息缺失的图谱在提取特征时，获取到的图谱特征也是不准确的。
[0004]由此，如何降低采集局部放电信号中的信号缺失，是十分重要的。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备缺陷的多元图像处理及模式识别方法，其特征在于：包括以下步骤：步骤1、采集局部放电信号的PRPD图谱；步骤2、根据步骤1采集的PRPD图谱，构建光学局部放电图谱和特高频局部放电图谱；步骤3、将步骤2构建的局部放电图谱基于非下采样轮廓波变换进行分解，得到子带图像；步骤4、将步骤3得到的子带图像进行低频子图融合；步骤5、将步骤3得到的子带图像进行高频子图融合；步骤6、选取Tamura纹理特征算法对步骤4和步骤5融合后的子带图像提取纹理特征；步骤7、选取形状不变矩法中的Hu矩对步骤4和步骤5融合后的子带图像提取形状特征；步骤8、以光电局部放电融合图像的熵特征代替步骤4和步骤5融合后的子带图像的颜色特征；步骤9、通过基于经训练的卷积神经网络模型对步骤7和步骤8的特征进行判断，得到待识别的局部放电信号的类型。2.根据权利要求1所述的一种电力设备缺陷的多元图像处理及模式识别方法，其特征在于：所述步骤1的具体实现方法为：通过特高频传感器和光学传感器分别测得局部放电信号的工频相位，放电量q和放电次数n，以、q和n三个物理量为坐标轴建立三维的局部放电PRPD图谱。3.根据权利要求1所述的一种电力设备缺陷的多元图像处理及模式识别方法，其特征在于：所述步骤2的具体实现方法为：根据步骤1采集的PRPD图谱，构建光学局部放电图谱和特高频局部放电图谱，其中，为放电信号的工频相位，u为放电信号的强度，局部放电图谱中的颜色表示绝缘缺陷下局部放电的放电密度。4.根据权利要求1所述的一种电力设备缺陷的多元图像处理及模式识别方法，其特征在于：所述步骤3的具体实现方法为：采用级非下采样金字塔滤波器组将图像分解为高频子带图像和低频子带图像两部分，然后非下采样方向滤波器组将高频子带图像继续分解为个方向的方向子带图像；低频子带图像继续进行下一级非下采样金字塔滤波器组图像分解，非下采样方向滤波器组继续将该级下得到的高频子带图像依次分解为个方向的方向子带图像，重复上述步骤，直至级非下采样金字塔滤波器组分解全部完成，得到一个低频子带图像和个高频子带图像。5.根据权利要求4所述的一种电力设备缺陷的多元图像处理及模式识别方法，其特征在于：所述非下采样金字塔滤波器组包括双通道的非下采样滤波器组：其中，为低通滤波器，为高通滤波器；为低通重构滤波器，为高通重构滤波器，非下采样方向滤波器组包括一个层二叉树。6.根据权利要求1所述的一种电力设备缺陷的多元图像处理及模式识别方法，其特征
在于：所述步骤4包括以下步骤：步骤4.1、计算特高频局部放电图像的低频子带图像的像素均值和均方差；步骤4.2、根据加权融合准则计算出融合图像在处的像素点：处的像素点：处的像素点：其...

【专利技术属性】
技术研发人员：何金，曹梦，张黎明，唐庆华，张弛，赵琦，朱旭亮，陈荣，宋晓博，邢向上，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：