一种权重自适应的电力设备外绝缘声光协同诊断方法技术

本发明专利技术公开了一种权重自适应的电力设备外绝缘声光协同诊断方法，属于电力设备绝缘状态诊断领域，该方法通过自适应权重将超声图像和紫外图像的信息融合，得到局部放电位置信息图谱，协同诊断电力设备外绝缘状态。该方法的主要步骤为通过BP神经网络模型训练得到局部放电融合信息，然后结合费舍尔判别准则计算协同诊断的权重，最终计算完成融合得到局部放电信息结果。与现有的技术相比，本发明专利技术的协同诊断方法利用超声检测和紫外检测的技术优势，弥补了单一方法的不足，进一步提升检测准确率，检测可靠性高。检测可靠性高。检测可靠性高。

【技术实现步骤摘要】
一种权重自适应的电力设备外绝缘声光协同诊断方法


[0001]本专利技术属于电力设备绝缘状态诊断领域，具体地，涉及一种权重自适应的电力设备外绝缘声光协同诊断方法。

技术介绍

[0002]随着电力系统电压等级的提高和设备接入量的增加，对设备和系统的运行可靠性也越来越高。如何更精准、更高效、更快捷地进行在线监测或状态评估，是设备运行维护工作的核心目标，也是保障供电可靠性的关键。
[0003]设备或线路外绝缘的异常电晕放电通常由绝缘子表面脏污、绝缘开裂、电接触不良、局部电场异常等潜在绝缘缺陷引起，其不但是绝缘加速老化的重要诱因，也是过电压下引起设备外绝缘失效的前期征兆。因此对异常电晕放电的有效检测是设备和线路故障预防的重要环节。电晕放电常伴随有一系列声、光等现象，因而相应地产生了超声检测法和紫外检测法。为提高巡检的效率和直观性，日盲紫外成像技术和声成像技术也应用于设备和线路外绝缘的可视化检测中。紫外成像技术通过紫外光学镜头收集日盲波段放电的紫外光子，最终采用光电面阵进行灰度成像，与可见光视场叠加，获得了放电源的位置。此方法虽有坚实的理论依据，已经有研究量化了放电量与紫外光子数的关系，但受光学成像原理的限制，日盲紫外成像在实际应用中存在一定的局限性，如放电源被遮挡或存在于视觉明场范围之外的情况，紫外光子难以被有效捕捉，导致形成检测盲区或定位失败。近年来，声成像技术因具有较强的聚焦能力，高分辨率和宽频段灵敏度被引入超声定位领域。声学信号具有较强的固体媒介穿透能力，其受视场遮挡影响较小，有效弥补了紫外成像检测的不足。但超声成像易受环境噪声的影响，在复杂环境中定位精度会出现明显下降。
[0004]研究表明，联合检测系统可以利用多种监测方法的优势实现互补，克服单一检测方法的不足。同时，随着图像信息融合技术在医学检测、军事卫星和红外遥感等方面的应用，多图像联合检测技术的发展更加成熟。

技术实现思路

[0005]本专利技术的目的在于克服上述不足，协同超声、紫外两种检测手段的技术优势，提供一种声
‑
光协同的诊断算法，更精确、抗干扰能力更强地实现电力设备外绝缘故障定位。
[0006]本专利技术是通过以下技术方案来实现的：一种权重自适应的电力设备外绝缘声光协同诊断方法，综合超声检测、紫外检测的技术手段优势，通过环境信噪比调节权重，实现声
‑
光协同检测。
[0007]所述权重自适应的电力设备外绝缘声光协同诊断方法，超声图像和紫外图像中反应强度的信息经过提取后，融合作为前景图像；背景图像为可见光相机拍摄的可见光图像；超声图像和紫外图像的融合权重随环境信噪比的不同而改变，结果得到位于视场中的局部放电的位置信息Y
fu
，便于直观定位绝缘劣化的位置。具体随信噪比改变的是超声图像与紫外图像的特征量合成前景图像的占比。
[0008]所述权重自适应的电力设备外绝缘声光协同诊断方法，超声图像、紫外图像和可见光相机拍摄的可见光图像经图像处理、特征提取后分别得到超声声强U
S
、紫外光子数vn图像特征和可见光图像，所提取的超声声强U
S
、紫外光子数v
n
分别用于得到输出超声、紫外的局部放电融合信息Y
ul
、Y
uv
，经环境噪声决定的自适应权值调整后，得到局部放电位置信息Y
fu
。
[0009]需要说明的是：对超声图像、紫外图像和可见光图像进行特征提取，提取的过程就是得到图像特征超声声强U
S
，图像特征紫外光子数以及可见光图像；进一步解释，超声波成像相机定位以后，其屏幕上根据放电信号的强弱会显示出不同的颜色区域，其本质实际上是由声强矩阵转化成的伪彩化图像，提取的目标为声强分布矩阵；紫外图像反映的就是紫外镜头感受到的紫外光子数，紫外相机会记录下感受到空间中不同位置光子数的多少，即为紫外光子数；可见光图像就是可见光相机拍摄的照片，用作背景图像。
[0010]所述权重自适应的电力设备外绝缘声光协同诊断方法，对检测得到的超声图像和紫外图像分别使用BP神经网络进行提前训练，根据BP神经网络输出的超声、紫外的局部放电融合信息Y
ul
、Y
uv
进行电力设备外绝缘状态评估。
[0011]所述权重自适应的电力设备外绝缘声光协同诊断方法，构建两个BP神经网络，分别输入紫外检测和超声检测的样本对电力设备外绝缘的状态进行评估，得到超声、紫外的局部放电融合信息Y
ul
、Y
uv
，为后续检测做准备。
[0012]所述权重自适应的电力设备外绝缘声光协同诊断方法，在构建BP神经网络时，BP神经网络训练的具体步骤为：首先设置BP神经网络的超参数，根据待检测对象确定BP神经网络的输入层、隐藏层和输出层神经元个数，确定其训练精度；其次，将训练样本输入BP神经网络中，进行前馈传播，计算训练误差；然后，利用adamax优化算法，进行反馈过程，降低训练误差，完成单次BP神经网络训练；最后，重复上述操作，直至达到设定训练次数或训练误差满足训练精度为止，结束训练。
[0013]本专利技术中输入的参数为紫外光子数vn，超声声强U
S
，环境信噪比SNR；超参数中隐藏层数为1，每层有10个神经元细胞，训练精度为1
×
10
‑5。
[0014]所述权重自适应的电力设备外绝缘声光协同诊断方法，输入的训练样本是通过采集针
‑
板放电模型获取。具体的样本获取模拟条件根据待检测对象情况设置，基本规则为：通过局部放电模型模拟局部放电信号的产生，采集过程中限定紫外图像的采集设置，如采集帧率和录制时间，同时限定拍摄距离范围；超声图像的采集同样限定采集距离范围，拍摄时以正对物体所在位置为法向，选取相机、物体的连线与法向形成的角度进行拍摄，间隔固定的角度拍摄一组，采集局部放电信号的超声传感器接收频率设定在20
‑
60kHz，通过添加高斯白噪声模拟不同的信噪比。
[0015]所述权重自适应的电力设备外绝缘声光协同诊断方法，输入训练样本完成BP神经网络的训练后，在应用该方法时，拍摄待检测对象的可见光图像、超声图像和紫外视频；同时检测环境的信噪比SNR；
[0016]所述权重自适应的电力设备外绝缘声光协同诊断方法，处理超声、紫外检测得到待检测对象的图像，提取超声声强U
S
、紫外光子数v
n
等图像特征；
[0017]所述权重自适应的电力设备外绝缘声光协同诊断方法，将提取的图像特征超声声强U
S
、紫外光子数v
n
分别与环境信噪比SNR一起输入训练好的各自对应的BP神经网络，得到
输出的局部放电融合信息Y
ul
、Y
uv
；
[0018]所述权重自适应的电力设备外绝缘声光协同诊断方法，权重随着环境信噪比的不同而改变，进一步影响最终图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种权重自适应的电力设备外绝缘声光协同诊断方法，其特征在于，所述方法包括以下步骤：S1、通过超声检测、紫外检测对电力设备外绝缘状态进行评估，获取超声图像和紫外图像；同时检测环境的信噪比SNR；S2、将步骤S1中所得的超声图像和紫外图像进行加权融合得到局部放电融合信息，融合后作为前景图像，并将可见光相机拍摄的可见光图像作为背景图像，对前景图像和背景图像进行局部放电检测图像融合，得到局部放电位置信息图，从而评价电力设备外绝缘状态；其中，步骤S2中超声图像和紫外图像融合权重随环境信噪比的不同而改变；超声图像和紫外图像融合权重的计算是通过费舍尔准则实现的，具体过程为：
①
假设数据集中有n个样本属于p类，每类包含n
i
个样本，类间方差为类内方差为则数据集内特征k的计算表达式为：则数据集内特征k的计算表达式为：其中x
(k)
是特征为k的样本；是类i的平均值；m
(k)
是特征k的所有样本平均值，x表示样本，共有n个样本，n
i
表示每一类里面的样本数；
②
特征k的J
F
值为：
③
计算不同信噪比情况下的J
F
(k)值，则不同信噪比下的权重为：其中i＝1,2分别代表超声图像和紫外图像；指的是图像i在信噪比SNR下的权重；J
F
(i,SNR)是指图像i在信噪比SNR下的J
F
值。2.根据权利要求1所述的权重自适应的电力设备外绝缘声光协同诊断方法，其特征在于：步骤S2中，超声图像和紫外图像进行加权融合得到局部放电融合信息，融合后作为前景图像，并将可见光相机拍摄的可见光图像作为背景图像，对前景图像和背景图像进行局部放电检测图像融合，得到局部放电位置信息图的具体过程包括：
①
构建两个BP神经网络，两个BP神经网络分别用于输入超声检测、紫外检测的样本，输出超声、紫外的局部放电融合信息Y
ul
、Y
uv
；
②
超声图像、紫外图像和可见光相机拍摄的可见光图像经图像处理、特征提取后分别
得到超声声强U
S
、紫外光子数v
...

【专利技术属性】
技术研发人员：列剑平，杨代勇，刘赫，李易，任明，矫立新，刘俊博，栾靖尧，高昌龙，司昌建，李守学，杨明，朱大铭，林海丹，赵春明，刘座铭，刘春搏，姜浩，刘丹，姜露，董洪达，许文燮，于群英，张赛鹏，葛志成，陈捷元，崔天城，翟冠强，邰宇峰，李嘉帅，白羽，张雷，
申请(专利权)人：吉林省电力科学研究院有限公司西安交通大学，
类型：发明
国别省市：