一种基于机器视觉的配电变压器参数检定方法技术

本发明专利技术涉及电力管理技术领域，具体地说，涉及一种基于机器视觉的配电变压器参数检定方法

【技术实现步骤摘要】
一种基于机器视觉的配电变压器参数检定方法


[0001]本专利技术涉及电力管理
，具体地说，涉及一种基于机器视觉的配电变压器参数检定方法
。

技术介绍

[0002]变压器的额定容量是表征变压器传输电能能力大小的主要参数之一，其值的大小是变压器反映其传输功率能力的惯用量，供电部门根据变压器的安装位置
、
当地的用电负荷
、
总负荷功率
、
需用系数
、
正常过负荷能力
、
事故过负荷的承受能力和变压器经济运行的要求等综合因素考虑进行变压器容量的选择
。
[0003]我国大工业用户即
315kVA
变压器容量以上的用户执行两部制电价
。
部分电力用户通过更改配电变压器铭牌容量，将大容量变压器改为小容量变压器而达到少交基本电费的目的
。
供电部门在不知情的情况下仍然按照变压器铭牌容量确定供电负荷，供电部门计量
CT
变比变大，保护整定值也增大，变压器长期超负荷运行，保护不动作很可能会损坏配变，严重时甚至可能导致变压器烧毁
。
随着电网数字化建设的推行电力系统正朝着“全面客观
、
精确可测
、
高度可控”的目标发展，为此亟需设计并应用一种高效准确的配电变压器参数检定方法
。
鉴于此，我们提出了一种基于机器视觉的配电变压器参数检定方法
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机器视觉的配电变压器参数检定方法，以解决上述
技术介绍
中提出的问题
。
[0005]为实现上述技术问题的解决，本专利技术的目的之一在于，提供了一种基于机器视觉的配电变压器参数检定方法，包括如下步骤：
[0006]S1、
获取配电变压器的外观图像，通过
K
‑
means
聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息；
[0007]S2、
基于灰色关联模型，对利用
K
‑
means
聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果；
[0008]其中：特征信息，是图像的特征信息，包括图像的颜色特征
、
几何特征
、
纹理特征；
[0009]灰色关联模型，是基于大量实际参数与铭牌参数相符配电变压器的历史图像以及实际参数与铭牌参数不符配电变压器的历史图像训练的；
[0010]配电变压器参数检定结果，包括配电变压器额定容量检定结果
、
配电变压器额定电压检定结果及配电变压器阻抗电压检定结果
。
[0011]作为本技术方案的进一步改进，所述
S1
中，获取配电变压器的外观图像，通过
K
‑
means
聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息的具体方法流程包括如下步骤：
[0012]S1.1、
对待检定图像进行预处理，设定初始聚类中心；
[0013]S1.2、
基于设定的聚类中心对待检定图像进行
K
‑
means
聚类，得到待检定图像的聚
类结果以及每个聚类簇的代表图像；
[0014]S1.3、
对每个聚类簇的代表图像通过图像特征提取，得到图像的特征信息
。
[0015]作为本技术方案的进一步改进，所述
S1.1
中，对待检定图像进行预处理的具体方法流程包括如下步骤：
[0016]S1.1.1、
将图像转化为灰度图，应用基准图像的灰度值减去代表图像的灰度值，并将差值乘以增益系数，得到清晰的矫正灰度后相减的图像；
[0017]S1.1.2、
设计程序，根据基准图像去抖，以减少待检定图像去除结果中的干扰点，定义图像绝对误差来评估实验图像与基准图像的重合程度；
[0018]S1.1.3、
对代表图像进行二值化处理，进一步对代表图像进行降噪，减少图像中存在的干扰点，再进行渲染处理得到预处理后的图像
。
[0019]作为本技术方案的进一步改进，所述
S1.2
中，对待检定图像进行
K
‑
means
聚类的具体方法流程包括如下步骤：
[0020]S1.2.1、
对预处理后的图像进行像素空间分类，在每个像素簇中随机选择一个像素作为中心点，计算像素点到中心点的距离，按照最小距离原则进行像素聚类，得到像素点子集合；
[0021]S1.2.2、
对像素点子集合计算灰度均值，并以计算得到的灰度值作为各个像素子集合的标记，并采用局部聚类分类法进行，从而得到最终的聚类结果以及每个聚类簇的代表图像
。
[0022]作为本技术方案的进一步改进，所述
S1.3
中，对每个聚类簇的代表图像进行图像特征提取的具体方法流程包括如下步骤：
[0023]S1.3.1、
选择
HSV
颜色空间作为分析模型，确定色调和饱和度量化范围，得到量化颜色直方图，从而提取图像颜色特征；
[0024]S1.3.2、
采用高斯滤波器平滑图像，通过一阶偏导的有限差分计算梯度的幅值和方向，采用非极大值对梯度幅值进行抑制，采用双阈值算法进行边缘检测，从而提取图像几何特征；
[0025]S1.3.3、
计算代表图像的梯度大小和方向，将图像分为细胞单元，构建梯度方向直方图，从而提取图像的纹理特征
。
[0026]作为本技术方案的进一步改进，所述
S2
中，基于灰色关联模型，对利用
K
‑
means
聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果，在此步骤中基于的灰色关联模型需预先构建及训练，其中，构建灰色关联模型的具体方法流程包括如下步骤：
[0027]S2.a.1、
基于配电变压器额定容量
、
额定电压
、
阻抗电压检定结果确定反映配电变压器特征的参靠序列；
[0028]S2.a.2、
基于待检定图像的颜色特征
、
几何特征
、
纹理特征确定影响配电变压器参数的因素组成的比较序列；
[0029]S2.a.3、
求各序列的初值像
(
进行无量纲化处理
)
；
[0030]S2.a.4、
求参考序列与比较序列的初值像对应分量之差的绝对值序列，并计算绝对值序列的最小值与最大值；
[0031]S2.a.5、
求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器视觉的配电变压器参数检定方法，其特征在于：包括如下步骤：
S1、
获取配电变压器的外观图像，通过
K
‑
means
聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息；
S2、
基于灰色关联模型，对利用
K
‑
means
聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果；其中：特征信息，是图像的特征信息，包括图像的颜色特征
、
几何特征
、
纹理特征；灰色关联模型，是基于大量实际参数与铭牌参数相符配电变压器的历史图像以及实际参数与铭牌参数不符配电变压器的历史图像训练的；配电变压器参数检定结果，包括配电变压器额定容量检定结果
、
配电变压器额定电压检定结果及配电变压器阻抗电压检定结果
。2.
根据权利要求1所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述
S1
中，获取配电变压器的外观图像，通过
K
‑
means
聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息的具体方法流程包括如下步骤：
S1.1、
对待检定图像进行预处理，设定初始聚类中心；
S1.2、
基于设定的聚类中心对待检定图像进行
K
‑
means
聚类，得到待检定图像的聚类结果以及每个聚类簇的代表图像；
S1.3、
对每个聚类簇的代表图像通过图像特征提取，得到图像的特征信息
。3.
根据权利要求2所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述
S1.1
中，对待检定图像进行预处理的具体方法流程包括如下步骤：
S1.1.1、
将图像转化为灰度图，应用基准图像的灰度值减去代表图像的灰度值，并将差值乘以增益系数，得到清晰的矫正灰度后相减的图像；
S1.1.2、
设计程序，根据基准图像去抖，以减少待检定图像去除结果中的干扰点，定义图像绝对误差来评估实验图像与基准图像的重合程度；
S1.1.3、
对代表图像进行二值化处理，进一步对代表图像进行降噪，减少图像中存在的干扰点，再进行渲染处理得到预处理后的图像
。4.
根据权利要求2所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述
S1.2
中，对待检定图像进行
K
‑
means
聚类的具体方法流程包括如下步骤：
S1.2.1、
对预处理后的图像进行像素空间分类，在每个像素簇中随机选择一个像素作为中心点，计算像素点到中心点的距离，按照最小距离原则进行像素聚类，得到像素点子集合；
S1.2.2、
对像素点子集合计算灰度均值，并以计算得到的灰度值作为各个像素子集合的标记，并采用局部聚类分类法进行，从而得到最终的聚类结果以及每个聚类簇的代表图像
。5.
根据权利要求2所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述
S1.3
中，对每个聚类簇的代表图像进行图像特征提取的具体方法流程包括如下步骤：
S1.3.1、
选择
HSV
颜色空间作为分析模型，确定色调和饱和度量化范围，...

【专利技术属性】
技术研发人员：王科，许士锦，阳浩，聂永杰，项恩新，史训涛，柯清派，段军鹏，宁静，彭晶，刘轩东，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：