电力系统设备故障预测方法及系统技术方案

本发明专利技术公开了一种电力系统设备故障预测方法，首先采用二维模糊划分最大熵分割红外图像，对采集到的电力设备故障点的红外热像图进行降噪与目标分割；然后采用人工神经网络对收集的全部电力设备图像目标进行分类与存储；最后根据阶段型融合方式模型对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析，给出诊断结果；将电力设备常见故障点经验数据并结合检测出的故障点图像数据进行数据融合给出最终的电力设备故障结果或者预测故障位置。本发明专利技术融合了多种算法，制定了精确地诊断步骤，并采用模块化与系统化的设计，从而为电力系统设备故障诊断的建立找到了一条完整又精确的途径，提高了电力系统运行的可靠性与稳定性。

【技术实现步骤摘要】
电力系统设备故障预测方法及系统
本专利技术涉及电力系统的故障诊断领域，特别涉及一种电力设备故障预测方法。
技术介绍
随着现代电力系统规模日益扩大、电压等级不断提高，输电线路故障对社会经济和人民生活造成的危害更加严重。快速、准确的故障暂态识别是快速恢复电网供电的前提，也是故障分析的一个重要部分。因此，研究快速可靠的故障暂态识别方法对保障电力系统的安全性与经济性具有重要的意义。针对电力系统设备故障诊断方法的研究，前人已经做了很多有益的探索。例如电力系统设备故障诊断领域常用的人工智能技术包括专家系统、人工神经网络、决策树理论等，此外近几年也出现了数据挖掘、模糊理论、粗糙集理论、Petri网络、贝叶斯网络、信息融合、信息论、支持向量机、仿生学的应用及多智能体系统等技术以及上述方法的综合应用。现有技术中有一种基于故障树的多层次电力系统设备故障诊断系统，其运用故障树分析技术(FTA)建立电力系统发生内部故障的分类树模型，并将其应用于诊断系统建立的过程中，从而为系统诊断的建立找到一条简捷的途径，其具有知识表述直观、形式统一、易理解和解释方便等优点。但是这种方法的缺陷在于:1.针对越来越复杂本文档来自技高网...

【技术保护点】
电力系统设备故障预测方法，其特征在于：包括以下步骤：S1：获取电力设备物理结构参数信息；S2：获取电力设备红外图像信息；S3：通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备红外图像；S4：获取电力设备红外图像中温度信息，以及电力设备正常温度差范围；S5：将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则返回步骤S2循环检测；S6：如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；S7：判断电力设备温度信息时间序列是否达到预设临界值，如果否，则返回步骤S6循环；S8...

【技术特征摘要】
1.电力系统设备故障预测方法，其特征在于:包括以下步骤: S1:获取电力设备物理结构参数信息； S2:获取电力设备红外图像信息； S3:通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备红外图像； S4:获取电力设备红外图像中温度信息，以及电力设备正常温度差范围； S5:将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则返回步骤S2循环检测； S6:如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列； S7:判断电力设备温度信息时间序列是否达到预设临界值，如果否，则返回步骤S6循环； S8:如果是，则电力设备即将出现故障并报警。2.根据权利要求1所述的电力系统设备故障预测方法，其特征在于:还包括建立电力设备物理结构模型，所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障预测模型； 所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标； 所述故障预测模型，存储有不同类型的电力设备关联故障预测类型。3.根据权利要求1所述的电力系统设备故障预测方法，其特征在于:所述步骤S3中的电力设备图像是通过以下步骤来实现的: S31:采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像； S32:通过人工神经网络分类模型对目标分割图像进行分类得到分类图像； S33:通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果； S34:通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。4.根据权利要求3所述的电力系统设备故障预测方法，其特征在于:所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数: /(ωχ-θ)=----—,J '， ι + ?τ(ωχ-θ) 其中，X表示神经元输入特征向量的分量，即图像目标的形状特征；ω表示输入分量的权重；Θ表示神经元的阈值。5.根据权利要求1所述的电力系统设备故障预测方法，其特征在于:所述S33中的阶段型融合方式模型包括以下具体步骤: S331:对分类图像进行I级进行处理检测判决融合； S332:对电力设备图像的信息源预处理； S333:对电力设备图像与电力设备分类图像对比分析产生图像对比数据； S334:如果图像对比数据不属于电力设备物理结构参数信息数据库，则返回步骤S331 ；S335:如果图像对比数据属于电力设备物理结构参数信息数据库，则作出判决并传送至人机界面。6.根据权利要求1所述的电力系统设备故障预测方法来实现的电力系统设备故障预测系统，其特征在于:包括电力设备参数单元、电力设备红外图像采集单元...

【专利技术属性】
技术研发人员：胡蓓，段盼，段其昌，毛明轩，钱雅楠，朱盼盼，
申请(专利权)人：重庆大学，
类型：发明
国别省市：