【《基于改进RBFNN的电力设备红外温度预测方法概述》3900字（论文）】

基于改进RBFNN的电力设备红外温度预测方法概述与普通图像相比，红外热图像受到工作原理、外界环境及自身器件等因素的影响，视觉效果不够清晰、目标设备与背景对比度差，对后续的故障分析处理造成诸多不便。目前，红外可见光图像双通道在线监测系统得到大面积推广，但是红外监测设备市场，几乎被国外大型公司占据，如美国FLIR等。由于行业垄断、技术封锁等原因，电力公司只能被动的购买、使用设备自带的分析软件，无法较好的满足个性化要求，严重制约了变电站中电力设备故障诊断水平的提高，不利于智能电网的安全稳定运行。红外热图像的研究关键在于明确温度与图像的一般关系，即温度拟合、预测，目前人工神经网络(artificialneturalnetwork,ANN)理论，在温度预测的研究非常突出，具有很强的自学习和复杂的非线性函数拟合能力。其中，RBF神经网络具有全局最佳逼近能力，预测效果显著。本文通过量子遗传(QGA)-正交最小二乘算法(OLS)优化径向基神经网络(RBFNN)的变电站设备红外温度预测方法，对获取的红外热图像进行加工处理，将红外热像图的像素与温度进行拟合，建立设备的红外温度预测模型，并配准到可见光图像上，直接点击可见光图像，即可获取对应位置的红外温度；直接点击红外热像图，即可获取红外温度，并定位至可见光图像区域。通过实验数据，首先将QGA与自适应遗传算法(AGA)进行适应度进化情况对比，然后将本文改进的RBF算法与OLS-RBF、AGA-OLS-RBF算法进行对比验证，从而体现本文方法的优越性和有效性。1）基于改进RBFNN的温度预测算法（1）RBF神经网络RBFNN是多维空间插值的传统技术，具有很好的全局逼近能力，由输入层、隐含层和输出层组成，是为了克服BPNN存在的局部最小值和收敛速度慢等缺陷，而提出的神经网络模型，其结构具有自适应性，且其输出与初始权值无关。其结构如图所示。RBFNN的隐含层基函数有多种形式，最常用的是高斯核函数：（式STYLEREF1\s243）式中：X=[x1,x2,…,xn]为n维输入向量；cj为第j个基函数的中心，是与X具有相同维数的向量；j为第j个神经元的的标准化常数，即高斯基函数的方差；n、p分别输入层和隐含层的神经元的个数。确定了隐含层函数后，RBFNN输入和输出的之间的关系表达式为（式STYLEREF1\s244）式中：m为输出层神经元的个数；yi为输出层第i个神经元的输出值；wj,i为隐含层第j个单元与输出层第i个单元之间的连接权值。RBF神经网络结构的确立，需要求解的参数有3个：基函数的数据中心cj、方差j以及隐含层到输出层的权值wj,i。构造RBF神经网络的关键在于基函数的中心位置、隐含层的单元数以及网络权值的合理选取。但传统的RBFNN在调整各参数时，训练算法很容易陷入局部最小值。图STYLEREF1\s2-16RBFNN结构图正交最小二乘RBFNN正交最小二乘法（OLS）以计算量小占用存储空间少、收敛速度快等特点而得到广泛应用。OLS算法能够较好地确定基函数中心位置等参数，通过引入一个误差项来实现：（式STYLEREF1\s245）用矩阵的形式表达，则为（式STYLEREF1\s246）其中是神经网络的期望输出向量，是每列向量的回归矩阵，是网络权值向量，是网络输出实际值与预测值的误差向量。通过运用Gram-Schmidt正交化，回归矩阵B可以被分解成一组正交基向量，表示为:（式STYLEREF1\s247）是一个上三角局长，是一个正交矩阵，di可通过公式进行运算。（式STYLEREF1\s248）（式STYLEREF1\s249）综合公式可得，期望的网络输出为Y:（式STYLEREF1\s250）由于Gram-Schmidt正交化能够确保矩阵E和DG为正交，所以（式STYLEREF1\s251）因此，包含在第k个中心的误差递减比EER可被定义为在RBF神经网络不断的向前回归过程中，EER提供了一个有效的标准来确定网络中心，在每一步向前回归中，当EER值最大时，适当的网络中心被选出，回归过程将在第q1步中止，条件是由于采用OLS方法构建神经网络时，初值的选取对网络隐含层单元数有很大影响]。因此，OLS-RBFNN的参数应进一步优化选取。3）改进的OLS-RBFNN为提高所建OLS-RBF神经网络的效率，本文引进量子遗传算法(QGA)，将初值和隐含层单元数进行综合优化。量子遗传算法是由AjitNarayanan和MarkMoore等首先提出的概念，QGA是一种量子计算理论与进化算法相结合的概率搜索优化算法，即用量子位编码表示染色体，用量子门作用和量子门更新完成进化搜索。具有比普通遗传算法更好的种群多样性、更快的收敛速度和全局寻优的能力。本文构造改进RBF神经网络的过程为量子比特编码采用量子态对信息进行编码，一个量子位不仅能表示0或1这两种状态，而且同时可以表示0和1之间的任意中间态，因此一个量子位的状态可表示为式中：和可以是复数，表示相应状态的概率幅，且满足归一化条件为|在上式中，||表示的概率，||表示的概率。因此，一条有m个量子比特位的染色体可以表示为初始化种群设n为种群规模(即染色体数目)，初始种群Q(t)={q1t,q2t,…,qnt}中全部染色体的量子比特都被赋为,这意味着每条染色体表示的状态都为所有可能状态的等概率叠加。量子旋转门调整策略个体的调整是通过量子旋转门实现的,或者说在量子遗传算法中,旋转门是最终实现演化操作的执行机构,旋转门的工作原理为其中，(ii为为染色体中的第i个量子比特,为旋转角，控制算法收敛的速度，S(ii和Di分别为旋转角的旋转方向和脚步长。表中的delta是一个与算法收敛速度有关的系数，取值必须合理。本文结合动态调整量子门旋转角思想，delta的具体实现形式为其中，n为当前的进化代数，MAXGEN为终止代数。k为[0,1]之间常数。在算法运行初期，搜索的网格较大，从而增加了算法的收敛速度，在算法运行末期，搜索的网格较小，从而实现了精确搜索，有利于寻得最优解。表STYLEREF1\s2-8旋转角度的确定方法xiif(x)≥f(b)文献Di本文DiS(i,iiiiiii00F00000000T00000001F00000001T0.05delta-1+1010F0.01delta-1+1010T0.025delta+1-1011F0.005delta+1-1011T0.025delta+1-10表中，xi和bi分别为解x与当前最优个体b的第i个量子位对应的二进制位；f(x)为适应度函数；该旋转量子门能够保证算法很快收敛到具有更高适应度的染色体。本文量子遗传算法(QGA)与自适应遗传算法(AGA)进行适应度进化对比，如图所示。我们可以明显的发现QGA比AGA在进化效率上有明显提高，并且最佳适应度值也更优异，其中AGA的最佳适应度为1.5944，平均适应度为1.4369，而QGA的最佳适应度为1.3212，平均适应度为1.9191。图STYLEREF1\s2-17QGA与AGA进化过程对比图4）红外温度预测模型为了便于电力工作人员进行设备分析，通过直接查阅可见光图像，获取红外温度信息，此举可降低由于红外热图像模糊而引起的热异常位置定位难度，缩小定位准确度误差。图为某变电站变压器热异常红外热图像及其可见光图像。图STYLEREF1\s2-18变电站设备图像由图我们可以发现，红外热图像的温度条，因为配套软件的设置，各温度匹配条的温度上下限均进行自动调整，一般情况下，各红外热像图均不相同，例如，图中的红外温度范围为3℃至28℃，而红外温度范围分别为-6℃至7℃，-13℃至3℃。本文运用数字智能设别方法自动获取红外图像温度匹配条的温度上下限值。图STYLEREF1\s2-19变电站设备红外图像本文首先将同一场景的可见光图像及红外热图像进行预处理、配准融合，本文默认红外图像尺寸小于可见光图像，否则将进行裁剪。进行预处理后的图像效果。图STYLEREF1\s2-20可见光红外融合图像随后，将可见光图像与红外热图像的像素矩阵进行匹配，直接点击可见光图像，获取位置信息，通过本文的改进RBF神经网络进行温度预测，得到红外热像温度。同理，直接点击红外热像图，即可获取目标位置的温度，并定位至可见光图像区域。模型流程图所示；图像图像预处理选择图像红外热像图可见光图像点击目标位置并标记标记对应可见光图像位置本文RBFNN温度预测本文RBFNN温度预测点击目标位置并标记目标出界获取对应红外热图像位置输出温度是否图STYLEREF1\s2-21温度分析模型流程图5）实验结果与分析通过在红外图像上进行选点，自动获取对应红外热图像目标位置坐标及所在位置的R、G、B三像素，并随机选取50组数据作为本文RBF神经网络的输入，红外热像温度为输出，并且与OLS-RBF、AGA-OLS-RBF神经网络的输出值进行对比试验，可得表；表STYLEREF1\s2-9各算法评价指标对比表算法平均相对误差最大相对误差OLS-RBF0.4864251.819685AGA-OLS-RBF0.1417670.598378QGA-OLS-RBF0.0605280.240022其中本文改进RBF神经网络的测试结果所示，可以清晰、直观的发现，预测温度值与实际温度值几乎全部吻合，误差很小。图STYLEREF1\s2-22本文算法温度预测结果图具体的算法对比误差分布情况如图2-71所示。其中绿色曲线为OLS-RBFNN的误差曲线，蓝色曲线为AGA-OLS-RBFNN的误差曲线，绿色曲线为QGA-OLS-RBFNN的误差曲线，通过图2-71，我们可以清晰地发现，本文提出的方法相对于OLS-RBF、AGA-OLS-RBF神经网络的预测情况效果更佳，改善了RBF神经网络的泛化能力，输出稳定，预测精度高。OLS-RBF的最大相对误差在大约1.8的情况下，本文最大误差仅仅为0.24，且平均相对误差，OLS-RBF算法是本文算法的8倍，AGA-OLS-RBF为本文算法的2倍多。图STYLEREF1\s2-23各算法预测误差对比图本课题研究·运用MatlabGUI对温度分析程序的操作界面进行简洁的设计，以某变电站变压器热异常图像为例，具体的界面如图所示，不仅可以单独分析可见光图像或红外热像图，亦可以同时分析两类图像。图中随机点击可见光图像，得到目标位置的红外温度为21.6摄氏度，并用红色圆圈进行标记；随机点击红外热像图，得到目标位置的红外温度为8.3摄氏度，并用绿色圆圈进行标记，对应的可见光图像位置坐标为(123,100)，用黄色圆圈进行了标记。图STYLEREF1\s2-SEQ图\*ARABIC\s173设备红外温度分析程序界面本课题研究提出的基于量子遗传(QGA)-正交最小二乘算法（OLS）优化径向基神经网络(RBFNN)的变电站设备红外温度预测方法，克服了变电