【《基于SOM神经网络的变电站设备红外图像诊断方法概述》2800字】

基于SOM神经网络的变电站设备红外图像诊断方法概述基于改进神经网络的电力设备红外热像特征提取及诊断方法红外检测技术提高了电力系统的故障检测水平，但目前的检测方法仍然需要人工诊断，分析效率较低。根据变电站电气设备故障问题，研究了采用数字图像处理技术在变电站自动检测电气设备故障。在应用神经网络技术进行变电站运行状态诊断时，因为智能神经网络处理能够模仿人类大脑，非精确的自适应功能，非规则结构，具有自组织学习的特点，可以优化计算和知识推理。因此，神经网络在变电站运行状态诊断中被广泛使用，以BP神经网络算法为代表，也应用最广。BP算法的主要优点是，它涉及对训练样本的学习，对故障数据和有规律的内在联系的分析，其本质是作为函数逼近器，通过学习能反应输入、输出之间复杂的非线性关系。自组织神经网络(SOM)算法能有效解决BP算法在故障诊断中的不足，如要求训练样本大、训练时间长、预测精度受隐层神经元数据的限制，并且不能保证收敛。项目利用OTSU分割红外图像和SOM神经网络模型相结合的方法来实现变电站运行状态的诊断。利用红外热像仪采集相应的变电站设备红外图像，并过图像OTSU分割等预处理后，提取设备的相对温度分布特征、Hu不变矩、Zernike不变矩等参数作为识别设备状态的信息特征量，通过SOM神经网络智能诊断，输出设备的状态信息，并用于变电站设备诊断。1）OTSU法分割红外热像图像分割是红外图像的预处理到分析的关键步骤，设备状态评估的效果受制于图像分割的质量，因此，图像分割的效果很关键。基于阈值的图像分割的基本思想，是根据一些标准的过程中获得最佳阈值。其中基于阈值的分割方法中应用较为广泛的一种称为最大类间方差法又称作Otsu法。其基本思想是：设灰度图像的灰度级范围为[0，L-1]，其灰度为i，像素个数为N，ni表示灰度级为i的像素个数，灰度为i的像素出现的概率为pi=ni/N，使用阈值t将图像灰度级划分为两类，C0和C1。C0=(0，1，2…，t)和C1=(t+1，t+2，…，L-1)，则两类出现的概率分别为：（式STYLEREF1\s21）（式STYLEREF1\s22）两类的灰度均值分别为：（式STYLEREF1\s23）（式STYLEREF1\s24）（式STYLEREF1\s25）类间方差定义为：（式STYLEREF1\s26）则最佳阈值的表达式为：（式STYLEREF1\s27）灰度分布的均一性度量是方差，方差越大，构成图像的两个部分差分是更大的，当方差为最大值，前景和背景的差异最大，达到最小误判概率，可以被视为最佳阈值分割。下图为某变压器套管的红外热像图及对应分割图。图STYLEREF1\s2-1变压器套管的红外热像图及OTSU分割图2）提取红外热像特征信息设计模式识别分类器的关键是提取有效的特征信息，常见的红外图像特征有Hu矩，但其包含许多冗余信息，计算量随矩阶数的增加而迅速增长。而正交矩没有信息冗余，抗噪声能力强，更适合图像目标的描述。在正交矩的分析方法中，Zernike矩对噪声的灵敏度好，冗余信息和对图形的描述能力等方面都具有较好的性能。p阶q重的Zernike矩可定义为：其中是的共轭，对于离散图像：针对图像的尺度变化，可直接对图像进行尺度归一化，得到Zernike矩为：在实际应用中，Zernike矩的模Apq为形状特征。因此，本文共提取12个特征参数值作为SOM神经网络的输入参数，包含4个温度特征参数，包括变电站设备红外热像中区域温度最大值tmax、平均温度值tmean、背景温度值tB、温度分布方差tvar，以及8个Zernike矩特征参数。3）SOM故障诊断模型20世纪80年代，芬兰赫尔辛基大学神经网络专家Kohonen教授提出的一种无监督神经网络，即SOM神经网络。SOM网络可以完成从输入空间(n维)到输出平面(2维)的降维映射，且映射具有拓扑特征保持性质，SOM神经网络模型如图所示。出层入层…………xnxix1出层入层…………xnxix1图STYLEREF1\s2-2SOM神经网络模型具体步骤如下：（1）初始化SOM输入层和竞争层的神经元数量设置为n，m，确定网络的拓扑结构。所有的权重WIJ初始化为[0，1]区间的随机数。设置SOM网络的迭代次数和样本大小分别是T和K。（2）提出输入模式将输入向量带入SOM神经网络。其中，第k次的输入向量为Xk=[xk1，xk2，。。。，xkn]。Xk的值将被随机选取或从训练集中循环选取。（3）计算所有神经元的距离在这项研究中，输入向量Xk=[xk1，-xk2，。。。，xkn]和各神经元的权重向量Wj=[Wj1，Wj2，……，Wjn]之间的距离，使用标准的欧氏距离计算。该公式如下：（式STYLEREF1\s28）（4）确定获胜神经元SOM的输出通常是权重向量与输入向量XK最近的神经元。假设获胜神经元是C，获胜神经元和输入神经元之间的权重向量是Wc。即。（5）更新权重和相邻节点一旦获胜神经元被定位，SOM通过更新获胜神经元的权值向量得到不断学习。根据输入向量，权重向量应该通过公式，进行更新和强化。（式STYLEREF1\s29）其中Wj(t+1)是输出神经元j和的输入神经元的权值更新操作后的权值向量，Wj(t)是输出神经元j和的输入神经元的权值更新操作前的权值向量。g(t)是学习率，[0，1]，hjc(t)是邻域函数，并且才用高斯邻域函数，则hjc(t)为（式STYLEREF1\s210）其中rc和rj分别是获胜神经元和其它竞争的神经元在二维平面阵列的点，o是邻域半径。（6）选择新的输入向量，循环进行算法的步骤(3)至(5)，直到输出层获胜神经元对应的输入样本稳定。（7）更新学习率和邻域函数（式STYLEREF1\s211）一般情况下，学习率需要降低到保证算法的收敛性。（式STYLEREF1\s212）其中，0是o的初始值，t是时间常数，可由获得。随着不断学习，邻域半径最终减小到0。这意味着，获胜神经元对附近的神经元的影响将不断降低，以加强对确定类别的响应。（8）设置t=t+1，重复步骤2进行T次迭代。从学习过程可以发现，权值向量向输入模型靠近。权重向量集是对所有样本的描述，一个单一的权值向量可以作为全部样本的聚类中心，通过设置相应的神经元作为获胜神经元样本。然后，SOM神经网络实现聚类和分类功能。一旦聚类形成，新的数据类别将被输入到SOM，判断它所属的聚类（使用相同的相似准则来训练SOM）。假设A=[a1，a2，…，an]，是一个新的输入量，然后找到最近的竞争神经元，作为获胜神经元。获胜神经元的激活值是1，其他值为0。获胜的神经元代表A的分类结果。4）实例分析将采集得到的红外热像特征参数作为SOM神经网络的输入样本，并获得可视化的聚类效果图。每组数据共有12个数据，包含4个温度特征参数，8个Zernike矩特征参数，在不同的环境温度，不同的运行状态下，以变压器套管为例，共采集56组。为了获得良好的视觉效果，通常SOM网络的输入层节点数稍大于输入样本的数量，从而定义了SOM网络输出节点数为7*7。输出层的拓扑结构为层状的六边形网格，本文部分输入参数如表所示。表STYLEREF1\s2-1变电设备的特征参数及运行状态SOM神经网络输入诊断结果TmaxtmeantBtvarZ1Z2…Z8输出实际84.266.614.21157.41.50090.0264…0.00911166.651.414.8550.51.35070.0354…0.01162296.681.511.61259.45.30470.0295…0.011711……14.511.45.040.95.83500.0066…0.005322本文的诊断结果分为故障和正常两种情况，输出分别由1，2代表，得到SOM神经网络映射图，其中输出结果映射到粉红色区域的表示设备运行正常，映射到蓝色区域的表示设备运行有故障，还有粉红色和蓝色重叠的紫色部分，映射到紫色部分的既可能是正常又可能是故障的状态，是由于SO