基于量子神經(jīng)網(wǎng)絡(luò)的變電站熱像診斷研究

施德州

摘 要：隨著電網(wǎng)規(guī)模的不斷擴(kuò)張，變電站的數(shù)量也日益增加，要保證可靠供電對(duì)于變電站可靠的運(yùn)行維護(hù)就顯得非常重要，本文針對(duì)現(xiàn)階段大型變電站的特點(diǎn)，采用量子神經(jīng)網(wǎng)絡(luò)的方法對(duì)變電站的故障類型采用紅外診斷的方法，采用了最大類間差法（OTSU）對(duì)變電站中的設(shè)備進(jìn)行處理，通過對(duì)采樣數(shù)據(jù)的分析判斷變電站的故障類型和應(yīng)對(duì)策略。研究表明，該方法可適用于變電站的故障診斷，評(píng)估準(zhǔn)確率很高，故障診斷率大大提高，可以適用到各變電站中，從而提升設(shè)備運(yùn)行的穩(wěn)定性以及電網(wǎng)的可靠性。

關(guān)鍵詞：量子神經(jīng)網(wǎng)絡(luò) 紅外成像 變電站 故障診斷

中圖分類號(hào)：TM63 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）11（a）-00-03

隨著電網(wǎng)的發(fā)展和規(guī)模餓不斷擴(kuò)大，電網(wǎng)的結(jié)構(gòu)日益復(fù)雜，變電站的數(shù)量也日益增多，在電網(wǎng)日常運(yùn)行過程中，設(shè)備的狀態(tài)是應(yīng)對(duì)故障排除隱患的最重要的指標(biāo)，對(duì)設(shè)備狀態(tài)的檢測就顯得尤為重要。

目前國內(nèi)外對(duì)于變電站故障檢測的方法有很多的研究，傳統(tǒng)的檢測方法主要包括事前預(yù)防事后檢測，但隨著設(shè)備數(shù)量大規(guī)模的增長，事前預(yù)防事后檢測的方法會(huì)占用大量人力、物力，導(dǎo)致部分設(shè)備因檢修周期過長造成經(jīng)濟(jì)損失。變電站相關(guān)設(shè)備是以相關(guān)部位的溫度進(jìn)行評(píng)判，從熱力學(xué)出發(fā)，本文將用紅外成像技術(shù)用在智能變電站的故障診斷，將量子神經(jīng)網(wǎng)絡(luò)和紅外故障檢測技術(shù)結(jié)合起來，提高檢測效率，減少停電時(shí)間，增大電網(wǎng)的安全穩(wěn)定運(yùn)行。

1 紅外成像原理

在電力系統(tǒng)中采用紅外成像進(jìn)行故障診斷的方法已經(jīng)廣泛應(yīng)用于國內(nèi)外的研究以及生產(chǎn)生活中，該技術(shù)在電力系統(tǒng)中使用的關(guān)鍵是如何將紅外成像的數(shù)字圖像中的有效信息提取出來，進(jìn)行有效的故障診斷的判斷。

本文針對(duì)變電站運(yùn)行過程中出現(xiàn)的特點(diǎn)，本文為了提升紅外數(shù)據(jù)特征值的采集效率，通過對(duì)圖像進(jìn)行分割，建立算法模型，減少傳統(tǒng)中的算法過慢，周期過長的特點(diǎn)，有效解決傳統(tǒng)算法的不足。

2 紅外成像特征值提取

本文通過對(duì)變電站測試得到的紅外圖像對(duì)齊進(jìn)行處理，設(shè)備狀態(tài)評(píng)估的效果很大程度上受到特征值是否提取完善，圖片是否分割的清晰明了決定。本文采用灰度最大熵法進(jìn)行紅外成像的特征值提取。首先提取變電站紅外攝像圖，將其通過灰度分為兩類，灰度的分布是方差，方差反映出兩個(gè)圖像的差別。當(dāng)方差越大，圖像的兩個(gè)部分也就越大，依據(jù)這一思路；當(dāng)方差為最大值時(shí)，目標(biāo)和背景的差異最大，達(dá)到最小誤判概率，可以被視為最佳閾值分割。圖1為某變壓器套管的紅外熱像圖及對(duì)應(yīng)分割圖。

提取紅外熱像特征信息如下。

在神經(jīng)網(wǎng)絡(luò)中的模式識(shí)別分類器的關(guān)鍵是提取有效的特征信息。常見的紅外圖像特征值有很多，通常采用矩陣的形式進(jìn)行記錄信息，對(duì)于不同的方面，矩陣的冗余度不同，隨著矩陣階數(shù)的增長而增加，本文考慮到國內(nèi)外采用信息矩陣的采樣方法使用Zernike矩陣應(yīng)對(duì)變電站中的噪聲靈敏度，在真實(shí)圖像的反映以及圖像真實(shí)的還原上都具有較好的性能，尤其適用于電力系統(tǒng)。

在變電站紅外成像的過程中，不同電壓等級(jí)、不同地理位置的站成像各異，針對(duì)圖像的尺度變化，可對(duì)圖像進(jìn)行歸一化處理，得到其Zernike 矩為：

（1）

本文采用式（1）提取12個(gè)變電站主要特征值作為網(wǎng)絡(luò)分析的初始參數(shù)，包括變電站設(shè)備溫度、濕度、運(yùn)行水平、設(shè)備年齡狀態(tài)等。

3 QNM故障診斷模型

本文為了將變電站的多重信息統(tǒng)一化，采用量子神經(jīng)網(wǎng)絡(luò)（Quantum Neuron Model，QNM）的方法對(duì)紅外成像的輸入輸出之間建立有機(jī)的聯(lián)系如圖2所示。

神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)過程主要有如下幾步。

（1）初始化量子層：輸入輸出層數(shù)為n，量子間的競爭設(shè)為m，權(quán)重設(shè)置為Wj（Wj是0～1之間的隨機(jī)數(shù)）。

（2）輸入模式：將輸入向量帶式（1）中，第k次的輸入量維度為：

Xk=[xk1，xk2，…，xkn] （2）

其中，Xk的值將被隨機(jī)選取或從訓(xùn)練集中循環(huán)選取。

（3）計(jì)算所有神經(jīng)元的距離：使用標(biāo)準(zhǔn)的歐氏距離計(jì)算如下。

（3）

（4）確定生存神經(jīng)元：輸出通常是權(quán)重向量與輸入向量XK最近的神經(jīng)元。

（4）

（5）更新節(jié)點(diǎn)數(shù)據(jù)：一旦新的神經(jīng)元確立，量子神經(jīng)元會(huì)通過上式不斷學(xué)習(xí)更新每個(gè)節(jié)點(diǎn)的數(shù)值，并根據(jù)下式進(jìn)行強(qiáng)化。

（5）

（6）選擇新的輸入，并循環(huán)上述步驟，直到所得結(jié)果收斂（量子神經(jīng)元網(wǎng)絡(luò)穩(wěn)定）。新的量子網(wǎng)絡(luò)神經(jīng)元穩(wěn)定后，新的數(shù)據(jù)將被用作準(zhǔn)則繼續(xù)用來訓(xùn)練新的輸入量，采用使用次數(shù)和最近一次的迭代結(jié)果對(duì)結(jié)果進(jìn)行修正最后輸出，在下次迭代時(shí)可從“最優(yōu)路徑”快速學(xué)習(xí)。

4 實(shí)例分析

本文將在不同的環(huán)境溫度，不同的運(yùn)行狀態(tài)下，采集的變壓器套管為例，取用56組紅外熱像數(shù)據(jù)，如表1所示。

本文的診斷結(jié)果分為故障和正常兩種情況，輸出分別由1，2結(jié)果如圖3所示，其中圖形下部斜杠條紋為正常，上部出現(xiàn)磚塊形狀為故障，其他顏色為可疑、需要進(jìn)一步確認(rèn)信息，白色為無用信息。

上述數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，如圖4所示，經(jīng)本文QNM故障檢測準(zhǔn)確率可高達(dá)95%以上，而對(duì)比經(jīng)過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，診斷率是57.14%，本文采用的方法準(zhǔn)確率大大提升，從而提高電力系統(tǒng)穩(wěn)定性。

5 結(jié)語

本文利用紅外成像對(duì)運(yùn)行中的變電站進(jìn)行故障診斷，提取設(shè)備的相對(duì)溫度分布特征利用Zernike矩陣特點(diǎn)帶入到QNM算法中，對(duì)變電站的運(yùn)行水平評(píng)估，從而對(duì)運(yùn)行中的變電站分級(jí)，對(duì)有安全隱患的變電站分類，有效地進(jìn)行故障診斷，變電站的故障監(jiān)測診斷率和運(yùn)行效率有效提升。

參考文獻(xiàn)

[1] A. Rogalski. Recent Progress in Infrared Detector Technologies [J]. Infrared Physics & Technology，2011， 54（3）：136-154.

[2] 許向陽，宋恩民，金良海.Otsu準(zhǔn)則的閾值性質(zhì)分析[J].電子學(xué)報(bào)，2009，37（12）：2716-2719.

[3] Singh C，Walia E. Rotation Invariant Complex Zernike Moments Features and Their Applications to Human Face and Character Recognition[J]. IET Computer Vision，2010，5（5）：255-266.

[4] ZouYunfeng，Wu Weilin，Li Zhiyong.Cluster Analysis of Arc Fault in Low-voltage Based on SOM Neural Network[J]. Chinese Journal of Scientific Instrument，2010，31（3）：571-576.