一种GIS设备的局部放电图谱模式识别方法和系统与流程

文档序号:19312583发布日期:2019-12-03 23:40阅读:来源:国知局

技术特征:

1.一种gis设备的局部放电图谱模式识别方法,其特征在于,包括步骤:

根据局部放电原始信号生成prps图谱和prpd图谱,对所述prps图谱和所述prpd图谱进行预处理,得到统计特征参数与规格化灰度图像;

对所述规格化灰度图像分别进行基于像素的图形变换操作,得到衍生图像,并根据所述衍生图像提取图像形态学特征参数;

构建pso-bp神经网络,将所述统计特征参数与所述图像形态学特征参数作为输入层向量、将预设绝缘缺陷的类别序号作为输出层向量输入所述pso-bp神经网络,根据经验公式计算所述pso-bp神经网络的隐层节点数量;

将已知缺陷类别的样本数据分为两部分,分别为训练样本和泛化样本,利用所述训练样本对所述pso-bp神经网络进行网络优化,将所述泛化样本对优化后的pso-bp神经网络进行一致性验证,并进行分类迭代得到图谱模式识别模型;

将未知缺陷类别的待测数据输入所述图谱模式识别模型,得到分类结果。

2.如权利要求1所述的局部放电图谱模式识别方法,其特征在于,所述预处理包括消除图谱背景网格线、消除网格面积及长宽比分布不均、插值、彩色像素灰度化。

3.如权利要求1所述的局部放电图谱模式设备方法,其特征在于,所述统计特征参数包括放电峰值、放电均值、放电频次、最大周期计数率、前半周占比和极性区占比中的部分或全部。

4.如权利要求1所述的局部放电图谱模式识别方法,其特征在于,所述形态学特征参数包括hu不变矩、闭运算增幅、开运算衰减、边缘占比和角点占比;所述根据所述衍生图像提取图像形态学特征参数,包括:

根据像素灰度值计算0到2阶原点矩、中心矩,并经过规范化与线性组合,导出一个7维向量,即所述hu不变矩,所述hu不变矩体现所述衍生图像的宏观格局特征;

以米字型模板,对所述衍生图像中所有像素先后进行一次膨胀操作与腐蚀操作,随后进行二值化分割,得到所述闭运算增幅;

以米字型模板,对所述衍生图像中所有像素先后进行一次腐蚀操作与膨胀操作,随后进行二值化分割,得到所述开运算衰减;

计算所述衍生图像的各像素横向与纵向的一阶梯度值,使用sobel微分检测算子标注边缘像素,使用moravec角点检测算子标注角点像素,得到所述边缘占比和所述角点占比。

5.如权利要求1所述的局部放电图谱模式识别方法,其特征在于,所述预设绝缘缺陷包括尖端电晕、悬浮电极、内部气隙、自由微粒、荧光干扰、手机干扰、马达干扰和雷达干扰。

6.一种gis设备的局部放电图谱模式识别系统,其特征在于,包括:

图谱处理模块,被配置为根据局部放电原始信号生成prps图谱和prpd图谱,对所述prps图谱和所述prpd图谱进行预处理,得到统计特征参数与规格化灰度图像;

图形变换模块,被配置为对所述规格化灰度图像分别进行基于像素的图形变换操作,得到衍生图像,并根据所述衍生图像提取图像形态学特征参数;

模型构建模块,被配置为构建pso-bp神经网络,将所述统计特征参数与所述图像形态学特征参数作为输入层向量、将预设绝缘缺陷的类别序号作为输出层向量输入所述pso-bp神经网络,根据经验公式计算所述pso-bp神经网络的隐层节点数量;

模型训练模块,被配置为将已知缺陷类别的样本数据分为两部分,分别为训练样本和泛化样本,利用所述训练样本对所述pso-bp神经网络进行网络优化,将所述泛化样本对优化后的pso-bp神经网络进行一致性验证,并进行分类迭代得到图谱模式识别模型;

分类识别模块,被配置为将未知缺陷类别的待测数据输入所述图谱模式识别模型,得到分类结果。

7.如权利要求6所述的局部放电图谱模式识别系统,其特征在于,所述预处理包括消除图谱背景网格线、消除网格面积及长宽比分布不均、插值、彩色像素灰度化。

8.如权利要求6所述的局部放电图谱模式设备系统,其特征在于,所述统计特征参数包括放电峰值、放电均值、放电频次、最大周期计数率、前半周占比和极性区占比中的部分或全部。

9.如权利要求6所述的局部放电图谱模式识别系统,其特征在于,所述形态学特征参数包括hu不变矩、闭运算增幅、开运算衰减、边缘占比和角点占比;所述图形变换模块包括:

第一处理单元,被配置为根据像素灰度值计算0到2阶原点矩、中心矩,并经过规范化与线性组合,导出一个7维向量,即所述hu不变矩,所述hu不变矩体现所述衍生图像的宏观格局特征;

第二处理单元,被配置为以米字型模板,对所述衍生图像中所有像素先后进行一次膨胀操作与腐蚀操作,随后进行二值化分割,得到所述闭运算增幅;

第三处理单元,被配置为以米字型模板,对所述衍生图像中所有像素先后进行一次腐蚀操作与膨胀操作,随后进行二值化分割,得到所述开运算衰减;

第四处理单元,被配置为计算所述衍生图像的各像素横向与纵向的一阶梯度值,使用sobel微分检测算子标注边缘像素,使用moravec角点检测算子标注角点像素,得到所述边缘占比和所述角点占比。

10.如权利要求6所述的局部放电图谱模式识别系统,其特征在于,所述预设绝缘缺陷包括尖端电晕、悬浮电极、内部气隙、自由微粒、荧光干扰、手机干扰、马达干扰和雷达干扰。


技术总结
本申请公开了一种GIS设备的局部放电图谱模式识别方法和系统,具体为对根据局部放电原始信号生成的PRPS图谱和PRPD图谱进行预处理,得到统计特征参数与规格化灰度图像;对规格化灰度图像分别进行基于像素的图形变换操作,得到图像形态学特征参数;构建PSO‑BP神经网络,将统计特征参数、图像形态学特征参数、预设绝缘缺陷的类别序号输入PSO‑BP神经网络,根据经验公式计算PSO‑BP神经网络的隐层节点数量;将已知缺陷类别的样本数据对PSO‑BP神经网络进行网络优化,得到图谱模式识别模型;将未知缺陷类别的待测数据输入图谱模式识别模型,得到分类结果。通过上述处理解决了目前的局部放电信号检测方法判据单一、准确率较低且移植和兼容性较差的问题,还解决了人工图谱目测方式效率较低的问题。

技术研发人员:方舟;张伟;郭诚;张冰冰;刘辉;黄钟
受保护的技术使用者:西安西电开关电气有限公司;中国西电电气股份有限公司
技术研发日:2019.07.17
技术公布日:2019.12.03
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1