CN102520286B - 基于高光谱的复合绝缘子运行状态分类方法 - Google Patents
基于高光谱的复合绝缘子运行状态分类方法 Download PDFInfo
- Publication number
- CN102520286B CN102520286B CN201110419623.9A CN201110419623A CN102520286B CN 102520286 B CN102520286 B CN 102520286B CN 201110419623 A CN201110419623 A CN 201110419623A CN 102520286 B CN102520286 B CN 102520286B
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- state
- classification
- class
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供一种基于高光谱的复合绝缘子运行状态分类方法,首先获取复合绝缘子高光谱影像,对高光谱影像进行预处理,然后将已知状态的像素作为样本,选取训练样本,针对每种状态提取光谱特征,构建光谱特征空间,最后,采用最大似然分类法分类,识别未知复合绝缘子像素的状态。本发明基于高光谱的复合绝缘子运行状态分类方法,用高光谱成像仪进行非接触式检测,操作简单,适合现场带电检测,对运行状态识别的效果较好;同时,本分类方法能够直接从影像上识别复合绝缘子的运行状态,不必拆卸复合绝缘子,不必停运线路,为大范围复合绝缘子状态检修提供基础,满足我国复合绝缘子运行状态检测的需求。
Description
技术领域
本发明涉及一种复合绝缘子运行状态分类方法,属于输变电设备运行状态检修领域,尤其涉及一种基于高光谱的复合绝缘子运行状态分类方法,可用于现场带电检测复合绝缘子的运行状态。
背景技术
复合绝缘子有优良的防污闪性能,不容易被击穿,且不会出现瓷绝缘子的零值、低值和玻璃绝缘子的伞群自爆等问题。20世纪80年代,我国专家学者在吸取国外经验的基础上展开了对复合绝缘子的研发,中期样品于80年代末期投入试运行。90年代初,各地相继出现污闪事故,由于耐污性能好,复合绝缘子被投入挂网使用。到1994 年底,挂网运行的复合绝缘子达5 万支。自此,复合绝缘子入网数量迅猛增加:1995年为10万支,1998 年为46 万支,2001年为160 万支,2005年挂网运行已达300万支。截止2010年12月,国家电网公司管辖的66kV及以上电压等级线路在运复合绝缘子支数占同种电压等级线路所有类型在运绝缘子支数的37.02%。
从目前的运行情况来看,复合绝缘子的可靠性比瓷绝缘子和玻璃绝缘子好。但是,随着运行年限的增加,伞套材料脆化、硬化、粉化、开裂,芯棒暴露,绝缘表面出现局部放电现象,憎水性能减弱等问题逐渐凸显。绝缘子对电气设备或导体不仅要起绝缘作用,还要起固定悬挂作用,劣化的绝缘子将威胁电网的安全运行。
国内外专家学者对绝缘子的检测方法展开了大量研究,现有的复合绝缘子检测方法有接触式、非接触式,其中接触式检测法包括电压分布法、短路叉法、火花间隙法、光电式检测杆法、声脉冲检测法、泄露电流测量法,非接触式检测法包括超声波检测法、激光多普勒振动法、红外测温法、电晕摄像机法、声波检测及无线电波检测法。接触式检测法需要人工登塔操作,不适合现场检测。非接触式检测法中多数方法只对某一种或某几种的故障检测效果明显,但是对其他类型的故障难以检测,而且所需设备昂贵,检测效果不是很理想。
由于复合绝缘子为棒型结构,一旦失效,对输电线路的影响将大于由多个绝缘子组成的绝缘子串。现有的复合绝缘子检测方法大多只适合在实验室进行,成本高,工作量大,不适合现场带电检测,复合绝缘子缺乏合适的现场检测方法及装置。因此,有必要研究带电检测复合绝缘子运行状态新技术,以便及时发现并劣化的复合绝缘子,保证输电线路的安全运行。
有关这方面的文献报道例如申请号为200520006400.X的名为液晶图形显示高压输电线路复合绝缘子带电检测仪的实用新型专利,公开了一种带电检测高压输电线路复合绝缘子缺陷的装置,能够识别带电复合绝缘子的导通性缺陷、内部脱空和复合绝缘子串中的低零值绝缘。然而,上述专利并没有涉及现场带电检测复合绝缘子的运行状态的检测方法。
有鉴于此,有必要提供一种基于高光谱的复合绝缘子运行状态分类方法,可以现场带电检测复合绝缘子的运行状态。
发明内容
本发明所要解决的技术问题是:针对现有技术存在的不足,提供一种复合绝缘子运行状态的检测方法,采用高光谱成像仪对复合绝缘子成像,通过高光谱影像判断复合绝缘子的运行状态。
本发明所采用的技术方案是:一种基于高光谱的复合绝缘子运行状态分类方法,其特征在于,包括以下步骤:
1)用高光谱成像仪对复合绝缘子成像,获取复合绝缘子的高光谱影像;
2)影像预处理:对复合绝缘子的影像进行预处理,包括几何校正、滤波去噪、辐射校正,以获得较为精确的光谱信息;
3)选取训练样本:先确定状态数,然后将已知状态的像素作为样本,选取每种状态的样本;
4)构建光谱特征空间:对选取的训练样本进行特征选择,先求标准化距离,选取标准化距离最大的波段作为特征波段;然后由训练样本和特征波段构建光谱特征空间;
5)状态分类:对目标复合绝缘子光谱信息,采用最大似然分类法对各个像素逐个分类,最后,汇集各个像素的状态信息,获取目标复合绝缘子整体状态信息;其中:
步骤3)中选取全新、运行良好、C级污秽、重度粉化共4种状态。
如上所述的基于高光谱的复合绝缘子运行状态分类方法,其特征在于,步骤4)中的不同状态均值间的标准化距离公式为:
式中:分别为状态1和状态2的均值;
分别为状态1和状态2的标准差;
标准化距离由选取的训练样本来计算均值和标准差后确定。
如上所述的基于高光谱的复合绝缘子运行状态分类方法,其特征在于,步骤5)中最大似然分类法是采用概率判别函数和贝叶斯判别规则进行的分类,把某特征矢量X落入某类集群的条件概率当成分类判别函数,把X落入某集群的条件概率最大的类作为X的类别,假设同类复合绝缘子在光谱特征空间服从正态分布,则类别的概率密度函数式为:
根据贝叶斯公式,可得条件概率:
式中: —某特征矢量X落入某状态的条件概率;
—类出现的概率;
—为在类中出现X的条件概率;
根据贝叶斯判决规则,若存在>,则目标属于类。
本发明的有益效果是:基于高光谱的复合绝缘子运行状态分类方法,用高光谱成像仪进行非接触式检测,操作简单,适合现场带电检测,对运行状态识别的效果较好;同时,本分类方法能够直接从影像上识别复合绝缘子的运行状态,不必拆卸复合绝缘子,不必停运线路,为大范围复合绝缘子状态检修提供基础,满足我国复合绝缘子运行状态检测的需求。
附图说明
图1为本发明实施例的基于高光谱的复合绝缘子运行状态分类方法的技术路线图。
图2为图1中复合绝缘子高光谱影像获取的实施例框图。
图3为图1中预处理的流程图。
图4为图1中训练样本选取的实施例框图。
图5为本发明实施例的基于高光谱的复合绝缘子运行状态分类方法的光谱特征空间构建框图。
图6为本发明实施例的基于高光谱的复合绝缘子运行状态分类方法的状态分类框图。
具体实施方式
为了更好地理解本发明,下面结合实施例进一步阐明本发明的内容,但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样在本申请所列权利要求书限定范围之内。
附图中的标记说明:1-复合绝缘子高光谱影像获取,2-预处理,3-训练样本选取,4-光谱特征空间构建,5-状态分类,1.1-复合绝缘子,1.2-高光谱成像仪,2.1-几何校正,2.2-去噪,2.3-辐射校正,3.1-确定状态数,3.2-选取每种状态的样本,4.1-任意选取两个状态,4.2-计算标准化距离,4.3-选取特征波段,5.1-光谱特征空间,5.2-目标光谱,5.3-贝叶斯判定规则,5.4-分类结果。
本发明的工作原理:不同运行状态复合绝缘子的光谱特性不同,高光谱成像仪可以获取复合绝缘子的光谱特征。通过对复合绝缘子的高光谱影像进行分析可知,不同运行状态的复合绝缘子与其光谱曲线一一对应,因此,对光谱特征进行分析可以识别复合绝缘子的运行状态。
图1为本发明的技术路线图。首先获取复合绝缘子高光谱影像1,对高光谱影像进行预处理2。然后将已知状态的像素作为样本,选取训练样本,针对每种状态提取光谱特征,构建光谱特征空间。最后,用贝叶斯判别规则分类,识别未知复合绝缘子像素的状态。
本发明提供的基于高光谱的复合绝缘子运行状态分类方法,首先要用高光谱成像仪对复合绝缘子成像,实施例框图如图2所示。然后对获取的高光谱影像进行如图3所示的预处理。高光谱成像仪对复合绝缘子成像时,由于各种因素的影响,影像本身的几何形状与其对应复合绝缘子的形状有差别,需要用多项式的方法对高光谱影像进行粗略的几何校正。成像过程复杂导致高光谱成像仪接收的电磁波能量与复合绝缘子本身辐射的能量不一致,因此,还需要进行辐射处理。先用滤波的方法对高光谱影像进行去噪处理,然后再用辅助数据对复合绝缘子高光谱影像进行辐射校正。
本发明提供的分类方法属于监督分类,即对每种状态的复合绝缘子有一定的先验知识。根据先验知识,有目的地选取已知状态的训练样区,利用训练样区去建立分类器,然后按照分类器对未知区域进行状态判定。图4为图1中训练样本选取的实施例框图。首先确定状态的数目,本实施例选取全新、运行良好、C级污秽、重度粉化共4种状态。对每种状态,分别在高光谱影像上对应复合绝缘子的区域内选取大量纯净像素作为该状态的训练样本。
高光谱影像通常由几百个波段组成,数据量大。虽然每一波段的影像都包含了丰富的信息,但对复合绝缘子来说,并不是全部获取的数据都有效。若将原始的高光谱影像全部用于复合绝缘子运行状态分类,数据量大、计算复杂,而且分类的效果不一定好,所以要进行特征选择,以减少参加分类的特征影像数目。图5为本发明光谱特征空间构建框图,对选取的训练样本进行特征选择,先求标准化距离,选取标准化距离最大的波段作为特征波段;然后由训练样本和特征波段构建光谱特征空间。不同状态均值间的标准化距离公式为:
式中:分别为状态1和状态2的均值;
分别为状态1和状态2的标准差。
标准化距离可由选取的训练样本来计算均值和标准差后确定,标准化距离越大,则说明特征影像的可分性越好。
本发明实施例共选取了全新、运行良好、C级污秽、重度粉化四种状态,首先在四种状态中任意选取两个状态,求其在每个波段的标准化距离,选取标准化距离最大的波段。四种状态中任选两种的方式共有4种组合,因此最后可以选出4个特征波段。以选出的训练样本和4个特征波段为基础,可以构建四维光谱特征空间。
利用图5构建的光谱特征空间,采用最大似然分类法对目标复合绝缘子的光谱信息进行分类。最大似然分类法是采用概率判别函数和贝叶斯判别规则进行的分类,把某特征矢量X落入某类集群的条件概率当成分类判别函数,把X落入某集群的条件概率最大的类作为X的类别。假设同类复合绝缘子在光谱特征空间服从正态分布,则类别的概率密度函数式为:
根据贝叶斯公式,可得条件概率:
式中: —某特征矢量X落入某状态的条件概率;
—类出现的概率;
—为在类中出现X的条件概率;
根据贝叶斯判决规则,若存在>,则目标属于类。
本发明状态分类框图如图6所示,对目标复合绝缘子光谱信息,采用贝叶斯判别规则对各个像素逐个分类。最后,汇集各个像素的状态信息,获取目标复合绝缘子整体状态信息。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (3)
1.一种基于高光谱的复合绝缘子运行状态分类方法,其特征在于,包括以下步骤:
1)用高光谱成像仪对复合绝缘子成像,获取复合绝缘子的高光谱影像;
2)影像预处理:对复合绝缘子的影像进行预处理,包括几何校正、滤波去噪、辐射校正,以获得较为精确的光谱信息;
3)选取训练样本:先确定状态数,然后将已知状态的像素作为样本,选取每种状态的样本;
4)构建光谱特征空间:对选取的训练样本进行特征选择,先求标准化距离,选取标准化距离最大的波段作为特征波段;然后由训练样本和特征波段构建光谱特征空间;
5)状态分类:对目标复合绝缘子光谱信息,采用最大似然分类法对各个像素逐个分类,最后,汇集各个像素的状态信息,获取目标复合绝缘子整体状态信息;其中:
步骤3)中选取全新、运行良好、C级污秽、重度粉化共4种状态。
2.根据权利要求1所述的基于高光谱的复合绝缘子运行状态分类方法,其特征在于,步骤4)中的不同状态均值间的标准化距离公式为:
式中:分别为状态1和状态2的均值;
分别为状态1和状态2的标准差;
标准化距离由选取的训练样本来计算均值和标准差后确定。
3.根据权利要求1所述的基于高光谱的复合绝缘子运行状态分类方法,其特征在于,步骤5)中最大似然分类法是采用概率判别函数和贝叶斯判别规则进行的分类,把某特征矢量X落入某类集群的条件概率当成分类判别函数,把X落入某集群的条件概率最大的类作为X的类别,假设同类复合绝缘子在光谱特征空间服从正态分布,则类别的概率密度函数式为:
根据贝叶斯公式,可得条件概率:
式中: —某特征矢量X落入某状态的条件概率;
—类出现的概率;
—为在类中出现X的条件概率;
根据贝叶斯判决规则,若存在>,则目标属于类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110419623.9A CN102520286B (zh) | 2011-12-15 | 2011-12-15 | 基于高光谱的复合绝缘子运行状态分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110419623.9A CN102520286B (zh) | 2011-12-15 | 2011-12-15 | 基于高光谱的复合绝缘子运行状态分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102520286A CN102520286A (zh) | 2012-06-27 |
CN102520286B true CN102520286B (zh) | 2014-07-09 |
Family
ID=46291272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110419623.9A Active CN102520286B (zh) | 2011-12-15 | 2011-12-15 | 基于高光谱的复合绝缘子运行状态分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102520286B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865144B (zh) * | 2015-03-19 | 2019-02-22 | 国网新疆电力公司 | 一种复合绝缘子运行状态的判别方法 |
CN107369162B (zh) * | 2017-07-21 | 2020-07-10 | 华北电力大学(保定) | 一种绝缘子候选目标区域的生成方法及系统 |
CN108072667A (zh) * | 2017-09-28 | 2018-05-25 | 江苏省电力试验研究院有限公司 | 基于高光谱的绝缘子污秽等级检测方法及系统 |
CN108956696A (zh) * | 2018-05-18 | 2018-12-07 | 云南电网有限责任公司电力科学研究院 | 绝缘子表面rtv涂层老化状态评估方法、装置及系统 |
CN109405771A (zh) * | 2018-12-29 | 2019-03-01 | 西南交通大学 | 一种车顶绝缘子表面粗糙度非接触式分级检测方法 |
CN109632655A (zh) * | 2019-01-25 | 2019-04-16 | 西南交通大学 | 一种基于图谱特征的绝缘子表面污秽等级可视化检测方法 |
CN109856088B (zh) * | 2019-01-25 | 2020-09-18 | 西南交通大学 | 一种绝缘子表面附沙密度的在线非接触检测方法 |
CN109799440B (zh) * | 2019-03-29 | 2021-06-18 | 云南电网有限责任公司电力科学研究院 | 基于高光谱技术的绝缘子污层电导检测方法 |
CN110530876B (zh) * | 2019-09-04 | 2020-08-18 | 西南交通大学 | 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 |
CN110954793B (zh) * | 2019-12-10 | 2021-06-01 | 西安交通大学 | 基于光谱成像的复合绝缘子伞裙老化检测方法及检测装置 |
CN112858858B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于降维的局部放电光谱特征波段提取方法及装置 |
CN113324922B (zh) * | 2021-05-31 | 2022-08-23 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的小麦条锈病监测方法 |
CN113720508B (zh) * | 2021-08-12 | 2023-07-07 | 浙江省电力锅炉压力容器检验所有限公司 | 基于双激光扫描的支柱瓷绝缘子应力监测装置及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2663427B1 (fr) * | 1990-06-15 | 1993-02-19 | Sitelec | Evaluation du vieillissement des isolants. |
CN1122183C (zh) * | 2000-11-13 | 2003-09-24 | 苏州市增华电子成套设备厂 | 绝缘子测试仪及使用方法 |
CN2906674Y (zh) * | 2005-11-07 | 2007-05-30 | 钱岷江 | 液晶图形显示高压输电线路复合绝缘子带电检测仪 |
CN101408579B (zh) * | 2008-11-21 | 2012-07-25 | 重庆大学 | 变压器油纸绝缘电热老化试验及局部放电一体化检测装置 |
CN101644738B (zh) * | 2009-09-02 | 2011-06-08 | 江苏省电力公司常州供电公司 | 六氟化硫气体绝缘全封闭组合电气的局部放电检测系统 |
CN102135593B (zh) * | 2010-12-28 | 2016-01-20 | 太原理工大学 | 大电机绝缘状态在线诊断评估方法 |
CN102230893A (zh) * | 2011-03-28 | 2011-11-02 | 广西电网公司电力科学研究院 | 复合绝缘子伞裙老化定量鉴别方法 |
-
2011
- 2011-12-15 CN CN201110419623.9A patent/CN102520286B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102520286A (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102520286B (zh) | 基于高光谱的复合绝缘子运行状态分类方法 | |
Xia et al. | Infrared thermography‐based diagnostics on power equipment: State‐of‐the‐art | |
CN102520323B (zh) | 基于高光谱的复合绝缘子老化运行状态检测方法 | |
CN102519846B (zh) | 基于高光谱的复合绝缘子憎水性检测方法 | |
CN101487866B (zh) | 基于红外热像交流输电线路瓷质零值绝缘子在线检测方法 | |
CN111754465B (zh) | 一种绝缘子定位与掉串检测方法 | |
CN102519974B (zh) | 基于图像智能识别的复合绝缘子龟裂检测方法 | |
CN103487729A (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
Zheng et al. | Component identification and defect detection in transmission lines based on deep learning | |
Liu et al. | Summary of insulator defect detection based on deep learning | |
Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
Han et al. | Transformer defects detection method based on visible and infrared fusion images | |
Wang et al. | A novel domain adversarial graph convolutional network for insulation defect diagnosis in gas-insulated substations | |
Fangrong et al. | Insulator and burst fault detection using an improved YOLOv3 algorithm | |
CN114283330A (zh) | 基于多源数据的在线巡检识别方法及系统 | |
Gu et al. | Object detection of overhead transmission lines based on improved YOLOv5s | |
CN112884720A (zh) | 一种配电线路污闪绝缘子检测方法及系统 | |
Cao et al. | Research on small-scale defect identification and detection of smart grid transmission lines based on image recognition | |
Rongrong et al. | Fault Diagnosis Method of Distribution Equipment Based on Hybrid Model of Robot and Deep Learning | |
Ni et al. | Research on Insulator Defect Detection Method Based on Image Processing and Watershed Algorithm | |
Lin et al. | Edge detection of foreign matter suspension image of high voltage transmission line based on improved Canny operator | |
Jianhua et al. | Infrared evaluation classification method for deteriorated insulator based on Bayesian algorithm | |
Pernebayeva et al. | Live line snow and ice coverage detection of ceramic insulator using Gabor image features | |
Li et al. | Research on the UAV Intelligent Inspection System to Monitor and Prevent Abnormal Heat of Composite Insulators for 500kV Transmission System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |