CN103617469A - 电力系统设备故障预测方法及系统 - Google Patents

Abstract

本发明公开了一种电力系统设备故障预测方法，首先采用二维模糊划分最大熵分割红外图像，对采集到的电力设备故障点的红外热像图进行降噪与目标分割；然后采用人工神经网络对收集的全部电力设备图像目标进行分类与存储；最后根据阶段型融合方式模型对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析，给出诊断结果；将电力设备常见故障点经验数据并结合检测出的故障点图像数据进行数据融合给出最终的电力设备故障结果或者预测故障位置。本发明融合了多种算法，制定了精确地诊断步骤，并采用模块化与系统化的设计，从而为电力系统设备故障诊断的建立找到了一条完整又精确的途径，提高了电力系统运行的可靠性与稳定性。

Description

电力系统设备故障预测方法及系统

技术领域

本发明涉及电力系统的故障诊断领域，特别涉及一种电力设备故障预测方法。

背景技术

随着现代电力系统规模日益扩大、电压等级不断提高，输电线路故障对社会经济和人民生活造成的危害更加严重。快速、准确的故障暂态识别是快速恢复电网供电的前提，也是故障分析的一个重要部分。因此，研究快速可靠的故障暂态识别方法对保障电力系统的安全性与经济性具有重要的意义。

针对电力系统设备故障诊断方法的研究，前人已经做了很多有益的探索。例如电力系统设备故障诊断领域常用的人工智能技术包括专家系统、人工神经网络、决策树理论等，此外近几年也出现了数据挖掘、模糊理论、粗糙集理论、Petri网络、贝叶斯网络、信息融合、信息论、支持向量机、仿生学的应用及多智能体系统等技术以及上述方法的综合应用。

现有技术中有一种基于故障树的多层次电力系统设备故障诊断系统，其运用故障树分析技术（FTA）建立电力系统发生内部故障的分类树模型，并将其应用于诊断系统建立的过程中，从而为系统诊断的建立找到一条简捷的途径，其具有知识表述直观、形式统一、易理解和解释方便等优点。但是这种方法的缺陷在于：1.针对越来越复杂的电力系统网络所观测到的症状与所对应诊断之间的联系是相当复杂的，通过归纳专家经验来获取规则进而诊断故障，准确度和通用性不佳；2.该方法只能有效地检测到故障的发生，而具备预测故障点发生的功能，属于先故障后诊断。

现有技术中还有一种基于粗糙集理论的电力系统设备故障诊断，粗糙集理论能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律用粗糙集理论进行故障诊断，能较强地处理信息不完整和信息冗余的情形。但是该方法也有需要改进之处：①粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集。②当丢失或出错的警报信息是关键信号时，诊断结果将受到影响。③当电网较复杂、庞大时，将导致决策表的规模变大，约简困难，诊断速度和精度降低。

另外，现有技术中还有一种局域贝叶斯网络的电力系统设备故障诊断，贝叶斯网络方法能有效地提高诊断精度和速度，且适合较大规模故障信息的复杂性和不确定性。贝叶斯网络逐渐应用于水电机组故障诊断、变压器故障诊断以及架空输电线路的状态估计中，并取得不错效果。但该方法还有以下不足：①获取知识较为困难。②如何实现信息融合下的故障诊断。③怎样实现复杂电网下的自动建模。④距离工程实际还有一段距离。

目前，还有一种基于ANN的电力系统设备故障诊断，它从该领域的专家提供的大量的实例形成用于故障诊断的神经网络模型和训练样本集，通过学习和训练实现该模型诊断功能，并且具有一定的泛化能力。ANN在电力系统设备故障诊断中的应用主要是故障定位和故障类型识别两个方面，具有鲁棒性好，学习能力强，不需要构造推理机，推理速度较快等特点。但是目前ANN在应用中也出现一些问题：①如何在大型系统中获得一个完备的知识库。②难以确保ANN训练时收敛的快速性和避免陷入局部最小。③缺乏解释自身行为和输出结果的能力。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种电力系统设备故障预测方法及系统。

本发明的目的之一是提出一种电力系统设备故障预测方法；本发明的目的之二是提出一种电力系统设备故障预测系统。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的电力系统设备故障预测方法，包括以下步骤：

S1：获取电力设备物理结构参数信息；

S2：获取电力设备红外图像信息；

S3：通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备红外图像；

S4：获取电力设备红外图像中温度信息，以及电力设备正常温度差范围；

S5：将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则返回步骤S2循环检测；

S6：如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；

S7：判断电力设备温度信息时间序列是否达到预设临界值，如果否，则返回步骤S6循环；

S8：如果是，则电力设备即将出现故障并报警。

进一步，还包括建立电力设备物理结构模型，所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障预测模型；

所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标；

所述故障预测模型，存储有不同类型的电力设备关联故障预测类型。

进一步，所述步骤S3中的电力设备图像是通过以下步骤来实现的：

S31：采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

S32：通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

S33：通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

S34：通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

进一步，所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数：

$f(\mathrm{\ωx}-\mathrm{\θ})=\frac{1}{1+e^{-(\mathrm{\ωx}-\mathrm{\θ})}},$

其中，x表示神经元输入特征向量的分量，即图像目标的形状特征；ω表示输入分量的权重；θ表示神经元的阈值。

进一步，所述S33中的阶段型融合方式模型包括以下具体步骤：

S331：对分类图像进行1级进行处理检测判决融合；

S332：对电力设备图像的信息源预处理；

S333：对电力设备图像与电力设备分类图像对比分析产生图像对比数据；

S334：如果图像对比数据不属于电力设备物理结构参数信息数据库，则返回步骤S331；

S335：如果图像对比数据属于电力设备物理结构参数信息数据库，则作出判决并传送至人机界面。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的电力系统设备故障预测系统，包括电力设备参数单元、电力设备红外图像采集单元、电力设备图像分割单元、电力设备温度信息获取单元、电力设备温度判断单元、故障预测单元；

所述电力设备参数单元，用于获取电力设备物理结构参数信息；

所述电力设备红外图像采集单元，用于获取电力设备红外图像信息；

所述电力设备图像分割单元，用于通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备图像；

所述电力设备温度信息获取单元，用于获取电力设备图像中温度信息；

所述电力设备温度判断单元，用于将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则循环检测；如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；

所述故障预测单元，用于判断电力设备温度信息时间序列是否达到预设临界值，如果是，则电力设备即将出现故障并报警。

进一步，还包括设备结构模型单元，所述设备结构模型单元包括设备结构数据库单元和故障预测模型单元；

所述设备结构数据库单元，用于存储电力设备的类型和位置坐标；

所述故障预测模型单元，用于存储有不同类型的电力设备关联故障预测类型。

进一步，所述电力设备图像分割单元包括目标分割单元、图像分类单元、故障预测融合单元、故障预测结果单元；

所述目标分割单元，用于采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

所述图像分类单元，用于通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

所述故障预测融合单元，用于通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

所述故障预测结果单元，用于通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

进一步，所述图像分类单元中的人工神经网络分类模型的激活函数采用以下公式建立S型函数：

$f(\mathrm{\ωx}-\mathrm{\θ})=\frac{1}{1+e^{-(\mathrm{\ωx}-\mathrm{\θ})}},$

其中，x表示神经元输入特征向量的分量，所述分量是图像目标的形状特征；ω表示输入分量的权重；θ表示神经元的阈值。

进一步，所述故障预测融合单元包括最大熵图像分割模块、人工神经网络图像分类模块、故障预测融合结果模块、电力设备故障预测结果输出模块；

所述最大熵图像分割模块，采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

所述人工神经网络图像分类模块，通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

所述故障预测融合结果模块，通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

所述电力设备故障预测结果输出模块，通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

本发明的优点在于：本发明联合红外图像分割、人工神经网络图像分类算法和数据融合技术来诊断电力系统设备故障，首先采用二维模糊划分最大熵分割红外图像，对采集到的电力设备故障点的红外热像图进行降噪与目标分割；然后采用人工神经网络分类电力系统设备图像目标，运用神经网络模型对收集的全部电力设备图像目标进行分类与存储；最后根据阶段型融合方式模型对分离出的故障预测点图像与电力设备图像目标进行对比融合分析，给出诊断结果；将电力设备常见故障点经验数据并结合检测出的故障点图像数据进行数据融合给出最终的电力设备故障预测位置。本发明融合了多种算法，制定了精确地诊断步骤，并采用模块化与系统化的设计，从而为电力系统设备故障诊断的建立找到了一条完整又精确的途径，提高了电力系统运行的可靠性与稳定性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为联合红外图像分割、人工神经网络图像分类算法和数据融合技术的电力系统设备故障预测方法的系统原理图；

图2为二维模糊划分最大熵分割红外图像单元模型图；

图3为人工神经元结构简图；

图4为阶段型数据融合模型图；

图5为电力系统设备故障预测方法流程图；

图6为电流互感器红外热像图；

图7为人工神经网络对电力设备进行图像分类结果示意图。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

图1为本发明联合红外图像分割、人工神经网络图像分类算法和数据融合技术的电力系统设备故障诊断方法的系统流程图，图2为二维模糊划分最大熵分割红外图像单元模型图，图3为人工神经元结构简图，其中:x₁,x₂,x₃...x_n表示神经元输入向量的各个分量，即电力设备图像的形状特征；ω₁，ω₂...ω_n表示各个输入分量的权重；f为激活函数；y为神经元的输出，即电力设备某一个元件的结构图像，图4为阶段型数据融合模型图，如图所示：本发明提供的电力系统设备故障预测方法，包括以下步骤：

S1：获取电力设备物理结构参数信息；

S2：获取电力设备红外图像信息；

S3：通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备图像；

S4：获取电力设备红外图像中温度信息，以及电力设备正常温度差范围，比如：

S5：将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则返回步骤S2循环检测；

S6：如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；

S7：判断电力设备温度信息时间序列是否达到预设临界值，如果否，则返回步骤S6循环；

S8：如果是，则电力设备即将出现故障并报警。

还包括建立电力设备物理结构模型，所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障预测模型；

所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标；

所述故障预测模型，存储有不同类型的电力设备关联故障预测类型。

所述步骤S3中的电力设备图像是通过以下步骤来实现的：

S31：采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

S32：通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

S33：通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

S34：通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数：

$f(\mathrm{\ωx}-\mathrm{\θ})=\frac{1}{1+e^{-(\mathrm{\ωx}-\mathrm{\θ})}},$

其中，x表示神经元输入特征向量的分量，即图像目标的形状特征；ω表示输入分量的权重；θ表示神经元的阈值。

所述S33中的阶段型融合方式模型包括以下具体步骤：

S331：对分类图像进行1级进行处理检测判决融合；

S332：对电力设备图像的信息源预处理；

S333：对电力设备图像与电力设备分类图像对比分析产生图像对比数据；

S334：如果图像对比数据不属于电力设备物理结构参数信息数据库，则返回步骤S331；

S335：如果图像对比数据属于电力设备物理结构参数信息数据库，则作出判决并传送至人机界面。

本实施例还提供了一种电力系统设备故障预测系统，包括电力设备参数单元、电力设备红外图像采集单元、电力设备图像分割单元、电力设备温度信息获取单元、电力设备温度判断单元、故障预测单元；

所述电力设备参数单元，用于获取电力设备物理结构参数信息；

所述电力设备红外图像采集单元，用于获取电力设备红外图像信息；

所述电力设备图像分割单元，用于通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备图像；

所述电力设备温度信息获取单元，用于获取电力设备图像中温度信息；

所述电力设备温度判断单元，用于将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则循环检测；如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；

所述故障预测单元，用于判断电力设备温度信息时间序列是否达到预设临界值，如果是，则电力设备即将出现故障并报警。

还包括设备结构模型单元，所述设备结构模型单元包括设备结构数据库单元和故障预测模型单元；

所述设备结构数据库单元，用于存储电力设备的类型和位置坐标；

所述故障预测模型单元，用于存储有不同类型的电力设备关联故障预测类型。

所述电力设备图像分割单元包括目标分割单元、图像分类单元、故障预测融合单元、故障预测结果单元；

所述目标分割单元，用于采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

所述图像分类单元，用于通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

所述故障预测融合单元，用于通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

所述故障预测结果单元，用于通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

所述图像分类单元中的人工神经网络分类模型的激活函数采用以下公式建立S型函数：

$f(\mathrm{\ωx}-\mathrm{\θ})=\frac{1}{1+e^{-(\mathrm{\ωx}-\mathrm{\θ})}},$

其中，x表示神经元输入特征向量的分量，所述分量是图像目标的形状特征；ω表示输入分量的权重；θ表示神经元的阈值。

所述故障预测融合单元包括最大熵图像分割模块、人工神经网络图像分类模块、故障预测融合结果模块、电力设备故障预测结果输出模块；

所述最大熵图像分割模块，采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

所述人工神经网络图像分类模块，通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

所述故障预测融合结果模块，通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

所述电力设备故障预测结果输出模块，通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

本实施例提供的联合红外图像分割、人工神经网络图像分类算法和数据融合技术的电力系统设备故障诊断方法首先采用二维模糊划分最大熵分割红外图像单元，负责对采集到的电力设备故障点的红外热像图进行降噪与目标分割。由于红外图像存在对比度低、噪声大,而且目标边缘比较模糊等特点,使得实现目标的准确分割具有较大困难。基于二维直方图的二维最大熵分割方法,由于不仅反映了灰度分布信息,还反映了空间邻域相关信息,是一种有效的含噪图像分割方法,非常适用于红外目标的分割。

通过运用神经网络模型对收集的全部电力设备图像目标进行分类与存储。神经网络能以任意期望的精确度使任何复杂的非线性模型和多维数据匹配，可以执行函数逼近、模式分类、聚类和预测等多种任务。

提供阶段型融合方式模型，并负责对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析，给出诊断结果。阶段型体系结构的设计是自顶向下，按着一定的步骤对数据进行融合的。

采用专家经验模型，提供电力设备常见故障点经验数据，并负责对数据融合结果的审查，给出最终的电力设备故障预测位置。

本实施例融合了多种算法，制定了精确地诊断步骤，最终的电力设备故障结果或者预测故障位置。另外，本发明还采用模块化与系统化的设计，从而为电力系统设备故障诊断的建立找到了一条完整又精确的途径，提高了电力系统运行的可靠性与稳定性

图6为电流互感器红外热像图，图7为人工神经网络对电力设备进行图像分类结果示意图，如图所示，本实施例运用二维模糊划分最大熵分割红外图像，对采集到的电力设备故障点红外热像图进行降噪与目标分割后，得到图6所示的电流互感器红外热像图，然后运用人工神经网络对电力设备进行图像分类，具体分类结果如图7所示，其中图7a为电流互感器，图7b为滤波器，图7c为电压互感器，图7d为避雷针。利用阶段型融合方式模型，对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析，给出诊断结果：发生热故障元件为电流互感器。最后根据经验对数据融合结果进行审查，给出故障类型以及处理建议为：数据融合结果正确，故障元件为电流互感器；故障类型为触杆接触不良，处理建议：测量一次回路电阻。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.电力系统设备故障预测方法，其特征在于：包括以下步骤：

S1：获取电力设备物理结构参数信息；

S2：获取电力设备红外图像信息；

S3：通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备红外图像；

S4：获取电力设备红外图像中温度信息，以及电力设备正常温度差范围；

S5：将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则返回步骤S2循环检测；

S6：如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；

S7：判断电力设备温度信息时间序列是否达到预设临界值，如果否，则返回步骤S6循环；

S8：如果是，则电力设备即将出现故障并报警。

2.根据权利要求1所述的电力系统设备故障预测方法，其特征在于：还包括建立电力设备物理结构模型，所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障预测模型；

所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标；

所述故障预测模型，存储有不同类型的电力设备关联故障预测类型。

3.根据权利要求1所述的电力系统设备故障预测方法，其特征在于：所述步骤S3中的电力设备图像是通过以下步骤来实现的：

S31：采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

S32：通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

S33：通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

S34：通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

4.根据权利要求3所述的电力系统设备故障预测方法，其特征在于：所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数：

$f(\mathrm{\ωx}-\mathrm{\θ})=\frac{1}{1+e^{-(\mathrm{\ωx}-\mathrm{\θ})}},$

其中，x表示神经元输入特征向量的分量，即图像目标的形状特征；ω表示输入分量的权重；θ表示神经元的阈值。

5.根据权利要求1所述的电力系统设备故障预测方法，其特征在于：所述S33中的阶段型融合方式模型包括以下具体步骤：

S331：对分类图像进行1级进行处理检测判决融合；

S332：对电力设备图像的信息源预处理；

S333：对电力设备图像与电力设备分类图像对比分析产生图像对比数据；

S334：如果图像对比数据不属于电力设备物理结构参数信息数据库，则返回步骤S331；

S335：如果图像对比数据属于电力设备物理结构参数信息数据库，则作出判决并传送至人机界面。

6.根据权利要求1所述的电力系统设备故障预测方法来实现的电力系统设备故障预测系统，其特征在于：包括电力设备参数单元、电力设备红外图像采集单元、电力设备图像分割单元、电力设备温度信息获取单元、电力设备温度判断单元、故障预测单元；

所述电力设备参数单元，用于获取电力设备物理结构参数信息；

所述电力设备红外图像采集单元，用于获取电力设备红外图像信息；

所述电力设备图像分割单元，用于通过图像处理方法从电力设备红外图像信息中按电力设备物理结构参数信息分割出电力设备红外图像信息中对应的电力设备图像；

所述电力设备温度信息获取单元，用于获取电力设备图像中温度信息；

所述电力设备温度判断单元，用于将电力设备温度信息与电力设备正常温度范围进行比较判断，如果处于电力设备正常温度范围，则循环检测；如果超出电力设备正常温度范围，则记录电力设备温度值，并形成电力设备温度信息时间序列；

所述故障预测单元，用于判断电力设备温度信息时间序列是否达到预设临界值，如果是，则电力设备即将出现故障并报警。

7.根据权利要求6所述的电力系统设备故障预测系统，其特征在于：还包括设备结构模型单元，所述设备结构模型单元包括设备结构数据库单元和故障预测模型单元；

所述设备结构数据库单元，用于存储电力设备的类型和位置坐标；

所述故障预测模型单元，用于存储有不同类型的电力设备关联故障预测类型。

8.根据权利要求6所述的电力系统设备故障预测系统，其特征在于：所述电力设备图像分割单元包括目标分割单元、图像分类单元、故障预测融合单元、故障预测结果单元；

所述目标分割单元，用于采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

所述图像分类单元，用于通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

所述故障预测融合单元，用于通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

所述故障预测结果单元，用于通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

9.根据权利要求8所述的电力系统设备故障预测系统，其特征在于：所述图像分类单元中的人工神经网络分类模型的激活函数采用以下公式建立S型函数：

$f(\mathrm{\ωx}-\mathrm{\θ})=\frac{1}{1+e^{-(\mathrm{\ωx}-\mathrm{\θ})}},$

其中，x表示神经元输入特征向量的分量，所述分量是图像目标的形状特征；ω表示输入分量的权重；θ表示神经元的阈值。

10.根据权利要求8所述的电力系统设备故障预测系统，其特征在于：所述故障预测融合单元包括最大熵图像分割模块、人工神经网络图像分类模块、故障预测融合结果模块、电力设备故障预测结果输出模块；

所述最大熵图像分割模块，采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

所述人工神经网络图像分类模块，通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；

所述故障预测融合结果模块，通过阶段型融合方式模型对分类图像与故障预测模型进行对比融合分析得到故障预测结果；

所述电力设备故障预测结果输出模块，通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障预测结果。

Images