CN109492617A - 基于K-means聚类算法的电力电缆诊断方法 - Google Patents
基于K-means聚类算法的电力电缆诊断方法 Download PDFInfo
- Publication number
- CN109492617A CN109492617A CN201811446305.XA CN201811446305A CN109492617A CN 109492617 A CN109492617 A CN 109492617A CN 201811446305 A CN201811446305 A CN 201811446305A CN 109492617 A CN109492617 A CN 109492617A
- Authority
- CN
- China
- Prior art keywords
- temperature
- clustering algorithm
- means clustering
- power cable
- cluster
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于K‑means聚类算法的电力电缆诊断方法,包括:步骤S1:导入红外图像,并基于K‑means聚类算法提取红外图像中目标设备部分;步骤S2:基于提取出的目标设备部分识别设备温度;步骤S3:根据设备温度对设备进行故障诊断。与现有技术相比,本发明提取了设备部分,去除了背景,从而提高了诊断的准确性。
Description
技术领域
本发明涉及电力检修领域,尤其是涉及一种基于K-means聚类算法的电力电缆诊断方法。
背景技术
红外热成像技术具有快速、实时、非接触性等优点,多年来应用于电力电缆运行管理领域。借助便携式红外热成像仪或在线红外测温系统,对运行状态下的电缆设备进行温度数据采集,能够及时发现、诊断出大多数的过热故障,有效减少设备损坏和由此导致的电网大面积停电事故发生的次数。通常设备运行人员依据自身的经验知识,借助辅助的红外分析软件对图像进行人工分析、诊断,因采集的图像数量众多,且需要基于历史温度数据进行综合判断,故需要耗费巨大的人力。因此,实现对红外图像自动分析、设备故障诊断的智能化,正成为电力电缆运行管理的一种趋势。
目前,电气设备热缺陷分析判定方法主要有以下6种:(1)表面温度判断法;(2)同类比较法;(3)图像特征判断法;(4)相对温差法;(5)档案分析法;(6)实时分析法。其中除了方法(1)实质上都要基于进行比较的策略,需要同组三相设备、同相设备及同类设备对应部位的温差进行比较,建立电气设备红外档案或基于长时间连续观测。
分析软件ThermaCAM Reporter Pro能够对红外图谱中选取的区域、点、线温度进行分析,作为诊断缺陷的参考。但此类软件也有不足之处:(1)没有对图像中的设备主体和背景进行分离,降低了数据分析的精度;(2)没有自动建立红外档案等功能,不利于后续对故障诊断的自动化处理。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于K-means聚类算法的电力电缆诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于K-means聚类算法的电力电缆诊断方法,包括:
步骤S1:导入红外图像,并基于K-means聚类算法提取红外图像中目标设备部分;
步骤S2:基于提取出的目标设备部分识别设备温度;
步骤S3:根据设备温度对设备进行故障诊断。
所述步骤S1包括:
步骤S11:导入红外图像,并根据红外图像设定多个聚类中心;
步骤S12:计算各个样本像素与各聚类中心的距离,本根据各样本像素与各聚类中心的距离将样本像素分配至各聚类;
步骤S13:计算每个聚类的样本均值作为新的聚类中心;
步骤S14:判断误差是否小于阈值,若为是,则得到聚类结果并执行步骤S15,若为否,则返回步骤S12;
步骤S15:基于得到的聚类结果分割出红外图像的目标设备部分。
所述距离为欧式距离,具体为:
其中:样本xi、xj为任意两个像素点i、j的RGB向量,d(xi,xj)为样本像素i和j之间的距离,xik、xjk为像素点i、j的R或G或B值。
所述步骤S11中聚类中心的数目为13个。
所述步骤S3具体包括:
步骤S31:输入设备温度,并得到温差和相对温度;
步骤S32:载入历史数据和诊断判据;
步骤S32:基于历史数据和诊断判据根据设备的温差和相对温度诊断设备是否发生故障,若为是,则执行步骤S33:
步骤S33:确定故障类别,并输出故障类别以及消除故障的建议信息。
所述相对温度为:
其中:δ为相对温度,T0为环境参照体的温度,T1为发热点的温度,T2为正常相对应点的温度。
与现有技术相比,本发明具有以下有益效果:
1)提取了设备部分,去除了背景,从而提高了诊断的准确性。
2)采用了K-means聚类算法,提高分离效果。
3)聚类中心的数量设置为13个时对背景的分离效果较好。
4)利用了历史数据,提高了诊断的准确度。
附图说明
图1为本发明方法的主要步骤流程示意图;
图2为外图谱综合数据分析系统框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于K-means聚类算法的电力电缆诊断方法,本文首先应用K-means聚类算法对红外图像中的目标设备进行提取,克服了图像背景引起的误差,然后对目标设备的温度场进行了数据分析,初步实现了红外图像的自动分析。后续可以结合红外图像特征的识别和缺陷的诊断判据,理论上可以确定缺陷类型及性质,最终的目标是生成合适的消缺建议。整个红外图像综合数据分析系统的流程如图2所示。
如图1和图2所示,具体包括:
步骤S1:导入红外图像,并基于K-means聚类算法提取红外图像中目标设备部分,包括:
步骤S11:导入红外图像,并根据红外图像设定多个聚类中心;
步骤S12:计算各个样本像素与各聚类中心的距离,本根据各样本像素与各聚类中心的距离将样本像素分配至各聚类;
其中,距离为欧式距离,具体为:
其中:样本xi、xj为任意两个像素点i、j的RGB向量,d(xi,xj)为样本像素i和j之间的距离,xik、xjk为像素点i、j的R或G或B值。
步骤S13:计算每个聚类的样本均值作为新的聚类中心,其中,聚类中心的数目为13个。
步骤S14:判断误差是否小于阈值,若为是,则得到聚类结果并执行步骤S15,若为否,则返回步骤S12;
步骤S15:基于得到的聚类结果分割出红外图像的目标设备部分。
步骤S2:基于提取出的目标设备部分识别设备温度;
步骤S3:根据设备温度对设备进行故障诊断,具体包括:
步骤S31:输入设备温度,并得到温差和相对温度,
步骤S32:载入历史数据和诊断判据;
步骤S32:基于历史数据和诊断判据根据设备的温差和相对温度诊断设备是否发生故障,若为是,则执行步骤S33:
步骤S33:确定故障类别,并输出故障类别以及消除故障的建议信息。
该算法的难点在于:(1)聚类数目K的选取;(2)初始聚类中心的选取;(3)选取哪些聚类作为目标设备、哪些作为背景分离。
对两张典型的110kV电缆室内终端的红外图像,通过MATLAB软件应用K-means算法进行图像分割试验。选取初始聚类中心使其在图像上均匀分布,设置K=13时对背景的分离效果较好,处理后的各聚类用不同色彩标识出来。红外图像中目标设备通常温度高于环境温度,同时运行人员拍摄时会使目标设备尽量位于图像的中央,基于以上两个事实,选取满足平均灰度值排序前9(优先选取代表温度较高区域的聚类)、聚类中心距离竖直中轴线1/4图像宽度内的聚类,作为目标设备提取出来,背景基本被分离,证明该算法对目标和背景对比度较高的图像有很好的分割效果。
电气设备红外图谱的缺陷诊断主要依据《带电设备红外诊断应用规范(DL/T_664-2008)》(以下简称规范)以及《电力设备红外检测作业指导书》。电气设备的热缺陷类型可分为电流致热、电压致热、综合致热和电磁致热缺陷,前文所述的6种热缺陷分析判定方法针对不同类型的缺陷各有优劣。现将《规范》中与超高压电力电缆有关的电流致热型、电压致热型设备缺陷诊断判据列于表1、表2[6]。
由表1和表2可知,对缺陷性质(一般、重要、紧急缺陷)的判定通常要依据温差d和相对温差δ,δ定义为:
式中:T0——环境参照体(用来采集环境温度的相似物体)的温度;T1,τ1——发热点的温度和温升;T2,τ2——正常相对应点的温度和温升。
表1
表2
Claims (6)
1.一种基于K-means聚类算法的电力电缆诊断方法,其特征在于,包括:
步骤S1:导入红外图像,并基于K-means聚类算法提取红外图像中目标设备部分;
步骤S2:基于提取出的目标设备部分识别设备温度;
步骤S3:根据设备温度对设备进行故障诊断。
2.根据权利要求1所述的一种基于K-means聚类算法的电力电缆诊断方法,其特征在于,所述步骤S1包括:
步骤S11:导入红外图像,并根据红外图像设定多个聚类中心;
步骤S12:计算各个样本像素与各聚类中心的距离,本根据各样本像素与各聚类中心的距离将样本像素分配至各聚类;
步骤S13:计算每个聚类的样本均值作为新的聚类中心;
步骤S14:判断误差是否小于阈值,若为是,则得到聚类结果并执行步骤S15,若为否,则返回步骤S12;
步骤S15:基于得到的聚类结果分割出红外图像的目标设备部分。
3.根据权利要求2所述的一种基于K-means聚类算法的电力电缆诊断方法,其特征在于,所述距离为欧式距离,具体为:
其中:样本xi、xj为任意两个像素点i、j的RGB向量,d(xi,xj)为样本像素i和j之间的距离,xik、xjk为像素点i、j的R或G或B值。
4.根据权利要求2所述的一种基于K-means聚类算法的电力电缆诊断方法,其特征在于,所述步骤S11中聚类中心的数目为13个。
5.根据权利要求1所述的一种基于K-means聚类算法的电力电缆诊断方法,其特征在于,所述步骤S3具体包括:
步骤S31:输入设备温度,并得到温差和相对温度;
步骤S32:载入历史数据和诊断判据;
步骤S32:基于历史数据和诊断判据根据设备的温差和相对温度诊断设备是否发生故障,若为是,则执行步骤S33:
步骤S33:确定故障类别,并输出故障类别以及消除故障的建议信息。
6.根据权利要求5所述的一种基于K-means聚类算法的电力电缆诊断方法,其特征在于,所述相对温度为:
其中:δ为相对温度,T0为环境参照体的温度,T1为发热点的温度,T2为正常相对应点的温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811446305.XA CN109492617A (zh) | 2018-11-29 | 2018-11-29 | 基于K-means聚类算法的电力电缆诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811446305.XA CN109492617A (zh) | 2018-11-29 | 2018-11-29 | 基于K-means聚类算法的电力电缆诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492617A true CN109492617A (zh) | 2019-03-19 |
Family
ID=65698808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811446305.XA Pending CN109492617A (zh) | 2018-11-29 | 2018-11-29 | 基于K-means聚类算法的电力电缆诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492617A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243479A (zh) * | 2019-06-20 | 2019-09-17 | 国网山东省电力公司济宁市任城区供电公司 | 一种提高线路杆塔在线故障检测准确率的方法及系统 |
CN113298178A (zh) * | 2021-06-11 | 2021-08-24 | 国家电网有限公司 | 基于热红外图像的变电站高压设备故障识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN107292883A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于局部特征的pcnn电力故障区域检测方法 |
-
2018
- 2018-11-29 CN CN201811446305.XA patent/CN109492617A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN107292883A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于局部特征的pcnn电力故障区域检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243479A (zh) * | 2019-06-20 | 2019-09-17 | 国网山东省电力公司济宁市任城区供电公司 | 一种提高线路杆塔在线故障检测准确率的方法及系统 |
CN113298178A (zh) * | 2021-06-11 | 2021-08-24 | 国家电网有限公司 | 基于热红外图像的变电站高压设备故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103598A (zh) | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 | |
Zou et al. | A novel intelligent fault diagnosis method for electrical equipment using infrared thermography | |
CN105425123B (zh) | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 | |
CN103901072B (zh) | 利用红外图谱分析诊断设备过热缺陷的方法 | |
CN107907775B (zh) | 接线检测方法及接线检测装置 | |
CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN104217443B (zh) | 一种基于hsv空间的输变电设备红外故障图像分割方法 | |
CN105388414A (zh) | 一种隔离开关的全方位故障自动识别方法 | |
CN110715736B (zh) | 一种电缆终端异常发热缺陷等级划分方法 | |
CN105371957A (zh) | 变电站设备红外温度配准定位系统及方法 | |
CN109492617A (zh) | 基于K-means聚类算法的电力电缆诊断方法 | |
CN115290696A (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
Jiang et al. | Research on infrared image recognition method of power equipment based on deep learning | |
CN111798405B (zh) | 一种基于深度学习的套管红外图像的故障诊断方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN113034450A (zh) | 一种变压器过热故障诊断方法 | |
Zhang et al. | Intelligent detection technology of infrared image of substation equipment based on deep learning algorithm | |
CN111160305A (zh) | 一种变压器套管异常监测方法及计算机可读介质 | |
Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
CN112113667B (zh) | 一种基于红外热像信息的电流互感器故障诊断方法 | |
CN111179213A (zh) | 一种套管故障诊断方法及系统 | |
CN112465797A (zh) | 一种电缆终端热状态智能诊断方法及系统 | |
CN114494186B (zh) | 一种高压输变电线路电气设备的故障检测方法 | |
CN108492292B (zh) | 基于红外图像处理的导线散股检测方法 | |
CN113486873B (zh) | 一种基于大数据和人工智能的变电站设备巡检方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |