CN110378424A - 基于卷积神经网络的变压器套管故障红外图像识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的变压器套管故障红外图像识别方法，包括以下步骤：A、构建卷积神经网络模型；卷积神经网络模型包括输入层和输出层，输入层和输出层之间设置若干个卷积层和采样层，卷积层和采样层交替设置，在输出层与最后一个采样层之间设置有全连接层；B、对卷积神经网络模型进行训练；循环迭代进行激励传播和权值更新，直到目标函数收敛到预设的范围为止；C、使用步骤B训练后的卷积神经网络模型对变压器套管故障红外图像进行识别。本发明能够改进现有技术的不足，图像识别率高。

Description

基于卷积神经网络的变压器套管故障红外图像识别方法

技术领域

本发明涉及电力设备安全监控技术领域，尤其是一种基于卷积神经网络的变压器套管故障红外图像识别方法。

背景技术

电力变压器是输变电和供配电系统中的重要设备，其运行状态对电网的安全稳定运行有着重要影响。套管作为变压器的重要组成部分，承担着固定引线并确保其与外界绝缘的功能，同时也是故障多发部位。故而针对变压器套管的故障诊断与评估显得尤为重要。为确保其健康稳定的工作状态，常常需要在变压器停运的条件下进行预防性试验，这大大降低了设备可靠性和监测时效性。目前，带电检测技术的应用已经比较成熟与广泛。红外测温技术因其具有非接触式测量、精度高且不受电磁干扰等诸多优点，常用于检测变压器套管的缺油故障以及局部过热故障等。

针对人为提取描述特征的适应性差，对设备运行状态的判断过于主观等缺陷，近些年研究者陆续提出了人工智能算法并将其应用到变压器套管故障识别领域中，例如人工神经网络、粗糙集理论、支持向量机(SVM)、卷积神经网络等算法，解决了长期以来需要依靠人工处理电力设备非结构化数据导致的利用率低、转化率弱的问题，为电网智能巡检提供了良好的应用价值。但是，传统的套管故障评估指标数据多为例行试验得到的结构化数据，而例行试验周期长，导致效率低下，从而影响电力设备监测自动化的程度。另一方面，传统的变压器套管故障类型识别方法都需要人为对信号进行特征提取，泛化性很差。针对存储量巨大的如非结构化图像数据，使用传统的人工特征提取方法或者浅层神经网络是很难直接对其进行识别的。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经网络的变压器套管故障红外图像识别方法，能够解决现有技术的不足，图像识别率高。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于卷积神经网络的变压器套管故障红外图像识别方法，包括以下步骤：

A、构建卷积神经网络模型；卷积神经网络模型包括输入层和输出层，输入层和输出层之间设置若干个卷积层和采样层，卷积层和采样层交替设置，在输出层与最后一个采样层之间设置有全连接层；

B、对卷积神经网络模型进行训练；循环迭代进行激励传播和权值更新，直到目标函数收敛到预设的范围为止；

C、使用步骤B训练后的卷积神经网络模型对变压器套管故障红外图像进行识别。

作为优选，步骤A中，令每一输入样本为x，卷积核数目为n，所有卷积核大小均为m×1，卷积层的第k个卷积核的输出形式为：

式中，a_c,i,k表示第k个卷积核输出的第i个元素；W_k ^(j)表示第k个卷积核的第j个元素；b_k表示第k个卷积核的偏置；f表示卷积层所采用的激活函数。

作为优选，步骤A中，在卷积层进行特征提取之后，采样层通过预先设置的池化函数，用单个像素点相邻区域特征图的统计值代替该像素点的值，完成对特征信息的选择和过滤；特征图在结束这种采样过程后大小会缩减，但其个数保持恒定；令采样宽度为q×1，与第k个卷积核相匹配的采样层的输出结果如下：

式中，a_s,j,k表示第k个卷积核对应采样层的第j个输出；a_c,i,k表示第k个卷积核输出的第i个元素。

作为优选，步骤B中，对卷积神经网络模型进行训练包括以下步骤，

B1、计算实际输出与理想输出之间的代价函数：

其中，x_k ⁿ表示第n个样本对应网络的第k个实际输出；y_k ⁿ表示第n个样本理想状态对应的第k维标签；t为训练样本的个数；c为分类的数目；

B2、通过有监督学习的反向传播算法，以最小化代价函数为准则对网络进行训练；对单个样本,迭代更新权重W和偏置参数b的计算公式为：

W^l＝W^l-ηδ^l+1x^l

b^l＝b^l-ηδ^l+1

其中，x^l表示第l层的输出；δ^l+1表示l+1层的误差项；η表示学习率。

作为优选，步骤C中，对变压器套管故障红外图像进行识别包括以下步骤，

C1、建立变压器套管红外图像样本库；

C2、向输入层输入一个32×32大小的套管红外样本图；

C3、卷积层采用5×5大小的卷积核分别对输入层的图像进行卷积处理，卷积后一共得到20个28×28大小的二维特征图；

C4、采样层分别对上一层卷积层中所有2×2大小的子块进行池化处理，得到20个14×14大小的特征图；

C5、接下来的卷积层和采样层的操作步骤重复步骤C3和C4；最终可以获得50个5×5大小的二维特征图；

C6、全连接层对采样层输出的二维图像矩阵进行转化处理，得到一维特征向量；

C7、最后将一维特征向量与输出层的3个神经元全连接进行分类。

采用上述技术方案所带来的有益效果在于：本发明构建的模型具有较高的准确率与实用性。直接对采集到的套管故障红外图像进行自动特征学习与模式识别的方法，避免了传统识别方法的缺陷，为电网智能巡检提供了良好的应用价值。通过对卷积神经网络的网络参数进行优化处理，网络结构中卷积层激活函数选用ReLU函数，卷积核数目选择5个，提升了模型识别准确率，具有更佳的分类效果。

附图说明

图1是本发明卷积神经网络模型的原理图。

图2是不同激活函数下的识别准确率的对比图。

图3是不同激活函数下Loss值的对比图。

图4是不同池化方法下的识别准确率的对比图。

图5是不同池化方法下的Loss值的对比图。

具体实施方式

一种基于卷积神经网络的变压器套管故障红外图像识别方法，包括以下步骤：

A、构建卷积神经网络模型；卷积神经网络模型包括输入层和输出层，输入层和输出层之间设置若干个卷积层和采样层，卷积层和采样层交替设置，在输出层与最后一个采样层之间设置有全连接层；

B、对卷积神经网络模型进行训练；循环迭代进行激励传播和权值更新，直到目标函数收敛到预设的范围为止；

C、使用步骤B训练后的卷积神经网络模型对变压器套管故障红外图像进行识别。

步骤A中，令每一输入样本为x，卷积核数目为n，所有卷积核大小均为m×1，卷积层的第k个卷积核的输出形式为：

式中，a_c,i,k表示第k个卷积核输出的第i个元素；W_k ^(j)表示第k个卷积核的第j个元素；b_k表示第k个卷积核的偏置；f表示卷积层所采用的激活函数。

步骤A中，在卷积层进行特征提取之后，采样层通过预先设置的池化函数，用单个像素点相邻区域特征图的统计值代替该像素点的值，完成对特征信息的选择和过滤；特征图在结束这种采样过程后大小会缩减，但其个数保持恒定；令采样宽度为q×1，与第k个卷积核相匹配的采样层的输出结果如下：

式中，a_s,j,k表示第k个卷积核对应采样层的第j个输出；a_c,i,k表示第k个卷积核输出的第i个元素。

步骤B中，对卷积神经网络模型进行训练包括以下步骤，

B1、计算实际输出与理想输出之间的代价函数：

其中，x_k ⁿ表示第n个样本对应网络的第k个实际输出；y_k ⁿ表示第n个样本理想状态对应的第k维标签；t为训练样本的个数；c为分类的数目；

B2、通过有监督学习的反向传播算法，以最小化代价函数为准则对网络进行训练；对单个样本,迭代更新权重W和偏置参数b的计算公式为：

W^l＝W^l-ηδ^l+1x^l

b^l＝b^l-ηδ^l+1

其中，x^l表示第l层的输出；δ^l+1表示l+1层的误差项；η表示学习率。

步骤C中，对变压器套管故障红外图像进行识别包括以下步骤，

C1、建立变压器套管红外图像样本库；

C2、向输入层输入一个32×32大小的套管红外样本图；

C3、卷积层采用5×5大小的卷积核分别对输入层的图像进行卷积处理，卷积后一共得到20个28×28大小的二维特征图；

C4、采样层分别对上一层卷积层中所有2×2大小的子块进行池化处理，得到20个14×14大小的特征图；

C5、接下来的卷积层和采样层的操作步骤重复步骤C3和C4；最终可以获得50个5×5大小的二维特征图；

C6、全连接层对采样层输出的二维图像矩阵进行转化处理，得到一维特征向量；

C7、最后将一维特征向量与输出层的3个神经元全连接进行分类。

为验证该算法在变压器套管故障红外图像识别领域的应用价值，在现有常用的传统算法中，选用BP神经网络算法和SVM算法与本文算法进行对比，将统一规范化后的数据集分别输入到BP神经网络分类器和SVM分类器对网络进行训练，完成对套管图像类型的识别。BP神经网络算法的识别准确率达到80.387％，低于CNN识别结果约15％。SVM算法的识别准确率达到82.292％，低于CNN识别结果约14％。实验结果表明，这里提出的基于卷积神经网络的变压器套管故障红外图像识别方法的识别性能明显好于传统算法，体现了极优的先进性。

表1不同识别模型下的识别结果

在卷积神经网络结构中，网络的准确率与收敛速度会随着卷积层选定的激活函数不同而变化，由图2和图3可以看出，本发明采用ReLU函数作为激活函数时模型达到收敛时的迭代次数最少，识别准确率最高，可达96％以上，明显高于tanh函数和Sigmoid函数下的识别结果，且收敛后的Loss值远小于其他两种情况。

图4和图5是在卷积层选择ReLU函数作为其激活函数且网络收敛的前提下，对比了不同池化方法下的模型分类效果，从图中可以看出，不论是准确率还是Loss值，两种池化方法下的变化曲线都接近重合，即实验结果相差无几。可以看出这里不论采用最大池化还是平均池化，均能得到很好的识别效果，准确率可达96.25％，Loss值小于0.02。对比实验结果表明，不同池化方法对该模型的分类性能几乎没有影响。

在卷积神经网络结构中，卷积层的卷积核数目会影响提取到的特征种类，从而影响模型的识别准确率。实验对比分析了不同卷积核数目下的识别结果，对比结果如下表所示。

表2不同卷积核数目下的识别结果

卷积核数目	识别准确率	Loss值
			2	0.925	0.010232
3	0.9375	0.010095
			4	0.9375	0.013609
5	0.9625	0.016283
			6	0.925	0.021742
7	0.9375	0.020097
			8	0.9125	0.019455

从表2可以看出，不同卷积核数目下的Loss值都介于0.01到0.022之间，差异并不大且均满足收敛性。从识别准确率对比结果可以看出，卷积核个数为5时，准确率最高，为96.25％，约比其他卷积核数目下的准确率平均高出3％左右。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于卷积神经网络的变压器套管故障红外图像识别方法，其特征在于包括以下步骤：

A、构建卷积神经网络模型；卷积神经网络模型包括输入层和输出层，输入层和输出层之间设置若干个卷积层和采样层，卷积层和采样层交替设置，在输出层与最后一个采样层之间设置有全连接层；

B、对卷积神经网络模型进行训练；循环迭代进行激励传播和权值更新，直到目标函数收敛到预设的范围为止；

C、使用步骤B训练后的卷积神经网络模型对变压器套管故障红外图像进行识别。

2.根据权利要求1所述的基于卷积神经网络的变压器套管故障红外图像识别方法，其特征在于：步骤A中，令每一输入样本为x，卷积核数目为n，所有卷积核大小均为m×1，卷积层的第k个卷积核的输出形式为：

式中，a_c,i,k表示第k个卷积核输出的第i个元素；W_k ^(j)表示第k个卷积核的第j个元素；b_k表示第k个卷积核的偏置；f表示卷积层所采用的激活函数。

3.根据权利要求2所述的基于卷积神经网络的变压器套管故障红外图像识别方法，其特征在于：步骤A中，在卷积层进行特征提取之后，采样层通过预先设置的池化函数，用单个像素点相邻区域特征图的统计值代替该像素点的值，完成对特征信息的选择和过滤；特征图在结束这种采样过程后大小会缩减，但其个数保持恒定；令采样宽度为q×1，与第k个卷积核相匹配的采样层的输出结果如下：

式中，a_s,j,k表示第k个卷积核对应采样层的第j个输出；a_c,i,k表示第k个卷积核输出的第i个元素。

4.根据权利要求1所述的基于卷积神经网络的变压器套管故障红外图像识别方法，其特征在于：步骤B中，对卷积神经网络模型进行训练包括以下步骤，

B1、计算实际输出与理想输出之间的代价函数：

其中，x_k ⁿ表示第n个样本对应网络的第k个实际输出；y_k ⁿ表示第n个样本理想状态对应的第k维标签；t为训练样本的个数；c为分类的数目；

B2、通过有监督学习的反向传播算法，以最小化代价函数为准则对网络进行训练；对单个样本,迭代更新权重W和偏置参数b的计算公式为：

W^l＝W^l-ηδ^l+1x^l

b^l＝b^l-ηδ^l+1

其中，x^l表示第l层的输出；δ^l+1表示l+1层的误差项；η表示学习率。

5.根据权利要求1所述的基于卷积神经网络的变压器套管故障红外图像识别方法，其特征在于：步骤C中，对变压器套管故障红外图像进行识别包括以下步骤，

C1、建立变压器套管红外图像样本库；

C2、向输入层输入一个32×32大小的套管红外样本图；

C3、卷积层采用5×5大小的卷积核分别对输入层的图像进行卷积处理，卷积后一共得到20个28×28大小的二维特征图；

C4、采样层分别对上一层卷积层中所有2×2大小的子块进行池化处理，得到20个14×14大小的特征图；

C5、接下来的卷积层和采样层的操作步骤重复步骤C3和C4；最终可以获得50个5×5大小的二维特征图；

C6、全连接层对采样层输出的二维图像矩阵进行转化处理，得到一维特征向量；

C7、最后将一维特征向量与输出层的3个神经元全连接进行分类。