CN111310722B - 一种基于改进神经网络的电力设备图像的故障识别方法 - Google Patents
一种基于改进神经网络的电力设备图像的故障识别方法 Download PDFInfo
- Publication number
- CN111310722B CN111310722B CN202010169561.XA CN202010169561A CN111310722B CN 111310722 B CN111310722 B CN 111310722B CN 202010169561 A CN202010169561 A CN 202010169561A CN 111310722 B CN111310722 B CN 111310722B
- Authority
- CN
- China
- Prior art keywords
- rotation
- neural network
- image
- value
- quantum
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 29
- 239000002096 quantum dot Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 23
- 238000003745 diagnosis Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 19
- 238000003062 neural network model Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001931 thermography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 210000001766 X chromosome Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别的技术领域，公开了一种基于改进神经网络的电力设备图像的故障识别方法，包括待识别电力设备的红外图像进行特征提取，包括温度特征、纹理特征和形状特征，以提取的特征作为量子遗传神经网络的输入，对其所包含的故障位置进行识别。整个过程的结构简单，计算快捷，准确率高。
Description
技术领域
本发明涉及图像识别的技术领域，尤其涉及一种基于改进神经网络的电力设备图像的故障识别方法。
背景技术
随着坚强智能电网的迅猛发展，我国对电力系统可靠性的要求越来越高。电气设备的故障隔离对供电区域健全的供电极为重要，因此要求对电力设备进行在线监测和安全预警，及时发现故障并采取措施消除隐患。作为故障检测的一种有效手段，红外热像检测技术得到了广泛应用。红外热像检测技术相结合的监控系统大大提高了电力系统的故障检测水平，但目前的检测方法仍然需要人工诊断，无法实现诊断结果的实时准确。
根据变电站电气设备故障问题，研究了采用数字图像处理技术在变电站自动检测电气设备故障。在应用神经网络技术进行变电站运行状态诊断时，由于智能神经网络处理能够模仿人类大脑，非精确的自适应功能，非规则结构，具有自组织学习的特点，可以优化计算和知识推理，因此，神经网络在变电站运行状态诊断中被广泛使用，以BP神经网络算法为代表，也应用最广，但其要求训练样本大、训练时间长、预测精度受隐层神经元数据的限制，易陷入局部极小、收敛速度慢。
发明内容
本发明提供了一种基于改进神经网络的电力设备图像的故障识别方法，解决了现有方法特征提取困难，无法较全面的概括设备信息以及常见的神经网络诊断方法易陷入局部极小、收敛速度慢等问题。
本发明可通过以下技术方案实现：
一种基于改进神经网络的电力设备图像的故障识别方法，包括待识别电力设备的红外图像进行特征提取，包括温度特征、纹理特征和形状特征，以提取的特征作为量子遗传神经网络的输入，对其所包含的故障位置进行识别。
进一步，所述温度特征包括区域温度最大值tmax、平均温度值tmean、背景温度值tB、温度分布方差tvar，所述纹理特征包括灰度分布的不均匀性T1、梯度分布的不均匀性T2、灰度均方差T3、梯度均方差T4和相关性T5，所述形状特征以Zernike矩来表示，包括一阶一重Zernike矩的实部与虚部、二阶零重Zernike矩的实部与虚部。
进一步，纹理特征的提取方法包括以下步骤：
步骤一、计算红外图像中各个像素点的梯度值和灰度值，并进行归一化处理；
步骤二、在归一化的灰度图像F(m,n)和梯度图像G(m,n)中，统计同时使F(m,n)＝i和G(m,n)＝j的像素个数，即为灰度梯度共生矩阵H的第(i,j)个元素的值，构建灰度梯度矩阵H(i,j)，并进行归一化处理，得到归一化的灰度梯度矩阵H′(i,j)；
步骤三、基于所述灰度梯度矩阵H(i,j)和归一化的灰度梯度矩阵H′(i,j)进行纹理特征提取。
进一步，利用如下方程式，计算灰度分布的不均匀性T1、梯度分布的不均匀性T2、灰度均方差T3、梯度均方差T4、相关性T5，
灰度分布的不均匀性
梯度分布的不均匀性
灰度均方差
梯度均方差
相关性
其中，Ng为图像归一化后的最大梯度级，Nh为图像归一化后的最大灰度级，Lx、Ly为原图像的大小。
进一步，利用量子遗传神经网络进行故障位置识别的方法包括以下步骤：
步骤Ⅰ、根据待解决问题，确定遗传算法个体的长度；
步骤Ⅱ、用遗传算法对BP神经网络的初始权值和阈值编码，确定适应度函数，计算个体适应度值，通过遗传操作找到最优个体；
步骤Ⅲ、将遗传算法优化后的最优解解码，作为BP神经网络的最优权值和阈值，对BP神经网络进行训练；
步骤Ⅳ、将待识别电力设备的红外图像的特征输入训练好的BP神经网络，进行故障位置的识别。
进一步，找到最优个体的方法包括以下步骤：
Step 1、对初始权值和阈值进行量子比特编码；
Step 2、计算BP神经网络输出值与期望值之间的误差平方和，以输出值和期望值之间误差平方和的倒数作为适应度函数，计算个体i的适应度值f(i)；
Step3、判断个体i的适应度值f(i)是否满足优化标准，若是，所述个体i为最优个体；否则，执行Step4；
Step4、继续量子遗传操作，运用量子旋转门调整策略，对初始权值和阈值进行优化；
Step5、产生新群体，重复Step 1至Step 4，使初始权值和阈值不断被优化，直到满足优化标准为止。
进一步，根据遗传算法计算得到解x和当前最优个体b的第i个量子比特位乘积、对应二进制位的取值，以及对应适应度值之间的比较，确定调整所需的量子旋转门对应旋转角的方向和其脚步长。
进一步，利用以下方程式，确定调整所需的量子旋转门对应旋转角的方向和其脚步长，
θi＝s(αiβi)delta
其中，(αiβi)表示染色体中的第i个量子比特位，θ表示旋转角，s(αiβi)表示旋转角的旋转方向，delta表示旋转角的脚步长，k表示[0，1]之间常数，n表示进化代数，MAXGEN表示终止代数，
当xi＝0，bi＝1且f(x)≥f(b)时：若αiβi>0，旋转的方向s(αiβi)＝-1，即顺时针旋转；若αiβi<0，旋转的方向s(αiβi)＝1，即逆时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝0且f(x)<f(b)时：若αiβi>0，旋转的方向s(αiβi)＝-1，即顺时针旋转；若αiβi<0，旋转的方向s(αiβi)＝1，即逆时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝1且f(x)<f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝0且f(x)≥f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝1且f(x)≥f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；旋转角的脚步长为delta，
其中，xi，bi分别表示遗传算法计算得到解x和当前最优个体b的第i个量子比特位对应二进制位。
本发明有益的技术效果在于：
通过对电力设备的红外热像进行特征提取，包含温度特征参数，纹理特征参数和Zernike矩特征参数，以此为输入，利用本发明的改进QGA-BP神经网络模型对待识别的电力设备的红外热像进行故障识别，借助量子遗传算法与BP神经网络的结合，不仅可以加快网络收敛速度，也提高了神经网络识别精度，从而提高了对电力设备故障识别的可靠性、精确性和稳定性。
附图说明
图1为本发明的总体流程示意图；
图2为本发明的神经网络模型示意图；
图3为本发明的QGA-BP神经网络模型流程示意图
图4为本发明的GA-BP和QGA-BP神经网络模型预测输出对比示意图；
图5为本发明GA-BP和QGA-BP神经网络模型输出标准差的曲线示意图；
图6为本发明的GA-BP与QGA-BP神经网络模型输出值与期望输出值误差对比示意图；
图7为本发明的GA-BP与QGA-BP神经网络模型输出值与期望输出值均方误差对比示意图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
如图1所示，本发明提出了一种基于改进神经网络的电力设备图像的故障识别方法，包括待识别电力设备的红外图像进行特征提取，包括温度特征、纹理特征和形状特征，以提取的特征作为量子遗传神经网络的输入，对其所包含的故障位置进行识别。
红外热像处理中的重要研究内容之一，即提取热像特征，亦是电力设备红外热像诊断的关键操作和必要步骤，提取能够准确、有效的热像特征，将严重影响电力设备红外热像故障诊断环节。特征提取主要是将原始红外热像图的信息进行变换，从而获取体现有利于故障位置诊断的数据，因此，设计电力设备故障位置诊断模型的关键就是要提取最佳的特征。
(1)红外热像的温度特征
根据配网电气设备温度发生畸变的物理特性，首先提取的电力设备红外热像温度特征为区域温度最大值tmax、平均温度值tmean、背景温度值tB、温度分布方差tvar等4个参数。由于红外成像过程中，外界温度、光线强度、风速等因素都会产生干扰，导致显示温度值将会有一些偏差，有些情况下，难以非常准确地体现设备的温度分布情况。因此需要进一步研究电力设备的温度分布发生畸变的本质特征，并尽可能的减少外界环境因素干扰、降低红外热像仪自身的误差对红外热像的影响，增加红外热像的纹理特征和形状特征作为电力设备故障诊断的特征参量，并作为故障诊断模型的输入。
(2)红外热像的纹理特征
纹理特征主要反应红外热像的细致、均匀、粗糙等特点，体现自身属性。尤其是灰度化处理后的红外热像灰度等级的变化，可有助于红外热像的处理和识别。本发明提取电力设备红外热像的纹理特征，采用对边界信息敏感的灰度-梯度共生矩阵纹理分析方法，通过图像灰度和梯度综合信息提取纹理特征，具体方法如下所示：
首先计算各像素点的梯度值，g(K,L)为第(K,L)个像素点的梯度值，f(K,L)为第(K,L)个像素点的灰度值。利用如下方程式进行梯度归一化，
式中，gmax、gmin分别表示图像中最大、最小梯度值，Ng为图像归一化后的最大梯度级，这里取Ng＝32。利用如下方程式进行灰度归一化，
式中，fmax、fmin分别为图像中最大、最小灰度值。Nh为图像归一化后的最大灰度级，这里取Nh＝32。
在得到的归一化的灰度图像F(m,n)和梯度图像G(m,n)中，统计同时使F(m,n)＝i和G(m,n)＝j的像素个数，此即为灰度梯度共生矩阵H的第(i,j)个元素的值。利用如下方程式激进型归一化灰度梯度矩阵，
式中，Lx、Ly为原图像的大小。接着便可针对截取的电力设备区域，提取纹理特征参数，包括五个纹理特征信息，如灰度分布的不均匀性T1、梯度分布的不均匀性T2、灰度均方差T3、梯度均方差T4、相关性T5。计算方法如下：
灰度分布的不均匀性
梯度分布的不均匀性
灰度均方差
梯度均方差
相关性
(3)红外热像的形状特征
矩特征体现了图像区域的几何特征，是图像的形状识别的重要参数，具有平移、旋转和尺度的不变性。代数不变量引入矩不变量，然后对几何矩进行非线性组合，最终得到一组对平移、旋转和尺度变化不变的矩，再进行图像矩分析.
由于Hu矩对噪声敏感，冗余信息也较多，且随着矩阶数的提高，计算量太大。经过大量分析，科研人员研究发现，信息冗余现象在正交矩中不存在，而且抗噪声的能力比Hu矩优异，更适合于红外热像图中目标区域的描述，尤其是Zernike矩效果显著。
Zernike提出的一组多项式{Vpq(x,y)}，在单位圆{x2+y2≤1}内正交，如下式所示：Vpq(x,y)＝Vpq(r,θ)＝Rpq(r)ejqθ
其中，x轴与r的夹角为θ，表示点(x,y)到坐标原点的矢量长度，Rpq为径向多项式，/>
p阶q重的Zernike矩为：
其中，[Vpq(r,θ)]*是Vpq(r,θ)的共轭，
对于离散图像：
取其一阶一重Zernike矩的实部与虚部、二阶零重Zernike矩的实部与虚部作为形状特征。
设极坐标下的原图像为f(r,θ)，若旋转α角度，则图像为g(r,θ)，即g(r,θ)＝f(r,θ-α)，原图像与旋转后图像的Zernike矩转换式为A′pq＝Apqe-jqα。由该式可知，Zernike矩具有旋转不变性，即在旋转时幅值不变，仅复系数相位变化。为了减少红外热像离散所带来的误差，对Zernike矩进行归一化处理，如下式所示：
(4)红外热像各个特征的提取
以变电站的套管热像为例，在不同的环境温度，不同的运行状态下，共采集56组红外热像，其中热异常图像六组，可疑热像十组，正常热像十组。每组热像提取十三个数据，包含四个温度特征参数，五个纹理特征参数，四个Zernike矩特征参数。部分具体参数值，如下表所示。
表1红外热像提取的特征值
BP神经网络包括三个神经元层，左侧是输入层，中间是隐层，右侧是输出层。其中，神经元是神经网络的最基本单元，由小圆圈代表，如图2所示。各个神经元之间的连接在每对神经元之间有一个加权系数，即权值，具有生物神经系统中神经元的突触强度的作用，能够加强或减弱上一个神经元的输出对下一个神经元的刺激。
BP神经网络的学习规则是关键部分。用BP算法训练网络时，通常情况下，采用批处理方式，即一个训练周期的全部样本都依次输入后，再计算总的平均误差，具体学习规则如下所示：
(1)BP网络的前馈计算
设有N个训练样本，通过某一固定样本中的输入输出模式xp和dpk，对BP神经网络开展训练。隐层的第j个节点的输入，如下式所示：
第i个节点的输出，如下式所示：
其中，θ0调节δ函数的形状，较小的θ0使δ函数逼近阶跃函数，较大的θ0使δ函数变得较为平坦；θj为偏置或阈值，正的θj可将激发函数沿水平轴向右移，δ函数如下式所示：
根据加权系数wij，第i个节点的输出oj向前传播到第k个节点，总输入如下式所示：
其中，q为隐层的节点数，输出层第k个节点的实际网络输出为ok＝f(netk)，如果期望输出值dk跟BP神经网络输出不同，就使误差从输出端反向传播，同时将加权系数进行修正，从而输出层节点上得到的输出结果，将逐步与期望输出值dk一致。当样本P(P＝1,2...P)的BP神经网络加权系数调整结束后，再送入另一样本模式对，进行类似学习，P个样本的都训练学习后结束。
BP神经网络权值的调整规则
设每一样本P的输入输出模式对的二次型误差函数，如下式所示：
系统的平均误差代价函数，如下式)所示：
其中，L是BP神经网络的输出节点数，P是样本模式对数。采用最速下降法权值调节的权系数，使代价函数E最小，输出层权系数修正函数，如下式所示：
Δωjk＝η(dk-ok)f(netk)oj＝ηδkoj
对于输出结点k，如下式所示：
Δpωjk＝ηf(netpk)(dpk-opk)opj
对于隐层节点j，如下式所示：
式中，opj为隐含节点j的输出，opk为输出节点k的输出，opi为输入节点i的输出。所以，网络连接权值调整函数，如下式所示：
ωij(k+1)＝ωij(k)+ηδioi+α[ωij(k)-ωij(k-1)]
式中，k+1表示第k+1步，α是平滑因子，0＜α＜1。
(1)GA-BP神经网络模型
遗传算法是一种全局搜索能力强的算法，能够搜索得到全局最优解，并且对目标函数没有特别的要求，只要求问题可计算。因此将擅长全局搜索的遗传算法和擅长局部寻优的BP算法结合起来，实现两者的优势互补，提高算法收敛速度，较快得到问题的全局最优解。遗传算法优化神经网络，可构造出既有学习、记忆和非线性映射能力，又有全局搜索能力的神经网络。采用遗传算法对BP神经网络进行优化，将优化的结果称为GA-BP神经网络。
遗传算法不仅可以对BP神经网络的连接权值进行优化，而且可以对网络结构和学习规则进行优化，但目前对网络结构和学习规则的优化理论还不成熟，难以实现。所以本发明主要研究遗传算法对BP神经网络权值和阈值的优化。
遗传算法优化BP神经网络的基本原理是：利用遗传算法中染色体的特性，对BP神经网络的权值和阈值进行编码，遗传算法的适应度函数为BP神经网络的拟合误差代价函数，采用一定的方法生成初始群体，通过遗传操作，对个体进行筛选，选择最佳染色体作为BP神经网络的权值和阈值。
(2)GA-BP神经网络的主要步骤
1、编码与初始种群的生成
对网络的连接权进行编码。二进制编码和浮点数编码是最常用的编码方式。其中，二进制编码操作简单，但不直观，精度也不高；浮点数编码非常直观，精度也较高。由于BP神经网络的连接权值是浮点数，在此选用浮点数编码方法对连接权进行编码。即将BP神经网络的权值和阈值按一定的顺序级联起来，形成一个浮点数数组，作为遗传算法的一个染色体。
设输入层、隐含层与输出层节点的个数分别为N，S和M，则编码的长度为R＝N*S+S*M+S+M，随机产生X个长度为R的染色体，即形成初始种群。由于本网络的拓扑结构为13-8-1，因此编码长度为R＝13*8+8*1+8+1＝121。对于种群个数Y的确定，太大会导致网络收敛速度慢，太小会降低网络训练的精度。因此本发明取Y值为50。
2、适应度函数的确定
将初始化种群中的R个连接权值赋予BP网络，进行输入信号的前向传播，计算网络的输出值与期望值之间的误差平方和E(i)，设定适应度函数，如下式所示：将遗传算法与BP网络的评估标准结合起来，误差平方和越小，适应度越高，即网络性能越好。
3、遗传操作
(a)选择：釆用基于适应度的排序分配方法进行选择，即先计算种群中各个体的适应度，然后对种群中所有个体按其适应度大小进行排序，个体被选中的概率有排序结果分配，分配原则为大的适应值对应高的选择概率，小的适应值对应低的选择概率。
按适应度排序来分配比例的选择法其优点是：选择适应度高的个体作为遗传到下一代种群的个体，同时可以有效避免采用轮盘赌选择时容易产生的种群中超级个体的早熟问题。
(b)交叉：新的个体由种群通过交叉产生，在逐步扩大搜索空间的过程中，实现全局最优搜索。交叉是将被选中的两个个体的基因链按一定的概率进行交叉，生成两个新的个体。
由于本发明采用浮点数编码，所以交叉算子采用的是浮点数型的算术交叉法。假定种群中x1和x2为父代个体，则由父代双亲产生的后代x′1和x′2，如下式所示：其中，a∈(0,1)，交叉概率的值取0.5，交叉概率为0.8。
(c)变异：使用变异算子产生新个体，来维持种群的多样性。将对选中的个体以一定的概率，随机地改变串结构数据中的值。本发明釆用非均匀变异，对原基因值做随机扰动，变异后的新基因值采用该扰动结果。以等概率对所有基因座进行一次少量的调整。变异概率的值取0.05。
4、产生新种群：用交叉和变异算子对原来的个体进行遗传操作后，产生新的个体，将新个体插入原种群中，生成新种群。计算新个体的适应度值，判断是否达到循环次数或优化标准，若是，则进入下一步，否则继续循环进行遗传操作。
5、产生BP神经网络初始权值：遗传算法达到所最大遗传代数或所设定的指标后，优化后的网络连接权值就是最终群体中的最优个体的解码值。
目前，遗传算法己经在更多的领域得以应用，然而GA虽然可以实现寻优方式上的均衡搜索，在很多复杂问题的处理中也体现了优良的效架，但是算法在某些地方依旧存在不足，例如目前尚未从理论分析中对其全局的收敛性做出合适的分析。简单的遗传算法在全局寻优时并不能确保收敛性，而且很容易出现早熟的现象，量子遗传算法是由AjitNarayanan和MarkMoore等提出，QGA采用量子位编码标记染色体，通过量子门更新完成寻优搜索，即融合遗传算法和量子计算理论。与传统遗传算法相比，拥有更强的全局寻优能力、更快的收敛速度和更优的种群多样性。利用这一原理，本发明进行算法改进。
(1)量子比特编码
采用量子比特编码，一个量子位可以表示0和1之间的任意中间态：
|ψ＝α0＞+β|1＞，其中，α和β表示相应状态的概率幅，可以为复数，需要满足归一化条件：|α|2+|β|2＝1，在该式中，|α|表示|0＞的概率，|β|表示的|1＞概率。因此，一条有m个量子比特位的染色体可以表示为
设n为种群规模即染色体数目，初始种群中全部染色体的量子比特位都被赋为/>这意味着每条染色体表示的状态都为所有可能状态的等概率叠加。
(2)量子旋转门调整策略
根据遗传算法计算得到解x和当前最优个体b的第i个量子比特位乘积、对应二进制位的取值，以及对应适应度值之间的比较，确定调整所需的量子旋转门对应旋转角的方向和其脚步长。
实现个体调整的执行机构就是量子旋转门，其工作原理为：
θi＝s(αiβi)Δθi
其中，αi,βi为染色体中的第i个量子比特，θ为旋转角，s(αiβi)为旋转角的旋转方向，Δθi为旋转角的脚步长，下表中的delta参数影响算法的收敛速度。本发明结合动态调整量子门旋转角思想，delta的具体实现形式为：
其中，k为[0，1]之间常数，n为进化代数，MAXGEN为终止代数。在进化初始阶段，搜索的网格较大，导致收敛速度较快；在进化后期，搜索的网格较小，以便实现精确搜索，获取最优解x。
表2旋转角度的确定方法
表3中，f(x)为适应度函数；xi为解x第i个量子位对应的二进制位；bi为当前最优个体b的第i个量子位对应的二进制位。该旋转量子门能够保证算法，获取更高适应度的个体，并保持较快的收敛速度，其旋转角的方向及脚步长的取值具体如下：
当xi＝0，bi＝1且f(x)≥f(b)时：若αiβi>0，旋转的方向s(αiβi)＝-1，即顺时针旋转；若αiβi<0，旋转的方向s(αiβi)＝1，即逆时针旋转；对于脚步长，传统方法将旋转角的脚步长直接定义为0.05π，本发明将旋转角的脚步长改为delta，delta的计算公式如上文所示；
当xi＝1，bi＝0且f(x)<f(b)时：若αiβi>0，旋转的方向s(αiβi)＝-1，即顺时针旋转；若αiβi<0，旋转的方向s(αiβi)＝1，即逆时针旋转；对于脚步长，传统方法将旋转角的脚步长直接定义为0.01π，本发明将旋转角的脚步长改为delta，delta的计算公式如上文所示；
当xi＝1，bi＝1且f(x)<f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；对于脚步长，传统方法将旋转角的脚步长直接定义为0.005π，本发明将旋转角的脚步长改为delta，delta的计算公式如上文所示；
当xi＝1，bi＝0且f(x)≥f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；对于脚步长，传统方法将旋转角的脚步长直接定义为0.025π，本发明将旋转角的脚步长改为delta，delta的计算公式如上文所示；
当xi＝1，bi＝1且f(x)≥f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；对于脚步长，传统方法将旋转角的脚步长直接定义为0.025π，本发明将旋转角的脚步长改为delta，delta的计算公式如上文所示；
其余情况，本发明与传统方法计算的旋转角的脚步长一致。
(3)改进模型的主要步骤
参见附图3，改进QGA-BP神经网络算法的具体步骤为：
Step l、根据待解决问题，确定BP神经网络的初始结构；
Step 2、对BP神经网络进行预训练一定次数，取得初始权值和阈值的取值范围；
Step 3、对初始权值和阈值进行量子比特编码。初始化种群规模、进化代数等参数；
Step 4、计算BP神经网络输出值与期望值之间的误差平方和，按输出值和期望值之间误差平方和的倒数作为适应度函数，计算个体i的适应度值f(i)；
Step 5、判断个体适应度是否满足优化标准，如果是，转向Step 8；否则，顺序进行遗传操作；
Step 6、量子遗传操作，运用量子旋转门调整策略，对权值和阈值进行优化；
Step 7、产生新群体，重复Step 3至Step 6，使初始确定的权值和阈值不断优化，直到满足优化标准为止；
Step 8、将QGA优化后得到的最优解解码，作为BP神经网络的最优权值和阈值；
Step 9、进行BP神经网络训练：
①正向计算隐含层单元和输出单元输出；
②输出单元误差的计算，若满足精度要求，训练可终止，转向Step 10；否则，顺序进行BP神经网络训练；
③反向调整隐含层到输出层、输入层到隐含层的连接权值和阈值；
④判断是否达到训练次数，如果达到，训练结束，转向Step 10；否则，转回Step 9，重复进行BP神经网络训练；
Step 10、BP神经网络训练结束；
最后，将待识别电力设备的红外图像的特征输入训练好的BP神经网络，进行故障位置的识别。
为了验证本发明方法的可行性，将获取的电力设备红外热像试验数据中随机抽取20组数据，对QGA-BP神经网络诊断模型进行训练，对全部56组数据进行诊断。量子遗传算法的种群大小设置为30，最大遗传代数为50，隐层的神经元个数为8个。得到优化的QGA-BP诊断模型，训练数据的识别准确率为96.43％，而GA-BP诊断模型的识别准确率为92.85％，且收敛性和稳定性均有劣势，如图4所示。本发明提出的电力设备故障诊断方法，在本次试验设定的条件下出现误判的概率低于5％。仿真结果证明此方法识别电力设备红外热像故障的准确率较高。
利用测试数据对设计的电力设备红外热像故障诊断模型进行测试，所得的结果与实际测定结果比较，如表3所示。
表3 QGA-BP神经网络诊断模型部分数据
利用测试数据对设计的电力设备红外热像故障诊断模型进行测试，所得到的隐藏层到输入层的权值表，如表4所示。
表4神经网络模型中隐藏层到输入层的权值表
本实验采用收敛性、精确性、稳定性三个指标作为电力设备红外热像故障诊断方法的评价标准，对本发明提出的QGA-BP神经网络模型和GA-BP神经网络模型进行对比分析。
(1)收敛性：根据网络训练过程中的步数Epochs来判断收敛速度。不同网络达到相同训练目标时步数少的收敛速度快，反之，步数多的收敛速度慢。
为了防止神经网络的过拟合，通常将数据分成三份，进行训练、验证和测试，其中，只有训练数据参加训练，而验证数据和测试数据并不参加训练，仅用于检验。如图5所示，其中蓝色为训练输出标准差曲线，绿色为验证输出标准差曲线，红色为测试输出标准差曲线。由于验证的标准差如果连续上升6次，训练就会终止，因此，图5(a)中，GA-BP神经网络的收敛步数为44，在21步以后一直保持平稳状态，最佳值为0.056，而图5(b)中，QGA-BP网络的收敛步数为6，最佳值为0.013。
(2)精确性：按照不同网络的测试仿真输出值与期望输出值的相对误差，来判断经训练后的网络进行测试得到输出结果的精准度。GA-BP神经网络、QGA-BP神经网络测试仿真输出值与期望输出值，如图6所示的对比曲线图。可以看出本发明提出的QGA-BP神经网络模型输出比GA-BP神经网络模型输出更接近期望输出值，可见，量子遗传算法与BP神经网络的结合不仅可以加快网络收敛速度，也提高了网络识别精度。
表5神经网络模型中部分输出及相对误差对比表
(3)稳定性：根据网络测试仿真输出值与期望输出值的误差，计算出不同网络测试输出的均方误差(MSE)，即可进一步从宏观上判断整个网络的稳定性。
由附图7可见，相比之下，QGA-BP网络测试输出产生的均方误差显然比GA-BP网络测试输出产生的均方误差更小一些，并且维持在一个较小的区间内，基本上保持在0.05以内，由此说明GA-BP模型的训练结果要更稳定一些，而BP网络的训练效果不是太稳定，个别点的测试输出的相对误差甚至达到近0.16，可能陷入局部极小值。
综上，经过训练后的QGA-BP神经网络诊断模型，实际诊断结果跟测试输出值的误差非常小，本发明提出的QGA-BP神经网络诊断模型的准确性得到验证。总的来说，配网红外热像的QGA-BP神经网络诊断模型能够较为准确地对电力设备故障进行了有效的诊断。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。
Claims (5)
1.一种基于改进神经网络的电力设备图像的故障识别方法，其特征在于：包括对待识别电力设备的红外图像进行特征提取，包括温度特征、纹理特征和形状特征，以提取的特征作为量子遗传神经网络的输入，对其所包含的故障位置进行识别；
利用量子遗传神经网络进行故障位置识别包括以下步骤：
步骤Ⅰ、根据待解决问题，确定遗传算法个体的长度，进而确定BP神经网络结构；
步骤Ⅱ、用遗传算法对BP神经网络的初始权值和阈值进行编码，确定适应度函数，计算个体适应度值，通过量子遗传操作，运用量子旋转门调整策略，找到最优个体；
步骤Ⅲ、将量子遗传算法优化后得到的最优个体对应的最优解解码，作为BP神经网络的最优权值和阈值，对BP神经网络进行训练；
步骤Ⅳ、将待识别电力设备的红外图像的特征输入训练好的BP神经网络，进行故障位置的识别；
找到最优个体包括以下步骤：
Step 1、对初始权值和阈值进行量子比特编码；
Step 2、计算BP神经网络输出值与期望值之间的误差平方和，以输出值和期望值之间误差平方和的倒数作为适应度函数，计算个体i的适应度值f(i)；
Step3、判断个体i的适应度值f(i)是否满足优化标准，若是，所述个体i为最优个体；否则，执行Step4；
Step4、继续量子遗传操作，运用量子旋转门调整策略，对初始权值和阈值进行优化；
Step5、产生新群体，重复Step 1至Step 4，使初始权值和阈值不断被优化，直到满足优化标准为止；
利用以下方程式，确定调整所需的量子旋转门对应旋转角的方向和其脚步长，
θi＝s(αiβi)delta
其中，(αiβi)表示染色体中的第i个量子比特位，θi表示旋转角，s(αiβi)表示旋转角的旋转方向，delta表示旋转角的脚步长，k表示[0，1]之间常数，n表示进化代数，MAXGEN表示终止代数，
当xi＝0，bi＝1且f(x)≥f(b)时：若αiβi>0，旋转的方向s(αiβi)＝-1，即顺时针旋转；若αiβi<0，旋转的方向s(αiβi)＝1，即逆时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝0且f(x)<f(b)时：若αiβi>0，旋转的方向s(αiβi)＝-1，即顺时针旋转；若αiβi<0，旋转的方向s(αiβi)＝1，即逆时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝1且f(x)<f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝0且f(x)≥f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；旋转角的脚步长为delta；
当xi＝1，bi＝1且f(x)≥f(b)时,若αiβi>0，旋转的方向s(αiβi)＝1，即逆时针旋转；若αiβi<0，旋转的方向s(αiβi)＝-1，即顺时针旋转；旋转角的脚步长为delta，
其中，xi，bi分别表示遗传算法计算得到解x和当前最优个体b的第i个量子比特位对应二进制位。
2.根据权利要求1所述的基于改进神经网络的电力设备图像的故障识别方法，其特征在于：根据遗传算法计算得到解x和当前最优个体b的第i个量子比特位乘积、对应二进制位的取值，以及对应适应度值之间的差值，确定调整所需的量子旋转门对应旋转角的方向和其脚步长。
3.根据权利要求1所述的基于改进神经网络的电力设备图像的故障识别方法，其特征在于纹理特征的提取方法包括以下步骤：
步骤一、计算红外图像中各个像素点的梯度值和灰度值，并进行归一化处理；
步骤二、在归一化的灰度图像F(m,n)和梯度图像G(m,n)中，统计同时使F(m,n)＝i和G(m,n)＝j的像素个数，即为灰度梯度共生矩阵H的第(i,j)个元素的值，构建灰度梯度矩阵H(i,j)，并进行归一化处理，得到归一化的灰度梯度矩阵H′(i,j)；
步骤三、基于所述灰度梯度矩阵H(i,j)和归一化的灰度梯度矩阵H′(i,j)进行纹理特征提取。
4.根据权利要求3所述的基于改进神经网络的电力设备图像的故障识别方法，其特征在于：利用如下方程式，计算灰度分布的不均匀性T1、梯度分布的不均匀性T2、灰度均方差T3、梯度均方差T4、相关性T5，
灰度分布的不均匀性
梯度分布的不均匀性
灰度均方差
梯度均方差
相关性
其中，Ng表示图像归一化后的最大梯度级，Nh表示图像归一化后的最大灰度级，Lx、Ly表示原图像的大小。
5.根据权利要求1所述的基于改进神经网络的电力设备图像的故障识别方法，其特征在于：所述温度特征包括区域温度最大值tmax、平均温度值tmean、背景温度值tB、温度分布方差tvar，所述形状特征以Zernike矩来表示，包括一阶一重Zernike矩的实部与虚部、二阶零重Zernike矩的实部与虚部。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010169561.XA CN111310722B (zh) | 2020-03-12 | 2020-03-12 | 一种基于改进神经网络的电力设备图像的故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010169561.XA CN111310722B (zh) | 2020-03-12 | 2020-03-12 | 一种基于改进神经网络的电力设备图像的故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310722A CN111310722A (zh) | 2020-06-19 |
| CN111310722B true CN111310722B (zh) | 2024-02-27 |
Family
ID=71148500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010169561.XA Active CN111310722B (zh) | 2020-03-12 | 2020-03-12 | 一种基于改进神经网络的电力设备图像的故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310722B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881922B (zh) * | 2020-07-28 | 2023-12-15 | 成都工业学院 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
| CN112052939A (zh) * | 2020-08-19 | 2020-12-08 | 国网山西省电力公司 | 一种基于神经网络算法的主动预警系统 |
| CN113776527B (zh) * | 2021-09-13 | 2023-04-07 | 中国民用航空飞行学院 | 一种民航飞机全时空的组合导航系统和导航方法 |
| CN113920116B (zh) * | 2021-12-13 | 2022-03-15 | 武汉市什仔伟业勇进印务有限公司 | 基于人工智能的彩箱面纸贴合工艺智能控制方法及系统 |
| CN116415958B (zh) * | 2021-12-30 | 2024-07-16 | 本源量子计算科技（合肥）股份有限公司 | 基于量子技术的异常数据检测方法、装置及存储介质 |
| CN117538706B (zh) * | 2023-12-06 | 2024-08-06 | 西南交通大学 | 基于阻抗极坐标图像特征的配电电缆局部故障严重程度监测方法 |
| CN118501723A (zh) * | 2024-07-18 | 2024-08-16 | 成都航空职业技术学院 | 基于ga-bp-lstm算法的动力电池soc估算模型构建方法及装置、动力电池soc估算方法、存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN110533549A (zh) * | 2019-07-12 | 2019-12-03 | 杭州电子科技大学 | 一种基于ga优化rs-bp神经网络电网故障定位方法 |
-
2020
- 2020-03-12 CN CN202010169561.XA patent/CN111310722B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN110533549A (zh) * | 2019-07-12 | 2019-12-03 | 杭州电子科技大学 | 一种基于ga优化rs-bp神经网络电网故障定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马宪民等.基于量子遗传算法的刮板输送机减速器的故障诊断研究.煤炭工程.2016,第48卷(第7期),第111-114页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310722A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310722B (zh) | 一种基于改进神经网络的电力设备图像的故障识别方法 | |
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN110765700A (zh) | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 | |
| CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
| CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN116759100B (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| Huang et al. | Differential evolution-based convolutional neural networks: An automatic architecture design method for intrusion detection in industrial control systems | |
| CN112381180B (zh) | 一种基于互重构单类自编码器的电力设备故障监测方法 | |
| CN109389171A (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN112509017B (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
| CN111079926A (zh) | 基于深度学习的具有自适应学习率的设备故障诊断方法 | |
| CN112529684A (zh) | 一种基于fwa_dbn的客户信用评估方法及系统 | |
| CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
| CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
| CN117036760A (zh) | 一种基于图对比学习的多视图聚类模型实现方法 | |
| CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
| CN108520201A (zh) | 一种基于加权混合范数回归的鲁棒人脸识别方法 | |
| CN107067041A (zh) | 一种基于高频局放信号图的电缆绝缘缺陷状态评估方法 | |
| Cho et al. | Genetic evolution processing of data structures for image classification | |
| CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
| CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |