CN112836717B - 一种电力设备金属腐蚀老化程度的辨识方法 - Google Patents
一种电力设备金属腐蚀老化程度的辨识方法 Download PDFInfo
- Publication number
- CN112836717B CN112836717B CN202011400108.1A CN202011400108A CN112836717B CN 112836717 B CN112836717 B CN 112836717B CN 202011400108 A CN202011400108 A CN 202011400108A CN 112836717 B CN112836717 B CN 112836717B
- Authority
- CN
- China
- Prior art keywords
- corrosion
- aging degree
- metal corrosion
- features
- matrix
- 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
- 238000005260 corrosion Methods 0.000 title claims abstract description 118
- 230000007797 corrosion Effects 0.000 title claims abstract description 117
- 239000002184 metal Substances 0.000 title claims abstract description 42
- 230000032683 aging Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012847 principal component analysis method Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 21
- 238000001514 detection method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 229910000975 Carbon steel Inorganic materials 0.000 description 4
- 239000010962 carbon steel Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 229910000746 Structural steel Inorganic materials 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005238 degreasing Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000835 electrochemical detection Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种电力设备金属腐蚀老化程度的辨识方法,属于电力设备技术领域,包括以下步骤:建立不同腐蚀梯度的训练样本数据集;提取多维腐蚀特征矩阵;对腐蚀特征矩阵的主成分分析;建立电力金属腐蚀老化程度辨识模型;验证电力金属腐蚀老化程度辨识模型有效性。本发明基于主成分分析方法和粒子群优化的最小二乘支持向量机算法,采用的电力金属腐蚀老化程度辨识模型不仅真实地反映了变电站的电力设备金属腐蚀信息,同时也简化了以往模型的计算复杂度,实现了金属腐蚀老化程度的准确辨识。
Description
技术领域
本发明涉及电力设备技术领域,具体为一种电力设备金属腐蚀老化程度的辨识方法。
背景技术
输电线路电力设备金属材料的使用寿命受到大气腐蚀的严重影响,特别是在沿海或工业等恶劣气候条件下,导致分设备或材料的使用寿命不能满足实际环境的要求。严重时甚至可能发生电力事故,造成电网瘫痪。因此,针对不同的环境,建立一种有效的设备金属大气腐蚀程度评估方法,将有助于电网采取相应的设计、选材和防腐措施,降低后续维护成本。然而传统的腐蚀检测技术如人工观察法、厚度测量、失重测量等具有人工操作量大,准确性低等原因而不能大范围使用。
随着科技的发展,一些新的检测技术如电化学检测、场效应检测和超声波检测,但由于检测繁琐,设备昂贵等原因而存在较大的局限性。在大气环境中,腐蚀的加剧总是伴随着金属表面腐蚀形态和结构的变化,腐蚀图像可以记录被腐蚀金属的形貌信息,随着人工智能技术的不断提高,图像处理技术作为一种快速、无损的检测技术,有望在腐蚀运维中被逐步被推广。
腐蚀图像评价的基础是准确地提取和反映图像表面的形貌和纹理特征。常用的特征提取方法有统计分析、小波分析和分形特征分析。部分研究学者提出了一种利用模糊K-S熵表征腐蚀图像空间分布的方法或者利用小波变换检测铁锈图像,均取得了较好的效果。然而,单一方面的特征不能很好地描述腐蚀图像,高维特征又容易造成信息冗余,从而增加了识别模型的计算量和复杂度。因此,需要开发一种快速、高效且准确的电力设备金属腐蚀老化程度的辨识方法。
为实现对电力设备金属腐蚀状态的有效识别,本发明首先基于变电站建立的区域不同腐蚀等级腐蚀图像的标准数据库提取了色矩、奇异值、分形、信息熵和五种特征,从而建立多维的特征矩阵。然后,采用主成分分析方法对提取的特征矩阵进行了降维处理,从而降低模型的计算复杂度。最后,结合粒子群优化的最小二乘支持向量机和主成分特征矩阵建立了电力设备金属老化程度的腐蚀辨识模型,辨识效果科学准确,具有较高的工程实际意义。
发明内容
本发明所要解决的技术问题是,克服以上背景技术中提到的不足和缺陷,提供一种电力设备金属腐蚀老化程度的辨识方法。
为解决上述技术问题,本发明提出的技术方案为一种电力设备金属腐蚀老化程度的辨识方法,所述方法包括以下步骤:
步骤S1、建立不同腐蚀梯度的训练样本数据集;
步骤S2、提取多维腐蚀特征矩阵;
步骤S3、对腐蚀特征矩阵的主成分分析;
步骤S4、建立电力金属腐蚀老化程度辨识模型;
步骤S5、验证电力金属腐蚀老化程度辨识模型有效性。
进一步地,所述多维腐蚀特征包括颜色矩特征、奇异值特征、分形维数特征、信息熵特征和小波分析特征。
进一步地,在所述步骤S3中,对m个样本的n个变量进行观察,可得到主成分分析观测模型如下:
假设观测模型的相关系数矩阵为R=(rii),样本矩阵Xm×n的二维向量设为Xi和Xj,则rij可由标准化样本数据的协方差矩阵进行转换:
rij是Xi和Xj之间的相关系数,和是相应的标准差,用雅可比法求特征方程|λE-R|=0的m个非负特征根λ1≥λ2≥…λm≥0,PCA后,将初始变量x1,x2,…xt转化为t个综合指数因子y1,y2,…,yt,表达式如下:
式中:当i≠j(i,j为1,2,…,t),yi和yj相互独立;cit满足c2 i1+c2 i2+… c2 it=1(i=1,2…,t),y1是x1,x2,…,xt满足方程(3)等线性组合中方差最大的指标因子,yt是所有与y1,y2,…,yt-1无关的线性组合中方差最小的指标因子,第i主成分的贡献率为其中i=1,2,…,m,第q个主成分的累积贡献率为
进一步地,在步骤S4中,所述电力金属腐蚀老化程度辨识模型采用粒子群优化的最小二乘支持向量机算法,采用训练样本数据集对所述粒子群优化的最小二乘支持向量机算法进行训练。
进一步地,所述步骤S5中采用不同腐蚀梯度的测试样本数据集进行验证。
本发明的有益效果为:本发明提出了一种电力设备金属腐蚀老化程度的辨识方法,基于主成分分析方法和粒子群优化的最小二乘支持向量机算法,采用的电力金属腐蚀老化程度辨识模型不仅真实地反映了变电站的电力设备金属腐蚀信息,同时也简化了以往模型的计算复杂度,实现了金属腐蚀老化程度的准确辨识。
相比以往的腐蚀老化程度的辨识方法,首先,本发明针对变电站现场获取的腐蚀样本数据库的形貌特征分析,提取了腐蚀样本的颜色矩、奇异值、信息熵、分形维数等多类特征建立腐蚀老化特征数据库,从而实现腐蚀演化规律的有效表征。然后,本发明基于主成分分析方法对筛选的16维特征向量进行降维,并提取了5个主成分实现了96.57%的腐蚀特征向量相关信息的有效表征。最后本发明基于粒子群优化的支持向量机算法和腐蚀特征的主成分相关矩阵建立了准确的电力金属腐蚀老化程度辨识模型,实现了金属腐蚀老化程度的快速和有效的辨识,提高了运维效率。
附图说明
图1是本发明实施例中一种电力设备金属腐蚀老化程度的辨识方法的流程图。
图2是本发明实施例中建立不同腐蚀梯度图像数据库的流程图。
图3是本发明实施例中不同腐蚀程度Q235B碳钢腐蚀形貌图。
图4是本发明实施例中不同腐蚀程度图像的灰度分布。
图5是本发明实施例中不同腐蚀阶段提取的归一化特征的箱型分布图。
图6是本发明实施例中各主成分的贡献率和累计贡献率。
图7是本发明实施例中训练样本的识别效果图。
具体实施方式
本发明的整体流程如图1所示。下面对本发明的过程和原理在实际中的应用做进一步介绍。
一、建立不同腐蚀梯度的训练样本数据集
(1)变电站现场“暴露”实验
实验前应首先做好样本的制备和变电站的位置选取,进而对实验样本开展现场的腐蚀“暴露”实验,从而建立腐蚀图像数据库,训练样本数据集和测试样本数据集选自腐蚀图像数据库。整体流程如图2所示。
其中,选取的样本为Q235B碳钢的平板试样,试样材质应符合GB/T 700《碳素结构钢》和GBT 14165-2008《金属和合金大气腐蚀试验现场试验》的标准要求。样本本身暴露前应光滑,无锈蚀,样本尺寸长×宽应为150×100mm,厚度为1~5mm。样本暴晒前进行打磨、抛光、除油等操作。
变电站的选择应避免地域太过集中或气候类型太过单一,应涵盖城市大气、工业大气、乡村大气等多种气候条件。本发明采集的现场样本的变电站包括重庆市东北、东南、西、南、中、主城区共6个区域的不同大气环境类型的10个变电站,气候类型涵盖污染较重的城市大气和工业型气候,也包括乡村大气和潮湿性的气候,变电站电压等级为220kV和550kV。
采用表面观察法和失重法结合划分金属的腐蚀程度,设置未腐蚀、轻微腐蚀、一般腐蚀、较强腐蚀和严重腐蚀共五个等级,分别对应C1~C5。表1为相应的腐蚀评价等级分类表。
表1腐蚀程度评价等级划分关系表
然后对不同腐蚀程度的样本不定期的进行腐蚀图像的采集,变电站不同腐蚀阶段现场取样的输变电工程结构料Q235B碳钢腐蚀形貌典型对比如图3所示。可以发现,随着腐蚀程度的不断加剧,试样表面的腐蚀产物也在不断增加。金属表面的状态逐渐由光滑变为粗糙,特别是在腐蚀初期,表面的不均匀性迅速增加。在腐蚀后期,随着产物生长速率的降低,表面腐蚀产物越来越均匀,粗糙度也逐渐降低。
二、提取多维腐蚀特征矩阵
对不同腐蚀程度的图像进行灰度变换,然后对不同灰度值的像素进行统计分析,得到分布特征,如图4所示。可见,腐蚀图像的灰度分布差异非常明显,无论是灰度均值还是灰度方差。因此,进一步采取有效措施提取特征,实现腐蚀图像的有效识别就显得尤为重要。图像识别实际上是一个分类过程,特征选择有利于提高分类识别的准确性。因此,有必要选择更好的特征来区分不同腐蚀程度的图像。
(1)腐蚀图像的颜色矩特征
不变矩是对平移、灰度、比例和旋转不变性高度浓缩的图像特征。一阶矩定义每个颜色分量的平均强度;二阶矩反映被测区域的颜色方差,即不均匀性;三阶矩定义颜色分量的偏斜度,即颜色不对称性。计算公式如下(1)~(3)其中和分别为图像的一阶矩,二阶矩和三阶矩,M和N分别代表图像灰度矩阵的横向和纵向维度,Pij对应每一个像素点的灰度。
(2)腐蚀图像的奇异值特征
奇异值分解(SVD)主要是将原始矩阵分解为多个同维矩阵的叠加。此时,奇异值对角矩阵Γ1=diag(σ1,σ2,σ3,…,σr)是原矩阵X的叠加权值,而Γ1呈指数递减的规律排列可以很好地描述信号的衰减特性。其中U和V分别左奇异矩阵和右奇异矩阵,σ1,σ2,…,σr为r阶奇异值。
Γ1=diag(σ1,σ2,…,σr) (5)
(3)腐蚀图像的分形维数特征
分形维数可以很好地表征腐蚀图像的不规则性。分形维数FD的取值范围区间为[2,3],其中2对应于一个纯平面。FD越大,灰色表面越复杂。当腐蚀剖面图像的灰色面最为复杂时,灰色面可简化为三角形平面计算,FD=3,计算式如 (6)-(8)。其中l和k分别是第(i,j)个网格的最大和最小像素值,r为小盒子的边长,Nr为非空盒子数,当r→0时,即可得分行维数FD。
nr(i,j)=l-k+1 (6)
(4)腐蚀图像的小波特征
腐蚀图像是一个二维信号,小波变换的二维扩展可用于图像的多分辨率分析,原理如式(9),其中ψm,n为二维的目标图像,为尺度变换后的图像,j和k 分别为缩放因子和平移因子。二维离散小波变换一般采用金字塔算法将原始图像变换成不同频带的子图像,分别对应近似、水平、垂直和对角系数矩阵,然后对包含不同信息的子图像进行特征提取。EAi、EHi、EVi和EDi分别代表第i阶小波分解图像的近似、水平、垂直和对角系数矩阵能量百分比。
(5)信息熵特征
熵是指系统的混沌程度。香农首先将熵的概念引入信息论。图像熵表示为图像灰度集的平均比特数,单位为比特/像素,并描述了图像源的平均信息量。p (m)是灰度值m的点与像素点总数的比值,m的取值范围为0~255,S为图像的信息熵。
表2.腐蚀图像特征提取方法和特征量的对应关系
采用表2中的一系列方法提取不同腐蚀阶段的腐蚀图像特征,提取归一化结果的箱型分布图如图5所示。可以发现,不同腐蚀阶段的颜色矩、粗糙度、分形维数等特征均有较大差异。其中腐蚀粗糙度相关特征(二阶矩D2、信息熵 D8)均先上升后下降,而分形维数D7则先下降后上升,这均和表面的腐蚀产物的演变规律有关。腐蚀初期(C1),金属表面较光滑,因此金属表面的粗糙度均较低。而在腐蚀中期(C2~C3),碳钢表面较粗糙,基体与腐蚀产物交错分布,蚀坑较多,不均匀程度急剧增加。而在腐蚀后期,腐蚀产物已经形成稳定锈层,不均匀程度开始增长缓慢甚至有所降低。所提取的特征也较好的反映了产物分布规律差异性。
三、腐蚀特征矩阵的主成分分析
主成分分析法(principal component analysis,PCA)是根据样本对总体贡献率进行排序,实现数据降维的方法,可以快速简化模型的计算。对m个样本的 n个变量进行观察,可得到主成分分析观测模型如下:
假设观测模型的相关系数矩阵为R=(rii),样本矩阵Xm×n的二维向量设为Xi和Xj,则rij可由标准化样本数据的协方差矩阵进行转换:
rij是Xi和Xj之间的相关系数,和是相应的标准差。用雅可比法求特征方程|λE-R|=0的m个非负特征根λ1≥λ2≥…λm≥0。PCA后,将初始变量x1,x2,…,xt转化为t个综合指数因子y1,y2,…,yt,表达式如下:
式中:当i≠j(i,j为1,2,…,t),yi和yj相互独立;cit满足c2 i1+c2 i2+… c2 it=1(i=1,2…,t),y1是x1,x2,…,xt满足方程(3)等线性组合中方差最大的指标因子,yi是所有与y1,y2,…,yt-1无关的线性组合中方差最小的指标因子。第i主成分的贡献率为其中i=1,2,…,m,第q个主成分的累积贡献率为
采用PCA方法对通过颜色矩分析、奇异值分解、分形维数分析、信息熵和小波分析提取的16个特征变量D1~D16进行降维处理,如图6所示。结果表明,前5个相关主成分变量的累计贡献率达到96.57%,说明达到了较好的降维效果。
四、建立电力金属腐蚀老化程度辨识模型
(1)粒子群优化的最小二乘支持向量机算法
最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)将支持向量机的二次优化问题转化为求解线性方程组,提高了求解速度。它寻求的目标优化是:
styi[ωTφ(xi)+b]=1-ζi,i=1,2,…,N (15)
式中,R(ω)为结构风险,ω为超平面权重矩阵,b为截距参数,ωT为权重矩阵的转置。C为归一化因子,ζi为容许误差,φ(x)为高斯核函数。粒子群优化(PSO) 是一种通过个体间的合作与竞争在复杂空间中寻找最优解的方法。采用粒子群算法对LSSVM的参数进行优化,收敛速度快,易于实现,有利于提高其诊断性能。
(2)电力金属腐蚀老化程度辨识模型的训练
采用PSO-LSVSVM算法和250个5种腐蚀状态样本对识别模型进行训练,结果如图7所示,每个腐蚀状态下有50个图像样本。可以发现训练模型的腐蚀评估输出值和实际值吻合非常好,具有良好的训练效果。
五、验证电力金属腐蚀老化程度辨识模型有效性
通过随机抽取的500个腐蚀样本的图像作为待识别样本带入辨识模型进行有效性验证。实验发现,大部分腐蚀输出值均为真实值或者在真实值周围波动,这说明基于多特征PCA降维分析和PSO-LSSVM算法构建的金属老化程度的识别模型可以较好地区分电力设备金属腐蚀状态,若将识别不成功的阈值设置为±0.25,则所有样本的腐蚀老化程度的识别率为94.6%,达到了较高的识别准确性。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种电力设备金属腐蚀老化程度的辨识方法,其特征是,包括以下步骤:
步骤S1、建立不同腐蚀梯度的训练样本数据集;
步骤S2、提取多维腐蚀特征矩阵;
步骤S3、对腐蚀特征矩阵的主成分分析;
步骤S4、建立电力金属腐蚀老化程度辨识模型;
步骤S5、验证电力金属腐蚀老化程度辨识模型有效性;
在所述步骤S3中,对m个样本的n个变量进行观察,可得到主成分分析观测模型如下:
假设观测模型的相关系数矩阵为R=(rii),样本矩阵Xm×n的二维向量设为Xi和Xj,则rij可由标准化样本数据的协方差矩阵进行转换:
rij是Xi和Xj之间的相关系数,和是相应的标准差,用雅可比法求特征方程|λE-R|=0的m个非负特征根λ1≥λ2≥…λm≥0,PCA后,将初始变量x1,x2,…xt转化为t个综合指数因子y1,y2,…,yt,表达式如下:
式中:当i≠j,i,j为1,2,…,t,yi和yj相互独立;cit满足c2 i1+c2 i2+…c2 it=1,i=1,2…,t,y1是x1,x2,…,xt满足方程(13)
所述多维腐蚀特征包括颜色矩特征、奇异值特征、分形维数特征、信息熵特征和小波分析特征;
在步骤S4中,所述电力金属腐蚀老化程度辨识模型采用粒子群优化的最小二乘支持向量机算法,采用训练样本数据集对所述粒子群优化的最小二乘支持向量机算法进行训练。
2.如权利要求1所述的电力设备金属腐蚀老化程度的辨识方法,其特征是,所述步骤S5中采用不同腐蚀梯度的测试样本数据集进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400108.1A CN112836717B (zh) | 2020-12-02 | 2020-12-02 | 一种电力设备金属腐蚀老化程度的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400108.1A CN112836717B (zh) | 2020-12-02 | 2020-12-02 | 一种电力设备金属腐蚀老化程度的辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836717A CN112836717A (zh) | 2021-05-25 |
CN112836717B true CN112836717B (zh) | 2023-05-23 |
Family
ID=75923462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400108.1A Active CN112836717B (zh) | 2020-12-02 | 2020-12-02 | 一种电力设备金属腐蚀老化程度的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836717B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325240A (zh) * | 2021-12-31 | 2022-04-12 | 国网山东省电力公司滨州供电公司 | 一种基于高频故障信息能量评估的故障线路识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN111487676A (zh) * | 2020-03-31 | 2020-08-04 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
WO2016172387A1 (en) * | 2015-04-21 | 2016-10-27 | Purdue Research Foundation | Culture imaging system |
CN106885978B (zh) * | 2017-04-20 | 2019-04-16 | 重庆大学 | 一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法 |
CN107067078A (zh) * | 2017-05-31 | 2017-08-18 | 江西制造职业技术学院 | 一种金属腐蚀试验试样和试件自动评级设备及其评级方法 |
CN108805355A (zh) * | 2018-06-09 | 2018-11-13 | 贵州电网有限责任公司 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
CN109164343B (zh) * | 2018-08-30 | 2020-11-06 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
CN109740859A (zh) * | 2018-12-11 | 2019-05-10 | 国网山东省电力公司淄博供电公司 | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 |
CN110320238B (zh) * | 2019-06-17 | 2024-07-30 | 贵州电网有限责任公司 | 一种接地网腐蚀状态检测电路及接地网腐蚀状态监测方法 |
CN111428748B (zh) * | 2020-02-20 | 2023-06-27 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
-
2020
- 2020-12-02 CN CN202011400108.1A patent/CN112836717B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
CN111487676A (zh) * | 2020-03-31 | 2020-08-04 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
Non-Patent Citations (1)
Title |
---|
基于PCA和SVM的管道腐蚀超声内检测;唐东林等;《传感技术学报》;20180715(第07期);64-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836717A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
CN107945161A (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN110334750A (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN111079989A (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN112836717B (zh) | 一种电力设备金属腐蚀老化程度的辨识方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN109636063A (zh) | 一种短期负荷预测的方法 | |
CN110728409A (zh) | 一种洪水过程类型相似性挖掘与快速预测方法 | |
Tao et al. | Electric insulator detection of UAV images based on depth learning | |
CN109827662B (zh) | 基于逆高斯分布低值绝缘子红外检测温度阈值的判定方法 | |
CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN112765549B (zh) | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 | |
CN112150495B (zh) | 一种基于扣分法则的绝缘子冰闪风险预测方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
Wu et al. | Atmospheric corrosion state evaluation based on surface corrosion morphology for electrical metal frame equipment in chongqing power grid | |
CN117131341A (zh) | 一种电表运行误差估计方法、超差电表判断方法及系统 | |
CN114972330A (zh) | 一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法 | |
Ren et al. | Metal corrosion assessment method of power equipment based on multi-feature fusion and PCA dimensionality reduction analysis | |
CN112785589A (zh) | 通过云端网络获取数字医疗异常影像的方法 | |
CN102999754B (zh) | 用于血细胞的多重分形纹理特征的提取方法 |
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 |