CN114743089A - 一种基于ssa-svm的图像识别gis故障诊断装置及方法 - Google Patents
一种基于ssa-svm的图像识别gis故障诊断装置及方法 Download PDFInfo
- Publication number
- CN114743089A CN114743089A CN202111579787.8A CN202111579787A CN114743089A CN 114743089 A CN114743089 A CN 114743089A CN 202111579787 A CN202111579787 A CN 202111579787A CN 114743089 A CN114743089 A CN 114743089A
- Authority
- CN
- China
- Prior art keywords
- svm
- ssa
- gis
- video
- fault diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 241000287127 Passeridae Species 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000036626 alertness Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000004459 forage Substances 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 244000062645 predators Species 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010616 electrical installation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
- H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
- H02B13/035—Gas-insulated switchgear
- H02B13/065—Means for detecting or reacting to mechanical or electrical defects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SSA‑SVM的图像识别GIS故障诊断装置及方法,所述方法包括:采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;利用SSA群智能算法优化SVM,输出最优参数C和γ;利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断。将SSA算法用于SVM的关键参数C和γ进行搜索寻优,输出最优参数C和γ。通过其它算法的对比验证,可以得出SSA‑SVM算法模型收敛速度更快,分类效果更好。可以及时发现GIS设备潜在的机械缺陷,对维护GIS安全运行具有重要意义。
Description
技术领域
本发明涉及GIS机械缺陷故障诊断技术领域,具体涉及一种基于 SSA-SVM的图像识别GIS故障诊断装置及方法。
背景技术
随着电网规模的日益扩大,我国不断加大对特高压输变电工程建设的投入,对系统运行的安全性和可靠性的要求日益提高,对高压电器装置的安全性和可靠性的要求也日益提高。GIS,即SF6气体绝缘金属封闭开关设备,是20世纪60年代出现的一种高压电器装置。GIS 设备由于具有受外界影响小、占地面积少、配置灵活、维修简单、检修周期长等优点,在电力行业得到了广泛应用。近年来,在我国城乡电网的改造中,GIS得到了大量的使用,成为了电网中的主导开关。
虽然GIS设备具备的优越性十分显著,可一旦发生故障,或者因为某种缺陷需要进行检修,就势必会导致故障所在的间隔停电,有时由于不清楚故障所在的位置,甚至要对相邻的间隔,甚至整个变电站进行停电。由于故障类型的多样性和复杂性,会导致设备停电的时间很长,这会严重影响到电网的安全稳定运行。除此之外,由于GIS设备基本分布在电力系统中负荷相对集中的地区,例如,重要的工业枢纽、商业中心以及城市居民中心等地区,所以变电站能够提供安全可靠的供电是十分重要的,如果变电站发生故障导致长时间的停电,会对工业生产以及人们的生活造成不便。
当GIS设备发生故障时,除了用传统检测方法检测外,许多超高压、特高压GIS设备都对内部状态进行内窥镜观测,通过内窥镜获得 GIS内部缺陷图像,然后人工判断设备存在何种缺陷。然而人工对缺陷类型进行分析效率低、主观性强、并且不能把缺陷类型进行系统的归类。现在基于计算机视觉的缺陷检测已经广泛应用于工业领域,因为其直观、便捷的优势,极大提高了检测效率。因此,把图像处理技术用于GIS内部缺陷的识别研究,基于图像特征的GIS典型缺陷识别方法可以通过不拆卸设备,直观地将缺陷类型以及缺陷所在位置展现出来,更加方便的进行识别。采用计算机开发的GIS机械缺陷图像识别系统可以对GIS设备经过长期运行暴露的各种缺陷整理归类,全面系统地把握缺陷的分布规律,方便操作人员的查看以及对造成GIS缺陷的原因进行研究。
因此,本发明提供了一种基于SSA-SVM的图像识别GIS故障诊断分析方法。
发明内容
鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种针对GIS设备机械缺陷故障的,基于SSA-SVM的图像识别GIS故障诊断分析装置及方法。
一种基于SSA-SVM的图像识别GIS故障诊断方法,其特征在于,包括:
采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;
利用SSA群智能算法优化SVM,输出最优参数惩罚系数C和核函数半径γ;
利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;
根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断,
其中,根据SSA群智能算法,受麻雀种群的觅食和反捕食行为启发,通过19个标准测试函数验证SSA算法在搜索精度,收敛速度,稳定性和避免局部最优值方面均优于现有算法,基于此,将SSA算法应用到SVM的参数选择中,以SVM训练集分类准确率最高为优化目标,选择最优的惩罚因子和核参数,建立SSA-SVM诊断模型;
SSA群智能算法原理为:
假设麻雀组成的种群X为
其中,n是麻雀的数量,d是待优化问题的变量的维数。f表示为适应度值,则适应度函数Fx如下:
发现者为整个群体中具有较好适应度值的麻雀,负责为种群寻找食物并为追随者提供觅食的方向。选取发现者个数为PD,其位置更新如下:
在公式(3)中,i=1,2,3…,PD;j=1,2,3…,d,t代表当前迭代数, itermax是一个常数,表示最大的迭代次数,α∈[0,1]是一个随机数; R2∈[0,1]为预警值,表示麻雀对捕食者的警觉程度;ST∈[0.5,1]为安全值;Q为服从正态分布的随机数,所描述的SSA-SVM算法优化模块具体步骤如下:
(1)首先确定故障诊断模型的输入、输出,提取故障特征作为诊断模型输入,确定目标输出值,建立训练、测试样本集;
(2)初始化SSA算法相关参数,包括种群规模、最大迭代次数,SVM参数C、γ;
(3)通过交叉验证,对训练样本进行分类,以交叉验证的准确率作为麻雀个体的适应度,保留最优的适应度值及位置信息;
(4)计算预警值,以预警值大小为依据,根据式(1)更新发现者的位置;
(5)根据式(2)更新追随者的位置;
(6)按照式(3)更新意识到危险的麻雀位置,处于种群外围的麻雀会向安全区域靠拢,处在种群中心的麻雀则随机行走以靠近别的麻雀;
(7)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
(8)判断迭代次数是否满足终止条件,如不满足,则重复步骤(3),反之则停止,输出最优参数,将测试集样本输入到最优的SVM模型,输出诊断结果。
作为本发明实施例的另一种优选方案,将采集到的图像按行存储到一个矩阵中,对每一个维度取平均得到新的行向量,利用主成分分析法将图像降至不同维度,提取单一维度的图像作特征。
另外,本发明还提供一种基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,包括:
图像采集模块,采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;
算法优化模块,利用SSA群智能算法优化SVM,输出最优参数C 和γ;
特征提取模块,利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;
故障诊断模块,根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断。
作为本发明实施例的另一种优选方案,GIS中故障位置监测系统采用3层结构,第一层为传感器层,安装在GIS本体上用于采集故障位置的图像信息;第二层为信息集成层,用于获取所有传感器的监测信息,并把监测信息传送的后台;第三层为后台监测层,用于处理所有传感器的信号,并通过图像识别手段,识别故障图像并进行数字化处理,实现对故障位置的自动监测与告警。
作为本发明实施例的另一种优选方案,传感器层由安装在GIS外壳上面,正对故障位置的视频传感器组成,负责采集故障位置的视频图像信息,视频信息通过电缆传输到视频服务器上。
作为本发明实施例的另一种优选方案,信息集成层由视频服务器和交换机组成,视频传感器数量为一个或者一个以上,传感器与视频服务器采用电缆相连接,视频服务器与交换机连接,交换机与后台系统连接,视频传感器安装在GIS壳体上的,通过观察窗采集GIS内部视频信号,然后通过电缆把视频模拟信号送入视频服务器,视频服务器把模拟视频数据转换为数字信号,并通过交换机使用TCP/IP(网络通信协议)把视频数据送入视频监测后台系统,后台系统通过解码和图像分析把监测画面及分析结果展现出来,并提供故障位置异常报警。
作为本发明实施例的另一种优选方案,后台监测层由数据服务器组成,负责处理、分析和管理视频数据,数据服务器通过网口与视频服务器相连接,如果有多个视频服务器,就需要使用网络交换机进行组网,视频监测后台系统可以接收多个视频服务器的信号,并对信号进行分析和处理,然后展现在以主接线为表现形式的人机交互界面上。该系统具有用户管理功能、视频解码功能、视频截图功能、视频录像功能、故障位置图像处理、位置异常报警和数据检索等功能。
作为本发明实施例的另一种优选方案,所述算法优化模块,利用 SSA群智能算法收敛速度快、避免局部收敛的优点,初始化SSA算法的相关参数,以交叉验证的准确率作为适应度函数,对SVM的两个关键参数C和γ进行优化。
作为本发明实施例的另一种优选方案,所述特征提取模块将采集到的图像按行存储到一个矩阵中,对每一个维度取平均得到新的行向量,利用主成分分析法将图像降至不同维度,提取单一维度的图像作特征。
作为本发明实施例的另一种优选方案,所述故障诊断模块,将采集到的图像样本分为训练样本和测试样本,其中70%作训练样本,30%作测试样本;分类前预将主成分分析法降维后的数据进行归一化处理,将图基于SSA-SVM的图像识别GIS故障诊断装置像矩阵的每一个元素映射到(-1,1)之间;通过五折交叉法和混淆矩阵对SSA-SVM的 GIS故障分类结果进行验证。
本发明具有SSA-SVM算法模型在诊断性能及运行速度上具有明显优势,收敛速度更快,分类效果更好。可以及时发现GIS设备潜在的机械缺陷,对维护GIS安全运行具有重要意义。基于SSA-SVM的图像识别可有效应用于GIS故障诊断,也为其他领域的故障诊断提供了一种新的研究方向。
附图说明
图1是本发明基于SSA-SVM的GIS故障诊断图像识别分析方法结构示意图。
图2是图像识别流程示意图。
图3是图像采集系统示意图。
图4是视频传感器安装图。
图5是SSA-SVM算法流程图。
图6是不同算法比较交叉验证准确率的寻优迭代曲线图。
图7是基于PSO-SVM的分类结果图。
图8是基于SSA-SVM的分类结果图。
图9是基于GA-SVM的分类结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中,如图1-9所示,一种基于SSA-SVM的图像识别GIS故障诊断方法,其特征在于,包括:
采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;
利用SSA群智能算法优化SVM,输出最优参数惩罚系数C和核函数半径γ;
利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;
根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断,
其中,根据SSA群智能算法,受麻雀种群的觅食和反捕食行为启发,通过19个标准测试函数验证SSA算法在搜索精度,收敛速度,稳定性和避免局部最优值方面均优于现有算法,基于此,将SSA算法应用到SVM的参数选择中,以SVM训练集分类准确率最高为优化目标,选择最优的惩罚因子和核参数,建立SSA-SVM诊断模型;
SSA群智能算法原理为:
假设麻雀组成的种群X为
其中,n是麻雀的数量,d是待优化问题的变量的维数。f表示为适应度值,则适应度函数Fx如下:
发现者为整个群体中具有较好适应度值的麻雀,负责为种群寻找食物并为追随者提供觅食的方向。选取发现者个数为PD,其位置更新如下:
在公式(3)中,i=1,2,3…,PD;j=1,2,3…,d,t代表当前迭代数, itermax是一个常数,表示最大的迭代次数,α∈[0,1]是一个随机数; R2∈[0,1]为预警值,表示麻雀对捕食者的警觉程度;ST∈[0.5,1]为安全值;Q为服从正态分布的随机数,所描述的SSA-SVM算法优化模块具体步骤如下:
(1)首先确定故障诊断模型的输入、输出,提取故障特征作为诊断模型输入,确定目标输出值,建立训练、测试样本集;
(2)初始化SSA算法相关参数,包括种群规模、最大迭代次数, SVM参数C、γ;
(3)通过交叉验证,对训练样本进行分类,以交叉验证的准确率作为麻雀个体的适应度,保留最优的适应度值及位置信息;
(4)计算预警值,以预警值大小为依据,根据式(1)更新发现者的位置;
(5)根据式(2)更新追随者的位置;
(6)按照式(3)更新意识到危险的麻雀位置,处于种群外围的麻雀会向安全区域靠拢,处在种群中心的麻雀则随机行走以靠近别的麻雀;
(7)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
(8)判断迭代次数是否满足终止条件,如不满足,则重复步骤(3),反之则停止,输出最优参数,将测试集样本输入到最优的SVM模型,输出诊断结果。
作为本发明实施例的另一种优选方案,将采集到的图像按行存储到一个矩阵中,对每一个维度取平均得到新的行向量,利用主成分分析法将图像降至不同维度,提取单一维度的图像作特征。
另外,本发明还提供一种基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,包括:
图像采集模块,采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;
算法优化模块,利用SSA群智能算法优化SVM,输出最优参数C 和γ;
特征提取模块,利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;
故障诊断模块,根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断。
作为本发明实施例的另一种优选方案,GIS中故障位置监测系统采用3层结构,第一层为传感器层,安装在GIS本体上用于采集故障位置的图像信息;第二层为信息集成层,用于获取所有传感器的监测信息,并把监测信息传送的后台;第三层为后台监测层,用于处理所有传感器的信号,并通过图像识别手段,识别故障图像并进行数字化处理,实现对故障位置的自动监测与告警。
作为本发明实施例的另一种优选方案,传感器层由安装在GIS外壳上面,正对故障位置的视频传感器组成,负责采集故障位置的视频图像信息,视频信息通过电缆传输到视频服务器上。
作为本发明实施例的另一种优选方案,信息集成层由视频服务器和交换机组成,视频传感器数量为一个或者一个以上,传感器与视频服务器采用电缆相连接,视频服务器与交换机连接,交换机与后台系统连接,视频传感器安装在GIS壳体上的,通过观察窗采集GIS内部视频信号,然后通过电缆把视频模拟信号送入视频服务器,视频服务器把模拟视频数据转换为数字信号,并通过交换机使用TCP/IP(网络通信协议)把视频数据送入视频监测后台系统,后台系统通过解码和图像分析把监测画面及分析结果展现出来,并提供故障位置异常报警。
作为本发明实施例的另一种优选方案,后台监测层由数据服务器组成,负责处理、分析和管理视频数据,数据服务器通过网口与视频服务器相连接,如果有多个视频服务器,就需要使用网络交换机进行组网,视频监测后台系统可以接收多个视频服务器的信号,并对信号进行分析和处理,然后展现在以主接线为表现形式的人机交互界面上。该系统具有用户管理功能、视频解码功能、视频截图功能、视频录像功能、故障位置图像处理、位置异常报警和数据检索等功能。
作为本发明实施例的另一种优选方案,所述算法优化模块,利用 SSA群智能算法收敛速度快、避免局部收敛的优点,初始化SSA算法的相关参数,以交叉验证的准确率作为适应度函数,对SVM的两个关键参数C和γ进行优化。
作为本发明实施例的另一种优选方案,所述特征提取模块将采集到的图像按行存储到一个矩阵中,对每一个维度取平均得到新的行向量,利用主成分分析法将图像降至不同维度,提取单一维度的图像作特征。
作为本发明实施例的另一种优选方案,所述故障诊断模块,将采集到的图像样本分为训练样本和测试样本,其中70%作训练样本,30%作测试样本;分类前预将主成分分析法降维后的数据进行归一化处理,将图基于SSA-SVM的图像识别GIS故障诊断装置像矩阵的每一个元素映射到(-1,1)之间;通过五折交叉法和混淆矩阵对SSA-SVM的 GIS故障分类结果进行验证。
根据SSA-SVM的图像识别GIS故障诊断的数学模型,建立基于多种故障类型的GIS故障诊断分析模型。
通过现有技术PSO-SVM、GA-SVM和SSA-SVM的比较,分别将故障进行分类识别,设置最大迭代次数为200,获得3种方法的交叉验证准确率的寻优迭代曲线。
通过不同模型故障诊断效果对比,将3种方法最优的分类准确率对应的C和γ作为SVM最优参数,用最优参数对SVM进行训练,并采用训练好的SVM对测试样本进行测试,参数优化结果及3种方法测试结果如表所示。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于SSA-SVM的图像识别GIS故障诊断方法,其特征在于,包括:
采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;
利用SSA群智能算法优化SVM,输出最优参数惩罚系数C和核函数半径γ;
利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;
根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断,
其中,根据SSA群智能算法,受麻雀种群的觅食和反捕食行为启发,通过19个标准测试函数验证SSA算法在搜索精度,收敛速度,稳定性和避免局部最优值方面均优于现有算法,基于此,将SSA算法应用到SVM的参数选择中,以SVM训练集分类准确率最高为优化目标,选择最优的惩罚因子和核参数,建立SSA-SVM诊断模型;
SSA群智能算法原理为:
假设麻雀组成的种群X为
其中,n是麻雀的数量,d是待优化问题的变量的维数。f表示为适应度值,则适应度函数Fx如下:
发现者为整个群体中具有较好适应度值的麻雀,负责为种群寻找食物并为追随者提供觅食的方向。选取发现者个数为PD,其位置更新如下:
在公式(3)中,i=1,2,3…,PD;j=1,2,3…,d,t代表当前迭代数,itermax是一个常数,表示最大的迭代次数,α∈[0,1]是一个随机数;R2∈[0,1]为预警值,表示麻雀对捕食者的警觉程度;ST∈[0.5,1]为安全值;Q为服从正态分布的随机数,所描述的SSA-SVM算法优化模块具体步骤如下:
(1)首先确定故障诊断模型的输入、输出,提取故障特征作为诊断模型输入,确定目标输出值,建立训练、测试样本集;
(2)初始化SSA算法相关参数,包括种群规模、最大迭代次数,SVM参数C、γ;
(3)通过交叉验证,对训练样本进行分类,以交叉验证的准确率作为麻雀个体的适应度,保留最优的适应度值及位置信息;
(4)计算预警值,以预警值大小为依据,根据式(1)更新发现者的位置;
(5)根据式(2)更新追随者的位置;
(6)按照式(3)更新意识到危险的麻雀位置,处于种群外围的麻雀会向安全区域靠拢,处在种群中心的麻雀则随机行走以靠近别的麻雀;
(7)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
(8)判断迭代次数是否满足终止条件,如不满足,则重复步骤(3),反之则停止,输出最优参数,将测试集样本输入到最优的SVM模型,输出诊断结果。
2.根据权利要求1所述的基于SSA-SVM的图像识别GIS故障诊断方法,其特征在于,将采集到的图像按行存储到一个矩阵中,对每一个维度取平均得到新的行向量,利用主成分分析法将图像降至不同维度,提取单一维度的图像作特征。
3.一种基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,包括:
图像采集模块,采集GIS机械缺陷,包括隔离开关触头接触状态和螺丝松动等图像;
算法优化模块,利用SSA群智能算法优化SVM,输出最优参数C和γ;
特征提取模块,利用主成分分析法对图像进行降维处理,提取单一维度的图像作为特征;
故障诊断模块,根据最优参数设定SVM模型,将训练样本和测试样本输入到最优的SVM模型中实现故障诊断。
4.如权利要求3所述的基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,GIS中故障位置监测系统采用3层结构,第一层为传感器层,安装在GIS本体上用于采集故障位置的图像信息;第二层为信息集成层,用于获取所有传感器的监测信息,并把监测信息传送的后台;第三层为后台监测层,用于处理所有传感器的信号,并通过图像识别手段,识别故障图像并进行数字化处理,实现对故障位置的自动监测与告警。
5.如权利要求4所述的基于SSA-SVM的GIS故障诊断图像识别装置,其特征在于,传感器层由安装在GIS外壳上面,正对故障位置的视频传感器组成,负责采集故障位置的视频图像信息,视频信息通过电缆传输到视频服务器上。
6.如权利要求4所述的基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,信息集成层由视频服务器和交换机组成,视频传感器数量为一个或者一个以上,传感器与视频服务器采用电缆相连接,视频服务器与交换机连接,交换机与后台系统连接,视频传感器安装在GIS壳体上的,通过观察窗采集GIS内部视频信号,然后通过电缆把视频模拟信号送入视频服务器,视频服务器把模拟视频数据转换为数字信号,并通过交换机使用TCP/IP(网络通信协议)把视频数据送入视频监测后台系统,后台系统通过解码和图像分析把监测画面及分析结果展现出来,并提供故障位置异常报警。
7.如权利要求4所述的基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,后台监测层由数据服务器组成,负责处理、分析和管理视频数据,数据服务器通过网口与视频服务器相连接,如果有多个视频服务器,就需要使用网络交换机进行组网,视频监测后台系统可以接收多个视频服务器的信号,并对信号进行分析和处理,然后展现在以主接线为表现形式的人机交互界面上。该系统具有用户管理功能、视频解码功能、视频截图功能、视频录像功能、故障位置图像处理、位置异常报警和数据检索等功能。
8.如权利要求3所述的基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,所述算法优化模块,利用SSA群智能算法收敛速度快、避免局部收敛的优点,初始化SSA算法的相关参数,以交叉验证的准确率作为适应度函数,对SVM的两个关键参数C和γ进行优化。
9.如权利要求3所述的基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,所述特征提取模块将采集到的图像按行存储到一个矩阵中,对每一个维度取平均得到新的行向量,利用主成分分析法将图像降至不同维度,提取单一维度的图像作特征。
10.如权利要求3所述的基于SSA-SVM的图像识别GIS故障诊断装置,其特征在于,所述故障诊断模块,将采集到的图像样本分为训练样本和测试样本,其中70%作训练样本,30%作测试样本;分类前预将主成分分析法降维后的数据进行归一化处理,将图基于SSA-SVM的图像识别GIS故障诊断装置像矩阵的每一个元素映射到(-1,1)之间;通过五折交叉法和混淆矩阵对SSA-SVM的GIS故障分类结果进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579787.8A CN114743089B (zh) | 2021-12-22 | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579787.8A CN114743089B (zh) | 2021-12-22 | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114743089A true CN114743089A (zh) | 2022-07-12 |
CN114743089B CN114743089B (zh) | 2024-06-04 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388681A (zh) * | 2023-12-07 | 2024-01-12 | 国网辽宁省电力有限公司 | 一种高压隔离开关故障诊断方法 |
WO2024016623A1 (zh) * | 2022-07-22 | 2024-01-25 | 贵州电网有限责任公司 | 一种基于ssa-svm的gis故障模式识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070109071A (ko) * | 2006-05-09 | 2007-11-15 | 현대중공업 주식회사 | 가스절연 차단기 고장 예방 진단 시스템의 다이나믹인터페이스 |
US20150293523A1 (en) * | 2014-04-15 | 2015-10-15 | Mitsubishi Heavy Industries, Ltd. | Machine tool diagnostic method and system |
CN108489719A (zh) * | 2018-04-09 | 2018-09-04 | 常州湖南大学机械装备研究院 | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN113269252A (zh) * | 2021-05-26 | 2021-08-17 | 安徽理工大学 | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070109071A (ko) * | 2006-05-09 | 2007-11-15 | 현대중공업 주식회사 | 가스절연 차단기 고장 예방 진단 시스템의 다이나믹인터페이스 |
US20150293523A1 (en) * | 2014-04-15 | 2015-10-15 | Mitsubishi Heavy Industries, Ltd. | Machine tool diagnostic method and system |
CN108489719A (zh) * | 2018-04-09 | 2018-09-04 | 常州湖南大学机械装备研究院 | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN113269252A (zh) * | 2021-05-26 | 2021-08-17 | 安徽理工大学 | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024016623A1 (zh) * | 2022-07-22 | 2024-01-25 | 贵州电网有限责任公司 | 一种基于ssa-svm的gis故障模式识别方法 |
CN117388681A (zh) * | 2023-12-07 | 2024-01-12 | 国网辽宁省电力有限公司 | 一种高压隔离开关故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN115865649B (zh) | 一种智能运维管理控制方法、系统和存储介质 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
Lin et al. | An intelligent infrared image fault diagnosis for electrical equipment | |
CN116205226A (zh) | 一种电力设备状态评估方法、装置、设备及可读存储介质 | |
CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
CN111369555A (zh) | 一种基于深度学习的视频质量诊断方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN114743089A (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
CN114743089B (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
CN116884159A (zh) | 一种基于ai识别的消防智能预警方法及系统 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
Wen et al. | A network security situation awareness method based on GRU in big data environment | |
CN115931141A (zh) | 一种基于改进型ann算法的红外测温图谱的温度识别方法 | |
CN114971110A (zh) | 一种根因组合确定的方法、相关装置、设备以及存储介质 | |
CN117409529B (zh) | 一种多场景电气火灾在线监测方法及系统 | |
CN116702045A (zh) | 基于多传感数据的供电房安全监控方法及装置 | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统 | |
Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms |
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 |