[发明专利]一种基于紫外图谱的绝缘子污秽状态评估方法

说明书

本发明公开了一种基于紫外图谱的绝缘子污秽状态评估方法，包括：S1，绝缘子紫外图像预处理：对现场监测获取的紫外图像进行图像预处理，保留紫外图像中的主光斑及其周围的微小光斑，得到光斑图像；S2，基于深度学习卷积神经网络算法对绝缘子污秽状态分类：基于预处理后的光斑图像，按照一定比例随机选取训练集与测试集，以不同类型的光斑图像的每一个像素信息作为输入，进行特征提取；将特征参数输入卷积神经网络进行训练，得出绝缘子属于不同污秽程度下的概率。本发明提供的基于紫外图谱的绝缘子污秽状态评估方法，通过对绝缘子紫外图像预处理、带入卷积神经网络进行训练，自动判断出绝缘子的污秽状态，提高绝缘子在线监测的实时性和准确性。

技术领域

本发明涉及绝缘子污秽检测技术领域，特别是涉及一种基于紫外图谱的绝缘子污秽状态评估方法。

背景技术

绝缘子在输配电线路中起电气绝缘和机械连接的作用，其正常运行影响着电网的安全运行，但是绝缘子直接暴露在受到污染的环境中时其表面会粘附大量的污秽物，如果遭遇空气湿度加大的不利天气就容易引起不同规模的污闪现象，从而造成严重的电网事故。这种事故在电网总事故中排名第二，仅次于雷电事故，但其损失是雷电事故的10倍，因此绝缘子的巡检工作具有重要的实际意义，紫外成像法是近年来越来越受到专家学者重视的一种检测电气设备局部放电的方法，具有非接触、探测的距离远、放电的位置定位明确等诸多的优点，可以检测高压设备异常温升前的放电过程，逐渐在电网中获得更广泛的应用。

目前国内采用紫外成像技术对绝缘子进行识别的结果多以静态图片或者录像呈现，人工识别只能大致观察出光斑大小和光子数等特征，但无法准确判断出绝缘子的放电类别，准确性较低，为了提高检测的准确率，不少学者提出智能算法处理紫外图像的方法：改进YOLO系列算法、BP神经网络算法、支持向量机分类法等对绝缘子污秽诊断的理论算法实现了较为灵活的应用。

传统的智能算法需要人工设定绝缘子的特征后，如绝缘子的形状、颜色等，再带入网络进行训练，得出分类结果，这种算法受主观性影响较强，容易造成判断失误。随着深度学习卷积神经网络算法的提出，通过卷积层、激励层、池化层等处理，可自主的提取出图像中的特征值，并降低图像的维度，无需人工设定特征，网络可以并行运算，从而提高模式识别的效率和准确度，但绝缘子的紫外图像中除绝缘子自身放电产生的光斑外，还包含空气放电等其他影响因素产生的光斑，若直接将其紫外图像带入神经网络进行训练，由于图像中包含的特征信息较多，维度较高，会增加网络的训练量，速度变慢并对训练结果产生影响，因此，对获得的紫外图像进行图像预处理是深度学习卷积神经网络算法判断绝缘子放电程度的基础。

发明内容

本发明的目的是提供一种基于紫外图谱的绝缘子污秽状态评估方法，通过对线路绝缘子紫外图像进行预处理、带入卷积神经网络进行训练，自动判断出绝缘子的污秽状态，提高绝缘子在线监测的实时性和准确性。

为实现上述目的，本发明提供了如下方案：

一种基于紫外图谱的绝缘子污秽状态评估方法，该方法包括以下步骤：

S1，绝缘子紫外图像预处理：

对现场监测获取的紫外图像进行图像预处理，保留紫外图像中的主光斑及其周围的微小光斑，得到光斑图像；

S2，基于深度学习卷积神经网络算法对绝缘子污秽状态分类：

基于预处理后的光斑图像，按照一定比例随机选取训练集与测试集，以不同类型的光斑图像的每一个像素信息作为输入，对光斑的面积、亮度和边缘信息进行特征提取；

将特征参数输入卷积神经网络进行训练，得出绝缘子属于不同污秽程度下的概率。

进一步的，所述步骤S1中，绝缘子紫外图像预处理，具体包括以下步骤：

S101，基于现场监测获取的紫外图像，将RGB三颜色通道图片进行灰度化处理，得到其灰度图像；