[发明专利]基于序列模态分解的变压器套管缺陷识别方法及系统

说明书

本发明公开了一种基于序列模态分解的变压器套管缺陷识别方法，涉及变压器套管技术领域，该方法采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合；采用Mask‑RCNN算法对变压器套管融合图像进行分割；采用CEEMDAN方法对非线性信号自适应分解；对剔除后的本征模态函数进行重构；采用LSTM训练模型对训练集数据建模，优化网络参数；将运行功率参数输入LSTM训练模型中，得到用于判别的温度值；根据热点温度和相对温差做出变压器套管缺陷判定。本发明能够提高变压器套管缺陷判定正确率和效率。

技术领域

本发明涉及变压器套管技术领域，特别涉及一种基于序列模态分解的变压器套管缺陷识别方法及系统。

背景技术

随着电力行业的迅猛发展，电网建设步伐加快，主变压器的装用量持续增加。主变压器的高中低压侧套管是其相应绕组与电网引线相连部分，也对各侧绕组的引出线起支撑及绝缘等作用，其安全状况对变压器的运行极其重要。近年来由主变套管发热缺陷引起的运行故障占比较高，严重威胁着电网的安全稳定运行。

主变套管缺陷常伴随着套管发热现象，凭借变电站工作人员巡检难以及时发现故障，有较大的安全隐患且影响电网的平稳运行。基于电气实验方法检测变压器故障虽然有较为准确的结果但过程复杂，会消耗大量的人力物力。利用多光谱图像信息检测主变套管缺陷的方法被广泛应用。传统方法利用人工对红外图像加以分析，确定是否有异常发热现象，效率低且容易受到人为因素的影响。

现阶段，基于目标分割算法和长短期记忆网络的变电设备过热检测方法被广泛应用，常见的目标分割算法有YOLOv3、Faster R-CNN等。针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题，可较为准确识别和电力设备及其异常发热区域。但单纯依靠温差阈值仅能判断设备的当前状态，无法对其发热趋势进行跟踪预测。环境温度和负载升高，乃至其耦合作用有可能导致设备绝对温度的进一步升高，缺陷由一般发展为严重缺陷，因此需新的手段对变电设备热点温度进行判别。

现有算法可一定程度上解决变压器套管缺陷辨识问题，但变电站现场情况复杂，设备温度随时间变化情况受到环境温度及其他设备温度影响，单纯的阈值或LSTM难以准确判定缺陷。

发明内容

本发明的目的是提供一种基于序列模态分解的变压器套管缺陷识别方法及系统，以达到提高变压器套管缺陷识别准确性的目的。

为实现上述目的，本发明提供了如下方案：

一种基于序列模态分解的变压器套管缺陷识别方法，包括如下步骤：

步骤S1、图像与数据采集：在一段时间内周期性获取变压器套管红外图像和变压器套管可见光图像，并获取变压器套管环境温度、季节、运行功率；

步骤S2、图像预处理及融合：对变压器套管红外图像与变压器套管可见光图像进行预处理，然后采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合，得到变压器套管融合图像；

步骤S3、Mask-RCNN算法分割处理：采用Mask-RCNN算法对变压器套管融合图像进行分割，得到变压器套管对应的分割区域，生成Mask矩阵，并对Mask矩阵进行维度扩充，赋予分割矩阵对应的温度信息维度；

步骤S4、CEEMDAN方法分解及本征模态函数重构：采用CEEMDAN方法对非线性信号自适应分解，将原始温度数据分解为频率不同、复杂度差异明显的一组本征模态函数，降低序列中不同尺度信息的相互影响，从不同组本征模态函数中筛选出频率周期性变化明显的温度变化函数并加以剔除；对剔除后的本征模态函数进行重构，以得到重构后的变压器套管温度数据；

步骤S5、LSTM训练模型训练：采用LSTM训练模型对训练集数据建模，取平均绝对误差作为损失函数评价训练效果，不断优化网络参数，将运行功率参数输入LSTM训练模型中，得到用于判别的温度值；