基于SOM神經(jīng)網(wǎng)絡的變電站設備紅外圖像診斷方法概述基于改進神經(jīng)網(wǎng)絡的電力設備紅外熱像特征提取及診斷方法紅外檢測技術提高了電力系統(tǒng)的故障檢測水平，但目前的檢測方法仍然需要人工診斷，分析效率較低。根據(jù)變電站電氣設備故障問題，研究了采用數(shù)字圖像處理技術在變電站自動檢測電氣設備故障。在應用神經(jīng)網(wǎng)絡技術進行變電站運行狀態(tài)診斷時，因為智能神經(jīng)網(wǎng)絡處理能夠模仿人類大腦，非精確的自適應功能，非規(guī)則結構，具有自組織學習的特點，可以優(yōu)化計算和知識推理。因此，神經(jīng)網(wǎng)絡在變電站運行狀態(tài)診斷中被廣泛使用，以BP神經(jīng)網(wǎng)絡算法為代表，也應用最廣。BP算法的主要優(yōu)點是，它涉及對訓練樣本的學習，對故障數(shù)據(jù)和有規(guī)律的內在聯(lián)系的分析，其本質是作為函數(shù)逼近器，通過學習能反應輸入、輸出之間復雜的非線性關系。自組織神經(jīng)網(wǎng)絡(SOM)算法能有效解決BP算法在故障診斷中的不足，如要求訓練樣本大、訓練時間長、預測精度受隱層神經(jīng)元數(shù)據(jù)的限制，并且不能保證收斂。項目利用OTSU分割紅外圖像和SOM神經(jīng)網(wǎng)絡模型相結合的方法來實現(xiàn)變電站運行狀態(tài)的診斷。利用紅外熱像儀采集相應的變電站設備紅外圖像，并過圖像OTSU分割等預處理后，提取設備的相對溫度分布特征、Hu不變矩、Zernike不變矩等參數(shù)作為識別設備狀態(tài)的信息特征量，通過SOM神經(jīng)網(wǎng)絡智能診斷，輸出設備的狀態(tài)信息，并用于變電站設備診斷。1）OTSU法分割紅外熱像圖像分割是紅外圖像的預處理到分析的關鍵步驟，設備狀態(tài)評估的效果受制于圖像分割的質量，因此，圖像分割的效果很關鍵。基于閾值的圖像分割的基本思想，是根據(jù)一些標準的過程中獲得最佳閾值。其中基于閾值的分割方法中應用較為廣泛的一種稱為最大類間方差法又稱作Otsu法。其基本思想是：設灰度圖像的灰度級范圍為[0，L-1]，其灰度為i，像素個數(shù)為N，ni表示灰度級為i的像素個數(shù)，灰度為i的像素出現(xiàn)的概率為pi=ni/N，使用閾值t將圖像灰度級劃分為兩類，C0和C1。C0=(0，1，2…，t)和C1=(t+1，t+2，…，L-1)，則兩類出現(xiàn)的概率分別為：（式STYLEREF1\s21）（式STYLEREF1\s22）兩類的灰度均值分別為：（式STYLEREF1\s23）（式STYLEREF1\s24）（式STYLEREF1\s25）類間方差定義為：（式STYLEREF1\s26）則最佳閾值的表達式為：（式STYLEREF1\s27）灰度分布的均一性度量是方差，方差越大，構成圖像的兩個部分差分是更大的，當方差為最大值，前景和背景的差異最大，達到最小誤判概率，可以被視為最佳閾值分割。下圖為某變壓器套管的紅外熱像圖及對應分割圖。圖STYLEREF1\s2-1變壓器套管的紅外熱像圖及OTSU分割圖2）提取紅外熱像特征信息設計模式識別分類器的關鍵是提取有效的特征信息，常見的紅外圖像特征有Hu矩，但其包含許多冗余信息，計算量隨矩階數(shù)的增加而迅速增長。而正交矩沒有信息冗余，抗噪聲能力強，更適合圖像目標的描述。在正交矩的分析方法中，Zernike矩對噪聲的靈敏度好，冗余信息和對圖形的描述能力等方面都具有較好的性能。p階q重的Zernike矩可定義為：其中是的共軛，對于離散圖像：針對圖像的尺度變化，可直接對圖像進行尺度歸一化，得到Zernike矩為：在實際應用中，Zernike矩的模Apq為形狀特征。因此，本文共提取12個特征參數(shù)值作為SOM神經(jīng)網(wǎng)絡的輸入?yún)?shù)，包含4個溫度特征參數(shù)，包括變電站設備紅外熱像中區(qū)域溫度最大值tmax、平均溫度值tmean、背景溫度值tB、溫度分布方差tvar，以及8個Zernike矩特征參數(shù)。3）SOM故障診斷模型20世紀80年代，芬蘭赫爾辛基大學神經(jīng)網(wǎng)絡專家Kohonen教授提出的一種無監(jiān)督神經(jīng)網(wǎng)絡，即SOM神經(jīng)網(wǎng)絡。SOM網(wǎng)絡可以完成從輸入空間(n維)到輸出平面(2維)的降維映射，且映射具有拓撲特征保持性質，SOM神經(jīng)網(wǎng)絡模型如圖所示。出層入層…………xnxix1出層入層…………xnxix1圖STYLEREF1\s2-2SOM神經(jīng)網(wǎng)絡模型具體步驟如下：（1）初始化SOM輸入層和競爭層的神經(jīng)元數(shù)量設置為n，m，確定網(wǎng)絡的拓撲結構。所有的權重WIJ初始化為[0，1]區(qū)間的隨機數(shù)。設置SOM網(wǎng)絡的迭代次數(shù)和樣本大小分別是T和K。（2）提出輸入模式將輸入向量帶入SOM神經(jīng)網(wǎng)絡。其中，第k次的輸入向量為Xk=[xk1，xk2，。。。，xkn]。Xk的值將被隨機選取或從訓練集中循環(huán)選取。（3）計算所有神經(jīng)元的距離在這項研究中，輸入向量Xk=[xk1，-xk2，。。。，xkn]和各神經(jīng)元的權重向量Wj=[Wj1，Wj2，……，Wjn]之間的距離，使用標準的歐氏距離計算。該公式如下：（式STYLEREF1\s28）（4）確定獲勝神經(jīng)元SOM的輸出通常是權重向量與輸入向量XK最近的神經(jīng)元。假設獲勝神經(jīng)元是C，獲勝神經(jīng)元和輸入神經(jīng)元之間的權重向量是Wc。即。（5）更新權重和相鄰節(jié)點一旦獲勝神經(jīng)元被定位，SOM通過更新獲勝神經(jīng)元的權值向量得到不斷學習。根據(jù)輸入向量，權重向量應該通過公式，進行更新和強化。（式STYLEREF1\s29）其中Wj(t+1)是輸出神經(jīng)元j和的輸入神經(jīng)元的權值更新操作后的權值向量，Wj(t)是輸出神經(jīng)元j和的輸入神經(jīng)元的權值更新操作前的權值向量。g(t)是學習率，[0，1]，hjc(t)是鄰域函數(shù)，并且才用高斯鄰域函數(shù)，則hjc(t)為（式STYLEREF1\s210）其中rc和rj分別是獲勝神經(jīng)元和其它競爭的神經(jīng)元在二維平面陣列的點，o是鄰域半徑。（6）選擇新的輸入向量，循環(huán)進行算法的步驟(3)至(5)，直到輸出層獲勝神經(jīng)元對應的輸入樣本穩(wěn)定。（7）更新學習率和鄰域函數(shù)（式STYLEREF1\s211）一般情況下，學習率需要降低到保證算法的收斂性。（式STYLEREF1\s212）其中，0是o的初始值，t是時間常數(shù)，可由獲得。隨著不斷學習，鄰域半徑最終減小到0。這意味著，獲勝神經(jīng)元對附近的神經(jīng)元的影響將不斷降低，以加強對確定類別的響應。（8）設置t=t+1，重復步驟2進行T次迭代。從學習過程可以發(fā)現(xiàn)，權值向量向輸入模型靠近。權重向量集是對所有樣本的描述，一個單一的權值向量可以作為全部樣本的聚類中心，通過設置相應的神經(jīng)元作為獲勝神經(jīng)元樣本。然后，SOM神經(jīng)網(wǎng)絡實現(xiàn)聚類和分類功能。一旦聚類形成，新的數(shù)據(jù)類別將被輸入到SOM，判斷它所屬的聚類（使用相同的相似準則來訓練SOM）。假設A=[a1，a2，…，an]，是一個新的輸入量，然后找到最近的競爭神經(jīng)元，作為獲勝神經(jīng)元。獲勝神經(jīng)元的激活值是1，其他值為0。獲勝的神經(jīng)元代表A的分類結果。4）實例分析將采集得到的紅外熱像特征參數(shù)作為SOM神經(jīng)網(wǎng)絡的輸入樣本，并獲得可視化的聚類效果圖。每組數(shù)據(jù)共有12個數(shù)據(jù)，包含4個溫度特征參數(shù)，8個Zernike矩特征參數(shù)，在不同的環(huán)境溫度，不同的運行狀態(tài)下，以變壓器套管為例，共采集56組。為了獲得良好的視覺效果，通常SOM網(wǎng)絡的輸入層節(jié)點數(shù)稍大于輸入樣本的數(shù)量，從而定義了SOM網(wǎng)絡輸出節(jié)點數(shù)為7*7。輸出層的拓撲結構為層狀的六邊形網(wǎng)格，本文部分輸入?yún)?shù)如表所示。表STYLEREF1\s2-1變電設備的特征參數(shù)及運行狀態(tài)SOM神經(jīng)網(wǎng)絡輸入診斷結果TmaxtmeantBtvarZ1Z2…Z8輸出實際84.266.614.21157.41.50090.0264…0.00911166.651.414.8550.51.35070.0354…0.01162296.681.511.61259.45.30470.0295…0.011711……14.511.45.040.95.83500.0066…0.005322本文的診斷結果分為故障和正常兩種情況，輸出分別由1，2代表，得到SOM神經(jīng)網(wǎng)絡映射圖，其中輸出結果映射到粉紅色區(qū)域的表示設備運行正常，映射到藍色區(qū)域的表示設備運行有故障，還有粉紅色和藍色重疊的紫色部分，映射到紫色部分的既可能是正常又可能是故障的狀態(tài)，是由于SO