施德州

摘 要：隨著電網(wǎng)規(guī)模的不斷擴張，變電站的數(shù)量也日益增加，要保證可靠供電對于變電站可靠的運行維護就顯得非常重要，本文針對現(xiàn)階段大型變電站的特點，采用量子神經(jīng)網(wǎng)絡的方法對變電站的故障類型采用紅外診斷的方法，采用了最大類間差法（OTSU）對變電站中的設備進行處理，通過對采樣數(shù)據(jù)的分析判斷變電站的故障類型和應對策略。研究表明，該方法可適用于變電站的故障診斷，評估準確率很高，故障診斷率大大提高，可以適用到各變電站中，從而提升設備運行的穩(wěn)定性以及電網(wǎng)的可靠性。

關鍵詞：量子神經(jīng)網(wǎng)絡 紅外成像 變電站 故障診斷

中圖分類號：TM63 文獻標識碼：A 文章編號：1672-3791（2018）11（a）-00-03

隨著電網(wǎng)的發(fā)展和規(guī)模餓不斷擴大，電網(wǎng)的結構日益復雜，變電站的數(shù)量也日益增多，在電網(wǎng)日常運行過程中，設備的狀態(tài)是應對故障排除隱患的最重要的指標，對設備狀態(tài)的檢測就顯得尤為重要。

目前國內(nèi)外對于變電站故障檢測的方法有很多的研究，傳統(tǒng)的檢測方法主要包括事前預防事后檢測，但隨著設備數(shù)量大規(guī)模的增長，事前預防事后檢測的方法會占用大量人力、物力，導致部分設備因檢修周期過長造成經(jīng)濟損失。變電站相關設備是以相關部位的溫度進行評判，從熱力學出發(fā)，本文將用紅外成像技術用在智能變電站的故障診斷，將量子神經(jīng)網(wǎng)絡和紅外故障檢測技術結合起來，提高檢測效率，減少停電時間，增大電網(wǎng)的安全穩(wěn)定運行。

1 紅外成像原理

在電力系統(tǒng)中采用紅外成像進行故障診斷的方法已經(jīng)廣泛應用于國內(nèi)外的研究以及生產(chǎn)生活中，該技術在電力系統(tǒng)中使用的關鍵是如何將紅外成像的數(shù)字圖像中的有效信息提取出來，進行有效的故障診斷的判斷。

本文針對變電站運行過程中出現(xiàn)的特點，本文為了提升紅外數(shù)據(jù)特征值的采集效率，通過對圖像進行分割，建立算法模型，減少傳統(tǒng)中的算法過慢，周期過長的特點，有效解決傳統(tǒng)算法的不足。

2 紅外成像特征值提取

本文通過對變電站測試得到的紅外圖像對齊進行處理，設備狀態(tài)評估的效果很大程度上受到特征值是否提取完善，圖片是否分割的清晰明了決定。本文采用灰度最大熵法進行紅外成像的特征值提取。首先提取變電站紅外攝像圖，將其通過灰度分為兩類，灰度的分布是方差，方差反映出兩個圖像的差別。當方差越大，圖像的兩個部分也就越大，依據(jù)這一思路；當方差為最大值時，目標和背景的差異最大，達到最小誤判概率，可以被視為最佳閾值分割。圖1為某變壓器套管的紅外熱像圖及對應分割圖。

提取紅外熱像特征信息如下。

在神經(jīng)網(wǎng)絡中的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值有很多，通常采用矩陣的形式進行記錄信息，對于不同的方面，矩陣的冗余度不同，隨著矩陣階數(shù)的增長而增加，本文考慮到國內(nèi)外采用信息矩陣的采樣方法使用Zernike矩陣應對變電站中的噪聲靈敏度，在真實圖像的反映以及圖像真實的還原上都具有較好的性能，尤其適用于電力系統(tǒng)。

在變電站紅外成像的過程中，不同電壓等級、不同地理位置的站成像各異，針對圖像的尺度變化，可對圖像進行歸一化處理，得到其Zernike 矩為：

（1）

本文采用式（1）提取12個變電站主要特征值作為網(wǎng)絡分析的初始參數(shù)，包括變電站設備溫度、濕度、運行水平、設備年齡狀態(tài)等。

3 QNM故障診斷模型

本文為了將變電站的多重信息統(tǒng)一化，采用量子神經(jīng)網(wǎng)絡（Quantum Neuron Model，QNM）的方法對紅外成像的輸入輸出之間建立有機的聯(lián)系如圖2所示。

神經(jīng)網(wǎng)絡模型的學習過程主要有如下幾步。

（1）初始化量子層：輸入輸出層數(shù)為n，量子間的競爭設為m，權重設置為Wj（Wj是0～1之間的隨機數(shù)）。

（2）輸入模式：將輸入向量帶式（1）中，第k次的輸入量維度為：

Xk=[xk1，xk2，…，xkn] （2）

其中，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：使用標準的歐氏距離計算如下。

（3）

（4）確定生存神經(jīng)元：輸出通常是權重向量與輸入向量XK最近的神經(jīng)元。

（4）

（5）更新節(jié)點數(shù)據(jù)：一旦新的神經(jīng)元確立，量子神經(jīng)元會通過上式不斷學習更新每個節(jié)點的數(shù)值，并根據(jù)下式進行強化。

（5）

（6）選擇新的輸入，并循環(huán)上述步驟，直到所得結果收斂（量子神經(jīng)元網(wǎng)絡穩(wěn)定）。新的量子網(wǎng)絡神經(jīng)元穩(wěn)定后，新的數(shù)據(jù)將被用作準則繼續(xù)用來訓練新的輸入量，采用使用次數(shù)和最近一次的迭代結果對結果進行修正最后輸出，在下次迭代時可從“最優(yōu)路徑”快速學習。

4 實例分析

本文將在不同的環(huán)境溫度，不同的運行狀態(tài)下，采集的變壓器套管為例，取用56組紅外熱像數(shù)據(jù)，如表1所示。

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結果如圖3所示，其中圖形下部斜杠條紋為正常，上部出現(xiàn)磚塊形狀為故障，其他顏色為可疑、需要進一步確認信息，白色為無用信息。

上述數(shù)據(jù)進行數(shù)據(jù)分析，如圖4所示，經(jīng)本文QNM故障檢測準確率可高達95%以上，而對比經(jīng)過BP神經(jīng)網(wǎng)絡進行診斷，診斷率是57.14%，本文采用的方法準確率大大提升，從而提高電力系統(tǒng)穩(wěn)定性。

5 結語

本文利用紅外成像對運行中的變電站進行故障診斷，提取設備的相對溫度分布特征利用Zernike矩陣特點帶入到QNM算法中，對變電站的運行水平評估，從而對運行中的變電站分級，對有安全隱患的變電站分類，有效地進行故障診斷，變電站的故障監(jiān)測診斷率和運行效率有效提升。

參考文獻

[1] A. Rogalski. Recent Progress in Infrared Detector Technologies [J]. Infrared Physics & Technology，2011， 54（3）：136-154.

[2] 許向陽，宋恩民，金良海.Otsu準則的閾值性質分析[J].電子學報，2009，37（12）：2716-2719.

[3] Singh C，Walia E. Rotation Invariant Complex Zernike Moments Features and Their Applications to Human Face and Character Recognition[J]. IET Computer Vision，2010，5（5）：255-266.

[4] ZouYunfeng，Wu Weilin，Li Zhiyong.Cluster Analysis of Arc Fault in Low-voltage Based on SOM Neural Network[J]. Chinese Journal of Scientific Instrument，2010，31（3）：571-576.