電力系統(tǒng)設(shè)備故障預(yù)測方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種電力系統(tǒng)設(shè)備故障預(yù)測方法，首先采用二維模糊劃分最大熵分割紅外圖像，對采集到的電力設(shè)備故障點的紅外熱像圖進行降噪與目標(biāo)分割；然后采用人工神經(jīng)網(wǎng)絡(luò)對收集的全部電力設(shè)備圖像目標(biāo)進行分類與存儲；最后根據(jù)階段型融合方式模型對分離出的故障圖像或者故障預(yù)測點圖像與電力設(shè)備圖像目標(biāo)進行對比融合分析，給出診斷結(jié)果；將電力設(shè)備常見故障點經(jīng)驗數(shù)據(jù)并結(jié)合檢測出的故障點圖像數(shù)據(jù)進行數(shù)據(jù)融合給出最終的電力設(shè)備故障結(jié)果或者預(yù)測故障位置。本發(fā)明融合了多種算法，制定了精確地診斷步驟，并采用模塊化與系統(tǒng)化的設(shè)計，從而為電力系統(tǒng)設(shè)備故障診斷的建立找到了一條完整又精確的途徑，提高了電力系統(tǒng)運行的可靠性與穩(wěn)定性。
【專利說明】電力系統(tǒng)設(shè)備故障預(yù)測方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電力系統(tǒng)的故障診斷領(lǐng)域，特別涉及一種電力設(shè)備故障預(yù)測方法。
【背景技術(shù)】
[0002]隨著現(xiàn)代電力系統(tǒng)規(guī)模日益擴大、電壓等級不斷提高，輸電線路故障對社會經(jīng)濟和人民生活造成的危害更加嚴(yán)重?？焖?、準(zhǔn)確的故障暫態(tài)識別是快速恢復(fù)電網(wǎng)供電的前提，也是故障分析的一個重要部分。因此，研究快速可靠的故障暫態(tài)識別方法對保障電力系統(tǒng)的安全性與經(jīng)濟性具有重要的意義。
[0003]針對電力系統(tǒng)設(shè)備故障診斷方法的研究，前人已經(jīng)做了很多有益的探索。例如電力系統(tǒng)設(shè)備故障診斷領(lǐng)域常用的人工智能技術(shù)包括專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、決策樹理論等，此外近幾年也出現(xiàn)了數(shù)據(jù)挖掘、模糊理論、粗糙集理論、Petri網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、信息融合、信息論、支持向量機、仿生學(xué)的應(yīng)用及多智能體系統(tǒng)等技術(shù)以及上述方法的綜合應(yīng)用。
[0004]現(xiàn)有技術(shù)中有一種基于故障樹的多層次電力系統(tǒng)設(shè)備故障診斷系統(tǒng)，其運用故障樹分析技術(shù)(FTA)建立電力系統(tǒng)發(fā)生內(nèi)部故障的分類樹模型，并將其應(yīng)用于診斷系統(tǒng)建立的過程中，從而為系統(tǒng)診斷的建立找到一條簡捷的途徑，其具有知識表述直觀、形式統(tǒng)一、易理解和解釋方便等優(yōu)點。但是這種方法的缺陷在于:1.針對越來越復(fù)雜的電力系統(tǒng)網(wǎng)絡(luò)所觀測到的癥狀與所對應(yīng)診斷之間的聯(lián)系是相當(dāng)復(fù)雜的，通過歸納專家經(jīng)驗來獲取規(guī)則進而診斷故障，準(zhǔn)確度和通用性不佳；2.該方法只能有效地檢測到故障的發(fā)生，而具備預(yù)測故障點發(fā)生的功能，屬于先故障后診斷。
[0005]現(xiàn)有技術(shù)中還有一種基于粗糙集理論的電力系統(tǒng)設(shè)備故障診斷，粗糙集理論能有效地分析和處理不精確、不一致、不完整等各種不完備數(shù)據(jù)，從中發(fā)現(xiàn)隱含知識，揭示潛在規(guī)律用粗糙集理論進行故障診斷，能較強地處理信息不完整和信息冗余的情形。但是該方法也有需要改進之處:①粗糙集方法的診斷規(guī)則的獲取取決于條件屬性集下各種故障情況訓(xùn)練樣本集。②當(dāng)丟失或出錯的警報信息是關(guān)鍵信號時，診斷結(jié)果將受到影響。③當(dāng)電網(wǎng)較復(fù)雜、龐大時，將導(dǎo)致決策表的規(guī)模變大，約簡困難，診斷速度和精度降低。
[0006]另外，現(xiàn)有技術(shù)中還有一種局域貝葉斯網(wǎng)絡(luò)的電力系統(tǒng)設(shè)備故障診斷，貝葉斯網(wǎng)絡(luò)方法能有效地提高診斷精度和速度，且適合較大規(guī)模故障信息的復(fù)雜性和不確定性。貝葉斯網(wǎng)絡(luò)逐漸應(yīng)用于水電機組故障診斷、變壓器故障診斷以及架空輸電線路的狀態(tài)估計中，并取得不錯效果。但該方法還有以下不足:①獲取知識較為困難。②如何實現(xiàn)信息融合下的故障診斷。③怎樣實現(xiàn)復(fù)雜電網(wǎng)下的自動建模。④距離工程實際還有一段距離。
[0007]目前，還有一種基于ANN的電力系統(tǒng)設(shè)備故障診斷，它從該領(lǐng)域的專家提供的大量的實例形成用于故障診斷的神經(jīng)網(wǎng)絡(luò)模型和訓(xùn)練樣本集，通過學(xué)習(xí)和訓(xùn)練實現(xiàn)該模型診斷功能，并且具有一定的泛化能力。ANN在電力系統(tǒng)設(shè)備故障診斷中的應(yīng)用主要是故障定位和故障類型識別兩個方面，具有魯棒性好，學(xué)習(xí)能力強，不需要構(gòu)造推理機，推理速度較快等特點。但是目前ANN在應(yīng)用中也出現(xiàn)一些問題:①如何在大型系統(tǒng)中獲得一個完備的知識庫。②難以確保ANN訓(xùn)練時收斂的快速性和避免陷入局部最小。③缺乏解釋自身行為和輸出結(jié)果的能力。

【發(fā)明內(nèi)容】

[0008]有鑒于此，本發(fā)明所要解決的技術(shù)問題是提供一種電力系統(tǒng)設(shè)備故障預(yù)測方法及系統(tǒng)。
[0009]本發(fā)明的目的之一是提出一種電力系統(tǒng)設(shè)備故障預(yù)測方法；本發(fā)明的目的之二是提出一種電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)。
[0010]本發(fā)明的目的之一是通過以下技術(shù)方案來實現(xiàn)的:
[0011]本發(fā)明提供的電力系統(tǒng)設(shè)備故障預(yù)測方法，包括以下步驟:
[0012]S1:獲取電力設(shè)備物理結(jié)構(gòu)參數(shù)信息；
[0013]S2:獲取電力設(shè)備紅外圖像信息；
[0014]S3:通過圖像處理方法從電力設(shè)備紅外圖像信息中按電力設(shè)備物理結(jié)構(gòu)參數(shù)信息分割出電力設(shè)備紅外圖像信息中對應(yīng)的電力設(shè)備紅外圖像；
[0015]S4:獲取電力設(shè)備紅外圖像中溫度信息，以及電力設(shè)備正常溫度差范圍；
[0016]S5:將電力設(shè)備溫度信息與電力設(shè)備正常溫度范圍進行比較判斷，如果處于電力設(shè)備正常溫度范圍，則返回步驟S2循環(huán)檢測；
[0017]S6:如果超出電力設(shè)備正常溫度范圍，則記錄電力設(shè)備溫度值，并形成電力設(shè)備溫度信息時間序列；
[0018]S7:判斷電力設(shè)備溫度信息時間序列是否達到預(yù)設(shè)臨界值，如果否，則返回步驟S6循環(huán)；`
[0019]S8:如果是，則電力設(shè)備即將出現(xiàn)故障并報警。
[0020]進一步，還包括建立電力設(shè)備物理結(jié)構(gòu)模型，所述電力設(shè)備物理結(jié)構(gòu)模型包括電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫和故障預(yù)測模型；
[0021]所述電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫包括電力設(shè)備的類型和位置坐標(biāo)；
[0022]所述故障預(yù)測模型，存儲有不同類型的電力設(shè)備關(guān)聯(lián)故障預(yù)測類型。
[0023]進一步，所述步驟S3中的電力設(shè)備圖像是通過以下步驟來實現(xiàn)的:
[0024]S31:采用二維模糊劃分最大熵處理電力設(shè)備紅外圖像得到目標(biāo)分割圖像；
[0025]S32:通過人工神經(jīng)網(wǎng)絡(luò)分類模型對目標(biāo)分割圖像進行分類得到分類圖像；
[0026]S33:通過階段型融合方式模型對分類圖像與故障預(yù)測模型進行對比融合分析得到故障預(yù)測結(jié)果；
[0027]S34:通過電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫中的電力設(shè)備類型和位置坐標(biāo)得出電力設(shè)備故障預(yù)測結(jié)果。
[0028]進一步，所述步驟S32中的人工神經(jīng)網(wǎng)絡(luò)分類模型的激活函數(shù)采用以下公式建立S型函數(shù):
[0029]八份X-Θ) =
I + f，
[0030]其中，X表示神經(jīng)元輸入特征向量的分量，即圖像目標(biāo)的形狀特征；ω表示輸入分量的權(quán)重；Θ表示神經(jīng)元的閾值。
[0031]進一步，所述S33中的階段型融合方式模型包括以下具體步驟:[0032]S331:對分類圖像進行I級進行處理檢測判決融合；
[0033]S332:對電力設(shè)備圖像的信息源預(yù)處理；
[0034]S333:對電力設(shè)備圖像與電力設(shè)備分類圖像對比分析產(chǎn)生圖像對比數(shù)據(jù)；
[0035]S334:如果圖像對比數(shù)據(jù)不屬于電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫，則返回步驟S331 ；
[0036]S335:如果圖像對比數(shù)據(jù)屬于電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫，則作出判決并傳送至人機界面。
[0037]本發(fā)明的目的之二是通過以下技術(shù)方案來實現(xiàn)的:
[0038]本發(fā)明提供的電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)，包括電力設(shè)備參數(shù)單元、電力設(shè)備紅外圖像采集單元、電力設(shè)備圖像分割單元、電力設(shè)備溫度信息獲取單元、電力設(shè)備溫度判斷單元、故障預(yù)測單元；
[0039]所述電力設(shè)備參數(shù)單元，用于獲取電力設(shè)備物理結(jié)構(gòu)參數(shù)信息；
[0040]所述電力設(shè)備紅外圖像采集單元，用于獲取電力設(shè)備紅外圖像信息；
[0041]所述電力設(shè)備圖像分割單元，用于通過圖像處理方法從電力設(shè)備紅外圖像信息中按電力設(shè)備物理結(jié)構(gòu)參數(shù)信息分割出電力設(shè)備紅外圖像信息中對應(yīng)的電力設(shè)備圖像；
[0042]所述電力設(shè)備溫度信息獲取單元，用于獲取電力設(shè)備圖像中溫度信息；
[0043]所述電力設(shè)備溫度判斷單元，用于將電力設(shè)備溫度信息與電力設(shè)備正常溫度范圍進行比較判斷，如果處于電力設(shè)備正常溫度范圍，則循環(huán)檢測；如果超出電力設(shè)備正常溫度范圍，則記錄電力設(shè)備溫度值，并形成電力設(shè)備溫度信息時間序列；
[0044]所述故障預(yù)測單元，用于判斷電力設(shè)備溫度信息時間序列是否達到預(yù)設(shè)臨界值，如果是，則電力設(shè)備即將出現(xiàn)故障并報警。
[0045]進一步，還包括設(shè)備結(jié)構(gòu)模型單元，所述設(shè)備結(jié)構(gòu)模型單元包括設(shè)備結(jié)構(gòu)數(shù)據(jù)庫單元和故障預(yù)測模型單元；
[0046]所述設(shè)備結(jié)構(gòu)數(shù)據(jù)庫單元，用于存儲電力設(shè)備的類型和位置坐標(biāo)；
[0047]所述故障預(yù)測模型單元，用于存儲有不同類型的電力設(shè)備關(guān)聯(lián)故障預(yù)測類型。
[0048]進一步，所述電力設(shè)備圖像分割單元包括目標(biāo)分割單元、圖像分類單元、故障預(yù)測融合單元、故障預(yù)測結(jié)果單元；
[0049]所述目標(biāo)分割單元，用于采用二維模糊劃分最大熵處理電力設(shè)備紅外圖像得到目標(biāo)分割圖像；
[0050]所述圖像分類單元，用于通過人工神經(jīng)網(wǎng)絡(luò)分類模型對目標(biāo)分割圖像進行分類得到分類圖像；
[0051]所述故障預(yù)測融合單元，用于通過階段型融合方式模型對分類圖像與故障預(yù)測模型進行對比融合分析得到故障預(yù)測結(jié)果；
[0052]所述故障預(yù)測結(jié)果單元，用于通過從電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫中的電力設(shè)備類型和位置坐標(biāo)得出電力設(shè)備故障預(yù)測結(jié)果。
[0053]進一步，所述圖像分類單元中的人工神經(jīng)網(wǎng)絡(luò)分類模型的激活函數(shù)采用以下公式建立S型函數(shù):
[0054]/(ωχ-θ)-j—[0055]其中，X表示神經(jīng)元輸入特征向量的分量，所述分量是圖像目標(biāo)的形狀特征；ω表示輸入分量的權(quán)重；0表示神經(jīng)元的閾值。
[0056]進一步，所述故障預(yù)測融合單元包括最大熵圖像分割模塊、人工神經(jīng)網(wǎng)絡(luò)圖像分類模塊、故障預(yù)測融合結(jié)果模塊、電力設(shè)備故障預(yù)測結(jié)果輸出模塊；
[0057]所述最大熵圖像分割模塊，采用二維模糊劃分最大熵處理電力設(shè)備紅外圖像得到目標(biāo)分割圖像；
[0058]所述人工神經(jīng)網(wǎng)絡(luò)圖像分類模塊，通過人工神經(jīng)網(wǎng)絡(luò)分類模型對目標(biāo)分割圖像進行分類得到分類圖像；
[0059]所述故障預(yù)測融合結(jié)果模塊，通過階段型融合方式模型對分類圖像與故障預(yù)測模型進行對比融合分析得到故障預(yù)測結(jié)果；
[0060]所述電力設(shè)備故障預(yù)測結(jié)果輸出模塊，通過從電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫中的電力設(shè)備類型和位置坐標(biāo)得出電力設(shè)備故障預(yù)測結(jié)果。
[0061]本發(fā)明的優(yōu)點在于:本發(fā)明聯(lián)合紅外圖像分割、人工神經(jīng)網(wǎng)絡(luò)圖像分類算法和數(shù)據(jù)融合技術(shù)來診斷電力系統(tǒng)設(shè)備故障，首先采用二維模糊劃分最大熵分割紅外圖像，對采集到的電力設(shè)備故障點的紅外熱像圖進行降噪與目標(biāo)分割；然后采用人工神經(jīng)網(wǎng)絡(luò)分類電力系統(tǒng)設(shè)備圖像目標(biāo)，運用神經(jīng)網(wǎng)絡(luò)模型對收集的全部電力設(shè)備圖像目標(biāo)進行分類與存儲；最后根據(jù)階段型融合方式模型對分離出的故障預(yù)測點圖像與電力設(shè)備圖像目標(biāo)進行對比融合分析，給出診斷結(jié)果；將電力設(shè)備常見故障點經(jīng)驗數(shù)據(jù)并結(jié)合檢測出的故障點圖像數(shù)據(jù)進行數(shù)據(jù)融合給出最終的電力設(shè)備故障預(yù)測位置。本發(fā)明融合了多種算法，制定了精確地診斷步驟，并采用模塊化與系統(tǒng)化的設(shè)計，從而為電力系統(tǒng)設(shè)備故障診斷的建立找到了一條完整又精確的途徑，提高了電力系統(tǒng)運行的可靠性與穩(wěn)定性。
【專利附圖】

【附圖說明】
[0062]為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進一步的詳細描述，其中:
[0063]圖1為聯(lián)合紅外圖像分割、人工神經(jīng)網(wǎng)絡(luò)圖像分類算法和數(shù)據(jù)融合技術(shù)的電力系統(tǒng)設(shè)備故障預(yù)測方法的系統(tǒng)原理圖；
[0064]圖2為二維模糊劃分最大熵分割紅外圖像單元模型圖；
[0065]圖3為人工神經(jīng)元結(jié)構(gòu)簡圖；
[0066]圖4為階段型數(shù)據(jù)融合模型圖；
[0067]圖5為電力系統(tǒng)設(shè)備故障預(yù)測方法流程圖；
[0068]圖6為電流互感器紅外熱像圖；
[0069]圖7為人工神經(jīng)網(wǎng)絡(luò)對電力設(shè)備進行圖像分類結(jié)果示意圖。
【具體實施方式】
[0070]以下將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述；應(yīng)當(dāng)理解，優(yōu)選實施例僅為了說明本發(fā)明，而不是為了限制本發(fā)明的保護范圍。
[0071]圖1為本發(fā)明聯(lián)合紅外圖像分割、人工神經(jīng)網(wǎng)絡(luò)圖像分類算法和數(shù)據(jù)融合技術(shù)的電力系統(tǒng)設(shè)備故障診斷方法的系統(tǒng)流程圖，圖2為二維模糊劃分最大熵分割紅外圖像單元模型圖，圖3為人工神經(jīng)元結(jié)構(gòu)簡圖，其中:Xl，X2, x3...xn表示神經(jīng)元輸入向量的各個分量，即電力設(shè)備圖像的形狀特征；ω2...ωη表示各個輸入分量的權(quán)重；f為激活函數(shù)；y為神經(jīng)元的輸出，即電力設(shè)備某一個元件的結(jié)構(gòu)圖像，圖4為階段型數(shù)據(jù)融合模型圖，如圖所示:本發(fā)明提供的電力系統(tǒng)設(shè)備故障預(yù)測方法，包括以下步驟:
[0072]S1:獲取電力設(shè)備物理結(jié)構(gòu)參數(shù)信息；
[0073]S2:獲取電力設(shè)備紅外圖像信息；
[0074]S3:通過圖像處理方法從電力設(shè)備紅外圖像信息中按電力設(shè)備物理結(jié)構(gòu)參數(shù)信息分割出電力設(shè)備紅外圖像信息中對應(yīng)的電力設(shè)備圖像；
[0075]S4:獲取電力設(shè)備紅外圖像中溫度信息，以及電力設(shè)備正常溫度差范圍，比如:
【權(quán)利要求】
1.電力系統(tǒng)設(shè)備故障預(yù)測方法，其特征在于:包括以下步驟: S1:獲取電力設(shè)備物理結(jié)構(gòu)參數(shù)信息； S2:獲取電力設(shè)備紅外圖像信息； S3:通過圖像處理方法從電力設(shè)備紅外圖像信息中按電力設(shè)備物理結(jié)構(gòu)參數(shù)信息分割出電力設(shè)備紅外圖像信息中對應(yīng)的電力設(shè)備紅外圖像； S4:獲取電力設(shè)備紅外圖像中溫度信息，以及電力設(shè)備正常溫度差范圍； S5:將電力設(shè)備溫度信息與電力設(shè)備正常溫度范圍進行比較判斷，如果處于電力設(shè)備正常溫度范圍，則返回步驟S2循環(huán)檢測； S6:如果超出電力設(shè)備正常溫度范圍，則記錄電力設(shè)備溫度值，并形成電力設(shè)備溫度信息時間序列； S7:判斷電力設(shè)備溫度信息時間序列是否達到預(yù)設(shè)臨界值，如果否，則返回步驟S6循環(huán)； S8:如果是，則電力設(shè)備即將出現(xiàn)故障并報警。
2.根據(jù)權(quán)利要求1所述的電力系統(tǒng)設(shè)備故障預(yù)測方法，其特征在于:還包括建立電力設(shè)備物理結(jié)構(gòu)模型，所述電力設(shè)備物理結(jié)構(gòu)模型包括電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫和故障預(yù)測模型； 所述電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫包括電力設(shè)備的類型和位置坐標(biāo)； 所述故障預(yù)測模型，存儲有不同類型的電力設(shè)備關(guān)聯(lián)故障預(yù)測類型。
3.根據(jù)權(quán)利要求1所述的電力系統(tǒng)設(shè)備故障預(yù)測方法，其特征在于:所述步驟S3中的電力設(shè)備圖像是通過以下步驟來實現(xiàn)的: S31:采用二維模糊劃分最大熵處理電力設(shè)備紅外圖像得到目標(biāo)分割圖像； S32:通過人工神經(jīng)網(wǎng)絡(luò)分類模型對目標(biāo)分割圖像進行分類得到分類圖像； S33:通過階段型融合方式模型對分類圖像與故障預(yù)測模型進行對比融合分析得到故障預(yù)測結(jié)果； S34:通過電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫中的電力設(shè)備類型和位置坐標(biāo)得出電力設(shè)備故障預(yù)測結(jié)果。
4.根據(jù)權(quán)利要求3所述的電力系統(tǒng)設(shè)備故障預(yù)測方法，其特征在于:所述步驟S32中的人工神經(jīng)網(wǎng)絡(luò)分類模型的激活函數(shù)采用以下公式建立S型函數(shù): /(ωχ-θ)=----—,
J '， ι + ?τ(ωχ-θ) 其中，X表示神經(jīng)元輸入特征向量的分量，即圖像目標(biāo)的形狀特征；ω表示輸入分量的權(quán)重；Θ表示神經(jīng)元的閾值。
5.根據(jù)權(quán)利要求1所述的電力系統(tǒng)設(shè)備故障預(yù)測方法，其特征在于:所述S33中的階段型融合方式模型包括以下具體步驟: S331:對分類圖像進行I級進行處理檢測判決融合； S332:對電力設(shè)備圖像的信息源預(yù)處理； S333:對電力設(shè)備圖像與電力設(shè)備分類圖像對比分析產(chǎn)生圖像對比數(shù)據(jù)； S334:如果圖像對比數(shù)據(jù)不屬于電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫，則返回步驟S331 ；S335:如果圖像對比數(shù)據(jù)屬于電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫，則作出判決并傳送至人機界面。
6.根據(jù)權(quán)利要求1所述的電力系統(tǒng)設(shè)備故障預(yù)測方法來實現(xiàn)的電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)，其特征在于:包括電力設(shè)備參數(shù)單元、電力設(shè)備紅外圖像采集單元、電力設(shè)備圖像分割單元、電力設(shè)備溫度信息獲取單元、電力設(shè)備溫度判斷單元、故障預(yù)測單元； 所述電力設(shè)備參數(shù)單元，用于獲取電力設(shè)備物理結(jié)構(gòu)參數(shù)信息； 所述電力設(shè)備紅外圖像采集單元，用于獲取電力設(shè)備紅外圖像信息； 所述電力設(shè)備圖像分割單元，用于通過圖像處理方法從電力設(shè)備紅外圖像信息中按電力設(shè)備物理結(jié)構(gòu)參數(shù)信息分割出電力設(shè)備紅外圖像信息中對應(yīng)的電力設(shè)備圖像； 所述電力設(shè)備溫度信息獲取單元，用于獲取電力設(shè)備圖像中溫度信息； 所述電力設(shè)備溫度判斷單元，用于將電力設(shè)備溫度信息與電力設(shè)備正常溫度范圍進行比較判斷，如果處于電力設(shè)備正常溫度范圍，則循環(huán)檢測；如果超出電力設(shè)備正常溫度范圍，則記錄電力設(shè)備溫度值，并形成電力設(shè)備溫度信息時間序列； 所述故障預(yù)測單元，用于判斷電力設(shè)備溫度信息時間序列是否達到預(yù)設(shè)臨界值，如果是，則電力設(shè)備即將出現(xiàn)故障并報警。
7.根據(jù)權(quán)利要求6所述的電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)，其特征在于:還包括設(shè)備結(jié)構(gòu)模型單元，所述設(shè)備結(jié)構(gòu)模型單元包括設(shè)備結(jié)構(gòu)數(shù)據(jù)庫單元和故障預(yù)測模型單元； 所述設(shè)備結(jié)構(gòu)數(shù)據(jù)庫單元，用于存儲電力設(shè)備的類型和位置坐標(biāo)； 所述故障預(yù)測模型單元，用于存儲有不同類型的電力設(shè)備關(guān)聯(lián)故障預(yù)測類型。
8.根據(jù)權(quán)利要求6所述的電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)，其特征在于:所述電力設(shè)備圖像分割單元包括目標(biāo)分割單元、圖像分類單元、故障預(yù)測融合單元、故障預(yù)測結(jié)果單元； 所述目標(biāo)分割單元，用于采用二維模糊劃分最大熵處理電力設(shè)備紅外圖像得到目標(biāo)分割圖像； 所述圖像分類單元，用于通過人工神經(jīng)網(wǎng)絡(luò)分類模型對目標(biāo)分割圖像進行分類得到分類圖像； 所述故障預(yù)測融合單元，用于通過階段型融合方式模型對分類圖像與故障預(yù)測模型進行對比融合分析得到故障預(yù)測結(jié)果； 所述故障預(yù)測結(jié)果單元，用于通過從電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫中的電力設(shè)備類型和位置坐標(biāo)得出電力設(shè)備故障預(yù)測結(jié)果。
9.根據(jù)權(quán)利要求8所述的電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)，其特征在于:所述圖像分類單元中的人工神經(jīng)網(wǎng)絡(luò)分類模型的激活函數(shù)采用以下公式建立S型函數(shù):
10.根據(jù)權(quán)利要求8所述的電力系統(tǒng)設(shè)備故障預(yù)測系統(tǒng)，其特征在于:所述故障預(yù)測融合單元包括最大熵圖像分割模塊、人工神經(jīng)網(wǎng)絡(luò)圖像分類模塊、故障預(yù)測融合結(jié)果模塊、電力設(shè)備故障預(yù)測結(jié)果輸出模塊； 所述最大熵圖像分割模塊，采用二維模糊劃分最大熵處理電力設(shè)備紅外圖像得到目標(biāo)分割圖像； 所述人工神經(jīng)網(wǎng)絡(luò)圖像分類模塊，通過人工神經(jīng)網(wǎng)絡(luò)分類模型對目標(biāo)分割圖像進行分類得到分類圖像； 所述故障預(yù)測融合結(jié)果模塊，通過階段型融合方式模型對分類圖像與故障預(yù)測模型進行對比融合分析得到故障預(yù)測結(jié)果； 所述電力設(shè)備故障預(yù)測結(jié)果輸出模塊，通過從電力設(shè)備物理結(jié)構(gòu)參數(shù)信息數(shù)據(jù)庫中的電力設(shè)備類型和位置坐 標(biāo)得出電力設(shè)備故障預(yù)測結(jié)果。
【文檔編號】G06Q10/04GK103617469SQ201310698378
【公開日】2014年3月5日 申請日期:2013年12月18日 優(yōu)先權(quán)日:2013年12月18日
【發(fā)明者】胡蓓, 段盼, 段其昌, 毛明軒, 錢雅楠, 朱盼盼 申請人:重慶大學(xué)