基于可见光图像的暗环境沿面放电智能诊断方法

• 作者: 袁哲 叶齐政 王玉伟 郭子清
• 来源期刊: 高电压技术
• 关键词: 沿面放电 可见光图像 智能诊断 模式识别 机器学习 神经网络
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 人工智能物联网技术在输配电领域的应用专题|Special Issue on Applications of Artificial Intelligence and the Internet of Things in Power Transmission and Distribution
• 页码范围: 434-444
• 页数: 11页
• 语种: 中文
• DOI: 10.13336/j.1003-6520.hve.20200593

摘要

为了解决紫外成像在放电诊断中分辨率较低、抗噪性能较弱、故障定位不精确的问题,基于可见光图像和机器学习,提出了一种沿面放电的智能诊断方法.首先,在暗环境下建立了包含不同实验条件沿面放电可见光数字图像库,分别提取了图像的颜色、灰度、形态特征;然后,使用聚类算法将放电图像按照放电的严重程度划分为正常、轻微、严重、危险4个阶段,并结合放电光谱关联性实验对划分结果的物理意义进行了解释;接着,使用k近邻、决策树、支持向量机、梯度提升决策树4种经典监督学习算法,在己划分阶段的数据集上训练智能诊断模型;此外,还尝试通过人工神经网络对原始特征数据进行压缩降维,提取抽象特征进行识别.研究结果表明:基于颜色特征的监督学习模型在进行放电诊断时具有更高的准确率;利用人工神经网络进行识别的准确率达到了0.958,与经典学习算法(准确率为0.886)相比有明显提高.以上结果说明,利用可见光图像可以对沿面放电进行有效的诊断,机器学习算法的应用保证了诊断的高效准确,所提方法可使得状态识别和故障定位同步完成,从而极大降低成本,为电力系统安全稳定运行提供更有力保障.