基于量子神經網絡的變電站熱像診斷研究

施德州

摘 要：隨著電網規模的不斷擴張，變電站的數量也日益增加，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，本文針對現階段大型變電站的特點，采用量子神經網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，通過對采樣數據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定性以及電網的可靠性。

關鍵詞：量子神經網絡 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

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

目前國內外對于變電站故障檢測的方法有很多的研究，傳統的檢測方法主要包括事前預防事后檢測，但隨著設備數量大規模的增長，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，本文將用紅外成像技術用在智能變電站的故障診斷，將量子神經網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，增大電網的安全穩定運行。

1 紅外成像原理

在電力系統中采用紅外成像進行故障診斷的方法已經廣泛應用于國內外的研究以及生產生活中，該技術在電力系統中使用的關鍵是如何將紅外成像的數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的特點，本文為了提升紅外數據特征值的采集效率，通過對圖像進行分割，建立算法模型，減少傳統中的算法過慢，周期過長的特點，有效解決傳統算法的不足。

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。

在神經網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，隨著矩陣階數的增長而增加，本文考慮到國內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。

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絡分析的初始參數，包括變電站設備溫度、濕度、運行水平、設備年齡狀態等。

3 QNM故障診斷模型

本文為了將變電站的多重信息統一化，采用量子神經網絡（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系如圖2所示。

神經網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）。

（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選取。

（3）計算所有神經元的距離：使用標準的歐氏距離計算如下。

（3）

（4）確定生存神經元：輸出通常是權重向量與輸入向量XK最近的神經元。

（4）

（5）更新節點數據：一旦新的神經元確立，量子神經元會通過上式不斷學習更新每個節點的數值，并根據下式進行強化。

（5）

（6）選擇新的輸入，并循環上述步驟，直到所得結果收斂（量子神經元網絡穩定）。新的量子網絡神經元穩定后，新的數據將被用作準則繼續用來訓練新的輸入量，采用使用次數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“最優路徑”快速學習。

4 實例分析

本文將在不同的環境溫度，不同的運行狀態下，采集的變壓器套管為例，取用56組紅外熱像數據，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。

上述數據進行數據分析，如圖4所示，經本文QNM故障檢測準確率可高達95%以上，而對比經過BP神經網絡進行診斷，診斷率是57.14%，本文采用的方法準確率大大提升，從而提高電力系統穩定性。

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.