BP神經(jīng)網(wǎng)絡(luò)下的紅外測溫圖譜溫度識別

國網(wǎng)湖南省電力有限公司常德供電公司 蔡 杰 劉 星 潘 煒 毋靖軒

紅外測溫技術(shù)廣泛應(yīng)用于電力設(shè)備巡檢，通過對測溫圖譜分析能夠有效發(fā)現(xiàn)電力設(shè)備異常狀態(tài)，及時消除設(shè)備隱患對維護電力系統(tǒng)穩(wěn)定具有重大意義。紅外測溫設(shè)備眾多，數(shù)據(jù)龐大，目前依靠人工進行數(shù)據(jù)整理效率低下，且眾多的紅外數(shù)據(jù)無法進行整合，不便于進行大數(shù)據(jù)的綜合分析處理。基于此，文章利用BP神經(jīng)網(wǎng)絡(luò)算法，對紅外測溫圖譜的溫度識別進行了研究，并通過實際圖譜對該算法的正確性和有效性進行了驗證。驗證結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)算法不僅為實現(xiàn)紅外測溫數(shù)據(jù)自解析和圖譜數(shù)據(jù)的自動診斷功能奠定基礎(chǔ)，還可以進行大數(shù)據(jù)的積累，進一步提高變電站的智能化水平。

隨著電網(wǎng)規(guī)模不斷擴大，電力設(shè)備的正常運行保障工作越來越重要，其中電力設(shè)備的溫度監(jiān)控成為設(shè)備安全保障的關(guān)鍵部分。紅外精準測溫工作全程采用人工監(jiān)控的方式不僅存在人力成本高、人為漏判或誤判等問題，而且可能會出現(xiàn)數(shù)據(jù)丟失或者數(shù)據(jù)更新不及時的情況，這使得變電設(shè)備測溫工作效率低下，數(shù)據(jù)可靠性和有效性方面令人難以滿意。因此，為了解決人工識別分析圖譜的低質(zhì)量、低效率問題，紅外圖譜智能識別成為了一種新的發(fā)展方向。

基于紅外圖譜的設(shè)備故障識別，最重要的是圖譜溫度的識別。紅外圖譜的溫度信息可作為判斷變電設(shè)備電流制熱型故障的直接依據(jù)，也是判斷電壓制熱型故障的基本特征數(shù)據(jù)。本文研究一種BP神經(jīng)網(wǎng)絡(luò)算法，利用BP神經(jīng)網(wǎng)絡(luò)算法對圖譜溫度進行識別，提取紅外圖譜溫度條上下限溫度以及區(qū)域測溫最大值溫度等信息，為紅外圖譜溫度識別算法奠定基礎(chǔ)。

圖1 BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

1 BP神經(jīng)網(wǎng)絡(luò)

BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。反向傳播時，將輸出以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)。

BP神經(jīng)網(wǎng)絡(luò)包含三要素：網(wǎng)絡(luò)拓撲結(jié)構(gòu)、傳遞函數(shù)和學習算法。本文采用的拓撲結(jié)構(gòu)如圖1所示，傳遞函數(shù)采用閾值型變換函數(shù)，學習算法采用最小均方差規(guī)則。

2 BP神經(jīng)網(wǎng)絡(luò)對紅外測溫圖譜溫度識別

紅外測溫圖譜溫度識別系統(tǒng)如圖2所示，由圖像處理、特征提取和分類識別三個部分構(gòu)成。圖像處理部分主要是對圖像進行灰度處理、圖像分割和歸一化處理；特征提取主要是提取圖譜的特性向量；分類識別主要是進行BP網(wǎng)絡(luò)訓練并檢驗訓練結(jié)果。

圖2 識別流程圖

2.1 圖像處理

2.1.1 灰度轉(zhuǎn)換和二值化通過以下灰度化公式將RGB圖像轉(zhuǎn)化為灰度：

其中上式的浮點算法將R（紅色）、G（綠色）和B（藍色）三色全部轉(zhuǎn)化為Gray（灰色）。

圖像的二值化是根據(jù)Gray大小對應(yīng)轉(zhuǎn)化為0～255中的灰度值。通過以上兩步即可實現(xiàn)圖像灰度化和灰度值的二值化。

2.1.2 圖像分割

通常紅外圖譜包含以下數(shù)字信息：最大溫度、溫度條上限溫度以及下限溫度，如圖3所示。進行紅外圖譜數(shù)字信息識別前，必須正確的選取特定的溫度圖像區(qū)域，即對原始圖像指定區(qū)域進行裁剪，本文需要識別的圖像區(qū)域為左右像素范圍為[48，150]，上下像素范圍為[8，42]，對此像素范圍的圖片進行裁剪，得到紅外圖譜實時溫度圖片如圖4所示。

圖4為圖3所示圖譜的實時溫度信息，該裁剪的圖譜含有干擾色素，實際情況下，干擾色素會隨環(huán)境和拍攝角度等多方面因素影響，導致圖像較為模糊，若直接對該圖片進行識別，可能會產(chǎn)生較大的誤差，造成溫度識別失敗。對圖片進行增強，以弱化背景干擾，閾值法是常見的一種圖像增強方法。根據(jù)實驗測試，發(fā)現(xiàn)對于現(xiàn)有紅外圖譜集而言，將閾值設(shè)定為210是最為合理的，經(jīng)過增強后的圖像如圖5所示。

圖3 某變壓器套管紅外圖譜

圖4 紅外圖譜實時溫度圖片

圖5 圖像增強前后對比

最后對圖像進行切割，逐個對其識別。圖像切割過程其實就是對二值矩陣分片的過程，找到1到255和255到1的過渡點判斷出切割點的位置。切割過程如圖6所示。

圖6 數(shù)字圖像垂直分割過程

2.1.3 圖像歸一化

圖像分割之后得到多個分割區(qū)域，不同分割區(qū)域?qū)挾扔兴煌?，將不同區(qū)域轉(zhuǎn)化為二維灰度值矩陣會存在矩陣的維度不一致，這會給后續(xù)的計算帶了很大的麻煩。解決維度不一致的方法就是對分割區(qū)域進行歸一化處理。

取若干紅外圖像，截取其數(shù)字樣本，對數(shù)字1～9以及小數(shù)點的圖像分別截取兩張進行歸一化處理后，保存到固定目錄。因紅外圖像中的數(shù)字都為規(guī)則印刷體，因此每個數(shù)字（小數(shù)點）不要大量的學習樣本，本文對每個數(shù)字（小數(shù)點）取兩張圖片作為訓練樣本。

2.2 特征提取

分割的圖像進行歸一化處理之后，各個分割塊轉(zhuǎn)化成的灰度矩陣維度就得到了統(tǒng)一，這就為從灰度矩陣中提取圖像特征提供保證。逐像素特征提取法是一種簡單有效的特征提取方法，它對灰度矩陣中每個進行遍歷，令黑色像素特征值為1，白色像素特征值為0。遍歷完成后就得到了對應(yīng)的特征向量矩陣了。

2.3 分類識別

BP算法實現(xiàn)步驟如圖7所示，本文設(shè)計的BP網(wǎng)絡(luò)為簡單的三層網(wǎng)絡(luò)。

圖7 BP算法實現(xiàn)識別步驟

利用BP算法進行識別的第一步是網(wǎng)絡(luò)參數(shù)的設(shè)定。初始偏置全部設(shè)置為零，學習效率設(shè)置為0.005，訓練次數(shù)設(shè)置為10000次。

第二步是激活前向傳播，并計算損失函數(shù)。損失函數(shù)的期望值為：

其中θ表示參數(shù)集合，yji和分別表示真實值和輸出值，n表示數(shù)組的維度，m表示數(shù)據(jù)的組數(shù)。

第三步，計算誤差項。根據(jù)損失誤差，分別計算隱含層的誤差項和輸出層的誤差項。損失函數(shù)關(guān)于隱含層的偏導數(shù)即為隱含層的誤差項，損失函數(shù)關(guān)于輸出層的偏導數(shù)即為輸出層的誤差項。

第四步，更新網(wǎng)絡(luò)權(quán)值和偏置值。根據(jù)隱含層的誤差項和輸出層的誤差項對BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和偏置項進行更新。

重復第二到第四的步驟，直到損失函數(shù)小于事先設(shè)定的控制閾值或者達到最初設(shè)定的迭代次數(shù)，此時輸出端計算的參數(shù)就是BP網(wǎng)絡(luò)下的最佳參數(shù)。

3 實驗結(jié)果分析

通過建立BP神經(jīng)網(wǎng)絡(luò)，利用MATLAB進行仿真，仿真選用5000個訓練樣本，訓練時間約為1.5min。仿真結(jié)果表明圖像有效識別率高達99%。訓練結(jié)束后，我們將50張檢測圖譜輸入進行驗證，部分驗證結(jié)果如表1所示。

表1 紅外測溫圖譜進仿真識別結(jié)果

根據(jù)表1所示的紅外測溫圖譜仿真識別結(jié)果可知，利用BP神經(jīng)網(wǎng)絡(luò)算法對紅外測溫圖譜溫度的識別正確率極高。BP神經(jīng)網(wǎng)絡(luò)算法不僅為實現(xiàn)紅外測溫數(shù)據(jù)自解析和圖譜數(shù)據(jù)的自動診斷功能奠定基礎(chǔ)，還可以進行大數(shù)據(jù)的積累，進一步提高變電站的智能化水平。

結(jié)束語：本文利用BP神經(jīng)網(wǎng)絡(luò)算法，對紅外測溫圖譜的溫度識別進行了研究，并通過實際圖譜對該算法的有效性和可靠性進行了驗證。試驗結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)算法對圖譜的識別不僅速度快，而且正確率非常高。這為電網(wǎng)和電力設(shè)備以后的紅外圖譜故障診斷的自動化和智能化提供了一種新的發(fā)展思路，同時也開辟了一個廣闊的研究領(lǐng)域。