基于改進神經網絡算法的變電站變壓器裂紋圖像識別

吳曦+姚楠+許建剛

摘 要： 為了保證電力系統的正常運行，提高電站變壓器裂紋圖像的識別精度，提出基于改進神經網絡算法的變電站變壓器裂紋圖像識別模型。首先收集變電站變壓器裂紋圖像，并進行去噪處理，然后提取變電站變壓器裂紋圖像的特征，并對特征進行無量綱化處理，最后采用神經網絡建立變電站變壓器裂紋圖像識別模型，并對神經網絡的不足進行相應改進，在Matlab 2014R平臺上進行變電站變壓器裂紋圖像識別的仿真測試，結果表明，改進神經網絡不僅能夠獲得較好的變電站變壓器裂紋圖像識別結果，而且識別速度也能夠滿足變電站變壓器裂紋圖像檢測的要求。

關鍵詞： 變電站變壓器； 裂紋圖像； 特征提取； 神經網絡

中圖分類號： TN911.73?34； TP181 文獻標識碼： A 文章編號： 1004?373X（2017）13?0066?04

Abstract： In order to guarantee the normal operation of the electric power system， and improve the identification precision of the substation transformer crack image， a substation transformer crack image recognition model based on the improved neural network algorithm is proposed. The substation transformer crack image is collected and denoised. And then the features of the substation transformer crack image are extracted， and proceeded with dimensionless processing. The neural network is used to establish the recognition model of the substation transformer crack image， and its deficiency is improved correspondingly. The simulation test of the substation transformer simulation crack image recognition was carried out in Matlab 2104R. The results show that the improved neural network can obtain better result of the substation transformer crack image recognition， and the recognition speed can meet the requirements of the substation transformer crack image detection.

Keywords： substation transformer； crack image； feature extraction； neural network

0 引 言

隨著經濟的不斷發展，人們的生活水平日益提高，各種家用電器以及辦公室的電器使用更加頻繁，電力系統的穩定工作面臨巨大的挑戰[1]。變壓器是一種重要的電氣設備，變電站變壓器裂紋嚴重影響電力系統的正常運行，因此如何對變電站變壓器裂紋圖像進行準確識別具有重要的意義[2]。

國內外學者對變電站變壓器裂紋圖像技術進行了深入、廣泛的研究，提出了一些可行的變電站變壓器裂紋圖像識別模型[3]，目前變電站變壓器裂紋圖像識別模型主要基于圖像進行識別，通過對變壓器裂紋圖像進行分類，對變壓器裂紋圖像的類別進行正確劃分。在實際應用中，變壓器裂紋圖像采集受到天氣、環境以及采集設備的干擾，圖像中難免會包含一定的噪聲，這些噪聲對變壓器裂紋圖像準確識別產生了不利影響，因此需去除變壓器裂紋圖像中的噪聲[4?5]。變壓器裂紋圖像識別主要基于特征進行建模分析，因此特征對變壓器裂紋圖像識別結果影響十分重要，當前變壓器裂紋圖像識別特征很多，其中不變矩陣特征具有惟一性、魯棒性和可分性，在目標識別、字符識別等領域得到了廣泛的應用[6]。變壓器裂紋圖像類別與特征之間的聯系十分復雜，傳統方法采用歐式距離估計樣本之間的特征聯系，建立的變壓器裂紋圖像識別模型的誤識率比較高[7?8]。神經網絡具有很好的非線性擬合性能，可以較好地描述變壓器裂紋圖像類型與特征之間的變化關系，廣泛應用于變電站變壓器裂紋圖像的識別中。然而神經網絡自身也存在一定的不足，如參數的確定全憑經驗進行，導致變壓器裂紋圖像識別結果具有一定的盲目性和主觀性，識別結果不理想[9?10]。

為了保證電力系統的正常運行，提高變電站變壓器裂紋圖像的識別精度，提出基于改進BP神經網絡[11]算法的變電站變壓器裂紋圖像識別。首先收集變電站變壓器裂紋圖像，并進行去噪處理，然后提取變電站變壓器裂紋圖像的特征，最后采用改進神經網絡建立變電站變壓器裂紋圖像識別模型，在Matlab 2014R平臺上仿真測試結果表明，改進神經網絡提高了變電站變壓器裂紋圖像的識別精度，加快了變電站變壓器裂紋圖像的檢測速度。

1 小波變換和神經網絡

1.1 小波變換

小波變換可以對信號進行小波分解，小波系數描述不同分辨率上的信息，而且自適應能力強，其基本思想為：

式中：和分別表示高分辨率空間和低分辨率空間。

當時，小波變換的空間分解見圖1。

和是尺度空間和小波空間的正交基函數，分別定義如下：

1.2 BP神經網絡

神經網絡屬于非線性理論中的機器學習算法，它們可以通過一個結構網絡對非線性問題進行無限逼近，在圖像處理、人臉識別等領域得到成功應用，其中BP神經網絡的性能要優于其他神經網絡，通用性更強，BP神經網絡的基本結構如圖2所示，包括輸入層、輸出層和隱含層。

在圖2中，為BP神經網絡的輸入向量，為BP神經網絡的輸出向量，其中隱含層神經元的節點數量通過輸入和輸出的數和決定，一般情況下，采用Sigmoid函數構建隱含層的轉移函數，具體如下：

BP神經網絡具有反饋功能，選擇輸出層期望輸出與預測輸出的誤差平方和作為反饋誤差，具體為：

1.3 BP神經網絡的改進

在BP神經網絡的工作過程中，BP神經網絡的權值直接影響其性能，傳統BP神經網絡采用經驗確定權值，對于不同問題，神經網絡的性能差別很大，為此，本文對標準神經網絡進行相應的改進，采用遺傳算法對BP神經網絡的權值進行在線優化，以提高變電站變壓器裂紋圖像識別的效果，遺傳算法優化神經網絡權值具體設計過程為：

Step1：個體編碼。采用十進制對BP神經網絡的權值進行編碼，那么編碼長度為：

式中：表示輸入層與隱含層的權重；表示隱含層與輸出層之間的權重。

Step2：適應度函數的構建。對個體進行解碼，得到BP神經網絡的權值和隱含層的輸出和輸出層的輸出它們分別為：

式中是訓練輸出數據。

Step3：通過選擇、交叉和變異等遺傳操作，不斷產生新的種群，將個體解碼為BP神經網絡的權值，然后根據權值對訓練樣本進行學習，得到反饋誤差，根據反饋誤差進行反饋操作，最后得到BP神經網絡最優的權值。

2 變電站變壓器裂紋圖像識別模型

2.1 變電站變壓器裂紋圖像的特征提取

設變電站變壓器裂紋圖像為其原點矩和中心矩分別為：

2.2 變電站變壓器裂紋圖像識別模型的工作步驟

（1） 收集變電站變壓器裂紋圖像。

（2） 采用小波變換對變電站變壓器裂紋圖像進行去噪處理，消除噪聲的干擾。

（3） 提取變電站變壓器裂紋圖像的不變矩特征，并進行如下處理：

（4） 采用BP神經網絡對訓練樣本進行學習，并采用遺傳算法優化權值，建立變電站變壓器裂紋圖像識別分類器。

（5） 采用測試樣本對變電站變壓器裂紋圖像識別結果進行分析。

3 仿真實驗

3.1 實驗環境

為了測試改進BP神經網絡的變電站變壓器裂紋圖像識別性能，在Matlab 2014R仿真平臺上進行了仿真實驗，選擇不同類型的變電站變壓器裂紋圖像作為實驗對象，它們共有4種類型，編號分別為1，2，3，4。

3.2 結果與分析

選擇傳統神經網絡作為對比實驗，變電站變壓器裂紋圖像識別結果如圖3和圖4所示，平均識別正確率和訓練時間如表1所示。

對識別結果進行分析可以得到如下結論：

（1） 傳統BP神經網絡的變電站變壓器裂紋圖像識別正確率低，這主要是由于傳統BP神經網絡的權值隨機確定，無法描述變電站變壓器裂紋圖像的類別，因此識別效果差。

（2） 改進神經網絡的變電站變壓器裂紋圖像識別結果相對更優，這主是由于小波變換消除了變電站變壓器裂紋圖像中的噪聲，并通過遺傳算法確定BP神經網絡權值，提高了變電站變壓器裂紋圖像識別的正確率，而且變電站變壓器裂紋圖像訓練時間更快，加快了變電站變壓器裂紋圖像的識別速度。

4 結 論

變電站變壓器裂紋圖像具有重要的應用價值，為了解決當前變電站變壓器裂紋圖像識別中存在的局限性，提出改進神經網絡的變電站變壓器裂紋圖像的識別模型，并通過具體應用實驗對其有效性進行測試，具體結論如下：

（1） 針對變電站變壓器裂紋圖像的噪聲，采用小波分析對變電站變壓器裂紋圖像進行變換和處理，消除外界環境以及其他因素帶來的噪聲干擾，便于后續變電站變壓器裂紋圖像特征提取和分類器建立，有助于改善變電站變壓器裂紋圖像的識別效果。

（2） 通過提取變電站變壓器裂紋圖像的不變矩圖像，作為變電站變壓器裂紋圖像分類器的輸入，建立了變電站變壓器裂紋圖像識別的依據，準確反映了變電站變壓器裂紋圖像類型。

（3） 采用改進神經網絡對變電站變壓器裂紋圖像進行分類與識別，可以反映變電站變壓器裂紋圖像類型與圖像特征之間的映射關系，通過神經網絡的自學習建立變電站變壓器裂紋圖像的識別模型，提高變電站變壓器裂紋圖像的識別精度。

（4） 通過引入遺傳算法對神經網絡參數進行優化，解決了神經網絡參數確定的難題，建立了結構更優的神經網絡，降低了變電站變壓器裂紋圖像識別的錯誤率。

（5） 與其他識別模型相比，改進神經網絡提高了變電站變壓器裂紋圖像識別的正確率，而且識別速度也有顯著的優勢，對比結果驗證了改進神經網絡應用于變電站變壓器裂紋圖像識別的優越性。

參考文獻

[1] 郭創新，朱傳柏，曹一家.電力系統故障診斷的研究現狀與發展趨勢[J].電力系統自動化，2006，30（8）：98?103.

[2] 蘇鵬聲，王歡.電力系統設備狀態監測與故障診斷技術分析[J].電力系統自動化，2003，27（1）：61?65.

[3] 項新建.粗糙集理論在變壓器故障診斷專家系統中的應用研究[J].科技通報，2003，19（4）：288?291.

[4] 應鴻，李天云，張宇輝.變壓器故障診斷的神經網絡法[J].東北電力學院學報，1996，16（4）：54?58.

[5] 孫才新，郭俊峰，廖瑞金，等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究[J].中國電機工程學報，2001，21（2）：37?41.

[6] 張冠軍，嚴璋，張仕君.電力變壓器故障診斷中斷新方法的應用[J].高壓電器，1998（4）：32?35.

[7] 顏湘蓮，文遠芳.模糊神經網絡在變壓器故障診斷中的應用研究[J].變壓器，2002（7）：41?43.

[8] 謝可夫，羅安.遺傳算法在變壓器故障診斷中的應用[J].電力自動化設備，2005（4）：55?58.

[9] 何成才.電力機車牽引變壓器油箱體裂紋故障的分析及處理[J].鄭州鐵路職業技術學院學報，2009，21（1）：13?14.

[10] 侯汝鋒，王文洪，莫潤陽，等.絕緣子表面裂紋激光超聲檢測[J].激光技術，2014（1）：35?38.

[11] 李瑛，胡志剛.一種基于BP神經網絡的室內定位模型[J].計算技術與自動化，2007，26（2）：77?80.