![](http://pubimage.360doc.com/wz/default.gif)
参会注册
长按识别左侧二维码,登录报名网站(先注册网站会员,然后提交报名信息)
会议微信号
![](http://pubimage.360doc.com/wz/default.gif)
参会注册
长按识别左侧二维码,登录报名网站(先注册网站会员,然后提交报名信息)
会议微信号
随着世界范围内人们生产生活用电需求的不断增加,电网的建设规模也随之不断扩大,其中输电线路的安全性和可靠性直接影响电力传输的稳定性。绝缘子作为架空输电线路中的重要设备,对电线电缆的连接起到极其关键的作用,因此绝缘子自爆、破损、异物等故障的发生严重影响着整条线路的安全运行。据电力部门数据统计,因绝缘子故障引起的大面积停电事故占输电线路总事故的81.3%。因此绝缘子的定期检测与及时维修对于维护保障电网的安全至关重要。
目前国内外对绝缘子故障检测研究方法有光谱法、紫外脉冲法、径向温度法、超声波检测法等。这些检测方法均取得了一定的效果,但分析文献,发现不少方法存在危险性高、算法复杂等问题,均需进一步深入研究。基于图像处理技术对电力绝缘设备进行非接触式检测的研究。
其中,有学者以紫外图像中放电光斑面积的大小作为紫外成像量化参量,试验对比研究了绝缘子放电的紫外成像图像和电脉冲信号特征。有学者基于日盲紫外成像技术,对绝缘子进行了污秽状态评估。有学者对绝缘子进行离散正交S域变换得到频率矩阵,将该矩阵的均值、标准偏差等特征作为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)和支持向量机(Support Vector Machine, SVM)的训练集,从而检测绝缘子状态。
有学者使用组合支持向量机和小波多分辨率(wavelet Multi-Resolution Analysis, MRA)分析架空配电系统绝缘子的状态。现有算法无法有效解决绝缘子状态检测的多分类问题,且面临处理海量数据检测速度低的问题,因此,如何提出一个面向大数据的绝缘子状态检测方法是一个亟待解决的问题。
随着神经网络算法的不断改进以及学习模型在特征提取和学习表达能力方面的显著提升,以深度学习为代表的人工智能理论与应用研究受到了前所未有的关注。卷积神经网络(Convolutional Neural Networks, CNN)作为典型模型,模拟了生物神经网络结构,随着网络结构的逐渐加深,层层的卷积池提取出由浅层到深层的语义特征,这与人类由简到细的认知模式一致。
LeNet_5是一种典型的卷积神经网络,用于手写体数字的识别。然而,由于绝缘子图像样本与手写体数字图像样本的分辨率变化和背景复杂等差异性,直接采用LeNet_5网络模型对绝缘子样本进行检测效果不尽理想。如何改进原有的卷积网络模型,获取表达能力强的深度卷积模型,是解决大数据环境下绝缘子检测问题的一种极具前景的方法。
由于航拍采集的绝缘子图像种类多样,在检测时不同样本的检测难度不同,因此,固定的特征空间难以适合每个样本。尽管有少量的绝缘子状态检测模型引入了深度学习理论,但其特征空间一旦建立则不再更新,这与人类反复推敲比对的思维信息交互机制存在明显差异。因此,本文引入了控制理论中的反馈思想,实时评估绝缘子不确定检测结果,克服状态后验评测的缺陷,动态调节卷积核的大小和个数,实现多层面样本特征空间的反馈调节优化,构建具有反馈调节机制的绝缘子状态检测方法。
在现有的研究基础之上,为了克服已有的检测模型处理不同样本时采用相同特征空间的缺陷以及原始的LeNet_5网络结构面对绝缘子样本逼近能力的不足,本文探索了一种基于反馈机制的卷积神经网络绝缘子状态检测方法。改进LeNet_5网络结构,使改进后的模型能很好地适用于绝缘子状态检测。通过语义误差信息熵测度指标实时评测绝缘子检测结果的可信度,反馈自寻优调节绝缘子多层面特征空间,以准确鲁棒地检测绝缘子状态,增加网络模型的泛化性。
图6 绝缘子定位
联系客服