一种基于互感器状态监测方法及装置与流程

1.本发明涉及配电技术领域，具体涉及一种基于互感器状态监测方法及装置。


背景技术：

2.作为智能变电站重要的计量装置，电子式互感器的运行状态直接影响变电设备的计量功能的实现，因此，电子式互感器的在线监测和故障诊断在实际应用中具有十分重要的意义。目前，国内外对电子式互感器的运行状态进行智能监测主要通过分析互感器的稳定因素定量预测互感器的可靠性，通过小波分析和分型理论检测互感器故障，然而在实际应用中受到变输电环境的强磁干扰，电子式互感器的监测信号中往往参杂大量噪声导致监测效果较差，因此亟需研究更有效的互感器监测技术。


技术实现要素：

3.本发明所要解决的技术问题为现有技术中对电子式互感器的运行状态进行监测时容易受到变输电环境的强磁干扰，导致监测效果较差。因此，本发明提供一种基于互感器状态监测方法及装置，由于电子式互感器90％以上的故障都会引起互感器温度的异常变化，因此，电子式互感器的温度信息与其运行状态直接相关，本技术通过分析电子式互感器的红外图像，通过超像素分割方法提取校验故障区域样本，然后通过多尺度变换器深度神经网络对提取的待校验故障区域样本进行故障部位分类识别，确定互感器的运行状态信息，以实现对互感器的故障状态进行监测诊断，提高监测准确性。
4.本发明通过下述技术方案实现：
5.一种基于互感器状态监测方法，包括：
6.获取训练互感器红外图像，并通过超像素分割算法从所述训练互感器红外图像中提取校验故障区域样本；
7.对提取的校验故障区域样本打标，得到样本标签；
8.将所述校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中进行迭代训练，获取模型输出结果；
9.计算所述模型输出结果和对应的样本标签的损失值，当计算得到的损失值在预设损失阈值范围内，则停止训练，并将对应的多尺度变换深度神经网络模型作为互感器故障状态监测模型；
10.通过所述互感器故障状态监测模型对待测互感器红外图像进行识别，获取互感器状态监测结果。
11.进一步地，所述获取训练互感器红外图像，并通过超像素分割算法从所述训练互感器红外图像中提取校验故障区域样本，包括：
12.获取训练互感器红外图像，并对所述训练互感器红外图像进行二值化处理，得到二值化图像；
13.通过超像素分割算法确定所述二值化图像中的故障点，并以故障点为中心查找包
含故障点的连通区域，从所述连通区域的最小外接矩形边缘出发，以宽高比为步长移动，当最小外接矩形中灰度值为0的像素个数与最小外接矩形对应的总像素个数之比大于预设比值，则停止移动，获取对应的图像区域作为校验故障区域；
14.基于所述校验故障区域形成校验故障区域样本。
15.进一步地，所述通过超像素分割算法确定所述二值化图像中的故障区域，包括：
16.通过超像素分割法对训练互感器红外图像的初始聚类中心和预设搜索区域中的像素进行计算隶属度计算，确定重叠区域和非重叠区域；
17.通过hsv颜色模型，将每个非重叠区域内的颜色分量用该区域内的颜色分量均值替代，并基于所述颜色分量均值对每个非重叠区域进行分割，得到分割图像区域ri；
18.通过故障区域提取算法对每个分割图像区域ri进行计算，得到校验故障区域。
19.进一步地，在对所述训练互感器红外图像进行二值化处理，得到二值化图像后，所述一种基于互感器状态监测方法还包括：
20.采用fcm聚类算法对二值化图像中的像素点进行聚类计算，得到的聚类中心作为初始聚类中心。
21.进一步地，所述通过超像素分割法对训练互感器红外图像的初始聚类中心和预设搜索区域中的像素进行计算隶属度计算，确定重叠区域和非重叠区域，包括：
22.将初始聚类中心对应的像素点作为中心像素点，预设搜索区域中除中心像素点外的像素点作为非中心像素点；
23.计算中心像素点与对应预设搜索区域中每一个非中心像素点的隶属度值，将计算得到的隶属度值大于中心像素点的隶属度值的非中心像素点确定为超像素；
24.将超像素对应的区域作为非重叠区域，非超像素对应的区域作为重叠区域。
25.进一步地，所述故障区域提取算法，包括：
26.对分割后的每个分割图像区域中的像素值进行归一化处理，得到归一化灰度；
27.对每个分割图像区域对应的归一化灰度进行均值计算，得到各分割图像区域的平均亮度
28.通过每个分割图像区域内的像素点个数n
ri
和该分割图像区域中的最小凸边形面积c
ri
计算对应分割图像区域的凹凸度s
ri
；
29.计算每个分割图像区域的边缘到该分割图像区域的中心位置的最小值作为分割图像区域的中心距离d
ri
；
30.调用故障区域计算公式，对每个分割图像区域的平均亮度凹凸度s
ri
和中心距离d
ri
进行计算，将计算得到的最大值作为校验故障区域。
31.进一步地，所述故障区域计算公式具体为：
[0032][0033]
式中，f表示校验故障区域，表示第i个分割图像区域的平均亮度，表示第i个分割图像区域的凹凸度，表示第i个分割图像区域的中心距离。
[0034]
进一步地，所述多尺度变换深度神经网络模型包括编码器、空间变换器网络和解码器
[0035]
所述将所述校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中进行迭代训练，包括：
[0036]
将所述校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中，通过编码器提取多个尺度的深层特征图；
[0037]
在提取多个尺度的深层特征图后，空间变换器网络对提取的多个尺度的深层特征图进行融合，得到融合特征图；
[0038]
解码器对输入的融合特征图进行解码，并将解码后的特征信息输入到全连接层的分类器中进行分类，以完成训练样本的迭代训练。
[0039]
进一步地，所述空间变换器网络包括空间分枝和变换器分枝；其中，所述空间分枝包括卷积层和瓶颈层；所述变换器分枝包括基于轴向注意力的变换器；
[0040]
在提取多个尺度的深层特征图后，通过空间分枝的卷积层和瓶颈层从每个尺度的深层特征图中提取局部特征，通过基于轴向注意力的变换器对所有尺度的深层特征图进行全局上下文特征学习，获取远程依赖项特征；
[0041]
将提取的局部特征和远程依赖性特征，分别输入到空间变换器网络中的空间分支和变换器分支进行多级特征提取的融合处理，得到融合特征图。
[0042]
一种基于互感器状态监测装置，包括：
[0043]
样本获取模块，用于获取训练互感器红外图像，并通过超像素分割算法从所述训练互感器红外图像中提取校验故障区域样本；
[0044]
样本打标模块，用于对提取的校验故障区域样本打标，得到样本标签；
[0045]
模型训练模块，用于将所述校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中进行迭代训练，获取模型输出结果；
[0046]
故障状态监测模型生成模块，用于计算所述模型输出结果和对应的样本标签的损失值，当计算得到的损失值在预设损失阈值范围内，则停止训练，并将对应的多尺度变换深度神经网络模型作为互感器故障状态监测模型；
[0047]
模型识别模块，用于通过所述互感器故障状态监测模型对待测互感器红外图像进行识别，获取互感器状态监测结果。
[0048]
本发明提供一种基于互感器状态监测方法及装置，通过超像素分割算法从所述训练互感器红外图像中提取校验故障区域样本，并对校验故障区域样本进行打标，在打标完成后，将校验故障区域样本和对应的标签输入到多尺度变换器深度神经网络中进行模型训练，以得到互感器故障状态监测模型，通过训练得到的互感器故障状态监测模型对故障位置进行分类识别，从而确定互感器的运行状态信息，提高互感器状态监测的准确性。
附图说明
[0049]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0050]
图1为本发明一种基于互感器状态监测方法的流程图。
[0051]
图2为本发明一具体实施例中多尺度变换深度神经网络模型的结构示意图。
[0052]
图3为图1中步骤s10的一具体流程图。
[0053]
图4为图3中步骤s12的一具体流程图。
[0054]
图5为图1中步骤s30的一具体流程图。
[0055]
图6为本发明一具体实施例中空间变换器网络的结构示意图。
[0056]
图7为本发明一种基于互感器状态监测装置的结构示意图。
具体实施方式
[0057]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0058]
本发明提供一种基于互感器状态监测方法，该方法可应用于不同电子设备中，该电子设备包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑。
[0059]
在一实施例中，如图1所示，本发明提供一种基于互感器状态监测方法，包括：
[0060]
s10：获取训练互感器红外图像，并通过超像素分割算法从训练互感器红外图像中提取校验故障区域样本；
[0061]
s20：对提取的校验故障区域样本打标，得到样本标签；
[0062]
s30：将校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中进行迭代训练，获取模型输出结果；
[0063]
s40：计算模型输出结果和对应的样本标签的损失值，当计算得到的损失值在预设损失阈值范围内，则停止训练，并将对应的多尺度变换深度神经网络模型作为互感器故障状态监测模型；
[0064]
s50：通过互感器故障状态监测模型对待测互感器红外图像进行识别，获取互感器状态监测结果。
[0065]
其中，训练互感器红外图像指采集的用于模型训练的互感器红外图像。待测互感器红外图像指采集的需要进行互感器状态监测的红外图像。
[0066]
作为一示例，步骤s10中，为提高对互感器状态监测的准确性，本实施例中的故障区域应位于互感器红外图像的中心位置，且占据画面的大部分空间，另外，应尽量将温度范围调小，使得故障区域和背景区域在红外图像中对比度更高，提高后续图像识别的准确性。为了合并性质相似的像素区域，便于区域性分析，采用超像素分割算法将训练互感器红外图像中性质相似的像素点划分为一个区域，并根据超像素选取标准从划分好的区域中提取故障区域作为校验故障区域，从而形成校验故障区域样本。
[0067]
超像素选取标准具体为：将计算得到的隶属度值大于中心像素点的隶属度值的非中心像素点确定为超像素。本实施例采用模糊隶属度函数计算预设搜索区域中每一个非中心像素点的隶属度值。
[0068]
作为一示例，步骤s20中，在得到校验故障区域样本后，对校验故障区域样本中的每个校验故障区域样本进行人工打标，使得校验故障区域样本中的每个校验故障区域都有一个对应的样本标签。本实施例中的样本标签包括电压致热型和电流致热型。其中，故障区域为接头发热和内连接发热，则为电流致热型；故障区域为套管内绝缘发热，则为电压致热型。
[0069]
作为一示例，步骤s30-s40中，在对校验故障区域样本中的所有校验故障区域样本打标后，将校验故障区域样本中的校验故障区域和对应的样本标签依次输入到多尺度变换深度神经网络模型中进行迭代训练，得到每一次训练的模型输出结果。在得到模型输出结果后，通过损失函数计算模型输出结果与对应的样本标签之间的损失值，当计算得到的损失值在预设损失范围内，则表示模型训练已经达到要求，则停止模型训练，并将对应的多尺度变换深度神经网络模型作为对电子式互感器进行故障状态监测的模型，即互感器故障状态监测模型。本实施例中多尺度变换深度神经网络模型的结构示意图如图2所示。
[0070]
进一步地，由于电子式互感器的主要故障部位和致热类型主要包括三种：(1)接头发热，电流致热型；(2)内连接发热，电流致热型；(3)套管内绝缘发热，电压致热型，因此，本实施例中的损失函数采用分类交叉熵损失函数。
[0071]
作为一示例，步骤s50中，在互感器故障状态监测模型训练完成后，通过该互感器故障状态监测模型对采集的待测互感器红外图像进行快速且准确地识别，得到互感器状态监测结果，以实现对电子式互感器运行状态的监测。
[0072]
在一实施例中，如图3所示，步骤s10，获取训练互感器红外图像，并通过超像素分割算法从训练互感器红外图像中提取校验故障区域样本，具体包括如下步骤：
[0073]
s11：获取训练互感器红外图像，并对训练互感器红外图像进行二值化处理，得到二值化图像；
[0074]
s12：通过超像素分割算法确定二值化图像中的故障点，并以故障点为中心查找包含故障点的连通区域，从连通区域的最小外接矩形边缘出发，以宽高比为步长移动，当最小外接矩形中灰度值为0的像素个数与最小外接矩形对应的总像素个数之比大于预设比值(如0.5)，则停止移动，获取对应的图像区域作为校验故障区域；
[0075]
s13：基于校验故障区域形成校验故障区域样本。
[0076]
作为一示例，步骤s11-步骤s12中，由于大部分电子互感器的故障区域仅为一个故障点，单纯对此故障点进行分析无法确定故障区域的准确位置和具体的故障类型，因此，本实施例将以故障点为中心，包含故障点的连通区域确定为故障区域。
[0077]
在得到训练互感器红外图像后，首选对获取的训练互感器红外图像进行二值化处理，得到二值化图像。在二值化图像中，温度的高低对应不同的灰度值，根据阈值分割出互感器设备区域和非互感器设备区域，非互感器设备区域作为背景区域，和设备区域在灰度上有明显区隔。
[0078]
通过阈值分割可以得到含有互感器设备区域的二值图像，在此二值化图像中故障点和互感器设备区域是连通的，以故障点为中心查找包含故障点的连通区域并从连通区域的最小外接矩形边缘出发，以宽高比为步长向外移动，当最小外接矩形中灰度值为0的像素个数与最小外接矩形对应的总像素个数之比大于预设比值(如0.5)，则停止移动，即n
zero
/n
all
》0.5，则停止移动，其中，n
zero
为最小外接矩形中灰度值为0的像素个数，n
all
为最小外接矩形对应的总像素个数，将得到的故障设备部位的故障点的连通区域作为校验故障区域。
[0079]
作为一示例，步骤s13中，基于上述步骤s11-s12，对获取的所有训练互感器红外图像进行对应的处理，形成校验故障区域样本。
[0080]
在一实施例中，如图4所示，步骤s12中，通过超像素分割算法确定二值化图像中的故障区域，具体包括如下步骤：
[0081]
s121：通过超像素分割法对训练互感器红外图像的初始聚类中心和预设搜索区域中的像素进行计算隶属度计算，确定重叠区域和非重叠区域；
[0082]
s122：通过hsv颜色模型，将每个非重叠区域内的颜色分量用该区域内的颜色分量均值替代，并基于颜色分量均值对每个非重叠区域进行分割，得到分割图像区域ri；
[0083]
s123：通过故障区域提取算法对每个分割图像区域ri进行计算，得到校验故障区域。
[0084]
其中，初始聚类中心指采用fcm聚类算法对二值化图像中的像素点进行聚类计算，得到的聚类中心。
[0085]
初始聚类中心的具体确定过程为：在对训练互感器红外图像进行二值化处理，得到二值化图像后，采用fcm聚类算法对二值化图像中的像素点进行聚类计算，得到的聚类中心作为初始聚类中心。
[0086]
作为一示例，步骤s121中，在得到二值化图像后，将初始聚类中心对应的像素点作为中心像素点，预设搜索区域中除中心像素点外的像素点作为非中心像素点，计算中心像素点与对应预设搜索区域中每一个非中心像素点的隶属度值，将计算得到的隶属度值大于中心像素点的隶属度值的非中心像素点确定为超像素；
[0087]
将超像素对应的区域作为非重叠区域，非超像素对应的区域作为重叠区域。
[0088]
作为一示例，步骤s122中，在确定重叠区域和非重叠区域时，根据hsv模型对每个非重叠区域进行特征提取，即就是将每个非重叠区域内的颜色分量用该区域内的颜色分量均值替代，并按照分割阈值对每个区域的颜色分量均值进行划分，以完成对各非重叠区域的分割，得到分割图像。本实施例将分割阈值设为：h》0.65，s》0.5，v》200。
[0089]
作为一示例，步骤s123中，在得到分割图像区域ri后，通过故障区域提取算法对每个分割图像区域ri进行计算，得到校验故障区域。
[0090]
其中，故障区域提取算法的具体计算过程为：
[0091]
(一)对分割后的每个分割图像区域中的像素值进行归一化处理，得到归一化灰度；(二)对每个分割图像区域对应的归一化灰度进行均值计算，得到各分割图像区域的平均亮度(三)通过每个分割图像区域内的像素点个数n
ri
和该分割图像区域中的最小凸边形面积c
ri
计算对应分割图像区域的凹凸度s
ri
；(四)计算每个分割图像区域的边缘到该分割图像区域的中心位置的最小值作为分割图像区域的中心距离d
ri
；(五)调用故障区域计算公式，对每个分割图像区域的平均亮度凹凸度s
ri
和中心距离d
ri
进行计算，将计算得到的最大值作为校验故障区域。
[0092]
上述故障区域计算公式具体为：
[0093][0094]
式中，f表示校验故障区域，表示第i个分割图像区域的平均亮度，表示第i个分割图像区域的凹凸度，表示第i个分割图像区域的中心距离。
[0095]
在一实施例中，多尺度变换深度神经网络模型包括编码器、空间变换器网络和解
码器；其中，编码器块包括一个内核大小为3
×
3的卷积层，卷积层之后是激活层，激活层的激活函数选用relu函数，激活层之后是最大池化层。该模型的训练过程主要包括两个阶段：第一、训练一个自动编码器用于从多个尺度提取图像特征；第二、使用空间变换器网络(spatio-transformer network，st)融合策略融合第一步提取的多个尺度的图像特征，如图5所示，步骤s30中，将校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中进行迭代训练，具体包括如下步骤：
[0096]
s31：将校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中，通过编码器提取多个尺度的深层特征图；
[0097]
s32：在提取多个尺度的深层特征图后，空间变换器网络对提取的多个尺度的深层特征图进行融合，得到融合特征图；
[0098]
s33：解码器对输入的融合特征图进行解码，并将解码后的特征信息输入到全连接层的分类器中进行分类，以完成训练样本的迭代训练。
[0099]
作为一示例，步骤s32中的st网络包括空间分枝和变换器分枝；其中，空间分枝包括卷积层和瓶颈层，变换器分枝包括基于轴向注意力的变换器。
[0100]
在提取多个尺度的深层特征图后，通过空间分枝的卷积层和瓶颈层从每个尺度的深层特征图中捕获局部特征，通过变换器分枝的基于轴向注意力的变换器对所有尺度的深层特征图进行全局上下文特征学习，用于捕获远程依赖项特征；采用轴向注意力机制将单个序列的不同标记关联起来，以便计算同一序列的特征，提高计算效率。
[0101]
具体地，在轴向注意力机制中，首先在深层特征图的高度轴上执行，然后在宽度轴上执行，从而降低计算复杂度。对于给定的输入，沿高度轴的自注意力可以计算为：
[0102][0103]
式中，y
ab
表示给定输入对应的沿高度轴的自注意力，a表示深层特征图中像素在宽度轴上的位置,b表示深层特征图中像素在长度轴上的位置，h表示深层特征图像中像素在高度轴上的位置，h表示图像的总高度，q
ab
表示宽度轴为a,长度轴为b位置处像素点的查询，k
ab
表示宽度轴为a,长度轴为b位置处像素点的键，v
ah
表示宽度轴为a,高度轴为h位置处像素点的值，r
ah
的宽度轴为a,高度轴为h位置处像素点的位置嵌入。
[0104]
添加局部特征和远程依赖项特征，可以获得包含增强的局部和全局上下文信息的融合特征图。此外，在多个尺度上应用st融合策略，然后将其转发到解码器网络以获得最终的融合特征图像。本实施例中的st网络结构示意图如图6所示。
[0105]
进一步地，通过步骤s31-s33可知，步骤s40中的损失值包括两部分：特征相似度损失值和结构相似性损失值用公式具体表示为：
[0106]
l
fuse
＝l
feat
αl
det
[0107]
式中，l
fuse
表示模型输出结果与对应样本标签的损失值，l
det
表示结构相似性损失值，l
feat
表示特征相似度损失值，α表示调节因子。
[0108]
其中，结构相似性的计算公式具体为：
[0109][0110]
其中，x和y分别表示融合和输入的源图像，u
x
表示x像素的均值，uy表示y像素的均值，σ
x
表示x图像像素的方差，σy表示y图像像素的方差，σ
xy
表示x和y像素的协方差。
[0111]
本发明提供的一种基于互感器状态监测方法，通过超像素分割算法从所述训练互感器红外图像中提取校验故障区域样本，并对校验故障区域样本进行打标，在打标完成后，将校验故障区域样本和对应的标签输入到多尺度变换器深度神经网络中进行模型训练，以得到互感器故障状态监测模型，通过训练得到的互感器故障状态监测模型对故障位置进行分类识别，从而确定互感器的运行状态信息，提高互感器状态监测的准确性。
[0112]
在一实施例中，提供一种基于互感器状态监测装置，该一种基于互感器状态监测装置与上述实施例中一种基于互感器状态监测方法一一对应。如图7所示，该互感器状态监测装置包括样本获取模块10、样本打标模块20、模型训练模块30、故障状态监测模型生成模块40和模型识别模块50。各功能模块详细说明如下：
[0113]
样本获取模块10，用于获取训练互感器红外图像，并通过超像素分割算法从训练互感器红外图像中提取校验故障区域样本；
[0114]
样本打标模块20，用于对提取的校验故障区域样本打标，得到样本标签；
[0115]
模型训练模块30，用于将校验故障区样本和对应的样本标签作为训练样本，输入到多尺度变换深度神经网络模型中进行迭代训练，获取模型输出结果；
[0116]
故障状态监测模型生成模块40，用于计算模型输出结果和对应的样本标签的损失值，当计算得到的损失值在预设损失阈值范围内，则停止训练，并将对应的多尺度变换深度神经网络模型作为互感器故障状态监测模型；
[0117]
模型识别模块50，用于通过互感器故障状态监测模型对待测互感器红外图像进行识别，获取互感器状态监测结果。
[0118]
关于一种基于互感器状态监测装置的具体限定可以参见上文中对于一种基于互感器状态监测方法的限定，在此不再赘述。上述一种基于互感器状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0119]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0120]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。