基于量子神经网络的变电站热像诊断研究

施德州

摘 要：随着电网规模的不断扩张，变电站的数量也日益增加，要保证可靠供电对于变电站可靠的运行维护就显得非常重要，本文针对现阶段大型变电站的特点，采用量子神经网络的方法对变电站的故障类型采用红外诊断的方法，采用了最大类间差法（OTSU）对变电站中的设备进行处理，通过对采样数据的分析判断变电站的故障类型和应对策略。研究表明，该方法可适用于变电站的故障诊断，评估准确率很高，故障诊断率大大提高，可以适用到各变电站中，从而提升设备运行的稳定性以及电网的可靠性。

关键词：量子神经网络 红外成像 变电站 故障诊断

中图分类号：TM63 文献标识码：A 文章编号：1672-3791（2018）11（a）-00-03

随着电网的发展和规模饿不断扩大，电网的结构日益复杂，变电站的数量也日益增多，在电网日常运行过程中，设备的状态是应对故障排除隐患的最重要的指标，对设备状态的检测就显得尤为重要。

目前国内外对于变电站故障检测的方法有很多的研究，传统的检测方法主要包括事前预防事后检测，但随着设备数量大规模的增长，事前预防事后检测的方法会占用大量人力、物力，导致部分设备因检修周期过长造成经济损失。变电站相关设备是以相关部位的温度进行评判，从热力学出发，本文将用红外成像技术用在智能变电站的故障诊断，将量子神经网络和红外故障检测技术结合起来，提高检测效率，减少停电时间，增大电网的安全稳定运行。

1 红外成像原理

在电力系统中采用红外成像进行故障诊断的方法已经广泛应用于国内外的研究以及生产生活中，该技术在电力系统中使用的关键是如何将红外成像的数字图像中的有效信息提取出来，进行有效的故障诊断的判断。

本文针对变电站运行过程中出现的特点，本文为了提升红外数据特征值的采集效率，通过对图像进行分割，建立算法模型，减少传统中的算法过慢，周期过长的特点，有效解决传统算法的不足。

2 红外成像特征值提取

本文通过对变电站测试得到的红外图像对齐进行处理，设备状态评估的效果很大程度上受到特征值是否提取完善，图片是否分割的清晰明了决定。本文采用灰度最大熵法进行红外成像的特征值提取。首先提取变电站红外摄像图，将其通过灰度分为两类，灰度的分布是方差，方差反映出两个图像的差别。当方差越大，图像的两个部分也就越大，依据这一思路；当方差为最大值时，目标和背景的差异最大，达到最小误判概率，可以被视为最佳阈值分割。图1为某变压器套管的红外热像图及对应分割图。

提取红外热像特征信息如下。

在神经网络中的模式识别分类器的关键是提取有效的特征信息。常见的红外图像特征值有很多，通常采用矩阵的形式进行记录信息，对于不同的方面，矩阵的冗余度不同，随着矩阵阶数的增长而增加，本文考虑到国内外采用信息矩阵的采样方法使用Zernike矩阵应对变电站中的噪声灵敏度，在真实图像的反映以及图像真实的还原上都具有较好的性能，尤其适用于电力系统。

在变电站红外成像的过程中，不同电压等级、不同地理位置的站成像各异，针对图像的尺度变化，可对图像进行归一化处理，得到其Zernike 矩为：

（1）

本文采用式（1）提取12个变电站主要特征值作为网络分析的初始参数，包括变电站设备温度、湿度、运行水平、设备年龄状态等。

3 QNM故障诊断模型

本文为了将变电站的多重信息统一化，采用量子神经网络（Quantum Neuron Model，QNM）的方法对红外成像的输入输出之间建立有机的联系如图2所示。

神经网络模型的学习过程主要有如下几步。

（1）初始化量子层：输入输出层数为n，量子间的竞争设为m，权重设置为Wj（Wj是0～1之间的随机数）。

（2）输入模式：将输入向量带式（1）中，第k次的输入量维度为：

Xk=[xk1，xk2，…，xkn] （2）

其中，Xk的值将被随机选取或从训练集中循环选取。

（3）计算所有神经元的距离：使用标准的欧氏距离计算如下。

（3）

（4）确定生存神经元：输出通常是权重向量与输入向量XK最近的神经元。

（4）

（5）更新节点数据：一旦新的神经元确立，量子神经元会通过上式不断学习更新每个节点的数值，并根据下式进行强化。

（5）

（6）选择新的输入，并循环上述步骤，直到所得结果收敛（量子神经元网络稳定）。新的量子网络神经元稳定后，新的数据将被用作准则继续用来训练新的输入量，采用使用次数和最近一次的迭代结果对结果进行修正最后输出，在下次迭代时可从“最优路径”快速学习。

4 实例分析

本文将在不同的环境温度，不同的运行状态下，采集的变压器套管为例，取用56组红外热像数据，如表1所示。

本文的诊断结果分为故障和正常两种情况，输出分别由1，2结果如图3所示，其中图形下部斜杠条纹为正常，上部出现砖块形状为故障，其他颜色为可疑、需要进一步确认信息，白色为无用信息。

上述数据进行数据分析，如图4所示，经本文QNM故障检测准确率可高达95%以上，而对比经过BP神经网络进行诊断，诊断率是57.14%，本文采用的方法准确率大大提升，从而提高电力系统稳定性。

5 结语

本文利用紅外成像对运行中的变电站进行故障诊断，提取设备的相对温度分布特征利用Zernike矩阵特点带入到QNM算法中，对变电站的运行水平评估，从而对运行中的变电站分级，对有安全隐患的变电站分类，有效地进行故障诊断，变电站的故障监测诊断率和运行效率有效提升。

参考文献

[1] A. Rogalski. Recent Progress in Infrared Detector Technologies [J]. Infrared Physics & Technology，2011， 54（3）：136-154.

[2] 许向阳，宋恩民，金良海.Otsu准则的阈值性质分析[J].电子学报，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.