CN106124949B - 一种基于热红外成像技术对绝缘子故障在线监测方法 - Google Patents

Abstract

本发明公开了一种基于热红外成像技术对绝缘子故障在线监测方法，钢帽部分采用矩形框选点法、绝缘子串部分采用线段选点进行坐标温度转换，由绝缘子故障检测算法得出低值绝缘子特征量、零值绝缘子特征量、绝缘子积污特征量和绝缘子破损特征量四类温度参数特征量，结合环境温度、湿度和污秽状况，选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，给出局部信息融合判断的结果，提交给决策级进行全局决策，提高信息融合模型的精度，清晰的划分出故障和非故障，减少误判率，采用多特征量监测，并综合多种特征量数据和绝缘子故障判断模型进行故障判别，因此监测数据的可靠性得到提高。

Description

一种基于热红外成像技术对绝缘子故障在线监测方法

技术领域

本发明属于输变电设备运行状态检修领域，尤其是一种基于热红外成像技术对绝缘子故障在线监测方法。

背景技术

作为一种高压绝缘控件，对固定自发电厂输电，到变电站输电，再经由各级高压母线支线等高压输电线路，最终到达各级用电单位，绝缘子串无处不见。然而，绝缘子串也作为一种常用绝缘控件，应用在外界各种恶劣环境当中，时刻经受着大自然的考验。其一，在运行过程中，绝缘子串暴露在大气污染严重的地区时，极其容易受到污秽物附着在绝缘子表面，于此最不好的结果就是使得绝缘子***表层泄露电流剧增，造成性能受损，进而妨碍电力网络稳定工作；其二，在高强度的风雨雪冰雹或雷击等自然灾害的冲击下，经受长期的无规则抖动高压电线，使机械负荷不断地顺沿着高压线传导到绝缘子，再加上产生电弧效应并灼伤内部结构，容易对绝缘子造成侵蚀、磨损甚至表面出现横向或者纵向的裂痕，而引起的裂纹均将导致被测范围温度散布异常；其三，绝缘子串在高强度的电场作用下，由于受到高电压强电流和机械负荷的联合作用下，导致实际绝缘电阻劣化，当劣化以致导通电压小于干闪电压时，在这样的情况下就会被定义叫做“低值绝缘子”；一旦内里的导通电压数值越来越低直至完全归零后，这种情况就被叫做“零值绝缘子”。可知，如果绝缘子出现这两种劣化电阻的情况时，由于其内部击穿电压极小甚至为零，也就相当于绝缘子“短路”了，这样一旦遭受雷击天气或者发生工频闪络时，低值、零值绝缘子内部将很容易被强电流流过，进而又因焦耳热反应产生高温，以致部分悬状绝缘子的一些关键位置经受不了高温而炸碎或者严重受损，如钢帽。不能再固定高压电线而导致电线落地等严重事故。因此，以上所述两种绝缘子是最严重也是最需要预防的故障。

所以，为了预防出现以上所述三种绝缘子故障，必须及时提前发现并更换劣化的绝缘子，方可保证电网的稳定运行。但又由于绝缘子经常处于工作状态，不能随便停电拆卸检修，因此既为了确保输电线路的正常运行，又不会因检测故障而造成不必要的停电损失，必须寻求一种行之有效的方法来检测绝缘子是否存在故障。

目前中外对绝缘子的故障诊断技术大致可以归结为利用绝缘子的表征状态的一个或者多个特征量进行正常绝缘子和异常绝缘子的比对得出故障数据，进而判断出是何种绝缘子故障。按照发展历程来看，以下绝缘子故障检测技术均有被应用到电网绝缘子故障诊断过程中，分别有以下几种方法：微波辐射检测法根据微波段的辐射特性来检测绝缘子的污秽级别，远距离操作，但受天气温湿度、微波入射角和天线波束影响；超声波检测法根据声波在断裂层空隙的反射和波形转换规律，用于诊断开裂绝缘子，高灵敏度低成本，但受自身耦合和衰减特性，以及温度因素影响，只对开裂绝缘子有效；电波诊断法主要对问题绝缘子发出无线电波进行检测，并根据该电波的特征来判断，操作装置简易便捷，但易受干扰，且需逐个检查较耗费人力；激光多谱勒检测法检测开裂绝缘子，通过使用激光使绝缘子振动，与良好绝缘子对比检测，精度较高，但装置笨重，不好移动；电场检测法主要用来检测隔电绝缘性能，当出现导通故障时，使电场强度降低，而电场的分布曲线发生畸变，比对绝缘子位置即可找出故障位置，不易受到外界的干扰，但需爬杆进行检测，部分绝缘子伞裙位置无法检测；泄漏电流检测法根据劣质绝缘子因为出现电阻降低的问题而产生的泄露电流来检测出对应的电阻值，可以据此判断出绝缘子污秽度，而绝缘电阻还可进一步推断出是否存在低值零值绝缘子，装置精度较高，但成本昂贵，受天气因素比如温湿度影响；脉冲电流检测法经数字处理技术处理后得出脉冲幅值和频率，进而得知绝缘子运行状态，主要检测绝缘子的绝缘状况，精度较高，但操作困难；紫外成像检测法根据缺陷绝缘子在局放过程中发射的紫外线来推断绝缘子放电程度和发射位置来找出绝缘子的故障缺陷位置；红外技术测温法根据检测故障绝缘子因开裂或者绝缘电阻降低故障而产生的局部放电或者泄露电流引起局部升温异常现象，进而给出绝缘子是否存在低零值、内部或表面开裂以及污秽程度等故障诊断信息等。

发明内容

本发明的目的是提供一种基于热红外成像技术对绝缘子故障在线监测方法，通过热像仪检测比较温度的差异进行判断，监测细微温度变化，可以有效发现和判断隐患缺陷，方便及时消除和检修可疑故障。

为实现上述目的，本发明采用下述技术方案：

一种基于热红外成像技术对绝缘子故障在线监测方法，包括以下步骤：

1)对绝缘子远距离架设热红外成像装置，通过热红外成像设备监测获取所述绝缘子的表面温度分布信息；

2)根据绝缘子故障时的温度表面分布信息、环境温度信息，建立绝缘子故障判断模型，其中，将绝缘子故障判断分成钢帽部分和绝缘子串部分，在故障判断时，根据获取的环境温度、绝缘子表面温度分布以及温度突变特征选取点获取低值绝缘子特征量、零值绝缘子特征量、绝缘子积污特征量和绝缘子破损特征量四类温度参数特征量，如果绝缘子有区域出现超过安全值范围的数据，则通过热像信号解调后得到绝缘子的故障特征量；

3)将上级融合中提取出的能反映绝缘子故障征兆的四类温度参数特征量的数值进行归一化处理，所有数据归一化到[0,1]之间的数据：

得到一组可信度的输入量；

4)将上述四类温度参数特征量作为PNN的输入，选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，经过训练后的神经网络能利用存贮在网络结构、权值和阀值中的诊断推理知识进行初步的模式分类和故障位置识别，最后给出局部信息融合判断的结果，然后提交给决策级进行全局决策；

5)根据神经网络的输出，决策级的识别框架为{(A₁),(A₂),(A₃)}，在训练PNN网络样本时，神经网络的输出并不等于0或1，而是一个介于0和1之间的有理数，将每个输出作为一个独立的证据，使之成为各种状态的可信度分配，将两个子PNN的网络的输出按照钢帽部分和绝缘子串部分进行的融合计算。

进一步地，步骤2)中，钢帽部分采用矩形框取温法，当矩形框内最大温差值小于正常温差值时，则可判断为正常无故障钢帽；当矩形框内最高温度点与表面温度均值之差大于1K时，则判断为低值绝缘子特征量；当矩形框内最低温度点比表面温度均值低超过1K的，则判断为零值绝缘子特征量；绝缘子串部分采用线段取温法，当测得线段内最大温差低于正常温差范围时，则属于无故障绝缘子；如果测得线段内最高温与表面温度均值之差大于0.5K小于1K时，判断是绝缘子积污特征量；如果测得线段内最高温与表面温度均值之差大于2K时，则判断是绝缘子破损特征量。

进一步地，步骤4)中选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，钢帽部分温度特征参数子网络1的三层节点数为5-8-4，钢帽部分温度特征参数子网络1的输入节点分别为低值绝缘子温度特征量、零值绝缘子温度特征量、污秽程度、环境温度、相对湿度；绝缘子串部分温度特征参数子网络2的三层节点数为5-6-4，绝缘子串部分温度特征参数子网络2的输入节点分别为绝缘子积污特征量、绝缘子破损特征量、污秽程度、环境温度、相对湿度；钢帽部分温度特征参数子网络1和绝缘子串部分温度特征参数子网络2的输出节点包括低值绝缘子输出、零值绝缘子输出、绝缘子污秽输出、绝缘子破损输出。

本发明的有益效果是，

本发明绝缘子故障判断分为钢帽部分和绝缘子串部分分别进行判断，钢帽部分采用矩形框选点法进行坐标温度转换，绝缘子串部分采用线段选点进行坐标温度转换，由绝缘子故障检测算法得出低值绝缘子特征量、零值绝缘子特征量、绝缘子积污特征量和绝缘子破损特征量四类温度参数特征量，并且结合环境温度、湿度和污秽状况选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，给出局部信息融合判断的结果，然后提交给决策级进行全局决策；将两个子PNN的网络的输出按照钢帽部分和绝缘子部分进行的融合计算，经过D-S证据理论组合规则得到融合结果，能较好的将结果的概率数值朝正确的结果靠近，降低不确定度和误判率。将最后的识别结果分别按照时间域和空间域进行融合，能够更好的将绝缘子的故障分类出来。这样能提高信息融合模型的精度，清晰的划分出故障和非故障，减少误判率。采用多特征量监测，并综合多种特征量数据和绝缘子故障判断模型进行故障判别，因此监测数据的可靠性得到提高。

附图说明

图1是本发明算法流程图；

图2是图像坐标转化温度原理图；

图3是线段、矩形框选点原理图；

图4是绝缘子故障检测算法原理图；

图5是特征级融合结构示意图；

图6是钢帽部分和绝缘子串部分D-S融合示意图；

图7是故障实测图片一；

图8是故障实测图片二；

图9是故障实测图片三。

具体实施方式

如图1所示，一种基于热红外成像技术对绝缘子故障在线监测方法，包括以下步骤：

1)对绝缘子远距离架设热红外成像装置，通过热红外成像设备监测获取所述绝缘子的表面温度分布信息；

2)根据获取的环境温度、绝缘子表面温度分布以及温度突变特征选取点获取低值绝缘子特征量、零值绝缘子特征量、绝缘子积污特征量和绝缘子破损特征量四类温度参数特征量；

3)将上级融合中提取出的能反映绝缘子故障征兆的四类温度参数特征量的数值进行归一化处理，所有数据归一化到[0,1]之间的数据，得到一组可信度的输入量；

4)将上述四类温度参数特征量作为PNN的输入，选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，给出局部信息融合判断的结果，然后提交给决策级进行全局决策；

5)根据神经网络的输出，决策级的识别框架为{(A₁),(A₂),(A₃)}，在训练PNN网络样本时，神经网络的输出并不等于0或1，而是一个介于0和1之间的有理数，将每个输出作为一个独立的证据，使之成为各种状态的可信度分配，将两个子PNN的网络的输出按照钢帽部分和绝缘子串部分进行的融合计算。

本发明选用了型号为IRS S45-A的热红外成像仪，由以太网进行传输，具体数据配置如表1、表2所示：

表1红外成像模块参数表

由表1可知，本设计采用的热像仪具有较高的分辨率，检测的红外线波长范围集中在中到远长度范围的红外线，也就是“大气窗口”高穿透率的波长范围。测温范围在(零下20℃到350℃)，符合绝缘子的测温范围。所得的热像图可以显示不同的调色板，本设计采用铁红调色板，颜色趋向艳红则高温，趋向蓝黑则为低温，可以直接由热像图得到所测区域的最大/最小/平均值/极差温度值，符合研究的数据需要。

表2以太网传输模块参数表

由表2可知，本设计由热像仪捕获视野范围目标的红外辐射能量后，经由数字处理技术处理后，通过以太网传输模块进行传输控制操作指令、可视图像和其他数据，采用RJ-45连接器，符合TCP，UDP，HTTP通讯协议。

另外本设计的IRS S45-A热红外成像仪物理性能如表3所示，本装置采用24V直流电源为热像仪进行供电。

表3热像仪物理性能表

在电网正常运行工作的时候，绝缘子串的散布电压主要是与绝缘子的本身以及导线的部分电容有关联，而与其本身的电阻数值没有关联。无故障运行工作的绝缘子串的散布电压所呈现的散布状态相对比较平缓，基本不存在大波动，先是随着绝缘电阻值的增大而缓增，达到电压峰值后随着绝缘电阻值的增大平缓下滑，最终稳定在一个常值。绝缘子串的温升情况也呈现出类似的散布状态，绝缘子串的端点部分相对中间部分温度偏高，而端点到中间部分的温度则是平缓下滑。

当绝缘子串出现内部电阻劣化后，其阻值会降低，并且绝缘子串的散布电压及发热情况也会随之改变。经科学研究发现，当绝缘子内部电阻超越300兆欧时，绝缘子的散布电压成为一个恒值，此时也是在正常绝缘子范畴之内；如果发生劣化后，比如内部电阻值降低到10到300兆欧，此时泄露电流增大，根据电流的焦耳反应可知绝缘子串的发热效果将比正常绝缘子的发热效果要明显，其温升也将比无故障绝缘子串要明显；如果内部电阻降低到5兆欧或者更低时，绝缘子串的散布电压将变得很低，发热效果反而会比无故障绝缘子串要明显的低，而温升也比无故障情况下要低。由此可得，当绝缘子绝缘电阻劣化后成为的低值绝缘子所呈现的热像图以钢帽中心温升偏高于周边温度的情况，悬状或玻璃绝缘子的钢帽温度偏高；而零值绝缘子则对比其附近的无故障绝缘子来说，将呈现出较暗色彩的热图，悬状或玻璃绝缘子钢帽温度偏低。

当绝缘子串所处的环境污染较为突出时，或者因为一些自然天气比如雨雪沙尘暴雾霾长期积污时，绝缘子瓷瓶***表层将由于污垢累积导致***的阻性变弱，而此时流经瓷盘***的泄露电流将发生剧增，进而导致瓷盘表面发生温升现象。通常这个温升不是十分明显，必须采用高精度的热像仪才检测，而本设计采用的IRS S45-A热红外成像仪可以满足这个要求。

当绝缘子串经受长期使用后或者遭受雷击天气，又或者是导线抖动等机械原因造成损伤，以及高电流产生的电弧灼伤，均会造成绝缘子串产生横向或纵向的裂纹，此时的热像图检测到将是表面温度无异常，而发生故障的位置将可能存有相对略大的温度差，可初步推断是产生了裂纹。

绝缘子的异常现象，如表面污秽、出现裂纹、绝缘性能下降等等，都可以通过热像仪检测比较温度的差异进行判断，对高压绝缘子的判断更加明显。监测细微温度变化，可以有效发现和判断隐患缺陷，方便及时消除和检修可疑故障。以下分别为绝缘子的几种故障对应的检测标准：

(1)故障类别一：绝缘子内部电阻性能下滑，效果下降，被称为低/零值绝缘子。

对应检测方法：如果是悬状的瓷制或玻璃绝缘子，并且其钢帽部分温度会相对偏高，表面温差超过1k的话，称做低值绝缘子。如果同样是该种绝缘子，并且其钢帽部分温度相对偏低，表面温差超过1k的话，就称做零值绝缘子。

(2)故障类别二：绝缘子***表层污垢严重堆积，因为不均匀放电造成温度异常，并且***泄露电流同样不均匀分布。

对应检测方法：悬式瓷或玻璃绝缘子局部温度偏高，温差超过0.5-1k，可能原因表面污秽导致绝缘子泄露电流增大引起。

(3)故障类别三：绝缘子破损，横向或纵向裂纹造成温度异常。原因是机械损伤和电弧灼伤。

对应检测方法：表面无明显温度异常，横向和纵向比较温差较大，初步判断为裂纹缺陷。还可采用比较法，如果相间温差大，超过2K，则是产生了裂纹。

在热像仪拍摄好一张热像图后，我们需要把热像图的图像转化成温度，也就是将显示的界面通过程序的设计求出每一个点的对应温度出来。本设计采用的转化技术是坐标法，把拍摄显示的热像图中建立一个二维坐标，设置一个原点、两条坐标轴，然后热像图选一个点就可以获知这个点对应的坐标(x,y)，然后经过调用核心函数(Values[x,y]-273.15F)函数求出坐标点的温度。具体说明可以参考下图2所示。

如图3所示，目前本***设计了两种选定区域的方法，一种是两点成线法，根据两点成线原理，先点击选定两个纵横坐标互不相同的点作为线段端点(x1,y1)、(x2,y2)，通过数学运算得到一次函数y＝Ax+B，通过纵横坐标加1单位长度，得出这条线段内所有点的坐标，然后再调用(Values[x,y]-273.15F)函数求出所有坐标点的温度，也就是线段内每一处的温度数据。另一种是两点成面法，同样选定两个纵横坐标互不相同的点作为矩形框对角点(x3,y3)、(x4,y4)，然后互换坐标即可得到另外两个对角点(x3,y4)、(x4,y3)，从而形成一个矩形平面，此时通过程序设计找出矩形框内纵横坐标最小的点，比如假定已知(x3,y3)为纵横坐标最小的点，先让y3不变，x3横坐标加1单位长度，直至到x4时，y3加1单位长度，再让x3加1单位长度，直至到x4时。如此类推，直至最后找到(x4,y4)坐标为止，就可得到矩形框内所有点的坐标，进而再调用(Values[x,y]-273.15F)函数求出所有坐标点的温度，也就是矩形框内每一处的温度数据。

现将特征量分类如下：从空间上划分，将特征量分为钢帽部分温度特征参数和绝缘子部分温度特征参数；在故障判断时，首先对获取的所述环境温度、和绝缘子表面温度分布以及温度突变特征选取点获取如图4所示的4类温度参数作为绝缘子温度参数特征量。另外加入环境影响因素特征参数

如果绝缘子有区域出现超过所述安全值范围的数据，则通过热像信号解调后得到的绝缘子的故障特征量。为了便于后面的部分进行处理首先将四个特征量的数值进行归一化处理,将所有数据归一化到[0,1]之间的数据：

得到一组可信度的输入量。而故障点的位置则关注钢帽部分和绝缘子部分两个区域,故障区域的判断依靠热像图像的温度异常区域的选定，为手工操作识别。这样一个过程称之为像素级融合。

采用PNN进行特征级融合，将上述提到的特征量作为PNN的输入，经过训练后，神经网络能利用存贮在权值和阀值中的诊断推理知识进行初步模式分类和识别，然后给出局部信息融合的结果，提交给决策级进行全局决策。

PNN概率神经网络直接从训练样本载入数据并更新网络权值，除样本数据外无需大量的训练，可以由新的特征量的输入计算输出的概率函数:

PNN概率神经网络的训练过程如下:

1)根据***输入输出序列(X,Y)，确定输入层节点数n和隐层神经元个数l，以及确定输出竞争层神经元个数m；神经元个数是特征相量的维数。

2)隐层输出计算：PNN一般分为4层:输入层、模式层、求和层和输出层，训练样本为上面抽取的特征量。输出相量M表示输入的训练样本属于各类的概率密度函数，计算公式如下：

式中：m为类别数，T为输入样本数，W_ij为权值，σ为平滑参数；

求和层计算相量M的加权和S，

其中，

3)输出层输出计算，

计算求和层输出

Output＝maxS_i(X)。由此得到PNN的模式层，并将其作为PNN的初始化网络，同时计算所有样本的识别率R_i，如果识别率大于设定的阀值则本次迭代结束。每轮迭代都新添加样本权值其中为所有样本的识别率(K为调整指数)，原有样本权重按照下式进行更新保证权重值处于一种衰减状态。

由此可以对输出层进行迭代微调整：从而更新PNN网络，由此重复计算直至识别率达到设定的阀值。

如图5所示，该PNN网络用3层节点表示：输入节点x_j，隐节点y_i，输出节点o_l。

用两个PNN神经网络进行特征级融合训练的结构如表1所示。

表3 PNN的结构

表4钢帽部分温度特征参数子网络1

表5绝缘子串部分温度特征参数子网络2

PNN输出可以处理为模式分类问题，也可以处理为数学映射的逼近问题。处理为模式分类问题时，要求有尽可能多的样本来接近模式识别的边界.

表6为PNN输出的期望值，其中，A₁为低值绝缘子输出、A₂代表低值绝缘子输出，A₃为绝缘子污秽输出，A₄为绝缘子破损输出。

表6 PNN期望输出

根据神经网络的输出，决策级的识别框架为{(A₁),(A₂),(A₃)}，在训练PNN网络样本时，神经网络的输出并不等于0或1，而是一个介于0和1之间的有理数。

表7特征级融合的结果

由表7中可以看到，当PNN基本判定样本处于1和2行的状态的时候，很容易判断结果。但是如果出现第3行的输出状况，还不能判断故障与否，显然需要进一步的融合来最终判断***是否稳定。

由于D-S证据理论擅长于解决不确定性问题，将每个输出作为一个独立的证据，使之成为各种状态的可信度分配。

设U表示X所有可能取值的一个论域集合且所有在U内的元素互不相融，则称U为X的识别框架。U的所有子集所构成的集合就是U的幂集，记为2^U。

定义1：函数m：2^U→[0，1]在满足下列条件m(φ)＝0、∑m(A)＝1时，称m(A)为A的基本概率赋值，表示在某条件下对结论A的直接支持。

定义2：识别框U，称为A的似然函数，记为pl(A)。表示确定不是的程度。

则称[Bel(A)，pl(A)]为A的信任区间。

设m₁和m₂是2^U上的两个相互独立的基本概率赋值，焦元分别为A₁,…,A_k和B₁,…,B_r，又设K₁＝Σm₁(A_i)m₂(B_j)＜1，则C≠φ(11)

式中：K₁为冲突因子，若K₁≠1，则m确定一个基本概率赋值；若K₁＝1，则认为m₁、m₁矛盾，不能对基本概率进行组合。

为了说明D-S证据理论是如何融合的，假定绝缘子部分的识别框架为{零值绝缘子,绝缘子污秽},则幂集元素有{(绝缘子破损),(绝缘子污秽),(绝缘子破损,绝缘子污秽)}三个元素,其中元素(绝缘子破损,绝缘子污秽)表示即可能是绝缘子破损也可能是绝缘子污秽,首先进行三次不同采样时刻的融合来说明证据理论的推理过程，实际上就是无法确定究竟是哪一种分类状况.如表8所示,

采样次数	绝缘子破损	绝缘子污秽	不确定
				1	m<sub>1</sub>(A)＝0.45	m<sub>1</sub>(B)＝0.35	m<sub>1</sub>(θ)＝0.2
2	m<sub>2</sub>(A)＝0.7	m<sub>2</sub>(B)＝0.2	m<sub>2</sub>(θ)＝0.1
				3	m<sub>3</sub>(A)＝0.6	m<sub>3</sub>(B)＝0.2	m<sub>3</sub>(θ)＝0.2

表8 PNN子神经网络进行识别后的三次不同采样时刻输入得到的概率输出结果

根据公式(11)将两个子PNN的网络的输出按照绝缘子部分进行的融合计算，

K₁'＝m₁(A)m₂(B)+m₁(B)m₂(A)＝0.45×0.2+0.35×0.7＝0.335

绝缘子破损	绝缘子污秽	不确定
			m'(A)＝0.751880	0.218045	0.030075

将表中第一次融合的结果再与第三次采样的结果进行融合，可以得到：

K'₂＝m'(A)m₃(B)+m'(B)m₃(A)＝0.281203

绝缘子破损	绝缘子污秽	不确定
			0.862	0.130	0.04

可以看出经过D-S证据理论组合规则得到融合结果，能较好的将结果的概率数值朝正确的结果靠近，降低不确定度和误判率。将最后的识别结果分别按照时间域和空间域进行融合，能够更好的将绝缘子的故障分类出来。这样能提高信息融合模型的精度，清晰的划分出故障和非故障，减少误判率。

如图6所示，将热红外成像观测的区域划分为钢帽部分和绝缘子串部分，分别利用前面提到的内容建立的PNN神经网络，通过三次不同的采样时刻，得到三个结果,输出的识别框架变为{(低值绝缘子)，(零值绝缘子)，(绝缘子污秽)，(绝缘子破损)，(不确定)}，按照刚才的例子计算,利用D-S证据理论进行融合，得到时间域和空间域的融合，并由此得到最终的分类结果。

在北京某特高压电站进行实测，以下分析过程为本装置在实测中得到的分析情况。

最高温度	18.3℃
		最低温度	14.5℃
环境温度	14.8℃
		最大温差	3.8℃(最高温度-环境温度)
故障判据	绝缘子局部温度偏高，温差超过0.5-1k
		判别结果	疑似绝缘子表面污秽

表9绝缘子串故障判别分析

由图7、图8和表9可知，该绝缘子满足绝缘子表面污秽的故障特征，在实际检测时测得最大温度和环境温度的数值大于1k，根据前文提供的理论判别依据可以得出疑似绝缘子表面存在污秽的故障。

表10钢帽故障判别分析

由图9和表10可知，该绝缘子满足低值绝缘子的故障特征，在实际检测时测得最大温度和环境温度的数值大于1k，且钢帽部分局部升温异常。根据前文提供的理论判别依据可以得出疑似低值绝缘子故障；而下方的矩形框判别出绝缘子并没有存在明显的异常故障，加上满足正常温度误差波动范围之内，因此可判别出属于正常绝缘子。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (2)

1.一种基于热红外成像技术对绝缘子故障在线监测方法，其特征在于，包括以下步骤：

1)对绝缘子远距离架设热红外成像装置，通过热红外成像设备监测获取所述绝缘子的表面温度分布信息；

2)根据绝缘子故障时的温度表面分布信息、环境温度信息，建立绝缘子故障判断模型，其中，将绝缘子故障判断分成钢帽部分和绝缘子串部分，在故障判断时，根据获取的环境温度、绝缘子表面温度分布以及温度突变特征选取点获取低值绝缘子特征量、零值绝缘子特征量、绝缘子积污特征量和绝缘子破损特征量四类温度参数特征量，如果绝缘子有区域出现超过安全值范围的数据，则通过热像信号解调后得到绝缘子的故障特征量；钢帽部分采用矩形框取温法，当矩形框内最大温差值小于正常温差值时，则可判断为正常无故障钢帽；当矩形框内最高温度点与表面温度均值之差大于1K时，则判断为低值绝缘子特征量；当矩形框内最低温度点比表面温度均值低超过1K的，则判断为零值绝缘子特征量；绝缘子串部分采用线段取温法，当测得线段内最大温差低于正常温差范围时，则属于无故障绝缘子；如果测得线段内最高温与表面温度均值之差大于0.5K小于1K时，判断是绝缘子积污特征量；如果测得线段内最高温与表面温度均值之差大于2K时，则判断是绝缘子破损特征量；

3)将上级融合中提取出的能反映绝缘子故障征兆的四类温度参数特征量的数值进行归一化处理，所有数据归一化到[0,1]之间的数据：

得到一组可信度的输入量；

4)将上述四类温度参数特征量作为PNN的输入，选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，经过训练后的神经网络能利用存贮在网络结构、权值和阀值中的诊断推理知识进行初步的模式分类和故障位置识别，最后给出局部信息融合判断的结果，然后提交给决策级进行全局决策；

5)根据神经网络的输出，决策级的识别框架为((A₁).(A₁).(A₁))，在训练PNN网络样本时，神经网络的输出并不等于0或1，而是一个介于0和1之间的有理数，将每个输出作为一个独立的证据，使之成为各种状态的可信度分配，将两个子PNN的网络的输出按照钢帽部分和绝缘子串部分进行的融合计算。

2.如权利要求1所述的一种基于热红外成像技术对绝缘子故障在线监测方法，其特征在于，步骤4)中选用两个三层PNN概率神经网络分别对钢帽部分和绝缘子串部分进行特征级融合，钢帽部分温度特征参数子网络1的三层节点数为5-8-4，钢帽部分温度特征参数子网络1的输入节点分别为低值绝缘子温度特征量、零值绝缘子温度特征量、污秽程度、环境温度、相对湿度；绝缘子串部分温度特征参数子网络2的三层节点数为5-6-4，绝缘子串部分温度特征参数子网络2的输入节点分别为绝缘子积污特征量、绝缘子破损特征量、污秽程度、环境温度、相对湿度；钢帽部分温度特征参数子网络1和绝缘子串部分温度特征参数子网络2的输出节点包括低值绝缘子输出、零值绝缘子输出、绝缘子污秽输出、绝缘子破损输出。