CN115639442A - 一种中压线路树线矛盾放电故障时序识别方法和*** - Google Patents

Abstract

本发明涉及一种中压线路树线矛盾放电故障时序识别方法和***，包括设置试验箱内各装置的初始化数值，完成试验箱***初始化；在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验，获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；通过支持向量机获得最优的树线放电故障时序判断训练模型；利用所述最优的树线放电故障时序判断训练模型进行树线放电故障的时序识别。

Description

一种中压线路树线矛盾放电故障时序识别方法和***

技术领域

本发明涉及电力设施保护领域，具体为一种中压线路树线矛盾放电故障时序识别方法和***。

背景技术

近年来，随着国家对生态环境保护政策的逐年加强以及国民环保意识的日益提高，通过在林区砍伐通道的做法已行不通。对于全国范围内山区地貌，森林覆盖率较高的地区，在规划设计工作中无法避免中压线路跨越林区。因此，跨越林区、草原的中压电力线路成为目前中压线路供电安全管理的头等大事。在现有技术CN112529291A电网密集输电通道线路引发森林草原火灾预测方法中提出根据所述植被类型风险值、所述雷暴天气风险值和所述大风天气风险值综合预测各网格的线路引发森林草原火灾风险等级。在现有技术中，仅通过各种预测值来预测火灾发生的风险程度，未见有通过真型试验箱面向树线矛盾进行***性、针对性的试验方法研究和分析，进而无法实现森林火灾对线路的影响的试验与测试。同时缺乏现场发生火灾前的导线图像和灾后导线痕迹图像，无法实现判断放电与火灾时序的发生先后和故障检测等技术验证的要求。

发明内容

为了解决上述现有技术中存在的问题，本发明提出了一种中压线路树线矛盾放电故障时序识别方法和***。

本发明的技术方案如下：一方面，本发明提出一种中压线路树线矛盾放电故障时序识别方法，所述试验方法包括如下步骤：

S1、启动试验箱内各装置，且设置好所述试验箱内各装置的初始化数值，完成试验箱***初始化；

S2、在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验，获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；

S3、提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；

S4、将训练样本集代入支持向量机的训练模型中进行迭代训练，将测试样本集代入迭代训练后的训练模型中，所述训练模型的输出结果与测试样本集最为接近时结束训练，获得最优的树线放电故障时序判断训练模型；

S5、利用所述最优的树线放电故障时序判断训练模型进行树线放电故障的时序识别。

作为优选实施方式，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景等处理的具体步骤为：

利用中值滤波进行去噪过程，利用直方图均衡化来增强图像，最后采用Otsu分割的方法完成图像的分割和周围复杂背景的剔除过程。

作为优选实施方式，提取所述特征图像中的图像故障特征具体为：

图像故障特征包括颜色特征、纹理特征、形状特征。

作为优选实施方式，还包括支持向量机内核函数训练模型的选取和相关参数的选取：

支持向量机采用一对一多项式核函数训练模型，其中核函数采用径向基核函数，具体公式如下：

式中，σ为函数的宽度参数，||x-x′||²为两个特征向量之间的平方欧几里得距离；

利用试凑法对支持向量机中训练模型的相关参数进行选取。另一方面，本发明提出一种中压线路树线矛盾放电故障时序识别***，包括：

试验箱模块：启动试验箱内各装置，且设置好所述试验箱内各装置的初始化数值，完成试验箱***初始化，在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验；

图像处理模块：获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；

故障特征采集模块：提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；

模拟仿真模块：将训练样本集代入支持向量机的训练模型中进行迭代训练，将测试样本集代入迭代训练后的训练模型中，所述训练模型的输出结果与测试样本集最为接近时结束训练，获得最优的树线放电故障时序判断训练模型。

作为优选实施方式，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景等处理的具体步骤为：

利用中值滤波进行去噪过程，利用直方图均衡化来增强图像，最后采用Otsu分割的方法完成图像的分割和周围复杂背景的剔除过程。

作为优选实施方式，提取所述特征图像中的图像故障特征具体为：

图像故障特征包括颜色特征、纹理特征、形状特征。

作为优选实施方式，还包括支持向量机内核函数训练模型的选取和相关参数的选取：

支持向量机采用一对一多项式核函数训练模型，其中核函数采用径向基核函数，具体公式如下：

式中，σ为函数的宽度参数，||x-x′||²为两个特征向量之间的平方欧几里得距离；

利用试凑法对支持向量机中训练模型的相关参数进行选取。

另一方面，本发明提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明任一实施例所述的中压线路树线矛盾放电故障时序识别方法。

另一方面，本发明提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任一实施例所述的中压线路树线矛盾放电故障时序识别方法。

本发明具有如下有益效果：

1、本发明经过研究实验所需的各种设备、环境和条件等因素，集成设计了一款试验所需的中压线路树线矛盾真型试验箱，可以实现模拟试验环境可设置、试验物理量全可观、树线矛盾可复现。

2、本发明提出了一种中压线路树线矛盾放电故障时序识别方法，通过中值滤波、直方图均衡化、Otsu分割等方法对现场图像进行处理，减少现场图像内复杂背景对测试结果造成误差。

3、本发明提出了一种中压线路树线矛盾放电故障时序识别方法，选择颜色特征、纹理特征、形状特征三者作为图像的故障特征，从多方面判断图像中故障的来源，减少误差，确保输出的最优的树线放电故障时序判断训练模型的准确性。

4、本发明提出了一种中压线路树线矛盾放电故障时序识别方法，采用支持向量机根据树线放电故障发生的时序对试验图像进行分类，支持向量机在解决小样本的归类问题上面具有更高的效率，缩短了试验所需要的时间成本。

附图说明

图1为本发明流程图；

图2为导线可升降型中压线路树线矛盾真型试验箱；

图3为试验物可升降型中压线路树线矛盾真型试验箱。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

实施例一：

参见图1，一种中压线路树线矛盾放电故障时序识别方法，所述试验方法包括如下步骤：

S1、启动试验箱内各装置，且设置好所述试验箱内各装置的初始化数值，完成试验箱***初始化；

S2、在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验，获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；

S3、提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；

S4、将训练样本集代入支持向量机的训练模型中进行迭代训练，将测试样本集代入迭代训练后的训练模型中，所述训练模型的输出结果与测试样本集最为接近时结束训练，获得最优的树线放电故障时序判断训练模型；

S5、利用所述最优的树线放电故障时序判断训练模型进行树线放电故障的时序识别。

具体实施时，在进行步骤S1前，要完成试验箱的搭建，试验箱内需要用到的材料的清单如下表1所示：

表1试验箱建设材料清单

进行步骤S1前，试验箱的初始化可以分为两种方案，根据不同的试验需要可以选择不同的方案进行试验；

参见图2，方案一为导线可升降，具体步骤如下：

步骤1，在导线下方放置所需试验的树木植被，调节滑动电阻器数值等效对应树根接地电阻。

步骤2，设定冷暖空调、恒温箱、加湿器、大功率风扇等设备数值调节温湿度及风力，模拟不同季节的火灾周围环境；调节π型电感、电容器组模拟10kV线路对地电容和线路阻抗；启动壁挂式摄像头、摄像仪等摄像套装。

步骤3，上电，调节液压升降杆改变不同线树矛盾高度。

参见图3，方案二仅需将步骤3改为：固定线路高度，调节升降台改变不同线树矛盾高度。

在模拟实验中，如何选取试验所需的树木植被类型非常重要，结合现有常见植被种类，为模拟不同植被火焰作用下，考虑不同树木电阻率有所差异，本发明节选5种树木及4种树叶垛为例，即9种类型开展实验。植被类型清单如表2所示：

表2植被类型清单

为对不同高度树木进行模拟，试验箱配备有液压升降杆，可以自由支配高度。针对实际现场，根据现有架空线路典设要求国标弧垂在6.5米以上，结合文献《典型植被火条件下1.2～2.7m导线板空气》，根据实际现场树线距离：0,0.5,1.2,1.7,2.7m五个等级进行匹配采购树木，树径以实际高度进行衡量，不做要求。不同植被类型对应高度清单如表3所示：

表3不同植被类型对应高度清单

先进行森林火灾引起线路(设备)故障试验，本次试验中采取实测树根接地电阻3次取平均值的方式，通过滑动变阻器的方式代替树根接地电阻。

再进行树线放电引起故障，进而导致火灾的试验时，需要改变上述方案中的导线为裸导线，进行无火灾情况下导线对树弧光放电、直接接触树枝放电试验，探究树线放电故障的两类情景。

树线放电引起故障试验中，利用建立电学-热学综合模型计算过渡电阻曲线进行模拟，即电阻率ρ_w-温度T曲线以式(1)模拟，过渡电阻按式(2-3)计算。

式中，ρ₀为参考温度T₀下的电阻率；A、k_m分别为与材料相关的常数，T为数值温度。

式中，R_f0为树木初始电阻；R_∞为树木最低电阻；τ为过渡电阻减小的时间常数，可近似拟合为

h_t为树高。

式中，k_hr为树高半径比。

作为本实施例的优选实施方式，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景等处理的具体步骤为：

利用中值滤波进行去噪过程，利用直方图均衡化来增强图像，最后采用Otsu分割的方法完成图像的分割和周围复杂背景的剔除过程。

作为本实施例的优选实施方式，提取所述特征图像中的图像故障

特征具体为：

图像故障特征包括颜色特征、纹理特征、形状特征。

其中，颜色特征的提取方法为将颜色空间由RGB转到HSV，分别提取H、S、V分量图像，假设图像分量图为fk(x,y)，k∈{H,S,V}，其尺寸为m×n，则颜色低阶矩特征的公式为：

式中，μ_k、σ_k、s_k分别表示HSV颜色矩的均值、标准差、标准偏斜度。

形状特征的提取方法为：Hu矩值具有旋转、缩放、镜像和平移不变形，可以采用所得的矩集唯一描述图像所包含的信息，可以采用7个不变矩来作为图像形状特征：

h₀＝η₂₀+η₀₂

h₂＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

h₃＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

h₄＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

h₅＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)]

h₆＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₃₀-3η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

对应的中心矩表达式如下：

纹理特征的提取方法为：灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,因此图像的纹理特征也可以用灰度共生矩阵表示。

设灰度级为N.图像的灰度共生矩阵为P(i，j，θ，d)，纹理特征含义及计算公式如下：

(1)均值(MEAN)：评价图像的灰度是否均匀的指标。

(2)对比度(CON)：衡量图像中地物清晰水平和沟纹深浅程度的指标。

(3)异质性(DIS)：表示图像中不同地物之间的纹理差异程度

(4)同质性(HOM)：在一幅图像中，同质性既可以反映灰度共生矩阵对角线元素的大小，也可以衡量地物之间纹理信息统一性大小。

(5)熵(ENT)：衡量图像信息量大小，反应各地物纹理均匀程度以及复杂程度的指标。

(6)一致性(UNI)：一致性是表达图像灰度分布是否均匀的指标，也提供了地物纹理粗细的情况，一致性值大致说明图像中的地物整体具有比较均匀、变化比较有规律的纹理结构。

作为本实施例的优选实施方式，还包括支持向量机内核函数训练模型的选取和相关参数的选取：

支持向量机采用一对一多项式核函数训练模型，其中核函数采用径向基核函数，具体公式如下：

式中，σ为函数的宽度参数，||x-x′||²为两个特征向量之间的平方欧几里得距离；

利用试凑法对支持向量机中训练模型的相关参数进行选取。

上述方法为针对非电气量的特征提取与识别，电气量录波可采用相同方法，利用基波与多次谐波结合作为特征量，并放入支持向量机中，同样可以进行时序识别。

基波与多次谐波可以采用小波包变换方法进行分解与重构：

设f(t)为一个时间信号,

表示第j层上的第i个小波包,二进小波包分解的快速算法可表示为:

式中:t＝1,2,3,…,2^J-j,J＝log₂N；i＝1,2,3,…,2^j,k∈Z

二进小波的重构算法为:

式中:j＝J-1,J-2,J-3,…,1,0；i＝2^j,2^j-1,2^j-2,…,2,1

信号在经过一层小波包分解，可以得到低频信号D1和高频信号G1接着再对D1信号和G1信号进行分解，以此得到下一尺度的分解信号。最终得到N层小波包分解的高频和低频信号，不同频率的谐波分别位于频率各不相同的频带中，通过小波包变换，便能够分别提取基波与各次谐波，将多种不同基波与谐波的组合作为电气量故障特征，再代入支持向量机中进行分类。

实施例二：

本发明提出一种中压线路树线矛盾放电故障时序识别***，包括：

试验箱模块：启动试验箱内各装置，且设置好所述试验箱内各装置的初始化数值，完成试验箱***初始化，在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验；

图像处理模块：获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；

故障特征采集模块：提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；

模拟仿真模块：将训练样本集代入支持向量机的训练模型中进行迭代训练，将测试样本集代入迭代训练后的训练模型中，所述训练模型的输出结果与测试样本集最为接近时结束训练，获得最优的树线放电故障时序判断训练模型。

作为本实施例的优选实施方式，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景等处理的具体步骤为：

利用中值滤波进行去噪过程，利用直方图均衡化来增强图像，最后采用Otsu分割的方法完成图像的分割和周围复杂背景的剔除过程。

作为本实施例的优选实施方式，提取所述特征图像中的图像故障特征具体为：

图像故障特征具体为颜色特征、纹理特征、形状特征三者的集合，三者的组合共同影响最优的树线放电故障时序判断训练模型的选取。

作为本实施例的优选实施方式，还包括支持向量机内核函数训练模型的选取和相关参数的选取：

支持向量机采用一对一多项式核函数训练模型，其中核函数采用径向基核函数，具体公式如下：

式中，σ为函数的宽度参数，||x-x′||²为两个特征向量之间的平方欧几里得距离；

利用试凑法对支持向量机中训练模型的相关参数进行选取。

实施例三：

本实施例一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明任一实施例所述的中压线路树线矛盾放电故障时序识别方法。

实施例四：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任一实施例所述的中压线路树线矛盾放电故障时序识别方法。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种中压线路树线矛盾放电故障时序识别方法，其特征在于，所述试验方法包括如下步骤：

S1、启动试验箱内各装置，且设置好所述试验箱内各装置的初始化数值，完成试验箱***初始化；

S2、在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验，获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；

S3、提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；

S4、将训练样本集代入支持向量机的训练模型中进行迭代训练，将测试样本集代入迭代训练后的训练模型中，所述训练模型的输出结果与测试样本集最为接近时结束训练，获得最优的树线放电故障时序判断训练模型；

S5、利用所述最优的树线放电故障时序判断训练模型进行树线放电故障的时序识别。

2.根据权利要求1所述的一种中压线路树线矛盾放电故障时序识别方法，其特征在于，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景等处理的具体步骤为：

利用中值滤波进行去噪过程，利用直方图均衡化来增强图像，最后采用Otsu分割的方法完成图像的分割和周围复杂背景的剔除过程。

3.根据权利要求1所述的一种中压线路树线矛盾放电故障时序识别方法，其特征在于，提取所述特征图像中的图像故障特征具体为：

图像故障特征包括颜色特征、纹理特征、形状特征。

4.根据权利要求1所述的一种中压线路树线矛盾放电故障时序识别方法，其特征在于，还包括支持向量机内核函数训练模型的选取和相关参数的选取：

支持向量机采用一对一多项式核函数训练模型，其中核函数采用径向基核函数，具体公式如下：

式中，σ为函数的宽度参数，||x-x′||²为两个特征向量之间的平方欧几里得距离；

利用试凑法对支持向量机中训练模型的相关参数进行选取。

5.一种中压线路树线矛盾放电故障时序识别***，其特征在于，包括：

试验箱模块：启动试验箱内各装置，且设置好所述试验箱内各装置的初始化数值，完成试验箱***初始化，在试验箱内进行森林火灾与线路故障发生时序的树线矛盾试验；

图像处理模块：获取试验后试验箱内的可见光、红外线图像，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景处理后获取特征图像；

故障特征采集模块：提取所述特征图像中的图像故障特征，获取若干组图像故障特征参数，并对各组图像故障特征参数添加森林火灾发生在线路故障前后的时序标签，形成训练样本集和测试样本集；

模拟仿真模块：将训练样本集代入支持向量机的训练模型中进行迭代训练，将测试样本集代入迭代训练后的训练模型中，所述训练模型的输出结果与测试样本集最为接近时结束训练，获得最优的树线放电故障时序判断训练模型。

6.根据权利要求5所述的一种中压线路树线矛盾放电故障时序识别***，其特征在于，对所述可见光、红外线图像进行去噪、增强、分割，剔除周围复杂背景等处理的具体步骤为：

利用中值滤波进行去噪过程，利用直方图均衡化来增强图像，最后采用Otsu分割的方法完成图像的分割和周围复杂背景的剔除过程。

7.根据权利要求5所述的一种中压线路树线矛盾放电故障时序识别***，其特征在于，提取所述特征图像中的图像故障特征具体为：

图像故障特征包括颜色特征、纹理特征、形状特征。

8.根据权利要求5所述的一种中压线路树线矛盾放电故障时序识别***，其特征在于，还包括支持向量机内核函数训练模型的选取和相关参数的选取：

支持向量机采用一对一多项式核函数训练模型，其中核函数采用径向基核函数，具体公式如下：

式中，σ为函数的宽度参数，||x-x′||²为两个特征向量之间的平方欧几里得距离；

利用试凑法对支持向量机中训练模型的相关参数进行选取。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一权利要求所述的中压线路树线矛盾放电故障时序识别方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一种中压线路树线矛盾放电故障时序识别方法。

Images