基于改进神经网络算法的变电站变压器裂纹图像识别
吴曦+姚楠+许建刚
摘 要： 为了保证电力系统的正常运行，提高电站变压器裂纹图像的识别精度，提出基于改进神经网络算法的变电站变压器裂纹图像识别模型。首先收集变电站变压器裂纹图像，并进行去噪处理，然后提取变电站变压器裂纹图像的特征，并对特征进行无量纲化处理，最后采用神经网络建立变电站变压器裂纹图像识别模型，并对神经网络的不足进行相应改进，在Matlab 2014R平台上进行变电站变压器裂纹图像识别的仿真测试，结果表明，改进神经网络不仅能够获得较好的变电站变压器裂纹图像识别结果，而且识别速度也能够满足变电站变压器裂纹图像检测的要求。
关键词： 变电站变压器； 裂纹图像； 特征提取； 神经网络
中图分类号： TN911.73?34； TP181 文献标识码： A 文章编号： 1004?373X（2017）13?0066?04
Abstract： In order to guarantee the normal operation of the electric power system， and improve the identification precision of the substation transformer crack image， a substation transformer crack image recognition model based on the improved neural network algorithm is proposed. The substation transformer crack image is collected and denoised. And then the features of the substation transformer crack image are extracted， and proceeded with dimensionless processing. The neural network is used to establish the recognition model of the substation transformer crack image， and its deficiency is improved correspondingly. The simulation test of the substation transformer simulation crack image recognition was carried out in Matlab 2104R. The results show that the improved neural network can obtain better result of the substation transformer crack image recognition， and the recognition speed can meet the requirements of the substation transformer crack image detection.
Keywords： substation transformer； crack image； feature extraction； neural network
0 引 言
随着经济的不断发展，人们的生活水平日益提高，各种家用电器以及办公室的电器使用更加频繁，电力系统的稳定工作面临巨大的挑战[1]。变压器是一种重要的电气设备，变电站变压器裂纹严重影响电力系统的正常运行，因此如何对变电站变压器裂纹图像进行准确识别具有重要的意义[2]。
国内外学者对变电站变压器裂纹图像技术进行了深入、广泛的研究，提出了一些可行的变电站变压器裂纹图像识别模型[3]，目前变电站变压器裂纹图像识别模型主要基于图像进行识别，通过对变压器裂纹图像进行分类，对变压器裂纹图像的类别进行正确划分。在实际应用中，变压器裂纹图像采集受到天气、环境以及采集设备的干扰，图像中难免会包含一定的噪声，这些噪声对变压器裂纹图像准确识别产生了不利影响，因此需去除变压器裂纹图像中的噪声[4?5]。变压器裂纹图像识别主要基于特征进行建模分析，因此特征对变压器裂纹图像识别结果影响十分重要，当前变压器裂纹图像识别特征很多，其中不变矩阵特征具有惟一性、鲁棒性和可分性，在目标识别、字符识别等领域得到了广泛的应用[6]。变压器裂纹图像类别与特征之间的联系十分复杂，传统方法采用欧式距离估计样本之间的特征联系，建立的变压器裂纹图像识别模型的误识率比较高[7?8]。神经网络具有很好的非线性拟合性能，可以较好地描述变压器裂纹图像类型与特征之间的变化关系，广泛应用于变电站变压器裂纹图像的识别中。然而神经网络自身也存在一定的不足，如参数的确定全凭经验进行，导致变压器裂纹图像识别结果具有一定的盲目性和主观性，识别结果不理想[9?10]。
为了保证电力系统的正常运行，提高变电站变压器裂纹图像的识别精度，提出基于改进BP神经网络[11]算法的变电站变压器裂纹图像识别。首先收集变电站变压器裂纹图像，并进行去噪处理，然后提取变电站变压器裂纹图像的特征，最后采用改进神经网络建立变电站变压器裂纹图像识别模型，在Matlab 2014R平台上仿真测试结果表明，改进神经网络提高了变电站变压器裂纹图像的识别精度，加快了变电站变压器裂纹图像的检测速度。
1 小波变换和神经网络
1.1 小波变换
小波变换可以对信号进行小波分解，小波系数描述不同分辨率上的信息，而且自适应能力强，其基本思想为：
式中：和分别表示高分辨率空间和低分辨率空间。
當时，小波变换的空间分解见图1。
和是尺度空间和小波空间的正交基函数，分别定义如下：
1.2 BP神经网络
神经网络属于非线性理论中的机器学习算法，它们可以通过一个结构网络对非线性问题进行无限逼近，在图像处理、人脸识别等领域得到成功应用，其中BP神经网络的性能要优于其他神经网络，通用性更强，BP神经网络的基本结构如图2所示，包括输入层、输出层和隐含层。
在图2中，为BP神经网络的输入向量，为BP神经网络的输出向量，其中隐含层神经元的节点数量通过输入和输出的数和决定，一般情况下，采用Sigmoid函数构建隐含层的转移函数，具体如下：
BP神经网络具有反馈功能，选择输出层期望输出与预测输出的误差平方和作为反馈误差，具体为：
1.3 BP神经网络的改进
在BP神经网络的工作过程中，BP神经网络的权值直接影响其性能，传统BP神经网络采用经验确定权值，对于不同问题，神经网络的性能差别很大，为此，本文对标准神经网络进行相应的改进，采用遗传算法對BP神经网络的权值进行在线优化，以提高变电站变压器裂纹图像识别的效果，遗传算法优化神经网络权值具体设计过程为：
Step1：个体编码。采用十进制对BP神经网络的权值进行编码，那么编码长度为：
式中：表示输入层与隐含层的权重；表示隐含层与输出层之间的权重。
Step2：适应度函数的构建。对个体进行解码，得到BP神经网络的权值和隐含层的输出和输出层的输出它们分别为：
式中是训练输出数据。
Step3：通过选择、交叉和变异等遗传操作，不断产生新的种群，将个体解码为BP神经网络的权值，然后根据权值对训练样本进行学习，得到反馈误差，根据反馈误差进行反馈操作，最后得到BP神经网络最优的权值。
2 变电站变压器裂纹图像识别模型
2.1 变电站变压器裂纹图像的特征提取
设变电站变压器裂纹图像为其原点矩和中心矩分别为：
2.2 变电站变压器裂纹图像识别模型的工作步骤
（1） 收集变电站变压器裂纹图像。
（2） 采用小波变换对变电站变压器裂纹图像进行去噪处理，消除噪声的干扰。
（3） 提取变电站变压器裂纹图像的不变矩特征，并进行如下处理：
（4） 采用BP神经网络对训练样本进行学习，并采用遗传算法优化权值，建立变电站变压器裂纹图像识别分类器。
（5） 采用测试样本对变电站变压器裂纹图像识别结果进行分析。
3 仿真实验
3.1 实验环境
为了测试改进BP神经网络的变电站变压器裂纹图像识别性能，在Matlab 2014R仿真平台上进行了仿真实验，选择不同类型的变电站变压器裂纹图像作为实验对象，它们共有4种类型，编号分别为1，2，3，4。
3.2 结果与分析
选择传统神经网络作为对比实验，变电站变压器裂纹图像识别结果如图3和图4所示，平均识别正确率和训练时间如表1所示。
对识别结果进行分析可以得到如下结论：
（1） 传统BP神经网络的变电站变压器裂纹图像识别正确率低，这主要是由于传统BP神经网络的权值随机确定，无法描述变电站变压器裂纹图像的类别，因此识别效果差。
（2） 改进神经网络的变电站变压器裂纹图像识别结果相对更优，这主是由于小波变换消除了变电站变压器裂纹图像中的噪声，并通过遗传算法确定BP神经网络权值，提高了变电站变压器裂纹图像识别的正确率，而且变电站变压器裂纹图像训练时间更快，加快了变电站变压器裂纹图像的识别速度。
4 结 论
变电站变压器裂纹图像具有重要的应用价值，为了解决当前变电站变压器裂纹图像识别中存在的局限性，提出改进神经网络的变电站变压器裂纹图像的识别模型，并通过具体应用实验对其有效性进行测试，具体结论如下：
（1） 针对变电站变压器裂纹图像的噪声，采用小波分析对变电站变压器裂纹图像进行变换和处理，消除外界环境以及其他因素带来的噪声干扰，便于后续变电站变压器裂纹图像特征提取和分类器建立，有助于改善变电站变压器裂纹图像的识别效果。
（2） 通过提取变电站变压器裂纹图像的不变矩图像，作为变电站变压器裂纹图像分类器的输入，建立了变电站变压器裂纹图像识别的依据，准确反映了变电站变压器裂纹图像类型。
（3） 采用改进神经网络对变电站变压器裂纹图像进行分类与识别，可以反映变电站变压器裂纹图像类型与图像特征之间的映射关系，通过神经网络的自学习建立变电站变压器裂纹图像的识别模型，提高变电站变压器裂纹图像的识别精度。
（4） 通过引入遗传算法对神经网络参数进行优化，解决了神经网络参数确定的难题，建立了结构更优的神经网络，降低了变电站变压器裂纹图像识别的错误率。
（5） 与其他识别模型相比，改进神经网络提高了变电站变压器裂纹图像识别的正确率，而且识别速度也有显著的优势，对比结果验证了改进神经网络应用于变电站变压器裂纹图像识别的优越性。
参考文献
[1] 郭创新，朱传柏，曹一家.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化，2006，30（8）：98?103.
[2] 苏鹏声，王欢.电力系统设备状态监测与故障诊断技术分析[J].电力系统自动化，2003，27（1）：61?65.
[3] 项新建.粗糙集理论在变压器故障诊断专家系统中的应用研究[J].科技通报，2003，19（4）：288?291.
[4] 应鸿，李天云，张宇辉.变压器故障诊断的神经网络法[J].东北电力学院学报，1996，16（4）：54?58.
[5] 孙才新，郭俊峰，廖瑞金，等.变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究[J].中国电机工程学报，2001，21（2）：37?41.
[6] 张冠军，严璋，张仕君.电力变压器故障诊断中断新方法的应用[J].高压电器，1998（4）：32?35.
[7] 颜湘莲，文远芳.模糊神经网络在变压器故障诊断中的应用研究[J].变压器，2002（7）：41?43.
[8] 谢可夫，罗安.遗传算法在变压器故障诊断中的应用[J].电力自动化设备，2005（4）：55?58.
[9] 何成才.电力机车牵引变压器油箱体裂纹故障的分析及处理[J].郑州铁路职业技术学院学报，2009，21（1）：13?14.
[10] 侯汝锋，王文洪，莫润阳，等.绝缘子表面裂纹激光超声检测[J].激光技术，2014（1）：35?38.
[11] 李瑛，胡志刚.一种基于BP神经网络的室内定位模型[J].计算技术与自动化，2007，26（2）：77?80.
摘 要： 为了保证电力系统的正常运行，提高电站变压器裂纹图像的识别精度，提出基于改进神经网络算法的变电站变压器裂纹图像识别模型。首先收集变电站变压器裂纹图像，并进行去噪处理，然后提取变电站变压器裂纹图像的特征，并对特征进行无量纲化处理，最后采用神经网络建立变电站变压器裂纹图像识别模型，并对神经网络的不足进行相应改进，在Matlab 2014R平台上进行变电站变压器裂纹图像识别的仿真测试，结果表明，改进神经网络不仅能够获得较好的变电站变压器裂纹图像识别结果，而且识别速度也能够满足变电站变压器裂纹图像检测的要求。
关键词： 变电站变压器； 裂纹图像； 特征提取； 神经网络
中图分类号： TN911.73?34； TP181 文献标识码： A 文章编号： 1004?373X（2017）13?0066?04
Abstract： In order to guarantee the normal operation of the electric power system， and improve the identification precision of the substation transformer crack image， a substation transformer crack image recognition model based on the improved neural network algorithm is proposed. The substation transformer crack image is collected and denoised. And then the features of the substation transformer crack image are extracted， and proceeded with dimensionless processing. The neural network is used to establish the recognition model of the substation transformer crack image， and its deficiency is improved correspondingly. The simulation test of the substation transformer simulation crack image recognition was carried out in Matlab 2104R. The results show that the improved neural network can obtain better result of the substation transformer crack image recognition， and the recognition speed can meet the requirements of the substation transformer crack image detection.
Keywords： substation transformer； crack image； feature extraction； neural network
0 引 言
随着经济的不断发展，人们的生活水平日益提高，各种家用电器以及办公室的电器使用更加频繁，电力系统的稳定工作面临巨大的挑战[1]。变压器是一种重要的电气设备，变电站变压器裂纹严重影响电力系统的正常运行，因此如何对变电站变压器裂纹图像进行准确识别具有重要的意义[2]。
国内外学者对变电站变压器裂纹图像技术进行了深入、广泛的研究，提出了一些可行的变电站变压器裂纹图像识别模型[3]，目前变电站变压器裂纹图像识别模型主要基于图像进行识别，通过对变压器裂纹图像进行分类，对变压器裂纹图像的类别进行正确划分。在实际应用中，变压器裂纹图像采集受到天气、环境以及采集设备的干扰，图像中难免会包含一定的噪声，这些噪声对变压器裂纹图像准确识别产生了不利影响，因此需去除变压器裂纹图像中的噪声[4?5]。变压器裂纹图像识别主要基于特征进行建模分析，因此特征对变压器裂纹图像识别结果影响十分重要，当前变压器裂纹图像识别特征很多，其中不变矩阵特征具有惟一性、鲁棒性和可分性，在目标识别、字符识别等领域得到了广泛的应用[6]。变压器裂纹图像类别与特征之间的联系十分复杂，传统方法采用欧式距离估计样本之间的特征联系，建立的变压器裂纹图像识别模型的误识率比较高[7?8]。神经网络具有很好的非线性拟合性能，可以较好地描述变压器裂纹图像类型与特征之间的变化关系，广泛应用于变电站变压器裂纹图像的识别中。然而神经网络自身也存在一定的不足，如参数的确定全凭经验进行，导致变压器裂纹图像识别结果具有一定的盲目性和主观性，识别结果不理想[9?10]。
为了保证电力系统的正常运行，提高变电站变压器裂纹图像的识别精度，提出基于改进BP神经网络[11]算法的变电站变压器裂纹图像识别。首先收集变电站变压器裂纹图像，并进行去噪处理，然后提取变电站变压器裂纹图像的特征，最后采用改进神经网络建立变电站变压器裂纹图像识别模型，在Matlab 2014R平台上仿真测试结果表明，改进神经网络提高了变电站变压器裂纹图像的识别精度，加快了变电站变压器裂纹图像的检测速度。
1 小波变换和神经网络
1.1 小波变换
小波变换可以对信号进行小波分解，小波系数描述不同分辨率上的信息，而且自适应能力强，其基本思想为：
式中：和分别表示高分辨率空间和低分辨率空间。
當时，小波变换的空间分解见图1。
和是尺度空间和小波空间的正交基函数，分别定义如下：
1.2 BP神经网络
神经网络属于非线性理论中的机器学习算法，它们可以通过一个结构网络对非线性问题进行无限逼近，在图像处理、人脸识别等领域得到成功应用，其中BP神经网络的性能要优于其他神经网络，通用性更强，BP神经网络的基本结构如图2所示，包括输入层、输出层和隐含层。
在图2中，为BP神经网络的输入向量，为BP神经网络的输出向量，其中隐含层神经元的节点数量通过输入和输出的数和决定，一般情况下，采用Sigmoid函数构建隐含层的转移函数，具体如下：
BP神经网络具有反馈功能，选择输出层期望输出与预测输出的误差平方和作为反馈误差，具体为：
1.3 BP神经网络的改进
在BP神经网络的工作过程中，BP神经网络的权值直接影响其性能，传统BP神经网络采用经验确定权值，对于不同问题，神经网络的性能差别很大，为此，本文对标准神经网络进行相应的改进，采用遗传算法對BP神经网络的权值进行在线优化，以提高变电站变压器裂纹图像识别的效果，遗传算法优化神经网络权值具体设计过程为：
Step1：个体编码。采用十进制对BP神经网络的权值进行编码，那么编码长度为：
式中：表示输入层与隐含层的权重；表示隐含层与输出层之间的权重。
Step2：适应度函数的构建。对个体进行解码，得到BP神经网络的权值和隐含层的输出和输出层的输出它们分别为：
式中是训练输出数据。
Step3：通过选择、交叉和变异等遗传操作，不断产生新的种群，将个体解码为BP神经网络的权值，然后根据权值对训练样本进行学习，得到反馈误差，根据反馈误差进行反馈操作，最后得到BP神经网络最优的权值。
2 变电站变压器裂纹图像识别模型
2.1 变电站变压器裂纹图像的特征提取
设变电站变压器裂纹图像为其原点矩和中心矩分别为：
2.2 变电站变压器裂纹图像识别模型的工作步骤
（1） 收集变电站变压器裂纹图像。
（2） 采用小波变换对变电站变压器裂纹图像进行去噪处理，消除噪声的干扰。
（3） 提取变电站变压器裂纹图像的不变矩特征，并进行如下处理：
（4） 采用BP神经网络对训练样本进行学习，并采用遗传算法优化权值，建立变电站变压器裂纹图像识别分类器。
（5） 采用测试样本对变电站变压器裂纹图像识别结果进行分析。
3 仿真实验
3.1 实验环境
为了测试改进BP神经网络的变电站变压器裂纹图像识别性能，在Matlab 2014R仿真平台上进行了仿真实验，选择不同类型的变电站变压器裂纹图像作为实验对象，它们共有4种类型，编号分别为1，2，3，4。
3.2 结果与分析
选择传统神经网络作为对比实验，变电站变压器裂纹图像识别结果如图3和图4所示，平均识别正确率和训练时间如表1所示。
对识别结果进行分析可以得到如下结论：
（1） 传统BP神经网络的变电站变压器裂纹图像识别正确率低，这主要是由于传统BP神经网络的权值随机确定，无法描述变电站变压器裂纹图像的类别，因此识别效果差。
（2） 改进神经网络的变电站变压器裂纹图像识别结果相对更优，这主是由于小波变换消除了变电站变压器裂纹图像中的噪声，并通过遗传算法确定BP神经网络权值，提高了变电站变压器裂纹图像识别的正确率，而且变电站变压器裂纹图像训练时间更快，加快了变电站变压器裂纹图像的识别速度。
4 结 论
变电站变压器裂纹图像具有重要的应用价值，为了解决当前变电站变压器裂纹图像识别中存在的局限性，提出改进神经网络的变电站变压器裂纹图像的识别模型，并通过具体应用实验对其有效性进行测试，具体结论如下：
（1） 针对变电站变压器裂纹图像的噪声，采用小波分析对变电站变压器裂纹图像进行变换和处理，消除外界环境以及其他因素带来的噪声干扰，便于后续变电站变压器裂纹图像特征提取和分类器建立，有助于改善变电站变压器裂纹图像的识别效果。
（2） 通过提取变电站变压器裂纹图像的不变矩图像，作为变电站变压器裂纹图像分类器的输入，建立了变电站变压器裂纹图像识别的依据，准确反映了变电站变压器裂纹图像类型。
（3） 采用改进神经网络对变电站变压器裂纹图像进行分类与识别，可以反映变电站变压器裂纹图像类型与图像特征之间的映射关系，通过神经网络的自学习建立变电站变压器裂纹图像的识别模型，提高变电站变压器裂纹图像的识别精度。
（4） 通过引入遗传算法对神经网络参数进行优化，解决了神经网络参数确定的难题，建立了结构更优的神经网络，降低了变电站变压器裂纹图像识别的错误率。
（5） 与其他识别模型相比，改进神经网络提高了变电站变压器裂纹图像识别的正确率，而且识别速度也有显著的优势，对比结果验证了改进神经网络应用于变电站变压器裂纹图像识别的优越性。
参考文献
[1] 郭创新，朱传柏，曹一家.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化，2006，30（8）：98?103.
[2] 苏鹏声，王欢.电力系统设备状态监测与故障诊断技术分析[J].电力系统自动化，2003，27（1）：61?65.
[3] 项新建.粗糙集理论在变压器故障诊断专家系统中的应用研究[J].科技通报，2003，19（4）：288?291.
[4] 应鸿，李天云，张宇辉.变压器故障诊断的神经网络法[J].东北电力学院学报，1996，16（4）：54?58.
[5] 孙才新，郭俊峰，廖瑞金，等.变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究[J].中国电机工程学报，2001，21（2）：37?41.
[6] 张冠军，严璋，张仕君.电力变压器故障诊断中断新方法的应用[J].高压电器，1998（4）：32?35.
[7] 颜湘莲，文远芳.模糊神经网络在变压器故障诊断中的应用研究[J].变压器，2002（7）：41?43.
[8] 谢可夫，罗安.遗传算法在变压器故障诊断中的应用[J].电力自动化设备，2005（4）：55?58.
[9] 何成才.电力机车牵引变压器油箱体裂纹故障的分析及处理[J].郑州铁路职业技术学院学报，2009，21（1）：13?14.
[10] 侯汝锋，王文洪，莫润阳，等.绝缘子表面裂纹激光超声检测[J].激光技术，2014（1）：35?38.
[11] 李瑛，胡志刚.一种基于BP神经网络的室内定位模型[J].计算技术与自动化，2007，26（2）：77?80.
