System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于复合绝缘子的在线监测和故障诊断技术,具体涉及一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法。
技术介绍
1、由于电力系统的规模扩大使得电力系统的安全运行与稳定性逐渐成为电气工程领域关注的焦点,具备优良的抗污闪性与憎水性的复合绝缘子是关乎电力系统安全与稳定的重要绝缘设备,在铁路供配电系统,变电站等地方都有广泛的应用。但是在高速气流、风沙环境这些恶劣条件下长期运行的绝缘子,其表面会因为高速气流环境出现污秽物质的沉淀与气流冲击导致憎水性下降,因此,研究高速气流环境下复合绝缘子的老化对于防止绝缘失效,维护电力系统的安全与稳定具有重要意义。
2、在目前绝缘子老化的研究中,主要存在两方面的问题。一方面是对于复合绝缘子综合老化因素研究不够深入,很多模拟的实验环境无法完全反映实际运行环境,尤其是高速气流下车顶绝缘子老化特征的研究预评估;另一方面是传统的老化检测方法,要么需要人工操作,效率低十分不便,要么基于红外与紫外的非接触式检测方法,即是间接性测量又会受到测量环境的影响,因此需要一种快速有效的绝缘子老化评估方法。
技术实现思路
1、针对现有技术中的不足,本专利技术提供一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法。
2、本专利技术的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,包括以下步骤:
3、s1、在风洞系统中搭建单针极交流电晕人工加速老化实验平台,制备高速气流环境下车顶绝缘子老化样品。
4、s2、根据静
5、s3、对老化的车顶绝缘子的原始高光谱谱线进行数据预处理和竞争性自适应加权降维。
6、s4、将处理后的数据分为训练集和测试集。
7、s5、henon映射初始化鲸鱼优化算法(woa)种群,根据训练集数据计算适应度函数,选择最佳个体并更新位置,若不满足终止条件则继续更新位置;满足终止条件后,得到最佳的参数;并将测试集数据输入xgboost分类模型训练,得到最优分类模型。
8、s6、将测试集数据输入训练好的xgboost分类模型,模型的输出为相应像素的预测的老化等级。
9、进一步的,步骤s1中风洞系统中模拟高速列车运行环境,实验风速为60m/s,交流电晕老化电压为27.5kv工频交流电,老化持续时间为200h。
10、进一步的,步骤s2包括以下步骤:
11、s21、使用静态接触角测试仪对车顶绝缘子老化样品的憎水性进行测试,在硅橡胶片上共选取了11个测试点,每个测试点的静态接触角取左接触角和右接触角的平均值。
12、s22、按静态接触角从低到高,选取roi,划分i、ii、iii、iv、v、vi共6个老化等级;然后使用高光谱成像仪提取每个老化等级roi的高光谱图像数据,提取整个车顶绝缘子片的高光谱图像数据。
13、s23、使用高光谱成像仪提取每个老化等级roi和整个车顶绝缘子片在400nm~1040nm波长范围内的高光谱信息,共有256个波段。
14、进一步的,步骤s3中数据预处理包括黑白校正、多元散射校正和连续小波变换。
15、黑白校正的计算公式为:
16、
17、其中,rref表示校正后的反射率,ro表示原始反射率,rd表示全黑标定图像的平均反射率,通过盖上摄像头盖获得,rw表示全白标定图像的平均反射率,通过扫描标准白板获得。
18、多元散射校正具体为:
19、首先,计算出每个老化等级的平均光谱:
20、
21、其次,将每条光谱与对其对应平均光谱做一元线性回归得到对应的斜率mi和截距ni,一元线性回归公式为
22、最后,利用一元线性回归的斜率与截距,计算出多元散射校正后的光谱曲线:
23、
24、其中,是一个n×p维的平均光谱矩阵;n为选取的样本数;p为光谱采集的波段数;xi,j表示平均光谱的第i个样本的第j个谱段的数值,i为样本序号,j为对应波段;xi是1×p维矩阵,表示对应像素点的原始光谱;mi和ni分别表示各样本高光谱xi与平均光谱进行一元线性回归后得到的相对偏移系数和平移量;xi(msc)表示多元散射校正后的光谱数据矩阵。
25、连续小波变换具体为:
26、首先:选择小波基对预处理后的高光谱数据进行多层分解,得到各层对应的小波分解系数;计算式为:
27、
28、式中,x(λ)是经过黑白校正与多元散射校正后的光谱反射率,λ是400nm~1040nm范围的光谱波段,wf(a,b)是小波系数,φa,b(λ)是经过尺度因子a与伸缩因子b变换的小波基函数,通过计算。
29、其次:对各层小波变换系数进行去噪处理。
30、最后:重构降噪处理后的小波系数得到降噪后的高光谱曲线。
31、进一步的,步骤s3中竞争性自适应加权降维具体包括以下步骤:
32、首先:设置采样次数n,每次从预处理后的高光谱数据中选择80%作为训练集,20%作为测试集建立偏最小二乘模型pls,计算每一次采样过程中的回归系数的绝对值权重。
33、其次:利用衰减指数函数来去除每次建立的pls模型中回归系数绝对值权重较小的波长,保留的波长数量为xs=ae-ki,其中a,k由迭代初始与终止时的波长数求出。
34、再次:将上一步pls模型中保留的波长再次重复上一步。
35、最后:当建立pls模型次数达到设采样次数n时,停止计算,此时选择出了使pls的均方根误差最小的子集中的波长作为特征波长。
36、进一步的,步骤s4具体为:将提取的80%的降维后的数据作为训练集训练xgboost分类模型,20%作为测试集对训练完成的模型进行测试。
37、进一步的,步骤s5具体为:
38、s51:xgboost是集成学习中的典型算法,其模型由多个决策树组成,表示为:
39、
40、其中,w={f(x)=ωq(x)},ω为叶子节点权重值,q(x)是叶子节点,预测值是m个回归树的集合;x代表输入特征,yi代表对应的老化等级。
41、s52:将xgboost分类模型的参数作为种群个体的向量内容。
42、s53:用xgboost分类模型的损失函数作为适应度函数:
43、
44、式中,为正则项,惩罚了模型的复杂性,fm为第m棵树的函数;l是损失函数,用于度量预测老化等级和真实老化等级yi之间的误差,λ是衡量惩罚的参数。
45、s54:设置最大迭代步数与鲸鱼初始种群数量。
46、s55:用henon映射初始化鲸鱼优化算法woa种群。
47、s56:计本文档来自技高网...
【技术保护点】
1.一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S1中风洞系统中模拟高速列车运行环境,实验风速为60m/s,交流电晕老化电压为27.5kV工频交流电,老化持续时间为200h。
3.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S2包括以下步骤:
4.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S3中数据预处理包括黑白校正、多元散射校正和连续小波变换;
5.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S3中竞争性自适应加权降维具体包括以下步骤:
6.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S4具体为:将提取的80%的降维后的数据作为训练集训练XGBoost分类模型,20%作为测试
7.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S5具体为:
8.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤S6的测试集预测结果反映模型等级分类效果。
...【技术特征摘要】
1.一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤s1中风洞系统中模拟高速列车运行环境,实验风速为60m/s,交流电晕老化电压为27.5kv工频交流电,老化持续时间为200h。
3.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤s2包括以下步骤:
4.根据权利要求1所述的一种基于高光谱成像技术的车顶绝缘子电晕老化等级评估方法,其特征在于,所述步骤s3中数据预处理包括黑白校正、多元散射校正和连续小波变换;
5.根据...
【专利技术属性】
技术研发人员:郭裕钧,吕思,吴广宁,高国强,张血琴,肖嵩,赵福平,付峥争,李擎宇,
申请(专利权)人:西南交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。