【技術實現步驟摘要】
本專利技術涉及電力檢修，特別是一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法。
技術介紹
1、電力系統壓板的主要功能是提供可靠的電氣連接，將電力系統中的電氣設備的電流或電壓信號傳遞到保護裝置。因此，壓力板狀態的檢測對于保證電力系統的安全可靠運行具有重要意義。目前，現場人員常常通過手動檢查、讀取和識別變電站壓板的狀態，存在效率低、準確率不高等問題，嚴重限制了變電站在智能方向上的發展。為了實現壓板的在線監測，研究學者提出了若干種壓板狀態檢測方法，如頻率分析方法和人工神經網絡方法。頻率分析方法通常利用振動換能器捕捉器件的振動信號，提取振動信號的典型特征，如頻率和振幅，以確定器件的狀態。人工神經網絡方法可以從大量數據中學習，并建立一個模型來檢測設備的狀態，這在處理非線性和非定常信號方面具有優勢。常見的人工智能方法包括支持向量機、人工神經網絡和決策樹。但是由于現場環境的復雜性，壓板信號包含大量的噪聲，上述方法的識別效果并不理想。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，提高模型識別的準確性。
2、為實現上述目的，本專利技術采用如下技術方案：一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，包括以下步驟：
3、步驟1：利用色調飽和度值顏色空間模型進行壓板顏色檢測，再通過直方圖模型計算閾值以區分壓板和非壓板部分，實現目標分割；
4、步驟2：利用多方面特征提
5、步驟3：在提取特征后利用啟發式蝠鲼覓食優化方法根據最佳適應度值選擇最佳特征數；
6、步驟4：基于壓板圖像的最佳特征數與自適應極限學習機方法，構建壓板狀態識別模型。
7、在一較佳的實施例中，所述步驟1具體為：首先是圖形分割部分，旨在通過基于壓板顏色檢測和圖形背景抑制部分，從給定的輸入圖片中準確地分割壓板區域，利用色調飽和度值(hsv)顏色空間模型進行壓板顏色檢測，通過消除v的值并使用h和s的值來獲得光照不變性；然后，利用直方圖模型計算閾值以區分壓板和非壓板部分，實現目標分割。
8、在一較佳的實施例中，所述步驟2具體為：方面特征提取模型主要包括主軸-次軸、質心、范圍、方向、固體性、偏心率、凸極的特征，其對圖像的相關特征指標定義如下：
9、
10、其中ma和mb分別表示主要軸和次要軸的長度，l(a,b)和s(a,b)分別表示主軸和次軸的數值；
11、
12、
13、其中a1和a2表示圖像中任意兩點的橫坐標，b1和b2表示任意兩點的縱坐標，cens表示質心，exs表示范圍，tp定義分割圖像中像素的總數，btp表示有界區域內像素的總數；
14、cons＝∑coi(a,b)?(4)
15、
16、其中cons表示凸區域，coi是凸圖像，sos定義固體性，ha是形狀的外殼區域，eccens偏心率，fod是焦點距離，sem是半主軸。
17、在一較佳的實施例中，所述步驟3中，蝠鲼的行為和位置可以根據其食物來源而改變，如下所示：
18、
19、其中poi,j是蝠鲼的位置，i表示蝙蝠所在位置的橫坐標，j表示縱坐標，x(:)表示將矩陣中的數據以一列輸出，是隨機位置，bl，j表示j的最佳位置，k是迭代次數，nuv定義變量的數量，nup表示種群的數量；在找到食物來源后，蝠鲼的新位置被更新并調整到最佳位置，如下所示：
20、
21、
22、其中cp表示啟發式蝠鲼覓食優化的控制系統，rh表示隨機值；在此基礎上，估計最佳最優解以提高分類的整體精度，第i個解的適應度計算如下:
23、
24、其中fiti表示第i個解，π1與π2是平衡參數，acci定義第i個解的精度，osi表示第i個解的大小，sf是特征集。
25、在一較佳的實施例中，所述步驟4中，自適應極限學習機包括輸入層、隱藏層和輸出層，其中輸入權重由輸入層隨機定義和獲得，隱藏層根據輸入權重處理帶有偏差的信息，輸出層產生最終的分類結果；自適應極限學習機隨機選擇偏差和輸入權值，構造隱層的輸出矩陣以及利用moore-penrose泛化模型估計輸出層的權值；
26、自適應極限學習機的數模模型為：
27、hβ＝o?(12)
28、
29、其中，h為隱含層輸出矩陣；β為輸出層權值；o為模型計算輸出；wi＝[wi1,wi2,…,win](i＝1,2,…,l)為輸入層與隱含層神經元之間的連接權值，l為隱含層神經元個數，n為樣本屬性長度；xi＝[xi1，xi2，…，xin]t(i＝1,2,…,n)為輸入樣本，共有n組；bi(i＝1,2,…,l)為隱含層神經元偏置值；g(·)為具有無限可微特性的激活函數；文給定激活函數g(·)和訓練樣本集(xi,yi)(i＝1,2,…,n)，隨機生成一組權值w和偏置值b，通過求解式(14)的最小二乘解，可唯一確定一β＝h+y滿足條件‖hβ-y‖≤ε，其中ε為給定閾值；
30、
31、基于隱藏層的輸出矩陣h，結合自適應極限學習機的輸入，得到壓板的狀態識別標簽，由此完成壓板的狀態識別。
32、與現有技術相比，本專利技術具有以下有益效果：
33、1.利用多方面特征提取模型從分割圖像中提取壓板狀態的圖像特征，有助于提高后續模型的識別準確度；
34、2.在提取特征后利用啟發式蝠鲼覓食優化方法根據最佳適應度值選擇最佳特征數，其可有效地減少模型迭代次數，同時提高收斂速度以找到全局最優解。
35、3.采用了自適應極限學習機方法來識別壓板狀態，這種方法在高維空間中識別效率高、訓練和識別時間少與識別準確度高。
本文檔來自技高網...【技術保護點】
1.一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，所述步驟1具體為：首先是圖形分割部分，旨在通過基于壓板顏色檢測和圖形背景抑制部分，從給定的輸入圖片中準確地分割壓板區域，利用色調飽和度值(HSV)顏色空間模型進行壓板顏色檢測，通過消除V的值并使用H和S的值來獲得光照不變性；然后，利用直方圖模型計算閾值以區分壓板和非壓板部分，實現目標分割。
3.根據權利要求1所述的一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，所述步驟2具體為：方面特征提取模型主要包括主軸-次軸、質心、范圍、方向、固體性、偏心率、凸極的特征，其對圖像的相關特征指標定義如下：
4.根據權利要求1所述的一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，所述步驟3中，蝠鲼的行為和位置可以根據其食物來源而改變，如下所示：
5.根據權利要求1所述的一種基于啟發式蝠鲼覓食優化與自適
...【技術特征摘要】
1.一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，所述步驟1具體為：首先是圖形分割部分，旨在通過基于壓板顏色檢測和圖形背景抑制部分，從給定的輸入圖片中準確地分割壓板區域，利用色調飽和度值(hsv)顏色空間模型進行壓板顏色檢測，通過消除v的值并使用h和s的值來獲得光照不變性；然后，利用直方圖模型計算閾值以區分壓板和非壓板部分，實現目標分割。
3.根據權利要求1所述的一種基于啟發式蝠鲼覓食優化與自適應極限學習機的壓板狀態識別方法，其特征在于，所述步驟2具體為：方面特征提取模型主要包括主軸...
【專利技術屬性】
技術研發人員：陸珺，張晟煜，周友琪，傅軍，胡雪峰，鄭巧紅，曾泓，劉麗玉，黃盛康，劉炳青，謝育清，
申請(專利權)人：國網福建省電力有限公司上杭縣供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。