基于PSO-BP算法的复合绝缘子红外测温修正方法

本发明涉及复合绝缘子状态评估，具体涉及一种基于pso-bp算法的复合绝缘子红外测温修正方法。

背景技术：

1、输电线路复合绝缘子长期受到电气、机械以及环境的综合作用，容易因酸蚀、电蚀而引发护套内部的局放发热，从而导致芯棒老化、劣化，发生酥朽，进而降低绝缘子的机械强度。在恶劣工况下还可能发生断串、掉线事故，产生难以估计的后果。近年来，红外测温技术在输电线路巡检中的应用日益广泛，在线路绝缘子运维过程中，通常使用无人机搭载红外成像仪进行巡检，拍摄时保持3-10m的距离，红外镜头和绝缘子的连线与导线成30°夹角。根据红外测温原理，距离和拍摄视角都会对测温精度产生影响，因此难以非常准确获得复合绝缘子的真实温度。温度略微的测量偏差，都有可能引起对复合绝缘子状态的误判，因此，研究如何消除距离和视角对红外测温结果的影响并修正测温精度，对于准确评估绝缘子的状态具有重要意义。

2、近年来，国内外已经有一些学者对红外测温精度的修正进行了研究，主要集中在提高测温精度和可靠性方面，采用的方法包括利用先进的红外成像技术、优化图像处理算法以及改进温度补偿模型等。尽管取得了一些进展，但仍存在一些不足之处。主要问题包括：测温精度受环境因素影响较大，尤其是视角和距离变化对温度测量的准确性产生显著影响；现有的校准方法复杂度高且适用性有限，难以在不同工作环境中保持一致的测量效果；此外，实时性和自动化程度也有待提高。这些问题制约了红外测温技术在复合绝缘子检测中的广泛应用，亟需进一步研究和优化。

3、文献[1]:李操.测温红外热像仪测温精度与外界环境影响的关系研究[d].长春理工大学,2009.记载：根据红外热成像仪辐射测量的基本原理，得出了影响热像仪测量误差的各种因素,并通过数据分析了发射率和测量距离对测温精度的影响，但并未对红外热成像仪的结果进行修正。

4、文献[2]:p.r.muniz,s.p.n.cani,r.da s.influence of field ofview of thermal imagers and angle of view on temperature measurements byinfrared thermovision[j].ieee sensors journal,2014,14(3):729-733.探索了热像仪的视场和观察视角对温度测量的影响，并通过多层人工神经网络和回归分析开发了模型校正测量误差，但是该文章仅考虑了视场角，并未考虑其他的红外测温影响因素。

5、文献[3]:王黎明,付铠玮,梅红伟等.环境湿度对复合绝缘子红外测温的影响[j].高电压技术,2019,45(06):1955-1961.研究了复合绝缘子高压端与低压端温差测量值与环境相对湿度的相关性，并得出了使用红外测温技术的建议湿度,但是并未考虑其他因素对红外测温的影响。

6、文献[4]:王海娟,胡振琪,夏清等.距离和湿度对煤矸石山表面温度探测的影响研究[j].红外技术,2015,37(07):618-623.记载：利用红外热像仪对煤矸石山表面温度进行探测，拟合了出距离-温度曲线和湿度-温度曲线，建立了修正模型，但是并未结合两个模型，应用时较为麻烦。

7、基于粒子群优化算法优化bp神经网络的数据回归预测(pso-bp)的红外测温修正算法。该算法在bp算法的原有的基础上，利用pso的全局搜索能力优化bp神经网络的权重和阈值，提高了网络的训练效率和性能。因此能够将该方法应用到红外测温修正中。

技术实现思路

1、针对复合绝缘子红外测温修正问题，本发明提供一种基于pso-bp算法的复合绝缘子红外测温修正方法，旨在解决现有技术中存在的测温精度受距离和视角影响显著、校准方法复杂且适用性有限等问题。通过结合粒子群优化算法pso与bp神经网络，本发明利用pso的全局搜索能力优化bp神经网络的权重和阈值，从而提高红外测温的精度和可靠性。

2、本发明采取的技术方案为：

3、基于pso-bp算法的复合绝缘子红外测温修正方法，包括以下步骤：

4、步骤一：搭建复合绝缘子红外测温实验平台；

5、步骤二：获取红外测温仪和红外热成像仪在不同的距离和视角下对于复合绝缘子的红外测温结果；

6、步骤三：制作红外测温数据集，并将红外测温数据集划分为训练集和验证集；

7、步骤四：引用了粒子群算法pso对bp神经网络进行优化，构建pso-bp神经网络模型；

8、步骤五：将红外测温结果通过pso-bp神经网络模型进行修正，并记录温度值，得到红外测温的修正结果。

9、所述步骤一中，为了探索距离和视角对红外测温的影响，获取红外测温数据集，本发明搭建了复合绝缘子红外测温实验平台，对110kv复合绝缘子进行试验，研究红外热像仪在不同的测量距离和视角下测量值和真实值的关系。

10、复合绝缘子红外测温实验平台包括升压装置、悬挂车、复合绝缘子，光纤测温仪、红外热成像仪；红外测温仪；

11、所述升压装置主要包括高压电源系统和高压测量系统；

12、高压电源系统包括调压器、升压变压器(150kv，50kva)、保护电阻(10kω，10kw)；

13、高压测量系统包括电压表(分压比1:1000)；

14、悬挂车，用于悬挂110kv复合绝缘子，将加压设备的地线接在悬挂车的顶端悬挂绝缘子处。

15、红外热成像仪的型号为fluket ti100 3，用于复合绝缘子的红外温度。

16、光纤测温仪，用于测量复合绝缘子的实际温度；

17、110kv复合绝缘子通过保护电阻连接升压变压器的一次侧，升压变压器的二次侧连接调压器，升压变压器的二次侧并联有电压表；

18、红外测温仪的型号为fluke 566激光测温仪，同样用于对复合绝缘子进行红外测温，并对比和红外热成像仪的测温结果。

19、为了排除温度、湿度和风速等其他因素对于试验的干扰，复合绝缘子红外测温实验在试验室中进行，所以风速为0m/s，进行红外测温时时间较短，所以温度湿度可视为恒定。

20、所述步骤二中，获取红外测温仪和红外热成像仪在不同的距离和视角下对于复合绝缘子的红外测温结果；具体试验步骤如下：

21、2.1：首先按要求悬挂复合绝缘子：选择第一支复合绝缘子进行悬挂，按照gb/t4585-2004《交流系统用高压绝缘子的人工污秽试验》要求，将复合绝缘子垂直悬挂于试验室内的复合悬挂车上，卡住复合绝缘子顶端，保证稳固。并且测量复合绝缘子到地面的垂直距离，保证复合绝缘子的任一部件与地面物体之间的距离为0.7m以上；

22、2.2：安装光纤测温仪：绝缘子悬挂好后，在安全护栏外安装好光纤测温仪，并将光纤测温仪的三个探头ch1、ch2、ch3通过绝缘导热的双面胶粘在复合绝缘子表面，探头ch4直接放置在空气中，用来测量环境温度；

23、2.3：在复合绝缘子底部高压端施加电压：

24、使用铜导线将升压变压器的火线端与复合绝缘子底端连接，将地线端与复合绝缘子顶端连接。为了模拟实际运行情况，电压设置1.1倍的运行裕度；加压前，确认安全护栏和接地棒已正确放置。确认无误后，对复合绝缘子进行加压，施加的电压类型为交流电压，加压大小为100/×1.1≈70kv，加压时间为120min；

25、2.4：对复合绝缘子测温：加压完成后，使用光纤测温仪的测量复合绝缘子的实际温度，并通过红外测温仪和红外热成像仪获取复合绝缘子的红外温度；根据无人机红外巡检的要求，改变红外测温仪和红外热成像仪的距离和视角进行测量，测量距离分别设置为2m、3m、4m和5m，并在每个距离调整拍摄视角，拍摄视角设置为-30°至30°，每10°为一个间隔。在每个测温位置，进行三次测温记录，取三次测温值的平均值作为测量温度，保证数据的可靠性。记录红外测温仪、红外热成像仪和光纤测温仪的温度。

26、2.5：更换绝缘子重新试验：记录完成后，控制调压台进行降压，并分闸关闭调压台，将接地棒悬挂，取下试验完的复合绝缘子并更换第二支复合绝缘子，重复试验步骤2..1～2.4，依次对剩下的绝缘子进行试验。

27、所述步骤三中，制作红外测温数据集，并将红外测温数据集按照8:2比例划分为训练集和验证集。

28、所述步骤四中，配置pso-bp神经网络模型参数，进行深度学习训练，检验训练效果，获取训练好的pso-bp神经网络模型；具体如下：

29、为了优化解决传统的bp算法存在容易陷入局部最优解，且训练速度相对较慢的问题，本发明引用了粒子群算法pso对bp神经网络进行优化，粒子群算法pso是一种模拟动物群体社会行为的智能优化算法，每个粒子被视为一种方案，通过追踪每一个粒子的适应值f(i)、个体极值pibest、群体极值pgbest的关系来更新自己的速度和位置，速度更新公式如式(1)所示：

30、

31、式(1)中，vi(t+1)是粒子在t+1时的速度；w是惯性权重；vi(t)是粒子在t时的速度；c1，c2是加速常数；r1和r2是0～1的随机数；xi(t)是粒子在t时的位置。

32、位置更新公式如式(2)所示：

33、xi(t+1)＝xi(t)+vi(t+1)        (2)

34、式中，xi(t+1)是粒子在t+1时的位置。

35、反向传播算法是一种用于训练神经网络的算法，通过调整网络权重来使输出误差达到最小值，权重的调整公式为：

36、

37、式中，wij(t+1)和wij(t)分别表示连接神经元在t+1和t权重；η是学习率；e为总误差。

38、利用粒子群算法pso对bp神经网络进行优化，克服了传统bp神经网络依赖初始权重和易陷入局部最优解的缺点，提高网络的整体性能，训练步骤如下：

39、1)确定bp神经网络的结构：

40、确定bp神经网络的网络层数、神经元的数量和激活函数；神经网络的激活值为：

41、al＝σ(wlal-1+bl)        (4)

42、式中，al为第l层的激活值，σ为激活函数，wl为第l层的权重矩阵，al-1为第l-1层的激活值，bl为第l层的偏置执向量。

43、2)初始化参数：

44、随机生成bp神经网络初始的权重和偏置，并初始化pso的粒子群，设定每个粒子的初始位置和速度；权重计算公式以为：

45、

46、式中，wij为第l层中第i个神经元和第j个神经元之间的权重，φ为正态分布，n(l-1)为第l-1层的神经元数量。

47、3)使用粒子群算法pso优化权重和偏置：

48、计算每个粒子的适应度f(i)，更新个体极值pibest和群体极值pgbest；通过追踪每一个粒子的适应值f(i)、个体极值pibest、群体极值pgbest的关系来更新自己的速度和位置，速度更新公式如式(6)所示：

49、

50、式中，vi(t+1)是粒子在t+1时的速度；w是惯性权重；vi(t)是粒子在t时的速度；c1，c2是加速常数；r1和r2是0～1的随机数；xi(t)是粒子在t时的位置。

51、位置更新公式如式(7)所示：

52、xi(t+1)＝xi(t)+vi(t+1)        (7)；

53、式中，xi(t+1)是粒子在t+1时的位置。

54、4)初始化bp神经网络：

55、获取pso算法的最优解后，设置此解为bp神经网络的初始权重和偏置：

56、

57、式中，wijbest为通过pso优化得到的最优权重。

58、5)训练bp神经网络：

59、输入距离x1，视角x2，红外测温值x3，计算隐含层和输出层的神经元输出，得到修正后的红外测温值y’，并计算输出值和目标值的误差，调整权重和偏置，不断迭代，直到达到预设值，输出优化后的pso-bp神经网络模型，损失函数j为：

60、

61、式中，n是样本数量；yi是第i个样本的实际值，是第i个样本的预测值。

62、所述步骤五中，加载pso-bp神经网络模型，读取待修正的红外测温数据，输出红外测温修正值。

63、还包括步骤六：输入待预测红外测温数据，检验pso-bp神经网络模型修正结果,并与其他的模型进行对比。具体如下：

64、训练完成后，重新进行测温试验，将红外测温结果通过不同方法的修正模型进行修正，并记录准确温度值，得到红外测温的修正结果。

65、利用目前常用的统计回归模型，包括线性、非线性和指数函数拟合，以及常用的机器学习模型，如极限学习机(elm)、径向基函数神经网络(rbf)和偏最小二乘回归(pls)，同时结合深度学习模型，如遗传算法优化的bp神经网络(ga-bp)和标准bp神经网络，分别对红外测温数据进行修正；统计修正后的红外测温数据，进行对比分析，比较本发明提出的pso-bp红外测温修正模型和其他各模型的修正精度。

66、本发明提供了一种基于pso-bp算法的复合绝缘子红外测温修正方法，其有益效果为：

67、1)该方法不仅能够有效消除距离和视角对红外测温结果的影响，还能够在不同工作环境中保持一致的测量效果，显著提升无人机红外巡检的实时性和自动化水平，确保对复合绝缘子状态的准确评估，进而提高输电线路的安全性和运行可靠性。

68、2)本发明特别涉及基于pso-bp算法的复合绝缘子红外测温距离视角补偿校准方法，通过该方法可以提高无人机红外巡检的精度，使绝缘子故障等级判断更加准确。

69、3)本发明首先对试验中的复合绝缘子进行红外测温，获取红外测温数据集。然后对数据集进行训练，建立修正模型，最后通过试验验证本发明所提的算法间的修正效果。试验表明，修正前，红外测温仪和热成像仪的平均温差分别为1.65℃和1.32℃，平均误差为17.06％和9.07％。经过pso-bp算法修正后，平均温差降为0.12℃和0.08℃，平均误差降为1.36％和0.97％。

70、4)修正结果表明，本发明提出的基于pso-bp的复合绝缘子红外测温修正方法具有显著的修正效果，有效提高了复合绝缘子红外测温精度，并且该方法为综合的修正方法，可以增加其他的影响因素一起进行进行修正。

71、5)该方法可应用于输电线路无人机红外巡检领域，可以大大提高无人机红外测温精度和绝缘子的状态判定精度，为无人机定期巡检复合绝缘子、维护输电线路安全提供有力的技术支撑。