(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210339366.6 (22)申请日 2022.04.01 (71)申请人 长春工程学院 地址 130012 吉林省长 春市宽平大路395号 申请人 国网吉林省电力有限公司通 化供电 公司　 国网辽宁省电力有限公司抚顺供电 公司　 国网吉林省电力有限公司白城供电 公司　 长春晟德科技有限公司 (72)发明人 李成　王敏珍　张静伟　马骏　 孙冬　刘刚　靳双源　张辎猛　 裴玉杰　齐恩铁　张广新　赵立英　 倪虹霞　刘丽　闫钧炜　(74)专利代理 机构 南京鑫之航知识产权代理事 务所(特殊普通 合伙) 32410 专利代理师 姚兰兰 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/58(2022.01) G06V 10/143(2022.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G01D 21/02(2006.01) (54)发明名称 基于多光谱与光学电场数据融合的绝缘子 状态检测方法及其系统 (57)摘要 本发明公开了基于多光谱与光学电场数据 融合的绝缘子状态检测方法及系统， 多光谱数据 和光学电场数据通过相应的模型计算分析出多 光谱数据系 数Gn以及光学电场数据系 数Kn， 再通 过Pearson相关系数模型通过计算获得对应的绝 缘子状态系数r， 得到0 ‑1之间的各个绝缘子的系 数， 最后通过设置绝缘子状态评估集M， 确定被测 绝缘子的当前的阻值区间与状态， 本发明利用多 光谱与光学电场数据融合， 对采集数据进行融 合、 分析和整 合， 可方便、 快捷和精确的确定绝缘 子的阻值和状态， 并增加了对绝缘子环境状态的 检测以及神经网络学习， 降低了此多光谱与光学 电场数据融合检测方法对于检测环 境的影响， 进 一步的提高了后续检测数据的准确性。 权利要求书3页 说明书10页 附图4页 CN 114663413 A 2022.06.24 CN 114663413 A 1.基于多光谱与光学电场数据融合的绝缘子状态检测方法， 其特征在于， 包括以下步 骤： S1， 多光谱采集模块采集绝缘子的多光谱数据和光学电场数据以及环境数据， 多光谱 数据和光学电场数据通过相应的模型计算分析出多光谱数据系数Gn以及光学电场数据系 数Kn； S2， 将光谱数据系 数Gn和光学电场数据系数Kn的融合， 通过Pearson相关系 数模型通过 计算获得对应的绝 缘子状态系数r； S3， 获得的绝缘子状态系数r的绝对值集合成绝缘子状态评估集M， 绝缘子阻值R集合成 绝缘子阻值集MR， 将绝缘子状态评估集M与绝缘子相应 的被测阻值R进行标定， 确定被检测 的绝缘子状态； S4， 将上述多光谱数据和光学电场数据以及环境数据导入多光谱数据库中进行神经网 络学习； 进一步的， 光谱数据系数Gn和光学电场数据系数 Kn确定如下： S101， 多光谱的采集模块采集绝缘子的多光谱数据得到光线脉冲强度值Q， 并将偏振光 导入光学电场模块在外加电场的条件下融合， 根据光通过光学电场前后强度变化检测得到 相应的电场强度值E； S102， 将光线脉冲的阈值预设为3000， 当光线脉冲强度值Qn大于3000则光谱数据系数Gn 通过公式(1)计算得 出， 如下： 若光线脉冲强度值 Qn小于3000， 则去除此 数据进行 下一光线脉冲强度值 Qn的计算； S103， 确定不同的绝缘子阻值R与电场强度值E之间的比例kn， 通过公式(2)得出， 公式 (2)如下： kn＝E/R 式(2)； 将比例kn代入公式(4)中并通过计算得 出光学电场数据系数 Kn， 公式(4)如下： Kn＝kn/(kn+1) 式(3)。 2.如权利要求1所述的基于多光谱与光学电场数据融合的绝缘子状态检测的方法， 其 特征在于， 步骤S2中Pearso n相关系数模型如公式(4)所示： 式(4)中X为光谱数据系数Gn， Y为光学电场数据系数Kn， 为光谱数据系数Gn的均数， 为光学电场数据系数 Kn的均数， 通过计算可 得出绝缘子状态系数r。 3.如权利要求2所述的基于多光谱与光学电场数据融合的绝缘子状态检测的方法， 其 特征在于， 步骤S3中根据计算得出绝缘子状态系数r和测试出的绝缘子被测阻值R， 进行相 应的标定， 获得绝缘子状态评估集M， 绝缘子被测阻值 R与绝缘子状态评估集M中的子集相对 应。 4.如权利要求3所述的基于多光谱与光学电场数据融合的绝缘子状态检测的方法， 其 特征在于， 所述确定被 检测绝缘子状态， 具体如下： 所述绝缘子状态评估集M具体如下： M＝{0.3,0.5,0.9}；权　利　要　求　书 1/3 页 2 CN 114663413 A 2所述绝缘子阻值 集MR具体如下： MR＝{500MΩ,300MΩ,240MΩ}； 所述绝缘子状态对应的包括低风险状态、 中风险状态和劣化高风险状态， 所述低风险 状态与绝缘子状态评估集M中子集的0.3标定、 所述中风险状态与绝缘子状态评估集M中子 集的0.5标定、 以及劣化高风险状态与绝 缘子状态评估集M中子集的0.9标定； 当绝缘子状态处于劣化高风险状态时发出警报信号。 5.如权利要求1所述的基于多光谱与光学电场数据融合的绝缘子状态检测的方法， 其 特征在于， 所述环 境数据包括运行年限数据、 温度数据和湿度数据， 且环境数据通过多光谱 采集模块采集所相应的运行年限值Qy、 温度值Qt和湿度值Qh， 进行归一化函数处理， 具体如 下： 运行年限系数 温度系数 湿度系数 其中根据公式(5) ‑公式(7)计算出隶属 归一化后函数对应运行年限系数F(X1)、 温度系 数F(X2)和湿度的系数F(X3)， 将运行年限系数F(X1)、 温度系数F(X2)和湿度的系数F(X3)进行 综合均值处 理得到环境影响系数H 。 6.如权利要求5所述的基于多光谱与光学电场数据融合的绝缘子状态检测方法， 其特 征在于， 所述环境影响系数H与绝 缘子状态系数r所占权 重比为1:9。 7.如权利要求1所述的基于多光谱与光学电场数据融合的绝缘子状态检测的方法， 其 特征在于， 导入多光谱数据库中进行神经网络学习具体步骤如下： 步骤1、 多光谱的采集模块将数据输入绝缘子多光谱数据库， 多光谱采集模块对采集的 原始绝缘子多光谱图分别进行预 处理、 滤波、 放大和谱图插值拟合， 并转换成量子傅里叶变 换所需的格式， 存 入绝缘子多光谱数据库； 步骤2、 量子傅里叶变换对绝缘子多光谱数据库进行数据变换： 量子傅里叶变换从绝缘 子多光谱数据库输入已经处 理好的多光谱图数据， 并转换为 量子态绝 缘子多光谱图数据； 步骤3、 神经网络学习对绝缘子样品的单一种类光谱特征进行学习和提取： 神经网络学 习反复执行步骤3， 反复调用量子傅里叶变换 处理绝缘子多光谱数据库， 依次对绝缘子样品 单一种类光谱图中的绝缘子光谱数据进行数据变换， 再输入绝缘子样品单一种类光谱图的 数据变换结果， 通过多层神经网络对绝缘子样品单一种类光谱图的特征数据进行识别和提 取， 建立绝缘子样品的单一种类光谱特 征矩阵， 并存 入绝缘子多光谱特 征矩阵； 步骤4、 神经网络学习对绝缘子样品的多光谱特征矩阵进行多光谱交叉学习， 神经网络 学习同时输入绝缘子多光谱特征矩阵中的不同种类光谱的绝缘子单一种类光谱特征矩阵， 通过多层神经网络对绝 缘子多光谱图同时进行 特征数据识别和特 征提取； 步骤5、 绝缘子多光谱分析结果输出对绝缘子检测结果输出； 绝缘子多光谱分析结果输权　利　要　求　书 2/3 页 3 CN 114663413 A 3