基于改进RBFNN的变电站设备红外温度预测方法

为了能够准确地获取变电站敞开式设备的表面温度信息,准确定位热异常区域并以此确定设备运行状态,提出了一种变电站设备红外温度预测方法。采用量子遗传（QGA）-正交最小二乘算法（OLS）优化了径向基神经网络（RBFNN）,通过将红外热像图像素与温度作为该神经网络的输入和输出量,建立了从红外图像获取设备温度的理论模型。结合同一场景的红外图像与可见光图像配准技术,即可直接从可见光图像上获取对应位置的红外温度值；也可从红外图像中获取设备任意点的温度值，并定位至可见光图像区域对应位置。研究结果表明，相对于OLS—RBF、AGA—OLS—RBF神经网络而言，此方法预测结果更符合设备实际温度，预测准确度高、重复性好，并且克服了变电站中电力设备的原始红外图像视觉效果不直观的缺点，保障了电力设备的可靠运行。