《电力大数据》引发技术变革的电力大数据

(2)图像分类识别
Hu矩是1962年由Hu提出的二维不变矩理论，是提取图像旋转、缩放特征的二维不变矩理论，具有旋转、缩放和平移不变性， 故被广泛地应用在图像识别的特征提取中。在具体的模式识别过程中，可将目标图像的7个不变矩的测量值作为其特征矢量，也可以根据所识别图像的具体性质选择不同的不变矩组合，或者将不变矩与其他的特征量相结合。
Hu矩具有图像旋转、缩放不变性，但是在实际缩放运算上存在较大的误差，为了改进这一问题，可以采用改进Hu不变矩，利用不变矩之间的比值来去掉比例因子，使不变矩公式与面积或结构的比例缩放无关，仅与几何形状有关，解决因拍摄距离不一致导致的缩放问题。

表3-7电气设备Hu不变矩值

BP神经网络是人工神经网络中最基本的和使用最广泛的网络，具有结构简单、易于实现的优点。BP神经网络算法又称为误差反向传播算法，具有良好的自适座性和分类识别等能力。
标准BP神经网络分为三个部分：输入向量、隐含层神经元和输出层神经元。输入层处理单元数等于输入的图像特征值个数；隐含层神经元可以按照经验来选取，选取隐含层数为5;输出层神经元的个数为1，输出数值的大小即为电气设备的种类（如0、1等）。

3-16神经网络示意图

采用Matlab中的数字图像处理模块对电气设备红外图像进行分类识别，总共进行5次试验，分别输入来自某市电力公司变电站现 的270、540、810、1080、1350张红外图儉，其中，变压器、穿墙套管、避雷针、开关、互感器、散热器、互感器（三相）、断路器、出线电缆头各30、60、90、120、150张。总体仿真步骤如下：
1）对所有图像进行预处理。
2）求取每张图片的的Hu不变矩和改进的Hu不变矩。
3）选取每类电气设备测试图像的1/3作为训练样本，对构建的神经网络分类器进行训练，并对剩余的图像进行分类，同时对图像Hu不变矩和改进的图像Hu不变矩进行分类。
4）对最终的仿真结果进行归纳总结，手找到准确率最高的分类方法。

用于测试构建的神经网绪分类器隐含层含有5个神经元，采用logsig（S型）函数；输出层有1个神经元，采用purelin（线性型）函数。学习率段定为0.005，训练次数为10000次，目标误差为0.001。
图3-17表示采用神经网络分类器进行分类，每种电气设备选取150幅图片的情况下，改进的BP算法迭代了31次，达到了目标误差0.001的要求。

图3-17 误差函数曲线收敛示意图

(3)图像处理
—张普通的红外图像大小一般在250〜650KB之间，存储着约合640x480个点的温度信息与RGB信息，以及相关语言注解与文本注解等信息。以某地市需要通过红外图像诊断的设备10000台来估算，每日产生的图像约为3万张，存储空间约为14GB，三年的数据量可达3600万张，存储空间约为15TB。对于3600万的记录数、15TB的数据量的数据规模，传统的关系型数据库+文件管理系统模式无法实现高效存储与快速检索的需求；基于Hadoop平台可将红外图像视为小文件，本领域需要解决的不仅仅是图像的存储、检索问题，还需在此基础上进行模式识别与温度分析等预处理业务，并且需要将相关的预处理结果与图像信息进行关联。
基于HBase数据库技术，不仅仅解决了红外图像的高效存储与检索问题，也解决了海量图像预处理问题，并且解决了图像信息与预处理结果信息（区域信息、温度信息）之间的关联问题。