随着环境污染的日益加剧和电网规模的不断扩大,污闪事故频繁发生,严重影响着电力的安全、稳定、可靠传输。绝缘子污秽等级的安全、准确监测是电力系统高电压绝缘领域的一个热门课题,也是一个难点课题,它对于污闪问题的解决具有重要意义。本文首次提出了一种基于红外热像特征与人工智能的绝缘子污秽等级测量新方法。在综合考虑湿度及电压对污秽特征影响的基础上,系统地从理论、算法、实验等方面研究了该方法的可行性和准确性。该方法的优点在于可实现绝缘子污秽的非接触性测量,不易受电磁干扰,安全、经济、准确、便捷。本文研究采用高分辨率红外摄像仪采集污秽绝缘子图像。针对污秽绝缘子红外热像低对比度、大噪声的特点,提出了一种基于Bayes估计的小波自适应绝缘子红外热像去噪方法,采用无偏最小方差估计准则对不同尺度空间和不同方向上信号的小波系数进行自适应估计,以后验概率均值作为小波系数的估计,然后对小波系数进行小波逆变换得到去噪后图像。该方法最大程度地保留了图像的信息,具有良好的去噪效果。数值试验证明,与固定阈值法和极大极小阈值法比较,运用该方法去噪后的图像具有更高的信噪比(SNR)和更小的最小均方误差(MSE)。研究感兴趣的区域为绝缘子盘面区域,盘面区域能否完整有效的从整张图像中分割出来,直接关系到后续污秽特征提取的有效性。根据不同污秽等级的绝缘子图像灰度分布直方图的不同特点,针对轻度污秽绝缘子(包括洁净绝缘子),提出了一种最大类间方差法与形态学方法相结合的图像分割方法;针对严重污秽绝缘子,首次提出了一种改进的一维直方图波谷阈值图像分割方法,实现了绝缘子盘面图像的良好分割。实验结果证明,运用所提出方法分割后的绝缘子盘面图像完整,边缘清晰,分割质量良好。本文研究从分割后的污秽绝缘子盘面图像中提取了10维原始污秽特征,即:绝缘子红外热像背景(周围环境)的最高温度、最低温度、平均温度、背景温度分布的方差值、盘面图像的最高温度、最低温度、平均温度、盘面温度分布的方差值、盘面温度的最大温升、盘面温度的平均温升。当提取的特征较多时,会加大数据处理的复杂性,本文提出利用K-L变换降低污秽绝缘子红外热像特征维数,得到3维独立主分量特征,每一主分量都包含了原10维特征分量的信息。实验结果证明K-L变换在最大限度地保留原始污秽特征信息的同时降低了原始污秽特征数据的维数,减少了计算量,加大了数据的类间距离,提高了污秽数据分类的准确性。在综合考虑湿度及电压对污秽特征影响的基础上,针对绝缘子污秽等级识别本文设计了径向基概率神经网络分类器(RBPNN)和支持向量机分类器(SVM)。通过神经网络和支持向量机强大的非线性映射能力,首次建立起了不同湿度和电压下的绝缘子红外热像污秽特征与各污秽等级之间的映射关系。利用径向基神经网络对函数的任意逼近能力及其采用贝叶斯最小风险判别规则进行模式分类的优点,实现了各污秽等级的准确和快速识别。利用SVM对非线性、高维数、局部最小问题的良好处理能力、特别是其对小样本情况的超强处理能力,实现了小样本情况下,各污秽等级的准确识别。实验结果表明本文所提基于红外热像特征与人工智能的绝缘子污秽程度识别方法是一种安全、有效、准确、可行的绝缘子污秽程度检测新方法。