基于局部区域聚类的电力设备故障区域提取方法

针对电力设备红外图像诊断中热故障区域提取问题,提出了一种局部区域Mediodshift聚类的电力设备红外图像故障区域提取方法。文章根据热故障所表现的灰度特性初始化聚类中心;结合Mediodshift聚类方法,对目标区域邻域像素进行聚类。为了尽可能获取故障区域邻域相似像素,引入了基于邻域灰度的调节策略。同时,为了提高聚类效率,采用了自高向低的聚类阈值分割机制,从而使得Mediodshift算法能快速地将整幅图像中故障区域像素进行聚类,实现红外图像中热故障区域的提取。最后通过典型红外图像实验测试,验证了该方法区域提取的有效性,且对比目前现有的一些方法,进一步表明文中方法具有较好的故障区域提取性能。     

基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进行训练以解决图像集样本数量较少的问题.实验结果表明,在样本数量较少的情况下,所提方法可以达到满意的检测准确率,并能快速地实现变电设备的识别和定位.     

基于深度卷积神经网络的变电一次设备故障检测方法

为解决传统变电一次设备故障检测方法中存在的故障检测误报率及漏报率等问题,提出了基于深度卷积神经网络的变电一次设备故障检测方法。在多种光照条件下采集变电一次设备图像和场景图像,组建变电一次设备数据集合场景数据集,再对各类型数据集进行预处理。通过深度卷积网络自适应方法提取变电一次设备的时域和频域信号特征,将深度卷积神经网络作为特征提取器,利用免疫学习特性形成未知故障检测器,实现变电一次设备故障检测。实验结果表明：所提方法能够有效降低变电一次设备故障误报率和漏报率,切实提高了检测及时性和故障辨识率。     

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。     

基于智能视觉物联网的变电站红外监测系统

变电站电力设备故障导致大面积停电时会造成巨大的经济损失和社会影响。根据电力设备故障会产生温度异常的特点,提出一种基于智能视觉物联网的变电站红外监测系统。该系统通过无线组网实现远程监控,对设备发热异常进行实时报警。利用基于空间位置约束和方向约束的红外图像与可见光图像配准方法实现异常发热区域的精确定位。对异常发热区域和温度较高区域打上视觉标签,分析温度变化情况,预防故障的发生和升级。实验结果表明,该系统能够准确、实时地检测和定位设备温度异常区域,对温度过高区域进行持续监测并对故障进行预警,为变电站设备异常监测提供了可靠保证。     

基于卷积递归网络的电流互感器红外故障图像诊断

电力大数据中日益增多的非结构化数据为以人工诊断为主的传统处理方式提出了新的挑战。红外故障图像作为一种典型的非结构化数据,对于电力大数据的研究有着至关重要的作用。为了达到自动处理海量红外故障图像的目的,提出了一种基于卷积递归网络的电流互感器红外故障图像诊断方法。对红外故障图像首先进行超像素分割并利用其色度信息提取温度异常区域;然后采用两级联合卷积-递归神经网络,对大量样本信息进行训练学习来指导设备故障部位识别;最后依据部位信息对故障进行分类。实验结果表明,该算法鲁棒性较强,准确性较高,有效地提高了红外检测效率,为非结构化数据的特征提取分析提供了坚实的基础。     

基于全局注意力机制的变电设备红外图像识别方法

常规的变电设备红外图像识别特征提取以目标标点提取为主,识别速度慢,容易导致红外图像的缺陷误识率升高。为此,提出对基于全局注意力机制的变电设备红外图像识别方法的设计与验证分析。根据当前识别需求,先采集红外图像数据,通过多尺度的方式,提高识别速度,进行多尺度特征提取。以此为基础,设计全局注意力机制变电设备红外图像识别模型,采用阈值辅助判别的方式来实现图像识别。测试结果表明：在选定的3个阶段中,对比的2种辅助方法对红外图像的缺陷误识率均高达15%以上,而所设计的全局注意力机制变电设备红外图像识别组误识率被较好地控制在10%以下,说明此次在全局注意力机制的辅助下,设计的图像识别方法针对性更强,识别效率高,更为高效。     

基于改进MSER算法的电力设备红外故障区域提取方法

红外图像处理中因目标边界模糊、区域灰度变化等因素,导致传统的极大稳态区域方法区域提取效果低下。为此,提出一种基于改进极大稳态区域方法的电力设备红外故障区域提取机制,提升区域提取效果。首先,从灰度相似度聚类出发,采用Meanshift算法对分割区域的邻域像素进行聚类。其次,结合阈值分割机制,快速将相似像素进行分割,最终通过迭代得到电力设备故障所呈现的亮度区域信息。实验结果表明该提取区域方法性能优于极大稳态区域算法,具有较低的误分类错误,且相比于Mean shift算法,具有高效的处理速度。     

基于Faster RCNN变电设备红外图像缺陷识别方法

变电设备红外检测能够及时有效的发现设备过热缺陷,预防设备故障的发生。传统人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,而目前红外图像缺陷识别大都基于传统机器学习算法,识别准确率低、泛化能力差,因此本文提出了基于深度学习的变电设备红外缺陷识别方法。首先基于Faster RCNN算法对变压器、套管、断路器等七种变电设备进行目标检测,实现设备的精准定位、识别,然后基于温度阈值判别法对设备区域进行缺陷识别。使用现场采集红外图像进行测试,七种设备检测平均精度均值达到90. 61%,缺陷识别准确率达到81. 33%,实验结果表明本文方法的有效性和准确性。     

基于红外热成像技术的变电设备热故障识别方法

针对现有的识别方法故障缺陷判断能力差、故障识别准确程度低,研究基于红外热成像技术的变电设备热故障识别方法。以普朗克黑体辐射为技术基础进行红外测温获得红外热图像,对现场采集到的图像进行预处理。运用多尺度特征融合对故障特征进行提取,通过相同倍数缩放进行归一化,得到向量机样本数据。设定最优分类函数,将空间的样本数据映射到高维度的空间内进行非线性变化得到对样本数据的最优分类。运用核函数在约束条件下进行识别,判断故障的危险等级从而得到识别结果。实验结果表明,套管在三相发热异常为紧急故障,达到了紧急故障的标准,构成缺陷,识别判断正确。经过5次测试,故障识别准确程度均在80%以上,结果符合预期,达到了精准识别变电设备的热故障的效果。     

基于红外检测的变电站设备热状态诊断

提出了一种基于红外检测的变电站设备热状态诊断方案。首先基于变电站设备的红外图像,采用局部方差映射函数和遗传算法阈值提取了变电站设备的热状态数据,以用于对异常区域进行分割。然后构建了红外图像灰度数与变电站设备温度两者之间的关系。最后采用改进的相对温差法达到了对设备热状态进行分类和诊断的目标,并捕获定位了变电站设备的热状态异常区域。实验结果表明,该方法提高了异常热区提取的精度和效率,提升了变电站设备热状态诊断的容错能力,进一步保证了变电站和整个电力系统的运行稳定性。     

基于Mask-RCNN算法的复合绝缘子串红外图像分割与温度读取

红外成像可以快速发现复合绝缘子异常温升,从而实现缺陷检测。为了解决复合绝缘子红外检测中人工诊断时间成本高、效率低、背景干扰多的问题,文中提出了基于Mask-RCNN的温升绝缘子自动检测方法。首先使用Mask-RCNN对红外图像数据进行学习训练,进而对其中的绝缘子目标进行识别检测和图像分割。在智能分割之后,通过识别图中的温度范围数据并将绝缘子区域图像灰度与之比对,得到了绝缘子的温度信息,用于绝缘子异常发热故障的诊断。实验研究表明:在对南方某市绝缘子红外测温图像的自动识别中,Mask-RCNN有着优异的表现,能够运用于在巡线工作中,可以有效减轻人工处理数据的压力,对于提升推进智能巡线的智能化水平、保障输电线路安全运行有着重要的意义。     

基于红外成像技术的电气设备故障检测

以往电气设备故障检测所采用的信号处理方法为提取信号特征进行故障检测,无法实现故障的区域检测,缺乏故障等级的有效判断,检测结果具有检测准确度低、结果不稳定的缺点。因此,提出基于红外成像技术的电气设备故障检测方法,其通过红外摄像仪检测电气设备红外图像的温度值后,以灰度图像替代红外图像获得阈值的强度信息矩阵,提取电气设备红外图像的灰度值。根据温度与灰度的映射关系,采用相对温差法对红外图像高温区域进行提取。基于电气设备红外图像高温区域,进行故障区域面积与故障区域质心的计算,获得红外图像的故障区域特征,通过灰度和温度的对应关系,反推电气设备故障区域质心的温度,运用绝对温差法确定电气设备故障等级。实验结果说明:所提方法具有较高的检测准确度和稳定性。     

变电设备易发热部位的分析与测试

变电设备是电网构成的基础。在一定条件下,变电设备的发热故障往往是造成事故隐患的一个重要因素。正确查找变电设备的发热点,及早发现和处理运行设备缺陷,排除设备事故隐患,确保电网安全运行,是变电运行维护过程中必须做到的重要环节。目前,查找变电设备发热部位的最有效方法就是使用红外线测温成像仪,它主要是利用带电设备表面发出的红外辐射进行测温。     

变电设备发热缺陷的管理

变电设备的接头与刀闸部位容易产生发热缺陷,在日常巡视检查中通过看、听、嗅、摸,可以及时发现,对不易接近的部位要利用停电操作的机会进行检查,还可利用红外成像仪发现设备发热缺陷。分析了变电设备发热的原因,介绍了变电设备发热缺陷的检查及判断方法,总结了利用红外成像仪监测变电设备发热情况的经验,提出了预防设备发热的措施。     

基于无人机红外视频的输电线路发热缺陷智能诊断技术

以无人机搭载的红外传感器获取的视频为数据源,研究了基于红外图像的电力设备异常发热检测,实现了输电线故障缺陷位置的自动诊断和定位。首先从红外视频中抽取红外序列图像帧并对抽取的红外图像进行自动拼接和帧间差分,进而确定输电线的主方向,并对输电线区域进行定位;然后根据红外图像和输电线故障诊断标准对提取的输电线进行故障诊断,最终实现了输电线故障的定位和自动诊断。实践证明该方法具有较高的自动化程度和效率。     

一种基于红外图像的电缆终端异常发热自动诊断方法

为提高电缆终端异常发热的自动诊断水平,降低对人工诊断的过分依赖,提出一种基于红外图像分析的电缆终端异常发热自动诊断方法。该方法首先利用最大类间方差法确定灰度化图像的灰度阈值,实现图像背景滤除;其次利用Canny算法提取前景图像中的边缘信息,识别出目标对象电缆终端;接着采用k-means聚类算法对电缆终端进行分割,提取疑似过热区域;然后基于过热区域构造模板,并采用模板匹配方法从参考相中匹配出参考区域;最后计算过热区域与参考区域的温度特征信息,依据相关诊断标准得到诊断结果。案例分析结果表明,该方法能从背景复杂的红外图像中识别出电缆终端,定位过热区域与参考区域,实现对异常发热现象的自动诊断,具有实际工程应用价值。     

基于红外热点的电力缺陷检测方法

针对直升机电力巡检拍摄到的实时红外视频序列,寻找定位高温点并实时反馈给控制系统,首先对其进行Hough变换检测输电线,然后采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,接着利用SIFT特征匹配识别红外图像中的绝缘子,最后对缺陷进行分类和分级。实验证明该算法发热点定位准确率较高,可智能识别缺陷,减轻了人工作业负荷。     

采用对象分割和图像配准方法的变电站红外预警系统

为了早期发现变电站事故隐患,建立了一个红外温度巡检与预警系统,该系统能够自动循环采集变电站电气设备的红外图像,通过提取目标设备的温度信息进行故障判别。为了解决机械传动造成的图像位置偏差导致系统难以对感兴趣设备进行定位监测的问题,提出了一种基于对象分割和图像配准的校正方法,首先对图像进行对象分割和组态定义,并将待测目标提取出来,然后采用基于相位相关和Harris角点匹配的图像配准方法对序列偏差图像进行配准。使用上述方法对某变电站中获取的15组电气设备红外遥视图像进行了实验,平均正确匹配率达到93.3%,并且配准精度较高,达到了亚像素级。实验表明该方法能够对偏差图像进行有效校正,使系统能够及时准确地获得设备部件的温度,保障监测系统的可靠运行。     

红外热像故障诊断技术在高压电气设备中的运用

主要介绍高压变电设备红外故障诊断技术以及电气设备试验人员如何较了地利用这一先进技术进行电气设备的红外热像故障诊断工作;如何根据热像图正确分析发热原因、故障部位。