电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究

不具备维修条件的情况下为保障重点区域供电的可靠性,允许故障设备在系统失稳前运行一段时间,演化预测当前故障渐变规律成为了安全预警亟待解决的核心问题。然而,现有演化预测方法所需的评估参量不仅获取困难,还会因参量之间融合不当,而使得预估时间偏差较大。为此,通过改进的全状态集成法模型,进行了电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究。通过红外检测图像与红外标准图库匹配以及红外–可见光的图像融合的方式从非结构化的图像数据中提取设备关键构件温度参量。结合运行参数采用聚类算法进行故障诊断,在此基础上综合短期电负荷和环境因素构建了负荷/环境–温升模型,并通过关联热老化、负载率、光照等状态约束条件预估设备故障后续走势。以综合状态为评估依据的电压互感器PT故障演化实验表明:该方法可有效识别设备并对热缺陷进行定位和分类评估,预测设备的运行状态随负荷、环境变化的趋势,为电力设备不停电检修智能化决策提供理论基础。     

基于深度学习的电力设备红外图像识别

电力设备的安全运行是保证电力系统长期稳定工作的重要基础,因此需要对电力设备的运行状态进行实时监测。实现对电力设备实时监测的关键是对电力设备进行准确的识别和定位。传统的图像检测算法受环境和复杂背景的影响,无法对电力设备进行准确的定位和识别。基于深度学习的目标检测在电力设备运行状态实时监测中具有更广阔的发展前景。针对电力设备红外图像的识别提出了基于Faster R-CNN识别方法。实验结果表明,该方法准确率高,能够准确定位和识别红外图像中的电力设备。     

基于智能卡的说话人确认系统及其应用

在基于智能卡的说话人确认系统中,实现了一种新的端点检测方法:能频值端点检测方法,其取得了较好的效果;在鲁棒性方面,研究了Mel倒谱系数各分量在说话人识别中的贡献,以及在参数级上Mel倒谱系数的差分系数及倒谱均值相减法对说话人识别的贡献;最后,讨论了基于智能卡的生物特征识别技术的应用途径。     

结合三帧差分法和混合高斯模型的运动目标检测

鉴于传统的三帧差分法(TFDM)在检测结果上有检测目标不完整的问题,提出了一种将TFDM与混合高斯模型(GMM)相结合的运动目标检测方法(TFDMGMM算法)。该方法用多个GMM的加权表示每一个背景像素,再结合TFDM判别是前景还是背景。实验结果表明,与单独的TFDM和GMM算法相比,既能得到相对完整的运动目标,又能减小噪声等外部干扰带来的影响。     

基于Zernike矩特征的电力设备红外图像目标识别

基于红外图像处理的电力设备及其关键构件识别是红外诊断技术的关键步骤,其难点之一在于设备图像的倾斜、缩放以及外形相似性导致的设备特征参量难以提取。本文以电流互感器、电压互感器、避雷器、隔离开关以及断路器五种外形相对接近的设备状态红外图像为研究对象,采用具有旋转与缩放不变性的Zernike矩作为待识别设备的特征,并基于相关向量机(Relevance Vector Machine,RVM)进行设备分类与识别。实验结果表明,该方法不受目标在图像中所处位置与倾斜角度影响,能够自定义生成大量高质量样本且有效分辨不同设备,设备识别准确率达到94.7%,验证了该方案的有效性与实用性。     

改进RFBNet的电力设备红外图像识别

由于智能变电站采集的电力设备红外图像样本较少,分辨率较低且识别难度较大,传统的图像识别技术很难对红外图像中的电力设备进行准确的定位和识别.针对红外图像样本较少,分辨率较低的问题,采用数据增强可以有效扩充红外图像样本数量,采用SRGAN算法可以有效提高红外图像分辨率.针对传统图像识别技术对红外图像识别难度大的问题,提出改...     

基于改进自抗扰控制的非对称六相双永磁同步电机串联系统控制

针对PI控制器存在的超调及跟踪速度慢的问题,以非对称六相永磁同步电机(PMSM)双电机串联系统为研究对象,采用自抗扰控制(ADRC)替代传统PI控制进行速度补偿,提高系统的抗干扰能力。基于传统自抗扰模块多参数整定的复杂性,引入遗传算法对其参数寻优,以最小超调量为优化判据通过交叉迭代的方式改进ADRC调节器。搭建基于改进ADRC的非对称六相双PMSM串联系统,并进行仿真。结果表明:与传统PI控制相比较,所用方法具备快速调节性能和精确的跟踪效果,同时可以削弱谐波电流的影响和转矩脉动,验证了所提控制策略的实用性。     

电力设备IR图像特征提取及故障诊断方法研究

针对电力设备红外图像批量诊断中故障特征参量提取及参数配置难题,采用粒子群算法(PSO)与Niblack算法相结合的方法,将设备热像从背景中分割出来并提取出设备的最低、最高及平均温度等参量,通过计算设备各温升特征,构建支持向量机(SVM)样本特征空间。采用优化的蝙蝠算法(BA)对SVM参数进行寻优,并利用最优参数配置下的SVM实现设备故障诊断。对220组图像样本测试结果表明：该红外图像故障诊断方法在电力设备热故障缺陷检测方面的效率及准确率较高,适用于电力大数据中非结构化红外图像的批量分析与处理。     

基于改进DeepLabv3+模型的电力线语义分割方法

在无人机智能电力巡检中,电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题,提出了一种改进DeepLabv3+算法的电力线分割模型——PBB-DeepLabv3+。用轻量级PP-LCNet替换原始DeepLabv3+主干网络Xception,有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中增加空洞卷积分支和级联卷积,获取具有更大感受野的多尺度特征从而减少漏分割现象,进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合3层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module, BAM)减少对电力线误分割现象。实验结果表明,改进算法预测速度相对于原DeepLabv3+模型提升54.39%,平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)分别提升1.18%和3.5...     

基于VSA-UNet的电气设备紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题,目标分割区域存在过分割和欠分割现象,因此提出一种基于多模块的VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)分割网络。为强化网络特征提取能力,减少过分割现象,使用VGG16Net的卷积层代替U-Net网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,获取紫外图像的多尺度信息,解决大区域的欠分割问题;在跳跃连接部分加入改进SENet模块,加强有用信息的提取,补充细节损失,提升整体网络性能。基于自建紫外图像数据集的实验表明,改进网络在分割紫外图像时平均交并比(Mean Intersection over Union, MIoU)达到81.78%,平均精确率为95.97%。与U-Net网络相比,提出的VSA-UNet模型明显提升了紫外图像分割的准确性。