基于云服务的电力移动视频监控系统设计

文章基于分布式的云服务架构,研发适用于省市级电力公司检修和安监等部门的电力移动视频监控系统,实现对施工/检修现场、设备巡检、输电线路等各类移动视频的集中监控、统一存储和统一管理,为安全生产提供有效的监管手段。     

基于二维特征提取方法与混合神经网络的接触式采集110 kV三相三绕组变压器无载调压异常

异常放电是电力变压器中一种潜在的危险故障,若未及时检测可能导致严重的安全事故。采用接触式拾音器收集变压器箱体内异常放电声纹信号,并提出了一种特征提取方法和一个深度神经网络结构,以实现对变压器异常放电的高效识别。首先,设计了一种结合梅尔频率提取和关键频率提取的二维声纹特征提取方法。其次,提出了一种基于卷积神经网络和Transformer网络的混合二维特征识别模型,能够在确保识别速度的同时准确辨识异常放电声纹信号。通过对110 kV三相三绕组变压器无载调压试验过程中采集的放电数据进行试验分析,所提方法相较于ResNet50识别速度增加约0.16秒/样本,同时识别效果提升了4.5%。     

基于改进RBF算法的蓄电池荷电状态估计研究

针对径向基神经网络在SOC预测过程中随机产生基函数中心和宽度的不稳定性导致预测精度不佳的问题，提出一种改进RBF的蓄电池SOC估计方法，以麻雀搜索算法优化RBF网络参数以提高网络预测精度。在DST工况仿真验证SSA参数优化的有效性，在US06和FUDS工况下，分别利用改进径向基神经网络、RBF、极限学习机与BP神经网络对SOC进行预测。对比分析结果表明，SSA-RBF在SOC估计精度方面表现更优，将估计误差降低到2%以内，能够完成高精度的SOC估计，具有一定的理论研究意义与应用价值。     

基于贝叶斯方法的在线监测I/O卡件故障率研究

针对DCS可靠性数据少,样本少,难以获得的特点,基于研发的DCS各系统可靠性监测系统,获取设备运行的特有样本数据,对寿命服从指数分布的I/O卡件,运用贝叶斯方法分析其故障率。利用共轭分布法选取先验分布;采用先验矩的方法估计先验分布的超参数;利用伽玛分布性质进行指数分布故障率的估计,修正I/O卡件的故障率。算例分析表明,该方法求取I/O卡件故障率具有可行性。     

基于红外图像的零值绝缘子自动检测算法

在电力系统中,利用计算机视觉和图像处理技术对零值绝缘子进行检测,对保障电力系统的安全运行具有非常重要的作用。提出了一种基于红外图像的零值绝缘子自动检测算法。该算法首先对输入图像进行预处理,利用GLOH描述子结合机器学习精确定位绝缘子,然后利用图谱方法提取图像的边界点,并搜索初始轮廓线作为初始值,利用GVF Snake模型检测绝缘子串的精确轮廓线,以分割绝缘子,最后通过分析统计直方图,实现零值绝缘子的自动检测。实验结果表明,所提出的算法可以有效地检测零值绝缘子。     

变电站辅助设备监控发展综述

变电站是电网系统中一个重要的环节,辅助设备是辅助变电站安全运行的现场传感及控制设备,辅助设备监控对变电站的安全运行有着重要作用.现阶段关于变电站一次设备的监控系统已逐步实现标准化,关于辅助设备的监控还在不断发展中,为此主要从辅助设备的五个方面介绍辅助设备监控的发展状况.     

基于数字孪生的变电设备运维系统及其构建

针对变电设备周期状态管控难、运检效率低等问题,基于数字孪生理论,构建基于真实变电设备运维的数字化模型及系统。首先,在信息层建立能反映变电设备换流变、调相机、GIS（Gas Insulated Substation）这3类设备真实状态的数字孪生体;其次,基于换流变、调相机、GIS历史大数据,通过数字孪生体的变电站设备进行统计分析,并根据采集的实时数据、运维数据来预测变电站设备下一时刻的状态,使变电设备实现实际变电站内物理层与信息层数据的融合;最后,以变电站设备运维为对象,采用信息物理融合系统进行运维数据的集成和同步,形成最终变电设备运维数字孪生框架系统。相关研究表明,运用数字孪生技术可以对变电设备运维系统运行效率的提升和对变电站整体智能化提供强有力的技术支撑。     

基于盲源分离的变电站导线电流分布实时监测

针对变电站导线电流分布不平衡导致故障的问题,提出了一种盲源诊断法。首先使用基于非侵入式无芯和非接触式霍尔传感器的监测系统感应所有导线周围的磁通密度;其次利用磁通密度与电流之间的方程式来估计每根导线中的电流;再次将电流与热额定值进行比较,确定电流分布是否均匀;最后根据电流分布情况决定是否触发报警。实验结果表明,该方法能够正确检测导线电流分布情况,具有非常好的适用性。     

基于雷达点云与图像数据的三维目标检测方法

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义.使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比于单阶段网络运算速度较慢,而在实际应用中检测系统的速度是非常重要的.针对以上问题,在单阶段网络RetinaNet上进行改进,设计了一种三维目标实时检测方法,将三维锚框映射到点云和图像的特征图上,利用ROI池化,将锚框在特征图上裁剪出的区域转换成相同大小并融合,最终输出目标边界框的回归参数和类别,并且对锚框进行调整得到目标预测边界框.在KITTI数据集上进行的实验表明,所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法.     

基于雷达与图像数据融合的人体目标检测方法

三维人体目标检测在智能安防、机器人、自动驾驶等领域具有重要的应用价值。目前基于雷达与图像数据融合的三维人体目标检测方法主要采用两阶段网络结构,分别完成目标概率较高的候选边界框的选取以及对目标候选框进行分类和边界框回归。目标候选边界框的预先选取使两阶段网络结构的检测准确率和定位精度得到提高,但相对复杂的网络结构导致运算速度受到限制,难以满足实时性要求较高的应用场景。针对以上问题,研究了一种基于改进型RetinaNet的三维人体目标实时检测方法,将主干网络与特征金字塔网络结合用于雷达点云和图像特征的提取,并将两者融合的特征锚框输入到功能网络从而输出三维边界框和目标类别信息。该方法采用单阶段网络结构直接回归目标的类别概率和位置坐标值,并且通过引入聚焦损失函数解决单阶段网络训练过程中存在的正负样本不平衡问题。在KITTI数据集上进行的实验表明,本文方法在三维人体目标检测的平均精度和耗时方面均优于对比算法,可有效实现目标检测的准确性和实时性之间的平衡。