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。     

红外热像带电检测信息标准化系统设计

针对现阶段红外热像检测管理混乱、缺乏分析工具等现状,设计开发了红外热像带电检测信息标准化系统,通过调整红外热像图像对比度、提高图像信噪比等措施对热像进行增强预处理,实现了红外热像批量上传及模糊检索、批量生成报告、全像素温度流格式、通过温度波型变化趋势进行缺陷判断以及准确判断电压致热型缺陷等功能。该系统的开发有助于积累设备热缺陷分析样本,准确掌握不同设备的发热特征,提高技术人员设备缺陷分析效率,从而实现输变电一次设备红外热像带电检测信息精细化管理。     

基于损失函数的SVM算法及其在轻微故障诊断中的应用

尽早识别轻微故障，对提高生产过程设备运行的安全性具有重要意义。为实现对设备轻微故障的正确识别和及时诊断，该文提出了一种基于损失函数的支持向量机(SVM)算法。应用模糊理论的方法对支持向量机分类及最优分类面进行了解释，对可疑分类区列出了模糊隶属度的表达式。针对故障诊断等问题中误判造成的损失不同这一特点，定义了基于损失函数的模糊隶属度，并得出了修正后的最优分类面。SVM算法可以实现对设备轻微故障的准确识别，并可近似地判别故障的严重程度。文中以汽轮机减速箱轴承运行状态诊断为例，对样本数据经K-L变换后进行可视化研究，分类结果表明了该算法的可行性。     

基于温度概率密度的变电站高压设备故障热红外图像识别方法

针对变电站高压设备故障热红外图像的识别问题,提出一种基于温度概率密度特性的识别方法.首先,使用核函数估计实现对红外图像温度概率密度函数的提取;其次,根据热红外图像中的温度分布与背景组成所对应的物理特性,实现检测对象的初步分类;最后,基于温度概率密度进行先验分类的基础使用K均值聚类方法对热红外图像中故障部分进行提取.研究...     

基于图像处理和半监督学习的变电设备故障诊断

变电设备是电力系统中的关键部分,维护其安全稳定运行具有重要意义。当变电设备发生故障时,需要及时、准确对其故障类型进行诊断。提出一种基于图像处理和半监督学习的变电设备故障类型诊断方法。对收集到的红外图像数据进行特征提取,将其中的温度特征、纹理特征和形状特征作为模型的参考向量;利用SMOTE算法,对有标签样本的少数类样本进行样本扩充;汇总样本数据,构建图半监督学习网络,并对其进行训练。相比于传统的有监督学习方法,该文提出的方法能够学习无标签样本数据中的信息。使用真实的样本数据进行测试,验证所提方法的有效性,实验结果表明利用特征提取、样本扩充以及半监督学习模型能够提高变电设备故障的分类准确度。     

红外热成像检测应用中环境因素影响的研究

为更准确地定量评价变电设备故障严重程度,以实验方法,研究了风力、方向、气温、距离、仰角、背景等环境因素对红外热成像量化检测的影响,并提出其关系函数,供现场检测进行量化数据矫正时参考。     

基于大数据挖掘的变电设备故障预警研究及应用

针对变电设备缺乏有效的故障预警预测方法,本文提出了利用Pearson相关分析、单因素方差分析、统计对比等方法,对各类变电设备巡检数据进行相关性分析,然后建立Logistic回归故障预测模型,实现对设备状态的超前预警;继而利用深度学习建立分类深度学习神经网络模型,能够准确判断预警设备可能的故障类型。最后通过搭建变电站智能运维辅助决策大数据平台对变电设备故障预警模型进行可视化展现;运用风险矩阵分析法,对设备进行分级管控,辅助优化运维策略,从而使重要设备得到重点运维,实现变电设备差异化运维。经过大量的实践验证表明,该方法设备故障预测研判准确率达到90%以上,较以往人工经验预判准确度提升约20倍,设备故障率较同期减少75%,设备可用率系数达到99. 988%,大大提高了设备健康水平,提升了设备运维效率。     

基于深度学习的电网巡检图像缺陷检测与识别

无人机巡检已成为保证电网稳定运行的重要手段。针对巡检图像的自动化判读,提出基于深度学习的电网多部件缺陷检测与识别方法。将小样本缺陷检测问题分解为目标检测和分类两步。针对多目标部件的检测,提出基于最小凸集的损失函数以及预测框选择方法,两者结合YOLOv3框架可以实现多种部件的精准定位。之后,单类分类器在高维特征空间中进行小样本学习,判断目标部件是否故障。测试图像来自220 kV安徽宣枣4883线的巡检图像。实验结果表明,该方法对常见的电网故障识别率高于96%,漏报率低于2%,表明该方法能有效地进行电网的多部件缺陷检测与识别。未来结合边缘计算加速处理,可以实现无人机的在轨巡检。     

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟，如何快速有效地对各类电气设备红外测温图像进行分类识别，是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究，提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先，通过旋转、翻转等方法对收集的红外图像进行数据增强；然后，建立基于改进MobileNetV2的电力设备红外图像分类识别模型，将电力设备红外测温图像通过迁移学习进行加权训练，利用Focal Loss函数改进神经网络的损失函数；最后，通过Softmax分类方法实现电力设备红外图像分类识别。试验表明，使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%，红外图像检测速度为116 f/s，具备较好的收敛速度与识别能力，为电力设备智能巡检提供了新思路。     

基于鱼群算法与有导师神经网络的轴心轨迹智能识别

利用图像领域Canny算子和Hu不变矩代替人眼识别轴心轨迹,运用人工鱼群精简冗余数据,采用PNN进行故障分类,实现计算机智能识别分类机组故障。本文证实了此种识别方法比传统神经网络识别有更高的识别精度和效率。     

基于多源数据融合的变电运维误操作风险识别研究

现有变电运维误操作风险识别方法的综合评判结果与实际值存在出入,识别精准性差,为此研究基于多源数 据融合的变电运维误操作风险识别方法.首先选择合适的滑动窗口,结合抽象数据进行融合,对数据进行周期性行为的 特征提取,当需要融合的向量维数不相同时,需要对低维的特征添加０进行补齐,直到所有向量的最高维特征相同.然 后用非线性映射将数据映射到可分的特征空间中,并运用分类学习器将特征空间中的线性可分数据进行分类.最后运用 判别函数对所有样本进行训练,得到最大K 值,对其进行二进制编码,计算编码距离并找出距离最短的一行,从而完 成分类识别.实验结果表明,实验组的综合评判结果为0.07,与风险评价论域中实际结果一致.这表明实验组能够精 准识别风险,并达到了较好的识别效果.     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

基于超像素图像分割的变电设备故障诊断研究

红外图像是电力大数据中一种典型的非结构化数据,对变电设备的故障诊断有着至关重要的作用。利用SLIC超像素图像分割技术对变电设备红外图像进行分割,通过HSV颜色空间转换后,动态地设定色调(H)阈值,提取出发热故障区域。实验表明,所采用方法能准确快速地提取变电设备发热故障区域,提高了红外图片的分析效率。     

红外热成像技术在配网设备运行中的应用

配网设备的发热缺陷已经成为影响运行安全的一个重要因素,利用红外热成像技术,对发热的故障区域进行监测,可以准确识别和发现设备和线路上的发热情况,对故障及时处理。可以大大提高配网的供电可靠性。     

电压致热型变电设备红外量化检测研究

为更好地评判变电设备故障的严重程度,研究了电压致热型设备发热水平与相应电气参数之间的等值量化方法。选择具有代表性的避雷器、耦合电容器为研究对象,制作了试验模型,实测试品的红外热图分布、热稳定时间特性以及温升与致热功率,获得了各相关试品温升与致热功率的关系函数。最后介绍了红外检测应用中利用温升曲线进行电气量值转换的办法。     

变电站红外热成像测温在线监控系统的构建及应用

目前,变电设备的红外热成像检测和诊断基本上还停留在便携式红外人工巡检和后台计算机离线处理上,无法实现全天候实时热状态远程监控和分析。提出了运用红外热成像技术、红外测温技术、变电设备智能识别技术、网络传输技术等建立变电站红外测温在线监控系统的新思路。研究和应用结果表明,该系统很好地实现了红外测温的实时远程监控和智能分析诊断。     

电压致热型变电设备红外量化检测研究

为更好地评判变电设备故障的严重程度,研究了电压致热型设备发热水平与相应电气参数之间的等值量化方法.选择具有代表性的避雷器、耦合电容器为研究对象,制作了试验模型,实测试品的红外热图分布、热稳定时间特性以及温升与致热功率,获得了各相关试品温升与致热功率的关系函数.最后介绍了红外检测应用中利用温升曲线进行电气量值转换的办法.     

在线无人监测型红外故障精确定位系统在变电站中的应用

介绍了在线无人监测型红外故障精确定位系统对变电设备进行检测的应用优势,解决了电压致热型微小温差缺陷难分析、难判断的问题,避免了电流致热型缺陷的遗漏,精确判断设备隐患的严重程度,为设备的状态检修提供了可靠依据.     

基于最优编码集及智能状态估计的电网故障诊断方法

当电网发生故障时,大量的遥信告警和变位信息上传到调度端,使得调度人员很难在短时间内对故障设备及故障类型做出准确的判断.因此提出了利用分组遥信数据识别故障类型,利用人工智能方法纠正差错遥信的电网故障诊断方法.对于此,将各种设备的标准遥信数据映射到故障诊断空间中,求取最优编码集,把故障遥信的故障空间编码值和故障空间最优编码...     

基于径向基神经网络的变压器电气设备热缺陷诊断方法

本文中作者在红外热成像仪测温数据基础上,提出了基于径向基神经网络的变压器电气设备热缺陷智能诊断方法。利用红外热成像仪采集变压器套管和易发故障部位的发热点三相温度和被测设备区域的环境温度,根据电流致热型变压器热缺陷诊断判据,提取影响变压器热缺陷的主要特征参数,划分热缺陷程度等级,建立变压器典型故障论域特征向量。将表面温度和相对温差作为径向基神经网络的输入,热缺陷程度作为径向基神经网络的输出,建立了基于径向基神经网络的变压器热缺陷智能诊断模型。通过对某供电公司变压器电气设备实际监测数据仿真分析,验证了本文方法的有效性和正确性。