基于红外图像的电力变压器油位自动检测方法

为了自动准确地检测出变压器油位,提出了一种基于红外图像的检测方法。先对获得的变压器油枕红外图像进行边缘检测,得到油枕边缘点。在此基础上,采取迭代椭圆拟合的方法得到油枕的位置和形状,即在每次迭代中根据所保留的边缘点进行椭圆拟合,并删去距离椭圆较远的边缘点,直至相邻两次迭代得到的椭圆的差别满足要求为止。在油枕内取多条测温线,根据有油与无油部分存在温度差的特点,微分求出各测温线上灰度变化最大的分界点,迭代采用直线拟合并剔除偏差较大的点,得到油位分界线。最后计算椭圆中有油与无油部分的面积,将面积归算至油枕端面圆形中得到最终的油位值。实验证明所提出的方法是可行的,能够自动检测出变压器油位,可应用于无人值守变电站电力设备红外巡检与预警系统。     

基于RetinaNet的变压器图像小部件智能识别方法

变电站巡检图像中变压器小部件的自动识别是利用变压器图像进行变压器外观异常缺陷识别的基础.为了提高变压器小部件的识别准确性,提出了一种基于RetinaNet的变压器小部件识别方法.首先,对图像目标检测网络RetinaNet进行改进,加入分辨率更高的融合特征图,以解决变压器小部件包含的像素信息过少的问题.然后,提出一种基于...     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一,为了提高高压套管发热故障红外图像检测的准确率,解决因故障样本较少引起的漏检问题,文中提出了一种基于改进型YOLOv4的故障识别方法,可实现对套管发热区域的高效定位与识别,具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先,将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中,以加强网络对特征信息的提取;其次,分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失,以提高损失函数的回归精度以及对数据集中困难样本的识别准确率,从而有效减少漏检发生的概率。实验与测试结果表明,所提方法与改进前相比平均精度提高了5.61%,对数据集中更难被识别的故障样本的精确度提升了8.57%。     

基于红外图像目标检测与温度特征提取的变压器套管发热缺陷识别

针对变压器套管发热缺陷人工检测方法效率低下的问题,设计基于红外图像目标检测与温度特征提取的变压器套管发热缺陷诊断系统,以实现发热缺陷的自动诊断。首先,采用YOLOX目标检测模型对红外图像中不同电压等级套管进行分类识别,使用结合Mish激活函数的快速空间金字塔池化(spatial pyramid pooling-fast, SPPF)结构替换主干特征提取网络的空间金字塔池化(spatial pyramid pooling, SPP)结构,并在特征融合网络中添加高效通道注意力(efficient channel attention, ECA)模块以提高检测准确率;其次,设定所检测套管电压等级类别,根据预测框信息对同电压等级套管进行定位裁剪;最后对套管图像做加权均值法灰度化处理并进行区域划分,提取不同区域温度特征信息进行发热缺陷诊断,并以报表形式展示。实验结果表明：目标检测模型识别准确率达到98.41%,模型对图像的平均检测速度达到46.80帧/s,所设计系统能准确诊断出变压器套管发热缺陷,提高缺陷检测效率。     

变压器套管油位异常的隐患分析及处理

针对变压器故障,通过变压器套管绝缘油色谱分析、油位检查、压力检查等检测方法,发现变压器套管存在的安全隐患,并根据氮气注油原理解决了变压器套管油位异常的问题,消除了安全隐患.     

电力变压器密封充油套管的运行经验

对充油套管运行情况进行预防性检查,目的是发现并在可能的条件下及时消除正在发展的缺陷,或已经出现的局部故障,这些缺陷和故障可能使套管甚至设备失去工作能力。第聂伯电业局装有1200多只110～750千伏油纸绝缘套管,其中许多只已运行了近30年。     

基于红外检测技术的变压器火灾报警系统研究

智能电网的发展要求能对电网进行在线监测和安全预警,及时发现缺陷并采取措施消除隐患.红外检测技术是一种应用广泛的故障监测手段,将它与图像监控系统相结合大大提高了电力系统的故障监测水平.电力变压器是电力系统中输配电力的主要设备.详细阐述了变压器火灾报警系统的各组成部分的核心算法,并通过实验证明了算法的有效性和可行性.     

油—油变压器套管在大型整流变压器中的应用

介绍了油—油套管应用于大型整流变压器的发展过程以及使用中要注意的地方。油—油变压器套管主要是用于油浸电力变压器、整流变压器通过中间过渡油箱,与电缆相连接的电流载流体并对变压器油箱及中间过渡油箱的外壳起绝缘作用。     

基于LSTM的箱式变压器高压套管温度预测

针对箱式变压器环境封闭、散热性能差而导致变压器各部件温度较高,且变压器套管事故率高的现状,提出一种基于长短期记忆(Long Short-Term Memory, LSTM)神经网络的箱式变压器高压套管温度预测方法,对箱式变压器高压套管热流进行分析,建立基于LSTM的变压器高压套管温度预测模型,LSTM算法可以解决有效解决变压器高压套管温度预测所存在的非线性和时滞性的问题,通过红外传感技术对某小区箱式变压器高压套管相关数据进行在线监测,对现场数据进行预处理,通过算例分析验证了文中所提方法预测精度更高、误差更小、泛化能力更强。对比结果表明,所提方法优于普通循环神经网络(Recurrent Neural Network, RNN)和支持向量机(Support Vector Machine, SVM)预测方法,平均误差分别降低了27.4%和36.3%,预测精度更高,与变压器套管温度实测值更趋一致。     

变压器套管油位雾霾图像检测方法

针对雾霾天气下的视频图像测量,传统的颜色空间转换方法会由于图像对比度降低而失效。在图像预处理阶段,暗通道先验去雾算法被广泛运用,但是这种算法的计算效率不高,用于变压器油位测量中不能达到实时要求,因此,为了快速测量油位,提出了一种基于暗通道优先和颜色空间变换的油位测量方法。在去雾阶段,对每个像素点的透射率进行逐个估计得到粗透射图,再对其进行修正,从而得到去雾图像。去雾之后,采用加权分布的自适应增强算法对图像进行增强。在油位测量阶段,在HSV空间取阈值分离出目标区域。实验结果表明,测量油位误差在±1%的同时,相比传统算法提高了近5倍效率。在保证良好效果时,能减少算法的时间复杂度,使变压器油位测量算法在雾霾天气下也能有效。     

基于可变形卷积改进SSD算法的目标检测方法

为了提高传统SSD算法对小目标检测的准确率,提出一种改进的SSD目标检测算法:采用基于可变形卷积的ResNet50作为SSD算法的特征提取网络,提高对目标的处理能力;设计特征金字塔(FPN)来融合不同层的特征图,丰富浅层特征图的语义信息;在特征融合时引入通道注意机制,提取相应的通道权重,增加重要信息的比例,提高检测效果。最后采用PASCAL-VOC2007开源数据集进行仿真实验,并与传统SSD目标检测算法进行对比,准确率得到显著提高,验证了该算法对小目标检测的有效性。     

油浸式高压套管局部放电非接触式特高频检测

变压器套管是承担引出线与变压器箱体绝缘的重要支撑装置,现有变压器套管潜伏性放电故障检测技术及时性差且灵敏度较低,而特高频技术抗干扰能力强且可实现非接触式检测。文中提出一种基于特高频检测技术的套管局放检测方法,建立35 kV套管的局放仿真模型并开展真型套管不同类型缺陷的局放试验。所得结论为:电容屏间油纸和外侧油道都是特高频电磁波传播的有效路径;传播过程中横电波(TM波)从-16 dB大幅衰减至-5 dB,横磁波(TE波)初始成分不足1%,主要成分为横电磁波(TEM波);特高频段能量主要集中在0.3~1.5 GHz。通过设置无接触特高频传感器即可实现套管的带电检测,确保电力变压器运行安全可靠。     

An improved algorithm for image crack detection based on percolation model

In a complex background, because of uneven illumination, concrete bubbles, shadows of various shapes, and other noise, traditional crack detection methods based on image processing cannot accurately detect cracks, especially unclear cracks. A crack detection method based on the percolation model fully considers the features of cracks including the characteristics of brightness and length, and therefore can accurately detect cracks in the image. But this method is time consuming, and some noisy areas are detected as crack regions. In order to solve the problems above, we propose an improved algorithm for image crack detection, which includes an accelerated algorithm and a new denoising method based on the percolation model. The accelerated algorithm decreases the number of iterations of percolation processing to reduce the computing time, and the denoising method is based on the characteristic of brightness and the length feature of cracks to remove the noisy regions. Experimental results show that the proposed algorithm can accurately and efficiently detect cracks in the image. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于ADASYN数据平衡化的PSO_BP变压器套管故障诊断

变压器套管作为设备重要的绝缘部件,其绝缘性能直接影响着设备的安全运行。为诊断变压器套管绝缘状态,改善小样本不平衡数据对诊断结果的影响,使用粒子群算法优化反向传播神经网络（Particle Swarm Optimization_Back Propagation Neural Network,PSO_BP）和自适应综合过采样（Adaptive Synthetic Sampling,ADASYN）方法对变压器套管进行故障诊断。首先收集了变压器套管的历史故障数据,建立了具有明确故障类别的变压器套管油中溶解气体样本集,并通过ADASYN算法对原始数据中的少数类样本进行合成,得到平衡后的故障数据;将平衡后的油中溶解气体作为模型输入,故障状态作为标签输出,通过PSO_BP模型对变压器套管进行诊断;并在原始样本集下使用BP、遗传算法优化反向传播神经网络（Genetic Algorithm_Back Propagation Neural Network,GA_BP）、布谷鸟搜索算法优化反向传播神经网络（Cuckoo Search_Back Propagation Neural Network,CS_BP）以及PSO_BP模型对套管进行诊断。结果表明,针对变压器油纸套管绝缘状态进行故障诊断的多个模型中,基于ADASYN平衡数据后的PSO_BP模型（Adaptive Synthetic Sampling_Particle Swarm Optimization_Back Propagation Neural Network,ADASYN_PSO_BP）与其它模型相比准确度最高,能有效改善小样本不平衡数据对诊断结果的影响,为判断变压器油纸套管绝缘性能提供了有效方法。     

基于双区域演化水平集的图像分割方法

针对图像由于光照不均引起的灰度不均匀导致图像精确分割困难的问题,提出了一种双区域水平集演化(DRE)方法用于图像分割。双区域水平集演化方法介绍了局部区域控制项和矩形的初始化轮廓,能够快速地分割灰度不均匀图像,加快曲线演化速率。为进一步消除噪声对图像的影响,分割方法采用高斯滤波算子和卷积计算,特别是提出的方法使用一种新的隐含的惩罚能量函数作为正则化项,该项嵌入到水平集演化公式里,增加了曲线演化梯度流的约束的条件,影响水平集演化曲线向双边扩展,这样提高了图像轮廓划分的计算效率和精度。通过实验结果对比,提出的水平集演化算法能够较好地划分图像轮廓,得到精确的图像分割结果。     

基于CNN图像识别算法的保护装置智能巡视技术

继电保护装置是保障电力系统安全稳定运行的重要环节。随着变电站及继电保护装置的数量大幅增加,日常巡视工作量已经趋于饱和,无法保证每次都实现高质量、无死角的巡视,给保护装置的可靠运行带来了隐患。文中提出基于卷积神经网络(CNN)图像识别算法的保护装置智能巡视技术,借助安装在屏柜前后的摄像头,可实现保护装置的无人或少人巡视。首先,介绍保护装置智能巡视系统,并对可实现的智能巡视项目进行分析,引出可利用CNN对其进行图像识别;然后以压板状态识别为例对巡视项目所需要的训练样本集和测试样本集进行介绍,并给出巡视项目的CNN层级;再利用训练样本集对不同巡视项目的CNN进行训练;最后,对各网络进行了测试。测试结果表明,各个巡视项目的神经网络图像识别率都在96%以上,有的可以达到98%,识别效果良好。     

基于红外图像的输电线路故障识别

传统红外图像输电线路故障识别方法易受到噪声的干扰,故障边缘特征信息模糊,不能准确找出输电线路故障的位置,存在识别准确率低,抗干扰性差等难题,为此提出了基于红外图像对输电线路故障识别方法。采用红外成像仪器采集输电线路的温度变化图像,并采用粒子滤波算法去除故障图像中的噪声干扰,通过RGB色彩通道转换对输电线路红外图像的故障区域进行划分,利用共轭梯度法对输电线路故障区域的故障点进行识别和定位。实验结果表明,该方法能够实现输电线路故障的准确定位和高精度识别,且定位精度高达80%。