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。     

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。     

基于红外传感的配电房变压器高温过热故障识别研究

变压器高温过热故障识别的可靠性是保证变压器使用寿命以及电力系统安全运行的基础,因此提出基于红外测温技术的配电房变压器高温过热故障的识别方法。基础层通过红外测温仪获取变压器温度数据,利用BP神经网络对温度测量结果进行修正后,依据红外辐射原理生成热像图并将其传送至中间层;中间层接收热像图并存储至图像数据库中,将该图像与先验知识库中的图像作对比,检测图像中是否异常;将异常检测结果传送至服务层,服务层通过AlexNet卷积神经网络分类识别变压器的热性故障,并通过客户端显示屏展示故障位置。测试结果表明：该方法温度差值的修正效果良好,当温度标准偏差最大时,变压器测试值与实际值的最大偏差为0.98 ℃,小于1 ℃,能够最大程度地降低温度测量结果与实际温度之间的差值、准确识别出散热异常和出线套管内接点发热等热性故障、清晰展示出变压器的故障位置,其故障的识别精度高达94.6%,远高于传统方法,该系统具有一定的应用价值。     

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。     

基于方差分析的绝缘子红外热像特征选择方法

利用红外成像技术检测绝缘子污秽等级的关键在于获取分类性能优异的红外热像特征,文章提出了基于方差分析的红外热像特征选择方法。利用直方图均衡化增强原始热像图对比度,人工截取绝缘子盘面图像区域;通过平滑后的图像直方图包络线提取分割阈值,对阈值分割后的二值图像进行形态学滤波,得到绝缘子盘面图像和背景图像,提取2者的最高温度、最低温度、平均温度、温度分布方差以及盘面相对于背景的最大温升和平均温升共10个红外热像特征;应用单因素方差分析甄别特征优劣,实现特征选择。瓷绝缘子人工污秽试验结果表明：文中提出的红外热像特征选择方法和图像分割算法简单有效。     

绝缘子污秽等级红外热像检测的视角影响分析

为了提高绝缘子污秽等级红外热像检测的准确性,提出利用绝缘子红外热像污秽等级分类特征的对比分析确定最佳成像角度的方法。该法采用直方图均衡化增强原始红外热像对比度,人工截取绝缘子盘面图像区域;基于盘面图像直方图包络线提取分割阈值,对阈值分割后的二值图像进行形态学滤波,得到绝缘子盘面图像;应用统计理论从绝缘子盘面图像提取最高温度、最低温度、平均温度、温度分布方差等10个红外热像污秽等级分类特征;运用Fisher准则对特征进行对比分析。瓷绝缘子人工污秽试验红外图像分析结果表明:成像角度变化显著的改变所得绝缘子表面热场;下盘面特征比上盘面特征有更好的分类性能。推荐绝缘子污秽等级红外成像检测应以下盘面为准。     

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。     

基于双重背景分离及自适应网格的电压致热型设备红外图像状态分析

针对发热量小、温度变化范围窄的电压致热型设备故障红外图像难以识辨的难题,提出一种基于双重背景分离及自适应网格划分的电压致热型设备红外图像运行状态分析方法。以电流互感器套管红外图像为例,首先提出红外图像双重背景分离及部件区域提取算法,即基于RGB和HSV颜色空间特点,转换红外图像颜色空间,分离出第一层背景区域。接着将Ostu算法与Hough变换相结合,提出基于Hough变换的Ostu改进算法,实现背景的第二重分离,得到部件区域。之后,导入红外图像温度,运用自适应网格方法划分部件区域,获得每一网格平均温度,提取温度特征向量,比较待分析图像与正常图像获取温差值,以此判断设备运行状态。最后,通过案例分析验证算法的有效性。同时,对避雷器本体、电压互感器电容单元、断路器支柱等电压致热型设备进行分析,说明算法具有良好的扩展性。