应用聚类和证据理论实现变电站保护压板状态校核

针对目前人工校核保护压板效率低、图像识别易受光照条件影响的问题,提出了一种基于聚类和D-S证据理论的变电站保护压板状态校核方法。首先对压板图像进行聚类分割,按行检查压板图像像素量和边界点,重新分割异常压板。根据压板在投、退状态下的形态特征,构造压板状态指标作为证据,分析了光照、透视变形因素对压板识别的影响。最后,将多个状态指标依据证据理论进行融合,减少个体指标的不确定性影响。结果表明,所提方法在光照条件不良情况下仍能正确识别压板状态,性能优于单一判据及多判据表决方法。     

基于颜色分离与形态特征分析的保护压板定位及状态识别研究

为了提高变电站中密集排布,颜色多样的拔插式压板智能识别水平,提出一种色差法与形态特征分析的保护压板定位及状态识别方法。该方法首先对采集的压板图像进行同态滤波增强与透视校正;其次,根据压板图像颜色特征,利用RGB三分量色差法结合形态特征分析实现有效压板区域的分割;然后,通过的矩形结构元素对有效压板区域进行膨胀,从而定位出每块压板区域的位置。最后,结合每块压板图像外接矩形框的形态特征与其重心位置的4联通区域灰度值总和判断出压板的投退状态。对不同拍摄角度及不同光照环境下的保护压板状态识别测试结果表明,该算法具有识别精度高、鲁棒性好的特点。     

基于图像识别的保护压板投退状态辨识方法

通过图像识别方法获取电力继电保护压板投退状态是压板投退管理的有效措施。提出了保护压板投退状态辨识系统,其硬件由计算机、摄像机、显示屏集成嵌入终端构成。嵌入终端通过图像采集、图像去噪处理、目标边缘检测、布局排列分析、状态特征判别等关键步骤完成对压板投退状态的智能识别。采用3/4去噪聚类法,能够有效消除椒盐噪声并实现聚类。系统中设计的基于"块矩阵"的排列分析算法能快速准确地实现目标图像的分割。算例分析结果表明了本文提出算法的有效性和可行性。     

基于OTSU-Graham改进算法的保护压板状态辨识研究

随着自动化与智能化技术在变电站中的推广应用为智能巡检奠定了基础,但是目前二次设备的保护硬压板仍然大多采用人工现场核对的方式,存在核对频次低、校对过程溯源性不足的问题。为此,本文提出了一种基于图像内容识别的压板运行状态智能识别方法。首先采用基于空间领域信息的OTSU算法进行阈值分割消除光照不均阴影区域的影响,在此基础上基于Graham的最小外接矩形算法检测压板开关的最小矩形面积,通过识别面积大小来判断压板是否投入。该方法能够有效减少阴影干扰的影响,准确辨识图像中压板的运行状态。     

基于HSI颜色特征的变电站压板状态识别方法

针对当前变电站压板状态识别存在未充分考虑复杂光照因素以及在图像分割过程中未考虑连通域粘连的问题，提出了一种基于HSI（色调-饱和度-亮度）颜色特征和图像处理技术的压板状态识别方法。首先对采集的压板图像进行畸变矫正预处理；接着利用HSI颜色特征提取技术对图像进行分割处理；然后对连通域进行形态特征分析，利用连通域的边界信息去除标识牌，并利用极限腐蚀算法实现粘连连通域的分离；最后基于简单最小外接矩形边界特征与面积最小外接矩形的偏转角度特征融合识别压板状态。通过与传统RGB（三原色）颜色分割方法、单一长宽比识别方法进行对比试验，结果表明该方法在识别率上有较大提升，具有一定的工程应用价值。     

基于多策略分割融合与形态特征辨识的变电站保护压板状态识别

目前变电站保护压板巡检仍主要采用人工进行,耗时费力且容易出错,制约着变电站二次设备智能化的发展.为此,提出一种基于多策略分割融合与形态特征辨识的变电站保护压板状态识别方法.通过移动端设备采集屏柜压板图像后,首先对压板区域进行透视变换,消除拍摄角度产生的畸变影响.然后采用多策略分割融合方法获取有效压板区域,即在HSV空间...     

基于图像融合的保护压板运行状态辨识方法研究

随着信息技术和智能化技术在电力系统的应用拓展,采用智能巡检机器人对变电站一、二次设备运行状态进行巡视逐步成为智能运检的趋势.提出了一种基于图像融合的保护压板运行状态辨识方法.基于OTSU阈值分割优化方法快速检测图像中的高光干扰;引入改进RANSAC算法完成多视角的图像特征匹配和求取最佳透视变换矩阵,利用辅助图像透视变换至主图像修复其中的高光区域;在图像修复的基础上通过对压板边缘检测的倾角来判断其运行状态.实验结果表明,所提抗干扰方法有助于更好地识别图像中压板的运行状态,辨识准确率可达93％.     

基于灰色聚类与证据合成的变压器状态评估

针对变压器状态信息的不确定性,建立了变压器层次化状态评估模型,组建了变压器的状态指标体系,综合指标的主、客观权重设计了其最优权重。运用灰色聚类方法对单项指标作聚类分析以得到综合指标所处状态,改进了D-S证据理论中的冲突证据合成规则,将聚类系数作为基本概率赋值函数以评价变压器的整体状态。实例分析结果显示,文中建立的评估模型具有较高的识别准确率,可以有效地把握变压器的运行状态并为变压器实行状态检修提供良好的指导作用。     

基于改进BOF算法的压板状态识别方法研究

随着电网规模的扩张以及二次技术的发展,二次屏柜的压板数量急剧上升。二次压板一旦出现保护误动或拒动,将严重威胁到电网、设备与人身安全。设计了一种基于改进图像检索算法的继电保护压板状态识别系统对压板退投状态进行识别。首先,对压板图像利用背景差分法及光流法进行前景提取;然后,采用图片增强处理、边缘检测等一系列技术识别开关的投退状态;最后,再将获得的开关状态与系统数据库对比,生成可视化报表,由此判断出压板状态是否正确。提出的方法能够快速识别压板状态正确与否,具有较高识别率,极大缩减了二次操作后核查及日常巡视的时间。     

用于变电站保护压板状态识别的增强YOLO网络

为解决变电站保护压板识别环境复杂、前景与背景难以分割和小目标检测困难等问题,提出了增强YOLO算法用于变电站保护压板的状态识别。首先,提出了局部残差聚合模块,对堆叠的残差模块的局部残差特征进行聚合,加强复杂环境下的识别能力。然后,将空域注意力机制嵌入到残差模块中,利用空间信息解决前景与背景难以分割的问题。最后,提出交叉空间金字塔模块用于提取全局上下文信息。利用标注的数据集进行验证,实验结果表明,增强YOLO算法相较于改进前算法,保护压板的状态识别效果显著提高。     

基于KMP算法的智能变电站间隔层设备软压板校核系统的研究与应用

基于KMP算法,研发了智能变电站二次设备软压板校核系统。该系统基于智能变电站现有的网络结构、通信协议,对运行二次设备软压板投退状态进行采集、校核与存储,继而进行状态识别与判定规则的数据建模。实例验证了KMP算法应用于二次设备软压板校核过程的合理性与正确性。该系统实现了智能变电站二次设备软压板投退状态校核的智能化,具有很好的实用价值和推广前景,对智能变电站二次设备运维工作具有重要的指导意义。     

基于图像处理与形态特征分析的智能变电站保护压板状态识别

针对目前变电站二次保护压板仍多由人工进行位置读取和核对操作,存在误操作风险且制约着智能化水平提升的问题,提出了一种基于图像处理与形态特征分析的智能变电站保护压板状态识别方法。该方法首先对移动终端采集到的屏柜图像进行图像处理,将其转化为包含有效压板区域和背景干扰区域的二值图,进而采用8连通的方式进行连通区域提取并对所有区域进行形态特征分析,再依据形态特征从中提取出有效压板区域,最后依据有效压板区域方向角确定压板投退状态,同时结合各区域的重心确定屏柜上的有效压板顺序,进而得到表征屏柜压板投退状态的标识序列。不同场景和分辨率下的保护压板状态识别实例结果表明,所提方法具有较好的适用性。     

基于语义分割与证据理论的电杆倾斜检测及风险评估方法

随着无人机成为电力巡检的重要方式，基于机器视觉技术的无人机图像分析方法可为电杆倾斜检测及风险评估提供辅助手段。提出一种基于语义分割与证据理论的电杆倾斜检测及风险评估方法。基于U-Net和连通区域标记算法的电杆图像分割方法，对图像按照语义类别进行逐像素分类，并利用连通区域标记算法消除非电杆区域。在构建电杆倾斜判据的基础上，提出基于证据理论的电杆倾斜检测方法，利用合成规则将多个判据的结论融合。给出电杆倾斜风险评估方法，并将倾斜等级作为评估结果。实验结果表明所提方法可提高检测的准确性。     

继电保护压板状态识别嵌入式智能设备的应用

设计一种结合工业高清照相机、嵌入式单元和Mobile Net算法的嵌入式设备,实现对变电站继电保护压板状态的智能识别,对继电保护压板状态识别的准确率更高,对单张继电保护压板屏柜图像中多个压板的状态识别平均耗时更短,可提高变电站继电保护压板巡视的效率和智能化水平.     

变电站二次设备巡检的Mecanum轮式机器人精确定位与作业辨识

通过巡检机器人进行变电站二次设备的监测是提升电力设备自动化、智能化管理的重要方式,有利于保障电力工程设备的安全运行。本研究开发了一种用于变电站二次设备自动化巡检的Mecanum轮式机器人,具备自主导航定位与作业辨识的能力,可极大提升设备巡检效率及保护压板状态识别准确性。通过Mecanum轮的驱动方式实现巡检机器人在狭窄作业环境下的灵活运动与姿态调整,多轨道升降平台实现对350-1800 mm高度范围内的二次设备及压板的图像采集与状态辨识。机器人采用基于激光雷达的SLAM导航方法进行自主定位导航,并结合基于视觉的路径提取与跟踪算法进行姿态位置修正,实现在待测点位置的精确定位。同时,提出了基于颜色辨识的图像排列与状态辨识方法,针对二次设备保护压板连通状态进行识别和判断。实验结果表明,研制的变电站二次设备巡检机器人可以实现自主导航与位置精确定位,在路径跟踪过程中最大偏角和偏距分别为±3°和±8 mm。结合机器视觉与颜色辨识的压板辨识方法可以准确识别压板状态,识别准确率大于95.80%,有助于提升机器人自动化的电力巡检作业水平。     

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态.伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法.在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的...     

基于视觉信息的继电保护压板投退位置的自动识别研究

如何有效地进行压板投退管理对电力系统安全稳定运行具有重要作用,但是压板的投退状态的获取是个难点问题,一直没有好的解决办法。该文利用遥视系统上传的视频图像,从拍摄的保护屏的视频流中抽出特定的静态有效帧,利用计算机图像识别算法自动识别设定的有效区域内的压板的投退状态,并将压板状态信息作为继电保护管理系统输入信息进行管理。利用现场采集的压板图像信息对匹配与比较算法进行识别研究表明,所提算法具有较高的准确性,抗干扰能力和实时性也很好。     

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 SSD目标检测的硬压板图像识别

为了减少变电站运维人员由于人为记录而导致硬压板状态误投退操作,本文提出了对传统SSD目标检测法进行改进,运用所改进的SSD网络模型对变电站中的硬压板图像进行识别,通过收集来的硬压板图片进行数据扩充、网络训练,得到能够识别硬压板状态的改进型SSD目标识别网络,最后通过验证集进行网路验证,结果证明了所提出的改进型SSD目标检测算法能够很好的识别硬压板状态,提高了变电站智能化水平.     

结合分水岭和区域合并的彩色图像分割

图像分割是图像处理到图像分析的关键步骤之一。研究提出了一种基于区域块的聚类分割新算法。高斯混合模型(GMM)聚类算法已广泛应用于图像分割领域,但在真实彩色图像分割中,由于忽略了像素间的空间相关性,使之对高斯噪声非常敏感。首先对彩色图像求其彩色梯度,然后对彩色图像梯度图进行分水岭分割,分水岭分割会产生过分割区域,但基本得到同质区域,提取区域的区域块特征并把其作为高斯混合模型聚类的输入样本值,完成聚类并实现最终分割。新算法把简单的基于像素的聚类提升到基于区域块特征聚类,很好的抑制了噪声对分割结果的影响。通过在合成图像上及大量真实自然彩色图像上进行实验,结果证明本算法能够有效提高分割结果的准确性。