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。     

基于深层次多分类生成对抗网络的红外与可见光图像融合方法

为了实现红外和可见光图像信息的良好平衡,本文利用生成对抗网络技术,提出了一种深层次多分类的生成对抗网络红外与可见光图像融合方法。该方法将主辅思想引入到生成器的梯度和强度信息提取中,并提高了生成器卷积层的深度及浅层网络信息提取能力。在鉴别器中使用多分类器同时估计可见光和红外区域的分布。经过连续的对峙学习,使融合结果中具有显著的对比度和丰富的纹理细节信息。实验获得的信息熵及香农熵值为6.86、互信息值为13.72、标准差值为34.82、结构相似性值为0.71。对比实验结果表明,在主客观评价中,本文提出的方法获得更好的红外与可见光图像融合性能。     

基于深度学习的航拍光伏板红外图像热斑检测方法研究

针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3×3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99. 56%,检测速度为22. 1帧/秒。光伏板识别后的热斑分割准确度达到95. 99%,交并比mIou达到85. 58,检测速度为24. 5帧/秒,该方法能够满足光伏板故障检测的需要。     

基于热红外成像技术的绝缘子故障分类研究

针对停电测量绝缘电阻或带电测量分布电压等检零方式在实际操作中,都存在停电范围大、人员安全风险高、检测周期无法保证等问题,本文分析了盘形悬式瓷绝缘子红外精确测温的数据,并通过专家经验总结出利用红外热图的绝缘子故障分类研究。对绝缘子可能出现的故障类型通过绝缘电阻测试、绝缘子电压分布测试、泄漏电流测试、交流耐压测试等试验手段验证最终的热红外成像故障分析结果。     

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。     

光伏组件热斑对发电性能的影响

针对光伏电池上的热斑问题,分析了热斑生成的原因和对发电性能的影响,介绍了红外热像仪检测热斑的方法,并探讨了用旁路二极管解决热斑危害的可能性,以提高光伏电池组件的寿命。     

基于深度学习的电力设备红外图像故障诊断方法

红外热成像检测技术在变电站中的广泛应用产生了大量红外图像.针对变电站人工故障诊断作业量大、效率低的问题,提出了一种基于MobileNet的设备红外图像自动故障诊断方法,并进行了软件封装.首先,考虑到检测速率需求,构建了基于MobileNet轻量化网络的深度学习电力设备分类模型,并通过迁移学习提高模型训练效率和准确率;其...     

光伏组件热斑耐久试验方法探讨

热斑耐久试验是光伏组件最关键的测试项目之一,与光伏组件的发电性能和使用寿命密切相关.对没有旁路二极管保护的光伏组件进行了热斑耐久试验研究,针对试验过程中电池片选择和所选电池片遮光面积的确定等技术难点展开讨论,对规范热斑耐久试验的测试过程具有一定的指导意义.     

基于串联电阻估计的光伏阵列热斑故障诊断方法

光伏面板由于部分遮阴或者光照不均匀所带来的热斑故障,可能导致整个光伏面板的输出功率降低,严重时可能造成光伏面板的烧毁。首先针对单个光伏电池推导出其数学模型,继而推广到采用SP结构的光伏阵列;接着对热斑故障的机理进行了分析,并分析了旁路二极管对于光伏面板的保护作用;通过将传统的电压、电流定位法、时间跟踪描述和光伏电池参数估计模型相结合,给出一种故障诊断方法,从而判断热斑故障发生的位置和严重程度;最后,通过对光伏阵列进行仿真建模,分析热斑故障对光伏阵列输出特性的影响,验证了所提故障诊断方法的可行性。     

光伏组件热斑电池片功率损耗的简化算法研究

热斑故障是光伏组件各类故障中最常见的一种。热斑电池发热越大,热斑故障越严重,对光伏系统的危害越大。针对常见晶硅光伏组件结构,剖析了光伏组件因热斑故障所引起的发热机理,结合单二极管等效电路模型提出一种简化的热斑电池片功率损耗计算方法;分析了光伏组件的不同工作状态,并结合组件的I-V曲线给出了各种工作状态下简化功率损耗算法中的关键参数确定方法。通过对光伏组件热斑电池片实验测试温度和热仿真温度对比,验证了所提简化功率损耗计算方法的准确性。     

太阳电池热斑现象的研究

热斑影响太阳电池的寿命,太阳电池热斑的产生主要有两个原因。分别与内阻和太阳电池自身暗电流有关。通过对不同电池片进行遮挡实验,分析得出逆电流大的电池更易产生热斑。     

基于红外图像处理的电力二次设备状态评估

为解决目前电力二次设备监测方法中存在的时延性和可实施性,基于红外图像处理技术设计了二次设备状态评估模型.首先应用图像降噪和分割技术,将待监测二次设备从背景中分割出来,再利用基于Roberts算子的边缘检测技术,提取出图像中的各个温度分区,将温度分区通过数字信号处理得到温度拟合值,最后通过量化的指标实现二次设备状态评估....     

太阳电池热斑现象和成因的分析

热斑效应在太阳电池的实际应用中非常普遍,而且热斑效应严重影响太阳电池的性能和寿命,并有很大的危险性.研究热斑效应的影响因素,降低热斑效应危险性至关重要.根据热斑效应产生的现象,结合实验室所做的热斑试验经验,经过充足的相关试验验证,分析热斑效应的影响因素.分析发现热斑效应与温度有相当大的关系,影响热斑效应的内在因素主要有暗电流和内阻.     

基于迁移学习的架空电力线路螺栓状态分类方法研究

架空电力线路螺栓缺陷检测意义重大,其首要任务为准确分类螺栓各种状态。而螺栓不同状态缺陷之间相似度较高,加之无人机飞行姿态灵活、拍照角度多样又造成螺栓在不同视角下视觉差异较大,出现了细粒度分类的难题。针对上述问题,提出一种基于DenseNet网络的迁移学习方法,对架空电力线路螺栓进行细粒度状态分类。首先自制三类别螺栓数据集并进行数据增强,然后对在ImageNet数据集上进行预训练的DenseNet网络进行微调,迁移至螺栓状态分类的任务中学习,得出分类结果。实验表明该模型在螺栓状态分类中准确率达到98.9%,比传统方法和不使用迁移学习的模型效果更好。     

基于三维匹配块的SAR图像相干斑抑制研究

合成孔径雷达(SAR)图像中存在相干斑噪声,不能准确反映照射区域的散射特性,增加了信息提取的难度。三维匹配块(BM3D)算法是在变换域中的稀疏表示,将相似的图像块分到一个三维空间中,从而达到去噪的目的。通过对噪声模型特征的分析及参数设置,将适用于加性噪声模型的BM3D算法应用到乘性噪声中。采用仿真与传统方法对比表明,利用BM3D算法抑制相干斑噪声,其边缘保持指数达到了0.484 5,在降噪的同时又较好地保存了图像的细节特征,验证了算法的有效性。     

基于红外热图像的光伏组件热斑深度学习检测方法

热斑效应是造成光伏板严重破坏的主要原因之一,为了快速、及时的检测出热斑并及时维护解决。该文提出一种基于改进YOLOv4-tiny的热斑检测方法。首先,针对热斑红外图像稀少且原始模型中mosaic数据增强不稳定的问题,提出采用伽马变换的方式对热斑数据集进行有效扩充;其次,为了使得模型更关注热斑红外图像中重要的特征,抑制不必要的特征,在网络结构中添加了注意力模块(convolutional block attention module,CBAM);最后,针对原始模型感受野较弱,提取信息不充分的缺点,将模型中的特征金字塔结构融合了路径聚合网络(pathaggregation network,PANet)的思想,且在结构中加入少量卷积核为1×1的卷积层,减少了参数量。实验结果表明本文提出的改进YOLOv4-tiny模型AP50达到98.42%,相较于原始模型提升了3.63%,且检测速率在图形处理器(graphic processing unit,GPU)为GTX1070Ti的设备上达到50.06FPS,具有优秀的检测精确率并兼具良好实时性,基本接近实际应用需求。     

光伏热斑模拟建模及热成像分析

机载热成像检测太阳能光伏板表面时,热斑的产生存在不确定性,为解决上述问题,分析热斑产生的机理,构建阴影遮 挡下的光伏板等效电路模型,得到局部阴影条件下的光伏板表面发热量与输出电流的数学表达式,经 MATLAB/ Simulink 仿真 及温度实测验证。 搭建无人机热斑模拟检测平台,改变输入电流及检测高度得到光伏板表面热成像图,建立表征不同温度下的 像素统计值的分段函数,采用 K 均值聚类算法搭建特征值数据库,用于后续故障光伏板的定位。 实验结果表明,该方法具有电 流对光伏板表面温度的可控性且采用分段函数-K 均值聚类混合算法构建的红外热成像特征库能准确表示热斑。     

红外成像技术在电力系统后备电源热故障监测中的应用研究

针对目前电力系统后备电源在线监测系统的弊端和现状,通过对蓄电池充放电时的故障现象分析,采用红外成像技术以全新的视角对失效蓄电池以及处于亚健康状态的蓄电池进行了研究。结果表明以红外热图像为依据能及时有效发现故障蓄电池,同时还可以把红外热图像以及转化后的数字温度信息通过以太网进行远传,实现专家远程全视角会诊。该文的研究拓展了红外成像技术的应用领域,丰富了电力系统后备电源在线故障监测的手段和方法,具有一定的创新性及推广应用价值。     

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%。