深度学习识别光网络单元故障的设计与应用

为解决依赖装维上门鉴别光网络单元故障带来的不便,可以从机器视觉入手实现自动化故障识别。近年,ImageNet挑战赛的成功推动了物体识别技术的跨越式发展,特别是基于卷积的深度学习技术在视觉识别方面已经达到人类水平,为光网络单元故障的自动识别提供了技术基础。文章对识别光网络单元的工作状态进行了研究,将设备工作状态分为7个场景,提出了利用手机APP采集图片识别故障的解决方案并投入了实际生产;重点阐述了深度学习模块的设计与实现,提出一种通过算法整合的方式综合运用物体检测和图像分类算法,分3阶段逐步求精,解决了图片过滤,光网络单元型号和状态识别等问题,实现了基于计算机视觉自动识别光网络单元故障。从数据上看产品的端到端准确率超过84%,识别速度达到10 FPS,月均提供服务超过1万人次,在减少用户等待的同时节约了人力资源。     

电力变压器的运行与故障处理分析

电力变压器在电力网中是改变电压、传递电能的主要电气设备。变压器是电磁感应原理,由铁芯、绕组及其附件等组合而成。某一供电单位备用变压器一般不少于总台数的15%。为了防止变压器油劣化过速,上层油温不宜经常超过85℃。变压器的故障可分为绕组匝间或层间短路、绕组变形与断线、铁芯片间绝缘损坏等几种,文章对各种故障的处理方法做了详细的介绍。     

属性分析技术应用于断陷盆地沉积相带划分

断陷盆地的油气勘探,对各种类型储层的研究是必不可少的,而湖盆沉积的各种储集层,主要表现为各种扇,包括扇三角洲,浊积扇、滑塌扇等。为了寻找优质的扇体储集层,就必须对扇体的沉积相带开展仔细研究。在划分沉积相方面,应用最为广泛的技术就是地震属性分析技术。本文主要讲述了在具有三维地震资料的情况下,综合应用地震属性分析技术成功地划分了沉积相和沉积微相,对扇体的岩性和物性都有较好的预测,为后续的油气勘探提供了技术支持。     

一起35kV铜管母线外保护层破损引发的故障

正绝缘铜管母线因其载流量大、绝缘性能好、机械强度高、散热性能好、抗电气振动能力强、可靠性高等优点在国外被广泛应用,并有几十年的运行历史和经验。国内由于进入此领域时间较短,行业正处于发展期,近几年虽逐步得到用户的认可,但对于该类产品,运行维护经验较少。本文主要对我公司总降站内一起35 kV铜管母线外保护层破损故障原因的判断及修复过程进行阐述,为遇到同样问题的同仁提供参考方向。1 概述我公司通过1台12.5 MVA的升压变将电能传输至