CN109271872B - 一种高压隔离开关分合状态判断与故障诊断装置及方法 - Google Patents
一种高压隔离开关分合状态判断与故障诊断装置及方法 Download PDFInfo
- Publication number
- CN109271872B CN109271872B CN201810961353.6A CN201810961353A CN109271872B CN 109271872 B CN109271872 B CN 109271872B CN 201810961353 A CN201810961353 A CN 201810961353A CN 109271872 B CN109271872 B CN 109271872B
- Authority
- CN
- China
- Prior art keywords
- isolating switch
- voltage isolating
- voltage
- judging
- step2
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高压隔离开关分合状态判断与故障诊断装置及方法，该方法先采用摄像机拍摄高压隔离开关分合状态的视频图像，采用基于方向梯度直方图HOG和SVM支持向量机的方法识别出一组高压隔离开关分闸、合闸原始视频图像；然后采用Canny算法和Hough变换得到高压臂外轮廓的直线形态；接着先判断待检测图像是否含有特定型号的高压隔离开关，然后根据高压臂外轮廓的夹角与分闸到位判定角N2和合闸到位判定角N1的大小关系判断高压隔离开关分合状态。本发明无需对高压隔离开关运动进行精确建模，不局限于特定型号隔离开关，具有广泛地适用性；目标追踪能力强，稳定可靠，抗干扰能力突出，能广泛适应各类现场环境。
Description
技术领域
本发明涉及变电站隔离开关状态在线监测技术领域，更具体地说，涉及一种高压隔离开关分合状态判断与故障诊断装置及方法。
背景技术
高压隔离开关主要用于高压线路的关合开断，起到隔离电压的作用，是保证电力系统安全运行的重要设备。虽然高压隔离开关一般具备基于机械原理的辅助开关定位功能，但是这一功能在机械本身出现锈蚀、磨损等情况时容易出现定位偏差，往往需要线路维护人员到隔离开关现场确认开关状态。为此需要采用远程视频监控手段来节约人力成本，提高维护效率。
尽管视频监控系统已经被广泛应用于电力设备监控中，但就对隔离开关分合状态进行自动识别来说，现有监测方法中基于霍夫森林的识别方法计算量较大，难以实时捕捉开关状态；基于模态分析法的状态识别方法成本较高，难以广泛应用且需要定时检测。
发明内容
本发明所要解决的技术问题是，提出一种高压隔离开关分合状态判断与故障诊断装置及方法，该方法采用摄像机拍摄隔离开关视频图像，通过计算机视觉技术实现隔离开关状态的在线识别和故障诊断，实时性强、应用范围广、鲁棒性强。
本发明的目的是通过以下技术方案来实现的：设计一种高压隔离开关分合状态判断与故障诊断装置，包括搭载支架云台设备的机器人、通过支架云台设备固定在龙门支架上的摄像机和LED补光设备、数据处理与分析模块；所述摄像机具有红外夜视功能，配有防护罩，可录制出清晰度为1080P的视频图像，用于监测高压隔离开关的分合状态，设置有接口连接外部数字储存设备进行数据存储，采用485通讯协议接收通过信号线传入的摄像头信号；所述Led补光设备以及支架云台设备根据高压隔离开关现场情况调整摄像机位置和优化监测环境光线；所述数据处理模块用于处理采集到的视频图像，完成特征量的提取与识别、故障状态的判断以及严重程度的预警。
本发明还提供一种高压隔离开关分合状态判断与故障诊断方法，这种方法主要是以高压隔离开关分合过程视频为对象，将目标识别和运动目标检测结合对高压隔离开关的位置和运动轨迹进行捕捉来判断高压隔离开关的分合状态。该方法包括以下步骤：
Step1，搭载摄像机的机器人在变电站实时拍摄变电站内的图像，采用基于方向梯度直方图HOG和SVM支持向量机的方法识别出一组高压隔离开关分闸、合闸原始视频图像；
Step2，采用Canny算法提取高压隔离开关的高压臂外轮廓，再经Hough变换处理后，得到几何形态明显的高压臂轮廓曲线，然后准确地识别高压臂外轮廓的直线形态；
Step3，定义高压臂外轮廓的夹角为分合闸夹角N，高压隔离开关处于正常分、合闸状态的分合闸夹角分别称作分闸到位判定角N2和合闸到位判定角N1，对图像进行判断，判断图像是正样本还是负样本，正样本是指图像中含有高压隔离开关，负样本是指图像中不含有高压隔离开关；如果图像是负样本，则计算结束；如果图像为正样本，则判断分合闸角度N是否介于预先设定的合闸到位判定角N1与分闸到位判定角N2之间，如果分合闸角度N不在所述两个角度之间，则判断结果为分合闸已到位；如果分合闸角度N在所述两个角度之间，则判断结果为分合闸不到位并发出报警信号。
优选地，在所述步骤Step1中，基于方向梯度直方图HOG和SVM支持向量机的方法包括以下步骤：
Step1-1，创建样本库。训练样本包括正样本和负样本，其中，正例样本是指含有高压隔离开关的图片，负样本指不含有高压隔离开关的图片。正样本来源是现场采集的视频数据库中截取的128*128大小的隔离开关图片。负样本是从不包含隔离开关的图片中随机截取的，大小同样是128*128。所有的样本图片都被归一化为同样的尺寸大小。
Step1-2，特征提取。通过变换，把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。
Step1-3，训练分类器。采用支持CUDA的NVIDIAGPU来训练数据，训练时间比单纯在CPU上显著缩短。计算正样本、负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量类别的类标向量，输入SVM中进行训练。训练好的SVM分类器保存为XML文件。利用第一次训练的分类器，在负样本原图上进行隔离开关检测时所有检测到的矩形框，这些矩形框区域很明显都是误报，把这些误报的矩形框保存为图片，加入到初始的负样本集合中，重新进行SVM的训练，可显著减少误报。将前面通过运动检测得到的运动目标矩形框图片提取HOG特征，然后通过已经训练出的SVM模型进行预测，只有预测结果为高压隔离开关类的图像才会被接受。
Step1-4，利用训练好的分类器进行目标检测。检测过程为用一个扫描子窗口在待检测的图像中不断的移位滑动，子窗口每到一个位置，计算出该区域的特征，然后分类器对该特征进行筛选，判定该区域是否为目标高压隔离开关。
Step1-5，学习和改进分类器。加入学习或者自适应，当图像或视频分类错误时自动识别并更新分类器。
优选地，所述步骤Step2包括以下步骤：
Step2-1，采用混合高斯模型提取运动前景；
Step2-2，采用最大类间方差法阀值化前景；
Step2-3，采用形态学运算填充空隙；
Step2-4，提取目标高压隔离开关的轮廓；
Step2-5，采用多边形逼近轮廓得到轮廓的近似多边形表示，求多边形的最小外接矩形；
Step2-6，合并相交的外接矩形；
Step2-7，在视频帧上绘制运动目标的外接矩形框。
与现有技术相比，本发明具有以下有益效果：
本发明通过摄像机拍摄高压隔离开关分合过程视频，可实时快速地定位运动目标，有效捕捉开关的整个运动过程，监测高压隔离开关的分合状态；无需对高压隔离开关运动进行精确建模，不局限于特定型号隔离开关，具有广泛地适用性；目标追踪能力强，稳定可靠，抗干扰能力突出，能广泛适应各类现场环境。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为一种隔离开关分合状态判断与故障诊断装置的结构示意图；
图2为本发明实施例中高压隔离开关分合状态和故障识别的算法流程示意图；
图3为本发明实施例中高压隔离开关分闸、合闸到位判定角的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
如图1所示，本发明提供一种高压隔离开关分合状态判断与故障诊断装置，包括搭载支架云台设备的机器人、通过支架云台设备固定在龙门支架上的摄像机和LED补光设备、数据处理与分析模块；所述摄像机具有红外夜视功能，配有防护罩，可录制出清晰度为1080P的视频图像，用于监测高压隔离开关的分合状态，设置有接口连接外部数字储存设备进行数据存储，采用485通讯协议接收通过信号线传入的摄像头信号；所述Led补光设备以及支架云台设备根据高压隔离开关现场情况调整摄像机位置和优化监测环境光线；所述数据处理模块用于处理采集到的视频图像，完成特征量的提取与识别、故障状态的判断以及严重程度的预警。
如图2所示，本发明还提供一种高压隔离开关分合状态判断与故障诊断方法，这种方法主要是以高压隔离开关分合过程视频为对象，将目标识别和运动目标检测结合对高压隔离开关的位置和运动轨迹进行捕捉来判断高压隔离开关的分合状态。该方法包括以下步骤：
Step1，搭载摄像机的机器人在变电站实时拍摄变电站内的图像，采用基于方向梯度直方图HOG和SVM支持向量机的方法识别出一组高压隔离开关分闸、合闸原始视频图像。在所述步骤Step1中，基于方向梯度直方图HOG和SVM支持向量机的方法包括以下步骤：
Step1-1，创建样本库。训练样本包括正样本和负样本，其中，正例样本是指含有高压隔离开关的图片，负样本指不含有高压隔离开关的图片。正样本来源是现场采集的视频数据库中截取的128*128大小的隔离开关图片。负样本是从不包含隔离开关的图片中随机截取的，大小同样是128*128。所有的样本图片都被归一化为同样的尺寸大小。
Step1-2，特征提取。通过变换，把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。
Step1-3，训练分类器。采用支持CUDA的NVIDIA GPU来训练数据，训练时间比单纯在CPU上显著缩短。计算正样本、负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量类别的类标向量，输入SVM中进行训练。训练好的SVM分类器保存为XML文件。利用第一次训练的分类器，在负样本原图上进行隔离开关检测时所有检测到的矩形框，这些矩形框区域很明显都是误报，把这些误报的矩形框保存为图片，加入到初始的负样本集合中，重新进行SVM的训练，可显著减少误报。将前面通过运动检测得到的运动目标矩形框图片提取HOG特征，然后通过已经训练出的SVM模型进行预测，只有预测结果为高压隔离开关类的图像才会被接受。
Step1-4，利用训练好的分类器进行目标检测。检测过程为用一个扫描子窗口在待检测的图像中不断的移位滑动，子窗口每到一个位置，计算出该区域的特征，然后分类器对该特征进行筛选，判定该区域是否为目标高压隔离开关。
Step1-5，学习和改进分类器。加入学习或者自适应，当图像或视频分类错误时自动识别并更新分类器。
Step2，采用Canny算法提取高压隔离开关的高压臂外轮廓，再经Hough变换处理后，得到几何形态明显的高压臂轮廓曲线，然后准确地识别高压臂外轮廓的直线形态，如图3所示。在所述步骤Step2中，Canny算法和Hough变换包括以下步骤：
Step2-1，采用混合高斯模型提取运动前景；
Step2-2，采用最大类间方差法阀值化前景；
Step2-3，采用形态学运算填充空隙；
Step2-4，提取目标高压隔离开关的轮廓；
Step2-5，采用多边形逼近轮廓得到轮廓的近似多边形表示，求多边形的最小外接矩形；
Step2-6，合并相交的外接矩形；
Step2-7，在视频帧上绘制运动目标的外接矩形框。
Step3，定义高压臂外轮廓的夹角为分合闸夹角N，高压隔离开关处于正常分、合闸状态的分合闸夹角分别称作分闸到位判定角N2和合闸到位判定角N1，对图像进行判断，判断图像是正样本还是负样本，正样本是指图像中含有高压隔离开关，负样本是指图像中不含有高压隔离开关；如果图像是负样本，则计算结束；如果图像为正样本，则判断分合闸角度N是否介于预先设定的合闸到位判定角N1与分闸到位判定角N2之间，如果分合闸角度N不在所述两个角度之间，则判断结果为分合闸已到位；如果分合闸角度N在所述两个角度之间，则判断结果为分合闸不到位并发出报警信号。
附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (2)
1.一种高压隔离开关分合状态判断与故障诊断方法，该方法采用高压隔离开关分合状态判断与故障诊断装置，该装置包括搭载支架云台设备的机器人、通过支架云台设备固定在龙门支架上的摄像机和LED补光设备、数据处理与分析模块；所述摄像机用于录制和监测高压隔离开关分合状态的视频图像，设置有接口连接外部数字储存设备进行数据存储，采用485通讯协议接收通过信号线传入的摄像机信号；所述LED补光设备以及支架云台设备根据高压隔离开关现场情况调整摄像机位置和优化拍摄环境光线；所述数据处理模块用于处理采集到的视频图像，完成特征量的提取与识别、故障状态的判断以及严重程度的预警；其特征在于，该方法包括以下步骤：
Step1，搭载摄像机的机器人在变电站实时拍摄变电站内的图像，采用基于方向梯度直方图HOG和SVM支持向量机的方法识别出一组高压隔离开关分闸、合闸原始视频图像；
Step2，采用Canny算法提取高压隔离开关的高压臂外轮廓，再经Hough变换处理后，得到几何形态明显的高压臂轮廓曲线，然后准确地识别高压臂外轮廓的直线形态；
Step3，定义高压臂外轮廓的夹角为分合闸夹角N，高压隔离开关处于正常分、合闸状态的分合闸夹角分别称作分闸到位判定角N2和合闸到位判定角N1，对图像进行判断，判断图像是正样本还是负样本，正样本是指图像中含有高压隔离开关，负样本是指图像中不含有高压隔离开关；如果图像是负样本，则计算结束；如果图像为正样本，则判断分合闸角度N是否介于预先设定的合闸到位判定角N1与分闸到位判定角N2之间，如果分合闸角度N不在两个判定角之间，则判断结果为分合闸已到位；如果分合闸角度N在两个判定角之间，则判断结果为分合闸不到位并发出报警信号；
其中，所述步骤Step2包括以下步骤：
Step2-1，采用混合高斯模型提取运动前景；
Step2-2，采用最大类间方差法阀值化前景；
Step2-3，采用形态学运算填充空隙；
Step2-4，提取目标高压隔离开关的轮廓；
Step2-5，采用多边形逼近轮廓得到轮廓的近似多边形表示，求多边形的最小外接矩形；
Step2-6，合并相交的外接矩形；
Step2-7，在视频帧上绘制运动目标的外接矩形框。
2.根据权利要求1所述的一种高压隔离开关分合状态判断与故障诊断方法，其特征在于，在所述步骤Step1中，基于方向梯度直方图HOG和SVM支持向量机的方法包括以下步骤：
Step1-1，创建样本库：训练样本包括正样本和负样本，其中，正例样本是指含有高压隔离开关的图片，负样本指不含有高压隔离开关的图片；
Step1-2，特征提取：通过变换把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式；
Step1-3，训练分类器：采用支持CUDA的NVIDIA GPU来训练数据；计算正样本、负样本图像的HOG描述子，组成一个特征向量矩阵，该特征向量矩阵包含一个指定每个特征向量类别的类标向量，输入SVM中进行训练；训练好的SVM分类器保存为XML文件；利用第一次训练的分类器，在负样本原图上进行高压隔离开关检测时所有检测到的矩形框，这些矩形框区域为误报，把这些误报的矩形框保存为图片，加入到初始的负样本集合中，重新进行SVM的训练；将通过运动检测得到的运动目标矩形框图片提取HOG特征，然后通过已经训练出的SVM模型进行预测，只有预测结果为高压隔离开关的图像才会被接受；
Step1-4，利用训练好的分类器进行目标检测：检测过程为用一个扫描子窗口在待检测的图像中不断的移位滑动，子窗口每到一个位置，计算出该区域的特征，然后分类器对该特征进行筛选，判定该区域是否为目标高压隔离开关；
Step1-5，学习和改进分类器：加入学习或者自适应，当图像或视频分类错误时自动识别并更新分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810961353.6A CN109271872B (zh) | 2018-08-22 | 2018-08-22 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810961353.6A CN109271872B (zh) | 2018-08-22 | 2018-08-22 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109271872A CN109271872A (zh) | 2019-01-25 |
| CN109271872B true CN109271872B (zh) | 2021-01-15 |
Family
ID=65154281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810961353.6A Active CN109271872B (zh) | 2018-08-22 | 2018-08-22 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109271872B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148118B (zh) * | 2019-04-22 | 2021-12-03 | 国网湖南省电力有限公司 | 一种开关柜地刀状态非接触监测方法、系统、介质及设备 |
| CN110766604B (zh) * | 2019-09-04 | 2023-06-06 | 国网浙江省电力有限公司湖州供电公司 | 一种双柱水平旋转式隔离开关图像数据的扩充方法 |
| CN111178395B (zh) * | 2019-12-12 | 2023-04-07 | 平高集团有限公司 | 一种隔离开关状态识别方法及装置 |
| CN111044895A (zh) * | 2019-12-13 | 2020-04-21 | 苏州华电电气股份有限公司 | 敞开式隔离开关状态感知方法 |
| CN111199219A (zh) * | 2020-01-14 | 2020-05-26 | 国网湖南省电力有限公司 | 一种隔离开关状态分布式监测方法、系统及介质 |
| CN111665438A (zh) * | 2020-05-22 | 2020-09-15 | 江门市电力工程输变电有限公司 | 一种高压隔离开关三相同期调试的校验方法 |
| CN111950448B (zh) * | 2020-08-11 | 2024-02-02 | 平高集团有限公司 | 基于机器视觉的高压隔离开关故障状态检测方法及装置 |
| CN112712547B (zh) * | 2020-12-25 | 2024-06-04 | 华雁智科(杭州)信息技术有限公司 | 一种隔离开关的状态检测方法及模型的建立方法 |
| CN113781436B (zh) * | 2021-09-10 | 2024-05-17 | 丁艳 | 一种基于摄像机和角度测量的高压开关状态监测方法 |
| CN113780191B (zh) * | 2021-09-14 | 2024-05-10 | 西安西电开关电气有限公司 | 一种发电站启动拖动开关分合闸状态图像识别方法及系统 |
| CN116338447B (zh) * | 2023-02-28 | 2024-05-14 | 湖北清江水电开发有限责任公司 | 一种隔离开关分合闸状态监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0217002A2 (de) * | 1985-09-30 | 1987-04-08 | Concordia Sprecher GmbH | Mittelspannungslasttrennschalter |
| CN203071404U (zh) * | 2012-11-30 | 2013-07-17 | 四川电力科学研究院 | 一种高压开关柜内隔离开关状态智能视频监测系统 |
| CN103269130A (zh) * | 2013-06-17 | 2013-08-28 | 北京殷图数码科技有限公司 | 一种对变电站的遥控操作进行远程确认的方法 |
| CN105404867A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院自动化研究所 | 一种基于视觉的变电站隔离开关状态识别方法 |
| US9627034B2 (en) * | 2015-05-15 | 2017-04-18 | Semiconductor Energy Laboratory Co., Ltd. | Electronic device |
| CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
-
2018
- 2018-08-22 CN CN201810961353.6A patent/CN109271872B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0217002A2 (de) * | 1985-09-30 | 1987-04-08 | Concordia Sprecher GmbH | Mittelspannungslasttrennschalter |
| CN203071404U (zh) * | 2012-11-30 | 2013-07-17 | 四川电力科学研究院 | 一种高压开关柜内隔离开关状态智能视频监测系统 |
| CN103269130A (zh) * | 2013-06-17 | 2013-08-28 | 北京殷图数码科技有限公司 | 一种对变电站的遥控操作进行远程确认的方法 |
| US9627034B2 (en) * | 2015-05-15 | 2017-04-18 | Semiconductor Energy Laboratory Co., Ltd. | Electronic device |
| CN105404867A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院自动化研究所 | 一种基于视觉的变电站隔离开关状态识别方法 |
| CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 变电站智能视频辅助管理系统的研究及应用;罗劲;《中国优秀硕士学位论文全文数据库信息科技辑》;20160315;第34-36页 * |
| 基于机器人的变电站开关状态图像识别方法;陈安伟等;《电力系统自动化》;20120325;第36卷(第6期);第101-105页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109271872A (zh) | 2019-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109271872B (zh) | 一种高压隔离开关分合状态判断与故障诊断装置及方法 | |
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
| CN109271881B (zh) | 一种变电站内人员安全管控方法、装置及服务器 | |
| CN109271844B (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
| CN110633612B (zh) | 一种巡检机器人的监控方法及系统 | |
| CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
| CN103646544B (zh) | 基于云台和相机设备的车辆行为分析识别方法 | |
| CN109409395A (zh) | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 | |
| CN112257632A (zh) | 一种基于边缘计算的变电站监测系统 | |
| CN113947731A (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
| CN105303162B (zh) | 一种基于目标建议算法的航拍图像绝缘子识别方法 | |
| CN104378539A (zh) | 场景自适应的视频结构化语义提取摄像机及其方法 | |
| CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
| CN105516661B (zh) | 鱼眼相机与ptz相机相结合的主从目标监控方法 | |
| US8229170B2 (en) | Method and system for detecting a signal structure from a moving video platform | |
| CN113378646A (zh) | 一种货运列车信息识别系统及识别方法 | |
| CN114708537A (zh) | 一种基于多视角的复杂场所异常行为分析系统及分析方法 | |
| CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及系统 | |
| CN110247328A (zh) | 开关柜内基于图像识别的位置判断方法 | |
| CN111207304B (zh) | 一种铁路隧道漏缆视觉巡检装置以及产品定位检测方法 | |
| CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
| KR20200056879A (ko) | 전차 선로의 조류 둥지 자동 검출 장치 및 방법 | |
| CN111951161A (zh) | 目标识别方法及系统、巡检机器人 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200511 Address after: 150030 Harbin, Heilongjiang, North Street, Xiangfang District, No. 61 Applicant after: STATE GRID HEILONGJIANG ELECTRIC POWER COMPANY LIMITED, ELECTRIC POWER Research Institute Applicant after: Wuhan Nari Limited Liability Company of State Grid Electric Power Research Institute Applicant after: STATE GRID HEILONGJIANG ELECTRIC POWER Co.,Ltd. Applicant after: NARI GROUP Corp. Applicant after: State Grid Corporation of China Address before: 430074 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 143 Applicant before: Wuhan Nari Limited Liability Company of State Grid Electric Power Research Institute Applicant before: STATE GRID HEILONGJIANG ELECTRIC POWER Co.,Ltd. Applicant before: STATE GRID HEILONGJIANG ELECTRIC POWER COMPANY LIMITED, ELECTRIC POWER Research Institute Applicant before: State Grid Corporation of China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |