CN109799442B - 基于机载高光谱的绝缘子污闪预测方法及系统 - Google Patents
基于机载高光谱的绝缘子污闪预测方法及系统 Download PDFInfo
- Publication number
- CN109799442B CN109799442B CN201910247116.8A CN201910247116A CN109799442B CN 109799442 B CN109799442 B CN 109799442B CN 201910247116 A CN201910247116 A CN 201910247116A CN 109799442 B CN109799442 B CN 109799442B
- Authority
- CN
- China
- Prior art keywords
- insulator
- pollution
- flashover
- spectrum
- grades
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 46
- 238000009736 wetting Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 150000003839 salts Chemical class 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Testing Relating To Insulation (AREA)
- Insulators (AREA)
Abstract
本申请公开基于机载高光谱的绝缘子污闪预测方法及系统，所述方法包括构建污闪预测模型；获取线路绝缘子的高光谱图像，获取线路绝缘子周围环境的湿润等级；对高光谱图像进行黑白校正和多元散射校正，在湿润等级下提取特征波长；根据污闪预测模型和特征波长，计算预测闪络电压值；将预测闪络电压值与线路绝缘子正常闪络电压对比，实现对线路绝缘子污闪预测。本申请通过无人机搭载高光谱仪获取的高光谱图像，结合杆塔上测得湿度，能够评估在线运行绝缘子发生污闪的可能性。本申请可在雾雨天气进行，解决特殊天气人工无法巡检的问题。这种非接触式的在线评估绝缘子污闪电压可能性的方法大大提升检测效率，同时为线路绝缘子清洗提供准确指导。
Description
技术领域
本申请涉及绝缘子性能检测技术领域，特别涉及基于机载高光谱的绝缘子污闪预测方法及系统。
背景技术
绝缘子是一种特殊的绝缘控件，能够在架空输电线路中起到重要的电位隔离作用。架空输电线路在运行过程中，空气中的尘土、盐碱、工业烟尘等各种微粒或鸟粪都会堆积在绝缘子外表面形成污秽层。随着我国国民经济和人民生活水平的不断提高，与此同时带来了严重的环境污染。通常，在线运行的绝缘子大多数处于大气环境中，表面会逐渐沉积一层污秽物，当遇到潮湿天气时，绝缘子表面附着的污秽物在潮湿条件下，其可溶物质溶于水后，在绝缘表面形成一层导电膜，使绝缘子的绝缘水平大大降低，这样就会有泄露电流沿绝缘子表面流过，流过的电流大小主要取决于脏污程度和受潮程度。当脏污和受潮较严重时，局部电弧会逐步发展，最终贯穿两极，形成污闪。据统计，在电力系统总事故数中，污闪事故次数仅次于雷害，位居第二，而污闪事故造成的损失却比雷击造成的损失大很多。在污闪防治方面，电力部门定制了一系列诸如加大爬电距离、涂防尘涂料、采用有机合成绝缘子、定期清扫等防污闪措施，取得了一定的效果。但上述方法不能对污闪的发生概率及预防做出指导。
发明内容
本申请的目的在于提供一种基于机载高光谱的绝缘子污闪预测方法及系统，以解决现有技术不能对污闪的发生概率及预防做出指导。
一方面，根据本申请的实施例，提供了基于机载高光谱的绝缘子污闪预测方法，包括：
构建污闪预测模型；
获取线路绝缘子的高光谱图像，获取所述线路绝缘子周围环境的湿润等级；
对所述高光谱图像进行黑白校正和多元散射校正，在所述湿润等级下提取特征波长；
根据所述污闪预测模型和所述特征波长，计算预测闪络电压值；
将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。
进一步地，构建污闪预测模型的步骤，包括：
制备不同湿润等级污秽绝缘子，利用高光谱成像仪采集数据，建立不同湿润等级的污秽绝缘子光谱库；
测试不同湿润等级污秽绝缘子的闪络电压值；
根据不同湿润等级污秽绝缘子波谱库及对应的闪络电压值构建污闪预测模型。
进一步地，所述制备不同湿润等级污秽绝缘子，利用高光谱成像仪采集数据，建立不同湿润等级的污秽绝缘子光谱库的步骤，包括：
制备不同湿润等级污秽等级样品；
利用高光谱成像仪扫描获取不同湿润等级下每个污秽等级样品的波谱曲线；
计算所述不同湿润等级下每个污秽等级样品波谱曲线的平均值，得到不同湿润等级下每个污秽等级的标准波谱特征，建立不同湿润等级的污秽绝缘子光谱库。
进一步地，基于机载高光谱的绝缘子污闪预测方法还包括：
将所述特征波长与所述污秽绝缘子光谱库对比，在所述线路绝缘子周围环境的湿润等级下，确定线路绝缘子的污秽等级。
进一步地，所述黑白校正的公式为：
其中，
为原始光谱数据DN值，D为黑校正数据，W为白校正数据。
进一步地，所述多元散射校正的步骤包括：
计算所有样品的平均光谱：
；
将样品光谱与平均光谱进行一元线性回归：
；
计算多元散射校正后的光谱：
；
其中，A i,j 表示
维光谱数据矩阵，n为样品数，p为光谱采集所用的波长点数，
表示所有样品的原始高光谱在各个波长点处求平均值所得到的平均光谱矢量，
是
维矩阵，表示单个样品光谱矢量，
和
分别表示各样品高光谱
与平均光谱
进
行一元线性回归后得到的相对偏移系数和平移量。
进一步地，利用连续投影算法在所述湿润等级下提取特征波长。
进一步地，所述将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对线路绝缘子污闪预测的步骤包括：
计算所述预测闪络电压值与所述线路绝缘子正常闪络电压的差值百分比；
根据所述差值百分比判断污闪发生可能等级。
另一方面，根据本申请的实施例，提供了基于机载高光谱的绝缘子污闪预测系统，包括无人机，机载高光谱成像仪，辐射校正模块，数据传输模块，数据处理模块和温湿度传感器；
所述无人机用于搭载所述机载高光谱成像仪；
所述机载高光谱成像仪用于获取线路绝缘子的高光谱图像；
所述辐射校正模块用于对所述高光谱图像进行黑白校正和多元散射校正；
所述温湿度传感器用于获取所述线路绝缘子周围环境湿度；
所述数据传输模块用于将校正后的高光谱图像和所述周围环境湿度传输到所述数据处理模块；
所述数据处理模块用于根据所述周围环境湿度判定湿润等级，在所述湿润等级下提取所述校正后的高光谱图像特征波长；根据污闪预测模型和所述特征波长，计算预测闪络电压值；将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。
进一步地，所述的无人机包括大疆M600 PRO 六旋翼无人机和自稳云台；所述机载高光谱成像仪包括GaiaField 便携式地物高光谱仪，所述机载高光谱成像仪的光谱范围为400-1000nm，光谱分辨率为2.8nm。
由以上技术方案可知，本申请实施例提供基于机载高光谱的绝缘子污闪预测方法及系统，所述方法包括构建污闪预测模型；获取线路绝缘子的高光谱图像，获取所述线路绝缘子周围环境的湿润等级；对所述高光谱图像进行黑白校正和多元散射校正，在所述湿润等级下提取特征波长；根据所述污闪预测模型和所述特征波长，计算预测闪络电压值；将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。本申请通过无人机搭载高光谱仪获取的高光谱图像，结合杆塔上的温湿度传感器的湿度信息，能够对在线运行绝缘子发生污闪的可能性进行评估。本申请可在雾雨天气进行，从而解决了特殊天气人工无法巡检的问题。这种非接触式的在线评估绝缘子污闪电压可能性的方法大大提升检测效率，同时为线路绝缘子清洗提供准确指导。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例示出基于机载高光谱的绝缘子污闪预测方法的流程图；
图2为根据本申请实施例示出基于机载高光谱系统的绝缘子污闪预测方法中神经网络结构图。
具体实施方式
参阅图1，本申请实施例提供了基于机载高光谱的绝缘子污闪预测方法，包括：
步骤S1、构建污闪预测模型；
进一步地，构建污闪预测模型的步骤，包括：
步骤一、制备不同湿润等级污秽绝缘子，利用高光谱成像仪采集数据，建立不同湿润等级的污秽绝缘子光谱库；
进一步地，所述制备不同湿润等级污秽绝缘子，利用高光谱成像仪采集数据，建立不同湿润等级的污秽绝缘子光谱库的步骤，包括：
1）制备不同湿润等级污秽等级样品；
2）利用高光谱成像仪扫描获取不同湿润等级下每个污秽等级样品的波谱曲线；
3）计算所述不同湿润等级下每个污秽等级样品波谱曲线的平均值，得到不同湿润等级下每个污秽等级的标准波谱特征，建立不同湿润等级的污秽绝缘子光谱库。
需要说明的是，利用高光谱成像仪获取不同湿润等级下各污秽等级的光谱曲线后，需要通过黑白校正，多元散射校正后获得合格试验样品光谱曲线，每种湿润等级污秽有数百条光谱曲线，对合格试验样品光谱曲线取平均值，剔除误差后，得到该等级下的标准光谱曲线。
需要说明的是，制备不同湿润等级自然污秽绝缘子在室内进行。所述不同湿润等级主要包括干燥、轻度湿润、中度湿润、重度湿润四个等级。根据温湿度计检测的绝缘子周围空气湿度划分，空气湿度≤30%为干燥，空气湿度在30%~50%为轻度湿润，空气湿度在50%~80%为中度湿润，空气湿度在80%以上为重度湿润。
其中，不同湿润等级下，绝缘子污秽根据国标4585-2004中等值盐密的不同分为四个等级，包括清洁、轻度污染、中度污染、重度污染。本实施例中，清洁、轻度污染、中度污染、重度污染对应盐密为0~0.03 mg/cm-2、0.03~0.06 mg/cm-2、0.06~0.1 mg/cm-2、0.1~0.25mg/cm-2。污秽盐密在相应范围内即对应污秽等级。
步骤二、测试不同湿润等级污秽绝缘子的闪络电压值；
其中，闪络电压值测试采用均匀升压法，每一湿润等级下，试验绝缘子污秽等级根据盐密标准，以0.01 mg/cm-2为梯度，分别测试该盐密下的污闪电压，每个样本测试5次，取其平均值为闪络电压。
步骤三、根据不同湿润等级污秽绝缘子波谱库及对应的闪络电压值构建污闪预测模型。
不同湿润等级下不同污秽绝缘子的闪络电压值为训练样本数据，利用神经网络算法建立污闪预测模型。
其中，所选择的训练样本包括不同湿润等级：干燥、轻度湿润、中度湿润、重度湿润下的不同污秽等级（盐密范围在0.1~0.25 mg/cm-2，梯度为0.01mg/cm-2）绝缘子的闪络电压值。样本数量符合模型参数统计规律。
所建立的污闪预测模型如图2所示：
3层BP神经网络预测模型，设定输入层神经元个数为n，输出层神经元个数为m，隐
含层神经元个数为
，期望输出与实际输出之间的误差平方和作为误差函数E。其中隐含层
神经元个数
和误差函数分别为：
1) 
2) 
式中，
为实际输出；
为期望输出，
为1~10之间的常数。本实施例中，输入层
为湿润等级及污秽等级对应的特征波长，输出层为绝缘子闪络电压。以实测数据为训练样
本进行神经网络模型训练，计算得到污闪预测模型。
步骤S2、获取线路绝缘子的高光谱图像，获取所述线路绝缘子周围环境的湿润等级；
步骤S3、对所述高光谱图像进行黑白校正和多元散射校正，在所述湿润等级下提取特征波长；
所述高光谱数据采集主要对采集的数据的进行预处理校正，校正包括黑白校正及区域校正。因数据在自然光下采集，对数据进行校正可消除自然光的干扰。
进一步地，所述黑白校正的公式为：
其中，
为原始光谱数据DN值，D为黑校正数据，W为白校正数据。
进一步地，所述多元散射校正的步骤包括：
计算所有样品的平均光谱：
；
将样品光谱与平均光谱进行一元线性回归：
；
计算多元散射校正后的光谱：
；
其中，A i,j 表示
维光谱数据矩阵，n为样品数，p为光谱采集所用的波长点数，
表示所有样品的原始高光谱在各个波长点处求平均值所得到的平均光谱矢量，
是
维矩阵，表示单个样品光谱矢量，
和
分别表示各样品高光谱
与平均光谱
进行
一元线性回归后得到的相对偏移系数和平移量。
进一步地，利用连续投影算法在所述湿润等级下提取特征波长。
利用连续投影算法（SPA，Successive Projections Algorithm）提取湿润等级污秽的特征波长，通过迭代的方法对原始数据投影映射，去除构造新的变量集，并根据多变量线性回归（MLR，Multivariable Linear Regression）评价新变量的预测效果。
步骤S4、根据所述污闪预测模型和所述特征波长，计算预测闪络电压值；
将获取的输电线路绝缘子高光谱图像特征波段作为输入测试样本，对条件数据进行扩充，生成神经网络的输入条件的网络矩阵，并代入神经网络模型进行计算，获得预测闪络电压数据。
步骤S5、将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。
进一步地，所述将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对线路绝缘子污闪预测的步骤包括：
计算所述预测闪络电压值与所述线路绝缘子正常闪络电压的差值百分比；
根据所述差值百分比判断污闪发生可能等级。
污闪发生可能等级划分具体为：电压等级低于正常（清洁状态下）闪络电压20%以上，则为极易发生闪络；电压等级低于清洁状态下闪络电压10%~20%，则为可能发生闪络；电压等级低于清洁状态下闪络电压10%，则为不易发生闪络。
本申请实施例基于高光谱仪的高光谱成像是在纳米级的光谱分辨率上，高光谱的突出优势在于提供丰富的地物光谱波段，较高的光谱分辨率可以解决许多在全色和多光谱遥感中无法解决的问题。其较宽的波谱覆盖范围使得高光谱数据处理时，可以根据需要选定特定的波段凸显地物特征，因此，高光谱成像技术被广泛应用在矿物成分含量识别、植被识别与分类、大气中各成分含量分析、水域环境污染程度分析、土壤调查等方面。高光谱数据为三维数据，分别由图像坐标x，y以及波长坐标λ构成。高光谱信息既可以分析特定波长下成像区域不同位置的光谱数据，也可以反应某个像素点在不同波长下的光谱信息，利用建模方法分析光谱数据可以实现对被检测样品的表面状态的评估。
本申请的工作原理是：长期运行的复合绝缘子，伞裙积污严重，在雾雨天气下，污秽受潮后，绝缘子将很容易发生闪络事故。而不同湿润等级污秽，其对应的光谱特性不同，绝缘子高光谱影像上的光谱曲线也存在差异。因此，根据光谱信息的差异可以反映不同湿润等级污秽，然后基于不同湿润等级污秽下实验所测闪络电压值，建立的污闪预测模型，获取绝缘子的污闪概率。
进一步地，基于机载高光谱的绝缘子污闪预测方法还包括：
将所述特征波长与所述污秽绝缘子光谱库对比，在所述线路绝缘子周围环境的湿润等级下，确定线路绝缘子的污秽等级。
通过无人机搭载高光谱系统对绝缘子污秽程度进行分级，能实时高效的获取绝缘子表面污秽状况，免去检测人员攀爬杆塔来检测的麻烦，为线路绝缘子清洗提供准确指导。
本申请的实施例提供了基于机载高光谱的绝缘子污闪预测系统，包括无人机，机载高光谱成像仪，辐射校正模块，数据传输模块，数据处理模块和温湿度传感器；
所述无人机用于搭载所述机载高光谱成像仪；
所述机载高光谱成像仪用于获取线路绝缘子的高光谱图像；
所述辐射校正模块用于对所述高光谱图像进行黑白校正和多元散射校正；
所述温湿度传感器用于获取所述线路绝缘子周围环境湿度；
所述数据传输模块用于将校正后的高光谱图像和所述周围环境湿度传输到所述数据处理模块；
所述数据处理模块用于根据所述周围环境湿度判定湿润等级，在所述湿润等级下提取所述校正后的高光谱图像特征波长；根据污闪预测模型和所述特征波长，计算预测闪络电压值；将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测，所述数据处理模块还用于构建污闪预测模型。
所述机载高光谱成像仪固定于所述无人机上，所述机载高光谱成像仪，所述辐射校正模块，所述数据传输模块与所述数据处理模块依次连接，所述温湿度传感器，所述数据传输模块与所述数据处理模块依次连接，所述温湿度传感器设于塔杆上。
进一步地，所述的无人机包括大疆M600 PRO 六旋翼无人机和自稳云台；所述机载高光谱成像仪包括GaiaField 便携式地物高光谱仪，所述机载高光谱成像仪的光谱范围为400-1000nm，光谱分辨率为2.8nm。
由以上技术方案可知，本申请实施例提供基于机载高光谱的绝缘子污闪预测方法及系统，所述方法包括构建污闪预测模型；获取线路绝缘子的高光谱图像，获取所述线路绝缘子周围环境的湿润等级；对所述高光谱图像进行黑白校正和多元散射校正，在所述湿润等级下提取特征波长；根据所述污闪预测模型和所述特征波长，计算预测闪络电压值；将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。本申请通过无人机搭载高光谱仪获取的高光谱图像，结合杆塔上的温湿度传感器的湿度信息，能够对在线运行绝缘子发生污闪的可能性进行评估，避免检测人员攀爬杆塔来检测的麻烦，这种非接触式的在线评估绝缘子污闪电压可能性的方法大大提升检测效率，同时为线路绝缘子清洗提供准确指导。
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.基于机载高光谱的绝缘子污闪预测方法，其特征在于，包括：
构建污闪预测模型；
构建污闪预测模型的步骤，包括：
制备不同湿润等级污秽绝缘子，利用高光谱成像仪采集数据，建立不同湿润等级的污秽绝缘子光谱库；
测试不同湿润等级污秽绝缘子的闪络电压值；
根据不同湿润等级污秽绝缘子光谱库及对应的闪络电压值构建污闪预测模型；
获取线路绝缘子的高光谱图像，获取所述线路绝缘子周围环境的湿润等级；
对所述高光谱图像进行黑白校正和多元散射校正，在所述湿润等级下提取特征波长；
根据所述污闪预测模型和所述特征波长，计算预测闪络电压值；
将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。
2.根据权利要求1所述的方法，其特征在于，所述制备不同湿润等级污秽绝缘子，利用高光谱成像仪采集数据，建立不同湿润等级的污秽绝缘子光谱库的步骤，包括：
制备不同湿润等级污秽等级样品；
利用高光谱成像仪扫描获取不同湿润等级下每个污秽等级样品的波谱曲线；
计算所述不同湿润等级下每个污秽等级样品波谱曲线的平均值，得到不同湿润等级下每个污秽等级的标准波谱特征，建立不同湿润等级的污秽绝缘子光谱库。
3.根据权利要求1所述的方法，其特征在于，还包括：
将所述特征波长与所述污秽绝缘子光谱库对比，在所述线路绝缘子周围环境的湿润等级下，确定线路绝缘子的污秽等级。
4.根据权利要求1所述的方法，其特征在于，所述黑白校正的公式为：
其中，
为原始光谱数据DN值，D为黑校正数据，W为白校正数据。
5.根据权利要求1所述的方法，其特征在于，所述多元散射校正的步骤包括：
计算所有样品的平均光谱：
；
将样品光谱与所述平均光谱进行一元线性回归：
；
计算多元散射校正后的光谱：
；
其中，A i,j 表示
维光谱数据矩阵，n为样品数，p为光谱采集所用的波长点数，
表
示所有样品的原始高光谱在各个波长点处求平均值所得到的平均光谱矢量，
是
维
矩阵，表示单个样品光谱矢量，
和
分别表示各样品高光谱
与平均光谱
进行一元
线性回归后得到的相对偏移系数和平移量。
6.根据权利要求1所述的方法，其特征在于，利用连续投影算法在所述湿润等级下提取特征波长。
7.根据权利要求1所述的方法，其特征在于，所述将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对线路绝缘子污闪预测的步骤包括：
计算所述预测闪络电压值与所述线路绝缘子正常闪络电压的差值百分比；
根据所述差值百分比判断污闪发生可能等级。
8.基于机载高光谱的绝缘子污闪预测系统，其特征在于，包括无人机，机载高光谱成像仪，辐射校正模块，数据传输模块，数据处理模块和温湿度传感器；
所述无人机用于搭载所述机载高光谱成像仪；
所述机载高光谱成像仪用于获取线路绝缘子的高光谱图像；
所述辐射校正模块用于对所述高光谱图像进行黑白校正和多元散射校正；
所述温湿度传感器用于获取所述线路绝缘子周围环境湿度；
所述数据传输模块用于将校正后的高光谱图像和所述周围环境湿度传输到所述数据处理模块；
所述数据处理模块用于根据所述周围环境湿度判定湿润等级，在所述湿润等级下提取所述校正后的高光谱图像特征波长；根据污闪预测模型和所述特征波长，计算预测闪络电压值；将所述预测闪络电压值与所述线路绝缘子正常闪络电压对比，实现对所述线路绝缘子污闪预测。
9.根据权利要求8所述的系统，其特征在于，所述的无人机包括大疆M600 PRO 六旋翼无人机和自稳云台；所述机载高光谱成像仪包括GaiaField 便携式地物高光谱仪，所述机载高光谱成像仪的光谱范围为400-1000nm，光谱分辨率为2.8nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910247116.8A CN109799442B (zh) | 2019-03-29 | 2019-03-29 | 基于机载高光谱的绝缘子污闪预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910247116.8A CN109799442B (zh) | 2019-03-29 | 2019-03-29 | 基于机载高光谱的绝缘子污闪预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109799442A CN109799442A (zh) | 2019-05-24 |
| CN109799442B true CN109799442B (zh) | 2021-11-19 |
Family
ID=66564262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910247116.8A Active CN109799442B (zh) | 2019-03-29 | 2019-03-29 | 基于机载高光谱的绝缘子污闪预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109799442B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261405B (zh) * | 2019-07-31 | 2021-06-22 | 西南交通大学 | 基于显微高光谱技术的绝缘子污秽成分识别方法 |
| CN110455820A (zh) * | 2019-08-16 | 2019-11-15 | 云南电网有限责任公司电力科学研究院 | 一种线路绝缘子积污在线监测方法及系统 |
| CN111506093A (zh) * | 2020-04-09 | 2020-08-07 | 陕西省地方电力(集团)有限公司延安供电分公司 | 一种基于无人机的电力巡检系统及方法 |
| CN111738617B (zh) * | 2020-07-01 | 2023-12-26 | 广东电网有限责任公司广州供电局 | 一种强降雨天气下变电站风险评估方法与预警系统 |
| CN115575331B (zh) * | 2022-04-28 | 2024-04-26 | 西安交通大学 | 基于光谱反演的绝缘材料表面湿润度分布原位测量方法 |
| CN115165908B (zh) * | 2022-06-10 | 2024-09-06 | 西南交通大学 | 基于高光谱的室外绝缘子污秽程度检测方法及其系统 |
| CN115365196A (zh) * | 2022-08-19 | 2022-11-22 | 国网福建省电力有限公司福州供电公司 | 一种配网架空线路绝缘端子脏污清洗设备 |
| CN115856550B (zh) * | 2022-12-19 | 2024-01-16 | 华南理工大学 | 一种复合绝缘子盐雾闪络预测方法、装置和存储介质 |
| CN115877154B (zh) * | 2023-02-27 | 2023-08-15 | 国网江西省电力有限公司电力科学研究院 | 获取积污支柱绝缘子鸟巢材料短接混合放电特性的方法 |
| CN116503399B (zh) * | 2023-06-26 | 2024-03-22 | 广东电网有限责任公司湛江供电局 | 基于yolo-afps的绝缘子污闪检测方法 |
| CN117058541B (zh) * | 2023-08-03 | 2024-02-13 | 国网吉林省电力有限公司通化供电公司 | 绝缘子高光谱数据采集系统及其方法 |
| CN117557918B (zh) * | 2024-01-12 | 2024-03-19 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
| CN117991061B (zh) * | 2024-04-01 | 2024-06-07 | 星智元(厦门)科技有限公司 | 一种基于声纹和红外热成像的绝缘子污闪位置识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565577A (zh) * | 2011-12-15 | 2012-07-11 | 国网电力科学研究院 | 复合绝缘子高光谱检测方法 |
| CN102590677A (zh) * | 2012-02-28 | 2012-07-18 | 浙江省电力试验研究院 | 一种绝缘子人工污秽闪络试验数据分析处理方法 |
| CN103076548A (zh) * | 2013-02-01 | 2013-05-01 | 江苏省电力公司电力科学研究院 | 一种用表面电导率和泄漏电流预测闪络电压的方法 |
| CN103529057A (zh) * | 2013-10-21 | 2014-01-22 | 国网河南省电力公司驻马店供电公司 | 图像分析结合超声原理检测绝缘子污秽的装置及方法 |
| CN104849287A (zh) * | 2015-06-10 | 2015-08-19 | 国家电网公司 | 一种复合绝缘子污秽程度非接触检测方法 |
| CN204903698U (zh) * | 2015-04-29 | 2015-12-23 | 国家电网公司 | 一种基于气象和神经网络的绝缘子污闪预警装置 |
| CN106682774A (zh) * | 2016-12-23 | 2017-05-17 | 中国铁路总公司 | 一种接触网绝缘子污闪预测方法 |
| CN108072667A (zh) * | 2017-09-28 | 2018-05-25 | 江苏省电力试验研究院有限公司 | 基于高光谱的绝缘子污秽等级检测方法及系统 |
| CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
| CN109405771A (zh) * | 2018-12-29 | 2019-03-01 | 西南交通大学 | 一种车顶绝缘子表面粗糙度非接触式分级检测方法 |
-
2019
- 2019-03-29 CN CN201910247116.8A patent/CN109799442B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565577A (zh) * | 2011-12-15 | 2012-07-11 | 国网电力科学研究院 | 复合绝缘子高光谱检测方法 |
| CN102590677A (zh) * | 2012-02-28 | 2012-07-18 | 浙江省电力试验研究院 | 一种绝缘子人工污秽闪络试验数据分析处理方法 |
| CN103076548A (zh) * | 2013-02-01 | 2013-05-01 | 江苏省电力公司电力科学研究院 | 一种用表面电导率和泄漏电流预测闪络电压的方法 |
| CN103529057A (zh) * | 2013-10-21 | 2014-01-22 | 国网河南省电力公司驻马店供电公司 | 图像分析结合超声原理检测绝缘子污秽的装置及方法 |
| CN204903698U (zh) * | 2015-04-29 | 2015-12-23 | 国家电网公司 | 一种基于气象和神经网络的绝缘子污闪预警装置 |
| CN104849287A (zh) * | 2015-06-10 | 2015-08-19 | 国家电网公司 | 一种复合绝缘子污秽程度非接触检测方法 |
| CN106682774A (zh) * | 2016-12-23 | 2017-05-17 | 中国铁路总公司 | 一种接触网绝缘子污闪预测方法 |
| CN108072667A (zh) * | 2017-09-28 | 2018-05-25 | 江苏省电力试验研究院有限公司 | 基于高光谱的绝缘子污秽等级检测方法及系统 |
| CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
| CN109405771A (zh) * | 2018-12-29 | 2019-03-01 | 西南交通大学 | 一种车顶绝缘子表面粗糙度非接触式分级检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于高光谱技术的绝缘子污秽状态图谱分析及其识别;李光耀;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20181015;正文第一~五章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109799442A (zh) | 2019-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109799442B (zh) | 基于机载高光谱的绝缘子污闪预测方法及系统 | |
| CN110376214B (zh) | 基于高光谱技术的绝缘子污秽度非接触检测方法 | |
| CN111626985A (zh) | 基于图像融合的家禽体温检测方法及禽舍巡检系统 | |
| CN112414950B (zh) | 一种协同高光谱与红外技术的绝缘子等值盐密检测方法 | |
| CN110632092B (zh) | 基于高光谱技术的绝缘子表面污秽分布特性检测方法 | |
| CN111062251A (zh) | 基于无人机成像的农田棉蚜为害等级模型的监测方法 | |
| CN106778629B (zh) | 大棚识别方法及装置 | |
| CN110530876B (zh) | 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 | |
| CN112396019A (zh) | 一种基于无人机的植被分布识别方法、系统及可读存储介质 | |
| CN111931559A (zh) | 一种输电线路走廊区域内树种的分类方法 | |
| CN114898238B (zh) | 一种野生动物遥感识别方法及装置 | |
| CN114781537B (zh) | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 | |
| Corso et al. | Evaluation of visible contamination on power grid insulators using convolutional neural networks | |
| CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
| CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
| Maraaba et al. | A neural network-based estimation of the level of contamination on high-voltage porcelain and glass insulators | |
| CN117470867B (zh) | 变电设备绝缘子污秽区分方法、装置及电子设备 | |
| Yang et al. | PM2. 5 concentration estimation based on image quality assessment | |
| CN117517335B (zh) | 变电设备绝缘子污秽监测系统及方法 | |
| Gonçalves et al. | Inspection of power line insulators: state of the art, challenges, and open issues | |
| CN109712018A (zh) | 一种输电线路综合监控系统 | |
| CN112270234B (zh) | 一种基于航拍图像的输电线路绝缘子目标识别方法 | |
| CN117830870A (zh) | 一种基于多类型图像识别融合的电网监测方法 | |
| CN117058541B (zh) | 绝缘子高光谱数据采集系统及其方法 | |
| Quan et al. | Evaluation method of surface hydrophobicity class of on-board cable terminal based on MSRCR-SPA-ResNet |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |