CN111798405B - 一种基于深度学习的套管红外图像的故障诊断方法 - Google Patents
一种基于深度学习的套管红外图像的故障诊断方法 Download PDFInfo
- Publication number
- CN111798405B CN111798405B CN201911145289.5A CN201911145289A CN111798405B CN 111798405 B CN111798405 B CN 111798405B CN 201911145289 A CN201911145289 A CN 201911145289A CN 111798405 B CN111798405 B CN 111798405B
- Authority
- CN
- China
- Prior art keywords
- fault
- sleeve
- image
- infrared image
- casing
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种利用深度学习对变压器套管红外图像进行故障诊断的方法,包括套管提取模块、故障区域提取模块、故障诊断模块,实现对输入的套管红外图像进行故障诊断的作用。其中套管提取模块包括离线训练部分及在线提取部分、故障区域提取模块包括SLIC算法预处理部分及PCNN提取部分,故障诊断模块包括故障特征向量提取及故障分类部分。本检测算法基于深度学习,通过对标记的套管图像进行训练达到提取复杂背景中套管图像的目的,然后提取出故障及其特征向量,利用诊断算法达到故障诊断的目的,从而实现了套管的红外图像故障检测,可有效保证套管能够安全、稳定地运行。
Description
技术领域
本发明涉及电力设备质量监督领域,具体是一种基于套管的红外图像故障检测方法。
背景技术
套管作为变压器的重要组件,起着将绕组引出线引出油箱,并连接到电网的作用。保证其保持良好的绝缘性能以及使电流良好导通的作用,对保证变压器的可靠供电和安全运行至关重要。近年来,根据各种研究和电力设施的数据,由套管引起的变压器故障占变压器故障总数的5%到50%。同时套管故障也是变压器起火的最常见原因,该故障会对电力系统造成巨大的影响。需要特别引起注意的是,随着电压等级的提高,套管事故所占比例不断增加。
而有关统计资料表明,电力系统中超过半数以上的电气设备故障都是连接松动、接触不良、泄露电流、漏磁等造成的发热引起的。而发热类的故障可以通过红外图像很好地进行观察。在现有工作模式下,红外图像故障识别主要以人工识别为主,对人员的专业素质要求高,存在着人为因素影响大、工作效率低等缺陷等问题。随着智能变电站和变电站巡检机器人的进一步发展和普及,海量的红外故障图像涌入等待分析,此时仅依靠人工分析显然已经不能满足需求。而采用计算机的辅助分析手段对采集到的红外图像进行自动提取、识别、分析,可以减轻劳动强度、减少对技术人员的依赖;更有利于实现图像的数据化,便于进行横向和纵向的统计分析。
但传统的故障检测方式无法从复杂的红外图像中提取出套管部分,而基于现有的深度学习技术则需要大量的故障样本才能满足诊断的效果,故提出了一种基于深度学习的红外图像故障检测技术解决了需要大量的故障样本才能满足诊断的问题。
发明内容
发明目的:
本发明目的在于克服上述现有技术的不足,提供基于深度学习的红外图像故障检测技术,通过对套管故障红外图像的分析获取了可以将故障之间区分的特征向量,突出了故障之间的区别,减小了故障检测对数据量的依赖性。
技术方案:
本发明为实现上述发明目的采用如下技术方案:
一种基于深度学习的套管红外图像的故障诊断方法,其特征是,包括以下部分包括套管提取模块、故障区域提取模块、故障诊断模块:
步骤S1,利用红外摄像仪在变电站采集套管红外图像,对不同图像进行编号处理并进一步利用标记软件手动选取红外图像中的套管部分进行标记,进而建立套管红外图像库;
步骤S2,将套管红外图像库中经过标记的图像输入到套管提取模块中的离线训练部分,使得所选取的深度学习模型达到具有将任一具有套管部分的其他红外图像输入模型时,能够提取其套管区域的功能;
步骤S3,将步骤S2中提取出的套管部分输入故障区域提取模块进行故障区域判断及提取,包括一下子步骤:
子步骤S3.1,对套管图像进行SLIC算法处理,根据图像中位置及颜色将图像划分为不同色块聚类;
子步骤S3.2,对聚类过的图片进行PCNN分割处理,即利用PCNN将图像中的故障区域提取出,其他背景进行滤除;
步骤S4,将步骤S3中提取出的套管故障区域进行特征向量的提取;
步骤S5,提取故障区域的特征并作为支持向量机的输入参数且对支持向量机进行训练,并运用训练好的支持向量机对电气设备进行热缺陷诊断,输出诊断结果。
进一步,所述步骤S1的标记处理包括将红外图像中的套管部分选中并标记为套管,然后将标记过的数据建立为套管红外图像库便于训练。
进一步,所述步骤S2的套管提取模块包含离线训练模块和在线分割模块,二者均基于Mask R-CNN且同为一个模型,在不同的场合具有不同的功能,最终目的为从输入的包含套管的红外图像中分割出套管图像。
进一步,所述步骤S3所述采用SLIC对图像进行预处理,然后利用PCNN (脉冲耦合神经网络)对预处理后的红外图像进行故障区域分割,具体子步骤如下:
子步骤1:利用SLIC预处理,首先设定具体的K值,将其设定为200,对分割出来的套管图像进行预处理,式中:dlab为颜色距离;dxy代表空间距离; s为聚类中心的距离;D(i,k)为第i个像素点与第k个聚类中心的相似度。经该运算即可对图像进行预处理;
子步骤2:对PCNN进行参数设置,将预处理过的图像输入PCNN网络进行分割处理,输出为分割过的故障图像;
进一步,所述步骤S4、S5所述故障诊断方法,首先提取出两类能区分套管故障的特征向量,然后利用SVM进行故障分类。
与现有技术相比,本发明的有益效果是:能在复杂的图像背景中识别出套管,然后基于小样本的故障数据对套管图像进行有效诊断。
附图说明
图1是本发明所述的一种基于深度学习的套管红外图像的故障检测方法框架图;
图2为3种不同故障状态下套管的红外图:(a)介损故障 (b)接头故障 (c)漏油;
图3为Mask R-CNN处理套管结果图;
图4为SLIC-PCNN故障区域提取图;
图5为诊断结果图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
一种基于深度学习的套管红外图像的故障诊断方法,其特征是,包括以下部分包括套管提取模块、故障区域提取模块、故障诊断模块:
步骤S1,利用红外摄像仪在变电站采集套管红外图像,对不同图像进行编号处理并进一步利用标记软件手动选取红外图像中的套管部分进行标记,进而建立套管红外图像库;
步骤S2,将套管红外图像库中的图像输入套管提取模块中的离线训练部分使得深度学习模型在在线提取部分具有将输入红外图像中的套管提取的功能;
步骤S3,将步骤S2中提取出的套管部分输入故障区域提取模块进行故障区域判断及提取,包括以下子步骤:
子步骤S3.1,对套管图像进行SLIC算法处理,根据图像中位置及颜色将图像划分为不同色块聚类;
子步骤S3.2,对聚类过的图片进行PCNN分割处理,即利用PCNN将图像中的故障区域提取出,其他背景进行滤除;
步骤S4,将步骤S3中提取出的套管故障区域进行特征向量的提取;
步骤S5,提取故障区域的特征并作为支持向量机的输入参数且对支持向量机进行训练,并运用训练好的支持向量机对电气设备进行热缺陷诊断,输出诊断结果。
进一步,所述步骤S1的标记处理包括将红外图像中的套管部分选中并标记为套管,然后将标记过的数据建立为套管红外图像库便于训练。
进一步,所述步骤S2的套管提取模块包含离线训练模块和在线分割模块,二者均基于Mask R-CNN且同为一个模型,在不同的场合具有不同的功能,最终目的为从输入的包含套管的红外图像中分割出套管图像。
进一步,所述步骤S3所述采用SLIC对图像进行预处理,然后利用PCNN 对预处理后的红外图像进行故障区域分割,具体子步骤如下:
子步骤1:进行SLIC预处理,设定具体的K值,将其设定为200对分割出来的套管图像进行预处理,式中:dlab为颜色距离;dxy代表空间距离;s为聚类中心的距离;D(i,k)为第i个像素点与第k个聚类中心的相似度。经该运算即可对图像进行预处理;
子步骤2:对PCNN进行参数设置,将预处理过的图像输入PCNN网络进行分割处理,输出为分割过的故障图像;
进一步,所述步骤S4、S5所述故障诊断方法,首先提取出两类能区分套管故障的特征向量,然后利用SVM进行故障分类。
与现有技术相比,本发明的有益效果是:能在复杂的图像背景中识别出套管,然后基于小样本的故障数据对套管图像进行有效诊断。
下面举一实例。
搜集套管的红外图像,建立红外图像巡检数据集,首先将其中的故障样本提取出来,根据DLT664-2016带电设备红外诊断应用规范,将故障类型分为四种状况:介损故障,接头故障,漏油,局部放电,但根据实际检测中未发现局部放电的故障,故将故障类型设置为介损故障,接头故障,漏油。套管三种故障状况下的红外图像图如图2所示。
根据建立的套管图像数据集,取500张图像进行套管区域的标记,然后将标记过的套管图像作为训练集合输入Mask R-CNN当中训练,其间不需要进行参数的选取,训练完成即可达到提取套管红外图像中套管区域的作用,其模型训练结果输出如图3所示,红外图像原图中的背景十分复杂,而深度学习的应用很好地提取出了套管部分。
然后将可将提取出的套管部分输入故障提取部分,首先将图像进行 SLIC超像素分割处理,然后将输出结果输入到PCNN脉冲耦合神经网络中进行分割处理,输出结果为套管中含有的故障区域,如图4所示,进一步对提取出的故障区域进行特征向量的提取,提取内容包括但不限于故障区域的相对位置及故障区域的相对大小。
最终通过对不同组特征向量的标记输入SVM当中进行分类,套管故障诊断的结果如图5所示,通过小样本的故障数据集(40张)对故障类型进行了诊断。经由与故障类型的标记对比可以看出,本发明的故障识别率为100%,试验表明此方法可有效识别复杂背景下的套管的不同故障类型,为套管的故障诊断开辟一条新途径。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于深度学习的套管红外图像的故障诊断方法,其特征是,包括以下部分包括套管提取模块、故障区域提取模块、故障诊断模块:
步骤S1,利用红外摄像仪在变电站采集套管红外图像,并标记红外图像中的套管部分建立套管红外图像库;
步骤S2,将套管红外图像库中的图像输入套管提取模块中的离线训练部分使得深度学习模型在在线提取部分具有将输入红外图像中的套管提取的功能;
步骤S3,将步骤S2中提取出的套管部分输入故障区域提取模块进行故障区域判断及提取,包括以下子步骤:
子步骤S3.1,对套管图像进行SLIC算法处理,根据图像中位置及颜色将图像划分为不同色块聚类,包括:设定具体的K值,将其设定为200对分割出来的套管图像进行预处理,式中:为颜色距离;代表空间距离;s为聚类中心的距离;D(i,k)为第i个像素点与第k个聚类中心的相似度,经该运算即可对图像进行预处理;
子步骤S3.2,对聚类过的图片进行PCNN分割处理,即利用PCNN将图像中的故障区域提取出,其他背景进行滤除,包括:对PCNN进行参数设置,将预处理过的图像输入PCNN网络进行分割处理,输出为分割过的故障图像;
步骤S4,将步骤S3中提取出的套管故障区域进行特征向量的提取;
步骤S5,提取故障区域的特征并作为支持向量机的输入参数且对支持向量机进行训练,并运用训练好的支持向量机对电气设备进行热缺陷诊断,输出诊断结果。
2.如权利要求1所述的一种基于深度学习的套管红外图像的故障诊断方法,其特征在于,所述步骤S1的标记处理包括将红外图像中的套管部分选中并标记为套管,然后将标记过的数据建立为套管红外图像库便于训练。
3.根据权利要求1所述的一种基于深度学习的套管红外图像的故障诊断方法,其特征在于,步骤S2的套管提取模块包含离线训练模块和在线分割模块,二者均基于Mask R-CNN且同为一个模型,在不同的场合具有不同的功能,最终目的为从输入的包含套管的红外图像中分割出套管图像。
4.根据权利要求1所述的一种基于深度学习的套管红外图像的故障诊断方法,其特征在于,步骤S4、S5所述故障诊断方法,首先提取出两类能区分套管故障的特征向量,然后利用SVM进行故障分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145289.5A CN111798405B (zh) | 2019-11-21 | 2019-11-21 | 一种基于深度学习的套管红外图像的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145289.5A CN111798405B (zh) | 2019-11-21 | 2019-11-21 | 一种基于深度学习的套管红外图像的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798405A CN111798405A (zh) | 2020-10-20 |
CN111798405B true CN111798405B (zh) | 2024-04-19 |
Family
ID=72805054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911145289.5A Active CN111798405B (zh) | 2019-11-21 | 2019-11-21 | 一种基于深度学习的套管红外图像的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798405B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239731B (zh) * | 2021-04-12 | 2022-06-14 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113902745A (zh) * | 2021-12-10 | 2022-01-07 | 山东捷瑞数字科技股份有限公司 | 基于图像处理的商用车变速箱精准故障识别方法及装置 |
CN114241199B (zh) * | 2022-02-18 | 2022-05-20 | 浙江天铂云科光电股份有限公司 | 用于套管异常发热检测的套管部件定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
-
2019
- 2019-11-21 CN CN201911145289.5A patent/CN111798405B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111798405A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798405B (zh) | 一种基于深度学习的套管红外图像的故障诊断方法 | |
CN104331710B (zh) | 开关状态识别系统 | |
CN111639579B (zh) | 一种基于红外图像的电力变压器套管智能油位识别方法 | |
CN112906769A (zh) | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 | |
CN110619623B (zh) | 一种变电设备接头发热的自动识别方法 | |
CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN110646425B (zh) | 一种烟叶在线辅助定级方法及系统 | |
CN110674808A (zh) | 一种变电站压板状态智能识别方法及装置 | |
CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN111507249A (zh) | 基于目标检测的变电站鸟窝识别方法 | |
CN114694050A (zh) | 一种基于红外图像的电力设备运行状态探测方法 | |
CN111179213A (zh) | 一种套管故障诊断方法及系统 | |
CN111199250A (zh) | 一种基于机器学习的变电站空气开关状态校核方法及装置 | |
CN109492617A (zh) | 基于K-means聚类算法的电力电缆诊断方法 | |
CN110009620A (zh) | 基于迁移学习算法进行电网防震锤智能识别的方法及系统 | |
CN115238428A (zh) | 变电站二次图纸可视化编辑数字化配置装置、方法及应用 | |
CN112990006A (zh) | 一种配电台区的巡检方法、智能巡检眼镜和系统 | |
CN113538411A (zh) | 一种绝缘子缺陷检测方法及装置 | |
CN111930982A (zh) | 一种电网图像智能标签方法 | |
CN112329863B (zh) | 一种牵引变电所内隔离开关状态识别方法 | |
CN111401289B (zh) | 一种变压器部件的智能识别方法和装置 | |
CN117893946A (zh) | 一种电力通信现场作业的流程化管控方法 | |
CN112634352B (zh) | 一种变电站鱼眼式分合闸状态识别方法与系统 |
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 |