CN112150495A - 一种基于扣分法则的绝缘子冰闪风险预测方法 - Google Patents
一种基于扣分法则的绝缘子冰闪风险预测方法 Download PDFInfo
- Publication number
- CN112150495A CN112150495A CN202011015869.5A CN202011015869A CN112150495A CN 112150495 A CN112150495 A CN 112150495A CN 202011015869 A CN202011015869 A CN 202011015869A CN 112150495 A CN112150495 A CN 112150495A
- Authority
- CN
- China
- Prior art keywords
- ice
- insulator
- flashover
- image
- deduction
- 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.)
- Granted
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013139 quantization Methods 0.000 claims abstract description 8
- 239000011248 coating agent Substances 0.000 claims description 31
- 238000000576 coating method Methods 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 229920002379 silicone rubber Polymers 0.000 claims description 2
- 239000004945 silicone rubber Substances 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000004381 surface treatment Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 7
- 230000002265 prevention Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G06T5/70—
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Abstract
本发明公开了一种基于扣分法则的绝缘子冰闪风险预测方法,步骤包括:1)对采集的绝缘子冰闪原始图像进行处理,提升冰闪原始图像的清晰化程度;2)对处理后的清晰图像进行修正,提取覆冰绝缘子边缘;3)提取绝缘子的冰闪特征参量,4)根据上述的冰闪特征参量,制定量化规则,对冰闪特征参量分别进行量化处理;5)根据上述的冰闪特征参量对绝缘子冰闪过程的影响程度,制定扣分机制,针对特征参量量化处理结果,根据各自的权重进行扣分处理,得到冰闪风险评估分值;6)按照预先设定的极低、低、中等、高、极高五个等级阈值区间,得出阈值区间对应的绝缘子冰闪风险等级,得到最终的评估结果。本发明方法,简单可行,结果可靠。
Description
技术领域
本发明涉及覆冰闪络风险预测技术领域,涉及一种基于扣分法则的绝缘子冰闪风险预测方法。
背景技术
在输电线路中,绝缘子起到机械固定和电气绝缘的重要作用,其健康状况将影响着输电线路的安全运行状况以及运行寿命。近年来极寒天气的频繁发生导致我国输电线路和变电站的绝缘子发生大面积覆冰闪络、线路跳闸等电气事故,各个科研机构主要投入大量精力于绝缘子闪络机理、过程的研究,并相继建立模拟输电线路覆冰实验系统。
现如今中国电力公司正大力推行智能输电、通道可视化、无人机巡线等工程技术,在输电线路覆冰微气象区大都布置了图像/视频采集装置、气象采集装置等专用传感器组,该技术可实现输电线路绝缘子覆冰图像、气象条件等参量的实时采集及绝缘子冰闪预警技术奠定了基础。
考虑到绝缘子覆冰的类型、形貌、桥接状况、绝缘子表层污秽度等冰闪影响因素具有明显的形态学特征,尝试通过图像处理、人工智能等先进技术对覆冰类型、覆冰量、覆冰轮廓、冰棱长度及桥接状态等关键绝缘子冰闪信息进行提取,进而提出一种较为简便有效的基于扣分机制对绝缘子冰闪风险评估及预测的方法,实现预测覆冰绝缘子闪络概率及风险等级的功能,为电力运维单位防冰、除冰工作提供支撑。
发明内容
本发明的目的在于提供一种基于扣分法则的绝缘子冰闪风险预测方法,解决了现有技术的冰闪评估机制复杂,无法适用于各类型式的覆冰绝缘子的问题。
本发明采用的技术方案是,一种基于扣分法则的绝缘子冰闪风险预测方法,按照以下步骤实施:
步骤1、首先对采集的绝缘子冰闪原始图像进行处理,提升冰闪原始图像的清晰化程度;
步骤2、对处理后的清晰图像进行修正,提取覆冰绝缘子边缘;
步骤3、依次采用轮廓差分、覆冰密度与介电常数关系分析、冰凌分割及绝缘子伞裙间距识别技术、灰度熵的方法,提取绝缘子的冰闪特征参量,
步骤4、根据上述的冰闪特征参量,制定量化规则,对步骤3中提取到的冰闪特征参量分别进行量化处理;
步骤5、根据上述的冰闪特征参量对绝缘子冰闪过程的影响程度,制定扣分机制,针对步骤4中得出的特征参量量化处理结果,根据各自的权重进行扣分处理,得到冰闪风险评估分值;
步骤6、根据步骤5中得出的冰闪风险评估分值,按照预先设定的极低、低、中等、高、极高五个等级阈值区间,得出阈值区间对应的绝缘子冰闪风险等级,得到最终的评估结果。
本发明的有益效果是,优化了覆冰类型、覆冰程度、冰层桥接状态、污秽度等绝缘子冰闪特征的量化方法,为绝缘子冰闪风险评估方法提供了一种新鲜思路;适用于各类型式的绝缘子,应用过程简便、高效,对于指导电力运维单位合理开展防冰、除冰及预防绝缘子冰闪事故等工作具有重要理论价值和实际工程意义。
附图说明
图1为本发明方法的实现过程示意图。
具体实施方式
参照图1,本发明的绝缘子冰闪风险预测方法,按照以下步骤实施:
步骤1、首先对采集的绝缘子冰闪原始图像进行处理,提升冰闪原始图像的清晰化程度,
针对绝缘子冰闪现场的图像采集设备大都安装在微气象区的杆塔上;
步骤2、对处理后的清晰图像进行修正,提取覆冰绝缘子边缘,
该过程依次采用绝缘子图像区域分割、阈值分割、边缘提取。图像区域分割是按照一定规则将图像划分为若干个互不相交、具有一定性质的区域,是由图像处理到图像分析的一个重要步骤。阈值分割是一种简单有效的基于区域的图像分割算法,它是利用图像中需要提取的目标对象及背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域的组合;选出分割后的独立连用区域后,很多干扰区域也被作为独立的区域返回,这时可通过面积比较将区域从分割结果中剔除,最后将绝缘子区域从图像中分割出来。边缘提取技术是采用Canny算法采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器,通过与图像f(x,y)卷积进行滤波,对滤波后的图像寻找图像梯度的局部最大值,以此来确定绝缘子图像的边缘。
步骤3、依次采用轮廓差分、覆冰密度与介电常数关系分析、冰凌分割及绝缘子伞裙间距识别技术、灰度熵的方法(这四个方法均是现有技术),提取绝缘子的冰闪特征参量,
本步骤的冰闪特征参量主要包括了表1中列举的覆冰程度、覆冰类型、冰凌长度及桥接状态、污秽度;
表1、绝缘子冰闪特征参量提取方法
以下对表1所述的具体提取方法进行逐项说明:
3.1)覆冰类型的识别,可采用图像法或电容法进行监测,一是通过图像法,即利用不同类型的覆冰纹理特征、覆冰表面亮度等形态学特征进行识别,二是电容法,即利用平行板电容传感器得出覆冰样本的电容值与其相对介电常数的函数式,见公式(1);再通过实验室大量实验数据建立覆冰介电常数与覆冰密度的函数式,见公式(2),计算得出覆冰样本的覆冰密度,最终确定覆冰类型,
覆冰样本的电容值Cm与相对介电常数εm的关系式如下:
其中,ε0为纯冰的介电常数值,A为平行板电容传感器极板的面积,单位为m2,L为极板长度,
覆冰介电常数与覆冰密度的关系式如下:
其中,εm是覆冰样本的相对介电常数;εi和εf分别是纯冰和空气的相对介电常数;ρ和ρice分别是覆冰样本和纯冰的密度;而λi和λf分别是纯冰和空气的体积比,并满足关系式λi=ρ/ρice,λf=1-ρ/ρice。
3.2)覆冰量的识别,根据覆冰前后绝缘子图像的差异化计算提取覆冰绝缘子直径的变化。首先选取导线和绝缘子的区域作为算法处理区域,然后在这个区域内对图像进行分割、边缘提取,利用覆冰前后像素数和边界距离比较的方法判断输电线路有无覆冰,最终利用摄像机标定完成清晰图像的坐标系转化,实现覆冰厚度D2-D1的准确测量,其中的D1和D2分别为覆冰前后绝缘子伞裙的直径。
3.3)冰凌长度及桥接状态的识别,是通过对大量绝缘子雨凇覆冰形貌分析,提出采用显著性检测和颜色特征分析结合进行冰棱结构的提取。该方法首先通过显著性检测方法对绝缘子覆冰进行处理,排除背景及玻璃绝缘子钢帽结构的影响,得到绝缘子冰凌结构的清晰化图像;随后通过颜色特征分析,分割得到绝缘子伞面,玻璃绝缘子以绿色为特征色,硅橡胶复合绝缘子以红色为特征色;进而通过对两幅图像的差分计算,排除伞裙影响得到绝缘子上的冰棱结构,完成冰棱结构像素尺寸的提取。
3.4)污秽度的识别,基于可见光的未覆冰玻璃绝缘子污秽度检测方法,该方法提取绝缘子表面处理过后的清晰图像6个通道的均值、最大值、最小值等7个特征量,进而用Fisher准则函数筛选出分类能力较强的特征作为灰密程度判别特征,最后利用思维进化算法优化BP神经网络进行绝缘子灰密程度分类。
步骤4、根据上述的冰闪特征参量,制定量化规则,该量化规则其实是没有一个原则性判定标准,根据经验通过人为设置一个量化细则,详见表2~表5;对步骤3中提取到的冰闪特征参量(覆冰量、覆冰类型、冰凌长度及桥接状态、污秽度)分别进行量化处理;
步骤5、根据上述的冰闪特征参量对绝缘子冰闪过程的影响程度,制定扣分机制,针对步骤4中得出的特征参量量化处理结果,根据各自的权重进行扣分处理,得到冰闪风险评估分值;
绝缘子冰闪过程中的影响因素较为复杂,因此本步骤5的扣分机制中只重点考虑覆冰类型、覆冰程度、冰凌长度及桥接状态、污秽程度这四个冰闪特征参量作为扣分项目,随后基于大量现场实践经验,对上述具有模糊性、推理性的扣分项目进行分类分值量化,最终结合权重计算总扣分值,给出绝缘子在某时刻下风险等级,
以覆冰类型(权重0.2)和桥接状态(权重0.4)为例:雨凇、硬雾凇覆冰的冰闪风险最高,软雾凇、积雪的风险较小,凝霜结构松散生长缓慢,相对来说风险最小,因此设定扣分值分别为100、60、30;绝缘覆冰桥接可根据冰凌长度(或者冰厚)及气隙长度的大小关系,将桥接程度分为轻微(无明显冰层)、轻度(冰层达到伞间距的1/3)、中度(冰层达到伞间距的1/2)、严重(临界桥接、完全桥接)四个等级,设定扣分值分别为30,40,60,100。依次类推,由100的总分减去各项扣分值,得出最终绝缘子状态评估分值,并且得出相应的冰闪风险的等级,
扣分机制直接按照绝缘子覆冰特征进行分数扣除和风险等级判断,各特征参数的扣分值、权重及风险阈值有很大的人为随机性,需根据积累的大量绝缘子覆冰案例(包括冰闪和非冰闪)按照地区、微气候特点等进行优化调整。
步骤6、根据步骤5中得出的冰闪风险评估分值,按照预先设定的极低、低、中等、高、极高五个等级阈值区间,得出阈值区间对应的绝缘子冰闪风险等级,得到最终的评估结果。
以下为本发明现场实施时的扣分机制的举例说明:
本发明步骤5中提出的扣分机制,其具体实施步骤如下:
1)、设置覆冰类型、覆冰程度、冰凌长度及桥接状态、污秽程度这四个冰闪特征参量作为扣分项目,并根据其对绝缘子冰闪过程的影响程度,设置权重w分别为0.2、0.2、0.4、0.2。
2)、参照表2,是覆冰厚度的量化规则及最大扣分值Mp1,根据提取到的覆冰厚度阈值,将覆冰厚度量化为不同厚度等级,依次递增为Id=1,2,3,4,5,Id为覆冰厚度量化值。冰闪风险等级随着覆冰厚度的加大在逐渐递增,因此相应的扣分值设置为20,40,60,80,100。
表2、覆冰厚度量化规则及其最大扣分值
3)、参照表3,是覆冰类型量化规则及最大扣分值Mp2,覆冰类型主要分为凝霜、软雾凇、硬雾凇、雨凇,危险程度依次递增。其具体量化规则及最大扣分值如表2所示,表2中εi为覆冰相对介电常数。雨凇、硬雾凇覆冰的冰闪风险最高,软雾凇、积雪的风险较小,凝霜结构松散生长缓慢,相对来说风险最小,因此设定扣分值分别为100、60、30。
表3、覆冰类型量化规则及最大扣分值
4)、参照表4,是冰凌桥接程度等级划分规则及最大扣分值Mp3,根据冰凌长度l(或者冰厚)及气隙长度δ的大小关系可将冰凌桥接程度分为轻微(无明显冰层)、轻度(冰层厚度达到伞间距的1/3)、中度(冰层厚度达到伞间距的1/2)及严重(临界桥接、完全桥接),设定扣分值分别为30,40,60,100。表4中IM为绝缘子覆冰量;l为冰凌长度;δ为气隙长度。
表4、冰凌桥接程度的量化规则
5)、参照表5,是绝缘子不同污秽程度的最大扣分值Mp4,结合典型环境污湿程度特征与现场污秽度的评估进行污秽程度的量化。电网企业根据输电线路所处地域位置的差别,根据等值附盐密度将污秽的种类划分为a,b,c,d,e五个污秽等级,设置的相应扣分值为20,40,60,80,100。
表5、污秽程度的量化规则及最大扣分值
6)、通过对上述这4个扣分项进行特征参数量化,合理评估确定覆冰绝缘子的冰闪风险等级。假设绝缘子初始分数均为100分,根据现场测量数据减去各项加权后的最大扣分值,得出最终绝缘子状态评估分值,并且得出相应的冰闪风险的等级,以此为后续预警处理提供合理的参考,具体计算如下:
MPinsulator=100-Mp(p=1,2,3,4)×w (3)
其中,MPinsulator为绝缘子状态评估分值,Mp为各个冰闪特征参数的最大扣分值,w为各项权重。
最终评估分值与绝缘子状态及风险等级的对应关系,参照表6。
表6、最终评估分值与绝缘子状态及风险等级的关系
Claims (5)
1.一种基于扣分法则的绝缘子冰闪风险预测方法,其特征在于,按照以下步骤实施:
步骤1、首先对采集的绝缘子冰闪原始图像进行处理,提升冰闪原始图像的清晰化程度;
步骤2、对处理后的清晰图像进行修正,提取覆冰绝缘子边缘;
步骤3、依次采用轮廓差分、覆冰密度与介电常数关系分析、冰凌分割及绝缘子伞裙间距识别技术、灰度熵的方法,提取绝缘子的冰闪特征参量;
步骤4、根据上述的冰闪特征参量,制定量化规则,对步骤3中提取到的冰闪特征参量分别进行量化处理;
步骤5、根据上述的冰闪特征参量对绝缘子冰闪过程的影响程度,制定扣分机制,针对步骤4中得出的特征参量量化处理结果,根据各自的权重进行扣分处理,得到冰闪风险评估分值;
步骤6、根据步骤5中得出的冰闪风险评估分值,按照预先设定的极低、低、中等、高、极高五个等级阈值区间,得出阈值区间对应的绝缘子冰闪风险等级,得到最终的评估结果。
2.根据权利要求1所述的基于扣分法则的绝缘子冰闪风险预测方法,其特征在于,所述的步骤2的具体过程是,
依次采用绝缘子图像区域分割、阈值分割、边缘提取,
图像区域分割是按照一定规则将图像划分为若干个互不相交、具有一定性质的区域;
阈值分割是利用图像中需要提取的目标对象及背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域的组合;选出分割后的独立连用区域后,很多干扰区域也被作为独立的区域返回,通过面积比较将区域从分割结果中剔除,最后将绝缘子区域从图像中分割出来;
边缘提取技术是采用Canny算法采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器,通过与图像f(x,y)卷积进行滤波,对滤波后的图像寻找图像梯度的局部最大值,以此来确定绝缘子图像的边缘。
3.根据权利要求1所述的基于扣分法则的绝缘子冰闪风险预测方法,其特征在于,所述的步骤3中,冰闪特征参量包括覆冰程度、覆冰类型、冰凌长度及桥接状态、污秽度,具体提取过程是,
3.1)覆冰类型的识别,
覆冰样本的电容值Cm与相对介电常数εm的关系式如下:
其中,ε0为纯冰的介电常数值,A为平行板电容传感器极板的面积,单位为m2,L为极板长度,
覆冰介电常数与覆冰密度的关系式如下:
其中,εm是覆冰样本的相对介电常数;εi和εf分别是纯冰和空气的相对介电常数;ρ和ρice分别是覆冰样本和纯冰的密度;而λi和λf分别是纯冰和空气的体积比,并满足关系式λi=ρ/ρice,λf=1-ρ/ρice;
3.2)覆冰量的识别,根据覆冰前后绝缘子图像的差异化计算提取覆冰绝缘子直径的变化;首先选取导线和绝缘子的区域作为算法处理区域,然后在这个区域内对图像进行分割、边缘提取,利用覆冰前后像素数和边界距离比较的方法判断输电线路有无覆冰,最终利用摄像机标定完成清晰图像的坐标系转化,实现覆冰厚度D2-D1的准确测量,其中的D1和D2分别为覆冰前后绝缘子伞裙的直径;
3.3)冰凌长度及桥接状态的识别,是通过对大量绝缘子雨凇覆冰形貌分析,提出采用显著性检测和颜色特征分析结合进行冰棱结构的提取;首先通过显著性检测方法对绝缘子覆冰进行处理,排除背景及玻璃绝缘子钢帽结构的影响,得到绝缘子冰凌结构的清晰化图像;随后通过颜色特征分析,分割得到绝缘子伞面,玻璃绝缘子以绿色为特征色,硅橡胶复合绝缘子以红色为特征色;进而通过对两幅图像的差分计算,排除伞裙影响得到绝缘子上的冰棱结构,完成冰棱结构像素尺寸的提取;
3.4)污秽度的识别,基于可见光的未覆冰玻璃绝缘子污秽度检测方法,该方法提取绝缘子表面处理过后的清晰图像6个通道的均值、最大值、最小值等7个特征量,进而用Fisher准则函数筛选出分类能力较强的特征作为灰密程度判别特征,最后利用思维进化算法优化BP神经网络进行绝缘子灰密程度分类。
4.根据权利要求1所述的基于扣分法则的绝缘子冰闪风险预测方法,其特征在于,所述的步骤5中,扣分机制中选取覆冰类型、覆冰程度、冰凌长度及桥接状态、污秽程度这四个冰闪特征参量作为扣分项目,随后基于大量现场实践经验,对上述具有模糊性、推理性的扣分项目进行分类分值量化。
5.根据权利要求4所述的基于扣分法则的绝缘子冰闪风险预测方法,其特征在于,所述的步骤5中,分类分值量化的具体过程是,
假设绝缘子初始分数均为100分,根据现场测量数据减去各项加权后的最大扣分值,得出最终绝缘子状态评估分值,并且得出相应的冰闪风险的等级,以此为后续预警处理提供合理的参考,具体函数式如下:
MPinsulator=100-Mp(p=1,2,3,4)×w (3)
其中,MPinsulator为绝缘子状态评估分值,Mp为各个冰闪特征参数的最大扣分值,w为各项权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015869.5A CN112150495B (zh) | 2020-09-24 | 2020-09-24 | 一种基于扣分法则的绝缘子冰闪风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015869.5A CN112150495B (zh) | 2020-09-24 | 2020-09-24 | 一种基于扣分法则的绝缘子冰闪风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150495A true CN112150495A (zh) | 2020-12-29 |
CN112150495B CN112150495B (zh) | 2023-03-14 |
Family
ID=73896675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011015869.5A Active CN112150495B (zh) | 2020-09-24 | 2020-09-24 | 一种基于扣分法则的绝缘子冰闪风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150495B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113235504A (zh) * | 2021-05-31 | 2021-08-10 | 国能朔黄铁路发展有限责任公司 | 隧道挂冰识别方法、装置、设备及隧道除冰系统 |
CN113295700A (zh) * | 2021-05-11 | 2021-08-24 | 国网安徽省电力有限公司信息通信分公司 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
CN103400140A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法处理绝缘子覆冰的方法 |
CN104122560A (zh) * | 2014-07-11 | 2014-10-29 | 国家电网公司 | 一种输电线路广域冰情监测方法 |
CN105785243A (zh) * | 2016-04-08 | 2016-07-20 | 国家电网公司 | 一种特高压交流输电线路绝缘子覆冰闪络风险评估方法 |
US20170227596A1 (en) * | 2016-02-04 | 2017-08-10 | The University Of Akron | System and method for condition monitoring of electricity transmission structures |
CN107358259A (zh) * | 2017-07-13 | 2017-11-17 | 国家电网公司 | 基于GLOH描述子和GVF‑Snake模型的绝缘子覆冰检测方法 |
CN107729397A (zh) * | 2017-09-21 | 2018-02-23 | 国网天津市电力公司电力科学研究院 | 一种利用图像rgb分量判定覆冰雪类型的方法 |
CN109297419A (zh) * | 2018-11-13 | 2019-02-01 | 天津送变电工程有限公司 | 一种基于图像处理技术的无人机在覆冰检测系统及其工作方法 |
CN109870108A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路覆冰检测方法及装置 |
CN110349128A (zh) * | 2019-06-21 | 2019-10-18 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN111650486A (zh) * | 2020-07-07 | 2020-09-11 | 天津大学 | 一种覆冰绝缘子交流闪络放电的判断方法 |
-
2020
- 2020-09-24 CN CN202011015869.5A patent/CN112150495B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
CN103400140A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法处理绝缘子覆冰的方法 |
CN104122560A (zh) * | 2014-07-11 | 2014-10-29 | 国家电网公司 | 一种输电线路广域冰情监测方法 |
US20170227596A1 (en) * | 2016-02-04 | 2017-08-10 | The University Of Akron | System and method for condition monitoring of electricity transmission structures |
CN105785243A (zh) * | 2016-04-08 | 2016-07-20 | 国家电网公司 | 一种特高压交流输电线路绝缘子覆冰闪络风险评估方法 |
CN107358259A (zh) * | 2017-07-13 | 2017-11-17 | 国家电网公司 | 基于GLOH描述子和GVF‑Snake模型的绝缘子覆冰检测方法 |
CN107729397A (zh) * | 2017-09-21 | 2018-02-23 | 国网天津市电力公司电力科学研究院 | 一种利用图像rgb分量判定覆冰雪类型的方法 |
CN109297419A (zh) * | 2018-11-13 | 2019-02-01 | 天津送变电工程有限公司 | 一种基于图像处理技术的无人机在覆冰检测系统及其工作方法 |
CN109870108A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路覆冰检测方法及装置 |
CN110349128A (zh) * | 2019-06-21 | 2019-10-18 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN111650486A (zh) * | 2020-07-07 | 2020-09-11 | 天津大学 | 一种覆冰绝缘子交流闪络放电的判断方法 |
Non-Patent Citations (4)
Title |
---|
QIRAN LI ET AL: "Image Characteristic Extraction of Surface Phenomena for Flashover Monitoring of Ice-Covered Outdoor Insulator", 《2ND INTERNATIONAL CONFERENCE ON ELECTRICAL MATERIALS AND POWER EQUIPMENT》 * |
YE ZHANG ET AL: "Detection and Condition Assessment of Icicle Bridging for Suspension Glass Insulator by Image Analysis", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
夏博文: "基于图像处理的覆冰绝缘子覆冰特征与与闪络特性研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郝艳捧 等: "基于图像分割评估运行绝缘子自然覆冰程度", 《高电压技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295700A (zh) * | 2021-05-11 | 2021-08-24 | 国网安徽省电力有限公司信息通信分公司 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
CN113235504A (zh) * | 2021-05-31 | 2021-08-10 | 国能朔黄铁路发展有限责任公司 | 隧道挂冰识别方法、装置、设备及隧道除冰系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112150495B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105004972B (zh) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN112150495B (zh) | 一种基于扣分法则的绝缘子冰闪风险预测方法 | |
CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
CN111754465B (zh) | 一种绝缘子定位与掉串检测方法 | |
CN111310761B (zh) | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 | |
Yang et al. | Recognition of natural ice types on in-service glass insulators based on texture feature descriptor | |
CN105300844B (zh) | 一种硅橡胶绝缘子憎水性等级判定方法 | |
CN109635440B (zh) | 一种架空输电线路覆冰闪络跳闸概率计算方法 | |
CN110349128B (zh) | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 | |
CN115018838A (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN111951520A (zh) | 一种输电线路导线覆冰厚度侦测系统及方法 | |
CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及系统 | |
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
CN103852018A (zh) | 基于图像处理的输电线路覆冰厚度测量算法 | |
Zhu et al. | Review on flashover risk prediction method of iced insulator based on icing monitoring technology | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN115601331A (zh) | 基于红外热像图的高层建筑外墙脱落异常检测与风险评估方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN113191419A (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN116538924A (zh) | 一种覆冰状态下输电线路弧垂实时监测方法 | |
CN115909033A (zh) | 一种摄像机镜头凝冻状态评估方法及装置 | |
CN115601647A (zh) | 一种基于图像识别的输电线路覆冰状态确定方法 | |
CN112836717B (zh) | 一种电力设备金属腐蚀老化程度的辨识方法 |
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 |