CN112710398A - 一种电力设备异常发热检测方法 - Google Patents
一种电力设备异常发热检测方法 Download PDFInfo
- Publication number
- CN112710398A CN112710398A CN202011533934.3A CN202011533934A CN112710398A CN 112710398 A CN112710398 A CN 112710398A CN 202011533934 A CN202011533934 A CN 202011533934A CN 112710398 A CN112710398 A CN 112710398A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- target
- infrared image
- electric power
- equipment
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 34
- 238000010438 heat treatment Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims description 37
- 238000007689 inspection Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 238000001931 thermography Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000010365 information processing Effects 0.000 claims description 8
- 230000020169 heat generation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 15
- 239000010410 layer Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开一种电力设备异常发热检测方法,包括如下步骤:S1,获取含有电力设备的红外图像;S2,确定目标电力设备在红外图像中所在的像素区域;S3,获取红外图像中每个像素点的温度值;S4,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较,根据比较结果判断目标电力设备是否异常发热。本发明能够根据电力巡检机器人所采集的红外图像,判断红外图像中的每个电力设备的温度是否超过各自的阈值要求,从而防止了在巡检时故障被忽视遗漏的问题。
Description
技术领域
本发明属于电力设备安全技术领域,具体涉及一种电力设备异常发热检测方法。
背景技术
电力巡检机器人系统因具有实时化检测、自动化水平高、安全性高等优点得到广泛应用,智能巡检机器人配合多种智能检测技术装置,对站内设备进行智能识别与故障检测,实现7*24小时无人化巡检,结合智能分析软件。完成全天候数据快捷采集、实时信息传输、智能分析预警到快速决策反馈的管控闭环,多信息综合判断加强了电力设备管理能力,确保电网安全稳定运行,提升电网智能化管理水平。对监控参量实时获取并进行分析处理,预防险情发生。通过电力巡检机器人所采集的红外图像在对电力设备进行发热点监测时,只能获取整个红外图像上的温度最高点,但是每张红外图像上一般会拍摄有多个电力设备(参照图1),而根据国家电网安全规范的要求,不同电力设备的温度预警值并不相同,因此通过现有这种方式,统一而论可能会导致在巡检时故障被忽视遗漏等问题的出现。
发明内容
为解决现有技术中存在的问题,本发明目的在于提供一种电力设备异常发热检测方法,本发明能够根据电力巡检机器人所采集的红外图像,判断红外图像中的每个电力设备的温度是否超过各自的阈值要求,从而防止了在巡检时故障被忽视遗漏的问题。
本发明采用的技术方案如下:
一种电力设备异常发热检测方法,包括如下步骤:
S1,获取含有电力设备的红外图像;
S2,确定目标电力设备在红外图像中所在的像素区域;
S3,获取红外图像中每个像素点的温度值;
S4,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较,根据比较结果判断目标电力设备是否异常发热。
优选的,S4中,若目标电力设备异常发热,再确定目标电力设备异常发热点的位置。
优选的,S4中,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较时,获取温度值超过目标电力设备的许用温度阈值对应的像素点,在红外图像上确定所获取的像素点所在区域,根据确定的所述区域得到该区域在目标电力设备上部位,该部位为目标电力设备异常发热点所在位置。
优选的,S3中,将获取的红外图像中每个像素点的温度值组成温度矩阵;
S4中,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较时,将所述温度矩阵中的每一个温度与目标电力设备的许用温度阈值进行比较。
优选的,S4中,温度矩阵中目标电力设备对应像素点的温度有超过目标电力设备的许用温度阈值时,确定温度矩阵中所有超过目标电力设备的许用温度阈值的温度,并确定这些温度在温度矩阵中所在的区域,将该区域与目标电力设备在红外图像中所在的像素区域进行对应,得到目标电力设备温度异常部位在红外图像中的位置,通过该位置确定目标电力设备异常发热部位。
优选的,S3中,仅获取红外图像中目标电力设备所在的像素区域中每个像素点的温度值。
优选的,将MESH网络模型作为通信设备,各个监控节点的信息在所述MESH网络模型内传递并存储,所述MESH网络模型以多个固定节点为基础,电力巡检车作为移动设备在移动行进,电力巡检车作为MESH网络模型的移动节点,热成像采集设备设置于移动巡检车上,热成像采集设备采集的红外图像经过所述MESH网络模型传至远端信息处理中心,从远端信息处理中心获取红外图像。
优选的,S2中,将红外图像输入卷积神经网络,根据目标检测算法输出目标电力设备所在的像素区域。
优选的,所述卷积神经网络采用SSD模型。
本发明具有如下有益效果:
本发明电力设备异常发热检测方法中,通过确定目标电力设备在红外图像中所在的像素区域,就能够确定目标电力设备在红外图像中的具体位置,并且能够将通一张红外图像上的的多个电力设备的种类和位置识别出来;获取红外图像中每个像素点的温度值,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较,根据比较结果判断目标电力设备是否异常发热,因此,根据电力设备的种类以及该电力设备的许用温度阈值就能够判断出同一张红外图像上不同电力设备的最高温度是否超过了该电力设备的许用温度阈值,解决了现有技术中只能识别一张红外图像中的温度最高点、而忽略了一张红外图像上具有多个电力设备、并且不同电力设备具有不同的许用温度阈值、从而有可能会导致在巡检时故障被忽视遗漏的问题。
进一步的,若目标电力设备异常发热,再确定目标电力设备异常发热点的位置,因此通过本发明的方法还能够对目标电力设备上异常发热的具体部位进行锁定,便于维护及故障原因的分析。
进一步的,仅获取红外图像中目标电力设备所在的像素区域中每个像素点的温度值,这样能够减少整个方法的计算量,提高检测速度。
进一步的,由于变电站覆盖面积大,监控网络中不仅存在固定监控节点,也存在电力巡检车移动节点,因此本发明采用MESH网络模型作为通信设备,利用其多跳、自组织特性,将移动节点与固定节点集合在一个网络内,方便变电站各种监控信息的汇总,当巡检车节点行进过程中移动时,数据链路能够迅速实现更新,恢复通信。
进一步的,在确定目标电力设备在红外图像中所在的像素区域时,将红外图像输入卷积神经网络,根据目标检测算法输出目标电力设备所在的像素区域,提高巡检智能化水平和电力设备识别的准确性,同时能够实现24小时不停歇巡检,降低人工成本。
进一步的,卷积神经网络采用SSD模型,这SSD模型能够使用全图各个位置的多尺度区域特征进行回归,既具有速度快的特性,还保证了窗口预测比较精准。
附图说明
图1为电力设备故障红外图;
图2为本发明电力设备异常发热检测方法中采用的MESH网络结构拓扑;
图3为本发明采用的MESH网络结构示意图;
图4为本发明实施例中电力巡检车行进途中连接示意图;
图5为本发明实施例中卷积核可视化结果;
图6为本发明实施例中SSD电力设备识别结果;
图7为本发明实施例中无线传输平台的技术结构;
图8为本发明实施例中巡检车模块结构示意图。
具体实施方式
下面结合附图和实施例来对本发明做进一步的说明。
本发明电力设备异常发热检测方法,包括如下步骤:
S1,获取含有电力设备的红外图像;
S2,确定目标电力设备在红外图像中所在的像素区域;
S3,获取红外图像中每个像素点的温度值;
S4,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较,根据比较结果判断目标电力设备是否异常发热。
S4中,若目标电力设备异常发热,再确定目标电力设备异常发热点的位置。
S4中,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较时,获取温度值超过目标电力设备的许用温度阈值对应的像素点,在红外图像上确定所获取的像素点所在区域,根据确定的所述区域得到该区域在目标电力设备上部位,该部位为目标电力设备异常发热点所在位置。
S3中,将获取的红外图像中每个像素点的温度值组成温度矩阵;S4中,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较时,将所述温度矩阵中的每一个温度与目标电力设备的许用温度阈值进行比较。
S4中,温度矩阵中目标电力设备对应像素点的温度有超过目标电力设备的许用温度阈值时,确定温度矩阵中所有超过目标电力设备的许用温度阈值的温度,并确定这些温度在温度矩阵中所在的区域,将该区域与目标电力设备在红外图像中所在的像素区域进行对应,得到目标电力设备温度异常部位在红外图像中的位置,通过该位置确定目标电力设备异常发热部位。
作为本发明优选的技术方案,S3中,仅获取红外图像中目标电力设备所在的像素区域中每个像素点的温度值,以减少计算量。
本发明将MESH网络模型作为通信设备,各个监控节点的信息在所述MESH网络模型内传递并存储,所述MESH网络模型以多个固定节点为基础,电力巡检车作为移动设备在移动行进,电力巡检车作为MESH网络模型的移动节点,热成像采集设备设置于移动巡检车上,热成像采集设备采集的红外图像经过所述MESH网络模型传至远端信息处理中心,从远端信息处理中心获取红外图像。
S2中,将红外图像输入卷积神经网络,根据目标检测算法输出目标电力设备所在的像素区域。所述卷积神经网络优选采用SSD模型。
实施例
本实施例电力设备异常发热检测方法,能够通过电力设备热场情况提前预警设备故障。包括如下步骤:
步骤1,建立MESH网络模型的监控系统作为通信设备,各个监控节点的信息在该MESH网络模型内传递并存储,MESH网络模型以多个固定节点为基础,电力巡检车作为移动设备在其中移动行进,电力巡检车作为网络的移动节点,热成像采集设备位于该移动的电力巡检车上,热成像图片采集设备采集的红外图片经过MESH网络模型,传至远端信息处理中心,为后续步骤提供数据;
无线Mesh网络模型是一种基于WIFI协议构建的网络协议,由Ad Hoc网络发展而来的一种点对点网状结构,具有多跳组网性、可扩展性、移动性等特点,不依赖外部通信设备。节点具有Station与SoftAP两种功能,除产生所在位置监控数据,也能够实现相邻节点信息跳转,具有良好的网络自恢复能力和可拓展性,保证数据链路可动态调整,具有自组织和自我修复、通信传输距离可拓展的特点,它是监控节点之间通信的主要方式。
Mesh网络模型总体结构如图3所示,节点间采用MESH网络结构进行信息传递。如图4所示,电力巡检小车运动轨迹从节点1的信号范围移动到节点2的信号范围,在区域A、B时,移动节点分别连接至节点1和节点2,在区域C时,子节点会根据MESH网络组网原则对比节点1、节点2下的层级位置和子节点个数,选择层深较浅和子节点个数少的节点连接。在此工作机制下,智能的电力巡检小车根据其所在位置不断更新父节点,选择最优方案入网。
步骤2,计算红外成像仪采集的热成像图(即红外图像)的每个像素点温度值;
一般情况下,热成像传感器采集的原始数据根据技术手册的数据推算方法计算出每个像素点温度值,从而得到整张红外图像的温度分布矩阵,从而易得分辨率为m×n的红外图像中每个像素点温度值所组成的矩阵以及每个像素点对应的坐标(x,y)。
步骤3,将红外成像仪拍摄的红外图像输入卷积神经网络,根据目标检测算法输出目标电力设备所在像素区域;
卷积神经网络是一种常用的深度学习框架,其通过卷积核、池化这些独特结构采用较小的计算量挖掘图片深层特征,图5是卷积核可视化的结果,目标检测就是通过卷积核获得图像视觉之上的表达方式。本实施例应用场景为电力巡检车类似的移动检测端,因此提出了较高要求且检测时间长,two-stage检测法在实时性方面稍有劣势。卷积神经网络精度及实时性都十分契合本发明需要,因此本是私立采用SSD模型作为目标检测部分的算法模型,将SSD模型应用于电力设备目标检测结果如图6所示,图中矩形框是目标检测标记结果,可见SSD模型能够准确识别隔离开关位置。
步骤4,利用目标检测网络检测得到的目标电力设备区域坐标及电力设备类别,找到对应温度矩阵中的区域,获取国网安规要求该类电力设备温度值T,将温度矩阵中的该区域内像素点温度值逐一与T进行对比,若有温度值大于T的像素点,则进行温度报警,提示工作人员及时查看。
经过上述计算,根据步骤3,深度学习识别得到的电力设备左上角位置(x,y)及目标宽w、高h,得到识别出的电力设备所在框区域每个像素点的温度值,如下温度矩阵Tm×n中矩形框标注所示:
遍历上述矩形框内每个像素点温度值,目标检测框内像素点(xδ,yδ)的温度值为Tδ,若存在Tδ>T,若满足x<xδ<x+w且y<yδ<y+h,则可判断异常发热点在类别置信度为score的电力设备上,实现电力设备定位功能。这样就能根据不同种电力设备的温度阈值进行分类处理,使得电力巡检更精准、更智能化。
本实施例中,电力巡检车的巡检系统基于无线传输平台,在实现流程上主要由感知层、网络层、应用层构成,如图7所示,巡检系统有MESH网络信息无线传输、信息分析处理、终端预警提示这些过程及时提示巡检中发现的问题。
在巡检系统最基层的是感知层,即信息感知设备,如热成像传感器,这些设备将采集后的数据发送给主控芯片。网络层主要负责的是信息传输,包含两部分内容,监控单元之间的数据传递通过MESH自组网无线数据传输来实现,而根节点与终端的交流则是依赖HTTP协议,嵌入式系统处理后的结果先后通过这两种技术以无线的方式传给终端,同时终端的控制命令也通过此条链路返还,完成数据的双向传递。应用层采用OpenCV搭建界面,在该平台进行目标检测步骤,根据检测结果进行终端预警提示,大量节省人工巡检投入的人力物力,提高实时性和可靠性。
监控系统具有远程监控功能,根节点承担与外界信息交互任务,操作人员通过根节点对系统节点进行统一调配与控制。在现场区域,工作人员在完成身份认证后可连接路由器访问根节点IP地址,向服务器发出请求并获取相关资源。当管理中心访问时,路由器搭建VPN虚拟局域网,通过4G信号与远端进行信息传递,终端访问根节点的映射网址实现终端控制。
电力巡检车的核心单元为主控芯片,其结构示意图如图8所示,该芯片外接热成像传感器等,用于生成热成像图片,提供基础数据。除此之外,外接设备可增加SD卡及各种传感器用于其他数据分析与数据存储。
将采集好的红外图像通过网络平台传至远端数据处理中心进行目标检测,远端平台须具有相应的计算能力,能够及时实时反馈检测信息给电力管理人员,有异常情况能够及时发出警报。
红外成像仪通过探测物体向外辐射的特定波长范围的电磁波形成温度分布的热图像。由于电力设备温度变化能反映整体电气性能与绝缘水平变化,如设备本身的缺陷、接触面氧化和腐蚀、螺栓松动、导线散股等都可以通过热成像反映出来,如图1所示。红外技术在不停电情况下无需直接接触电力设备便可实现整体温度测量,找出温度最高点,因此红外技术被广泛应用于电力设备热故障诊断,是巡检中的必要环节,根据国家电网安全规范的要求,不同电力设备的温度预警值并不相同,统一而论可能会导致在巡检时故障被忽视遗漏等问题的出现,因此精准定位电力设备所在区域进而进行故障检测对电力巡检具有重要意义。
传统WIFI是单点对多点传输,所有节点仅限与Access Point(AP)连接,传输距离较短,相当于单层网络,GPRS通信距离长但是网络传输速度慢,Zigbee网络容量大,但是传输速度慢,无线Mesh网络在保证传输速度的基础上其多跳传输的方式扩展通信范围,具有高带宽、自组织、自恢复、易扩展、稳定性高的特点,较适合当前变电站巡检的应用场景。在Mesh网络的自组网功能下,节点间总是能够采取较优的传递路径,具有良好的通信能力。当Mesh网络检测到新增节点或有节点损坏时,相关节点会重新选择父节点,实现网络互连。因此,本发明选用MESH网络模型,当巡检车节点行进过程中移动时,数据链路能够迅速实现更新,恢复通信。
基于卷积神经网络的目标检测是计算机视觉的一大分支,旨在图像中找到特定目标,并为其标注标签,卷积神经网络对目标高维特征高度提取,使得对复杂环境下电力设备的识别变为可能。其主要有两种算法,一种是基于区域建议的方法,标志性算法有RCNN、Fast RCNN和Faster RCNN,核心思想是先获取建议区域然后针对当前区域进行分类,称为two-stage目标检测,但是由于区域建议法消耗大量计算资源,检测时间较长,不满足实时性要求。另一种是无区域建议的方法,标志性的算法有SSD、YOLO算法,核心思想是用单一的卷积网络直接对整张图片来预测目标的位置及其属性,也称为one-stage目标检测。由于SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制,使用全图各个位置的多尺度区域特征进行回归,既保持了YOLO速度快的特性,也保证了窗口预测的跟Faster-RCNN一样比较精准,因此本方法选用SSD作为电力设备红外图的检测模型。
综上可以看出,本发明结合MESH网络与深度学习方法,首先利用基于MESH网络模型下的监控设备获取监控信息,如热成像图片、温湿度,将红外图向实时传入后台信息处理中心进行SSD目标检测模型计算,找出不同电力设备,遍历像素点温度值,进行阈值比较,从而达到预警目的。其具有如下优点,
第一:由于变电站覆盖面积大,监控网络中不仅存在固定监控节点,也存在巡检车等移动节点,因此本发明采用MESH网络,利用其多跳、自组织特性,将移动节点与固定节点集合在一个网络内,方便变电站各种监控信息的汇总;
第二:将目标检测算法应用于电力巡检能够做到针对具体设备具体分析,提高巡检智能化水平,实现24小时不停歇巡检,降低人工成本,同时SSD模型是one-stage检测方法,适用于巡检等实时性检测场景。
Claims (9)
1.一种电力设备异常发热检测方法,其特征在于,包括如下步骤:
S1,获取含有电力设备的红外图像;
S2,确定目标电力设备在红外图像中所在的像素区域;
S3,获取红外图像中每个像素点的温度值;
S4,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较,根据比较结果判断目标电力设备是否异常发热。
2.根据权利要求1所述的一种电力设备异常发热检测方法,其特征在于,S4中,若目标电力设备异常发热,再确定目标电力设备异常发热点的位置。
3.根据权利要求2所述的一种电力设备异常发热检测方法,其特征在于,S4中,将红外图像中,在红外图像上确定所获取的像素点所在区域,根据确定的所述区域得到该区域在目标电力设备上部位,该部位为目标电力设备异常发热点所在位置。
4.根据权利要求1所述的一种电力设备异常发热检测方法,其特征在于,S3中,将获取的红外图像中每个像素点的温度值组成温度矩阵;
S4中,将红外图像中目标电力设备所在的像素区域中每个像素点的温度值与目标电力设备的许用温度阈值进行比较时,将所述温度矩阵中的最大温度值与目标电力设备的许用温度阈值进行比较。
5.根据权利要求4所述的一种电力设备异常发热检测方法,其特征在于,S4中,温度矩阵中目标电力设备对应像素点的温度有超过目标电力设备的许用温度阈值时,确定温度矩阵中所有超过目标电力设备的许用温度阈值的温度,并确定这些温度在温度矩阵中所在的区域,将该区域与目标电力设备在红外图像中所在的像素区域进行对应,得到目标电力设备温度异常部位在红外图像中的位置,通过该位置确定目标电力设备异常发热部位。
6.根据权利要求1-5任意一项所述的一种电力设备异常发热检测方法,其特征在于,S3中,仅获取红外图像中目标电力设备所在的像素区域中每个像素点的温度值。
7.根据权利要求1所述的一种电力设备异常发热检测方法,其特征在于,将MESH网络模型作为通信设备,各个监控节点的信息在所述MESH网络模型内传递并存储,所述MESH网络模型以多个固定节点为基础,电力巡检车作为移动设备在移动行进,电力巡检车作为MESH网络模型的移动节点,热成像采集设备设置于移动巡检车上,热成像采集设备采集的红外图像经过所述MESH网络模型传至远端信息处理中心,从远端信息处理中心获取红外图像。
8.根据权利要求1所述的一种电力设备异常发热检测方法,其特征在于,S2中,将红外图像输入卷积神经网络,根据目标检测算法输出目标电力设备所在的像素区域。
9.根据权利要求8所述的一种电力设备异常发热检测方法,其特征在于,所述卷积神经网络采用SSD模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533934.3A CN112710398A (zh) | 2020-12-21 | 2020-12-21 | 一种电力设备异常发热检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533934.3A CN112710398A (zh) | 2020-12-21 | 2020-12-21 | 一种电力设备异常发热检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112710398A true CN112710398A (zh) | 2021-04-27 |
Family
ID=75545291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533934.3A Pending CN112710398A (zh) | 2020-12-21 | 2020-12-21 | 一种电力设备异常发热检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112710398A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343841A (zh) * | 2021-06-03 | 2021-09-03 | 国网北京市电力公司 | 电力隧道异常情况的确定方法和装置 |
CN113838022A (zh) * | 2021-09-22 | 2021-12-24 | 清华珠三角研究院 | 一种汽车工况异常识别方法、系统、装置及存储介质 |
CN114061757A (zh) * | 2021-10-18 | 2022-02-18 | 浙江新图维电子科技有限公司 | 一种电力设备箱低功耗红外测温ai识别监控系统 |
CN114511120A (zh) * | 2022-04-21 | 2022-05-17 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
CN115528810A (zh) * | 2022-09-28 | 2022-12-27 | 杭州集联科技有限公司 | 一种基于电力设备的测温数据运检分析管理系统 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
CN111754483A (zh) * | 2020-06-23 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种基于热像仪进行异常设备识别的方法及系统 |
-
2020
- 2020-12-21 CN CN202011533934.3A patent/CN112710398A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
CN111754483A (zh) * | 2020-06-23 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种基于热像仪进行异常设备识别的方法及系统 |
Non-Patent Citations (1)
Title |
---|
张维 著: "《WSN与无线MESH网络技术研究》", 31 May 2019 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343841A (zh) * | 2021-06-03 | 2021-09-03 | 国网北京市电力公司 | 电力隧道异常情况的确定方法和装置 |
CN113838022A (zh) * | 2021-09-22 | 2021-12-24 | 清华珠三角研究院 | 一种汽车工况异常识别方法、系统、装置及存储介质 |
CN114061757A (zh) * | 2021-10-18 | 2022-02-18 | 浙江新图维电子科技有限公司 | 一种电力设备箱低功耗红外测温ai识别监控系统 |
CN114061757B (zh) * | 2021-10-18 | 2024-03-05 | 浙江新图维电子科技有限公司 | 一种电力设备箱低功耗红外测温ai识别监控系统 |
CN114511120A (zh) * | 2022-04-21 | 2022-05-17 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
CN115528810A (zh) * | 2022-09-28 | 2022-12-27 | 杭州集联科技有限公司 | 一种基于电力设备的测温数据运检分析管理系统 |
CN115528810B (zh) * | 2022-09-28 | 2024-03-26 | 杭州集联科技有限公司 | 一种基于电力设备的测温数据运检分析管理系统 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112710398A (zh) | 一种电力设备异常发热检测方法 | |
CN110488841B (zh) | 基于智能机器人的变电设备联合巡检系统及其应用方法 | |
CN103235562B (zh) | 变电站基于巡检机器人的综合参数检测系统及巡检方法 | |
CN108957240A (zh) | 电网故障远程定位方法及系统 | |
CN106026393B (zh) | 一种电网线路智能巡线及运行安全风险预测系统及方法 | |
CN206628891U (zh) | 变电站设备监控系统 | |
CN206194076U (zh) | 一种变电站设备检测系统 | |
CN112491982A (zh) | 基于云边协同输电线路精细化感知方法 | |
CN108955900A (zh) | 一种基于红外热成像的升压站测温预警系统及方法 | |
CN102721373A (zh) | 一种电气化铁路接触网覆冰在线监测系统 | |
CN105610087B (zh) | 电网输电线巡视系统 | |
US11935378B2 (en) | Intrusion detection methods and devices | |
CN105516684A (zh) | 电网输电线巡视方法 | |
CN103471722A (zh) | 智能移动式在线测温系统 | |
CN111862603A (zh) | 一种智慧城市高速路网监控系统 | |
CN112511808A (zh) | 一种输电线路智能巡检系统及方法 | |
CN113160447A (zh) | 一种智能巡检方法及巡检系统 | |
CN114446021A (zh) | 一种基于无线通讯的建筑工程监测系统 | |
CN110944150A (zh) | 一种电力专用的防外破智能识别方法 | |
CN106197672A (zh) | 一种基于红外热成像的变压器实时监测方法 | |
CN106647813A (zh) | 一种智能机载双光巡检系统专家诊断异常处理方法 | |
CN111695512A (zh) | 一种无人值守文物监测方法及装置 | |
CN110996054A (zh) | 智能输电线路巡线机器人巡检系统及巡检方法 | |
CN112697134A (zh) | 一种室内巡检机器人的环境感知方法、系统、设备及其计算机可读存储介质 | |
CN112685472A (zh) | 一种电网多站融合监控方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
RJ01 | Rejection of invention patent application after publication |