CN113298178A - 基于热红外图像的变电站高压设备故障识别方法 - Google Patents
基于热红外图像的变电站高压设备故障识别方法 Download PDFInfo
- Publication number
- CN113298178A CN113298178A CN202110657414.1A CN202110657414A CN113298178A CN 113298178 A CN113298178 A CN 113298178A CN 202110657414 A CN202110657414 A CN 202110657414A CN 113298178 A CN113298178 A CN 113298178A
- Authority
- CN
- China
- Prior art keywords
- thermal infrared
- infrared image
- temperature
- clustering
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 37
- 238000010438 heat treatment Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于热红外图像的变电站高压设备故障识别方法,包括步骤:S1.采集变电站高压设备的热红外图像;S2.确定所述热红外图像对应的温度概率密度函数;S3.以温度概率密度函数中的极值点温度作为识别特征,对所述热红外图像进行分类处理,得到热红外图像的初始分类结果;S4.基于热红外图像的初始分类结果,将温度概率密度函数中的极值点温度作为聚类中心,对所述热红外图像进行聚类处理,得到热红外图像的聚类结果;S5.对热红外图像的聚类结果进行故障区域提取,得到变电站高压设备的故障区。本发明能够提升故障部位识别的准确度,缩短聚类迭代次数,并为变电站智能检测系统的构建提供支持,保障了电力设备的可靠运行。
Description
技术领域
本发明涉及故障识别领域,具体涉及一种基于热红外图像的变电站高压设备故障识别方法。
背景技术
变电设备故障是影响变电站运行的常见原因之一,大多数诸如接触不良、绝缘老化或磁路故障等均会以发热升温的形式表现出来。红外热成像法主要用来检测因介电损耗上升和电阻损耗等问题引起的局部温度升高,因为其不接触、不停运、不取样、不解体的“四不”优点,使得其成为了目前最常用的针对变电设备故障的检测技术。
在使用热成像仪对变电设备进行拍摄后,需要对热红外图像进行处理以实现对检测目标的诊断和识别。在人工识别图像时,可以通过图片中明显特征判别故障位置。然而随着检测数据的增加,对于大量待检测样本使用人工检测的效率和速度已经远不能满足实际的应用需求。因此使用机器学习方法来对热红外图像进行识别可以在面对大量待检测样本时提升检测的速度和效率。
目前常用在红外图像识别上的机器学习方法主要分为监督学习和无监督学习。监督学习(supervised learning,SL)是从已标记的数据中训练具有某种推断功能模型的机器学习方法。支持向量机(support vector machine,SVM)、人工神经网络(artificialneural networks,ANN)等方法是目前主要用于图像识别的监督学习方法,这一类方法的特点是对数据的标定和样本数据量有一定要求。
无监督学习(unsupervised learning,UL)是在无类标信息(或预期输出值)的情况下训练模型,可以在缺少设备样本标注的情况下实现对故障的诊断和识别。在实际检测中由于拍摄环境、天气状况复杂等问题,训练样本采集十分困难,样本数据少,因此无监督学习具备更好的适应性。同时,无监督算法可以实现对数据的自适应标定,标定后的结果提供给监督学习方法作为输入,进一步提升智能检测效率。其中,K均值聚类(K-means)算法是一种常用的对红外图像进行分割的无监督学习算法。该算法可以在无样本训练的前期下实现对故障的分割和识别。但是该算法在聚类类别和初始聚类点的选择上通常根据经验或者随机数设定,导致缺乏与现场实际工况的相关信息,最终影响聚类结果的准确性和有效性。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于热红外图像的变电站高压设备故障识别方法,能够提升对故障部位的识别准确度,缩短聚类迭代次数,并为变电站智能检测系统的构建提供理论依据,从而保障了电力设备的可靠运行。
本发明的基于热红外图像的变电站高压设备故障识别方法,包括如下步骤:
S1.采集变电站高压设备的热红外图像;
S2.确定所述热红外图像对应的温度概率密度函数;
S3.以温度概率密度函数中的极值点温度作为识别特征,对所述热红外图像进行分类处理,得到热红外图像的初始分类结果;
S4.基于热红外图像的初始分类结果,将温度概率密度函数中的极值点温度作为聚类中心,对所述热红外图像进行聚类处理,得到热红外图像的聚类结果;
S5.对热红外图像的聚类结果进行故障区域提取,得到变电站高压设备的故障区。
进一步,根据如下公式确定所述热红外图像对应的温度概率密度函数:
其中,f(x)为温度概率密度函数;n为所述热红外图像的像素点个数;K为核函数;h为核函数窗宽;x为像素点对应的温度;xj为第j个像素点对应的温度。
进一步,根据如下公式确定核函数窗宽h:
其中,σ为所述热红外图像中像素点温度的标准差。
进一步,所述步骤S3,具体包括:
S31.获取不同极值点温度之间的温度变化幅度;
S32.判断所述温度变化幅度是否小于设定的温度阈值,若是,则将对应的极值点归为一类,若否,则将对应的极值点归为不同的分类;
S33.将若干极值点映射到热红外图像上,并将归为一类的极值点作为一个分类,得到所述热红外图像的若干初始分类。
进一步,根据如下公式确定所述温度变化幅度:
其中,η为温度变化幅度;θEa以及θEb均为极值点温度。
进一步,所述步骤S4,具体包括:
S41.设热红外图像的初始分类个数为k,则得到聚类簇集为(C1,...,Ci,...,Ck);其中,Ci为第i个聚类簇;
S42.将温度概率密度函数中的极值点温度θCi作为聚类簇Ci的聚类中心;
S43.分别判断热红外图像中的每个像素点与所述聚类中心对应的像素点之间的距离是否大于设定的距离,若是,则不进行聚类,若否,则将热红外图像中的像素点归类到聚类簇Ci;
S44.计算聚类簇Ci的新聚类中心;
S45.判断所述新聚类中心是否与所述聚类中心相等,若是,则聚类簇Ci的聚类已经完成;若否,则将聚类簇Ci的聚类中心更新为新聚类中心,并返回步骤S43;
S46.按照步骤S42-S45类推,完成所有聚类簇的聚类。
进一步,根据如下公式计算聚类簇Ci的新聚类中心:
其中,θ′Ci为聚类簇Ci的新聚类中心;Ni为聚类簇Ci中的温度值总数;uj为第j个温度值。
进一步,所述设定的温度阈值为10%。
进一步,所述热红外图像的像素点个数n取值为热红外图像的像素点总个数的1‰。
本发明的有益效果是:本发明公开的一种基于热红外图像的变电站高压设备故障识别方法,通过使用核函数估计实现对红外图像温度概率密度函数的提取;然后根据热红外图像中的温度分布与背景组成所对应的物理特性,实现检测对象的初步分类;并在初步分类的基础上,基于温度概率密度函数使用聚类方法对热红外图像进行聚类,最后对聚类结果中的故障区域进行提取,从而提升了对故障部位的识别准确度,缩短了聚类迭代次数,保障了电力设备的可靠运行。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图;
图2为本发明的使用核函数估计前后的温度概率密度示意图;
图3为本发明的温度概率密度函数的极值点示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于热红外图像的变电站高压设备故障识别方法,包括如下步骤:
S1.采集变电站高压设备的热红外图像;其中,使用红外成像仪对目标变电站高压设备进行拍照,进而得到热红外图像。
S2.确定所述热红外图像对应的温度概率密度函数;
S3.以温度概率密度函数中的极值点温度作为识别特征,对所述热红外图像进行分类处理,得到热红外图像的初始分类结果;
S4.基于热红外图像的初始分类结果,将温度概率密度函数中的极值点温度作为聚类中心,对所述热红外图像进行聚类处理,得到热红外图像的聚类结果;
S5.对热红外图像的聚类结果进行故障区域提取,得到变电站高压设备的故障区。一般地,热红外图像中,背景区不发热或发热较低,因此该区域的温度相对较低,而设备的正常运行温度高于背景区的环境温度,则正常运行设备的温度高于背景区温度,而故障区域的温度又高于正常运行设备的温度,则根据热红外图像的聚类结果,提取出温度较高的聚类区域,并将该聚类区域作为故障区。
本实施例中,步骤S2中,变电站高压设备故障区域和正常区域表现出的不同温度特性,而温度概率密度反映了对应的温度特征,因此温度概率密度可以用于变电站设备的故障识别。
虽然通过数据统计可以识别出热红外图像对应的概率密度分布,但所得到的温度概率密度因为无对应函数难以直接使用。通常需要对温度概率密度进行估计后才能够使用,常用的概率密度估计方法主要分为3类:参概率密度函数估计,无参概率密度函数估计以及半参概率密度函数估计。由于温度概率密度分布的随机性,使得概率密度函数存在未知性,无法用有穷的函数进行表达,因此本发明采用无参概率密度估计方法中的核密度估计(kernel density estimation,KDE)来对温度概率密度进行估计。同时,由于热红外图像的每一个像素上都具备该点的温度信息,则根据如下公式确定所述热红外图像对应的温度概率密度函数:
其中,f(x)为温度概率密度函数;n为所述热红外图像的像素点个数;K为核函数;h为核函数窗宽;x为像素点对应的温度;xj为第j个像素点对应的温度。所述核函数采用标准高斯函数;
本实施例中,使用不同窗宽会对核函数估计的结果造成不同的影响。为保证用核函数估计后的函数不仅具备原波形的特点,且拥有较好的平滑性,则采用斯科特法则来求取核函数窗宽h,即根据如下公式确定核函数窗宽h:
其中,σ为所述热红外图像中像素点温度的标准差。所述像素点温度指的是所述像素点对应的温度。
通过上述的核函数估计得到温度概率密度的示例,如图2所示。
本实施例中,所述步骤S3,具体包括:
S31.获取不同极值点温度之间的温度变化幅度;如图3所示,温度概率密度函数中,一般会有若干个极值点温度。
S32.判断所述温度变化幅度是否小于设定的温度阈值,若是,则将对应的极值点归为一类,若否,则将对应的极值点归为不同的分类;也即是,若被比较的两个极值点θEa与θEb,其对应的温度变化幅度小于设定的温度阈值,则将所述两个极值点归为同一类,否则,将所述两个极值点归为不同的分类。其中,所述温度阈值可根据实际使用场景进行设置;
S33.将若干极值点映射到热红外图像上,并将归为一类的极值点作为一个分类,得到所述热红外图像的若干初始分类;可设所述热红外图像的初始分类为k类;其中,所述极值点对应的是一个温度值,而一个温度值在热红外图像上可用对应的一个像素点进行表示。
本实施例中,根据如下公式确定所述温度变化幅度:
其中,η为温度变化幅度;θEa以及θEb均为极值点温度。
本实施例中,所述步骤S4,具体包括:
S41.设热红外图像的初始分类个数为k,则得到聚类簇集为(C1,...,Ci,...,Ck);其中,Ci为第i个聚类簇;也即是,根据热红外图像的初始分类,将热红外图的温度数据总集X分解为各聚类簇C1,...,Ci,...,Ck;
S42.将温度概率密度函数中的极值点温度θCi作为聚类簇Ci的聚类中心;
S43.分别判断热红外图像中的每个像素点与所述聚类中心对应的像素点之间的距离是否大于设定的距离,若是,则不进行聚类,若否,则将热红外图像中的像素点归类到聚类簇Ci;其中,所述设定的距离采用最小欧几里得距离进行确定;
S44.计算聚类簇Ci的新聚类中心;
S45.判断所述新聚类中心是否与所述聚类中心相等,若是,则聚类簇Ci的聚类已经完成;若否,则将聚类簇Ci的聚类中心更新为新聚类中心,并返回步骤S43;其中,通过返回执行步骤S43,重新基于新聚类中心实现聚类步骤的迭代,直至温度数据收敛至对应聚类簇后不再发生变化,进而完成聚类簇Ci的聚类;
S46.按照步骤S42-S45类推,完成所有聚类簇的聚类。
需要说明的是,由于相同类别的检测对象具备有相似的温度分布,故归类时将温度作为识别特征进行聚类,则步骤S4中,使用K均值聚类方法(K-means clustering)进行聚类。K均值聚类方法是一种无监督的聚类算法,通过每个数据到聚类中心点的距离作为聚类依据,将目标数据聚类成不同簇以实现分类。而传统的K均值方法需要通过反复迭代来搜寻数据中心,在聚类群和聚类中心搜索过程中容易出现局部最优,从而导致最终聚类结果不准确。本发明采用的K均值聚类方法能有效地减少迭代次数,提升识别的准确性,避免了局部最优收敛的出现,同时,计算速度较传统算法也有了明显提升。
本实施例中,根据如下公式计算聚类簇Ci的新聚类中心:
其中,θ′Ci为聚类簇Ci的新聚类中心;Ni为聚类簇Ci中的温度值总数;uj为第j个温度值。
本实施例中,温度阈值主要是用于区分设备故障和非故障区域的温度,因此温度阈值的选择受变电设备缺陷类型影响。根据带电设备红外诊断应用规范(DL/T 664—2016),变电站中设备缺陷主要分为电流致热型和电压致热型:
其中,电流致热型缺陷主要指变电设备因电流引起的发热故障,主要发生于设备金属部分或金属连接部分。在一般缺陷中该类故障的诊断依据为故障前后相对温差上升35%。电压致热型缺陷主要指变电设备因电压引起的发热故障,主要发生在互感器、避雷器、高压套管绝缘部分。该类故障的诊断依据为设备故障前后产生了0.5~1℃的温升。
而在实际运行中发生的故障约有90%为电流致热型故障。通过结合发热缺陷诊断温度和对应设备的运行环境和运行工况,并总结不同类型电力设备发生缺陷时的诊断依据,本发明将所述温度阈值设定为10%,以实现热红外图像的准确识别。
本实施例中,由于核函数估计是对原函数的再拟合,拟合后的每一个波形点实际上代表原数据集映射在对应特征点上的数据,即估计后每一个特征点都需要对原数据集中的所有数据进行计算,因此核函数的计算速度会受到输出的有效数据总数影响。也即是,输出数据越大,所需的计算时间越长。
而随着输出数据数量的减小,计算时间随之降低。其中,当输出数据为总数据的1‰时,计算时间仅为使用原数据计算时间的2‰,所需时间大幅度缩小。因此本发明选择了1‰的总数据作为输出有效数据,即是,所述热红外图像的像素点个数n取值为热红外图像的像素点总个数的1‰,进而保证了在波形不失真的条件下尽可能提升计算速度。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于热红外图像的变电站高压设备故障识别方法,其特征在于:包括如下步骤:
S1.采集变电站高压设备的热红外图像;
S2.确定所述热红外图像对应的温度概率密度函数;
S3.以温度概率密度函数中的极值点温度作为识别特征,对所述热红外图像进行分类处理,得到热红外图像的初始分类结果;
S4.基于热红外图像的初始分类结果,将温度概率密度函数中的极值点温度作为聚类中心,对所述热红外图像进行聚类处理,得到热红外图像的聚类结果;
S5.对热红外图像的聚类结果进行故障区域提取,得到变电站高压设备的故障区。
4.根据权利要求1所述的基于热红外图像的变电站高压设备故障识别方法,其特征在于:所述步骤S3,具体包括:
S31.获取不同极值点温度之间的温度变化幅度;
S32.判断所述温度变化幅度是否小于设定的温度阈值,若是,则将对应的极值点归为一类,若否,则将对应的极值点归为不同的分类;
S33.将若干极值点映射到热红外图像上,并将归为一类的极值点作为一个分类,得到所述热红外图像的若干初始分类。
6.根据权利要求1所述的基于热红外图像的变电站高压设备故障识别方法,其特征在于:所述步骤S4,具体包括:
S41.设热红外图像的初始分类个数为k,则得到聚类簇集为(C1,...,Ci,...,Ck);其中,Ci为第i个聚类簇;
S42.将温度概率密度函数中的极值点温度θCi作为聚类簇Ci的聚类中心;
S43.分别判断热红外图像中的每个像素点与所述聚类中心对应的像素点之间的距离是否大于设定的距离,若是,则不进行聚类,若否,则将热红外图像中的像素点归类到聚类簇Ci;
S44.计算聚类簇Ci的新聚类中心;
S45.判断所述新聚类中心是否与所述聚类中心相等,若是,则聚类簇Ci的聚类已经完成;若否,则将聚类簇Ci的聚类中心更新为新聚类中心,并返回步骤S43;
S46.按照步骤S42-S45类推,完成所有聚类簇的聚类。
8.根据权利要求4所述的基于热红外图像的变电站高压设备故障识别方法,其特征在于:所述设定的温度阈值为10%。
9.根据权利要求2所述的基于热红外图像的变电站高压设备故障识别方法,其特征在于:所述热红外图像的像素点个数n取值为热红外图像的像素点总个数的1‰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657414.1A CN113298178A (zh) | 2021-06-11 | 2021-06-11 | 基于热红外图像的变电站高压设备故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657414.1A CN113298178A (zh) | 2021-06-11 | 2021-06-11 | 基于热红外图像的变电站高压设备故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298178A true CN113298178A (zh) | 2021-08-24 |
Family
ID=77328252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110657414.1A Pending CN113298178A (zh) | 2021-06-11 | 2021-06-11 | 基于热红外图像的变电站高压设备故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298178A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
CN115656701A (zh) * | 2022-12-12 | 2023-01-31 | 广东电网有限责任公司佛山供电局 | 一种基于红外图像的电容器发热故障识别方法及装置 |
CN116109604A (zh) * | 2023-02-21 | 2023-05-12 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270355A (zh) * | 2011-04-28 | 2011-12-07 | 华中科技大学 | 一种基于景物分类的红外场景图像生成方法 |
CN104331521A (zh) * | 2014-11-27 | 2015-02-04 | 国家电网公司 | 基于图像处理的变电设备异常自动识别方法 |
CN104392459A (zh) * | 2014-12-15 | 2015-03-04 | 西安电子科技大学 | 基于改进的fcm和均值漂移的红外图像分割方法 |
CN105445607A (zh) * | 2015-11-20 | 2016-03-30 | 国网福建省电力有限公司泉州供电公司 | 一种基于等温线绘制的电力设备故障检测方法 |
CN106780471A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
CN107290062A (zh) * | 2017-06-16 | 2017-10-24 | 国网江苏省电力公司检修分公司 | 一种基于红外热像图的输变电设备状态分析方法 |
CN108319966A (zh) * | 2017-10-13 | 2018-07-24 | 西安科技大学 | 一种变电站复杂背景红外图像中设备的识别分类方法 |
US20180307994A1 (en) * | 2017-04-25 | 2018-10-25 | Nec Laboratories America, Inc. | Identifying multiple causal anomalies in power plant systems by modeling local propagations |
US20180365535A1 (en) * | 2017-06-15 | 2018-12-20 | Spynsite Llc | Machine learning and/or image processing for spectral object classification |
CN109492617A (zh) * | 2018-11-29 | 2019-03-19 | 国网上海市电力公司 | 基于K-means聚类算法的电力电缆诊断方法 |
CN109598711A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 |
CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
-
2021
- 2021-06-11 CN CN202110657414.1A patent/CN113298178A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270355A (zh) * | 2011-04-28 | 2011-12-07 | 华中科技大学 | 一种基于景物分类的红外场景图像生成方法 |
CN104331521A (zh) * | 2014-11-27 | 2015-02-04 | 国家电网公司 | 基于图像处理的变电设备异常自动识别方法 |
CN104392459A (zh) * | 2014-12-15 | 2015-03-04 | 西安电子科技大学 | 基于改进的fcm和均值漂移的红外图像分割方法 |
CN105445607A (zh) * | 2015-11-20 | 2016-03-30 | 国网福建省电力有限公司泉州供电公司 | 一种基于等温线绘制的电力设备故障检测方法 |
CN106780471A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
US20180307994A1 (en) * | 2017-04-25 | 2018-10-25 | Nec Laboratories America, Inc. | Identifying multiple causal anomalies in power plant systems by modeling local propagations |
US20180365535A1 (en) * | 2017-06-15 | 2018-12-20 | Spynsite Llc | Machine learning and/or image processing for spectral object classification |
CN107290062A (zh) * | 2017-06-16 | 2017-10-24 | 国网江苏省电力公司检修分公司 | 一种基于红外热像图的输变电设备状态分析方法 |
CN108319966A (zh) * | 2017-10-13 | 2018-07-24 | 西安科技大学 | 一种变电站复杂背景红外图像中设备的识别分类方法 |
CN109492617A (zh) * | 2018-11-29 | 2019-03-19 | 国网上海市电力公司 | 基于K-means聚类算法的电力电缆诊断方法 |
CN109598711A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 |
CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
CN115656701A (zh) * | 2022-12-12 | 2023-01-31 | 广东电网有限责任公司佛山供电局 | 一种基于红外图像的电容器发热故障识别方法及装置 |
CN116109604A (zh) * | 2023-02-21 | 2023-05-12 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
CN116109604B (zh) * | 2023-02-21 | 2023-11-07 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298178A (zh) | 基于热红外图像的变电站高压设备故障识别方法 | |
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN111798412B (zh) | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 | |
CN110161388B (zh) | 一种高压设备的故障类型识别方法及其系统 | |
CN107833211B (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
CN112232366A (zh) | 一种基于rfid监测的电气设备故障预警方法及系统 | |
CN116309575B (zh) | 基于图像处理的电插头生产质量检测方法 | |
CN115271003A (zh) | 用于自动化环境监测设备的异常数据分析方法及系统 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
Xiao et al. | A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network | |
CN108230322B (zh) | 一种基于弱样本标记的眼底特征检测装置 | |
CN112541890B (zh) | 刀闸行程状态的检测方法、设备和可读存储介质 | |
CN113776670A (zh) | 一种基于红外图像的电力设备监测系统及方法 | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN113723476B (zh) | 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 | |
WO2022062649A1 (zh) | 一种神经网络鲁棒性检测方法和装置 | |
CN116500386A (zh) | 一种风电场集电线路电缆局放信号采集处理方法 |
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 |