CN113469995B - 一种变电站设备热故障诊断方法及系统 - Google Patents

一种变电站设备热故障诊断方法及系统 Download PDF

Info

Publication number
CN113469995B
CN113469995B CN202110807447.XA CN202110807447A CN113469995B CN 113469995 B CN113469995 B CN 113469995B CN 202110807447 A CN202110807447 A CN 202110807447A CN 113469995 B CN113469995 B CN 113469995B
Authority
CN
China
Prior art keywords
temperature
diagnosed
substation equipment
target
target position
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
Application number
CN202110807447.XA
Other languages
English (en)
Other versions
CN113469995A (zh
Inventor
李冰
王天
胡东阳
翟永杰
赵振兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110807447.XA priority Critical patent/CN113469995B/zh
Publication of CN113469995A publication Critical patent/CN113469995A/zh
Application granted granted Critical
Publication of CN113469995B publication Critical patent/CN113469995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明涉及一种变电站设备热故障诊断方法及系统。该方法包括：对红外图像进行预处理；根据预处理后的红外图像确定对应的温度矩阵；采用K均值聚类算法对预处理后的红外图像进行变电设备目标与背景的粗分割；将Prewitt算子检测目标边缘得到的差分信息与Chan‑Vese模型进行结合，确定改进后的Chan‑Vese模型；将粗分割后的红外图像作为上述模型的初始分割条件，利用上述模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定待诊断的目标位置；根据目标位置与温度矩阵，确定目标位置的温度；根据目标位置的温度对变电站设备热故障进行诊断。本发明能够提高变电站设备热故障诊断的准确性。

Description

一种变电站设备热故障诊断方法及系统
技术领域
本发明涉及变电站设备热故障诊断领域，特别是涉及一种变电站设备热故障诊断方法及系统。
背景技术
随着国民生产生活对电能需求逐渐增加，电网规模也日益扩大，红外诊断技术的加入极大的提高了变电设备故障诊断的效率，但是利用红外成像诊断变电设备故障存在场景干扰大等问题。先对红外图像中感兴趣区域(Region of Interest,ROI)进行提取，之后进行故障诊断，可以有效减少场景干扰大的问题，便于变电设备红外故障诊断的推广。
其中，现有技术中对变电设备红外故障诊断的方法如下：(1)基于红外图像处理的变电设备热故障自动诊断方法，实现对目标设备的提取，并根据设备的像素统计图的极值规律及故障诊断判据，对设备区域结构划分并诊断。其优势在于能够对变电设备热故障进行自动诊断，但阈值分割对邻域、噪声等因素考虑欠佳，导致设备结构区域划分不当，易造成误诊断。(2)深度学习的电力设备红外图像故障诊断方法，基于MobileNet轻量化网络进行迁移学习，利用比色条和温度极值拟合出图像灰度与实际温度函数关系，根据得到的热点温度对比故障诊断规范实现故障的自动诊断。其优势在于能够准确高效地对设备故障与否实现判断，但存在前期数据的采集与标注费时费力的问题。(3)电力设备IR图像特征提取及故障诊断方法研究，采用粒子群算法(PSO)与Niblack算法提取电力设备红外图像特征，结合交叉验证和改进蝙蝠算法对SVM进行参数优化，并利用优化后的SVM实现设备故障诊断。其优势在于特征提取和故障诊断方面精度较高，但此方法难以提取出复杂特征，并且特征选取的难度较大，因此模型泛化能力难以保证。
基于上述问题，亟需一种新的变电站设备热故障诊断方法或系统以提高变电站设备热故障诊断的准确性。
发明内容
本发明的目的是提供一种变电站设备热故障诊断方法及系统，能够提高变电站设备热故障诊断的准确性。
为实现上述目的，本发明提供了如下方案：
一种变电站设备热故障诊断方法，包括：
获取变电站设备的红外图像；
对所述红外图像进行预处理；所述预处理包括：滤波和灰度化；
根据预处理后的红外图像确定对应的温度矩阵；
采用K均值聚类算法对所述预处理后的红外图像进行变电设备目标与背景的粗分割；
将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型；
将粗分割后的红外图像作为改进后的Chan-Vese模型的初始分割条件，利用改进后的Chan-Vese模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定变电设备中待诊断的目标位置；
根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度；
根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断。
可选地，所述将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型，具体包括：
利用公式
Figure BDA0003166870540000021
确定改进后的Chan-Vese模型的能量函数；
其中，E(C,c1,c2)为改进后的Chan-Vese模型的能量函数，图像域Ω中的图像u0(x,y)被闭合曲线C划分为目标inside(C)和背景outside(C)，μ≥0,η≥0,λ1≥0,λ2≥0均为固定参数，通常定义λ1＝λ2＝1和η＝0，s1和s2是轮廓内外具有差分信息的灰度均值，由Prewitt算子进行运算，L(C)为长度能量约束项，S(C)为面积能量约束性。
可选地，所述根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度，具体包括：
利用公式f:I→T将所述待诊断的目标位置与温度矩阵进行映射，得到所述待诊断的目标位置的温度；
其中，T为温度矩阵f为映射函数，I为目标位置矩阵。
可选地，所述根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断，具体包括：
根据所述待诊断的目标位置的温度，采用同类比较判断法、相对温差判断法或表面温度判断法对所述变电站设备热故障进行诊断。
一种变电站设备热故障诊断系统，包括：
红外图像获取模块，用于获取变电站设备的红外图像；
红外图像预处理模块，用于对所述红外图像进行预处理；所述预处理包括：滤波和灰度化；
温度矩阵确定模块，用于根据预处理后的红外图像确定对应的温度矩阵；
红外图像粗分割模块，用于采用K均值聚类算法对所述预处理后的红外图像进行变电设备目标与背景的粗分割；
改进后的Chan-Vese模型确定模块，用于将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型；
红外图像细分割模块，用于将粗分割后的红外图像作为改进后的Chan-Vese模型的初始分割条件，利用改进后的Chan-Vese模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定变电设备中待诊断的目标位置；
待诊断的目标位置的温度确定模块，用于根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度；
热故障诊断模块，用于根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断。
可选地，所述改进后的Chan-Vese模型确定模块具体包括：
改进后的Chan-Vese模型的能量函数确定单元，用于利用公式
Figure BDA0003166870540000041
确定改进后的Chan-Vese模型的能量函数；
其中，E(C,c1,c2)为改进后的Chan-Vese模型的能量函数，图像域Ω中的图像u0(x,y)被闭合曲线C划分为目标inside(C)和背景outside(C)，μ≥0,η≥0,λ1≥0,λ2≥0均为固定参数，通常定义λ1＝λ2＝1和η＝0，s1和s2是轮廓内外具有差分信息的灰度均值，由Prewitt算子进行运算，L(C)为长度能量约束项，S(C)为面积能量约束性。
可选地，所述待诊断的目标位置的温度确定模块具体包括：
待诊断的目标位置的温度确定单元，用于利用公式f:I→T将所述待诊断的目标位置与温度矩阵进行映射，得到所述待诊断的目标位置的温度；
其中，T为温度矩阵f为映射函数，I为目标位置矩阵。
可选地，所述热故障诊断模块具体包括：
热故障诊断单元，用于根据所述待诊断的目标位置的温度，采用同类比较判断法、相对温差判断法或表面温度判断法对所述变电站设备热故障进行诊断。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种变电站设备热故障诊断方法及系统，采用两级分割的方法对目标物体进行分割，对拓扑结构的变化具有较强的适应性，能够较好的改善基于边缘信息模型的边缘泄露、抗噪能力差等问题，并针对Chan-Vese模型对灰度不均匀图像分割精度不够的问题使用Prewitt算子进行改进，同时先对红外图像进行中值滤波、灰度化预处理，并用K均值聚类对背景和前景实现初步分割，将分割结果作为改进Chan-Vese模型的初始特征，能够改善其最终分割的结果与收敛速度。根据整合的判断准则对图像中的变电设备接头部位进行超温故障预警，判别变电设备是否安全运行。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种变电站设备热故障诊断方法流程示意图；
图2为本发明所提供的一种变电站设备热故障诊断系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种变电站设备热故障诊断方法及系统，能够提高变电站设备热故障诊断的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种变电站设备热故障诊断方法流程示意图，如图1所示，本发明所提供的一种变电站设备热故障诊断方法，包括：
S101，获取变电站设备的红外图像；
其中，通过FLIR红外热成像仪采集并整理红外图片。
S102，对所述红外图像进行预处理；所述预处理包括：滤波和灰度化；其中滤波包括：中值滤波或高斯滤波。
S103，根据预处理后的红外图像确定对应的温度矩阵；预处理后的红外图像基本实现红外图像中前景与背景的分离，并将获取的数据集通过FLIR Tools解析得到对应的温度矩阵。
S104，采用K均值聚类算法对所述预处理后的红外图像进行变电设备目标与背景的粗分割；
K均值聚类算法是一种无监督的聚类算法，通过每个像素点的数据到聚类中心点的距离作为聚类依据，将目标数据聚成K类以实现分类。
S105，将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型；
S105具体包括：
利用公式
Figure BDA0003166870540000061
确定改进后的Chan-Vese模型的能量函数；通过求解对应的Euler-Lagrange方程来最小化能量函数。
其中，E(C,c1,c2)为改进后的Chan-Vese模型的能量函数，图像域Ω中的图像u0(x,y)被闭合曲线C划分为目标inside(C)和背景outside(C)，μ≥0,η≥0,λ1≥0,λ2≥0均为固定参数，通常定义λ1＝λ2＝1和η＝0，s1和s2是轮廓内外具有差分信息的灰度均值，由Prewitt算子进行运算，L(C)为长度能量约束项，S(C)为面积能量约束性。
将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型结合以提升分割精度。Prewitt算子分别在垂直方向和水平方向用3*3大小的内核对图像I进行卷积运算，每个像素点的运算结果如下：
Figure BDA0003166870540000062
其中Gx和Gy分别为水平和垂直方向边缘检测得到的灰度值，结合Gx和Gy可以得到近似梯度：
Figure BDA0003166870540000063
G为每个像素点差分信息的灰度值。
S106，将粗分割后的红外图像作为改进后的Chan-Vese模型的初始分割条件，利用改进后的Chan-Vese模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定变电设备中待诊断的目标位置；
改进Chan-Vese模型是基于区域的几何活动轮廓模型，该模型假设图像由两个平均灰度值差异较大的同质区域(目标和背景)，并且利用目标和背景之前的灰度平均值的差异进行分割，其实质是利用二值分片常值函数逼近待分割图像。
S107，根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度；
S107具体包括：
利用公式f:I→T将所述待诊断的目标位置与温度矩阵进行映射，得到所述待诊断的目标位置的温度；
其中，T为温度矩阵f为映射函数，I为目标位置矩阵。
S108，根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断。
S108具体包括：
根据所述待诊断的目标位置的温度，采用同类比较判断法、相对温差判断法或表面温度判断法对所述变电站设备热故障进行诊断。
同类比较判断法：
若图像中存在多个同类设备对应部位的分割区域，依据它们之间的表面温差进行分析判断设备故障。
相对温差判断法：
相对温差为两个对应测点之间的温升之差与其中较高温度点的温升之比的百分数。相对温差δ1计算方式如下：
δ1＝(τ1-τ2)/τ1×100％＝(T1-T2)/(T1-T0)×100％；
其中，τ1和T1为发热点的温升和温度，τ2和T2Wie正常相对应点的温升和温度，T0为环境参照体的温度。
当使用相对温差判断法测得变电设备接头部位相对温差δ1≥35％时，设备即出现故障，则应尽快安排相关技术人员对设备进行检修。
表面温度判断法：
当周围空气温度不超过40℃时，设备表面温度值与空气温度的温差超过50摄氏度时则建议相关工作人员及时检修。
图2为本发明所提供的一种变电站设备热故障诊断系统结构示意图，如图2所示，本发明所提供的一种变电站设备热故障诊断系统，包括：
红外图像获取模块201，用于获取变电站设备的红外图像；
红外图像预处理模块202，用于对所述红外图像进行预处理；所述预处理包括：滤波和灰度化；
温度矩阵确定模块203，用于根据预处理后的红外图像确定对应的温度矩阵；
红外图像粗分割模块204，用于采用K均值聚类算法对所述预处理后的红外图像进行变电设备目标与背景的粗分割；
改进后的Chan-Vese模型确定模块205，用于将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型；
红外图像细分割模块206，用于将粗分割后的红外图像作为改进后的Chan-Vese模型的初始分割条件，利用改进后的Chan-Vese模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定变电设备中待诊断的目标位置；
待诊断的目标位置的温度确定模块207，用于根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度；
热故障诊断模块208，用于根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断。
所述改进后的Chan-Vese模型确定模块205具体包括：
改进后的Chan-Vese模型的能量函数确定单元，用于利用公式
Figure BDA0003166870540000091
确定改进后的Chan-Vese模型的能量函数；
其中，E(C,c1,c2)为改进后的Chan-Vese模型的能量函数，图像域Ω中的图像u0(x,y)被闭合曲线C划分为目标inside(C)和背景outside(C)，μ≥0,η≥0,λ1≥0,λ2≥0均为固定参数，通常定义λ1＝λ2＝1和η＝0，s1和s2是轮廓内外具有差分信息的灰度均值，由Prewitt算子进行运算，L(C)为长度能量约束项，S(C)为面积能量约束性。
所述待诊断的目标位置的温度确定模块207具体包括：
待诊断的目标位置的温度确定单元，用于利用公式f:I→T将所述待诊断的目标位置与温度矩阵进行映射，得到所述待诊断的目标位置的温度；
其中，T为温度矩阵f为映射函数，I为目标位置矩阵。
所述热故障诊断模块208具体包括：
热故障诊断单元，用于根据所述待诊断的目标位置的温度，采用同类比较判断法、相对温差判断法或表面温度判断法对所述变电站设备热故障进行诊断。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种变电站设备热故障诊断方法，其特征在于，包括：
获取变电站设备的红外图像；
对所述红外图像进行预处理；所述预处理包括：滤波和灰度化；
根据预处理后的红外图像确定对应的温度矩阵；
采用K均值聚类算法对所述预处理后的红外图像进行变电设备目标与背景的粗分割；
将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型；
将粗分割后的红外图像作为改进后的Chan-Vese模型的初始分割条件，利用改进后的Chan-Vese模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定变电设备中待诊断的目标位置；
根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度；
根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断；
所述将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型，具体包括：
利用公式
Figure FDA0003764351140000011
确定改进后的Chan-Vese模型的能量函数；
其中，E(C,c1,c2)为改进后的Chan-Vese模型的能量函数，图像域Ω中的图像u0(x,y)被闭合曲线C划分为目标inside(C)和背景outside(C)，μ≥0,η≥0,λ1≥0,λ2≥0均为固定参数，定义λ1＝λ2＝1和η＝0，s1和s2是轮廓内外具有差分信息的灰度均值，由Prewitt算子进行运算，L(C)为长度能量约束项，S(C)为面积能量约束性。
2.根据权利要求1所述的一种变电站设备热故障诊断方法，其特征在于，所述根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度，具体包括：
利用公式f:I→T将所述待诊断的目标位置与温度矩阵进行映射，得到所述待诊断的目标位置的温度；
其中，T为温度矩阵f为映射函数，I为目标位置矩阵。
3.根据权利要求1所述的一种变电站设备热故障诊断方法，其特征在于，所述根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断，具体包括：
根据所述待诊断的目标位置的温度，采用同类比较判断法、相对温差判断法或表面温度判断法对所述变电站设备热故障进行诊断。
4.一种变电站设备热故障诊断系统，其特征在于，包括：
红外图像获取模块，用于获取变电站设备的红外图像；
红外图像预处理模块，用于对所述红外图像进行预处理；所述预处理包括：滤波和灰度化；
温度矩阵确定模块，用于根据预处理后的红外图像确定对应的温度矩阵；
红外图像粗分割模块，用于采用K均值聚类算法对所述预处理后的红外图像进行变电设备目标与背景的粗分割；
改进后的Chan-Vese模型确定模块，用于将Prewitt算子检测目标边缘得到的差分信息与Chan-Vese模型进行结合，确定改进后的Chan-Vese模型；
红外图像细分割模块，用于将粗分割后的红外图像作为改进后的Chan-Vese模型的初始分割条件，利用改进后的Chan-Vese模型对粗分割后的红外图像进行变电设备目标与背景的细分割，确定变电设备中待诊断的目标位置；
待诊断的目标位置的温度确定模块，用于根据所述待诊断的目标位置与所述温度矩阵，确定所述待诊断的目标位置的温度；
热故障诊断模块，用于根据所述待诊断的目标位置的温度对所述变电站设备热故障进行诊断；
所述改进后的Chan-Vese模型确定模块具体包括：
改进后的Chan-Vese模型的能量函数确定单元，用于利用公式
Figure FDA0003764351140000031
确定改进后的Chan-Vese模型的能量函数；
其中，E(C,c1,c2)为改进后的Chan-Vese模型的能量函数，图像域Ω中的图像u0(x,y)被闭合曲线C划分为目标inside(C)和背景outside(C)，μ≥0,η≥0,λ1≥0,λ2≥0均为固定参数，定义λ1＝λ2＝1和η＝0，s1和s2是轮廓内外具有差分信息的灰度均值，由Prewitt算子进行运算，L(C)为长度能量约束项，S(C)为面积能量约束性。
5.根据权利要求4所述的一种变电站设备热故障诊断系统，其特征在于，所述待诊断的目标位置的温度确定模块具体包括：
待诊断的目标位置的温度确定单元，用于利用公式f:I→T将所述待诊断的目标位置与温度矩阵进行映射，得到所述待诊断的目标位置的温度；
其中，T为温度矩阵f为映射函数，I为目标位置矩阵。
6.根据权利要求4所述的一种变电站设备热故障诊断系统，其特征在于，所述热故障诊断模块具体包括：
热故障诊断单元，用于根据所述待诊断的目标位置的温度，采用同类比较判断法、相对温差判断法或表面温度判断法对所述变电站设备热故障进行诊断。
CN202110807447.XA 2021-07-16 2021-07-16 一种变电站设备热故障诊断方法及系统 Active CN113469995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110807447.XA CN113469995B (zh) 2021-07-16 2021-07-16 一种变电站设备热故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110807447.XA CN113469995B (zh) 2021-07-16 2021-07-16 一种变电站设备热故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113469995A CN113469995A (zh) 2021-10-01
CN113469995B true CN113469995B (zh) 2022-09-06

Family

ID=77880821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110807447.XA Active CN113469995B (zh) 2021-07-16 2021-07-16 一种变电站设备热故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113469995B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022499A (zh) * 2021-11-26 2022-02-08 国网四川省电力公司信息通信公司 一种改进的Chan-vese模型及其红外图像分割方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488787A (zh) * 2015-11-24 2016-04-13 江苏科技大学 基于几何活动轮廓模型的遥感图像海岸线检测方法
CN105844625A (zh) * 2016-03-18 2016-08-10 常州大学 一种融合边缘和区域的活动轮廓图像分割方法
CN106097349A (zh) * 2016-06-14 2016-11-09 江南大学 一种基于覆盖分割和活动轮廓模型的图像边缘提取算法
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
CN107657606A (zh) * 2017-09-18 2018-02-02 深圳市华星光电半导体显示技术有限公司 一种显示装置的亮度缺陷检测方法与装置
CN107909587A (zh) * 2017-12-26 2018-04-13 淮阴工学院 基于alr‑cv模型与边缘转换的图像分割算法
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法
CN111369516A (zh) * 2020-03-01 2020-07-03 上海置信电气股份有限公司 基于红外图像识别的变压器套管发热缺陷检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7672493B2 (en) * 2005-01-31 2010-03-02 Siemens Medical Solutions Usa, Inc. Method for analyzing medical image data using level set
CN112465852B (zh) * 2020-12-03 2024-01-30 国网山西省电力公司晋城供电公司 一种用于电力设备红外图像分割的改进区域生长方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488787A (zh) * 2015-11-24 2016-04-13 江苏科技大学 基于几何活动轮廓模型的遥感图像海岸线检测方法
CN105844625A (zh) * 2016-03-18 2016-08-10 常州大学 一种融合边缘和区域的活动轮廓图像分割方法
CN106097349A (zh) * 2016-06-14 2016-11-09 江南大学 一种基于覆盖分割和活动轮廓模型的图像边缘提取算法
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
CN107657606A (zh) * 2017-09-18 2018-02-02 深圳市华星光电半导体显示技术有限公司 一种显示装置的亮度缺陷检测方法与装置
CN107909587A (zh) * 2017-12-26 2018-04-13 淮阴工学院 基于alr‑cv模型与边缘转换的图像分割算法
CN108665463A (zh) * 2018-03-30 2018-10-16 哈尔滨理工大学 一种基于对抗式生成网络的宫颈细胞图像分割方法
CN111369516A (zh) * 2020-03-01 2020-07-03 上海置信电气股份有限公司 基于红外图像识别的变压器套管发热缺陷检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Color Cell Image Segmentation Based on Chan-Vese Model for Vector-Valued Images";Jinping Fan等;《Journal of Software Engineering and Applications》;20131130;第554-558页 *
"基于Hough 检测和C-V模型的航拍绝缘子自动协同分割方法";赵振兵等;《仪器仪表学报》;20160229;第37卷(第2期);第395-403页 *
"基于改进C-V 模型的外绝缘放电紫外图像特征量提取";王丰华等;《高电压技术》;20180831;第44卷(第8期);第2525-2532页 *
"基于视觉传感的薄板焊缝识别方法研究";何煊等;《现代电子技术》;20210615;第44卷(第12期);第16-20页 *

Also Published As

Publication number Publication date
CN113469995A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN110266268B (zh) 一种基于图像融合识别的光伏组件故障检测方法
CN109658387B (zh) 电力列车的受电弓碳滑板缺陷的检测方法
CN102565625B (zh) 基于红外图像智能诊断高压输电线路热缺陷的方法
CN103488988B (zh) 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法
CN107588733A (zh) 一种基于图像的受电弓滑板磨耗在线检测装置与方法
CN107729907A (zh) 一种基于红外热成像系统的故障识别方法
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN111598897B (zh) 基于Otsu和改进Bernsen的红外图像分割方法
CN103487729A (zh) 基于紫外视频与红外视频融合的电力设备缺陷检测方法
CN108230237A (zh) 一种用于电气设备在线检测的多光谱图像重构方法
CN107705256B (zh) 一种基于接触网语义的前向车载视频图像增强方法
CN108108772A (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
CN103247039A (zh) 一种基于复合视觉的高压线缆带电检测方法
CN105718964A (zh) 一种输电线防振锤的视觉检测方法
CN117392130B (zh) 基于红外图像的在线故障诊断系统
CN107290062A (zh) 一种基于红外热像图的输变电设备状态分析方法
CN113469995B (zh) 一种变电站设备热故障诊断方法及系统
CN109242880A (zh) 一种基于图像处理的电力线提取方法
KR101779040B1 (ko) 태양광 어레이의 열적외선 영상으로부터 패널 영역을 자동 추출하는 방법 및 장치
CN108932513A (zh) 一种基于红外图像的电力设备状态智能预警方法
Wang et al. Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images
CN110378866A (zh) 一种基于无人机巡检的渠道衬砌破损图像识别方法
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN118097587A (zh) 一种基于四足机器人的行人盲道巡查方法
CN118537313A (zh) 一种电力金具表面智能检测方法和检测系统

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