CN113486731A - 输电设备异常状态监测方法 - Google Patents
输电设备异常状态监测方法 Download PDFInfo
- Publication number
- CN113486731A CN113486731A CN202110672901.5A CN202110672901A CN113486731A CN 113486731 A CN113486731 A CN 113486731A CN 202110672901 A CN202110672901 A CN 202110672901A CN 113486731 A CN113486731 A CN 113486731A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- transmission equipment
- image
- monitoring
- abnormal state
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 114
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000003708 edge detection Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012876 topography 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本公开提供了一种输电设备异常状态监测方法,包括以下步骤:实时获取监测区域内的输电设备图像;对输电设备图像进行预处理,提取输电设备图像特征;通过遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。本公开利用输电设备的图像信息对输电设备的运行状态进行全面监测,采用改进的遗传算法进行图像的特征融合,提高了图像识别的精确率,同时提高了输电设备运行状态的检测精确率,实时监测输电设备是否存在故障,为输电设备的检修提供稳定准确可靠的监测信息,进一步提高了输电设备运行的可靠性。
Description
技术领域
本公开属于状态监测技术领域,具体涉及一种输电设备异常状态监测方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
输电是将发电厂输出的电能经变压器、断路器等开关设备接入输电线路来实现。输电设备主要包输电线路、开关设备和高压绝缘子等。在进行高压传输的过程中,大部分输电线路跨越高山、河流等偏远区域,距离电网监控中心较远;监控中心到输电线路的时间和距离与运维部门所管辖区域大小、地形地貌、道路情况、天气因素等息息相关。输电设备的状态监测数据在智能电网数据中占很大比重,如何充分利用这些状态监测数据进行输电设备的状态识别显得尤为重要。
因此,亟需进行输电设备状态监测数据的研究,充分考虑输电设备所处的运行状态,以提高电力系统运行的可靠性。
发明内容
为了解决上述问题,本公开提出了一种输电设备异常状态监测方法,对输电设备的运行状态进行全面监测,对各种运行状态给出相应的措施,实时监测输电设备的故障,为输电设备的检修提供稳定准确可靠的监测信息。
根据一些实施例,本公开的第一方案提供了一种输电设备异常状态监测方法,采用如下技术方案:
输电设备异常状态监测方法,具体包括以下步骤:
实时获取监测区域内的输电设备图像;
对输电设备图像进行预处理,提取输电设备图像特征;
通过遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。
根据一些实施例,本公开的第二方案提供了一种输电设备异常状态监测系统,采用了第一方案中的输电设备异常状态监测方法,采用如下技术方案:
输电设备异常状态监测系统,包括:
图像获取模块,用于实时获取监测区域内的输电设备图像;
特征提取模块,对输电设备图像进行预处理,提取输电设备图像特征;
状态监测模块,通过遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。
与现有技术相比,本公开的有益效果为:
本公开充分利用输电设备的图像信息对输电设备的运行状态进行全面监测,采用改进的遗传算法进行图像的特征融合,提高了图像识别的精确率,同时提高了输电设备运行状态的检测精确率,实时监测输电设备是否存在故障,为输电设备的检修提供稳定准确可靠的监测信息,进一步提高了输电设备运行的可靠性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中的输电设备异常状态监测方法的流程图;
图2是本公开实施例一中的采用改进的遗传算法进行极限学习机的优化的流程图;
图3是本公开实施例二中的输电设备异常状态监测系统的结构图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本实公开中的具体含义,不能理解为对本公开的限制。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一提供了一种输电设备异常状态监测方法。
如图1所示的一种输电设备异常状态监测方法,具体步骤包括:
步骤S01:实时获取监测区域内的输电设备图像;
步骤S02:对输电设备图像进行预处理,提取输电设备图像特征;
步骤S03:利用遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。
作为一种或多种实施方式,在步骤S01中,通过无人机拍摄或者是固定在输电线路铁塔上的图像获取设备来实时获取监测区域内的输电设备图像。获取的输电设备图像包括图像纹理、图像颜色、图像边缘和图像形状。
作为一种或多种实施方式,在步骤S02中,在进行输电设备图像的预处理之前,执行输电设备图像的数字化处理过程,将获取的输电设备图像转化成数字化图像;然后再对数字化图像进行预处理,即执行图像灰度化、图像滤波、图像增强和阈值分割等预处理,以便后续过程更好地提取输电设备图像特征。
在本实施例中,采用自适应滤波法进行输电设备图像提取,输电设备图像特征包括轮廓特征、几何特征、细节特征和边缘特征。
为获得每一段输电设备中输电线路清楚的轮廓图像特征以实现后续输电线路特征信息的分析,首先采用高斯滤波与Canny边缘检测结合的边缘检测方式,再通过二值法进行图像轮廓的提取,即在边缘检测的基础上图像为白色,背景为黑色;若某一像素点为黑色,且周围邻域点的像素点点也均为黑色,则判断为该像素点为图像内部点,否则为图像边缘点,需将判断出的内部像素点置为背景色;对所有的内部像素点循环此操作则能完成图像轮廓提取的操作。其中,Canny边缘检测包括高斯滤波、获取梯度数据、梯度非极大抑制和双阈值精度定位四部分。
作为一种或多种实施方式,在步骤S023中,通过遗传算法进行输电设备图像特征的融合识别的过程中,采用改进的遗传算法进行极限学习机的优化,如图2所示,具体步骤如下:
(1)改进的遗传算法初始化,确定种群规模,进化代数、交叉概率、变异概率和适应度函数;
(2)对极限学习机进行初始化,设定隐含层结点个数,极限学习机网络随机产生输入权值和隐含层阈值;
(3)将训练数据送到极限学习机网络模型中进行训练,得到隐含层的输出矩阵;
(4)计算个体适应度是否满足条件,如果满足则跳到第(7)步,否则跳到第(5)步;
(5)对改进的遗传算法进行选择、交叉和变异三个操作;
(6)产生新的子代种群,跳到第(2)步;
(7)计算输出权值矩阵完成模型建立。
当识别出来异常的输电设备图像特征时,及时向输电设备监控中心发送异常状态信号,通知工作人员予以密切关注,必要时去现场检修,为输电设备的检修奠定稳定基础。
实施例二
本公开实施例二提供了一种输电设备异常状态监测系统,采用了实施例一中所提供的输电设备异常状态监测方法。
如图3所示的输电设备异常状态监测系统,包括:
图像获取模块,用于实时获取监测区域内的输电设备图像;
特征提取模块,对输电设备图像进行预处理,提取输电设备图像特征;
状态监测模块,通过遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。
详细步骤与实施例一中所提供的输电设备异常状态监测方法相同,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.输电设备异常状态监测方法,其特征在于,包括以下步骤:
实时获取监测区域内的输电设备图像;
对输电设备图像进行预处理,提取输电设备图像特征;
通过遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。
2.基于权利要求1中所述的输电设备异常状态监测方法,其特征在于,所述输电设备图像包括图像纹理、图像颜色、图像边缘和图像形状。
3.基于权利要求1中所述的输电设备异常状态监测方法,其特征在于,在对输电设备图像进行预处理之前,执行输电设备图像的数字化处理过程,将获取的输电设备图像转化成数字化图像;然后再对数字化图像进行预处理。
4.基于权利要求1中所述的输电设备异常状态监测方法,其特征在于,所述对输电设备图像进行预处理,包括图像灰度化、图像滤波、图像增强和阈值分割。
5.基于权利要求4中所述的输电设备异常状态监测方法,其特征在于,通过最大值法和平均值法进行输电设备图像的灰度化处理,采用邻域平均法和中值法进行图像滤波,采用二值化处理进行阈值分割。
6.基于权利要求1中所述的输电设备异常状态监测方法,其特征在于,所述输电设备图像特征包括轮廓特征、几何特征、细节特征和边缘特征。
7.基于权利要求1中所述的输电设备异常状态监测方法,其特征在于,采用自适应滤波法提取输电设备图像特征。
8.基于权利要求1中所述的输电设备异常状态监测方法,其特征在于,通过遗传算法进行输电设备图像特征的融合识别的过程中,采用改进的遗传算法进行极限学习机的优化,具体步骤如下:
(1)改进的遗传算法初始化,确定种群规模,进化代数、交叉概率、变异概率和适应度函数;
(2)对极限学习机进行初始化,设定隐含层结点个数,极限学习机网络随机产生输入权值和隐含层阈值;
(3)将训练数据送到极限学习机网络模型中进行训练,得到隐含层的输出矩阵;
(4)计算个体适应度是否满足条件,如果满足则跳到第(7)步,否则跳到第(5)步;
(5)对改进的遗传算法进行选择、交叉和变异三个操作;
(6)产生新的子代种群,跳到第(2)步;
(7)计算输出权值矩阵完成模型建立。
9.输电设备异常状态监测系统,采用了如权利要求1-8中所述的输电设备异常状态监测方法,其特征在于,包括:
图像获取模块,用于实时获取监测区域内的输电设备图像;
特征提取模块,对输电设备图像进行预处理,提取输电设备图像特征;
状态监测模块,通过遗传算法进行输电设备图像特征的融合识别,实现输电设备运行状态的监测。
10.基于权利要求9中所述的输电设备异常状态监测系统,其特征在于,所述特征提取模块中采用自适应滤波法提取输电设备图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110672901.5A CN113486731A (zh) | 2021-06-17 | 2021-06-17 | 输电设备异常状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110672901.5A CN113486731A (zh) | 2021-06-17 | 2021-06-17 | 输电设备异常状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486731A true CN113486731A (zh) | 2021-10-08 |
Family
ID=77934026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110672901.5A Pending CN113486731A (zh) | 2021-06-17 | 2021-06-17 | 输电设备异常状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486731A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120095611A1 (en) * | 2010-10-19 | 2012-04-19 | National Taiwan University Of Science And Technology | Method for assigning transmission line of electric network |
CN104867138A (zh) * | 2015-05-07 | 2015-08-26 | 天津大学 | 基于pca和ga-elm的立体图像质量客观评价方法 |
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
CN107392090A (zh) * | 2017-06-05 | 2017-11-24 | 国网新疆电力公司经济技术研究院 | 优化电能质量扰动分类器elm的方法 |
CN109766745A (zh) * | 2018-11-22 | 2019-05-17 | 四川大学 | 强化学习三态组合长短时记忆神经网络系统及训练和预测方法 |
CN112258576A (zh) * | 2020-10-16 | 2021-01-22 | 青岛滨海学院 | 一种基于图像处理的重叠细导线抓取系统及方法 |
CN112766140A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于核函数极限学习机的变压器故障辨识方法 |
-
2021
- 2021-06-17 CN CN202110672901.5A patent/CN113486731A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120095611A1 (en) * | 2010-10-19 | 2012-04-19 | National Taiwan University Of Science And Technology | Method for assigning transmission line of electric network |
CN104867138A (zh) * | 2015-05-07 | 2015-08-26 | 天津大学 | 基于pca和ga-elm的立体图像质量客观评价方法 |
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
CN107392090A (zh) * | 2017-06-05 | 2017-11-24 | 国网新疆电力公司经济技术研究院 | 优化电能质量扰动分类器elm的方法 |
CN109766745A (zh) * | 2018-11-22 | 2019-05-17 | 四川大学 | 强化学习三态组合长短时记忆神经网络系统及训练和预测方法 |
CN112258576A (zh) * | 2020-10-16 | 2021-01-22 | 青岛滨海学院 | 一种基于图像处理的重叠细导线抓取系统及方法 |
CN112766140A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于核函数极限学习机的变压器故障辨识方法 |
Non-Patent Citations (3)
Title |
---|
吕忠 等: "基于遗传算法改进极限学习机的变压器故障诊断", 高压电器, vol. 51, no. 8, pages 1 - 3 * |
律方成;刘怡;亓彦;燕跃豪;张建涛;谢庆;: "基于改进遗传算法优化极限学习机的短期电力负荷预测", 华北电力大学学报(自然科学版), no. 06 * |
皮骏;马圣;贺嘉诚;孔庆国;林家泉;刘光才;: "基于IGA-ELM网络的滚动轴承故障诊断", 航空学报, no. 09 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188148B (zh) | 应用于智能电网的输电线路可靠监测系统 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN102143354B (zh) | 基于视频图像处理的输电导线舞动识别计算方法 | |
CN103530620A (zh) | 一种输电线路杆塔鸟巢的识别方法 | |
CN105654461A (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
CN109300118B (zh) | 一种基于rgb图像的高压电力线路无人机巡检方法 | |
CN110095661B (zh) | 一种配电变压器高压侧缺相故障抢修方法 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及系统 | |
CN116681979A (zh) | 一种复杂环境下的电力设备目标检测方法 | |
CN115965578A (zh) | 一种基于通道注意力机制的双目立体匹配检测方法及装置 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
CN106651131A (zh) | 输电线路防台风预警方法和系统 | |
CN113989688A (zh) | 基于紫外无人机5g云高压线路故障精准定位系统及方法 | |
CN113406439A (zh) | 一种配电网故障定位方法 | |
CN113486731A (zh) | 输电设备异常状态监测方法 | |
CN109919936B (zh) | 一种复合绝缘子运行状态的分析方法、装置及设备 | |
CN113034598B (zh) | 一种基于深度学习的无人机电力巡线方法 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 |
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 |