CN114373066A - 基于温度概率密度的高压电力设备故障识别方法及装置 - Google Patents

基于温度概率密度的高压电力设备故障识别方法及装置 Download PDF

Info

Publication number
CN114373066A
CN114373066A CN202111295401.0A CN202111295401A CN114373066A CN 114373066 A CN114373066 A CN 114373066A CN 202111295401 A CN202111295401 A CN 202111295401A CN 114373066 A CN114373066 A CN 114373066A
Authority
CN
China
Prior art keywords
temperature
probability density
clustering
fault
sleeve
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
Application number
CN202111295401.0A
Other languages
English (en)
Inventor
孔凡坊
杨建华
厉益淼
王寅
李云龙
郑朝阳
潘益伟
郑翀
徐鹏
张瑞
吴旭鹏
邓潘
林伟
陈石
葛慧聪
刘尚孟
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.)
Power Construction of Wenzhou
Original Assignee
Power Construction of Wenzhou
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 Power Construction of Wenzhou filed Critical Power Construction of Wenzhou
Priority to CN202111295401.0A priority Critical patent/CN114373066A/zh
Publication of CN114373066A publication Critical patent/CN114373066A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了基于温度概率密度的高压电力设备故障识别方法及装置，为了解决需要大量针对性数据训练才能实现红外热图的识别与分类的问题，包括以下步骤：S1：采集待测对象的热红外图像，计算不同区域温度概率密度；S2：提取温度概率密度，通过K均值聚类方法进行聚类；S3：提取待测对象的初始聚类点，分离待测对象实际故障区。本发明的有益效果是：本方法可以不需要大量针对性数据训练就可以实现红外热图的识别与分类，且具备较好的准确性和灵敏性；通过固定机构的环槽、杆槽和环杆、电磁铁之间的配合，实现固定伸缩套筒的功能，便于调节固定机构的高度。

Description

基于温度概率密度的高压电力设备故障识别方法及装置
技术领域
本发明涉及故障识别技术领域，尤其涉及基于温度概率密度的高压电力设备故障识别方法及装置。
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。
一种在中国专利文献上公开的“一种基于红外热像图的输变电设备状态分析方法”，其公告号CN107290062B，给出了将二维温度转为一维温度概率分布图，这种方法有效的利用了红外热像图中设备所有点的温度，更加全面的反映了设备的温度信息，然后给出了体现概率分布图特征的特征参数，这些特征参数反应了设备了上的主要温度区间和温度的变化的情况，接着针对温度分布图特征给出了评价设备状态的判断方法。其不足之处是：需要大量针对性数据训练才能实现红外热图的识别与分类。
发明内容
本发明主要是为了解决需要大量针对性数据训练才能实现红外热图的识别与分类的问题，提供基于温度概率密度的高压电力设备故障识别方法及装置，可以不需要大量针对性数据训练就可以实现红外热图的识别与分类，且具备较好的准确性和灵敏性。
为了实现上述目的，本发明采用以下技术方案：
基于温度概率密度的高压电力设备故障识别方法，包括以下步骤：
S1：采集待测对象的热红外图像，计算不同区域温度概率密度；
S2：提取温度概率密度，通过K均值聚类方法进行聚类；
S3：提取待测对象的初始聚类点，分离待测对象实际故障区。
本方法基于变电站运行中各部分不同的温度分布这一物理特性，通过核函数估计求取热红外图中的温度概率密度并实现初步分类。基于初始分类中心的基础上使用K均值聚类对样本数据进行聚类以实现对不同类别目标的甄别。由于该方法是基于图像本身的温度特性，因此不需要大量针对性数据训练即可实现红外热图的识别与分类，且具备较好的准确性和灵敏性。
作为优选，步骤S1中所述采集待测对象的热红外图像包括以下步骤：
S11：使用红外成像装置对待测对象进行热红外图像采集；
S12：将热红外图像转换为三维的温度分布图像。
变电站的运行环境主要分为运行背景、正常运行设备和故障部分等。
背景和正常运行设备的温度分布较为均匀，而故障部分会出现明显温度升高。热红外图像的每一个像素上都具备该点的温度信息，因此可以转换成三维的温度分布图像，便于后续的求解温度概率密度。
作为优选，步骤S1中所述计算不同区域温度概率密度包括以下步骤：
S13：根据热红外图像的组成将温度概率密度分为背景区域温度概率密度、正常区域温度概率密度和故障区域温度概率密度；
S14：计算待测对象上述不同区域的温度概率密度。
由于背景区域不发热或发热较低，因此该区域的温度主要位于[θ0，θ1]，该范围对应背景温度概率密度fb(x)；设备的正常运行温度高于环境温度，主要处于中温度区域[θ1，θ2]，该范围为正常运行设备对应的温度概率密度fs(x)；故障区域的温度高于正常运行温度，主要集中在高温区域[θ2，θ3]，该范围为故障区域温度概率密度fg(x)，其公式如下所示：
Figure BDA0003336383160000021
作为优选，步骤S2中所述提取温度概率密度包括以下步骤：
S21：通过概率密度估计函数得到核函数估计后的温度概率密度函数；
S22：对步骤S1中的不同区域温度概率密度进行估计，求取极值所获得的对应特征点。
采用无参概率密度估计方法中的核密度估计来对温度概率密度进行估计，得到以下温度概率密度函数公式：
Figure BDA0003336383160000022
式中，k为n个样本中调入温度区域R的样本数量，h为温度区域R的宽度，n为像素点个数。
使用斯科特法则来求取核密度函数窗宽，即h，得到如下公式：
Figure BDA0003336383160000031
式中σ为数据的标准差。
作为优选，步骤S2中所述通过K均值聚类方法进行聚类包括以下步骤：
S23：对步骤S22中的特征点进行初始分类，得到初始聚类中心温度；
S24：通过K均值聚类方法进行聚类，计算新聚类中心温度；
S25：比较初始聚类中心温度和新聚类中心温度，若相等，则结束聚类分析；若不等，则重新基于新聚类中心重复聚类步骤，直至聚类收敛后不发生变化。
通过热红外图像温度概率密度的特征提取实现初始分类，通过K均值聚类方法将热红外图像信息总集X分为K类，对应的极值点温度θC_i为各聚类中心的初始温度。
聚类完成后，每个聚类集Ci中都存在对应数量为Ni的归属数据xj。通过求取该类数据的平均和可以计算出新聚类中心θ’C_i，得到以下公式：
Figure BDA0003336383160000032
作为优选，步骤S3中所述提取待测对象的初始聚类点包括以下步骤：
S31：按照故障区域大小排列不同故障区域；
S32：设置温度阈值，估计温度概率密度；
S33：提取待测对象的不同故障区域的初始聚类点，进行聚类后得到聚类结果。
所述不同故障区域包括避雷器中上部故障、穿墙套管接头处故障、GIS套管接头处故障和主变高压套管接头处故障。
所述温度阈值设置为10％，核函数的有效输出数据为1％。根据使用高斯核函数估计后得到温度概率密度，提取待测对象的初始聚类点。基于给定的初始特征值对热成像图进行聚类后得到聚类结果。
作为优选，步骤S3中所述分离待测对象实际故障区包括以下步骤：
S34：基于步骤33中得到的聚类结果，提取出待测对象的高温故障区域；
S35：分析初始聚类中心和最终聚类中心，验证本方法的准确性。
根据步骤S34可以较好地分离出实际故障区域，实现红外热图的识别与分类。通过步骤35的分析，本方法具备较好的准确性和灵敏性。
基于温度概率密度的高压电力设备故障识别装置，包括红外成像机构和与所述红外成像机构连接的固定机构，所述固定机构内设有若干个环槽和与所述若干个环槽连通的若干个筒槽，所述环槽中设有环杆，所述筒槽中设有伸缩套筒。
所述红外成像机构与所述固定机构可以通过现有的如螺栓等连接方式固定。
所述环槽为弧形槽，所述环杆为弧形杆，便于所述环杆在所述环槽中滑动。所述筒槽中的所述伸缩套筒用于调节所述固定机构的高度，便于使用者使用。
所述环槽和所述筒槽数量一致且互相连通，便于所述环杆在所述环槽和所述筒槽中滑动。所述环杆的长度大于所述筒槽的长度，可以防止所述环杆由于过短，掉入所述筒槽中，造成机构故障。
作为优选，所述伸缩套筒包括依次嵌套的第一套筒、第二套筒和第三套筒，所述第一套筒、所述第二套筒和所述第三套筒上均设有第一通孔和第二通孔。
所述第一套筒、所述第二套筒和所述第三套筒用于调节所述固定机构的高度，所述第一套筒、所述第二套筒和所述第三套筒之间为现有的套筒连接，即可以伸缩，但每个套筒之间不会随着伸缩而分离。
所述第一套筒与所述筒槽底部固定连接，可以防止所述第一套筒掉落。
所述伸缩套筒数量可以增加或者减少，所述第一套筒、所述第二套筒和所述第三套筒仅为标准伸缩套筒，不代表仅为三个套筒。
所述第一套筒、所述第二套筒和所述第三套筒之间拉伸至最长位置时，相邻两个套筒之间可以通过过盈配合，实现互相固定，防止相邻套筒之间发生相对滑动，导致支撑不稳定。
所述第一通孔和所述第二通孔用于所述环杆的穿过，可以固定所述伸缩套筒的长度，便于调节所述固定机构的高度。通过所述第一通孔和所述第二通孔之间的配合，可以实现陡坡或平地上的支撑，且高度可随使用需求调节。
所述第一通孔和所述第二通孔的直径与所述杆槽宽度/高度相同，可以使所述环杆顺利穿过，从而实现固定作用。
在所述伸缩套筒缩至最短时，即所述第一套筒、所述第二套筒和所述第三套筒完全嵌套时，所述第二通孔的中心线与所述环槽中心线对齐，便于所述环杆的固定。
作为优选，所述杆槽较长的一端与所述筒槽一端连接，所述杆槽较短的一端与所述筒槽另一端连接，所述杆槽较短的一端底部设有电磁铁，所述杆槽较长的一端底部与所述环杆远离所述电磁铁的一端通过弹簧连接。
所述环杆为磁吸材料制作，所述电磁铁在固定所述伸缩套筒时，可以通过通电的形式将所述环杆从所述杆槽较长的一端吸到所述杆槽较短的一端，所述环杆靠近所述杆槽较短端的一端所述随着所述电磁铁的吸引，穿过所述筒槽，与所述电磁铁吸合，从而实现所述伸缩套筒的固定。
所述固定机构内置导线通道，可以将所述电磁铁和外部电源连接，提供动力。所述电磁铁和所述导线电性连接。
在固定时，所述弹簧由于所述电磁铁通电吸引所述环杆，从而使所述弹簧拉伸。在不固定时，所述弹簧通过弹力将所述环杆拉回原始位置，从而实现所述固定机构与所述伸缩套筒自动分离。
本发明的有益效果是：
(1)本方法可以不需要大量针对性数据训练就可以实现红外热图的识别与分类，且具备较好的准确性和灵敏性。
(2)通过固定机构的环槽、杆槽和环杆、电磁铁、弹簧之间的配合，实现固定伸缩套筒的功能，便于调节固定机构的高度。
附图说明
图1是本发明的流程示意图。
图2是固定机构的结构示意图。
图3是固定机构的侧面结构示意图。
图4是伸缩套筒的结构示意图。
图示说明：1-伸缩套筒，2-固定机构，3-环杆，4-电磁铁，5-弹簧，21-环槽，22-筒槽，11-第一套筒，12-第二套筒，13-第三套筒，14-第一通孔，15-第二通孔。
具体实施方式
下面结合附图和具体实施方式对本发明进一步的描述。
如图1所示，基于温度概率密度的高压电力设备故障识别方法，包括以下步骤：
S1：采集待测对象的热红外图像，计算不同区域温度概率密度；
S2：提取温度概率密度，通过K均值聚类方法进行聚类；
S3：提取待测对象的初始聚类点，分离待测对象实际故障区。
本方法基于变电站运行中各部分不同的温度分布这一物理特性，通过核函数估计求取热红外图中的温度概率密度并实现初步分类。基于初始分类中心的基础上使用K均值聚类对样本数据进行聚类以实现对不同类别目标的甄别。由于该方法是基于图像本身的温度特性，因此不需要大量针对性数据训练即可实现红外热图的识别与分类，且具备较好的准确性和灵敏性。
步骤S1中采集待测对象的热红外图像包括以下步骤：
S11：使用红外成像装置对待测对象进行热红外图像采集；
S12：将热红外图像转换为三维的温度分布图像。
变电站的运行环境主要分为运行背景、正常运行设备和故障部分等。
背景和正常运行设备的温度分布较为均匀，而故障部分会出现明显温度升高。热红外图像的每一个像素上都具备该点的温度信息，因此可以转换成三维的温度分布图像，便于后续的求解温度概率密度。
步骤S1中计算不同区域温度概率密度包括以下步骤：
S13：根据热红外图像的组成将温度概率密度分为背景区域温度概率密度、正常区域温度概率密度和故障区域温度概率密度；
S14：计算待测对象上述不同区域的温度概率密度。
由于背景区域不发热或发热较低，因此该区域的温度主要位于[θ0，θ1]，该范围对应背景温度概率密度fb(x)；设备的正常运行温度高于环境温度，主要处于中温度区域[θ1，θ2]，该范围为正常运行设备对应的温度概率密度fs(x)；故障区域的温度高于正常运行温度，主要集中在高温区域[θ2，θ3]，该范围为故障区域温度概率密度fg(x)，其公式如下所示：
Figure BDA0003336383160000061
步骤S2中提取温度概率密度包括以下步骤：
S21：通过概率密度估计函数得到核函数估计后的温度概率密度函数；
S22：对步骤S1中的不同区域温度概率密度进行估计，求取极值所获得的对应特征点。
采用无参概率密度估计方法中的核密度估计来对温度概率密度进行估计，得到以下温度概率密度函数公式：
Figure BDA0003336383160000062
式中，k为n个样本中调入温度区域R的样本数量，h为温度区域R的宽度，n为像素点个数。
使用斯科特法则来求取核密度函数窗宽，即h，得到如下公式：
Figure BDA0003336383160000063
式中σ为数据的标准差。
步骤S2中通过K均值聚类方法进行聚类包括以下步骤：
S23：对步骤S22中的特征点进行初始分类，得到初始聚类中心温度；
S24：通过K均值聚类方法进行聚类，计算新聚类中心温度；
S25：比较初始聚类中心温度和新聚类中心温度，若相等，则结束聚类分析；若不等，则重新基于新聚类中心重复聚类步骤，直至聚类收敛后不发生变化。
通过热红外图像温度概率密度的特征提取实现初始分类，通过K均值聚类方法将热红外图像信息总集X分为K类，对应的极值点温度θC_i为各聚类中心的初始温度。
聚类完成后，每个聚类集Ci中都存在对应数量为Ni的归属数据xj。通过求取该类数据的平均和可以计算出新聚类中心θ’C_i，得到以下公式：
Figure BDA0003336383160000071
步骤S3中提取待测对象的初始聚类点包括以下步骤：
S31：按照故障区域大小排列不同故障区域；
S32：设置温度阈值，估计温度概率密度；
S33：提取待测对象的不同故障区域的初始聚类点，进行聚类后得到聚类结果。
不同故障区域包括避雷器中上部故障、穿墙套管接头处故障、GIS套管接头处故障和主变高压套管接头处故障。
温度阈值设置为10％，核函数的有效输出数据为1％。根据使用高斯核函数估计后得到温度概率密度，提取待测对象的初始聚类点。基于给定的初始特征值对热成像图进行聚类后得到聚类结果。
步骤S3中分离待测对象实际故障区包括以下步骤：
S34：基于步骤33中得到的聚类结果，提取出待测对象的高温故障区域；
S35：分析初始聚类中心和最终聚类中心，验证本方法的准确性。
根据步骤S34可以较好地分离出实际故障区域，实现红外热图的识别与分类。通过步骤35的分析，本方法具备较好的准确性和灵敏性。
如图2和图3所示，基于温度概率密度的高压电力设备故障识别装置，包括红外成像机构和与红外成像机构连接的固定机构2，固定机构内设有若干个环槽21和与若干个环槽连通的若干个筒槽22，环槽中设有环杆3，筒槽中设有伸缩套筒1。
红外成像机构与固定机构可以通过现有的如螺栓等连接方式固定。
环槽为弧形槽，环杆为弧形杆，便于环杆在环槽中滑动。筒槽中的伸缩套筒用于调节固定机构的高度，便于使用者使用。
环槽和筒槽数量一致且互相连通，便于环杆在环槽和筒槽中滑动。环杆的长度大于筒槽的长度，可以防止环杆由于过短，掉入筒槽中，造成机构故障。
杆槽较长的一端与筒槽一端连接，杆槽较短的一端与筒槽另一端连接，杆槽较短的一端底部设有电磁铁4，杆槽较长的一端底部与环杆远离电磁铁的一端通过弹簧5连接。
环杆为磁吸材料制作，电磁铁在固定伸缩套筒时，可以通过通电的形式将环杆从杆槽较长的一端吸到杆槽较短的一端，环杆靠近杆槽较短端的一端随着电磁铁的吸引，穿过筒槽，与电磁铁吸合，从而实现伸缩套筒的固定。
固定机构内置导线通道，可以将电磁铁和外部电源连接，提供动力。电磁铁和导线电性连接。
在固定时，弹簧由于电磁铁通电吸引环杆，从而使弹簧拉伸。在不固定时，弹簧通过弹力将环杆拉回原始位置，从而实现固定机构与伸缩套筒自动分离。
如图4所示，伸缩套筒包括依次嵌套的第一套筒11、第二套筒12和第三套筒13，第一套筒、第二套筒和第三套筒上均设有第一通孔14和第二通孔15。
第一套筒、第二套筒和第三套筒用于调节固定机构的高度，第一套筒、第二套筒和第三套筒之间为现有的套筒连接，即可以伸缩，但每个套筒之间不会随着伸缩而分离。
第一套筒与筒槽底部固定连接，可以防止第一套筒掉落。
伸缩套筒数量可以增加或者减少，第一套筒、第二套筒和第三套筒仅为标准伸缩套筒，不代表仅为三个套筒。
第一套筒、第二套筒和第三套筒之间拉伸至最长位置时，相邻两个套筒之间可以通过过盈配合，实现互相固定，防止相邻套筒之间发生相对滑动，导致支撑不稳定。
第一通孔和第二通孔用于环杆的穿过，可以固定伸缩套筒的长度，便于调节固定机构的高度。通过第一通孔和第二通孔之间的配合，可以实现陡坡或平地上的支撑，且高度可随使用需求调节。
第一通孔和第二通孔的直径与杆槽宽度/高度相同，可以使环杆顺利穿过，从而实现固定作用。
在伸缩套筒缩至最短时，即第一套筒、第二套筒和第三套筒完全嵌套时，第二通孔的中心线与环槽中心线对齐，便于环杆的固定。
应理解，该实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (10)

1.基于温度概率密度的高压电力设备故障识别方法，其特征在于，包括以下步骤：
S1：采集待测对象的热红外图像，计算不同区域温度概率密度；
S2：提取温度概率密度，通过K均值聚类方法进行聚类；
S3：提取待测对象的初始聚类点，分离待测对象实际故障区。
2.根据权利要求1所述的基于温度概率密度的高压电力设备故障识别方法，其特征在于， 步骤S1中所述采集待测对象的热红外图像包括以下步骤：
S11：使用红外成像装置对待测对象进行热红外图像采集；
S12：将热红外图像转换为三维的温度分布图像。
3.根据权利要求2所述的基于温度概率密度的高压电力设备故障识别方法，其特征在于，步骤S1中所述计算不同区域温度概率密度包括以下步骤：
S13：根据热红外图像的组成将温度概率密度分为背景区域温度概率密度、正常区域温度概率密度和故障区域温度概率密度；
S14：计算待测对象上述不同区域的温度概率密度。
4.根据权利要求1所述的基于温度概率密度的高压电力设备故障识别方法，其特征在于，步骤S2中所述提取温度概率密度包括以下步骤：
S21：通过概率密度估计函数得到核函数估计后的温度概率密度函数；
S22：对步骤S1中的不同区域温度概率密度进行估计，求取极值所获得的对应特征点。
5.根据根据权利要求4所述的基于温度概率密度的高压电力设备故障识别方法，其特征在于，步骤S2中所述通过K均值聚类方法进行聚类包括以下步骤：
S23：对步骤S22中的特征点进行初始分类，得到初始聚类中心温度；
S24：通过K均值聚类方法进行聚类，计算新聚类中心温度；
S25：比较初始聚类中心温度和新聚类中心温度，若相等，则结束聚类分析；若不等，则重新基于新聚类中心重复聚类步骤，直至聚类收敛后不发生变化。
6.根据权利要求1所述的基于温度概率密度的高压电力设备故障识别方法，其特征在于，步骤S3中所述提取待测对象的初始聚类点包括以下步骤：
S31：按照故障区域大小排列不同故障区域；
S32：设置温度阈值，估计温度概率密度；
S33：提取待测对象的不同故障区域的初始聚类点，进行聚类后得到聚类结果。
7.根据权利要求6所述的基于温度概率密度的高压电力设备故障识别方法，其特征在于，步骤S3中所述分离待测对象实际故障区包括以下步骤：
S34：基于步骤33中得到的聚类结果，提取出待测对象的高温故障区域；
S35：分析初始聚类中心和最终聚类中心，验证本方法的准确性。
8.基于温度概率密度的高压电力设备故障识别装置，适用于根据权利要求1-7所述的任一基于温度概率密度的高压电力设备故障识别方法，其特征在于，包括红外成像机构和与所述红外成像机构连接的固定机构（2），所述固定机构（2）内设有若干个环槽（21）和与所述若干个环槽（21）连通的若干个筒槽（22），所述环槽（21）中设有环杆（3），所述筒槽（22）中设有伸缩套筒（1）。
9.根据权利要求8所述的基于温度概率密度的高压电力设备故障识别装置，其特征在于，所述伸缩套筒（1）包括依次嵌套的第一套筒（11）、第二套筒（12）和第三套筒（13），所述第一套筒（11）、所述第二套筒（12）和所述第三套筒（13）上均设有第一通孔（14）和第二通孔（15）。
10.根据权利要求8所述的基于温度概率密度的高压电力设备故障识别装置，其特征在于，所述杆槽（21）较长的一端与所述筒槽（22）一端连接，所述杆槽（21）较短的一端与所述筒槽（22）另一端连接，所述杆槽（21）较短的一端底部设有电磁铁（4），所述杆槽（21）较长的一端底部与所述环杆（3）远离所述电磁铁（4）的一端通过弹簧（5）连接。
CN202111295401.0A 2021-11-03 2021-11-03 基于温度概率密度的高压电力设备故障识别方法及装置 Pending CN114373066A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111295401.0A CN114373066A (zh) 2021-11-03 2021-11-03 基于温度概率密度的高压电力设备故障识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111295401.0A CN114373066A (zh) 2021-11-03 2021-11-03 基于温度概率密度的高压电力设备故障识别方法及装置

Publications (1)

Publication Number Publication Date
CN114373066A true CN114373066A (zh) 2022-04-19

Family

ID=81138730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111295401.0A Pending CN114373066A (zh) 2021-11-03 2021-11-03 基于温度概率密度的高压电力设备故障识别方法及装置

Country Status (1)

Country Link
CN (1) CN114373066A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115334304A (zh) * 2022-10-12 2022-11-11 南通奥格机械科技有限公司 一种消防视频的高质量压缩存储方法
TWI797017B (zh) * 2022-05-18 2023-03-21 友達光電股份有限公司 過熱預測系統、過熱預測方法以及非暫態電腦可讀取儲存媒體
CN115908407A (zh) * 2023-01-05 2023-04-04 佰聆数据股份有限公司 基于红外图像温度值的电力设备缺陷检测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI797017B (zh) * 2022-05-18 2023-03-21 友達光電股份有限公司 過熱預測系統、過熱預測方法以及非暫態電腦可讀取儲存媒體
CN115334304A (zh) * 2022-10-12 2022-11-11 南通奥格机械科技有限公司 一种消防视频的高质量压缩存储方法
CN115334304B (zh) * 2022-10-12 2022-12-13 南通奥格机械科技有限公司 一种消防视频的高质量压缩存储方法
CN115908407A (zh) * 2023-01-05 2023-04-04 佰聆数据股份有限公司 基于红外图像温度值的电力设备缺陷检测方法及装置
CN115908407B (zh) * 2023-01-05 2023-05-02 佰聆数据股份有限公司 基于红外图像温度值的电力设备缺陷检测方法及装置

Similar Documents

Publication Publication Date Title
CN114373066A (zh) 基于温度概率密度的高压电力设备故障识别方法及装置
CN106646096B (zh) 基于振动分析法的变压器故障分类和识别方法
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
CN107103598A (zh) 一种基于红外图像聚类处理的电力电缆热故障诊断方法
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
CN105445607B (zh) 一种基于等温线绘制的电力设备故障检测方法
CN106326808B (zh) 基于无人机图像的检测输电线路杆塔上鸟窝的方法
CN110736748A (zh) 免疫组化核浆染色切片诊断方法及系统
CN105352998B (zh) 脉冲涡流红外热图像的独立成分个数确定方法
Jiang et al. Visible image recognition of power transformer equipment based on mask R-CNN
CN109034272A (zh) 一种输电线路发热部件自动识别方法
CN109253805B (zh) 一种电力设备多目标同时测温的方法
CN108563975A (zh) 一种基于深度学习的高密度人群人数估计方法
CN114494185A (zh) 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN113298178A (zh) 基于热红外图像的变电站高压设备故障识别方法
CN112505484B (zh) 一种小电阻接地系统中压配电电缆潜伏性故障识别方法
CN110532886A (zh) 一种基于孪生神经网络的目标检测算法
CN105259527A (zh) 一种对不同紫外成像仪检测结果进行校准的测试方法
Abouzeid et al. Equivalent salt deposit density prediction of silicone rubber insulators under simulated pollution conditions
CN109614512B (zh) 一种基于深度学习的电力设备检索方法
CN109323765B (zh) 一种采用曲线轮廓法对电力设备准确测温的方法
CN110807400A (zh) 基于孪生网络的崩塌隐患特征信息提取方法
CN107807270B (zh) 一种基于人工智能的电流检测装置及其检测方法
CN111738148B (zh) 一种利用红外巡检拍摄的故障识别方法
CN117788950A (zh) 基于改进YOLOv8模型的路面病害检测方法

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