CN115291055A - 一种权重自适应的电力设备外绝缘声光协同诊断方法 - Google Patents

一种权重自适应的电力设备外绝缘声光协同诊断方法 Download PDF

Info

Publication number
CN115291055A
CN115291055A CN202210888442.9A CN202210888442A CN115291055A CN 115291055 A CN115291055 A CN 115291055A CN 202210888442 A CN202210888442 A CN 202210888442A CN 115291055 A CN115291055 A CN 115291055A
Authority
CN
China
Prior art keywords
image
partial discharge
ultraviolet
ultrasonic
weight
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
CN202210888442.9A
Other languages
English (en)
Inventor
列剑平
杨代勇
刘赫
李易
任明
矫立新
刘俊博
栾靖尧
高昌龙
司昌建
李守学
杨明
朱大铭
林海丹
赵春明
刘座铭
刘春搏
姜浩
刘丹
姜露
董洪达
许文燮
于群英
张赛鹏
葛志成
陈捷元
崔天城
翟冠强
邰宇峰
李嘉帅
白羽
张雷
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.)
Xian Jiaotong University
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
Original Assignee
Xian Jiaotong University
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
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 Xian Jiaotong University, Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd filed Critical Xian Jiaotong University
Priority to CN202210888442.9A priority Critical patent/CN115291055A/zh
Publication of CN115291055A publication Critical patent/CN115291055A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种权重自适应的电力设备外绝缘声光协同诊断方法，属于电力设备绝缘状态诊断领域，该方法通过自适应权重将超声图像和紫外图像的信息融合，得到局部放电位置信息图谱，协同诊断电力设备外绝缘状态。该方法的主要步骤为通过BP神经网络模型训练得到局部放电融合信息，然后结合费舍尔判别准则计算协同诊断的权重，最终计算完成融合得到局部放电信息结果。与现有的技术相比，本发明的协同诊断方法利用超声检测和紫外检测的技术优势，弥补了单一方法的不足，进一步提升检测准确率，检测可靠性高。

Description

一种权重自适应的电力设备外绝缘声光协同诊断方法
技术领域
本发明属于电力设备绝缘状态诊断领域，具体地，涉及一种权重自适应的电力设备外绝缘声光协同诊断方法。
背景技术
随着电力系统电压等级的提高和设备接入量的增加，对设备和系统的运行可靠性也越来越高。如何更精准、更高效、更快捷地进行在线监测或状态评估，是设备运行维护工作的核心目标，也是保障供电可靠性的关键。
设备或线路外绝缘的异常电晕放电通常由绝缘子表面脏污、绝缘开裂、电接触不良、局部电场异常等潜在绝缘缺陷引起，其不但是绝缘加速老化的重要诱因，也是过电压下引起设备外绝缘失效的前期征兆。因此对异常电晕放电的有效检测是设备和线路故障预防的重要环节。电晕放电常伴随有一系列声、光等现象，因而相应地产生了超声检测法和紫外检测法。为提高巡检的效率和直观性，日盲紫外成像技术和声成像技术也应用于设备和线路外绝缘的可视化检测中。紫外成像技术通过紫外光学镜头收集日盲波段放电的紫外光子，最终采用光电面阵进行灰度成像，与可见光视场叠加，获得了放电源的位置。此方法虽有坚实的理论依据，已经有研究量化了放电量与紫外光子数的关系，但受光学成像原理的限制，日盲紫外成像在实际应用中存在一定的局限性，如放电源被遮挡或存在于视觉明场范围之外的情况，紫外光子难以被有效捕捉，导致形成检测盲区或定位失败。近年来，声成像技术因具有较强的聚焦能力，高分辨率和宽频段灵敏度被引入超声定位领域。声学信号具有较强的固体媒介穿透能力，其受视场遮挡影响较小，有效弥补了紫外成像检测的不足。但超声成像易受环境噪声的影响，在复杂环境中定位精度会出现明显下降。
研究表明，联合检测系统可以利用多种监测方法的优势实现互补，克服单一检测方法的不足。同时，随着图像信息融合技术在医学检测、军事卫星和红外遥感等方面的应用，多图像联合检测技术的发展更加成熟。
发明内容
本发明的目的在于克服上述不足，协同超声、紫外两种检测手段的技术优势，提供一种声-光协同的诊断算法，更精确、抗干扰能力更强地实现电力设备外绝缘故障定位。
本发明是通过以下技术方案来实现的：一种权重自适应的电力设备外绝缘声光协同诊断方法，综合超声检测、紫外检测的技术手段优势，通过环境信噪比调节权重，实现声-光协同检测。
所述权重自适应的电力设备外绝缘声光协同诊断方法，超声图像和紫外图像中反应强度的信息经过提取后，融合作为前景图像；背景图像为可见光相机拍摄的可见光图像；超声图像和紫外图像的融合权重随环境信噪比的不同而改变，结果得到位于视场中的局部放电的位置信息Yfu，便于直观定位绝缘劣化的位置。具体随信噪比改变的是超声图像与紫外图像的特征量合成前景图像的占比。
所述权重自适应的电力设备外绝缘声光协同诊断方法，超声图像、紫外图像和可见光相机拍摄的可见光图像经图像处理、特征提取后分别得到超声声强US、紫外光子数vn图像特征和可见光图像，所提取的超声声强US、紫外光子数vn分别用于得到输出超声、紫外的局部放电融合信息Yul、Yuv，经环境噪声决定的自适应权值调整后，得到局部放电位置信息Yfu。
需要说明的是：对超声图像、紫外图像和可见光图像进行特征提取，提取的过程就是得到图像特征超声声强US，图像特征紫外光子数以及可见光图像；进一步解释，超声波成像相机定位以后，其屏幕上根据放电信号的强弱会显示出不同的颜色区域，其本质实际上是由声强矩阵转化成的伪彩化图像，提取的目标为声强分布矩阵；紫外图像反映的就是紫外镜头感受到的紫外光子数，紫外相机会记录下感受到空间中不同位置光子数的多少，即为紫外光子数；可见光图像就是可见光相机拍摄的照片，用作背景图像。
所述权重自适应的电力设备外绝缘声光协同诊断方法，对检测得到的超声图像和紫外图像分别使用BP神经网络进行提前训练，根据BP神经网络输出的超声、紫外的局部放电融合信息Yul、Yuv进行电力设备外绝缘状态评估。
所述权重自适应的电力设备外绝缘声光协同诊断方法，构建两个BP神经网络，分别输入紫外检测和超声检测的样本对电力设备外绝缘的状态进行评估，得到超声、紫外的局部放电融合信息Yul、Yuv，为后续检测做准备。
所述权重自适应的电力设备外绝缘声光协同诊断方法，在构建BP神经网络时，BP神经网络训练的具体步骤为：首先设置BP神经网络的超参数，根据待检测对象确定BP神经网络的输入层、隐藏层和输出层神经元个数，确定其训练精度；其次，将训练样本输入BP神经网络中，进行前馈传播，计算训练误差；然后，利用adamax优化算法，进行反馈过程，降低训练误差，完成单次BP神经网络训练；最后，重复上述操作，直至达到设定训练次数或训练误差满足训练精度为止，结束训练。
本发明中输入的参数为紫外光子数vn，超声声强US，环境信噪比SNR；超参数中隐藏层数为1，每层有10个神经元细胞，训练精度为1×10-5。
所述权重自适应的电力设备外绝缘声光协同诊断方法，输入的训练样本是通过采集针-板放电模型获取。具体的样本获取模拟条件根据待检测对象情况设置，基本规则为：通过局部放电模型模拟局部放电信号的产生，采集过程中限定紫外图像的采集设置，如采集帧率和录制时间，同时限定拍摄距离范围；超声图像的采集同样限定采集距离范围，拍摄时以正对物体所在位置为法向，选取相机、物体的连线与法向形成的角度进行拍摄，间隔固定的角度拍摄一组，采集局部放电信号的超声传感器接收频率设定在20-60kHz，通过添加高斯白噪声模拟不同的信噪比。
所述权重自适应的电力设备外绝缘声光协同诊断方法，输入训练样本完成BP神经网络的训练后，在应用该方法时，拍摄待检测对象的可见光图像、超声图像和紫外视频；同时检测环境的信噪比SNR；
所述权重自适应的电力设备外绝缘声光协同诊断方法，处理超声、紫外检测得到待检测对象的图像，提取超声声强US、紫外光子数vn等图像特征；
所述权重自适应的电力设备外绝缘声光协同诊断方法，将提取的图像特征超声声强US、紫外光子数vn分别与环境信噪比SNR一起输入训练好的各自对应的BP神经网络，得到输出的局部放电融合信息Yul、Yuv；
所述权重自适应的电力设备外绝缘声光协同诊断方法，权重随着环境信噪比的不同而改变，进一步影响最终图像融合两种监测方法所占的比例。权重的计算通过费舍尔准则完成，计算过程为：
①假设数据集中有n个样本属于p类，每类包含ni个样本，类间方差为
Figure BDA0003766557910000041
类内方差为
Figure BDA0003766557910000042
则数据集内特征k的计算表达式为：
Figure BDA0003766557910000043
Figure BDA0003766557910000044
其中x(k)是特征为k的样本；
Figure BDA0003766557910000045
是类i的平均值；m(k)是特征k的所有样本平均值，x表示样本，共有n个样本，ni表示每一类里面的样本数；
②特征k的JF值为：
Figure BDA0003766557910000051
JF值代表特征的可分离性，JF值越大则数据的可分离性越强；
③计算不同信噪比情况下的JF(k)值，则不同信噪比下的权重为：
Figure BDA0003766557910000052
其中i＝1,2分别代表超声图像和紫外图像；
Figure BDA0003766557910000053
指的是图像i在信噪比SNR下的权重；JF(i,SNR)是指图像i在信噪比SNR下的JF值。
所述权重自适应的电力设备外绝缘声光协同诊断方法，将输出的超声、紫外局部放电融合信息Yul、Yuv分别与权重
Figure BDA0003766557910000054
相乘，得到局部放电协同诊断位置信息Yfu，
Figure BDA0003766557910000055
然后将局部放电协同诊断位置信息Yfu归一化处理，然后通过伪彩化处理，按数值分区间对应不同的颜色，转化为颜色图，从而完成伪彩化；将伪彩化的图像作为前景图像与可见光图像通过基于α分量的融合方法融合即为最终的局部放电协同诊断位置信息图。
通过上述设计方案，本发明可以带来如下有益效果：本发明提出了一种权重自适应的电力设备外绝缘声光协同诊断方法，构建了联合诊断系统，为电力设备外绝缘的状态评估提供了更为准确的手段；超声、紫外检测方法协同诊断，利用两种方法的优势实现互补，弥补了单一检测手段的不足；随环境信噪比的变化，自适应的调节信息融合的权重，提升了协同诊断方法的适用性与准确性，更充分地发挥每种算法的特点，具有更高的检测能力和检测精度。综上，可以实现电力设备外绝缘状态的可视化评估，故障位置的精确定位，便于智能运维，提升电力设备的运维水平。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：
图1是本发明BP神经网络模型训练示意图。
图2是本发明权重自适应外绝缘协同诊断算法示意图。
图3是本发明声-光协同检测成像结果图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本发明的实施例中的附图，对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质，公知的方法、过程、流程并没有详细叙述。
如图1、图2及图3所示，一种权重自适应的电力设备外绝缘声-光协同诊断方法，包括BP神经网络的训练，待检测对象的检测，图像处理与特征提取，权重计算，局部放电协同诊断位置信息图的获得。
本实施例应用时：
首先，需要分别完成超声、紫外检测BP神经网络的训练，训练中需要提取紫外检测样本的紫外光子数vn，超声检测样本的超声声强US，同时记录对应的环境信噪比，输入确定参数的BP神经网络得到局部放电融合信息；
其次，输入的训练样本通过针-板放电模型获取的；具体的样本获取模拟条件根据待检测对象情况设置，基本规则为：通过局部放电模型模拟局部放电信号的产生，采集过程中限定紫外图像的采集帧率和录制时间，同时限定拍摄距离范围；超声图像的采集同样限定采集距离范围，拍摄时以正对物体所在位置为法向，选取相机、物体的连线与法向形成的角度进行拍摄，间隔固定的角度拍摄一组，采集局部放电信号的超声传感器接收频率设定在20-60kHz，通过添加高斯白噪声模拟不同的信噪比；
再其次，完成样本的训练后，拍摄待检测对象的可见光背景、紫外图像视频、超声检测图像，提取对应的紫外光子数vn，超声检测声强US等特征信息，与环境信噪比一同输入训练好的BP神经网络，得到局部放电融合信息，Yuv和Yul；
然后，通过费舍尔准则计算不同信噪比下的两种检测方法的权重值，得到
Figure BDA0003766557910000071
计算过程为：
假设数据集中有n个样本属于p类，每类包含ni个样本，类间方差为
Figure BDA0003766557910000072
类内方差为
Figure BDA0003766557910000073
则数据集中特征k的计算表达式为：
Figure BDA0003766557910000074
Figure BDA0003766557910000075
其中x(k)是每个样本的特征k；
Figure BDA0003766557910000076
是类i的平均值；m(k)是特征k的所有样本平均值，x表示样本，共有n个样本，ni表示每一类里面的样本数；
特征k的JF值为：
Figure BDA0003766557910000077
计算不同信噪比情况下的JF(k)值，则不同信噪比下的权重为：
Figure BDA0003766557910000078
其中i＝1,2分别代表超声和紫外图像；
Figure BDA0003766557910000081
指的是图像i在信噪比SNR下的权重；JF(i,SNR)指图像i在信噪比SNR下的JF值；
最后，声-光协同检测的局部放电位置信息由局部放电融合信息与权重相乘得到局部放电协同诊断位置信息Yfu，
Figure BDA0003766557910000082
然后将局部放电协同诊断位置信息Yfu归一化处理，进一步经过伪彩化处理，按局部放电融合信息的强度划分区间并匹配不同的颜色，将局部放电融合信息强度矩阵转化为色彩强度矩阵，从而完成伪彩化；将伪彩化的图像作为前景图像与可见光图像通过基于α分量的融合方法融合即为最终的局部放电协同诊断位置信息图。
综上，本发明涉及一种权重自适应的电力设备外绝缘声光协同诊断方法，该方法通过自适应权重将超声图像和紫外图像的信息融合，得到局部放电位置信息图谱，协同诊断电力设备外绝缘状态。该方法的主要步骤为通过BP神经网络模型训练得到局部放电融合信息，然后结合费舍尔判别准则计算协同诊断的权重，最终计算完成融合得到局部放电信息结果。与现有的技术相比，本发明的协同诊断方法利用超声检测和紫外检测的技术优势，弥补了单一方法的不足，进一步提升检测准确率，检测可靠性高。

Claims (4)

1.一种权重自适应的电力设备外绝缘声光协同诊断方法，其特征在于，所述方法包括以下步骤：
S1、通过超声检测、紫外检测对电力设备外绝缘状态进行评估，获取超声图像和紫外图像；同时检测环境的信噪比SNR；
S2、将步骤S1中所得的超声图像和紫外图像进行加权融合得到局部放电融合信息，融合后作为前景图像，并将可见光相机拍摄的可见光图像作为背景图像，对前景图像和背景图像进行局部放电检测图像融合，得到局部放电位置信息图，从而评价电力设备外绝缘状态；
其中，步骤S2中超声图像和紫外图像融合权重随环境信噪比的不同而改变；超声图像和紫外图像融合权重的计算是通过费舍尔准则实现的，具体过程为：
①假设数据集中有n个样本属于p类，每类包含ni个样本，类间方差为
Figure FDA0003766557900000011
类内方差为
Figure FDA0003766557900000012
则数据集内特征k的计算表达式为：
Figure FDA0003766557900000013
Figure FDA0003766557900000014
其中x(k)是特征为k的样本；
Figure FDA0003766557900000015
是类i的平均值；m(k)是特征k的所有样本平均值，x表示样本，共有n个样本，ni表示每一类里面的样本数；
②特征k的JF值为：
Figure FDA0003766557900000016
③计算不同信噪比情况下的JF(k)值，则不同信噪比下的权重为：
Figure FDA0003766557900000017
其中i＝1,2分别代表超声图像和紫外图像；
Figure FDA0003766557900000021
指的是图像i在信噪比SNR下的权重；JF(i,SNR)是指图像i在信噪比SNR下的JF值。
2.根据权利要求1所述的权重自适应的电力设备外绝缘声光协同诊断方法，其特征在于：步骤S2中，超声图像和紫外图像进行加权融合得到局部放电融合信息，融合后作为前景图像，并将可见光相机拍摄的可见光图像作为背景图像，对前景图像和背景图像进行局部放电检测图像融合，得到局部放电位置信息图的具体过程包括：
①构建两个BP神经网络，两个BP神经网络分别用于输入超声检测、紫外检测的样本，输出超声、紫外的局部放电融合信息Yul、Yuv；
②超声图像、紫外图像和可见光相机拍摄的可见光图像经图像处理、特征提取后分别得到超声声强US、紫外光子数vn和可见光图像，所提取的超声声强US和紫外光子数vn分别同环境信噪比一起输入各自对应的已训练好的BP神经网络中，分别输出超声、紫外的局部放电融合信息Yul、Yuv；
③将输出的超声、紫外局部放电融合信息Yul、Yuv分别与权重
Figure FDA0003766557900000022
相乘，得到局部放电协同诊断位置信息Yfu，
Figure FDA0003766557900000023
然后将局部放电协同诊断位置信息Yfu归一化处理，归一化处理后进一步经过伪彩化处理，按局部放电融合信息的强度划分区间并匹配不同的颜色，将局部放电融合信息强度矩阵转化为色彩强度矩阵，从而完成伪彩化；将伪彩化的图像作为前景图像与可见光图像通过基于α分量的融合方法融合即为最终的局部放电协同诊断位置信息图。
3.根据权利要求2所述的权重自适应的电力设备外绝缘声光协同诊断方法，其特征在于：在构建BP神经网络时，BP神经网络训练的具体步骤为：
①设置BP神经网络的超参数，根据待检测对象确定神经网络的输入层、隐藏层和输出层神经元个数，同时确定其训练精度；
②将训练样本输入BP神经网络中，进行前馈传播，计算训练误差；
③利用adamax优化算法，进行反馈过程，降低训练误差，完成单次BP神经网络训练；
④重复步骤②和步骤③，直至达到设定训练次数或训练误差满足训练精度为止，结束训练。
4.根据权利要求3所述的权重自适应的电力设备外绝缘声光协同诊断方法，其特征在于：输入的训练样本是通过针-板放电模型获取的；具体的样本获取模拟条件根据待检测对象情况设置，基本规则为：通过局部放电模型模拟局部放电信号的产生，采集过程中限定紫外图像的采集帧率和录制时间，同时限定拍摄距离范围；超声图像的采集同样限定采集距离范围，拍摄时以正对物体所在位置为法向，选取相机、物体的连线与法向形成的角度进行拍摄，间隔固定的角度拍摄一组，采集局部放电信号的超声传感器接收频率设定在20-60kHz，通过添加高斯白噪声模拟不同的信噪比。
CN202210888442.9A 2022-07-27 2022-07-27 一种权重自适应的电力设备外绝缘声光协同诊断方法 Pending CN115291055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888442.9A CN115291055A (zh) 2022-07-27 2022-07-27 一种权重自适应的电力设备外绝缘声光协同诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888442.9A CN115291055A (zh) 2022-07-27 2022-07-27 一种权重自适应的电力设备外绝缘声光协同诊断方法

Publications (1)

Publication Number Publication Date
CN115291055A true CN115291055A (zh) 2022-11-04

Family

ID=83823923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888442.9A Pending CN115291055A (zh) 2022-07-27 2022-07-27 一种权重自适应的电力设备外绝缘声光协同诊断方法

Country Status (1)

Country Link
CN (1) CN115291055A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523605A (zh) * 2023-11-03 2024-02-06 广东工业大学 基于多传感器信息融合的变电站动物入侵检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523605A (zh) * 2023-11-03 2024-02-06 广东工业大学 基于多传感器信息融合的变电站动物入侵检测方法
CN117523605B (zh) * 2023-11-03 2024-06-11 广东工业大学 基于多传感器信息融合的变电站动物入侵检测方法

Similar Documents

Publication Publication Date Title
CN110232380A (zh) 基于Mask R-CNN神经网络的火灾夜间场景复原方法
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN106596579A (zh) 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法
CN110598613B (zh) 一种高速公路团雾监测方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN115291055A (zh) 一种权重自适应的电力设备外绝缘声光协同诊断方法
CN111402249B (zh) 基于深度学习的图像演化分析方法
CN114264915A (zh) 一种配电网电缆接头运行状况评估预警装置及方法
CN116388379A (zh) 一种变电站远程红外智能巡检方法及系统
CN116703885A (zh) 一种基于Swin Transformer的表面缺陷检测方法及系统
CN111860592A (zh) 一种少样本条件下太阳能电池片缺陷分类检测方法
CN112668754A (zh) 一种基于多源特征信息融合的电力设备缺陷诊断方法
CN113077447A (zh) 一种可探测高压设备微弱放电并进行缺陷分析的方法
CN117857750A (zh) 基于数字孪生技术的厂区监控系统
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN112419301A (zh) 一种基于多源数据融合的电力设备缺陷诊断装置及方法
CN116739996A (zh) 基于深度学习的输电线路绝缘子故障诊断方法
CN107194923B (zh) 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法
CN116309508A (zh) 一种基于图像增广和图像重构的异常检测方法
CN116433591A (zh) 一种光伏板热斑的检测与面积占比计算方法
CN113687099B (zh) 一种基于激光线阵的piv图像标定装置及方法
CN114048762B (zh) 双注意力引导的旋转机械健康评估方法
WO2023023961A1 (zh) 一种基于激光线阵的piv图像标定装置及方法
CN112861670B (zh) 一种输电线路金具检测方法及系统
CN111929335A (zh) 一种x光电缆检测系统

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