CN115508652A - 电力系统缺陷定位检测方法和系统 - Google Patents

电力系统缺陷定位检测方法和系统 Download PDF

Info

Publication number
CN115508652A
CN115508652A CN202211274887.4A CN202211274887A CN115508652A CN 115508652 A CN115508652 A CN 115508652A CN 202211274887 A CN202211274887 A CN 202211274887A CN 115508652 A CN115508652 A CN 115508652A
Authority
CN
China
Prior art keywords
defect
amplitude
target point
detection
power system
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
CN202211274887.4A
Other languages
English (en)
Inventor
姜炯挺
权超
夏巧群
杨跃平
严凌
赖靖胤
岳龙
赵鲁臻
王杰
曹勇
周凯
曹煜
张宁
刘海朋
张彦欢
刘洋
张恒
李大伦
高立平
李祎玮
赵雷
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.)
Beijing Rayiee Zhituo Technology Development Co ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Beijing Rayiee Zhituo Technology Development Co ltd
Ningbo Power Supply Co of State Grid Zhejiang 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 Beijing Rayiee Zhituo Technology Development Co ltd, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Beijing Rayiee Zhituo Technology Development Co ltd
Priority to CN202211274887.4A priority Critical patent/CN115508652A/zh
Publication of CN115508652A publication Critical patent/CN115508652A/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及定位检测技术领域，具体涉及一种电力系统缺陷定位检测方法和系统，包括查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；查看服务器端对应接口的处理日志，连接服务器进行日志操作；通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；通过对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置，本发明解决了现有的电力设备内部缺陷定位方法受环境变化、内部设施异常等影响，电力设备终端无法准确反映缺陷位置距离与幅值的关系，无法满足内部缺陷检测定位需求的问题。

Description

电力系统缺陷定位检测方法和系统
技术领域
本发明涉及定位检测技术领域，具体涉及一种电力系统缺陷定位检测方法和系统。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。为实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。电力系统的主体结构有电源(水电站、火电厂、核电站等发电厂)，变电所(升压变电所、负荷中心变电所等)，输电、配电线路和负荷中心。各电源点还互相联接以实现不同地区之间的电能交换和调节，从而提高供电的安全性和经济性。输电线路与变电所构成的网络通常称电力网络。电力系统的信息与控制系统由各种检测设备、通信设备、安全保护装置、自动控制装置以及监控自动化、调度自动化系统组成。电力系统的结构应保证在先进的技术装备和高经济效益的基础上，实现电能生产与消费的合理协调。
电力系统局部放电检测法是缺陷检测的主要方法，但由于其抗干扰能力差，对测试环境要求极高，而电力系统运行环境复杂，测试现场存在严重的电磁干扰和环境噪音，导致局部放电检测法对车载电缆终端在线检测难以适用。在修复前需要对缺陷进行定位，现有技术中是对整个电力系统进行修复，效率低下，本发明阐述的一种电力系统缺陷定位检测系统与方法，能够解决上述问题。
发明内容
针对现有技术的不足，本发明公开了一种电力系统缺陷定位检测方法和系统，用于解决现有的电力设备内部缺陷定位方法受环境变化、内部设施异常等影响，电力设备终端无法准确反映缺陷位置距离与幅值的关系，无法满足内部缺陷检测定位需求的问题；
本发明通过以下技术方案予以实现：
第一方面，一种电力系统缺陷定位检测系统，包括：
交互模块，用于查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；
工作模块，用于查看服务器端对应接口的处理日志，连接服务器进行日志操作；
传感模块，用于对目标点进行电磁超声导波位置访问，通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；
集成模块，用于依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；
信号拟合模块，根据所述接收信号的幅值信号拟合出距离与幅值变化曲线；
定位网关模块，通过对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置。
更进一步地，所述工作模块有以下子模块组成，包括：
采集模块，用于通过预处理与所述目标点候选位置关联的先验概率，约束目标范围。
监测模块，根据参数精度控制获取所述目标点中的位置数据，将获取到的所述位置数据进行算法处理得到参数；
初始化模块，用于初始化基于群进化算法原理设计的缺陷检测算法中的各参数。
更进一步地，所述信号拟合模块有以下子模块组成，包括：
分类模块，用于根据所述幅值信号数据集内的缺陷类别进行分类，得到分类数据集；
训练模块，用于采用目标检测分类算法对所述分类数据集进行训练，得到缺陷分类模型；
处理模块，用于采用所述缺陷分类模型对所述目标点的缺陷定位信息距离与幅值进行拟合，得到所述距离与幅值变化曲线，输出缺陷定位检测结果。
更进一步地，所述监测模块在获取过程中提取所述位置数据分布的所述目标点表面凹凸主峰位置和主旁峰凹凸间距，选取所述目标点位置相关的特征数据以得到对于缺陷定位的估计位置。
更进一步地，所述目标点位置相关的特征数据包括关于信号强度或传播损耗数据，所述目标点位置相关的特征数据向最佳地被配置以在被识别的蜂窝位置所服务的位置的确定中协同操作的所有请求与所述目标点位置相关的数据的生成。
第二方面，一种电力系统缺陷定位检测方法，包括以下步骤：
Step1：查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；
Step2：查看服务器端对应接口的处理日志，连接服务器进行日志操作；
Step3：对目标点进行电磁超声导波位置访问，通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；
Step4：依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；
Step5：分别对所述目标点距离分布及幅值分布进行滤波，得到滤波后的距离曲线和滤波后的幅值曲线；
Step6：根据所述接收信号的幅值信号拟合出距离与幅值变化曲线；
Step7：对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置。
更进一步地，所述Step2在进行日志操作时，有以下分步骤：
Step21：通过预处理与所述目标点候选位置关联的先验概率，提取所有检测路径缺陷检测信号的抵达时间矢量约束目标范围；
Step22：根据参数精度控制获取所述目标点中的位置数据，将获取到的所述位置数据进行算法处理得到参数；
Step23：初始化个体筛选及适应度均值计算，基于群进化算法原理设计的缺陷检测算法中的各参数。
更进一步地，根据所述Step22中确定的检测参数，对被检所述目标点中的近表面缺陷进行检测，扫描范围显示完整的直通波、缺陷衍射波、变型波信号，并对所述目标点扫查图像进行存储。
更进一步地，所述Step7在进行数据拟合时，有以下分步骤：
Step71：根据所述幅值信号数据集内的缺陷类别进行分类，得到分类数据集；
Step72：采用目标检测分类算法对所述分类数据集进行训练，得到缺陷分类模型；
Step73：采用所述缺陷分类模型对所述目标点的缺陷定位信息距离与幅值进行拟合，得到所述距离与幅值变化曲线，输出缺陷定位检测结果。
更进一步地，所述目标点缺陷定位根据缺陷位置选择合适的电磁超声探头频率、电磁超声探头角度、晶片尺寸，并调整所述电磁超声探头中心间距、时间窗口范围、检测灵敏度、脉冲重复频率和扫查增量。
本发明的有益效果为：
1、本发明可取代传统的人工芯片缺陷检测方法和传统的机器学习缺陷检测方法，兼具高精度与高灵活性，网络表达能力强，不需要手动设计特征，易于应用迁移。本发明采用深度学习算法进行芯片缺陷目标检测，提高了缺陷定位的检测效率和质量。对近表面盲区缺陷定位检测方法精度高，适用性强，具有较好的工程应用价值。
2、本发明通过表面凹凸主峰位置和曲线多阶微分分布中主旁峰间距，来计算内部缺陷的位置和深度。由于微分过程中提取的目标点梯度信息，本发明检测内部缺陷不受环境变化的影响，是一种准确、高效的车载电缆终端内部热缺陷在线定位检测方法。利用不同类型波声程之间几何关系，通过构建缺陷端点位置获得求解模型，结合缺陷检测信号特点和经典智能分析算法对以上问题进行分析，实现缺陷端点位置的精确定量，在对距离缺陷位置定位检测时，输出检测结果。
3、本发明在遇到缺陷的定位问题，主要是为了提高修改缺陷的效率，帮助开发人员能够更快找到，节省时间，对结构缺陷及材料属性变化敏感的特点，可用于电力系统缺陷的远距离、快速检测与监测。随着人工智能理论和应用技术的兴起，以及工业界对检测要求的不断提高，无损检测技术的多功能、自动化、智能化以成为一种趋势。对实现电力系统缺陷检测的智能化具有重要的意义。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1为电力系统缺陷定位检测系统的系统结构示意图；
图2为电力系统缺陷定位检测方法的流程示意图；
图3为电力系统缺陷定位检测方法进行日志操作时流程示意图；
图4为电力系统缺陷定位检测方法进行数据拟合时流程示意图；
图中的标号分别代表：1、交互模块；2、工作模块；3、传感模块；4、集成模块；5、信号拟合模块；6、定位网关模块；21、采集模块；22、监测模块；23、初始化模块；51、分类模块；52、训练模块；53、处理模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
实施例1
本实施例提供一种电力系统缺陷定位检测系统，请参阅图1，包括：
交互模块1，用于查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；
工作模块2，用于查看服务器端对应接口的处理日志，连接服务器进行日志操作；
传感模块3，用于对目标点进行电磁超声导波位置访问，通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；
集成模块4，用于依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；
信号拟合模块5，根据所述接收信号的幅值信号拟合出距离与幅值变化曲线；
定位网关模块6，通过对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置。
所述工作模块2有以下子模块组成，包括：
采集模块21，用于通过预处理与所述目标点候选位置关联的先验概率，约束目标范围。
监测模块22，根据参数精度控制获取所述目标点中的位置数据，将获取到的所述位置数据进行算法处理得到参数；
初始化模块23，用于初始化基于群进化算法原理设计的缺陷检测算法中的各参数。
所述信号拟合模块5有以下子模块组成，包括：
分类模块51，用于根据所述幅值信号数据集内的缺陷类别进行分类，得到分类数据集；
训练模块52，用于采用目标检测分类算法对所述分类数据集进行训练，得到缺陷分类模型；
处理模块53，用于采用所述缺陷分类模型对所述目标点的缺陷定位信息距离与幅值进行拟合，得到所述距离与幅值变化曲线，输出缺陷定位检测结果。
所述监测模块22在获取过程中提取所述位置数据分布的所述目标点表面凹凸主峰位置和主旁峰凹凸间距，选取所述目标点位置相关的特征数据以得到对于缺陷定位的估计位置。
所述目标点位置相关的特征数据包括关于信号强度或传播损耗数据，所述目标点位置相关的特征数据向最佳地被配置以在被识别的蜂窝位置所服务的位置的确定中协同操作的所有请求与所述目标点位置相关的数据的生成。
本发明可取代传统的人工芯片缺陷检测方法和传统的机器学习缺陷检测方法，兼具高精度与高灵活性，网络表达能力强，不需要手动设计特征，易于应用迁移。本发明采用深度学习算法进行芯片缺陷目标检测，提高了缺陷定位的检测效率和质量。对近表面盲区缺陷定位检测方法精度高，适用性强，具有较好的工程应用价值。
本发明通过表面凹凸主峰位置和曲线多阶微分分布中主旁峰间距，来计算内部缺陷的位置和深度。由于微分过程中提取的目标点梯度信息，本发明检测内部缺陷不受环境变化的影响，是一种准确、高效的车载电缆终端内部热缺陷在线定位检测方法。利用不同类型波声程之间几何关系，通过构建缺陷端点位置获得求解模型，结合缺陷检测信号特点和经典智能分析算法对以上问题进行分析，实现缺陷端点位置的精确定量，在对距离缺陷位置定位检测时，输出检测结果。
本发明在遇到缺陷的定位问题，主要是为了提高修改缺陷的效率，帮助开发人员能够更快找到，节省时间，对结构缺陷及材料属性变化敏感的特点，可用于电力系统缺陷的远距离、快速检测与监测。随着人工智能理论和应用技术的兴起，以及工业界对检测要求的不断提高，无损检测技术的多功能、自动化、智能化以成为一种趋势。对实现电力系统缺陷检测的智能化具有重要的意义。
实施例2
在具体实施层面，在实施例1的基础上，本实施例参照图2、图3和图4所示对实施例1中电力系统缺陷定位检测系统做进一步具体说明，一种电力系统缺陷定位检测方法，包括以下步骤：
Step1：查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；
Step2：查看服务器端对应接口的处理日志，连接服务器进行日志操作；
所述Step2在进行日志操作时，有以下分步骤：
Step21：通过预处理与所述目标点候选位置关联的先验概率，提取所有检测路径缺陷检测信号的抵达时间矢量约束目标范围；
Step22：根据参数精度控制获取所述目标点中的位置数据，将获取到的所述位置数据进行算法处理得到参数；
Step23：初始化个体筛选及适应度均值计算，基于群进化算法原理设计的缺陷检测算法中的各参数。
Step3：对目标点进行电磁超声导波位置访问，通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；
Step4：依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；
Step5：分别对所述目标点距离分布及幅值分布进行滤波，得到滤波后的距离曲线和滤波后的幅值曲线；
Step6：根据所述接收信号的幅值信号拟合出距离与幅值变化曲线；
Step7：对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置。
所述Step7在进行数据拟合时，有以下分步骤：
Step71：根据所述幅值信号数据集内的缺陷类别进行分类，得到分类数据集；
Step72：采用目标检测分类算法对所述分类数据集进行训练，得到缺陷分类模型；
Step73：采用所述缺陷分类模型对所述目标点的缺陷定位信息距离与幅值进行拟合，得到所述距离与幅值变化曲线，输出缺陷定位检测结果。
根据所述Step22中确定的检测参数，对被检所述目标点中的近表面缺陷进行检测，扫描范围显示完整的直通波、缺陷衍射波、变型波信号，并对所述目标点扫查图像进行存储。
所述目标点缺陷定位根据缺陷位置选择合适的电磁超声探头频率、电磁超声探头角度、晶片尺寸，并调整所述电磁超声探头中心间距、时间窗口范围、检测灵敏度、脉冲重复频率和扫查增量。
依据网络预测的输出结果和真实的输出结果来建立损失函数，并通过反向传播不断更新参数，让网络预测的输出结果逼近真实输出结果。对于每个预测框建立三种类型的损失函数，分别为表征是否包含目标物体的损失函数，表征目标位置的损失函数和表征目标类别的损失函数。
本发明可取代传统的人工芯片缺陷检测方法和传统的机器学习缺陷检测方法，兼具高精度与高灵活性，网络表达能力强，不需要手动设计特征，易于应用迁移。本发明采用深度学习算法进行芯片缺陷目标检测，提高了缺陷定位的检测效率和质量。对近表面盲区缺陷定位检测方法精度高，适用性强，具有较好的工程应用价值。
本发明通过表面凹凸主峰位置和曲线多阶微分分布中主旁峰间距，来计算内部缺陷的位置和深度。由于微分过程中提取的目标点梯度信息，本发明检测内部缺陷不受环境变化的影响，是一种准确、高效的车载电缆终端内部热缺陷在线定位检测方法。利用不同类型波声程之间几何关系，通过构建缺陷端点位置获得求解模型，结合缺陷检测信号特点和经典智能分析算法对以上问题进行分析，实现缺陷端点位置的精确定量，在对距离缺陷位置定位检测时，输出检测结果。
本发明在遇到缺陷的定位问题，主要是为了提高修改缺陷的效率，帮助开发人员能够更快找到，节省时间，对结构缺陷及材料属性变化敏感的特点，可用于电力系统缺陷的远距离、快速检测与监测。随着人工智能理论和应用技术的兴起，以及工业界对检测要求的不断提高，无损检测技术的多功能、自动化、智能化以成为一种趋势。对实现电力系统缺陷检测的智能化具有重要的意义。
实施例3
在具体实施层面，在实施例2的基础上，本实施例对实施例2中电力系统缺陷定位检测方法做进一步具体说明，本实施例还提供一种计算机终端设备，包括一个或多个处理器和存储器以及可读存储介质，其上存储有计算机程序。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的电力系统缺陷定位检测系统和方法。
本发明可取代传统的人工芯片缺陷检测方法和传统的机器学习缺陷检测方法，兼具高精度与高灵活性，网络表达能力强，不需要手动设计特征，易于应用迁移。本发明采用深度学习算法进行芯片缺陷目标检测，提高了缺陷定位的检测效率和质量。对近表面盲区缺陷定位检测方法精度高，适用性强，具有较好的工程应用价值。
本发明通过表面凹凸主峰位置和曲线多阶微分分布中主旁峰间距，来计算内部缺陷的位置和深度。由于微分过程中提取的目标点梯度信息，本发明检测内部缺陷不受环境变化的影响，是一种准确、高效的车载电缆终端内部热缺陷在线定位检测方法。利用不同类型波声程之间几何关系，通过构建缺陷端点位置获得求解模型，结合缺陷检测信号特点和经典智能分析算法对以上问题进行分析，实现缺陷端点位置的精确定量，在对距离缺陷位置定位检测时，输出检测结果。
本发明在遇到缺陷的定位问题，主要是为了提高修改缺陷的效率，帮助开发人员能够更快找到，节省时间，对结构缺陷及材料属性变化敏感的特点，可用于电力系统缺陷的远距离、快速检测与监测。随着人工智能理论和应用技术的兴起，以及工业界对检测要求的不断提高，无损检测技术的多功能、自动化、智能化以成为一种趋势。对实现电力系统缺陷检测的智能化具有重要的意义。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.电力系统缺陷定位检测系统，其特征在于，包括：
交互模块(1)，用于查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；
工作模块(2)，用于查看服务器端对应接口的处理日志，连接服务器进行日志操作；
传感模块(3)，用于对目标点进行电磁超声导波位置访问，通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；
集成模块(4)，用于依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；
信号拟合模块(5)，根据所述接收信号的幅值信号拟合出距离与幅值变化曲线；
定位网关模块(6)，通过对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置。
2.根据权利要求1所述的电力系统缺陷定位检测系统，其特征在于，所述工作模块(2)有以下子模块组成，包括：
采集模块(21)，用于通过预处理与所述目标点候选位置关联的先验概率，约束目标范围。
监测模块(22)，根据参数精度控制获取所述目标点中的位置数据，将获取到的所述位置数据进行算法处理得到参数；
初始化模块(23)，用于初始化基于群进化算法原理设计的缺陷检测算法中的各参数。
3.根据权利要求1所述的电力系统缺陷定位检测系统，其特征在于，所述信号拟合模块(5)有以下子模块组成，包括：
分类模块(51)，用于根据所述幅值信号数据集内的缺陷类别进行分类，得到分类数据集；
训练模块(52)，用于采用目标检测分类算法对所述分类数据集进行训练，得到缺陷分类模型；
处理模块(53)，用于采用所述缺陷分类模型对所述目标点的缺陷定位信息距离与幅值进行拟合，得到所述距离与幅值变化曲线，输出缺陷定位检测结果。
4.根据权利要求2所述的电力系统缺陷定位检测系统，其特征在于，所述监测模块(22)在获取过程中提取所述位置数据分布的所述目标点表面凹凸主峰位置和主旁峰凹凸间距，选取所述目标点位置相关的特征数据以得到对于缺陷定位的估计位置。
5.根据权利要求4所述的电力系统缺陷定位检测系统，其特征在于，所述目标点位置相关的特征数据包括关于信号强度或传播损耗数据，所述目标点位置相关的特征数据向最佳地被配置以在被识别的蜂窝位置所服务的位置的确定中协同操作的所有请求与所述目标点位置相关的数据的生成。
6.一种电力系统缺陷定位检测方法，所述方法是对如权利要求1-5中任意一项所述的电力系统缺陷定位检测系统的实施方法，其特征在于，包括以下步骤：
Step1：查看终端与所述电力系统交互是否正确，并在判断正确时提交正常的表单数据；
Step2：查看服务器端对应接口的处理日志，连接服务器进行日志操作；
Step3：对目标点进行电磁超声导波位置访问，通过接收信号的幅值信号描述和确定任何时刻或时间点的所述目标点信息；
Step4：依据规则检测幅值曲线保留种群个体适应度均值变化设置截止条件；
Step5：分别对所述目标点距离分布及幅值分布进行滤波，得到滤波后的距离曲线和滤波后的幅值曲线；
Step6：根据所述接收信号的幅值信号拟合出距离与幅值变化曲线；
Step7：对比检测幅值曲线与拟合幅值曲线的变化率确定所述电力系统被测件的缺陷位置。
7.根据权利要求6所述的电力系统缺陷定位检测方法，其特征在于，所述Step2在进行日志操作时，有以下分步骤：
Step21：通过预处理与所述目标点候选位置关联的先验概率，提取所有检测路径缺陷检测信号的抵达时间矢量约束目标范围；
Step22：根据参数精度控制获取所述目标点中的位置数据，将获取到的所述位置数据进行算法处理得到参数；
Step23：初始化个体筛选及适应度均值计算，基于群进化算法原理设计的缺陷检测算法中的各参数。
8.根据权利要求7所述的电力系统缺陷定位检测方法，其特征在于，根据所述Step22中确定的检测参数，对被检所述目标点中的近表面缺陷进行检测，扫描范围显示完整的直通波、缺陷衍射波、变型波信号，并对所述目标点扫查图像进行存储。
9.根据权利要求6所述的电力系统缺陷定位检测方法，其特征在于，所述Step7在进行数据拟合时，有以下分步骤：
Step71：根据所述幅值信号数据集内的缺陷类别进行分类，得到分类数据集；
Step72：采用目标检测分类算法对所述分类数据集进行训练，得到缺陷分类模型；
Step73：采用所述缺陷分类模型对所述目标点的缺陷定位信息距离与幅值进行拟合，得到所述距离与幅值变化曲线，输出缺陷定位检测结果。
10.根据权利要求6所述的电力系统缺陷定位检测方法，其特征在于：所述目标点缺陷定位根据缺陷位置选择合适的电磁超声探头频率、电磁超声探头角度、晶片尺寸，并调整所述电磁超声探头中心间距、时间窗口范围、检测灵敏度、脉冲重复频率和扫查增量。
CN202211274887.4A 2022-10-18 2022-10-18 电力系统缺陷定位检测方法和系统 Pending CN115508652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211274887.4A CN115508652A (zh) 2022-10-18 2022-10-18 电力系统缺陷定位检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211274887.4A CN115508652A (zh) 2022-10-18 2022-10-18 电力系统缺陷定位检测方法和系统

Publications (1)

Publication Number Publication Date
CN115508652A true CN115508652A (zh) 2022-12-23

Family

ID=84510891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211274887.4A Pending CN115508652A (zh) 2022-10-18 2022-10-18 电力系统缺陷定位检测方法和系统

Country Status (1)

Country Link
CN (1) CN115508652A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226767A (zh) * 2023-05-08 2023-06-06 国网浙江省电力有限公司宁波供电公司 一种电力系统实验数据自动诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226767A (zh) * 2023-05-08 2023-06-06 国网浙江省电力有限公司宁波供电公司 一种电力系统实验数据自动诊断方法
CN116226767B (zh) * 2023-05-08 2023-10-17 国网浙江省电力有限公司宁波供电公司 一种电力系统实验数据自动诊断方法

Similar Documents

Publication Publication Date Title
CN111259481B (zh) 一种整合空间信息的建筑室内光环境设计评价方法及装置
CN106598917B (zh) 一种基于深度信念网络的上层海洋热结构预测方法
CN110135521A (zh) 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
CN115909093A (zh) 一种基于无人机巡检和红外图像语义分割的电力设备故障检测方法
CN112560981B (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN110146019A (zh) 一种基于工业相机的工件尺寸在线检测与自动补偿方法
CN115508652A (zh) 电力系统缺陷定位检测方法和系统
CN112233074A (zh) 一种基于可见光及红外融合图像的电力故障检测方法
CN111412959B (zh) 流量在线监测计算方法、监测仪以及监测系统
CN111008641A (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN117173461A (zh) 一种多视觉任务的灌装容器缺陷检测方法、系统及介质
CN115829145A (zh) 一种光伏发电量预测系统及方法
CN111371088A (zh) 一种基于bp神经网络修正svg控制策略的方法及系统
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN115861801A (zh) 指针式仪表识别方法、系统、电子设备及可读存储介质
CN114339855B (zh) 无线网络覆盖率评估方法、装置及计算设备
Nair et al. Maximum likelihood uncertainty estimation: Robustness to outliers
CN112861670A (zh) 一种输电线路金具检测方法及系统
Xiao-Xu et al. An intelligent inspection robot of power distribution network based on image automatic recognition system
CN113657621A (zh) 一种隐患监测方法和系统
Moradzadeh et al. Image processing-based data integrity attack detection in dynamic line rating forecasting applications
Hwang et al. Soiling detection for photovoltaic modules based on an intelligent method with image processing
Wang et al. IUP: an intelligent utility prediction scheme for solid-state fermentation in 5G IoT

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