CN115856550A - 一种复合绝缘子盐雾闪络预测方法、装置和存储介质 - Google Patents
一种复合绝缘子盐雾闪络预测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115856550A CN115856550A CN202211633550.8A CN202211633550A CN115856550A CN 115856550 A CN115856550 A CN 115856550A CN 202211633550 A CN202211633550 A CN 202211633550A CN 115856550 A CN115856550 A CN 115856550A
- Authority
- CN
- China
- Prior art keywords
- flashover
- arc
- composite insulator
- salt
- salt spray
- 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.)
- Granted
Links
- 150000003839 salts Chemical class 0.000 title claims abstract description 99
- 239000012212 insulator Substances 0.000 title claims abstract description 92
- 239000002131 composite material Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000003595 mist Substances 0.000 title description 14
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 239000007921 spray Substances 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000010891 electric arc Methods 0.000 claims description 20
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 239000011780 sodium chloride Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 239000008213 purified water Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000009466 transformation Effects 0.000 abstract description 2
- 239000011521 glass Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 239000012267 brine Substances 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 4
- 238000009422 external insulation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 4
- 101000694017 Homo sapiens Sodium channel protein type 5 subunit alpha Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 239000005995 Aluminium silicate Substances 0.000 description 2
- 235000012211 aluminium silicate Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000005661 hydrophobic surface Effects 0.000 description 2
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000000080 wetting agent Substances 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明公开了一种复合绝缘子盐雾闪络预测方法、装置和存储介质，其中方法包括：搭建盐雾闪络试验系统；在盐雾闪络试验系统进行闪络试验，记录雾室中每一次试验的复合绝缘子的电弧图像和光谱分析仪数据；提取电弧图像中的电弧特征，建立盐雾闪络数据集；根据盐雾闪络数据集获取训练集，搭建神经网络模型，并采用训练集对神经网络模型进行训练；将训练后的神经网络模型用于复合绝缘子盐雾环境下的电弧图像闪络判据与预测。本发明利用光谱分析仪测量电弧温度，协同电弧可见光图像特征识别绝缘表面放电强度，能准确的实现复合绝缘子盐雾环境下的可见光电弧图像闪络判据与预测。本发明可广泛应用于输变电绝缘设备领域。
Description
技术领域
本发明涉及输变电绝缘设备领域，尤其涉及一种复合绝缘子盐雾闪络预测方法、装置和存储介质。
背景技术
运行中的输电线路外绝缘要求在工作电压、暂态操作过电压和雷电过电压下均能可靠运行，不出现绝缘击穿、闪络、损坏等严重事故。但沉积在输电线路绝缘子上的污秽物与大雾、露、毛毛雨、融冰、融雪等恶劣气象条件同时作用，其外绝缘性能将大大降低，从而使输电线路的外绝缘不仅可能在过电压作用下发生闪络，更有甚者在工作电压下也常会发生闪络跳闸，造成停电事故。若闪络问题严重，则可能导致电网解列、出现大面积停电事故，严重危害电力系统的安全稳定运行。另外，输电线路绝缘子都是并列运行的，出现问题的概率要比单串时高，因此任何一串绝缘子出现闪络事故都将导致整条线路及相关设备出现事故，给电力系统的安全稳定运行、工农业生产和人们的日常生活造成严重危害，国民经济也会遭受巨大损失。据统计，在目前的电压等级下，闪络损失是雷电冲击和操作过电压损失的十倍，并且随着电压等级的升高，系统容量的增加和各类工业污染的加剧，盐雾闪络的威胁呈持续上升的趋势。
为了减少盐雾闪络事故的发生，提高电力系统的供电可靠性，经过研究新型防闪措施，建立闪络模型，掌握闪络规律，规范闪络试验手段和绝缘子合理设计方面取得了很大的进步。不过目前这些成果离建立高效防盐雾闪络机制还有一定的距离，在绝缘子盐雾闪络预测和预警机制的建立上，其系统性还存在一定程度的欠缺。针对沿海地区面临的外绝缘盐雾闪络威胁，绝缘子电弧监测和闪络预警技术极度缺乏，盐雾闪络理论不能指导工程实践情况凸显，尤其是闪络发生后多改用复合绝缘子或涂RTV涂料，但是目前还不存在被普遍接受的憎水表面盐雾闪络模型。由于憎水表面的动态特点以及(导电的和不导电的)污秽物和湿润剂存在着复杂的相互作用，复合绝缘子表面水滴、污秽受潮、干带形成和局部电弧以及闪络等重要阶段与瓷、玻璃绝缘子存在着异同，其状态判据和演化机理的研究对检测、监测技术和状态预警理论提出巨大的挑战。
人工神经网络通过自身训练学习某种规律，在规定输入值时得到最接近期望输出值的结果，无需实现确定输入与输出之间映射关系。卷积神经网络是深度学习算法的一种，在处理多维数据方面具有独特优势，在图像识别领域有广泛的应用。作为前馈神经网络的一种，卷积神经网络能从二维样本中提取拓扑结构，并通过反向传播优化网络本身，具有良好的容错能力、并行处理能力和自主学习能力，可处理环境信息复杂、背景知识模糊或推理规则不明确情况下的问题。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种电弧可见光图像和光谱测温协同的复合绝缘子盐雾闪络预测方法、装置和存储介质。
本发明所采用的技术方案是：
一种复合绝缘子盐雾闪络预测方法，包括以下步骤：
搭建盐雾闪络试验系统；
在盐雾闪络试验系统进行闪络试验，记录雾室中每一次试验的复合绝缘子的电弧图像和光谱分析仪数据；
提取电弧图像中的电弧特征，建立盐雾闪络数据集；其中，电弧特征包括色度特征、亮度特征和光谱特征；
根据盐雾闪络数据集获取训练集，搭建神经网络模型，并采用训练集对神经网络模型进行训练；
将训练后的神经网络模型用于复合绝缘子盐雾环境下的电弧图像闪络判据与预测。
进一步地，所述盐雾闪络试验系统包括交流污秽电源、雾室、超声波加湿器、泄漏电流检测装置、复合绝缘子、高速摄像机、光谱仪；
盐雾闪络试验系统的工作流程为：将复合绝缘子至于雾室内，通过超声波加湿器控制雾室的湿度，以形成盐雾；交流污秽电源经变压器后外加电压到复合绝缘子；泄漏电流检测装置用于检测电弧，并触发高速摄像机与光谱仪相，以同步记录电弧图像和弧温数据。
进一步地，所述交流污秽电源额定容量0～250kVA，输出电压范围50kV，输出电输出电流范围4000mA；
所述雾室是尺寸1.5m×1.5m×2.0m，在侧面有玻璃窗开口的玻璃箱；
所述超声波加湿器是功率900W，加湿量9kG/h，1个110mm出雾口的手动控制加湿起雾器；
所述复合绝缘子型号是FXBW-10/70；
所述泄漏电流检测装置最大采集速率500Ksps，分辨率12bit，采样范围±10V、±5V、±2.5V、0～10V；
所述高速摄像机最大有效像素1024×1024，拍摄速度4000～212500FPS，机身缓存32G，最大分辨率拍摄时间5.46秒；
所述光谱仪范围200～900nm，精度0.01nm，配四脚光纤传感器，位移精度0.1mm。
进一步地，所述在盐雾闪络试验系统进行闪络试验，包括：
按照预设盐灰比调配污秽对复合绝缘子进行涂污后悬挂在雾室内，在超声波加湿器中加入预设量的氯化钠和纯净水并测试盐水电导率，搭建好试验平台后从零开始升高外加电压，每升高预设电压拍摄一组电弧图像视频和光谱图。
进一步地，所述提取电弧图像中的电弧特征，建立盐雾闪络数据集，包括：
选取不同阶段的电弧图像，分别提取电弧的颜色特征、灰度特征和形态特征；
使用聚类算法将电弧图像按照放电情况划分为起弧、电弧发展和闪络三个阶段；
结合光谱分析仪数据演算出的电弧温度对放电物理意义进行解释，并改变试验条件进行重复性试验，以及建立盐雾闪络数据集；其中，试验条件包括盐水电导率、盐雾浓度或染污程度。
进一步地，所述所述提取电弧图像中的电弧特征，还包括：
采取在不同试验条件下的重复性试验、增加试验次数以增加数据样本量和随机删除部分数据三种方法，以减少过拟合。
进一步地，所述搭建神经网络模型，并采用训练集对神经网络模型进行训练，包括：
将色度特征、亮度特征和光谱特征三个特征作为神经网络模型的输入，以放电严重程度为输出，建立并训练用于判断复合绝缘子盐雾是否发生闪络的神经网络模型。
进一步地，所述神经网络模型的结构由卷积层、最大池化层、全连接层和输出层组成，为增加分类正确率在网络中添加非零偏置使分割线不过原点。
进一步地，所述将训练后的神经网络模型用于复合绝缘子盐雾环境下的电弧图像闪络判据与预测，包括：
获取待检测的电弧图像，将获得的电弧图像输入训练后的神经网络模型；
根据神经网络模型的输出结果，将电弧图像分为起弧、电弧发展和闪络三类，实现复合绝缘子盐雾环境下的电弧图像闪络判据与预测。
本发明所采用的另一技术方案是：
一种复合绝缘子盐雾闪络预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明利用盐雾闪络试验系统对复合绝缘子表面电弧进行检测，首先通过高速相机拍摄不同试验条件下电弧可见光图像，然后根据电弧光谱成像反演出电弧温度，记录每一段电弧可见光图像对应的外加电压和电弧温度，提取电弧图像特征并建立和训练用于判断复合绝缘子盐雾是否发生闪络的卷积神经网络模型，最后根据电弧图像特征实现复合绝缘子表面放电严重程度分类。本发明可以实时、准确、直观地对复合绝缘子盐雾环境下电弧进行识别和闪络预测。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种电弧可见光图像和光谱测温协同的复合绝缘子盐雾闪络预测方法操作步骤示意图；
图2是本发明实施例中复合绝缘子盐雾闪络试验装置与检测平台示意图；
图3是本发明实施例中三个典型阶段的电弧可见光图像示意图。其中，图3(a)为起弧阶段的示意图，图3(b)为电弧发展阶段的示意图，图3(c)为闪络时的示意图；
图4是本发明实施例中一种复合绝缘子盐雾闪络预测方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右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，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
实施例1
如图1和图4所示，本实施例提供一种复合绝缘子盐雾闪络预测方法，该方法利用光谱分析仪测量电弧温度，协同电弧可见光图像特征识别绝缘表面放电强度，能准确的实现复合绝缘子盐雾环境下的可见光电弧图像闪络判据与预测。该方法具体包括以下步骤：
S101、搭建盐雾闪络试验系统。
作为可选的实施方式，步骤S101中，所述盐雾闪络试验系统包括交流污秽电源、雾室、超声波加湿器、泄漏电流采集卡、复合绝缘子、高速摄像机、光谱仪。
所述交流污秽电源输出电压范围50kV，额定容量0～250kVA，具备完善的过压、过流保护系统和电压电流数控显示系统，试验过程中可通过按钮进行升降压操作。
所述雾室是尺寸1.5m×1.5m×2.0m的玻璃箱，玻璃箱前面开门且门上预留一扇可开合玻璃窗，后面通过一只穿墙套管，左右两侧预留可开合玻璃窗用于高速相机和ICCD相机，玻璃箱顶部布置均匀的盐雾喷口。
所述超声波加湿器是功率900W，加湿量9kG/h，1个110mm出雾口的手动控制加湿起雾器，出雾口经管道与雾室玻璃箱顶部盐雾喷口连接。
所述复合绝缘子型号是FXBW-10/70，其表面积为600cm2，将每片绝缘子试品用水清洗干净，采用定量涂刷法对复合绝缘子进行人工污秽处理后悬挂进雾室内。
所述泄漏电流采集装置最大采集速率500Ksps，分辨率12bit，采样范围±10V、±5V、±2.5V、0～10V；
所述高速摄像机最大有效像素1024×1024，拍摄速度4000～212500FPS，机身缓存32G，最大分辨率拍摄时间5.46秒，架设在雾室预留的玻璃窗口处，考虑到高速相机拍摄电弧时需将快门速度调至于上万分之一秒，镜头进光量较少，架设2个LED补光灯对复合绝缘子进行补光。
所述光谱仪范围200～900nm，精度0.01nm，配四脚光纤传感器，位移精度0.1mm，光谱仪和ICCD相机与高速摄像机相连，每拍摄一段电弧可见光视频对应记录图像光谱。
S102、在盐雾闪络试验系统进行闪络试验，记录雾室中每一次试验的复合绝缘子的电弧图像和光谱分析仪数据。
作为可选的实施方式，步骤S102中，盐雾闪络检测系统对复合绝缘子电弧可见光图像和光谱仪数据检测方法：按照一定的盐灰比调配污秽对复合绝缘子进行人工涂污后悬挂在雾室内，在超声波加湿器中加入一定量的氯化钠和纯净水并测试盐水电导率，搭建好试验平台后从零开始升高外加电压，每升高2kV拍摄一组电弧可见光图像视频和光谱图，光谱成像后演算出对应电弧温度。
S103、提取电弧图像中的电弧特征，建立盐雾闪络数据集；其中，电弧特征包括色度特征、亮度特征和光谱特征。
作为可选的实施方式，步骤S103中，选取不同阶段的电弧图像，分别提取电弧的颜色、灰度、形态特征，使用聚类算法将放电图像按照放电严重划分为起弧、电弧发展、闪络3个阶段，结合光谱分析仪数据演算出的电弧温度对放电物理意义进行解释，改变盐水电导率、盐雾浓度和染污程度等试验条件进行重复性试验，同时建立盐雾闪络数据集，采取在不同试验条件下的重复性试验、增加试验次数以增加数据样本量和随机删除部分数据三种方法以减少过拟合。
S104、根据盐雾闪络数据集获取训练集，搭建神经网络模型，并采用训练集对神经网络模型进行训练。
作为可选的实施方式，步骤S104中，以电弧颜色、灰度和形态3个特征量为输入，以放电严重程度为输出，建立并训练用于判断复合绝缘子盐雾是否发生闪络的卷积神经网络模型，模型结构由卷积层、最大池化层、全连接层和输出层组成，为增加分类正确率在网络中添加非零偏置使分割线不过原点，其中电弧颜色以RGB色度分布表示，灰度由灰度分布直方图表示，形态特征中包括方向梯度直方图、电弧长度和粗细。
S105、将训练后的神经网络模型用于复合绝缘子盐雾环境下的电弧图像闪络判据与预测。
作为可选的实施方式，步骤S105中，分别按颜色、灰度和形态作为特征输入根据卷积神经网络模型输出结果，将电弧图像分为起弧、电弧发展和闪络三类，对比不同特征下模型的识别精度，实现复合绝缘子盐雾环境下的可见光电弧图像闪络判据与预测。
实施例2
如图1所示，本实施例提供一种电弧可见光图像和光谱测温协同的复合绝缘子盐雾闪络预测方法，该方法包括如下步骤：
S201、搭建盐雾闪络试验系统：
具体地，将CYG高能10kV交流棒形悬式复合绝缘子用水清洗干净，绝缘子型号为FXBW-10/70，然后对复合绝缘子进行人工涂污处理。具体地，先擦净复合绝缘子表面污秽，用水冲洗干净后放置阴凉处等待水分完全挥发，用电子秤称定量盐灰比为1:5的盐灰混合物，本发明中盐为NaCl，灰为高岭土。在绝缘子表面擦抹一层干燥的高岭土/硅藻土粉末使其具亲水性，用毛刷轻轻刷去表面多余的粉末避免影响灰密，采用定量涂刷法对复合绝缘子进行涂污后悬挂进雾室内，复合绝缘子盐雾闪络试验装置与检测平台如图2。
S202、在试验系统进行闪络试验，记录雾室中每一次试验的复合绝缘子电弧可见光图像和光谱分析仪数据：
具体地，在超声波加湿器中加入一定量的氯化钠和纯净水并测试盐水电导率，在加湿至少一小时后玻璃雾室内明显起雾，用雾颗粒度测试仪测试雾室内的颗粒浓度，在雾室预留的玻璃窗口处架设高速相机，考虑到高速相机拍摄电弧时需将快门速度调至于上万分之一秒，镜头进光量较少，架设2个LED补光灯对复合绝缘子进行补光，光谱仪和ICCD相机与高速摄像机相连同样架设在玻璃窗口处，在试验台初从零开始升高外加电压，每升高2kV拍摄一组电弧可见光图像视频和光谱图直至闪络，光谱成像后演算出对应电弧温度，改变盐水电导率、盐雾浓度和染污程度等试验条件重复上述试验，记录雾室中每一次试验的复合绝缘子电弧可见光图像、光谱分析仪数据和泄漏电流数据。
S203、提取电弧图像中的色度、亮度、长度和光谱等特征，建立盐雾闪络数据集：
具体地，选取不同阶段的电弧图像，分别提取电弧的颜色、灰度、形态特征，其中颜色特征用色度分布直方图表示，灰度特征反应图像的亮度信息，形态特征可以用方向梯度直方图表示，也可以表示为对电弧图像进行图像分割处理后，算法计算所得的电弧长度、粗细和面积，使用聚类算法将放电图像按照放电严重划分为起弧、电弧发展、闪络3个阶段，结合光谱分析仪数据演算出的电弧温度对放电物理意义进行解释，建立盐雾闪络数据集，采取在不同试验条件下的重复性试验、增加试验次数以增加数据样本量和随机删除部分数据三种方法以减少过拟合。
S204、将数据集分为训练集和测试集，建立神经网络对训练集数据进行训练：
具体地，以电弧颜色、灰度和形态3个特征量为输入，以放电严重程度为输出，建立并训练用于判断复合绝缘子盐雾是否发生闪络的卷积神经网络模型，模型结构由卷积层、最大池化层、全连接层和输出层组成，为增加分类正确率在网络中添加非零偏置使分割线不过原点，另外考虑到图像的特征与对应标签之间的非线性映射关系，可选择k近邻、决策树、支持向量机等几种经典机器学习算法与本发明所提卷积神经网络作为对照。
S205、根据图像处理结果实现复合绝缘子盐雾环境下的可见光电弧图像闪络判据与预测：
具体地，分别按颜色、灰度和形态作为特征输入根据卷积神经网络模型输出结果，将电弧图像分为起弧、电弧发展和闪络三类，三个典型阶段的电弧可见光图像如图3，对比不同特征下模型的识别精度，将光谱成像演算所得电弧温度与泄漏电流数据作为参照，实现复合绝缘子盐雾环境下的可见光电弧图像闪络判据与预测。其中，图3(a)为起弧阶段的示意图，图3(b)为电弧发展阶段的示意图，图3(c)为闪络时的示意图。
本实施例还提供一种复合绝缘子盐雾闪络预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1和图4所示方法。
本实施例的一种复合绝缘子盐雾闪络预测装置，可执行本发明方法实施例所提供的一种复合绝缘子盐雾闪络预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图图1和图4所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种复合绝缘子盐雾闪络预测方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种复合绝缘子盐雾闪络预测方法，其特征在于，包括以下步骤：
搭建盐雾闪络试验系统；
在盐雾闪络试验系统进行闪络试验，记录雾室中每一次试验的复合绝缘子的电弧图像和光谱分析仪数据；
提取电弧图像中的电弧特征，建立盐雾闪络数据集；其中，电弧特征包括色度特征、亮度特征和光谱特征；
根据盐雾闪络数据集获取训练集，搭建神经网络模型，并采用训练集对神经网络模型进行训练；
将训练后的神经网络模型用于复合绝缘子盐雾环境下的电弧图像闪络判据与预测。
2.根据权利要求1所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述盐雾闪络试验系统包括交流污秽电源、雾室、超声波加湿器、泄漏电流检测装置、复合绝缘子、高速摄像机、光谱仪；
盐雾闪络试验系统的工作流程为：将复合绝缘子至于雾室内，通过超声波加湿器控制雾室的湿度，以形成盐雾；交流污秽电源经变压器后外加电压到复合绝缘子；泄漏电流检测装置用于检测电弧，并触发高速摄像机与光谱仪相，以同步记录电弧图像和弧温数据。
3.根据权利要求2所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述在盐雾闪络试验系统进行闪络试验，包括：
按照预设盐灰比调配污秽对复合绝缘子进行涂污后悬挂在雾室内，在超声波加湿器中加入预设量的氯化钠和纯净水并测试盐水电导率，搭建好试验平台后从零开始升高外加电压，每升高预设电压拍摄一组电弧图像视频和光谱图。
4.根据权利要求1所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述提取电弧图像中的电弧特征，建立盐雾闪络数据集，包括：
选取不同阶段的电弧图像，分别提取电弧的颜色特征、灰度特征和形态特征；
使用聚类算法将电弧图像按照放电情况划分为起弧、电弧发展和闪络三个阶段；
结合光谱分析仪数据演算出的电弧温度对放电物理意义进行解释，并改变试验条件进行重复性试验，以及建立盐雾闪络数据集；其中，试验条件包括盐水电导率、盐雾浓度或染污程度。
5.根据权利要求4所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述所述提取电弧图像中的电弧特征，还包括：
采取在不同试验条件下的重复性试验、增加试验次数以增加数据样本量和随机删除部分数据三种方法，以减少过拟合。
6.根据权利要求1所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述搭建神经网络模型，并采用训练集对神经网络模型进行训练，包括：
将色度特征、亮度特征和光谱特征三个特征作为神经网络模型的输入，以放电严重程度为输出，建立并训练用于判断复合绝缘子盐雾是否发生闪络的神经网络模型。
7.根据权利要求1所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述神经网络模型的结构由卷积层、最大池化层、全连接层和输出层组成，为增加分类正确率在网络中添加非零偏置使分割线不过原点。
8.根据权利要求1所述的一种复合绝缘子盐雾闪络预测方法，其特征在于，所述将训练后的神经网络模型用于复合绝缘子盐雾环境下的电弧图像闪络判据与预测，包括：
获取待检测的电弧图像，将获得的电弧图像输入训练后的神经网络模型；
根据神经网络模型的输出结果，将电弧图像分为起弧、电弧发展和闪络三类，实现复合绝缘子盐雾环境下的电弧图像闪络判据与预测。
9.一种复合绝缘子盐雾闪络预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211633550.8A CN115856550B (zh) | 2022-12-19 | 2022-12-19 | 一种复合绝缘子盐雾闪络预测方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211633550.8A CN115856550B (zh) | 2022-12-19 | 2022-12-19 | 一种复合绝缘子盐雾闪络预测方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115856550A true CN115856550A (zh) | 2023-03-28 |
| CN115856550B CN115856550B (zh) | 2024-01-16 |
Family
ID=85674164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211633550.8A Active CN115856550B (zh) | 2022-12-19 | 2022-12-19 | 一种复合绝缘子盐雾闪络预测方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115856550B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102645618A (zh) * | 2012-04-16 | 2012-08-22 | 浙江清科电力科技有限公司 | 一种污秽绝缘智能检测方法及检测系统装置 |
| KR101345234B1 (ko) * | 2013-09-12 | 2014-01-15 | 지투파워 (주) | 아크 플래시 사고에너지의 위험도 진단장치 및 그 진단방법 |
| CN103954897A (zh) * | 2014-05-20 | 2014-07-30 | 电子科技大学 | 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 |
| US20160117845A1 (en) * | 2014-10-27 | 2016-04-28 | King Fahd University Petroleum and Minerals | Contamination level estimation method for high voltage insulators |
| CN105785237A (zh) * | 2016-03-03 | 2016-07-20 | 徐光武 | 一种绝缘子污秽闪络试验图像信息采集方法 |
| CN105785235A (zh) * | 2016-02-29 | 2016-07-20 | 华南理工大学 | 一种评定绝缘子交流闪络电压特性的试验方法 |
| WO2016144491A1 (en) * | 2015-03-11 | 2016-09-15 | Siemens Energy, Inc. | Generator neutral ground monitoring device utilizing direct current component measurement and analysis |
| CN109799442A (zh) * | 2019-03-29 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 基于机载高光谱的绝缘子污闪预测方法及系统 |
| CN110530876A (zh) * | 2019-09-04 | 2019-12-03 | 西南交通大学 | 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 |
| CN113702739A (zh) * | 2021-08-26 | 2021-11-26 | 广东电网有限责任公司 | 一种基于小波分解和神经网络的电弧检测方法及装置 |
| WO2022048383A1 (zh) * | 2020-09-04 | 2022-03-10 | 南方电网科学研究院有限责任公司 | 基于先导长度比例关系的先导发展模型建立方法及装置 |
| WO2022082557A1 (zh) * | 2020-10-22 | 2022-04-28 | 广西电网有限责任公司电力科学研究院 | 一种复合绝缘横担老化试验系统 |
| CN114895156A (zh) * | 2022-04-18 | 2022-08-12 | 南方电网科学研究院有限责任公司 | 一种硅橡胶表面盐雾闪络传递温度的测量系统和方法 |
-
2022
- 2022-12-19 CN CN202211633550.8A patent/CN115856550B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102645618A (zh) * | 2012-04-16 | 2012-08-22 | 浙江清科电力科技有限公司 | 一种污秽绝缘智能检测方法及检测系统装置 |
| KR101345234B1 (ko) * | 2013-09-12 | 2014-01-15 | 지투파워 (주) | 아크 플래시 사고에너지의 위험도 진단장치 및 그 진단방법 |
| CN103954897A (zh) * | 2014-05-20 | 2014-07-30 | 电子科技大学 | 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 |
| US20160117845A1 (en) * | 2014-10-27 | 2016-04-28 | King Fahd University Petroleum and Minerals | Contamination level estimation method for high voltage insulators |
| WO2016144491A1 (en) * | 2015-03-11 | 2016-09-15 | Siemens Energy, Inc. | Generator neutral ground monitoring device utilizing direct current component measurement and analysis |
| CN105785235A (zh) * | 2016-02-29 | 2016-07-20 | 华南理工大学 | 一种评定绝缘子交流闪络电压特性的试验方法 |
| CN105785237A (zh) * | 2016-03-03 | 2016-07-20 | 徐光武 | 一种绝缘子污秽闪络试验图像信息采集方法 |
| CN109799442A (zh) * | 2019-03-29 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 基于机载高光谱的绝缘子污闪预测方法及系统 |
| CN110530876A (zh) * | 2019-09-04 | 2019-12-03 | 西南交通大学 | 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 |
| WO2022048383A1 (zh) * | 2020-09-04 | 2022-03-10 | 南方电网科学研究院有限责任公司 | 基于先导长度比例关系的先导发展模型建立方法及装置 |
| WO2022082557A1 (zh) * | 2020-10-22 | 2022-04-28 | 广西电网有限责任公司电力科学研究院 | 一种复合绝缘横担老化试验系统 |
| CN113702739A (zh) * | 2021-08-26 | 2021-11-26 | 广东电网有限责任公司 | 一种基于小波分解和神经网络的电弧检测方法及装置 |
| CN114895156A (zh) * | 2022-04-18 | 2022-08-12 | 南方电网科学研究院有限责任公司 | 一种硅橡胶表面盐雾闪络传递温度的测量系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李振华 等: "基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究", 《湖南电力》, pages 18 - 22 * |
| 毕继凯: "染污复合绝缘子污秽受潮特性及其机理研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 042 - 356 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115856550B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fang et al. | Mapping relation of leakage currents of polluted insulators and discharge arc area | |
| Medeiros et al. | Comparison of artificial intelligence techniques to failure prediction in contaminated insulators based on leakage current | |
| Jin et al. | Detection of polluted insulators using the information fusion of multispectral images | |
| Jin et al. | Condition evaluation of the contaminated insulators by visible light images assisted with infrared information | |
| Yin et al. | A novel method for visualizing the pollution distribution of insulators | |
| CN113449769A (zh) | 输电线路覆冰识别模型训练方法、识别方法及存储介质 | |
| CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
| El-Hag | Application of machine learning in outdoor insulators condition monitoring and diagnostics | |
| Ma et al. | Classification of partial discharge severities of ceramic insulators based on texture analysis of UV pulses | |
| Maraaba et al. | Prediction of the levels of contamination of HV insulators using image linear algebraic features and neural networks | |
| Salem et al. | Prediction Flashover Voltage on Polluted Porcelain Insulator Using ANN. | |
| Sun et al. | Contamination degree prediction of insulator surface based on exploratory factor analysis‐least square support vector machine combined model | |
| Kong et al. | Pixel-level assessment model of contamination conditions of composite insulators based on hyperspectral imaging technology and a semi-supervised ladder network | |
| CN115856550A (zh) | 一种复合绝缘子盐雾闪络预测方法、装置和存储介质 | |
| Wang et al. | Research of GIS partial discharge type evaluation based on convolutional neural network | |
| de Santos et al. | A machine learning approach for condition monitoring of high voltage insulators in polluted environments | |
| CN114487742B (zh) | 基于多模态纹理分析的高压壳体放电绝缘性能检测系统 | |
| Khodsuz et al. | Surge Arrester Monitoring under Different Operating Conditions Using Bees-ANFIS. | |
| Muniraj et al. | Adaptive neurofuzzy inference system-based pollution severity prediction of polymeric insulators in power transmission lines | |
| Jin et al. | Pollution state detection of insulators based on multisource imaging and information fusion | |
| Kannan et al. | A random forest model based pollution severity classification scheme of high voltage transmission line insulators | |
| Tao et al. | Research on Zero-Sequence Insulator Detection Technology Based on Deep Learning | |
| Serikbay et al. | Stacked Ensemble Deep Learning for Outdoor Insulator Surface Condition Classification: A Profound Study on Water Droplets | |
| Zhang et al. | A Probabilistic Neural Network Assessment Method for Insulator Pollution Levels Based on Infrared Images | |
| Niu et al. | Discharge severity evaluation of porcelain insulators based on UV images and YOLOv3 |
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 |