CN116068287B - 一种污秽绝缘子电位测量方法及装置 - Google Patents

一种污秽绝缘子电位测量方法及装置 Download PDF

Info

Publication number
CN116068287B
CN116068287B CN202310224266.3A CN202310224266A CN116068287B CN 116068287 B CN116068287 B CN 116068287B CN 202310224266 A CN202310224266 A CN 202310224266A CN 116068287 B CN116068287 B CN 116068287B
Authority
CN
China
Prior art keywords
pollution
insulator
distribution
potential
dimensional model
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.)
Active
Application number
CN202310224266.3A
Other languages
English (en)
Other versions
CN116068287A (zh
Inventor
张娜
李国栋
王大伟
杨罡
吴翔宇
俞华
胡帆
原辉
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.)
State Grid Electric Power Research Institute Of Sepc
Beijing Kedong Electric Power Control System Co Ltd
Original Assignee
State Grid Electric Power Research Institute Of Sepc
Beijing Kedong Electric Power Control System 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 State Grid Electric Power Research Institute Of Sepc, Beijing Kedong Electric Power Control System Co Ltd filed Critical State Grid Electric Power Research Institute Of Sepc
Priority to CN202310224266.3A priority Critical patent/CN116068287B/zh
Publication of CN116068287A publication Critical patent/CN116068287A/zh
Application granted granted Critical
Publication of CN116068287B publication Critical patent/CN116068287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/12—Measuring electrostatic fields or voltage-potential
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/12—Measuring electrostatic fields or voltage-potential
    • G01R29/14—Measuring field distribution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Insulators (AREA)

Abstract

本发明提供了一种污秽绝缘子电位测量方法及装置，属于绝缘子电位测量技术领域；解决了现有绝缘子电位测量采用试验和仿真计算中存在的不直观及无法反映实际变化情况的问题；包括如下步骤：获取绝缘子外表面的污秽分布情况；将污秽分布映射到绝缘子三维模型上，对污秽分布网格化，取极大值对网格内污秽进行近似，将连续的污秽分布近似为离散的污秽极大值点，对污秽极大值点进行分类；对提取出的各污秽极大值分类点进行区域分区并进行分解，分解为多个规则化区域；通过编程得到不同规则化区域的污秽分布的绝缘子电场分布情况，然后进行叠加，对电场分布进行归一化，得到近似污秽分布下的绝缘子各处电场分布情况；本发明应用于污秽绝缘子电位测量。

Description

一种污秽绝缘子电位测量方法及装置
技术领域
本发明提供了一种污秽绝缘子电位测量方法及装置，属于绝缘子电位测量技术领域。
背景技术
绝缘子运行中的外绝缘性能与表面污秽分布密切相关，污秽分布会对绝缘子的电场和电位分布产生影响。目前的绝缘子电场和电位分布主要是通过试验测量和仿真计算，试验测量存在需要接触甚至停电才可以开展的问题，对试验条件有较高的要求，并且不直观。仿真计算对污秽的分布设计采用的是污层一致性和污层各处相同的假设前提，人为设计绝缘子伞裙上下各自的污秽程度或者干燥带所处位置，对实际运行中伞裙单面的污秽分布不均匀性未进行考虑。同时绝缘子受到环境和内部电场的影响，污秽的分布会发生变化，但试验测量无法做到高频次的测量，仿真计算对变化的跟踪粒度依赖人为设计污秽，无法反映实际变化情况。
发明内容
本发明为了解决现有绝缘子电位测量采用试验和仿真计算中存在的不直观及无法反映实际变化情况的问题，提出了一种污秽绝缘子电位测量方法及装置。
为了解决上述技术问题，本发明采用的技术方案为：一种污秽绝缘子电位测量方法，包括如下步骤：
S1：获取绝缘子污秽的可见光图像，通过可见光图像中的颜色信息提取绝缘子外表面的污秽分布情况；
S2：将提取出的污秽分布映射到绝缘子三维模型上，通过对污秽分布网格化，取极大值对网格内污秽进行近似，将连续的污秽分布近似为离散的污秽极大值点，对提取的污秽极大值点的取值范围进行分类，得到污秽极大值分类点；
S3：对提取出的各污秽极大值分类点采用SVM算法进行区域分区，将得到的区域分区情况进行分解，分解为多个规则化区域；
S4：通过编程得到不同规则化区域的污秽分布的绝缘子电场分布情况，然后进行叠加，对电场分布进行归一化，得到近似污秽分布下的绝缘子各处电场分布情况，然后根据绝缘子高压侧电压，得到绝缘子各处的电位测量值。
还包括：
S5：将得到的绝缘子各处的电位测量值的电位分布进行可视化，对污秽分布发生变化的情况进行更新，得到新的电位分布，对绝缘子的状态进行跟踪预警。
所述步骤S1中提取绝缘子外表面的污秽分布情况，具体实现步骤如下：
通过对K1时刻绝缘子的可见光图像进行预处理，然后变换颜色空间，得到亮度信息，用亮度信息表示绝缘子外表面的污秽分布情况。
所述步骤S2中将提取出的污秽分布映射到绝缘子三维模型上的步骤如下：
首先通过编程实现绝缘子三维模型的构建，构建的绝缘子三维模型考虑绝缘子的形状、材质部分，材质部分只考虑绝缘体、金属导体、空气介质共三类材质；
绝缘子三维模型设置有空间坐标，将获取到的绝缘子外表面的污秽分布情况根据坐标映射到绝缘子三维模型上，得到污秽绝缘子三维模型。
所述步骤S2中对污秽分布网格化是指对污秽绝缘子三维模型进行网格化，每个网格内包含污秽的局部区域，网格的大小和形状根据污秽绝缘子三维模型的大小和形状进行调整，每个网格包含9-27个像素数。
所述步骤S2中取极大值对网格内污秽进行近似是指在污秽绝缘子三维模型的外表面进行窗口滑动，对每个网格内包含的污秽局部区域提取极大值，用极大值代替局部区域，实现连续污秽分布的下采样，得到离散的绝缘子污秽分布值。
所述步骤S2中对提取的污秽极大值点的取值范围进行分类的依据是：极大值的取值范围按照正态分布进行划分，极大值落在（无穷小，μ]、（μ，μ+3σ]、（μ+3σ，∞)的三个区间段，分为三类，每类点用Pi表示，i=1,2,3，其中μ为正态分布的均值，σ为正态分布的标准差。
所述步骤S3中对提取出的各污秽极大值分类点采用SVM算法进行区域分区的依据如下：
当μ小于阈值M时，无需考虑P1类点，此时只有P2、P3两类点，对这两类点基于高斯核函数进行分区；
当μ大于等于阈值M时，参与分区的是P1、P2、P3三类点，对三类点进行高斯核函数分区，此时得到的分区是污秽实际分区的规则化，将实际分区中存在的污秽复杂边缘进行平滑处理。
所述步骤S5中对污秽分布发生变化的情况进行更新是在环境条件变化后，通过重新获取K2时刻的绝缘子污秽的可见光图像，与K1时刻的绝缘子污秽的可见光图像进行比对，当两个时刻的图像进行相同预处理并考虑到照度调整后，亮度信息差值最大值大于等于2σ时，进行电位分布的更新。
一种污秽绝缘子电位测量装置，包括数据传输或数据接入模块、图像预处理模块、计算模块、显示模块，所述数据传输或数据接入模块用于实现绝缘子污秽的可见光图像数据和绝缘子三维模型的传输或者离线接入；
所述图像预处理模块用于对可见光图像进行预处理和照度调整；
所述计算模块用于实现绝缘子三维模型的精细化、污秽分布和三维模型的映射、污秽三维模型的网格化和极大值的分类、子分布生成和归一化操作、电位的计算；
所述显示模块用于显示计算过程的三维模型以及电位分布。
本发明相对于现有技术具备的有益效果为：本发明提供的污秽绝缘子电位测量方法及装置通过采集污秽绝缘子的可见光图像，对其上的污秽分布在三维模型中进行划分，并实现污秽区域分区，能够根据实际污秽绝缘子的图像进行其上电位的计算，能够无接触的反映出污秽绝缘子上的电位变化情况，且不需要太高的试验要求，还能够通过显示模块实时观察绝缘子污秽分布及变化情况，直观又便捷。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明方法的流程图；
图2为本发明装置的结构示意图。
具体实施方式
本发明提出了一种污秽绝缘子电位测量方法，其流程如图1所示，包括如下步骤：
S1：获取绝缘子污秽的可见光图像，通过可见光图像中的颜色信息提取绝缘子外表面的污秽分布情况；
S2：将提取出的污秽分布映射到绝缘子三维模型上，通过对污秽分布网格化，取极大值对网格内污秽进行近似，将连续的污秽分布近似为离散的污秽极大值点，对提取的污秽极大值点的取值范围进行分类，得到污秽极大值分类点；
S3：对提取出的各污秽极大值分类点采用SVM算法进行区域分区，将得到的区域分区情况进行分解，分解为多个规则化区域；
S4：通过编程得到不同规则化区域的污秽分布的绝缘子电场分布情况，然后进行叠加，对电场分布进行归一化，得到近似污秽分布下的绝缘子各处电场分布情况，然后根据绝缘子高压侧电压，得到绝缘子各处的电位测量值。
还包括：
S5：将得到的绝缘子各处的电位测量值的电位分布进行可视化，对污秽分布发生变化的情况进行更新，得到新的电位分布，对绝缘子的状态进行跟踪预警。
所述步骤S1中提取绝缘子外表面的污秽分布情况，具体实现步骤如下：
通过对K1时刻绝缘子的可见光图像进行预处理，然后变换颜色空间，得到亮度信息，用亮度信息表示绝缘子外表面的污秽分布情况。
所述步骤S2中将提取出的污秽分布映射到绝缘子三维模型上的步骤如下：
首先通过编程实现绝缘子三维模型的构建，构建的绝缘子三维模型考虑绝缘子的形状、材质部分，材质部分只考虑绝缘体、金属导体、空气介质共三类材质；
绝缘子三维模型设置有空间坐标，将获取到的绝缘子外表面的污秽分布情况根据坐标映射到绝缘子三维模型上，得到污秽绝缘子三维模型。
所述步骤S2中对污秽分布网格化是指对污秽绝缘子三维模型进行网格化，每个网格内包含污秽的局部区域，网格的大小和形状根据污秽绝缘子三维模型的大小和形状进行调整，每个网格包含9-27个像素数。
所述步骤S2中取极大值对网格内污秽进行近似是指在污秽绝缘子三维模型的外表面进行窗口滑动，对每个网格内包含的污秽局部区域提取极大值，用极大值代替局部区域，实现连续污秽分布的下采样，得到离散的绝缘子污秽分布值。
所述步骤S2中对提取的污秽极大值点的取值范围进行分类是根据极大值的取值范围按照正态分布实现的，极大值落在（无穷小，μ]、（μ，μ+3σ]、（μ+3σ，∞)的三个区间段，分为三类，每类点用Pi表示，i=1,2,3，其中μ为正态分布的均值，σ为正态分布的标准差。
所述步骤S3中对提取出的各污秽极大值分类点采用SVM算法进行区域分区的依据如下：
当μ小于阈值M时，无需考虑P1类点，此时只有P2、P3两类点，对这两类点基于高斯核函数进行分区；
当μ大于等于阈值M时，参与分区的是P1、P2、P3三类点，对三类点进行高斯核函数分区，此时得到的分区是污秽实际分区的规则化，将实际分区中存在的污秽复杂边缘进行平滑处理。
所述步骤S3的对区域分区情况进行分解，是指根据多个规则化区域对污秽分区进行分解，分解后得到的各个子分布叠加后即可得到步骤S2中的污秽分布。例如步骤S2得到的污秽分区为W母分布，可以通过分解得到W1、W2、W3子分布，W1、W2、W3子分布的形状和污秽层呈现为规则形和均匀性，但是W的形状和污秽层是不规则和非均匀的。实际分解过程中，对分解的数据进行阈值限定，一般不超过20个子分布。
所述步骤S4中的对不同规则化区域的污秽分布的绝缘子电场分布进行叠加，是基于编程先得到洁净绝缘子的电场分布仿真，然后进行边值关系的约束，得到各污秽子分布下的绝缘子电场分布测量值。对各子分布下的绝缘子电场分布进行叠加，并归一化，得到母分布下的绝缘子电场分布。然后根据绝缘子所接导线的电压和电场分布，得到污秽绝缘子的各处电位。
所述步骤S5中对污秽分布发生变化的情况进行更新是在环境条件变化后，通过重新获取K2时刻的绝缘子污秽的可见光图像，与K1时刻的绝缘子污秽的可见光图像进行比对，当两个时刻的图像进行相同预处理并考虑到照度调整后，亮度信息差值最大值大于等于2σ时，进行电位分布的更新。
本发明还提出了一种污秽绝缘子电位测量装置，其结构如图2所示，包括数据传输或数据接入模块、图像预处理模块、计算模块、显示模块，所述数据传输或数据接入模块用于实现绝缘子污秽的可见光图像数据和绝缘子三维模型的传输或者离线接入；
所述图像预处理模块用于对可见光图像进行预处理和照度调整；
所述计算模块用于实现绝缘子三维模型的精细化、污秽分布和三维模型的映射、污秽三维模型的网格化和极大值的分类、子分布生成和归一化操作、电位的计算；
所述显示模块用于显示计算过程的三维模型以及电位分布。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、相互间连接方式以及，由上述技术特征带来的常规使用方法、可预期技术效果，除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的专利、期刊论文、技术手册、技术词典、教科书中已公开内容，或属于本领域常规技术、公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (9)

1.一种污秽绝缘子电位测量方法，其特征在于：包括如下步骤：
S1：获取绝缘子污秽的可见光图像，通过可见光图像中的颜色信息提取绝缘子外表面的污秽分布情况；
S2：将提取出的污秽分布映射到绝缘子三维模型上，通过对污秽分布网格化，取极大值对网格内污秽进行近似，将连续的污秽分布近似为离散的污秽极大值点，对提取的污秽极大值点的取值范围进行分类，得到污秽极大值分类点；
所述步骤S2中对提取的污秽极大值点的取值范围进行分类的依据是：极大值的取值范围按照正态分布进行划分，极大值落在（无穷小，μ]、（μ，μ+3σ]、（μ+3σ，∞)的三个区间段，分为三类，每类点用Pi表示，i=1,2,3，其中μ为正态分布的均值，σ为正态分布的标准差；
S3：对提取出的各污秽极大值分类点采用SVM算法进行区域分区，将得到的区域分区情况进行分解，分解为多个规则化区域；
S4：通过编程得到不同规则化区域的污秽分布的绝缘子电场分布情况，然后进行叠加，对电场分布进行归一化，得到近似污秽分布下的绝缘子各处电场分布情况，然后根据绝缘子高压侧电压，得到绝缘子各处的电位测量值。
2.根据权利要求1所述的一种污秽绝缘子电位测量方法，其特征在于：还包括：
S5：将得到的绝缘子各处的电位测量值的电位分布进行可视化，对污秽分布发生变化的情况进行更新，得到新的电位分布，对绝缘子的状态进行跟踪预警。
3.根据权利要求2所述的一种污秽绝缘子电位测量方法，其特征在于：所述步骤S1中提取绝缘子外表面的污秽分布情况，具体实现步骤如下：
通过对K1时刻绝缘子的可见光图像进行预处理，然后变换颜色空间，得到亮度信息，用亮度信息表示绝缘子外表面的污秽分布情况。
4.根据权利要求3所述的一种污秽绝缘子电位测量方法，其特征在于：所述步骤S2中将提取出的污秽分布映射到绝缘子三维模型上的步骤如下：
首先通过编程实现绝缘子三维模型的构建，构建的绝缘子三维模型考虑绝缘子的形状、材质部分，材质部分只考虑绝缘体、金属导体、空气介质共三类材质；
绝缘子三维模型设置有空间坐标，将获取到的绝缘子外表面的污秽分布情况根据坐标映射到绝缘子三维模型上，得到污秽绝缘子三维模型。
5.根据权利要求4所述的一种污秽绝缘子电位测量方法，其特征在于：所述步骤S2中对污秽分布网格化是指对污秽绝缘子三维模型进行网格化，每个网格内包含污秽的局部区域，网格的大小和形状根据污秽绝缘子三维模型的大小和形状进行调整，每个网格包含9-27个像素数。
6.根据权利要求5所述的一种污秽绝缘子电位测量方法，其特征在于：所述步骤S2中取极大值对网格内污秽进行近似是指在污秽绝缘子三维模型的外表面进行窗口滑动，对每个网格内包含的污秽局部区域提取极大值，用极大值代替局部区域，实现连续污秽分布的下采样，得到离散的绝缘子污秽分布值。
7.根据权利要求6所述的一种污秽绝缘子电位测量方法，其特征在于：所述步骤S3中对提取出的各污秽极大值分类点采用SVM算法进行区域分区的依据如下：
当μ小于阈值M时，无需考虑P1类点，此时只有P2、P3两类点，对这两类点基于高斯核函数进行分区；
当μ大于等于阈值M时，参与分区的是P1、P2、P3三类点，对三类点进行高斯核函数分区，此时得到的分区是污秽实际分区的规则化，将实际分区中存在的污秽复杂边缘进行平滑处理。
8.根据权利要求7所述的一种污秽绝缘子电位测量方法，其特征在于：所述步骤S5中对污秽分布发生变化的情况进行更新是在环境条件变化后，通过重新获取K2时刻的绝缘子污秽的可见光图像，与K1时刻的绝缘子污秽的可见光图像进行比对，当两个时刻的图像进行相同预处理并考虑到照度调整后，亮度信息差值最大值大于等于2σ时，进行电位分布的更新。
9.一种污秽绝缘子电位测量装置，其特征在于：包括数据传输或数据接入模块、图像预处理模块、计算模块、显示模块，所述数据传输或数据接入模块用于实现绝缘子污秽的可见光图像数据和绝缘子三维模型的传输或者离线接入；
所述图像预处理模块用于对可见光图像进行预处理和照度调整；
所述计算模块采用如权利要求1-8任一项所述的污秽绝缘子电位测量方法，用于实现绝缘子三维模型的精细化、污秽分布和三维模型的映射、污秽三维模型的网格化和极大值的分类、子分布生成和归一化操作、电位的计算；
所述显示模块用于显示计算过程的三维模型以及电位分布。
CN202310224266.3A 2023-03-10 2023-03-10 一种污秽绝缘子电位测量方法及装置 Active CN116068287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310224266.3A CN116068287B (zh) 2023-03-10 2023-03-10 一种污秽绝缘子电位测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310224266.3A CN116068287B (zh) 2023-03-10 2023-03-10 一种污秽绝缘子电位测量方法及装置

Publications (2)

Publication Number Publication Date
CN116068287A CN116068287A (zh) 2023-05-05
CN116068287B true CN116068287B (zh) 2023-06-13

Family

ID=86169973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310224266.3A Active CN116068287B (zh) 2023-03-10 2023-03-10 一种污秽绝缘子电位测量方法及装置

Country Status (1)

Country Link
CN (1) CN116068287B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116858861A (zh) * 2023-09-04 2023-10-10 国网江苏省电力有限公司常州供电分公司 复合绝缘子的检测方法、检测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018086419A1 (zh) * 2016-11-11 2018-05-17 清华大学深圳研究生院 一种绝缘子表面等值盐密测量方法及装置
CN110632092A (zh) * 2019-10-25 2019-12-31 云南电网有限责任公司电力科学研究院 基于高光谱技术的绝缘子表面污秽分布特性检测方法
CN113642714A (zh) * 2021-08-27 2021-11-12 国网湖南省电力有限公司 基于小样本学习的绝缘子污秽放电状态识别方法及系统
CN114140633A (zh) * 2021-11-30 2022-03-04 国网辽宁省电力有限公司铁岭供电公司 一种基于红外与可见光图像识别绝缘子污秽程度的检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5987195B2 (ja) * 2012-12-25 2016-09-07 株式会社明電舎 剛体架線の支持部品検査装置
CN103323460B (zh) * 2013-06-03 2016-04-20 深圳供电局有限公司 一种基于可见光图像的绝缘子检测方法及装置
CN105303006B (zh) * 2015-12-03 2018-09-25 国家电网公司 一种含污秽薄层的复合绝缘子电场计算方法
CN105513449A (zh) * 2015-12-22 2016-04-20 国家电网公司 一种用于电网调控一体化仿真培训系统的综合评价方法
CN106093069B (zh) * 2016-08-15 2019-01-11 国网山西省电力公司电力科学研究院 一种高压绝缘子串绝缘污秽故障的监测方法
CN107240095A (zh) * 2017-05-25 2017-10-10 武汉大学 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法
CN108693195B (zh) * 2018-05-18 2020-11-27 云南电网有限责任公司电力科学研究院 绝缘子表面污秽程度测量方法、装置及系统
CN109583066B (zh) * 2018-11-22 2023-06-09 南京工程学院 一种直流架空线路绝缘子表面污秽沉积模拟方法
CN109598065A (zh) * 2018-12-05 2019-04-09 西南交通大学 一种流场环境下绝缘子带电积污分布的获取方法
CN109799440B (zh) * 2019-03-29 2021-06-18 云南电网有限责任公司电力科学研究院 基于高光谱技术的绝缘子污层电导检测方法
CN111665189B (zh) * 2020-07-09 2023-11-21 中车青岛四方机车车辆股份有限公司 车顶绝缘子表面涂层磨蚀试验方法
CN112414950B (zh) * 2020-11-05 2021-08-31 西南交通大学 一种协同高光谱与红外技术的绝缘子等值盐密检测方法
CN114820383A (zh) * 2022-05-18 2022-07-29 重庆大学 基于绝缘子可见光图像的污秽等级评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018086419A1 (zh) * 2016-11-11 2018-05-17 清华大学深圳研究生院 一种绝缘子表面等值盐密测量方法及装置
CN110632092A (zh) * 2019-10-25 2019-12-31 云南电网有限责任公司电力科学研究院 基于高光谱技术的绝缘子表面污秽分布特性检测方法
CN113642714A (zh) * 2021-08-27 2021-11-12 国网湖南省电力有限公司 基于小样本学习的绝缘子污秽放电状态识别方法及系统
CN114140633A (zh) * 2021-11-30 2022-03-04 国网辽宁省电力有限公司铁岭供电公司 一种基于红外与可见光图像识别绝缘子污秽程度的检测方法

Also Published As

Publication number Publication date
CN116068287A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN112734692B (zh) 一种变电设备缺陷识别方法及装置
Moradzadeh et al. Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults
Wang et al. A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network
Davari et al. Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos
CN116068287B (zh) 一种污秽绝缘子电位测量方法及装置
Luo et al. Data-driven short-term voltage stability assessment based on spatial-temporal graph convolutional network
Wang et al. A domain adaptive deep transfer learning method for gas-insulated switchgear partial discharge diagnosis
Stefenon et al. Optimized ensemble extreme learning machine for classification of electrical insulators conditions
Gencoglu et al. Prediction of flashover voltage of insulators using least squares support vector machines
She et al. Insulator breakage detection utilizing a convolutional neural network ensemble implemented with small sample data augmentation and transfer learning
Bian et al. Feature extraction and classification of time-varying power load characteristics based on PCANet and CNN+ Bi-LSTM algorithms
Maraaba et al. Estimation of high voltage insulator contamination using a combined image processing and artificial neural networks
Zou et al. Double convolutional neural network for fault identification of power distribution network
Wang et al. Efficient and refined deep convolutional features network for the crack segmentation of solar cell electroluminescence images
Nan et al. Research on fuzzy enhancement algorithms for infrared image recognition quality of power internet of things equipment based on membership function
Wang et al. An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN
CN113780308B (zh) 基于核主元分析与神经网络的gis局部放电模式识别方法及系统
Wang et al. Application of Digital Twin in Power Grid Inspection
Lu et al. An anomaly detection method for outdoors insulator in high-speed railway traction substation
Huang et al. Partial discharge pattern recognition of switchgear based on residual convolutional neural network
Kong et al. Research status and difficulties of ultra-short-term prediction of photovoltaic power
Zhang et al. Research on arc fault detection using ResNet and gamma transform regularization
Ye et al. Intelligent detection method for substation insulator defects based on CenterMask
Roy et al. Image Visibility Patch Aided Hydrophobic Class Detection of Silicone Rubber Insulators Employing Bi-LSTM Network
Shuai et al. Research on arc fault detection using ResNet and gamma transform regularization

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