CN116309603A - 一种电力设备故障视觉检测方法及系统 - Google Patents

一种电力设备故障视觉检测方法及系统 Download PDF

Info

Publication number
CN116309603A
CN116309603A CN202310588034.6A CN202310588034A CN116309603A CN 116309603 A CN116309603 A CN 116309603A CN 202310588034 A CN202310588034 A CN 202310588034A CN 116309603 A CN116309603 A CN 116309603A
Authority
CN
China
Prior art keywords
image
server
switch cabinet
difference value
real
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
Application number
CN202310588034.6A
Other languages
English (en)
Other versions
CN116309603B (zh
Inventor
马瑞亮
胡永超
于秀川
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.)
Shandong Shuanghai Electrical Equipment Installation Co ltd
Original Assignee
Shandong Shuanghai Electrical Equipment Installation 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 Shandong Shuanghai Electrical Equipment Installation Co ltd filed Critical Shandong Shuanghai Electrical Equipment Installation Co ltd
Priority to CN202310588034.6A priority Critical patent/CN116309603B/zh
Publication of CN116309603A publication Critical patent/CN116309603A/zh
Application granted granted Critical
Publication of CN116309603B publication Critical patent/CN116309603B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Gas-Insulated Switchgears (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种电力设备故障视觉检测方法及系统，涉及电力设备故障检测技术领域，通过于开关柜内设置摄像头和照明灯，拍摄初始初始图像，然后每隔间隔时长拍摄实时检测图像，实时检测图像能够清楚的反应每隔间隔时长后，开关柜内绝缘子的灰尘积累情况；进而基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，当达到预设等级时，说明开关柜内绝缘子的灰尘积累较多，造成绝缘性能降低，进而容易产生沿面闪络和短路故障，故服务器生成预警信息，以及时提醒管理人员，相比传统的人工巡检的故障检测方式，本发明提出的方案能够及时快速的检测并预防开关柜出现短路故障。

Description

一种电力设备故障视觉检测方法及系统
技术领域
本发明涉及电力设备故障检测技术领域，具体涉及一种电力设备故障视觉检测方法及系统。
背景技术
开关柜是电网系统中的重要电力设备，是指在电力系统进行发电、输电、配电和电能转换的过程中，进行开合、控制和保护用电设备。开关柜内的部件主要有断路器、隔离开关、负荷开关、操作机构、互感器以及各种保护装置等。开关柜的分类方法很多，如通过断路器安装方式可以分为移开式开关柜和固定式开关柜；按照柜体结构的不同，可分为敞开式开关柜、金属封闭开关柜、和金属封闭铠装式开关柜；根据电压等级不同又可分为高压开关柜，中压开关柜和低压开关柜等。
目前开关柜主要故障是短路，而短路的主要原因是随着开关柜的工作时长增加，外界灰尘越来越多的进入开关柜内部，进而造出柜内的颗粒浓度较高，灰尘容易吸附于绝缘子表面，造成绝缘性能降低，进而容易产生沿面闪络和短路故障，现有的针对开关柜的故障检测方式为人工巡检，并不能够及时快速的检测并预防开关柜出现短路故障。
发明内容
本发明的主要目的是提供一种电力设备故障视觉检测方法及系统，旨在解决现有的针对开关柜的故障检测方式为人工巡检，并不能够及时快速的检测并预防开关柜出现短路故障的问题。
本发明提出的技术方案为：
一种电力设备故障视觉检测方法，应用于电力设备故障视觉检测系统；所述系统包括检测端组件、服务器和管理终端；检测端组件和管理终端均通信连接于服务器；检测端组件设置于开关柜内部；检测端组件包括控制器、摄像头和照明灯；所述方法，包括：
当开关柜安装完成准备启动，或清理完灰尘之时，管理终端生成初始化指令并发送至控制器；
控制器基于初始化指令控制照明灯启动，并控制摄像头拍摄开关柜内绝缘子的图像，并标记为初始图像发送至服务器；
服务器生成间隔时长，并发送至控制器；
控制器每隔间隔时长，控制照明灯启动，并控制摄像头拍摄开关柜内绝缘子的图像，并标记为实时检测图像发送至服务器；
服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，其中，短路风险等级包括低风险等级、中风险等级和高风险等级；
若是，服务器生成预警信息并发送至管理终端。
优选的，所述服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，包括：
服务器获取初始图像的RGB值，以及各实时检测图像的RGB值；
服务器基于实时检测图像的RGB值和初始图像的RGB值得到实时检测图像对应的图像差异值；
服务器基于图像差异值判断开关柜的短路风险等级是否达到预设等级。
优选的，所述服务器基于实时检测图像的RGB值和初始图像的RGB值得到实时检测图像对应的图像差异值的计算公式为：
Figure SMS_1
，
式中，
Figure SMS_2
为图像差异值；N为实时检测图像的像素点的总数量，且实时检测图像 的像素点的数量与初始图像的像素点的数量一致；
Figure SMS_3
为初始图像的第i个像素点的RGB 值的R分量值；
Figure SMS_4
为实时检测图像的第i个像素点的RGB值的R分量值；
Figure SMS_5
为初始图像 的第i个像素点的RGB值的G分量值；
Figure SMS_6
为实时检测图像的第i个像素点的RGB值的G分量 值；
Figure SMS_7
为初始图像的第i个像素点的RGB值的B分量值；
Figure SMS_8
为实时检测图像的第i个像 素点的RGB值的B分量值。
优选的，所述服务器基于图像差异值判断开关柜的短路风险等级是否达到预设等级，包括：
服务器获取第一差异阈值和第二差异阈值，其中，第一差异阈值小于第二差异阈值；
当图像差异值小于第一差异阈值时，服务器确定开关柜的短路风险等级为低风险等级；
当图像差异值大于或等于第一差异阈值，且小于或等于第二差异值时，服务器确定开关柜的短路风险等级为中风险等级；
当图像差异值大于第二差异阈值时，服务器确定开关柜的短路风险等级为高风险等级。
优选的，所述当图像差异值大于或等于第一差异阈值，且小于或等于第二差异值时，服务器确定开关柜的短路风险等级为中风险等级，之后还包括：
服务器将图像差异值大于或等于第一差异阈值，且小于或等于第二差异值的实时检测图像标记为第一目标图像；
服务器判断第一目标图像是否为拍摄初始图像后第一次拍摄的开关柜内绝缘子的图像；
若是，服务器将间隔时长减小，并再次发送至控制器。
优选的，所述当图像差异值小于第一差异阈值时，服务器确定开关柜的短路风险等级为低风险等级，之后还包括：
服务器将图像差异值小于第一差异阈值的实时检测图像标记为第二目标图像；
服务器判断第二目标图像是否为拍摄初始图像后第一次拍摄的开关柜内绝缘子的图像；
若是，服务器基于第二目标图像对应的图像差异值和间隔时长得到开关柜的灰尘积累速度值：
Figure SMS_9
，
式中，
Figure SMS_10
为灰尘积累速度值，
Figure SMS_11
为间隔时长，单位为日；
服务器基于灰尘积累速度值计算得到预估时长，其中，预期时长为当前时刻起至开关柜的短路风险等级达到中风险等级所需的时长，预估时长的计算公式为：
Figure SMS_12
，
式中，
Figure SMS_13
为预估时长，单位为日，
Figure SMS_14
为第二差异阈值；
当预估时长小于间隔时长时，服务器将间隔时长设置为与预估时长一致。
优选的，所述预设等级为中风险等级；开关柜的数量为多个，各开关柜均对应设置有检测端组件；所述方法，还包括：
若当前时刻短路风险等级达到预设等级的开关柜的数量为多个时，服务器将各短路风险等级达到预设等级的开关柜标记为目标开关柜；
服务器获取管理人员对各目标开关柜进行灰尘清理之前的准备时长；
服务器获取各目标开关柜对应的最近一次计算得到图像差异值，并标记为对应的临近图像差异值；
服务器获取各目标开关柜对应的灰尘积累速度值；
服务器基于各目标开关柜对应的行程时长、灰尘积累速度值和临近图像差异值计算得到各目标开关柜对应的最终图像差异值：
Figure SMS_15
，
式中，
Figure SMS_16
，X为目标开关柜的数量；
Figure SMS_17
为第x个目标开关柜的最终图像差 异值；
Figure SMS_18
为第x个目标开关柜所对应的准备时长，单位为日；
Figure SMS_19
为服务器拍摄得到第 x个目标开关柜所对应的临近图像差异值的时间点与当前时刻的间隔时长，单位为日；
Figure SMS_20
为第x个目标开关柜所对应的灰尘积累速度值；
Figure SMS_21
为第x个目标开关柜所对应的 临近图像差异值；
服务器生成各目标开关柜的灰尘清理顺序表，其中，灰尘清理顺序表按照各目标开关柜的最终图像差异值降序排列。
优选的，所述检测端组件还包括擦拭部件；所述擦拭部件用于擦拭绝缘子的局部表面；所述服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，之后还包括：
若是，服务器向控制器发送擦拭指令；
控制器基于擦拭指令控制擦拭组件对绝缘子进行擦拭，然后控制照明灯启动，并控制摄像头拍摄擦拭后的绝缘子的图像，并标记为实时对比图像发送至服务器；
服务器基于实时对比图像确定是否需要进行故障预警；
当需要进行故障预警时，服务器生成预警信息并发送至管理终端。
优选的，所述服务器基于实时对比图像确定是否需要进行故障预警，包括：
服务器通过图像识别获取实时对比图像中绝缘子的已擦拭部位局部图像；
服务器通过图像识别获取实时对比图像中绝缘子主体图像；
服务器获取已擦拭部位局部图像的平均RGB值，以及主体图像的平均RGB值，以计算擦拭部位差异值，其中，擦拭部位差异值的计算公式为：
Figure SMS_22
，
Figure SMS_23
，
Figure SMS_24
，
Figure SMS_25
，
Figure SMS_26
，
Figure SMS_27
，
Figure SMS_28
式中，
Figure SMS_30
为擦拭部位差异值；
Figure SMS_36
为已擦拭部位局部图像的平均RGB值的R分 量值；
Figure SMS_39
为已擦拭部位局部图像的平均RGB值的G分量值；
Figure SMS_31
为已擦拭部位局部图像 的平均RGB值的B分量值；
Figure SMS_34
为主体图像的平均RGB值的R分量值；
Figure SMS_38
为主体图像的 平均RGB值的G分量值；
Figure SMS_41
为主体图像的平均RGB值的B分量值；M为已擦拭部位局部图像 的像素点的总数量；
Figure SMS_29
为已擦拭部位局部图像中第j个像素点的RGB值的R分量值；
Figure SMS_33
为 已擦拭部位局部图像中第j个像素点的RGB值的G分量值；
Figure SMS_37
为已擦拭部位局部图像中第j 个像素点的RGB值的B分量值；K为主体图像的像素点的总数量；
Figure SMS_40
为主体图像中第k个像 素点的RGB值的R分量值；
Figure SMS_32
为主体图像中第k个像素点的RGB值的G分量值；
Figure SMS_35
为主体 图像中第k个像素点的RGB值的B分量值；
服务器获取第四差异阈值；
当擦拭部位差异值大于或等于第四差异阈值时，服务器确定需要进行故障预警；
当擦拭部位差异值小于第四差异阈值时，服务器确定不需要进行故障预警。
本发明还提出一种电力设备故障视觉检测系统，应用于如任一项所述的电力设备故障视觉检测方法；所述系统包括检测端组件、服务器和管理终端；检测端组件和管理终端均通信连接于服务器；检测端组件设置于开关柜内部；检测端组件包括控制器、摄像头照明灯。
通过上述技术方案，能实现以下有益效果：
本发明通过于开关柜内设置摄像头和照明灯，拍摄初始初始图像，然后每隔间隔时长拍摄实时检测图像，实时检测图像能够清楚的反应每隔间隔时长后，开关柜内绝缘子的灰尘积累情况；进而基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，当达到预设等级时，说明开关柜内绝缘子的灰尘积累较多，造成绝缘性能降低，进而容易产生沿面闪络和短路故障，故服务器生成预警信息，以及时提醒管理人员，相比传统的人工巡检的故障检测方式，本发明提出的方案能够及时快速的检测并预防开关柜出现短路故障。
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示出的结构获得其他的附图。
图1为本发明提出的一种电力设备故障视觉检测方法第一实施例的流程图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提出一种电力设备故障视觉检测方法及系统。
如附图1所示，在本发明提出的一种电力设备故障视觉检测方法的第一实施例中，本电力设备故障视觉检测方法应用于电力设备故障视觉检测系统；所述系统包括检测端组件、服务器和管理终端；检测端组件和管理终端均通信连接于服务器；检测端组件设置于开关柜内部；检测端组件包括控制器（例如单片机）、摄像头和照明灯（照明灯用于给开关柜内照明，以使摄像头能够清楚的拍摄到开关柜内绝缘子的图像）；本实施例包括如下步骤：
步骤S110：当开关柜安装完成准备启动，或清理完灰尘之时，管理终端生成初始化指令并发送至控制器。
步骤S120：控制器基于初始化指令控制照明灯启动，并控制摄像头拍摄开关柜内绝缘子的图像，并标记为初始图像发送至服务器，拍摄完成后，控制器控制照明灯关闭。
具体的，为了保证拍摄的图像能够准确的反应绝缘子的表面的灰尘积累情况，每次拍摄时，照明灯的开启功率和亮度都一样，以减少灯光对拍摄的图像的影响。
步骤S130：服务器生成间隔时长（例如30天），并发送至控制器。
步骤S140：控制器每隔间隔时长，控制照明灯启动，并控制摄像头拍摄开关柜内绝缘子的图像，并标记为实时检测图像发送至服务器。
具体的，实时检测图像能够清楚的反应每隔间隔时长后，开关柜内绝缘子的灰尘积累情况。
步骤S150：服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，其中，短路风险等级包括低风险等级、中风险等级和高风险等级。
本实施例中，这里的预设等级为开关柜容易出现短路故障时所对应的风险等级，例如中风险等级，即当开关柜的短路风险等级达到中风险等级时，开关柜内绝缘子的灰尘积累较多，造成绝缘性能降低，进而容易产生沿面闪络和短路故障，因此，需要生成预警信息，以及时提醒管理人员。
若是，执行步骤S160：服务器生成预警信息并发送至管理终端。
本发明通过于开关柜内设置摄像头和照明灯，拍摄初始初始图像，然后每隔间隔时长拍摄实时检测图像，实时检测图像能够清楚的反应每隔间隔时长后，开关柜内绝缘子的灰尘积累情况；进而基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，当达到预设等级时，说明开关柜内绝缘子的灰尘积累较多，造成绝缘性能降低，进而容易产生沿面闪络和短路故障，故服务器生成预警信息，以及时提醒管理人员，相比传统的人工巡检的故障检测方式，本发明提出的方案能够及时快速的检测并预防开关柜出现短路故障。
在本发明提出的一种电力设备故障视觉检测方法的第二实施例中，基于第一实施例，步骤S150包括如下步骤：
步骤S210：服务器获取初始图像的RGB值，以及各实时检测图像的RGB值。
具体的，RGB值能够清楚地反映图像的色彩特征，进而反应出绝缘子上灰尘的积累程度，灰尘积累得越多，则绝缘子的外表色彩相比初始时刻的外表色彩的变化越大，则相应的RGB值的变化越大。
步骤S220：服务器基于实时检测图像的RGB值和初始图像的RGB值得到实时检测图像对应的图像差异值。
具体的，这里的图像差异值用于表述实时检测图像的RGB值和初始图像的RGB值的差异程度，进而能够反映出绝缘子的外表色彩相比初始时刻的外表色彩的变化程度，从而反映出绝缘子上灰尘的积累程度；即图像差异值越大，说明绝缘子上灰尘的积累得越多。
步骤S230：服务器基于图像差异值判断开关柜的短路风险等级是否达到预设等级。
在本发明提出的一种电力设备故障视觉检测方法的第三实施例中，基于第二实施例，所述服务器基于实时检测图像的RGB值和初始图像的RGB值得到实时检测图像对应的图像差异值的计算公式为：
Figure SMS_42
,
式中，
Figure SMS_43
为图像差异值；N为实时检测图像的像素点的总数量，且实时检测图像 的像素点的数量与初始图像的像素点的数量一致（即实时检测图像与初始图像的像素尺寸 一致）；
Figure SMS_44
为初始图像的第i个像素点的RGB值的R分量值；
Figure SMS_45
为实时检测图像的第i个 像素点的RGB值的R分量值；
Figure SMS_46
为初始图像的第i个像素点的RGB值的G分量值；
Figure SMS_47
为实 时检测图像的第i个像素点的RGB值的G分量值；
Figure SMS_48
为初始图像的第i个像素点的RGB值的 B分量值；
Figure SMS_49
为实时检测图像的第i个像素点的RGB值的B分量值。
本实施例给出了图像差异值的具体计算公式。
在本发明提出的一种电力设备故障视觉检测方法的第四实施例中，基于第二实施例，步骤S230，包括如下步骤：
步骤S410：服务器获取第一差异阈值和第二差异阈值，其中，第一差异阈值小于第二差异阈值。
步骤S420：当图像差异值小于第一差异阈值时，服务器确定开关柜的短路风险等级为低风险等级。
步骤S430：当图像差异值大于或等于第一差异阈值，且小于或等于第二差异值时，服务器确定开关柜的短路风险等级为中风险等级。
步骤S440：当图像差异值大于第二差异阈值时，服务器确定开关柜的短路风险等级为高风险等级。
本实施例给出了如何基于图像差异值具体确定开关柜的短路风险等级。
在本发明提出的一种电力设备故障视觉检测方法的第五实施例中，基于第三实施例，步骤S50 ，之后还包括如下步骤：
若否，执行步骤S510：服务器获取第三差异阈值，并判断图像差异值是否小于第三差异阈值，其中，第三差异阈值小于第一差异阈值。
具体的，这里的第三差异阈值取值为第一差异阈值的10%。
步骤S520：当图像差异值小于第三差异阈值时，服务器将间隔时长增大，并再次发送至控制器。
具体的，若图像差异值小于第三差异阈值，说明开关柜的灰尘积累速度较慢，为了适当增大间隔时长，以增大检测的时间周期，降低服务器的检测运算负担。
在本发明提出的一种电力设备故障视觉检测方法的第六实施例中，基于第四实施例，步骤S430，之后还包括如下步骤：
步骤S610：服务器将图像差异值大于或等于第一差异阈值，且小于或等于第二差异值的实时检测图像标记为第一目标图像。
步骤S620：服务器判断第一目标图像是否为拍摄初始图像后第一次拍摄的开关柜内绝缘子的图像。
若是，执行步骤S630：服务器将间隔时长减小，并再次发送至控制器。
具体的，若是，说明完成初始图像的拍摄后，经过第一个间隔时长所拍摄的实时检测图像就反应出开关柜内的灰尘积累较多，说明开关柜的柜内灰尘积累速度较快，为此，需要缩短间隔时长，以适用该开关柜的较快的灰尘积累速度，从而能够及时的检测并预防开关柜的故障。
在本发明提出的一种电力设备故障视觉检测方法的第七实施例中，基于第四实施例，步骤420，之后还包括如下步骤：
步骤S710：服务器将图像差异值小于第一差异阈值的实时检测图像标记为第二目标图像。
步骤S720：服务器判断第二目标图像是否为拍摄初始图像后第一次拍摄的开关柜内绝缘子的图像。
若是，执行步骤S730：服务器基于第二目标图像对应的图像差异值和间隔时长得到开关柜的灰尘积累速度值：
Figure SMS_50
，
式中，
Figure SMS_51
为灰尘积累速度值，
Figure SMS_52
为间隔时长，单位为日。
具体的，若是，说明完成初始图像的拍摄后，经过第一个间隔时长所拍摄的实时检测图像反应的开关柜内的灰尘积累程度没有达到中风险等级，但是为了进一步验证是否接近中风险等级，仍需要进行后续的计算验证。
步骤S740：服务器基于灰尘积累速度值计算得到预估时长，其中，预期时长为当前时刻起至开关柜的短路风险等级达到中风险等级所需的时长，预估时长的计算公式为：
Figure SMS_53
，
式中，
Figure SMS_54
为预估时长，单位为日，
Figure SMS_55
为第二差异阈值。
步骤S750：当预估时长小于间隔时长时，服务器将间隔时长设置为与预估时长一致。
具体的，若预估时长小于间隔时长，说明若该开关柜按照当前的灰尘积累速度，会在下一个拍摄实时检测图像之前达到中风险，为了及时知晓该开关柜的灰尘积累情况，需要缩小间隔时长，即将间隔时长设置为与预估时长一致。
在本发明提出的一种电力设备故障视觉检测方法的第八实施例中，基于第七实施例，所述预设等级为中风险等级；开关柜的数量为多个（例如3个），各开关柜均对应设置有检测端组件；本实施例还包括如下步骤：
步骤S810：若当前时刻短路风险等级达到预设等级的开关柜的数量为多个时，服务器将各短路风险等级达到预设等级的开关柜标记为目标开关柜。
具体的，即目标开关柜的数量为多个。本实施例中，各开关柜的安装地点分布较广，若同时存在多个短路风险等级达到预设等级的开关柜，检修人员需要检修的时间较长，则需要进一步基于各开关柜的具体风险来安排检修的顺序。
步骤S820：服务器获取管理人员对各目标开关柜进行灰尘清理之前的准备时长（包括人员调配时长，人员到达目标开关柜的路程时长，单位为日）。
步骤S830：服务器获取各目标开关柜对应的最近一次计算得到图像差异值，并标记为对应的临近图像差异值。
步骤S840：服务器获取各目标开关柜对应的灰尘积累速度值。
步骤S850：服务器基于各目标开关柜对应的行程时长、灰尘积累速度值和临近图像差异值计算得到各目标开关柜对应的最终图像差异值：
Figure SMS_56
，
式中，
Figure SMS_57
，X为目标开关柜的数量；
Figure SMS_58
为第x个目标开关柜的最终图像差 异值；
Figure SMS_59
为第x个目标开关柜所对应的准备时长，单位为日；
Figure SMS_60
为服务器拍摄得到第 x个目标开关柜所对应的临近图像差异值的时间点与当前时刻的间隔时长，单位为日；
Figure SMS_61
为第x个目标开关柜所对应的灰尘积累速度值；
Figure SMS_62
为第x个目标开关柜所对应的 临近图像差异值。
步骤S860：服务器生成各目标开关柜的灰尘清理顺序表，其中，灰尘清理顺序表按照各目标开关柜的最终图像差异值降序排列。
具体的，目标开关柜的最终图像差异值能够表述目标开关柜在最终进行检修之时所对应的图像差异值，该值越大，则目标开关柜出现短路的风险越高，则检修人员需要根据灰尘清理顺序表来安排检修，从而降低所有开关柜的整体运行风险。
在本发明提出的一种电力设备故障视觉检测方法的第九实施例中，基于第一实施例，所述检测端组件还包括擦拭部件；所述擦拭部件用于擦拭绝缘子的局部表面（该擦拭部件可基于现有技术得到，例如通过电动推杆驱动擦拭杆移动，以对绝缘子表面进行擦拭，为了保证安全，进行擦拭时，开关柜的一次回路需要断开）；步骤S150，之后还包括如下步骤：
若是，执行步骤S910：服务器向控制器发送擦拭指令。
步骤S920：控制器基于擦拭指令控制擦拭组件对绝缘子进行擦拭，然后控制照明灯启动，并控制摄像头拍摄擦拭后的绝缘子的图像，并标记为实时对比图像发送至服务器。
步骤S930：服务器基于实时对比图像确定是否需要进行故障预警。
步骤S940：当需要进行故障预警时，服务器生成预警信息并发送至管理终端。
具体的，经过步骤S150，若确定开关柜的短路风险等级达到了预设等级，为了进一步确认开关柜确实是灰尘积累较多，需要获取擦拭后的绝缘子的图像，并基于实时对比图像确定是否需要进行故障预警，这样能够更加准确的对开关柜进行故障检测。
在本发明提出的一种电力设备故障视觉检测方法的第十实施例中，基于第九实施例，步骤S930，包括如下步骤：
步骤S1010：服务器通过图像识别获取实时对比图像中绝缘子的已擦拭部位局部图像。
步骤S1020：服务器通过图像识别获取实时对比图像中绝缘子主体图像。
具体的，这里的绝缘子主体图像即是包括了已擦拭部位的绝缘子整体主体图像。
步骤S1030：服务器获取已擦拭部位局部图像的平均RGB值，以及主体图像的平均RGB值，以计算擦拭部位差异值，其中，擦拭部位差异值的计算公式为：
Figure SMS_63
，
Figure SMS_64
，
Figure SMS_65
，
Figure SMS_66
，
Figure SMS_67
，
Figure SMS_68
，
Figure SMS_69
式中，
Figure SMS_71
为擦拭部位差异值；
Figure SMS_76
为已擦拭部位局部图像的平均RGB值的R分 量值；
Figure SMS_79
为已擦拭部位局部图像的平均RGB值的G分量值；
Figure SMS_72
为已擦拭部位局部图像 的平均RGB值的B分量值；
Figure SMS_77
为主体图像的平均RGB值的R分量值；
Figure SMS_80
为主体图像的 平均RGB值的G分量值；
Figure SMS_82
为主体图像的平均RGB值的B分量值；M为已擦拭部位局部图像 的像素点的总数量；
Figure SMS_70
为已擦拭部位局部图像中第j个像素点的RGB值的R分量值；
Figure SMS_74
为 已擦拭部位局部图像中第j个像素点的RGB值的G分量值；
Figure SMS_78
为已擦拭部位局部图像中第j 个像素点的RGB值的B分量值；K为主体图像的像素点的总数量，则有K大于M；
Figure SMS_81
为主体图 像中第k个像素点的RGB值的R分量值；
Figure SMS_73
为主体图像中第k个像素点的RGB值的G分量值；
Figure SMS_75
为主体图像中第k个像素点的RGB值的B分量值。
这里的擦拭部位差异值用于表述已擦拭部位局部图像的RGB值和主体图像的RGB值的差异程度，进而能够反映出绝缘子的外表被擦拭部位和绝缘子的整体外表的色彩差异程度，即图像差异值越大，色彩的差异程度越大，说明绝缘子上灰尘的积累得越多。
步骤S1040：服务器获取第四差异阈值。
步骤S1050：当擦拭部位差异值大于或等于第四差异阈值时，服务器确定需要进行故障预警。
步骤S1060：当擦拭部位差异值小于第四差异阈值时，服务器确定不需要进行故障预警。
本实施例给出了基于实时对比图像确定是否需要进行故障预警的具体方案。
本发明还提出一种电力设备故障视觉检测系统，本系统应用于如上述任一项所述的电力设备故障视觉检测方法；所述系统包括检测端组件、服务器和管理终端；检测端组件和管理终端均通信连接于服务器；检测端组件设置于开关柜内部；检测端组件包括控制器、摄像头和照明灯。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种电力设备故障视觉检测方法，其特征在于，应用于电力设备故障视觉检测系统；所述系统包括检测端组件、服务器和管理终端；检测端组件和管理终端均通信连接于服务器；检测端组件设置于开关柜内部；检测端组件包括控制器、摄像头和照明灯；所述方法，包括：
当开关柜安装完成准备启动，或清理完灰尘之时，管理终端生成初始化指令并发送至控制器；
控制器基于初始化指令控制照明灯启动，并控制摄像头拍摄开关柜内绝缘子的图像，并标记为初始图像发送至服务器；
服务器生成间隔时长，并发送至控制器；
控制器每隔间隔时长，控制照明灯启动，并控制摄像头拍摄开关柜内绝缘子的图像，并标记为实时检测图像发送至服务器；
服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，其中，短路风险等级包括低风险等级、中风险等级和高风险等级；
若是，服务器生成预警信息并发送至管理终端。
2.根据权利要求1所述的一种电力设备故障视觉检测方法，其特征在于，所述服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，包括：
服务器获取初始图像的RGB值，以及各实时检测图像的RGB值；
服务器基于实时检测图像的RGB值和初始图像的RGB值得到实时检测图像对应的图像差异值；
服务器基于图像差异值判断开关柜的短路风险等级是否达到预设等级。
3.根据权利要求2所述的一种电力设备故障视觉检测方法，其特征在于，所述服务器基于实时检测图像的RGB值和初始图像的RGB值得到实时检测图像对应的图像差异值的计算公式为：
Figure QLYQS_1
，
式中，
Figure QLYQS_2
为图像差异值；N为实时检测图像的像素点的总数量，且实时检测图像的像素点的数量与初始图像的像素点的数量一致；/>
Figure QLYQS_3
为初始图像的第i个像素点的RGB值的R分量值；/>
Figure QLYQS_4
为实时检测图像的第i个像素点的RGB值的R分量值；/>
Figure QLYQS_5
为初始图像的第i个像素点的RGB值的G分量值；/>
Figure QLYQS_6
为实时检测图像的第i个像素点的RGB值的G分量值；
Figure QLYQS_7
为初始图像的第i个像素点的RGB值的B分量值；/>
Figure QLYQS_8
为实时检测图像的第i个像素点的RGB值的B分量值。
4.根据权利要求2所述的一种电力设备故障视觉检测方法，其特征在于，所述服务器基于图像差异值判断开关柜的短路风险等级是否达到预设等级，包括：
服务器获取第一差异阈值和第二差异阈值，其中，第一差异阈值小于第二差异阈值；
当图像差异值小于第一差异阈值时，服务器确定开关柜的短路风险等级为低风险等级；
当图像差异值大于或等于第一差异阈值，且小于或等于第二差异值时，服务器确定开关柜的短路风险等级为中风险等级；
当图像差异值大于第二差异阈值时，服务器确定开关柜的短路风险等级为高风险等级。
5.根据权利要求4所述的一种电力设备故障视觉检测方法，其特征在于，所述当图像差异值大于或等于第一差异阈值，且小于或等于第二差异值时，服务器确定开关柜的短路风险等级为中风险等级，之后还包括：
服务器将图像差异值大于或等于第一差异阈值，且小于或等于第二差异值的实时检测图像标记为第一目标图像；
服务器判断第一目标图像是否为拍摄初始图像后第一次拍摄的开关柜内绝缘子的图像；
若是，服务器将间隔时长减小，并再次发送至控制器。
6.根据权利要求4所述的一种电力设备故障视觉检测方法，其特征在于，所述当图像差异值小于第一差异阈值时，服务器确定开关柜的短路风险等级为低风险等级，之后还包括：
服务器将图像差异值小于第一差异阈值的实时检测图像标记为第二目标图像；
服务器判断第二目标图像是否为拍摄初始图像后第一次拍摄的开关柜内绝缘子的图像；
若是，服务器基于第二目标图像对应的图像差异值和间隔时长得到开关柜的灰尘积累速度值：
Figure QLYQS_9
，
式中，
Figure QLYQS_10
为灰尘积累速度值，/>
Figure QLYQS_11
为间隔时长，单位为日；
服务器基于灰尘积累速度值计算得到预估时长，其中，预期时长为当前时刻起至开关柜的短路风险等级达到中风险等级所需的时长，预估时长的计算公式为：
Figure QLYQS_12
，
式中，
Figure QLYQS_13
为预估时长，单位为日，/>
Figure QLYQS_14
为第二差异阈值；
当预估时长小于间隔时长时，服务器将间隔时长设置为与预估时长一致。
7.根据权利要求6所述的一种电力设备故障视觉检测方法，其特征在于，所述预设等级为中风险等级；开关柜的数量为多个，各开关柜均对应设置有检测端组件；所述方法，还包括：
若当前时刻短路风险等级达到预设等级的开关柜的数量为多个时，服务器将各短路风险等级达到预设等级的开关柜标记为目标开关柜；
服务器获取管理人员对各目标开关柜进行灰尘清理之前的准备时长；
服务器获取各目标开关柜对应的最近一次计算得到图像差异值，并标记为对应的临近图像差异值；
服务器获取各目标开关柜对应的灰尘积累速度值；
服务器基于各目标开关柜对应的行程时长、灰尘积累速度值和临近图像差异值计算得到各目标开关柜对应的最终图像差异值：
Figure QLYQS_15
，
式中，
Figure QLYQS_16
，X为目标开关柜的数量；/>
Figure QLYQS_17
为第x个目标开关柜的最终图像差异值；
Figure QLYQS_18
为第x个目标开关柜所对应的准备时长，单位为日；/>
Figure QLYQS_19
为服务器拍摄得到第x个目标开关柜所对应的临近图像差异值的时间点与当前时刻的间隔时长，单位为日；/>
Figure QLYQS_20
为第x个目标开关柜所对应的灰尘积累速度值；/>
Figure QLYQS_21
为第x个目标开关柜所对应的临近图像差异值；
服务器生成各目标开关柜的灰尘清理顺序表，其中，灰尘清理顺序表按照各目标开关柜的最终图像差异值降序排列。
8.根据权利要求1所述的一种电力设备故障视觉检测方法，其特征在于，所述检测端组件还包括擦拭部件；所述擦拭部件用于擦拭绝缘子的局部表面；所述服务器基于初始图像和实时检测图像进行图像分析以判断开关柜的短路风险等级是否达到预设等级，之后还包括：
若是，服务器向控制器发送擦拭指令；
控制器基于擦拭指令控制擦拭组件对绝缘子进行擦拭，然后控制照明灯启动，并控制摄像头拍摄擦拭后的绝缘子的图像，并标记为实时对比图像发送至服务器；
服务器基于实时对比图像确定是否需要进行故障预警；
当需要进行故障预警时，服务器生成预警信息并发送至管理终端。
9.根据权利要求8所述的一种电力设备故障视觉检测方法，其特征在于，所述服务器基于实时对比图像确定是否需要进行故障预警，包括：
服务器通过图像识别获取实时对比图像中绝缘子的已擦拭部位局部图像；
服务器通过图像识别获取实时对比图像中绝缘子主体图像；
服务器获取已擦拭部位局部图像的平均RGB值，以及主体图像的平均RGB值，以计算擦拭部位差异值，其中，擦拭部位差异值的计算公式为：
Figure QLYQS_22
，
Figure QLYQS_23
，/>
Figure QLYQS_24
，/>
Figure QLYQS_25
，
Figure QLYQS_33
，/>
Figure QLYQS_28
，/>
Figure QLYQS_36
式中，/>
Figure QLYQS_30
为擦拭部位差异值；
Figure QLYQS_40
为已擦拭部位局部图像的平均RGB值的R分量值；/>
Figure QLYQS_31
为已擦拭部位局部图像的平均RGB值的G分量值；/>
Figure QLYQS_39
为已擦拭部位局部图像的平均RGB值的B分量值；/>
Figure QLYQS_29
为主体图像的平均RGB值的R分量值；/>
Figure QLYQS_38
为主体图像的平均RGB值的G分量值；/>
Figure QLYQS_26
为主体图像的平均RGB值的B分量值；M为已擦拭部位局部图像的像素点的总数量；/>
Figure QLYQS_35
为已擦拭部位局部图像中第j个像素点的RGB值的R分量值；/>
Figure QLYQS_34
为已擦拭部位局部图像中第j个像素点的RGB值的G分量值；/>
Figure QLYQS_41
为已擦拭部位局部图像中第j个像素点的RGB值的B分量值；K为主体图像的像素点的总数量；/>
Figure QLYQS_32
为主体图像中第k个像素点的RGB值的R分量值；/>
Figure QLYQS_37
为主体图像中第k个像素点的RGB值的G分量值；/>
Figure QLYQS_27
为主体图像中第k个像素点的RGB值的B分量值；
服务器获取第四差异阈值；
当擦拭部位差异值大于或等于第四差异阈值时，服务器确定需要进行故障预警；
当擦拭部位差异值小于第四差异阈值时，服务器确定不需要进行故障预警。
10.一种电力设备故障视觉检测系统，其特征在于，应用于如权利要求1-9中任一项所述的电力设备故障视觉检测方法；所述系统包括检测端组件、服务器和管理终端；检测端组件和管理终端均通信连接于服务器；检测端组件设置于开关柜内部；检测端组件包括控制器、摄像头照明灯。
CN202310588034.6A 2023-05-24 2023-05-24 一种电力设备故障视觉检测方法及系统 Active CN116309603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310588034.6A CN116309603B (zh) 2023-05-24 2023-05-24 一种电力设备故障视觉检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310588034.6A CN116309603B (zh) 2023-05-24 2023-05-24 一种电力设备故障视觉检测方法及系统

Publications (2)

Publication Number Publication Date
CN116309603A true CN116309603A (zh) 2023-06-23
CN116309603B CN116309603B (zh) 2023-07-28

Family

ID=86783666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310588034.6A Active CN116309603B (zh) 2023-05-24 2023-05-24 一种电力设备故障视觉检测方法及系统

Country Status (1)

Country Link
CN (1) CN116309603B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2363171A1 (en) * 2001-11-20 2003-05-20 Marc Pastor Short-circuit locator for printed circuit boards using a visible-nir camera
CA2364564A1 (en) * 2001-12-07 2003-06-07 Marc Pastor Short-circuit locator for printed circuit boards using a visible camera and an ir camera
JP2003168110A (ja) * 2001-12-03 2003-06-13 Nec Corp 視覚障害者支援方法、視覚障害者認識システムおよび方法、プログラム
CN106504362A (zh) * 2016-10-18 2017-03-15 国网湖北省电力公司检修公司 基于无人机的输变电系统巡检方法
CN107272637A (zh) * 2017-06-06 2017-10-20 武汉瑞科兴业科技有限公司 一种视频监控系统故障自检自恢复控制系统及方法
CN107393270A (zh) * 2017-07-26 2017-11-24 河海大学常州校区 一种用于电气仪表检测的移动式视觉巡检设备及方法
US20180211118A1 (en) * 2017-01-23 2018-07-26 Magna Electronics Inc. Vehicle vision system with object detection failsafe
CN110070524A (zh) * 2019-04-03 2019-07-30 北京东舟技术股份有限公司 一种智能终端面板视觉故障检测系统
US20190285697A1 (en) * 2018-03-19 2019-09-19 Siemens Energy, Inc. Method of assessing the risk of a stator failure
CN112284563A (zh) * 2020-10-16 2021-01-29 江苏骠马智能工业设计研究有限公司 电力巡检机器人对配电柜温度检测的方法
CN113781498A (zh) * 2021-08-24 2021-12-10 南昌大学 一种复合绝缘子智能诊断方法
WO2022048051A1 (zh) * 2020-09-02 2022-03-10 厦门理工学院 一种基于北斗的工程车尾气排放监控追踪系统
CN115116214A (zh) * 2022-05-20 2022-09-27 安徽路达公路工程有限责任公司 一种公路检测方法以及公路故障处理系统
US20220327676A1 (en) * 2021-04-07 2022-10-13 SMARTINSIDE AI Inc. Method and system for detecting change to structure by using drone
CN115909093A (zh) * 2022-10-21 2023-04-04 前郭富汇风能有限公司 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

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2363171A1 (en) * 2001-11-20 2003-05-20 Marc Pastor Short-circuit locator for printed circuit boards using a visible-nir camera
JP2003168110A (ja) * 2001-12-03 2003-06-13 Nec Corp 視覚障害者支援方法、視覚障害者認識システムおよび方法、プログラム
CA2364564A1 (en) * 2001-12-07 2003-06-07 Marc Pastor Short-circuit locator for printed circuit boards using a visible camera and an ir camera
CN106504362A (zh) * 2016-10-18 2017-03-15 国网湖北省电力公司检修公司 基于无人机的输变电系统巡检方法
US20180211118A1 (en) * 2017-01-23 2018-07-26 Magna Electronics Inc. Vehicle vision system with object detection failsafe
CN107272637A (zh) * 2017-06-06 2017-10-20 武汉瑞科兴业科技有限公司 一种视频监控系统故障自检自恢复控制系统及方法
CN107393270A (zh) * 2017-07-26 2017-11-24 河海大学常州校区 一种用于电气仪表检测的移动式视觉巡检设备及方法
US20190285697A1 (en) * 2018-03-19 2019-09-19 Siemens Energy, Inc. Method of assessing the risk of a stator failure
CN110070524A (zh) * 2019-04-03 2019-07-30 北京东舟技术股份有限公司 一种智能终端面板视觉故障检测系统
WO2022048051A1 (zh) * 2020-09-02 2022-03-10 厦门理工学院 一种基于北斗的工程车尾气排放监控追踪系统
CN112284563A (zh) * 2020-10-16 2021-01-29 江苏骠马智能工业设计研究有限公司 电力巡检机器人对配电柜温度检测的方法
US20220327676A1 (en) * 2021-04-07 2022-10-13 SMARTINSIDE AI Inc. Method and system for detecting change to structure by using drone
CN113781498A (zh) * 2021-08-24 2021-12-10 南昌大学 一种复合绝缘子智能诊断方法
CN115116214A (zh) * 2022-05-20 2022-09-27 安徽路达公路工程有限责任公司 一种公路检测方法以及公路故障处理系统
CN115909093A (zh) * 2022-10-21 2023-04-04 前郭富汇风能有限公司 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢启付;李兴旺;程养春;谢志扬;金向朝;: "气体绝缘金属封闭开关设备接地开关短路事故分析", 广东电力, no. 11 *
张世璐;陈锋;李汶珈;: "发电机出口开关状态可视化监测", 水电站机电技术, no. 05 *
陈俊杰;叶东华;产焰萍;陈凌睿;: "基于Faster R-CNN模型的绝缘子故障检测", 电工电气, no. 04 *

Also Published As

Publication number Publication date
CN116309603B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
US20180080989A1 (en) Assessment method for flashover faults of 220 kv or higher porcelain live tank circuit breaker
CN103196799A (zh) Rtv憎水性测试装置
CN116309603B (zh) 一种电力设备故障视觉检测方法及系统
CN111679184A (zh) 一种通过电机电流评估隔离开关性能的方法
CN112698196A (zh) 一种高压开关机械特性监测装置
CN102540025A (zh) 一种基于宽比模型的紫外光子计数方法
KR101255651B1 (ko) 스마트 배전반
Engelbrecht et al. Statistical dimensioning of insulators with respect to polluted conditions
CN115728627B (zh) 一种电气动静触头故障预判断系统
Oguchi et al. Observational and experimental study of the lightning stroke attraction effect with ground wire system constructions
EP0103758A2 (en) Method of testing and verifying a performance for insulation to ground of a disconnecting switch when breaking a charging current
Gudzius et al. Characteristics of fault detection system for smart grid distribution network
CN111373620B (zh) 风力发电厂的重复性故障保护
CN109799431A (zh) 基于瞬时闪电强光的线路绝缘子雷击故障定位方法及装置
CN113178852B (zh) 变电站雷电侵入波的绝缘配合方法、装置、设备及介质
Goffinet et al. Innovative insulated cross-arm: requirements, testing and construction
CN211043210U (zh) 一种长距离导线多接头发热检测装置
CN114550046A (zh) 火灾隐患识别方法、装置、处理器、存储介质和电子设备
Gataullin Online technology of insulators condition monitoring in smart grid power supply systems
CN111107327A (zh) 一种基于物联网的绝缘设备异常报警方法
Lima et al. Test of statistical procedures for determining the impulse withstand voltage of a three-phase compact line structure considering bare cables
CN111355212B (zh) 断路器管理方法、系统、装置及可读存储介质
Porkar et al. DC flashover performance of an inclined insulator string under heavy icing conditions
CN220820123U (zh) 一种充电桩电气设备智能监测系统
Khalil Qualitative and Quantitative FMECA on 220 kV Power Transformers

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