CN116342952B - 一种变压器套管异常识别方法与系统 - Google Patents

一种变压器套管异常识别方法与系统 Download PDF

Info

Publication number
CN116342952B
CN116342952B CN202310318777.1A CN202310318777A CN116342952B CN 116342952 B CN116342952 B CN 116342952B CN 202310318777 A CN202310318777 A CN 202310318777A CN 116342952 B CN116342952 B CN 116342952B
Authority
CN
China
Prior art keywords
infrared image
transformer
image
transformer bushing
simulation
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
CN202310318777.1A
Other languages
English (en)
Other versions
CN116342952A (zh
Inventor
王姿尧
梁惠施
王薇
周奎
林俊
孙爱春
袁国强
贡晓旭
史梓男
郝城
杨铭
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 Xiqing Energy Technology Co ltd
Original Assignee
Beijing Xiqing Energy Technology 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 Xiqing Energy Technology Co ltd filed Critical Beijing Xiqing Energy Technology Co ltd
Priority to CN202310318777.1A priority Critical patent/CN116342952B/zh
Publication of CN116342952A publication Critical patent/CN116342952A/zh
Application granted granted Critical
Publication of CN116342952B publication Critical patent/CN116342952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提供的一种变压器套管异常识别方法与系统，其中该方法包括：获取变压器各相套管的原始红外图像；对原始红外图像进行预处理得到各相变压器套管的红外图片；对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；将仿真图像转化为相应故障类型下的仿真红外图像；将仿真红外图像和套管红外图像作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；利用在线异常识别模型识别当前变压器套管的故障类型。本发明采用仿真模拟手段可以获得实际工程中难以获得的故障数据，有利于提高样本数据的多样性，从而提高变压器套管异常识别的准确性。

Description

一种变压器套管异常识别方法与系统
技术领域
本发明属于变压器检测技术领域，更具体地说，是涉及一种变压器套管异常识别方法与系统。
背景技术
变压器是电网重要的电气设备，其健康状态直接影响电网的安全稳定运行。变压器套管是将变压器内部的高压线引到油箱外部的出线装置。由于高压套管长期在高电压、大电流环境中运行，需要承受较强的电、热以及机械力的作用，同时还易受外界温度、湿度变化的影响，变压器套管故障近年来已成为引起变压器甚至电网故障的主要原因。这些故障会直接影响电网安全，甚至引起连锁事故，最终引发燃爆，对设备和人身造成严重危害。因此，准确的变压器套管在线异常状态识别方法对保障设备和电网的安全稳定运行具有重要实际意义。
变压器套管故障按照性质主要分为放电性故障和过热性故障。按照故障的发生特点主要分为放电故障和局部过热故障。目前主要的变压器套管异常识别方法是基于离线电桥法，通过采集和获取变压器离线运行的介质损耗因数，对设备进行全面、准确、有效的检测；另外一种方法是基于数据驱动的变压器套管异常识别方法，通常采用末屏泄漏电流、电容大小和介质损耗因数等参数作为反应变压器套管绝缘性能的特征参量，通过数据驱动方法对故障进行识别。
在以往变压器套管的异常识别方法中，存在以下几个问题：(1)采用离线电桥法需要将变压器停机离线检测，难以满足变压器的在线高效稳定运行需求。(2)基于数据驱动的变压器套管异常识别方法的性能很大程度上依赖于异常数据的样本量和完备性，然而在实际工程中，变压器套管的异常数据非常少，且难以覆盖大部分典型故障类型，基于小样本数据训练得到的异常识别模型难以获得理想效果。因此此类方法对变压器套管异常识别的精度不高。
发明内容
本发明的目的在于提供一种变压器套管异常识别方法与系统，旨在解决现有的变压器套管异常识别方法精度不高的问题。
为实现上述目的，本发明采用的技术方案是：
一种变压器套管异常识别方法，包括以下步骤：
步骤1：获取变压器各相套管的原始红外图像；
步骤2：对所述原始红外图像进行预处理得到各相变压器套管的红外图像；
步骤3：对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；
步骤4：将所述仿真图像转化为相应故障类型下的仿真红外图像；
步骤5：将所述仿真红外图像和套管的红外图像作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；
步骤6：利用所述在线异常识别模型识别当前变压器套管的故障类型。
优选的，所述步骤2：对所述红外图像进行预处理得到各相变压器套管的红外图片，包括：
步骤2.1：对所述原始红外图像进行灰度处理得到二值化的红外图像；
步骤2.2：对所述二值化的红外图像进行温度识别与匹配，得到各相变压器套管的红外图片，用于之后的数据映射网络和分类预测网络的训练。
优选的，所述步骤2.1：对所述原始红外图像进行灰度处理得到二值化的红外图像，包括：
采用公式：
GRAY(i,j)＝0.114B(i,j)+0.587G(i,j)+0.299R(i,j)
对所述原始红外图像进行灰度处理得到二值化的红外图像；其中，GRAY(i,j)为二值化的红外图像在像素点(i,j)处的灰度值，B(i,j)表示原始红外图像在像素点(i,j)处的蓝色通道内数值大小，G(i,j)表示原始红外图像在像素点(i,j)处的绿色通道内数值大小，R表示原始红外图像在像素点(i,j)处的红色通道内数值大小。
优选的，所述步骤4：将所述仿真图像转化为相应故障类型下的仿真红外图像，包括：
将所述相变压器套管的红外图片及仿真红外图像作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
式中，λA分别表示对抗性损失及其权重，/>λC分别表示循环一致性损失及其权重，/>λI分别表示本体映射损失及其权重。
本发明还提供了一种变压器套管异常识别系统，包括：
原始红外图像获取模块，用于获取变压器各相套管的原始红外图像；
预处理模块，用于对所述原始红外图像进行预处理得到各相变压器套管的红外图片；
仿真模块，用于对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；
仿真图像转化模块，用于将所述仿真图像转化为相应故障类型下的仿真红外图像；
异常识别模型训练模块，用于将所述仿真红外图像和套管的红外图片作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；
故障类型识别模块，用于利用所述在线异常识别模型识别当前变压器套管的故障类型。
优选的，所述预处理模块，包括：
二值化单元，用于对所述原始红外图像进行灰度处理得到二值化的红外图像；
温度识别与匹配单元，用于对所述二值化的红外图像进行温度识别与匹配，得到各相变压器套管的红外图片。
优选的，所述二值化单元，包括：
二值化子单元，用于采用公式：
GRAY(i,j)＝0.114B(i,j)+0.587G(i,j)+0.299R(i,j)
对所述原始红外图像进行灰度处理得到二值化的红外图像；其中，GRAY(i,j)为二值化的红外图像在像素点(i,j)处的灰度值，B(i,j)表示原始红外图像在像素点(i,j)处的蓝色通道内数值大小，G(i,j)表示原始红外图像在像素点(i,j)处的绿色通道内数值大小，R表示原始红外图像在像素点(i,j)处的红色通道内数值大小。
优选的，所述异常识别模型训练模块，包括：
模型训练单元，用于将所述仿真红外图像和套管的红外图片作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
式中，λA分别表示对抗性损失及其权重，/>λC分别表示循环一致性损失及其权重，/>λI分别表示本体映射损失及其权重。
本发明还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现上述的一种变压器套管异常识别方法中的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种变压器套管异常识别方法中的步骤。
本发明提供的一种变压器套管异常识别方法与系统的有益效果在于：与现有技术相比，本发明的一种变压器套管异常识别方法，包括：获取变压器各相套管的原始红外图像；对原始红外图像进行预处理得到各相变压器套管的红外图片；对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；将仿真图像转化为相应故障类型下的仿真红外图像；将仿真红外图像作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；利用在线异常识别模型识别当前变压器套管的故障类型。本发明采用仿真模拟手段可以获得实际工程中难以获得的故障数据，有利于提高样本数据的多样性，从而提高变压器套管异常识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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为本发明所提供的一种变压器套管异常识别方法流程图；
图2为本发明所提供的变压器套管异常识别方法原理图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的目的在于提供一种变压器套管异常识别方法与系统，旨在解决行车数据呈现效率低的问题。
请参阅图1-2，一种变压器套管异常识别方法，包括以下步骤：
步骤1：获取变压器各相套管的原始红外图像；本发明可通过红外摄像机收集变压器各相套管的原始红外图像。
步骤2：对所述原始红外图像进行预处理得到各相变压器套管的红外图片；
进一步的，所述步骤2包括：
步骤2.1：对所述原始红外图像进行灰度处理得到二值化的红外图像；具体的，本发明可采用公式：
GRAY(i,j)＝0.114B(i,j)+0.587G(i,j)+0.299R(i,j)
对所述原始红外图像进行灰度处理得到二值化的红外图像；其中，GRAY(i,j)为二值化的红外图像在像素点(i,j)处的灰度值，B(i,j)表示原始红外图像在像素点(i,j)处的蓝色通道内数值大小，G(i,j)表示原始红外图像在像素点(i,j)处的绿色通道内数值大小，R表示原始红外图像在像素点(i,j)处的红色通道内数值大小。
步骤2.2：对所述二值化的红外图像进行温度识别与匹配，得到各相变压器套管的红外图片，用于之后的数据映射网络和分类预测网络的训练。
步骤3：对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；
在实际应用中，本发明可根据变压器的实际运行工况与运行环境，确定当前变压器套管的典型故障类型，如外部裂痕、内部+外部裂痕、内部裂痕、受潮、40％油位异常、60％油位异常和80％油位异常等。然后通过仿真模拟软件基于有限元建模方法，考虑环境温度、变压器负载，以及套管内铜杆电流、绝缘介质中的漏电流等主要发热因素的情况，完成变压器套管典型故障类型的仿真。
步骤4：将所述仿真图像转化为相应故障类型下的仿真红外图像；
进一步的，步骤4包括：
将所述相变压器套管的红外图片及仿真红外图像作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
式中，λA分别表示对抗性损失及其权重，/>λC分别表示循环一致性损失及其权重，/>λI分别表示本体映射损失及其权重。
需要说明的是，本发明可根据仿真的红外图像数据即仿真图像数据质量，确定数据映射网络的对抗性损失λA、循环一致性损失λC和本体映射损失函数λI的权重，得到其损失函数利用该损失函数训练基于CycleGAN的数据映射网络，可实现仿真图像与红外图像之间的转化。
步骤5：将所述仿真红外图像作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；
进一步的，步骤5包括：
步骤5.1：根据变压器套管异常状态分类识别模型，选择多分类交叉熵作为损失函数。其中，损失函数多分类交叉熵的公式为：
式中，ψ为训练数据在正常或异常情况下所对应的损失权重，Yi为实际分类标签，C(Xi)为网络C的输出分类标签。
步骤5.2：将数据映射网络与分类识别网络联合起来，损失函数为：λmap、λcls分别为数据映射网络的目标函数(映射损失/>)、分类预测网络的目标函数(分类损失/>)的权重。完成端到端训练，训练样本为红外仿真图像与套管红外图像加总，实现变压器套管的在线异常识别。
步骤6：利用所述在线异常识别模型识别当前变压器套管的故障类型。
本发明提供的一种变压器套管异常识别方法，包括：收集变压器各相套管红外图像并进行预处理，并通过仿真模拟手段获得实际工程中较少的变压器套管异常状态数据，基于CycleGAN完成仿真图像域与实际红外图像域之间的映射，将仿真图像转化为红外图像，得到小样本的数据增强，最后通过基于inception的卷积神经网络实现变压器套管的在线异常识别。
与现有技术相比，本发明针对工程数据的应用限制，通过仿真模拟手段获得实际工程中难以获得的套管异常状态的数据，提升了样本的数量和完备性，更加适用于实际工程中的变压器套管异常识别。另外，本发明基于CycleGAN实现了非配对的仿真图像域与实际红外图像域之间的转化，解决了仿真域与红外域之间数据分布特征差别较大的问题。本发明还引入基于inception网络的卷积神经网络，有效缩减了整体的网络规模，降低了模型计算复杂度。本发明对样本的数量和质量要求不高，可适用于变压器套管在实际工程中复杂工况下小样本数据增强，在实际工程应用中具有很强的推广性。
本发明还提供了一种变压器套管异常识别系统，包括：
原始红外图像获取模块，用于获取变压器各相套管的原始红外图像；
预处理模块，用于对所述原始红外图像进行预处理得到各相变压器套管的红外图片；
仿真模块，用于对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；
仿真图像转化模块，用于将所述仿真图像转化为相应故障类型下的仿真红外图像；
异常识别模型训练模块，用于将所述仿真红外图像和套管的红外图片作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；
故障类型识别模块，用于利用所述在线异常识别模型识别当前变压器套管的故障类型。
优选的，所述预处理模块，包括：
二值化单元，用于对所述原始红外图像进行灰度处理得到二值化的红外图像；
温度识别与匹配单元，用于对所述二值化的红外图像进行温度识别与匹配，得到各相变压器套管的红外图片。
优选的，所述二值化单元，包括：
二值化子单元，用于采用公式：
GRAY(i,j)＝0.114B(i,j)+0.587G(i,j)+0.299R(i,j)
对所述原始红外图像进行灰度处理得到二值化的红外图像；其中，GRAY(i,j)为二值化的红外图像在像素点(i,j)处的灰度值，B(i,j)表示原始红外图像在像素点(i,j)处的蓝色通道内数值大小，G(i,j)表示原始红外图像在像素点(i,j)处的绿色通道内数值大小，R表示原始红外图像在像素点(i,j)处的红色通道内数值大小。
优选的，所述异常识别模型训练模块，包括：
模型训练单元，用于将所述仿真红外图像和套管的红外图片作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
式中，λA分别表示对抗性损失及其权重，/>λC分别表示循环一致性损失及其权重，/>λI分别表示本体映射损失及其权重。
本发明针对实际工程中复杂工况下的小样本数据也可完成变压器套管的在线异常识别，适用范围广泛，且对样本的数量和质量要求不高，而且本发明采用仿真模拟手段获得实际工程中难以获得的故障数据，有利于提高样本数据的多样性，从而提高变压器套管异常识别的准确性。此外，通过本发明的研究成果，可以结合变压器的实际运行工况准确识别其套管运行状态，并且可以适用于各类变压器套管的异常识别，为更好地评估变压器运行情况提供重要的参考价值，为变压器的安全、稳定运行起积极推动作用。
本发明还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，收发器、存储器和处理器通过总线相连，计算机程序被处理器执行时实现上述一种变压器套管异常识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的一种变压器套管异常识别方法中的步骤，计算机程序被处理器执行时实现上述一种变压器套管异常识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种变压器套管异常识别方法，其特征在于，包括以下步骤：
步骤1：获取变压器各相套管的原始红外图像；
步骤2：对所述原始红外图像进行预处理得到各相变压器套管的红外图片；
步骤3：对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；
步骤4：将所述仿真图像转化为相应故障类型下的仿真红外图像；
步骤5：将所述仿真红外图像和套管的红外图片作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；
步骤6：利用所述在线异常识别模型识别当前变压器套管的故障类型；
所述步骤4：将所述仿真图像转化为相应故障类型下的仿真红外图像，包括：
将所述相变压器套管的红外图片及仿真红外图像作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
Lmap＝λALA+λCLC+λILI
式中，LA、λA分别表示对抗性损失及其权重，LC、λC分别表示循环一致性损失及其权重，LI、λI分别表示本体映射损失及其权重；
通过仿真模拟手段获得实际工程中套管异常状态的数据，提升了样本的数量和完备性，适用于实际工程中的变压器套管异常识别；基于CycleGAN实现了非配对的仿真图像域与实际红外图像域之间的转化，解决了仿真域与红外域之间数据分布特征差别大的问题。
2.如权利要求1所述的一种变压器套管异常识别方法，其特征在于，所述步骤2：对所述红外图像进行预处理得到各相变压器套管的红外图片，包括：
步骤2.1：对所述原始红外图像进行灰度处理得到二值化的红外图像；
步骤2.2：对所述二值化的红外图像进行温度识别与匹配，得到各相变压器套管的红外图片。
3.如权利要求2所述的一种变压器套管异常识别方法，其特征在于，所述步骤2.1：对所述原始红外图像进行灰度处理得到二值化的红外图像，包括：
采用公式：
GRAY(i,j)＝0.114B(i,j)+0.587G(i,j)+0.299R(i,j)
对所述原始红外图像进行灰度处理得到二值化的红外图像；其中，GRAY(i,j)为二值化的红外图像在像素点(i,j)处的灰度值，B(i,j)表示原始红外图像在像素点(i,j)处的蓝色通道内数值大小，G(i,j)表示原始红外图像在像素点(i,j)处的绿色通道内数值大小，R(i,j)表示原始红外图像在像素点(i,j)处的红色通道内数值大小。
4.一种变压器套管异常识别系统，其特征在于，包括：
原始红外图像获取模块，用于获取变压器各相套管的原始红外图像；
预处理模块，用于对所述原始红外图像进行预处理得到各相变压器套管的红外图片；
仿真模块，用于对变压器套管的故障类型进行仿真得到变压器套管的仿真图像；
仿真图像转化模块，用于将所述仿真图像转化为相应故障类型下的仿真红外图像；
将所述仿真图像转化为相应故障类型下的仿真红外图像，包括：
将所述相变压器套管的红外图片及仿真红外图像作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
Lmap＝λALA+λCLC+λILI
式中，LA、λA分别表示对抗性损失及其权重，LC、λC分别表示循环一致性损失及其权重，LI、λI分别表示本体映射损失及其权重；
异常识别模型训练模块，用于将所述仿真红外图像和套管的红外图片作为训练样本输入到预设的卷积神经网络中生成变压器套管的在线异常识别模型；
故障类型识别模块，用于利用所述在线异常识别模型识别当前变压器套管的故障类型；
通过仿真模拟手段获得实际工程中套管异常状态的数据，提升了样本的数量和完备性，适用于实际工程中的变压器套管异常识别；基于CycleGAN实现了非配对的仿真图像域与实际红外图像域之间的转化，解决了仿真域与红外域之间数据分布特征差别大的问题。
5.如权利要求4所述的一种变压器套管异常识别方法，其特征在于，所述预处理模块，包括：
二值化单元，用于对所述原始红外图像进行灰度处理得到二值化的红外图像；
温度识别与匹配单元，用于对所述二值化的红外图像进行温度识别与匹配，得到各相变压器套管的红外图片。
6.如权利要求5所述的一种变压器套管异常识别方法，其特征在于，所述二值化单元，包括：
二值化子单元，用于采用公式：
GRAY(i,j)＝0.114B(i,j)+0.587G(i,j)+0.299R(i,j)
对所述原始红外图像进行灰度处理得到二值化的红外图像；其中，GRAY(i,j)为二值化的红外图像在像素点(i,j)处的灰度值，B(i,j)表示原始红外图像在像素点(i,j)处的蓝色通道内数值大小，G(i,j)表示原始红外图像在像素点(i,j)处的绿色通道内数值大小，R(i,j)表示原始红外图像在像素点(i,j)处的红色通道内数值大小。
7.如权利要求6所述的一种变压器套管异常识别方法，其特征在于，所述异常识别模型训练模块，包括：
模型训练单元，用于将所述仿真红外图像和套管的红外图片作为样本训练基于CycleGAN的数据映射网络生成仿真图像转换模型；其中，在训练基于CycleGAN的数据映射网络过程中的损失函数为：
Lmap＝λALA+λCLC+λILI
式中，LA、λA分别表示对抗性损失及其权重，LC、λC分别表示循环一致性损失及其权重，LI、λI分别表示本体映射损失及其权重。
8.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种变压器套管异常识别方法中的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种变压器套管异常识别方法中的步骤。
CN202310318777.1A 2023-03-29 2023-03-29 一种变压器套管异常识别方法与系统 Active CN116342952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310318777.1A CN116342952B (zh) 2023-03-29 2023-03-29 一种变压器套管异常识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310318777.1A CN116342952B (zh) 2023-03-29 2023-03-29 一种变压器套管异常识别方法与系统

Publications (2)

Publication Number Publication Date
CN116342952A CN116342952A (zh) 2023-06-27
CN116342952B true CN116342952B (zh) 2024-01-23

Family

ID=86894570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310318777.1A Active CN116342952B (zh) 2023-03-29 2023-03-29 一种变压器套管异常识别方法与系统

Country Status (1)

Country Link
CN (1) CN116342952B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117129133B (zh) * 2023-10-27 2024-01-02 南京中鑫智电科技有限公司 一种用于高压套管压力的在线监测方法及系统
CN117409376B (zh) * 2023-12-15 2024-05-10 南京中鑫智电科技有限公司 一种用于高压套管的红外在线监测方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101184241A (zh) * 2007-12-03 2008-05-21 中兴通讯股份有限公司 一种图像自动检测的方法及装置
CN103136058A (zh) * 2011-12-05 2013-06-05 西安灵境科技有限公司 一种仿真电子设备通信数据方法
CN104091327A (zh) * 2014-06-19 2014-10-08 华南理工大学 铸件的枝状缩松缺陷仿真图像的生成方法及系统
CN109101906A (zh) * 2018-07-27 2018-12-28 中国南方电网有限责任公司超高压输电公司贵阳局 一种变电站电力设备红外图像异常实时检测方法及装置
CN110689477A (zh) * 2019-09-07 2020-01-14 创新奇智(重庆)科技有限公司 一种通用的瑕疵图像模拟方法
EP3800323A1 (en) * 2019-10-01 2021-04-07 Siemens Aktiengesellschaft Virtual flow meter method and system for monitoring flow of an oil well in an industrial environment
CN114187263A (zh) * 2021-12-10 2022-03-15 西安交通大学 一种融合先验引导和域适应的磨损表面朗伯反射分离方法
CN114611663A (zh) * 2022-02-21 2022-06-10 北京航空航天大学 一种基于在线更新策略的定制化行人轨迹预测方法
CN114972375A (zh) * 2022-05-09 2022-08-30 梅卡曼德（北京）机器人科技有限公司 图像生成模型的训练方法及装置、设备和存储介质
CN115329816A (zh) * 2022-08-15 2022-11-11 东南大学 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法
WO2022243961A1 (en) * 2021-05-21 2022-11-24 Cilag Gmbh International Surgical simulation system with simulated surgical equipment coordination
CN115564031A (zh) * 2022-10-24 2023-01-03 苏州鼎纳自动化技术有限公司 一种用于玻璃缺陷检测的检测网络
CN115656747A (zh) * 2022-12-26 2023-01-31 南方电网数字电网研究院有限公司 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN115796033A (zh) * 2022-11-30 2023-03-14 云南电网有限责任公司电力科学研究院 输电系统故障的诊断方法、装置、计算机设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101184241A (zh) * 2007-12-03 2008-05-21 中兴通讯股份有限公司 一种图像自动检测的方法及装置
CN103136058A (zh) * 2011-12-05 2013-06-05 西安灵境科技有限公司 一种仿真电子设备通信数据方法
CN104091327A (zh) * 2014-06-19 2014-10-08 华南理工大学 铸件的枝状缩松缺陷仿真图像的生成方法及系统
CN109101906A (zh) * 2018-07-27 2018-12-28 中国南方电网有限责任公司超高压输电公司贵阳局 一种变电站电力设备红外图像异常实时检测方法及装置
CN110689477A (zh) * 2019-09-07 2020-01-14 创新奇智(重庆)科技有限公司 一种通用的瑕疵图像模拟方法
EP3800323A1 (en) * 2019-10-01 2021-04-07 Siemens Aktiengesellschaft Virtual flow meter method and system for monitoring flow of an oil well in an industrial environment
WO2022243961A1 (en) * 2021-05-21 2022-11-24 Cilag Gmbh International Surgical simulation system with simulated surgical equipment coordination
CN114187263A (zh) * 2021-12-10 2022-03-15 西安交通大学 一种融合先验引导和域适应的磨损表面朗伯反射分离方法
CN114611663A (zh) * 2022-02-21 2022-06-10 北京航空航天大学 一种基于在线更新策略的定制化行人轨迹预测方法
CN114972375A (zh) * 2022-05-09 2022-08-30 梅卡曼德（北京）机器人科技有限公司 图像生成模型的训练方法及装置、设备和存储介质
CN115329816A (zh) * 2022-08-15 2022-11-11 东南大学 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法
CN115564031A (zh) * 2022-10-24 2023-01-03 苏州鼎纳自动化技术有限公司 一种用于玻璃缺陷检测的检测网络
CN115796033A (zh) * 2022-11-30 2023-03-14 云南电网有限责任公司电力科学研究院 输电系统故障的诊断方法、装置、计算机设备及存储介质
CN115656747A (zh) * 2022-12-26 2023-01-31 南方电网数字电网研究院有限公司 基于异构数据的变压器缺陷诊断方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BIM技术的机电管线优化方法及思路;李东军 齐书友 周奎 侯晓亮;中国建材科技;第30卷(第5期);全文 *

Also Published As

Publication number Publication date
CN116342952A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN116342952B (zh) 一种变压器套管异常识别方法与系统
Swetapadma et al. Improved fault location algorithm for multi‐location faults, transforming faults and shunt faults in thyristor controlled series capacitor compensated transmission line
CN110017901B (zh) 一种电力系统中电气设备运行状态的红外图谱诊断方法
CN113792495B (zh) 一种基于在线监测数据的避雷器运行状态识别方法、装置
CN114414942B (zh) 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统
CN108805107B (zh) 一种基于prps信号的gis内部局部放电缺陷识别方法
CN111914320A (zh) 基于深度学习的无样本道岔故障诊断方法
CN109613365B (zh) 一种电解电容器状态在线评估方法和系统
CN110045248B (zh) 一种基于图像识别的油浸式套管老化状态评估方法
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN118209905B (zh) 一种基于物联感知的配电变压器在线故障预测方法
Azeem et al. Real-time harmonics analysis of digital substation equipment based on IEC-61850 using hybrid intelligent approach
CN108037424B (zh) 基于多数据来源的电力电容器绝缘状态评估方法与系统
CN114494186B (zh) 一种高压输变电线路电气设备的故障检测方法
CN116298725A (zh) 故障电弧检测方法、系统及存储介质
CN107255776B (zh) 不同变压器油中绕组主绝缘介电谱测试系统
CN108536911B (zh) 一种基于中心距和样本特征的换流变压器状态评估方法
CN111931900A (zh) 基于残差网络与多尺度特征融合的gis放电波形检测方法
CN112926188B (zh) 基于扩展德拜模型的冲击电容器参数辨识方法及绝缘诊断方法
Yue et al. Health assessment for low-voltage electromagnetic coils based on fusion of creep degradation mechanism and transformed MD
Wang et al. Research on Infrared Image Extraction and Defect Analysis of Composite Insulator Based on U-net
CN114387242A (zh) 电压制热型设备的缺陷确定方法、装置、介质及设备
Fan et al. Microgrid Fault Classification Method based on EPSANet56
CN118197359B (zh) 基于声纹与电磁特征融合的变压器故障识别方法及系统
Li et al. On-Line Monitoring and Fault Diagnosis of Box Transformer Substation Based on VPRS-RBFNN

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