CN117517335A - 变电设备绝缘子污秽监测系统及方法 - Google Patents
变电设备绝缘子污秽监测系统及方法 Download PDFInfo
- Publication number
- CN117517335A CN117517335A CN202311811270.6A CN202311811270A CN117517335A CN 117517335 A CN117517335 A CN 117517335A CN 202311811270 A CN202311811270 A CN 202311811270A CN 117517335 A CN117517335 A CN 117517335A
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- monitoring
- module
- deep learning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 112
- 230000009466 transformation Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000012212 insulator Substances 0.000 title claims abstract description 45
- 230000003595 spectral effect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 21
- 238000009413 insulation Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 150000003839 salts Chemical class 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 8
- 231100000719 pollutant Toxicity 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000003384 imaging method Methods 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004146 energy storage Methods 0.000 claims description 15
- 238000011109 contamination Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 239000010935 stainless steel Substances 0.000 claims description 8
- 229910001220 stainless steel Inorganic materials 0.000 claims description 8
- 239000004973 liquid crystal related substance Substances 0.000 claims description 7
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 4
- -1 compound salts Chemical class 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 229910018072 Al 2 O 3 Inorganic materials 0.000 claims description 2
- 239000005995 Aluminium silicate Substances 0.000 claims description 2
- 229910004298 SiO 2 Inorganic materials 0.000 claims description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 2
- 235000012211 aluminium silicate Nutrition 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 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 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- 239000011780 sodium chloride Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 229910000838 Al alloy Inorganic materials 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009422 external insulation Methods 0.000 description 2
- 239000012774 insulation material Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
Abstract
本申请提供了一种变电设备绝缘子污秽监测系统及方法，涉及绝缘检测技术领域，系统包括：污秽测量模块、数据分析模块和监测模块，数据分析模块内设置有数据处理平台和深度学习模型；污秽测量模块用于采集目标变电设备表面的污秽监测数据，目标变电设备表面沉积有污秽物；数据分析模块与污秽测量模块连接，用于对污秽监测数据进行预处理，得到污秽物对应的污秽分析结果，预处理至少包括数据校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，污秽分析结果至少包括盐密和灰密；监测模块与数据分析模块连接，用于利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。
Description
技术领域
本申请涉及绝缘检测技术领域，尤其涉及到一种变电设备绝缘子污秽监测系统及方法。
背景技术
大气环境中在线运行时，会受到工业排放物以及自然扬尘等环境因素的影响，变电设备表面容易沉积一层污秽物。在天气干燥的情况下，这些表面带有污秽物的变电设备仍能保持着较高的绝缘水平，其放电电压和洁净、干燥状态时相近。然而，当遇到有雾、毛毛雨以及融冰、融雪等潮湿天气时，在变电设备表面会形成水膜，污垢层中可溶盐类会溶于水，从而形成导电的水膜，这样就有泄漏电流沿变电设备表面流过，存在一定的安全隐患。
现有变电设备绝缘子污秽监测方法较为繁琐，需要人员爬塔之后用专用仪器才能监测得到数据，然而此种方式会破坏现场积污的情况，并且检测到的数据不精确，无法实现对绝缘子污秽的准确性监测。
发明内容
有鉴于此，本申请提供了一种变电设备绝缘子污秽监测系统及方法，可以对绝缘子污秽进行智能化的监测，提高绝缘子污秽的监测准确性。
为实现上述目的，本申请第一方面提供了一种变电设备绝缘子污秽监测系统，其特征在于，包括：污秽测量模块、数据分析模块和监测模块，数据分析模块内设置有数据处理平台和深度学习模型；
污秽测量模块用于采集目标变电设备表面的污秽监测数据，目标变电设备表面沉积有污秽物；
数据分析模块与污秽测量模块连接，用于对污秽监测数据进行预处理，得到污秽物对应的污秽分析结果，预处理至少包括：数据处理平台对污秽监测数据依次进行数据校正处理以及谱线识别处理，得到有效谱线的谱线识别结果；以及深度学习模型基于谱线识别结果进行污秽类型分类划分，得到污秽分析结果，污秽分析结果至少包括盐密和灰密；
监测模块与数据分析模块连接，用于利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。
本申请第二方面提供了一种变电设备绝缘子污秽监测方法，方法应用于第一方面实施例中描述的变电设备绝缘子污秽监测系统，方法包括：
获取污秽测量模块采集目标变电设备表面的污秽监测数据，目标变电设备表面沉积有污秽物；
对污秽监测数据进行预处理，得到污秽物对应的污秽分析结果，预处理至少包括数据校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，污秽分析结果至少包括盐密和灰密；
利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。
第三方面，提供一种电子设备，电子设备包括处理器、存储器、用户接口以及网络接口，存储器用于存储指令，用户接口和网络接口均用于给其他设备通信，处理器用于执行存储器中存储的指令，以使电子设备执行如第二方面中的方法。
第四方面，提供一种计算机可读存储介质，用于存储计算机程序，计算机程序使得计算机执行如第二方面中的方法。
通过本申请提供的技术方案，在获取污秽测量模块采集目标变电设备表面的污秽监测数据后，可对污秽监测数据进行校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，得到污秽物对应的污秽分析结果；之后利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。在本公开的技术方案中，通过自动化对污秽监测数据进行校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，可实现对绝缘子污秽的智能化监测，提高绝缘子污秽的监测准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。本申请的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为本申请实施例提供的一种变电设备绝缘子污秽监测系统的系统结构示意图；
图2为本申请实施例提供的一种光谱组件结构框图；
图3为本申请实施例提供的一种组合式保温主控箱结构框图；
图4为本申请实施例提供的一种组合式保温主控箱内中间隔热层结构框图；
图5为本申请实施例提供的一种太阳能供电模块结构框图；
图6示出了本发明实施例提供的一种变电设备绝缘子污秽监测方法的流程示意图；
图7为本申请实施例提供的电子设备的结构示意图。
图中：
1-污秽测量模块，11-成像光谱仪，12-光谱组件，121-光电传感器，122-AD模数转换电路，123-微控制单元，124-LCD液晶显示单元，125-报警单元，126-温度采集单元，127-电源转换电路，128-按键控制电路，129-LED驱动，1210-发光电源，1211-信号采集电路，1212-扩展储存器，1213-串口通信电路；
2-数据分析模块；
3-监测模块；
4-组合式保温主控箱，41-红外辐射膜加热装置，411-铝合金边框，412-隔热材料，42-中间隔热层，421-不锈钢内壳，422-不锈钢外壳；
-太阳能供电模块，51-太阳能电池方阵，52-充放电控制器，53-储能蓄电池；
6-电源；
7-LoRa-WAN无线传感网络。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”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。
此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合图1至图5描述根据本发明一些实施例的变电设备绝缘子污秽监测系统。
本发明实施例提供的一种变电设备绝缘子污秽监测系统，如图1所示，该变电设备绝缘子污秽监测系统包括：污秽测量模块1、数据分析模块2以及监测模块3，数据分析模块2内设置有数据处理平台和深度学习模型；污秽测量模块1用于采集目标变电设备表面的污秽监测数据，目标变电设备表面沉积有污秽物；数据分析模块2与污秽测量模块1连接，用于对污秽监测数据进行预处理，得到污秽物对应的污秽分析结果，预处理至少包括数据校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理。即数据处理平台对污秽监测数据依次进行数据校正处理以及谱线识别处理，得到有效谱线的谱线识别结果；以及深度学习模型基于谱线识别结果进行污秽类型分类划分，得到污秽分析结果，污秽分析结果至少包括盐密和灰密；监测模块3与数据分析模块2连接，用于利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。
其中，如图1所示，污秽测量模块1包括成像光谱仪11和光谱组件12，如图2所示，光谱组件12包括光电传感器121和AD模数转换电路122；成像光谱仪11用于通过探测目标变电设备表面的二维几何空间和一维光谱信息，获取高光谱分辨率的连续、窄波段的高光谱图像数据，高光谱图像数据至少包括图像信息、光谱信息以及任一谱段的影像信息；光电传感器121用于将高光谱图像数据中的光谱信号转化为电压模拟信号；AD模数转换电路122用于对电压模拟信号进行数字信号转化，得到污秽监测数据。定制的成像光谱仪主要应用高光谱成像技术，其特征是基于数量多且波段窄的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间和一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。高光谱图像是指在光谱维度上进行细致的分割，不仅仅是传统的黑白或者R、G、B的区别，而是在光谱维度上也有N个通道。因此，通过高光谱设备获取到的是一个三维数据立方体，包含图像信息及光谱信息，在光谱维度上展开后还可以获得任一谱段的影像信息。使用定制的棱镜-光栅-棱镜成像光谱仪运用高光谱成像技术，完成高光谱图像数据采集，具体包括如下步骤：利用光的反射特性的光谱成像仪对绝缘子的污秽成分进行多次监测，取多次实验的数据平均值，得到绝缘子污秽成分的高光谱图像数据。
在利用成像光谱仪11获取高光谱图像数据时，具体包括如下步骤：在垂直于目标变电设备运动方向进行二维空间扫描；在平行于目标变电设备运动的方向，通过光栅和棱镜分光，完成光谱维扫描。成像光谱仪11依次采集某一条线上像元的图像，光谱信息透过透射光栅分光，得到一条完整的光谱，从而通过运动平台的内部移动，成像光谱仪可合成得到待测物体的光谱信息文件，得到高光谱图像数据。同时，光谱数据采集原理也使高光谱图像数据的三维特性变得更加直观，既可以是某个特定波长下的二维平面图，也可以是某个像素点或者像素区域的光谱特征曲线。
在具体的应用场景中，如图2所示，光谱组件12还包括微控制单元123、LCD液晶显示单元124、报警单元125以及温度采集单元126以及一些附设电路；微控制单元123与AD模数转换电路122、LCD液晶显示单元124、报警单元125、温度采集单元126以及附设电路连接；微控制单元123主要由一枚功能强大的单片机构成，负责信息的采集、分析并作出响应。微控制单元123用于基于高光谱图像数据以及污秽监测数据，控制在LCD液晶显示单元124中进行污秽监测图像展示，以及在判断污秽监测异常时，控制报警单元125输出报警提示信息；温度采集单元126用于采集目标变电设备表面的实时温度。附设电路中可包括电源转换电路127、按键控制电路128、LED驱动129、发光电源1210、信号采集电路1211、扩展储存器1212以及串口通信电路1213。
在具体的应用场景中，对于光谱组件12，可利用电源转换电路127将太阳能转换成满足微控制单元123的供电电源，同时按键控制电路128可以向微控制单元123的电子设备传输指令；还可以控制输出设备的启动和停止。微控制单元123通过IO信号完成对LED驱动129对光源的控制，LED驱动129通过开关控制发光电源1210的开闭，发光电源1210经透镜汇聚于目标变电设备或污秽样本池，透过目标变电设备或污秽样本的作用光最终被光电传感器121转换为0-20V的电压模拟信号，再将0-20V的电压模拟信号经过信号采集电路1211转换成0-3.3V的电压模拟信号，这样的目的是为了转换成AD模数转换电路122可以接受的电压模拟信号，然后经过AD模数转换电路122，将0-3.3V的电压模拟信号转化为数字信号，再将数字信号放入微控制单元123进行分析，微控制单元123通过调用LCD液晶显示单元124进行污秽监测图像展示；微控制单元123可在判断污秽监测异常时，通过通用异步收发传输器(Universal Asynchronous Receiver/Transmitter，UART)调用报警单元125实现报警功能；微控制单元123通过温度采集单元126完成对实时温度：－20℃-85℃的监测，微控制单元123可以通过集成电路总线(Inter-Integrated Circuit，IIC)完成对扩展储存器1212500MB的存量，防止数据丢失；微控制单元123可以通过UART调用串口通信电路1213完成串口通信，将污秽监测数据对应的数字信号通过RS485传输到远端。
对于本公开实施例，数据分析模块2中的数据处理平台，可包括结合成像和光谱的系统、光谱数据分析软件specview及ENVI，光谱数据分析软件 specview及ENVI可以将污秽监测数据导入其中，进行光谱反射率的计算，并对污秽区域的谱线进行分析，对于反射率较高从而导致光谱重叠率较高的光谱，进行区分。同时也可以进行镜像变换、黑白帧校准、大气校正、白板校正、多元散射校正（Multiplicative Scatter Correction，MSC）等校正操作，然后将计算结果光谱反射率数据导入软件ENVI，进行谱线分析、识别等操作，完成不同物质光谱信息比对及未知物质分类识别等，从多个谱线中提取出有效谱线，得到有效谱线的谱线识别结果，进而降低污秽监测数据中干扰谱线对污秽区分过程的干扰，提高污秽区分的准确性。示例性的，在对污秽监测数据进行白板校正时，可获取图像配准影像数据、标准白板反射率以及白板辐射量，进而基于图像配准影像数据、标准白板反射率以及白板辐射量计算得到白板校正后的高光谱影像数据。其中，白板校正的计算公式可为：
式中，S表示白板校正后的高光谱影像数据，S1表示图像配准影像数据，S2表示标准白板反射率，S3表示白板辐射量。
实例性的，在对污秽监测数据进行多元散射校正时，MSC具体实现方法如下：
1）、求得所有污秽监测数据的平均值作为理想光谱：
式中，为理想光谱；/>为利用光谱成像仪对绝缘子的污秽成分进行多次监测，得到的多个污秽监测数据；n为多个污秽监测数据的数据量。
2）、将每个污秽监测数据与理想光谱进行一元线性回归，求解最小二乘问题，得到每个污秽监测数据的基线平移量和偏移量：
式中，为理想光谱；/>为利用光谱成像仪对绝缘子的污秽成分进行多次监测，得到的多个污秽监测数据；/>为偏移量，/>为基线平移量。
3）、对每个污秽监测数据进行校正：减去求得的基线平移量后除以偏移量，得到多元散射校正后的光谱数据：
式中，为多元散射校正后的光谱数据；/>为利用光谱成像仪对绝缘子的污秽成分进行多次监测，得到的多个污秽监测数据；/>为偏移量，/>为基线平移量。
在具体的应用场景中，太阳辐射通过大气以某种方式入射到目标变电设备表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。如果想要了解某一物体表面的光谱属性，必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。对于本公开实施例，在对污秽监测数据进行数据校正处理时，还可进行大气校正处理，以消除大气和光照等因素对目标变电设备表面反射的光谱影响。
对于本公开实施例，在利用数据分析模块2分析得到有效谱线的谱线识别结果后，可利用深度学习算法计算获得盐密和灰密的准确值，具体可利用深度学习模型确定目标变电设备外绝缘污秽特征的降维向量表示，基于降维向量表示完成不同物质光谱信息比对及未知物质分类识别，从而得到盐密（equivalent salt deposit density，ESDD）和灰密（Non-Soluble Deposit Density，NSDD）对应的污秽分析结果。为便于直观展示，还可进一步绘制出所监测区域的ESDD和NSDD分布图。
在具体的应用场景中，深度学习模型包括自编码器(Autoencoder，AE)、多卷积自编码器(Multiple Convolutional Auto-Encode，MCAE) 以及混合卷积自编码器（FixConvolutional Auto-Encode，FCAE）以及卷积神经网络；深度学习模型用于利用自编码器AE提取谱线识别结果中不同谱线元素间的组合结构特征，利用多卷积自编码器MCAE提取谱线识别结果中多个谱线元素的空间分布特征，以及利用混合卷积自编码器FCAE提取组合结构特征和空间分布特征对应的混合特征，之后利用卷积神经网络，基于组合结构特征、空间分布特征以及混合特征，进行污秽类型分类划分，得到污秽分析结果。
对于本公开实施例，在利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示时，具体可将污秽的各类实时监测数据与污秽分析结果经过LoRa-WAN无线传感网络7传输至后台监控中心，即为数据传输层，实现变电设备中污秽的稳定性实时监测，方便运行人员实时监控。运用LoRa-WAN无线传感网络7，优点在于不会受到本地GPRS信号的影响，而且能够大面积组网后，免费使用频段，不增加后期维护成本。各LoRa无线节点组网后，利用无线网关进行数据集中通过GPRS信号发送给后台终端。
在具体的应用场景中，由于成像光谱仪长期运行在户外寒冷环境中，受到高压和电磁等因素的影响，使得系统的故障概率增加。为了提高系统正常运行的性能，本申请可针对成像光谱仪提供一种保温措施，以保证成像光谱仪的工作性能。如图3、图4所示，提出的保温措施采用性能优异的组合式保温主控箱4，以及低功耗红外辐射膜加热装置41，使光谱成像仪处于合适的工作环境。需要说明的是，组合式保温主控箱4不起加热的作用，只起到隔热的作用，在极低温环境下它只能延缓箱内温度的降低过程，仅靠它不能在冬季长期低温环境下对光谱成像仪起到保护作用。因此，本申请还设计红外辐射膜加热装置41对光谱成像仪进行加热处理。红外辐射膜加热装置41采用铝合金边框411制成，铝合金边框411外部涂覆有隔热材料412，并在铝合金边框411上设置有电源接口，可用于外接电源6，中间隔热层41用于在光谱成像仪温度低于设定温度时，红外辐射膜加热装置41对其进行加热，当温度升至设定温度时，停止加热。
相应的，变电设备绝缘子污秽监测系统还包括：组合式保温主控箱4，组合式保温主控箱4内设置有红外辐射膜加热装置41；成像光谱仪11放置于组合式保温主控箱4的中间隔热层42，中间隔热层42用于隔离成像光谱仪11的工作环境和外界低温环境；组合式保温主控箱4在判断工作环境下的工作温度低于预设温度阈值时，利用红外辐射膜加热装置41进行加热处理，使得工作温度达到预设温度阈值。
其中，如图4所示，组合式保温主控箱4的中间隔热层42采用硅质纳米孔绝热保温材料制作，中间隔热层42包括不锈钢内壳421和不锈钢外壳422，不锈钢内壳421底部敷设红外辐射膜加热装置41，不锈钢外壳422处以及开孔连接处采用隔热橡胶进行密封处理。在极寒天气下能保证箱内与外界恶劣环境充分隔离。
在具体的应用场景中，如图1所示，该变电设备绝缘子污秽监测系统还包括：太阳能供电模块5；太阳能供电模块5与污秽测量模块1、数据分析模块2、监测模块3以及组合式保温主控箱4连接，用于为变电设备绝缘子污秽监测系统中的功能模块提供电能。
其中，如图5所示，太阳能供电模块5包括太阳能电池方阵51、充放电控制器52和储能蓄电池53；太阳能电池方阵51用于利用光伏效应将光能转换成电能；充放电控制器52与太阳能电池方阵51和储能蓄电池53连接，用于通过设定相应的浮充电压范围和均充电压范围，根据储能蓄电池53的容量和电压状态对储能蓄电池53进行相应的浮充电或均充电，同时通过储能蓄电池53为负载54供电。太阳能供电模块5是将转换效率达18%的太阳能电池方阵51产生的能量输送到充放电控制器52中，通过充放电控制器52产生一定的电压和电流给储能蓄电池53充电，同时通过储能蓄电池53给负载54供电，而在夜间或者阴雨天等没有太阳光的情况下则完全由储能蓄电池53给负载54供电。
太阳能供电模块5的功率Ws如下：
式中，为工作电压；I1为工作电流；t1为日工作时间；ts为根据各地区平均日照计算的有效充电时间；/>为综合充电效率，如可取值为0.7；/>为损耗，如可取值为0.9。
储能蓄电池53的电池容量WH为：
式中，A为安全系数，取值可为1.1到1.4之间；I1为工作电流；t1为日工作时间；Tw为最长连续阴雨天数，如可设为7天；To为温度修正系数，一般零摄氏度以上取1，负10摄氏度以上取1.1，负10摄氏度以下取1.2，各地区冬季温度寒冷，取1.2；Cc为蓄电池放电深度，一般铅酸电池取0.7。
通过本实施例提供的变电设备绝缘子污秽监测系统，可利用污秽测量模块采集目标变电设备表面的污秽监测数据，利用数据分析模块对污秽监测数据进行预处理，得到污秽物对应的污秽分析结果，预处理至少包括数据校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，污秽分析结果至少包括盐密和灰密；以及利用监测模块通过无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。在本公开的技术方案中，通过自动化对污秽监测数据进行校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，可实现对绝缘子污秽的智能化监测，提高绝缘子污秽的监测准确性。
基于上述变电设备绝缘子污秽监测系统，本发明提供的一种变电设备绝缘子污秽监测方法，参见图6，可包括如下步骤：
步骤210、获取污秽测量模块采集目标变电设备表面的污秽监测数据，目标变电设备表面沉积有污秽物。
在具体的应用场景中，可利用污秽测量模块中的成像光谱仪采集目标变电设备的高光谱图像数据；之后利用污秽测量模块中的光谱组件将高光谱图像数据进行数字信号转换，得到机器可识别的污秽监测数据。
步骤220、对污秽监测数据进行预处理，得到污秽物对应的污秽分析结果，预处理至少包括数据校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，污秽分析结果至少包括盐密和灰密。
在对污秽监测数据进行预处理时，实施例步骤可包括：利用数据处理平台对高光谱图像数据依次进行数据校正处理以及谱线识别处理，得到有效谱线的谱线识别结果；以及利用深度学习模型基于谱线识别结果进行污秽类型分类划分，得到污秽分析结果，污秽分析结果至少包括盐密和灰密。
其中，深度学习模型为基于污秽样本预先训练完成的任务模型，深度学习模型的训练过程，可为：生成配置有预设特征标签的污秽样本，污秽样本用于模拟实际运行环境中变电设备表面积聚的污秽，污秽样本中利用NaCl、CaSO4、CaCO3、SiO2、Al2O3、Fe2O3六种化合物盐模拟变电设备表面的污秽盐密，以及利用不可溶性盐的混合物高岭土和硅藻土，来模拟实际运行环境中变电设备表面积聚的污秽灰密，预设特征标签为污秽样本对应的污秽分析结果；获取数据处理平台针对污秽样本的样本谱线识别数据；将样本谱线识别数据和预设特征标签输入深度学习模型，对深度学习模型进行污秽区分的任务训练，其中，在污秽区分的任务训练中，以样本谱线识别数据作为输入特征，以及以预设特征标签作为训练标签，迭代更新深度学习模型中的模型参数，直至深度学习模型对于污秽区分的准确度大于预设准确度阈值，判断深度学习模型训练完成。
步骤230、利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示。
其中，在利用无线传感网络将污秽分析结果传输至后台监控中心存储后进行展示时，具体可将污秽的各类实时监测数据与污秽分析结果经过LoRa-WAN无线传感网络7传输至后台监控中心，即为数据传输层，实现变电设备中污秽的稳定性实时监测，方便运行人员实时监控。运用LoRa-WAN无线传感网络7，优点在于不会受到本地GPRS信号的影响，而且能够大面积组网后，免费使用频段，不增加后期维护成本。各LoRa无线节点组网后，利用无线网关进行数据集中通过GPRS信号发送给后台终端。
实施本发明实施例，具有如下有益效果：
1）、在输变电设备的监测领域中，本申请设计了一种基于光传感技术的变电设备绝缘子污秽在线监测方式，进行人工涂污试验，对污秽的光谱数据进行采集并进行分析，能够测量各个设备和环境的实时数据。
2）、定制的成像光谱仪提供了保温措施采用性能优异的组合式保温主控箱4，以及低功耗红外辐射膜加热装置41，使光谱成像仪处于合适的工作环境。
3）、设计了通过深度学习模型对化探数据进行异常识别，从而得到电气设备外绝缘污秽特征的降维向量表示，基于降维向量表示完成不同物质光谱信息比对及未知物质分类识别，从而得到盐密（ESDD）和灰密（NSDD）对应的污秽分析结果。将得到的绝缘子污秽的各类实时监测数据与污秽分析结果经过LoRa-WAN无线传感网络7，利用无线网关进行数据集中通过GPRS信号发送给后台终端。
4）、后台系统能够接收由深度学习模型所发送的实时监测数据以及污秽分析结果，将接收的数据存储后展示在后台系统上，并有分析、预警、告警等信息。
5）、对比与于盐密法，光传感-高光谱的方法实现非接触、可视化的污秽检测，能进行远程实时监测现场绝缘设备污秽状态，且不用破坏设备来进行数据采集。
图7是本发明提供的一个实施例的电子设备700的示意性框图。
如图7所示，该电子设备700可包括：
存储器710和处理器720，该存储器710用于存储计算机程序，并将该程序代码传输给该处理器720。换言之，该处理器720可以从存储器710中调用并运行计算机程序，以实现本发明实施例中的方法。
例如，该处理器720可用于根据该计算机程序中的指令执行上述方法实施例。
在本发明的一些实施例中，该处理器720可以包括但不限于：
通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（FieldProgrammable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本发明的一些实施例中，该存储器710包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、电可擦除可编程只读存储器（Electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（Random Access Memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，SRAM）、动态随机存取存储器（Dynamic RAM，DRAM）、同步动态随机存取存储器（Synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（Double DataRate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（Enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（Synch link DRAM，SLDRAM）和直接内存总线随机存取存储器（Direct Rambus RAM，DR RAM）。
在本发明的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器710中，并由该处理器720执行，以完成本发明提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该控制器中的执行过程。
如图7所示，该电子设备700还可包括：
收发器730，该收发器730可连接至该处理器720或存储器710。
其中，处理器720可以控制该收发器730与其他设备进行通信，具体地，可以向其他设备发送数据或数据，或接收其他设备发送的数据或数据。收发器730可以包括发射机和接收机。收发器730还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本发明还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本发明提供的一个实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（Digital Subscriber Line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如数字视频光盘（Digital Video Disc，DVD））、或者半导体介质（例如固态硬盘（Solid State Disk，SSD））等。
本领域普通技术人员可以意识到，结合本文中所申请的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以该权利要求的保护范围为准。
Claims (10)
1.一种变电设备绝缘子污秽监测系统，其特征在于，包括：污秽测量模块、数据分析模块和监测模块，所述数据分析模块内设置有数据处理平台和深度学习模型；
所述污秽测量模块用于采集目标变电设备表面的污秽监测数据，所述目标变电设备表面沉积有污秽物；
所述数据分析模块与所述污秽测量模块连接，用于对所述污秽监测数据进行预处理，得到所述污秽物对应的污秽分析结果，所述预处理至少包括：所述数据处理平台对所述污秽监测数据依次进行数据校正处理以及谱线识别处理，得到有效谱线的谱线识别结果；以及所述深度学习模型基于所述谱线识别结果进行污秽类型分类划分，得到污秽分析结果，所述污秽分析结果至少包括盐密和灰密；
所述监测模块与所述数据分析模块连接，用于利用无线传感网络将所述污秽分析结果传输至后台监控中心存储后进行展示。
2.根据权利要求1所述的变电设备绝缘子污秽监测系统，其特征在于，所述污秽测量模块包括成像光谱仪和光谱组件，所述光谱组件包括光电传感器和AD模数转换电路；
所述成像光谱仪用于通过探测目标变电设备表面的二维几何空间和一维光谱信息，获取高光谱分辨率的连续、窄波段的高光谱图像数据，所述高光谱图像数据至少包括图像信息、光谱信息以及任一谱段的影像信息；
所述光电传感器用于将所述高光谱图像数据中的光谱信号转化为电压模拟信号；
所述AD模数转换电路用于对所述电压模拟信号进行数字信号转化，得到污秽监测数据。
3.根据权利要求2所述的变电设备绝缘子污秽监测系统，其特征在于，所述光谱组件还包括微控制单元、LCD液晶显示单元、报警单元以及温度采集单元；
所述微控制单元与所述AD模数转换电路、所述LCD液晶显示单元、所述报警单元以及所述温度采集单元连接；
所述微控制单元用于基于所述高光谱图像数据以及所述污秽监测数据，控制在所述LCD液晶显示单元中进行污秽监测图像展示，以及在判断污秽监测异常时，控制所述报警单元输出报警提示信息；
所述温度采集单元用于采集目标变电设备表面的实时温度。
4.根据权利要求2所述的变电设备绝缘子污秽监测系统，其特征在于，还包括：组合式保温主控箱，所述组合式保温主控箱内设置有红外辐射膜加热装置；
所述成像光谱仪放置于所述组合式保温主控箱的中间隔热层，所述中间隔热层用于隔离所述成像光谱仪的工作环境和外界低温环境；
所述组合式保温主控箱在判断所述工作环境下的工作温度低于预设温度阈值时，利用所述红外辐射膜加热装置进行加热处理，使得所述工作温度达到所述预设温度阈值。
5.根据权利要求4所述的变电设备绝缘子污秽监测系统，其特征在于，所述组合式保温主控箱的中间隔热层采用硅质纳米孔绝热保温材料制作，不锈钢内壳底部敷设所述红外辐射膜加热装置，不锈钢外壳处以及开孔连接处采用隔热橡胶进行密封处理。
6.根据权利要求1所述的变电设备绝缘子污秽监测系统，其特征在于，所述深度学习模型包括自编码器AE、多卷积自编码器MCAE、混合卷积自编码器FCAE以及卷积神经网络；
所述深度学习模型用于利用所述自编码器AE提取所述谱线识别结果中不同谱线元素间的组合结构特征，利用所述多卷积自编码器MCAE提取所述谱线识别结果中多个谱线元素的空间分布特征，以及利用所述混合卷积自编码器FCAE提取所述组合结构特征和所述空间分布特征对应的混合特征，之后利用所述卷积神经网络，基于所述组合结构特征、所述空间分布特征以及所述混合特征，进行污秽类型分类划分，得到污秽分析结果。
7.根据权利要求4所述的变电设备绝缘子污秽监测系统，其特征在于，还包括：太阳能供电模块；
所述太阳能供电模块与所述污秽测量模块、所述数据分析模块、所述监测模块以及所述组合式保温主控箱连接，用于为所述变电设备绝缘子污秽监测系统中的功能模块提供电能。
8.根据权利要求7所述的变电设备绝缘子污秽监测系统，其特征在于，所述太阳能供电模块包括太阳能电池方阵、充放电控制器和储能蓄电池；
所述太阳能电池方阵用于利用光伏效应将光能转换成电能；
所述充放电控制器与所述太阳能电池方阵和所述储能蓄电池连接，用于通过设定相应的浮充电压范围和均充电压范围，根据所述储能蓄电池的容量和电压状态对所述储能蓄电池进行相应的浮充电或均充电，同时通过所述储能蓄电池为负载供电。
9.一种变电设备绝缘子污秽监测方法，其特征在于，所述方法应用于权利要求1至8中任一项所述的变电设备绝缘子污秽监测系统，包括：
获取污秽测量模块采集目标变电设备表面的污秽监测数据，所述目标变电设备表面沉积有污秽物；
对所述污秽监测数据进行预处理，得到所述污秽物对应的污秽分析结果，所述预处理至少包括数据校正处理、谱线识别处理以及深度学习模型对应的污秽类型分类处理，所述污秽分析结果至少包括盐密和灰密；
利用无线传感网络将所述污秽分析结果传输至后台监控中心存储后进行展示。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括所述深度学习模型的训练方法，包括：
生成配置有预设特征标签的污秽样本，污秽样本用于模拟实际运行环境中变电设备表面积聚的污秽，所述污秽样本中利用NaCl、CaSO4、CaCO3、SiO2、Al2O3、Fe2O3六种化合物盐模拟变电设备表面的污秽盐密，以及利用不可溶性盐的混合物高岭土和硅藻土，来模拟实际运行环境中变电设备表面积聚的污秽灰密，所述预设特征标签为所述污秽样本对应的污秽分析结果；
获取数据处理平台针对所述污秽样本的样本谱线识别数据；
将所述样本谱线识别数据和所述预设特征标签输入深度学习模型，对所述深度学习模型进行污秽区分的任务训练，其中，在所述污秽区分的任务训练中，以所述样本谱线识别数据作为输入特征，以及以所述预设特征标签作为训练标签，迭代更新所述深度学习模型中的模型参数，直至所述深度学习模型对于污秽区分的准确度大于预设准确度阈值，判断所述深度学习模型训练完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311811270.6A CN117517335B (zh) | 2023-12-27 | 2023-12-27 | 变电设备绝缘子污秽监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311811270.6A CN117517335B (zh) | 2023-12-27 | 2023-12-27 | 变电设备绝缘子污秽监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117517335A true CN117517335A (zh) | 2024-02-06 |
| CN117517335B CN117517335B (zh) | 2024-03-29 |
Family
ID=89745906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311811270.6A Active CN117517335B (zh) | 2023-12-27 | 2023-12-27 | 变电设备绝缘子污秽监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117517335B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529057A (zh) * | 2013-10-21 | 2014-01-22 | 国网河南省电力公司驻马店供电公司 | 图像分析结合超声原理检测绝缘子污秽的装置及方法 |
| CN103807568A (zh) * | 2013-12-20 | 2014-05-21 | 潍坊纳博欧化工科技有限公司 | 一种纳米微孔绝热保温板及其制备方法 |
| CN104215551A (zh) * | 2014-09-24 | 2014-12-17 | 南方电网科学研究院有限责任公司 | 高压外绝缘设备的自然污秽特性的测试方法 |
| CN105517208A (zh) * | 2016-01-03 | 2016-04-20 | 泉州瀚能科技有限公司 | 一种复合材料新型节能加热装置 |
| 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 |
| CN110261405A (zh) * | 2019-07-31 | 2019-09-20 | 西南交通大学 | 基于显微高光谱技术的绝缘子污秽成分识别方法 |
| CN110376214A (zh) * | 2019-08-13 | 2019-10-25 | 西南交通大学 | 基于高光谱技术的绝缘子污秽度非接触检测方法 |
| CN110427057A (zh) * | 2019-07-03 | 2019-11-08 | 北京雪迪龙科技股份有限公司 | 光谱仪的温控方法、温控装置及气体分析仪 |
| CN111639067A (zh) * | 2020-05-21 | 2020-09-08 | 中国地质大学（武汉） | 多特征融合卷积自编码的多元地球化学异常识别方法 |
| WO2021082594A1 (zh) * | 2019-10-31 | 2021-05-06 | 南方电网科学研究院有限责任公司 | 一种绝缘材料表面的藻类检测方法、装置和设备 |
| CN214540481U (zh) * | 2021-05-07 | 2021-10-29 | 中国铁路设计集团有限公司 | 一种工地用液体储罐智能远程自动监控装置 |
| CN114994069A (zh) * | 2022-04-22 | 2022-09-02 | 国网上海市电力公司 | 基于高光谱的绝缘子污秽成分和含量的检测方法及系统 |
| CN218383135U (zh) * | 2022-09-29 | 2023-01-24 | 云南电网有限责任公司丽江供电局 | 用于检测绝缘子性能的便携式多功能箱 |
| CN116952862A (zh) * | 2022-03-31 | 2023-10-27 | 上海禾赛科技有限公司 | 激光气体遥测仪的检测方法以及激光气体遥测仪 |
| CN116958036A (zh) * | 2023-03-28 | 2023-10-27 | 南昌航空大学 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
| CN117197624A (zh) * | 2023-08-28 | 2023-12-08 | 浙江大学 | 一种基于注意力机制的红外-可见光图像融合方法 |
| CN117470867A (zh) * | 2023-12-27 | 2024-01-30 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽区分方法、装置及电子设备 |
-
2023
- 2023-12-27 CN CN202311811270.6A patent/CN117517335B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529057A (zh) * | 2013-10-21 | 2014-01-22 | 国网河南省电力公司驻马店供电公司 | 图像分析结合超声原理检测绝缘子污秽的装置及方法 |
| CN103807568A (zh) * | 2013-12-20 | 2014-05-21 | 潍坊纳博欧化工科技有限公司 | 一种纳米微孔绝热保温板及其制备方法 |
| CN104215551A (zh) * | 2014-09-24 | 2014-12-17 | 南方电网科学研究院有限责任公司 | 高压外绝缘设备的自然污秽特性的测试方法 |
| CN105517208A (zh) * | 2016-01-03 | 2016-04-20 | 泉州瀚能科技有限公司 | 一种复合材料新型节能加热装置 |
| 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 |
| CN110427057A (zh) * | 2019-07-03 | 2019-11-08 | 北京雪迪龙科技股份有限公司 | 光谱仪的温控方法、温控装置及气体分析仪 |
| CN110261405A (zh) * | 2019-07-31 | 2019-09-20 | 西南交通大学 | 基于显微高光谱技术的绝缘子污秽成分识别方法 |
| CN110376214A (zh) * | 2019-08-13 | 2019-10-25 | 西南交通大学 | 基于高光谱技术的绝缘子污秽度非接触检测方法 |
| WO2021082594A1 (zh) * | 2019-10-31 | 2021-05-06 | 南方电网科学研究院有限责任公司 | 一种绝缘材料表面的藻类检测方法、装置和设备 |
| CN111639067A (zh) * | 2020-05-21 | 2020-09-08 | 中国地质大学（武汉） | 多特征融合卷积自编码的多元地球化学异常识别方法 |
| CN214540481U (zh) * | 2021-05-07 | 2021-10-29 | 中国铁路设计集团有限公司 | 一种工地用液体储罐智能远程自动监控装置 |
| CN116952862A (zh) * | 2022-03-31 | 2023-10-27 | 上海禾赛科技有限公司 | 激光气体遥测仪的检测方法以及激光气体遥测仪 |
| CN114994069A (zh) * | 2022-04-22 | 2022-09-02 | 国网上海市电力公司 | 基于高光谱的绝缘子污秽成分和含量的检测方法及系统 |
| CN218383135U (zh) * | 2022-09-29 | 2023-01-24 | 云南电网有限责任公司丽江供电局 | 用于检测绝缘子性能的便携式多功能箱 |
| CN116958036A (zh) * | 2023-03-28 | 2023-10-27 | 南昌航空大学 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
| CN117197624A (zh) * | 2023-08-28 | 2023-12-08 | 浙江大学 | 一种基于注意力机制的红外-可见光图像融合方法 |
| CN117470867A (zh) * | 2023-12-27 | 2024-01-30 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽区分方法、装置及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| LUQMAN MARAABA: ""Contaminati Level Monitoring Techniques for High-Voltage Insulators：A Review"", 《ENERGIES》, vol. 15, 17 October 2022 (2022-10-17), pages 1 - 32 * |
| YIN CHENGFENG等: ""Method for detecting the pollution degree of naturally contaminated insulator based on hyperspectral characteristics"", 《HIGH VOLTAGE》, vol. 6, no. 6, 3 March 2021 (2021-03-03), pages 1031 - 1039 * |
| 刘益岑等: ""基于SAM-ED光谱匹配的绝缘子污秽类型检测方法研究"", 《光散射学报》, vol. 35, no. 3, 30 September 2023 (2023-09-30), pages 296 - 302 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117517335B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | A new ultra-short-term photovoltaic power prediction model based on ground-based cloud images | |
| US20220244426A1 (en) | Precipitation measurement method and device | |
| CN111626985A (zh) | 基于图像融合的家禽体温检测方法及禽舍巡检系统 | |
| CN102156180A (zh) | 一种区域能见度监视预测系统及方法 | |
| CN117470867B (zh) | 变电设备绝缘子污秽区分方法、装置及电子设备 | |
| CN111178169A (zh) | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 | |
| US20170140077A1 (en) | Method for assessing efficiency of power generation systems | |
| Ji et al. | Solar photovoltaic module detection using laboratory and airborne imaging spectroscopy data | |
| CN102051871A (zh) | 一种嵌入式河道漂浮污染物视觉检测装置 | |
| CN108982370A (zh) | 一种应用于大气观测移动平台的太阳直射辐射测量系统 | |
| JP3747056B2 (ja) | 路面状態判別装置 | |
| Blum et al. | Measurement of diffuse and plane of array irradiance by a combination of a pyranometer and an all-sky imager | |
| CN116192251A (zh) | 一种基于天空红外遥感图像确定星地激光链路通信可用度的方法 | |
| CN117517335B (zh) | 变电设备绝缘子污秽监测系统及方法 | |
| CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
| CN109406361B (zh) | 一种基于遥感技术的干旱区灰霾污染预警方法 | |
| CN105842755A (zh) | 一种城市居住区热岛效应的测量装置及其方法 | |
| KR102497676B1 (ko) | 인공지능 기반의 태양광 모니터링 시스템 | |
| CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 | |
| Morris | Total sky imager (TSI) handbook | |
| KR20210074167A (ko) | 태양광 발전량 예측 시스템 | |
| Akiyama et al. | Wide-area road surface condition observation system utilizing traveling sensing by LiDAR | |
| LU500691B1 (en) | Non-touching Real-time In-situ Water Quality Detection Method | |
| WO2019107622A1 (ko) | 인공신경망 기법을 이용한 일사량 산출을 위한 위성영상분석모델 생성 방법 및 시스템 | |
| CN114166283A (zh) | 一种基于遥感的地表蒸散发测算系统及测算方法 |
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 |