CN117607590A - 一种高压开关柜故障预警检测方法 - Google Patents
一种高压开关柜故障预警检测方法 Download PDFInfo
- Publication number
- CN117607590A CN117607590A CN202311614922.7A CN202311614922A CN117607590A CN 117607590 A CN117607590 A CN 117607590A CN 202311614922 A CN202311614922 A CN 202311614922A CN 117607590 A CN117607590 A CN 117607590A
- Authority
- CN
- China
- Prior art keywords
- fault
- switch cabinet
- early warning
- voltage switch
- data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 8
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种高压开关柜故障预警检测方法,属于高压开关柜技术领域,该高压开关柜故障预警检测方法,包括以下具体步骤:步骤一、工作参数归纳总结:将高压开关柜的工作参数进行归纳和总结,确定故障预警的关键指标和参数;步骤二、建立数据采集和处理系统:将采集到的数据进行处理和分析,提取其中的特征信息,并与已知的故障模式进行比较和匹配。本发明通过设计该高压开关柜故障预警检测方法,既可以提高高压开关柜故障的诊断准确性和效率,减少故障对电力系统稳定性和安全运行的影响,降低维护成本,同时也提升了电力系统的稳定性和用户的满意度。
Description
技术领域
本发明属于高压开关柜技术领域,具体涉及到一种高压开关柜故障预警检测方法。
背景技术
高压开关柜作为电力系统中重要的设备之一,起到了保护和控制电力系统正常运行的关键作用。然而,由于长期使用和环境等因素的影响,高压开关柜存在着各种类型的故障,例如机械故障、电气故障以及其他常见故障。这些故障对电力系统的稳定性和安全运行产生了负面影响,同时也增加了维护成本。
目前,针对高压开关柜故障的诊断方法主要有可见光诊断、红外诊断以及其他诊断方法。通过对高压开关柜的外观和电气指标进行检测和分析,可以帮助工程师及时发现故障并进行修复,然而现有的预警方法仍然存在一些问题。
在现有技术中,现有的可见光诊断主要依靠人工巡检和经验判断,人工巡检存在着人为主观因素较多、诊断结果不准确的问题,不仅耗费人力物力,而且还存在漏检和误检的情况;而红外诊断虽然能够通过检测高压开关柜的表面温度来判断故障存在与否,但也只能对表面进行检测,无法全面了解内部故障情况。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点,提供一种高压开关柜故障预警检测方法。
解决上述技术问题所采用的技术方案是:一种高压开关柜故障预警检测方法,预警检测方法包括以下具体步骤:
步骤一、工作参数归纳总结:将高压开关柜的工作参数进行归纳和总结,确定故障预警的关键指标和参数;
步骤二、建立数据采集和处理系统:将采集到的数据进行处理和分析,提取其中的特征信息,并与已知的故障模式进行比较和匹配;
步骤三、故障特征识别分析和预警:采取机器学习和数据挖掘的技术,通过训练模型和算法来识别故障的特征模式,并根据其特征模式进行预测和预警;
步骤四、图像处理和红外检测预警:通过利用可见光检测技术和红外检测技术分别进行图像信息采集、处理和分析,并对异常的图像信息进行预警。
进一步的,步骤一中故障预警的关键指标和参数包括电流、电压、温度和湿度。
通过上述技术方案,通过对这些指标和参数的实时监测和分析,可以获取到高压开关柜的工作状态和性能;这些参数是判断系统是否正常运行的重要依据,当某个参数超出正常范围时,则意味着可能存在故障或异常情况。为了确保故障预警的准确性和高效性,我们通过实验和数据分析确定了每个参数的合理阈值范围,并将其设定为系统报警的触发条件。
进一步的,步骤二中系统还包括智能报警装置,该装置与高压开关柜系统相连,实时监测系统参数并进行数据处理和分析;一旦监测到某个参数超出阈值范围,智能报警装置将发出声音或光亮形式的警报信号,并自动将警报信息发送到运维人员的手机或电脑端。
通过上述技术方案,采用这种基于报警原理的高压开关柜故障预警检测方法,使得工作人员能够在故障发生之前及时发现并采取措施,避免故障对电力系统稳定性和安全运行带来的影响。同时,通过系统报警信息的实时发送,能够提高故障处理的响应速度和准确性,减少维护成本和延误时间。
进一步的,步骤三中的算法包括以下具体步骤:
S101、确定监测参数:需要确定需要监测的参数,包括电流、电压、温度以及湿度参数;
S102、收集历史数据:收集电力柜内各项参数的历史数据,包括正常运行状态下的数据以及已知故障时的数据;
S103、分析数据:对历史数据进行分析,分析过重采用统计学方法或者机器学习算法来确定每个参数的正常范围和异常波动情况;
S104、设置阈值:根据历史数据的分析结果,为每个监测参数设置合适的阈值;该阈值的设置还需要考虑到设备特性、环境因素以及安全要求等多方面因素;
S105、实时监测:在设备投入运行时,实时监测各个参数的数值,并与预先设置的阈值进行比较;
S106、触发警报或措施:当监测到某个参数超出了设定的阈值范围时,系统立即触发警报或采取相应的措施,包括停机保护、自动切换以及远程通知;
S107、持续优化:根据实际应用中的反馈和故障数据,不断优化监测阈值,使预警更加精准和可靠。
进一步的,步骤四中的可见光检测技术包括以下具体步骤:
S201、图像采集:采用高分辨率数码相机进行图像采集,获取高压开关柜外观图像,并将采集到的图像保存为数字图像;
S202、图像预处理:采用灰度化、滤波和增强等处理方法,对图像进行预处理,以提高故障特征的可辨识性;
S203、提取故障特征:采用特征提取算法,在图像中定位并提取电气故障的标志性特征;
S204、数据分析和模式识别:采用机器学习算法对故障特征进行训练和分类,进而对不同类型故障的准确预警检测。
进一步的,S202中的灰度化处理是将彩色图像转换为灰度图像,滤波处理用于去除图像噪声,增强处理用于增强图像的亮度和对比度。
进一步的,S203中特征提取算法采用卷积神经网络,具体流程如下:
卷积层:使用一些卷积核来对输入数据进行卷积操作,提取出不同位置的特征;
池化层:通过对卷积层输出的特征图进行下采样,以减少数据的维度并保留最显著的特征;
激活函数:采用ReLU、Sigmoid或Tanh函数应用在卷积层和全连接层的输出上,以引入非线性变换;
全连接层:将卷积层和池化层提取到的特征进行分类。
进一步的,所述全连接层输出的值表示电气故障的特定特征。
通过上述技术方案,以上检测原理的实施,使得该高压开关柜故障预警检测方法可以实现对高压开关柜故障的准确、迅速的检测和预警;检测原理基于图像处理和信号处理技术,能够有效地提取故障特征并实现故障的自动识别和预警,该方法在故障检测的准确性和效率方面具有显著的优势;同时,该方法具有良好的可扩展性和适应性,可应用于不同型号和规模的高压开关柜。
进一步的,步骤四中的红外检测技术包括以下具体步骤:
S301、测温和数据采集:利用红外热像仪对高压开关柜进行非接触式的测温和热图记录,以获取开关柜内部的温度分布情况;
S302、热图数据分析和报警:故障电器元件在发生故障时会产生异常的热量,并导致局部温度升高,通过分析热图,判断是否存在异常温度升高的情况,进而确定故障部位,并自动进行报警。
本发明的有益效果如下:(1)本发明通过设计该高压开关柜故障预警检测方法,既可以提高高压开关柜故障的诊断准确性和效率,减少故障对电力系统稳定性和安全运行的影响,降低维护成本,同时也提升了电力系统的稳定性和用户的满意度;(2)本发明通过对高压开关柜故障的特征进行分析,确定关键指标和参数,并根据关键指标参数设计系统性的高压开关柜故障预警检测方法,可以有效实现高压开关柜在运行过程中的故障预警,并及时的将预警该信息上报至检修人员,使得该预警检测方法的运用降低了高压开关柜的维护成本,同时也有效地减少了因故障而造成的停机维修时间。
附图说明
图1是本发明高压开关柜故障预警检测方法的预警流程图;
图2是本发明算法工作流程图;
图3是本发明可见光检测技术的工作流程图;
图4是本发明红外检测技术的工作流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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。
如图1-图4所示,本实施例的一种高压开关柜故障预警检测方法,预警检测方法包括以下具体步骤:
步骤一、工作参数归纳总结:将高压开关柜的工作参数进行归纳和总结,确定故障预警的关键指标和参数;
步骤二、建立数据采集和处理系统:将采集到的数据进行处理和分析,提取其中的特征信息,并与已知的故障模式进行比较和匹配;
步骤三、故障特征识别分析和预警:采取机器学习和数据挖掘的技术,通过训练模型和算法来识别故障的特征模式,并根据其特征模式进行预测和预警;
步骤四、图像处理和红外检测预警:通过利用可见光检测技术和红外检测技术分别进行图像信息采集、处理和分析,并对异常的图像信息进行预警。
本实施例步骤一中故障预警的关键指标和参数包括电流、电压、温度和湿度,通过对这些指标和参数的实时监测和分析,可以获取到高压开关柜的工作状态和性能;这些参数是判断系统是否正常运行的重要依据,当某个参数超出正常范围时,则意味着可能存在故障或异常情况。为了确保故障预警的准确性和高效性,我们通过实验和数据分析确定了每个参数的合理阈值范围,并将其设定为系统报警的触发条件。
通过设定温度参数,高压开关柜在运行过程中会产生一定的热量,当故障发生时,温度会显著上升;因此,选择温度作为故障预警的关键参数之一,通过在实验中监测和记录高压开关柜的温度变化情况,可以建立温度与故障之间的关系模型,从而实现故障的预警和预防;
通过设定电流参数,高压开关柜的电流异常是故障发生的重要指标之一,通过测量和记录高压开关柜的电流变化情况,可以确定电流与故障之间的相互关系,通过设定电流的阈值,当电流超过设定值时,系统会进行故障预警并触发相应的报警措施;
通过设定电压参数,高压开关柜的电压异常同样可以作为故障预警的重要参考指标,本方法通过监测和记录高压开关柜的电压变化情况,并建立电压与故障之间的关系模型,当电压超过设定的阈值时,系统会发出故障预警信号,以提醒运维人员进行维修和处理;
通过设定湿度参数,高压开关柜的湿度异常也可能对其发生故障起到一定的影响,通过监测和记录高压开关柜的湿度变化情况,并分析湿度与故障之间的关系,当湿度超过设定的阈值时,系统会进行相应的故障预警和报警动作。
本实施例步骤二中系统还包括智能报警装置,该装置与高压开关柜系统相连,实时监测系统参数并进行数据处理和分析;一旦监测到某个参数超出阈值范围,智能报警装置将发出声音或光亮形式的警报信号,并自动将警报信息发送到运维人员的手机或电脑端,这种基于报警原理的高压开关柜故障预警检测方法,使得工作人员能够在故障发生之前及时发现并采取措施,避免故障对电力系统稳定性和安全运行带来的影响。同时,通过系统报警信息的实时发送,能够提高故障处理的响应速度和准确性,减少维护成本和延误时间。
如图2所示,本实施例步骤三中的算法包括以下具体步骤:
S101、确定监测参数:需要确定需要监测的参数,包括电流、电压、温度以及湿度参数;
S102、收集历史数据:收集电力柜内各项参数的历史数据,包括正常运行状态下的数据以及已知故障时的数据;
S103、分析数据:对历史数据进行分析,分析过重采用统计学方法或者机器学习算法来确定每个参数的正常范围和异常波动情况;
S104、设置阈值:根据历史数据的分析结果,为每个监测参数设置合适的阈值;该阈值的设置还需要考虑到设备特性、环境因素以及安全要求等多方面因素;
S105、实时监测:在设备投入运行时,实时监测各个参数的数值,并与预先设置的阈值进行比较;
S106、触发警报或措施:当监测到某个参数超出了设定的阈值范围时,系统立即触发警报或采取相应的措施,包括停机保护、自动切换以及远程通知;
S107、持续优化:根据实际应用中的反馈和故障数据,不断优化监测阈值,使预警更加精准和可靠。
如图3所示,本实施例步骤四中的可见光检测技术包括以下具体步骤:
S201、图像采集:采用高分辨率数码相机进行图像采集,获取高压开关柜外观图像,并将采集到的图像保存为数字图像;
S202、图像预处理:采用灰度化、滤波和增强等处理方法,对图像进行预处理,以提高故障特征的可辨识性;
S203、提取故障特征:采用特征提取算法,在图像中定位并提取电气故障的标志性特征;
S204、数据分析和模式识别:采用机器学习算法对故障特征进行训练和分类,进而对不同类型故障的准确预警检测。
可见光检测技术所使用的设备为可见光摄像机,可见光摄像机通过记录柜内的图像和视频来对柜内的故障进行分析,可见光摄像机可以实时监测柜内的工作状态和异常情况,并通过图像处理和模式识别来判断是否存在故障。
S202中的灰度化处理是将彩色图像转换为灰度图像,滤波处理用于去除图像噪声,增强处理用于增强图像的亮度和对比度。
S203中,特征提取算法采用卷积神经网络,具体流程如下:
卷积层:使用一些卷积核来对输入数据进行卷积操作,提取出不同位置的特征;
池化层:通过对卷积层输出的特征图进行下采样,以减少数据的维度并保留最显著的特征;
激活函数:采用ReLU、Sigmoid或Tanh函数应用在卷积层和全连接层的输出上,以引入非线性变换;
全连接层:将卷积层和池化层提取到的特征进行分类。
上述全连接层输出的值表示电气故障的特定特征。
通过以上检测原理的实施,该高压开关柜故障预警检测方法可以实现对高压开关柜故障的准确、迅速的检测和预警;检测原理基于图像处理和信号处理技术,能够有效地提取故障特征并实现故障的自动识别和预警,该方法在故障检测的准确性和效率方面具有显著的优势;同时,该方法具有良好的可扩展性和适应性,可应用于不同型号和规模的高压开关柜。
如图4所示,本实施例步骤四中的红外检测技术包括以下具体步骤:
S301、测温和数据采集:利用红外热像仪对高压开关柜进行非接触式的测温和热图记录,以获取开关柜内部的温度分布情况;
S302、热图数据分析和报警:故障电器元件在发生故障时会产生异常的热量,并导致局部温度升高,通过分析热图,判断是否存在异常温度升高的情况,进而确定故障部位,并自动进行报警。
红外检测技术所使用的设备为红外热像仪,红外热像仪能够实时检测高压开关柜的热量变化,通过研究和分析不同类型故障的红外图像特征,建立故障与温度之间的关系模型,最后通过热图分析来识别异常热点,从而快速判断柜内是否存在故障。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (9)
1.一种高压开关柜故障预警检测方法,其特征在于:预警检测方法包括以下具体步骤:
步骤一、工作参数归纳总结:将高压开关柜的工作参数进行归纳和总结,确定故障预警的关键指标和参数;
步骤二、建立数据采集和处理系统:将采集到的数据进行处理和分析,提取其中的特征信息,并与已知的故障模式进行比较和匹配;
步骤三、故障特征识别分析和预警:采取机器学习和数据挖掘的技术,通过训练模型和算法来识别故障的特征模式,并根据其特征模式进行预测和预警;
步骤四、图像处理和红外检测预警:通过利用可见光检测技术和红外检测技术分别进行图像信息采集、处理和分析,并对异常的图像信息进行预警。
2.根据权利要求1所述的高压开关柜故障预警检测方法,其特征在于,步骤一中故障预警的关键指标和参数包括电流、电压、温度和湿度。
3.根据权利要求1所述的高压开关柜故障预警检测方法,其特征在于,步骤二中数据采集和处理系统还包括智能报警装置;智能报警装置与高压开关柜相连,实时监测关键指标和参数并进行数据处理和分析;一旦监测到某个参数超出阈值范围,智能报警装置将发出声音或光亮形式的警报信号,并自动将警报信息发送到运维人员的手机或电脑端。
4.根据权利要求1所述的高压开关柜故障预警检测方法,其特征在于,步骤三中的算法包括以下具体步骤:
S101、确定监测参数:所述监测参数包括电流、电压、温度以及湿度参数;
S102、收集历史数据:收集高压开关柜内各项参数的历史数据,包括正常运行状态下的数据以及已知故障时的数据;
S103、分析数据:对历史数据进行分析,分析过重采用统计学方法或者机器学习算法来确定每个参数的正常范围和异常波动情况;
S104、设置阈值:根据历史数据的分析结果,为每个监测参数设置阈值;阈值的设置同时考虑到设备特性、环境因素以及安全要求的因素;
S105、实时监测:在设备投入运行时,实时监测各个参数的数值,并与预先设置的阈值进行比较;
S106、触发警报或措施:当监测到某个参数超出了设定的阈值范围时,系统立即触发警报或采取相应的措施,包括停机保护、自动切换以及远程通知;
S107、持续优化:根据实际应用中的反馈和故障数据,不断优化监测阈值,使预警更加精准和可靠。
5.根据权利要求1所述的高压开关柜故障预警检测方法,其特征在于,步骤四中的可见光检测技术包括以下具体步骤:
S201、图像采集:采用高分辨率数码相机进行图像采集,获取高压开关柜外观图像,并将采集到的图像保存为数字图像;
S202、图像预处理:采用灰度化、滤波和增强处理方法,对图像进行预处理,以提高故障特征的可辨识性;
S203、提取故障特征:采用特征提取算法,在图像中定位并提取电气故障的标志性特征;
S204、数据分析和模式识别:采用机器学习算法对故障特征进行训练和分类,进而对不同类型故障的准确预警检测。
6.根据权利要求5所述的高压开关柜故障预警检测方法,其特征在于,S202中的灰度化处理是将彩色图像转换为灰度图像,滤波处理用于去除图像噪声,增强处理用于增强图像的亮度和对比度。
7.根据权利要求5所述的高压开关柜故障预警检测方法,其特征在于,S203中,特征提取算法采用卷积神经网络,具体流程如下:
卷积层:使用一些卷积核来对输入数据进行卷积操作,提取出不同位置的特征;
池化层:通过对卷积层输出的特征图进行下采样,以减少数据的维度并保留最显著的特征;
激活函数:采用ReLU、Sigmoid或Tanh函数应用在卷积层和全连接层的输出上,以引入非线性变换;
全连接层:将卷积层和池化层提取到的特征进行分类。
8.根据权利要求7所述的高压开关柜故障预警检测方法,其特征在于,所述全连接层输出的值表示电气故障的特定特征。
9.根据权利要求1所述的高压开关柜故障预警检测方法,其特征在于,步骤四中的红外检测技术包括以下具体步骤:
S301、测温和数据采集:利用红外热像仪对高压开关柜进行非接触式的测温和热图记录,以获取开关柜内部的温度分布情况;
S302、热图数据分析和报警:故障电器元件在发生故障时会产生异常的热量,并导致局部温度升高,通过分析热图,判断是否存在异常温度升高的情况,进而确定故障部位,并自动进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614922.7A CN117607590A (zh) | 2023-11-29 | 2023-11-29 | 一种高压开关柜故障预警检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614922.7A CN117607590A (zh) | 2023-11-29 | 2023-11-29 | 一种高压开关柜故障预警检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117607590A true CN117607590A (zh) | 2024-02-27 |
Family
ID=89959450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311614922.7A Pending CN117607590A (zh) | 2023-11-29 | 2023-11-29 | 一种高压开关柜故障预警检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117607590A (zh) |
-
2023
- 2023-11-29 CN CN202311614922.7A patent/CN117607590A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
CN111428617A (zh) | 一种基于视频图像的配网违规检修行为的识别方法和系统 | |
CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
CN115372816B (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
CN114994565A (zh) | 一种电气柜防水漏电警报系统 | |
CN115077605A (zh) | 智能变电站管理系统 | |
CN117350548B (zh) | 一种配电设备安全隐患排查方法 | |
CN114445350A (zh) | 电力器件的图像检测方法、装置、电子设备及存储介质 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
CN117607590A (zh) | 一种高压开关柜故障预警检测方法 | |
CN116152202A (zh) | 基于图像识别技术和红外热成像技术的设备外观检测系统 | |
CN104849654A (zh) | 断路器在线监测方法及系统 | |
CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及系统 | |
CN112750149A (zh) | 基于运动目标检测的高压隔离开关故障监测方法 | |
KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
CN117713381A (zh) | 一种便于检修的配电柜系统 | |
KR102595694B1 (ko) | 전기차 진단 및 예지 시스템 | |
CN115314401B (zh) | 接触网状态监测方法、装置、电子设备及存储介质 | |
CN109374255B (zh) | 一种基于视觉的电梯控制柜中接触器故障实时检测方法 |
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 |