CN105371957A - 变电站设备红外温度配准定位***及方法 - Google Patents
变电站设备红外温度配准定位***及方法 Download PDFInfo
- Publication number
- CN105371957A CN105371957A CN201510695775.XA CN201510695775A CN105371957A CN 105371957 A CN105371957 A CN 105371957A CN 201510695775 A CN201510695775 A CN 201510695775A CN 105371957 A CN105371957 A CN 105371957A
- Authority
- CN
- China
- Prior art keywords
- infrared
- measuring point
- substation equipment
- temperature
- visible images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001757 thermogravimetry curve Methods 0.000 claims description 60
- 230000001537 neural effect Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013523 data management Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种变电站设备红外温度配准定位***,其包括:红外摄像机,可见光摄像机,视频服务器,数据处理分析单元,其接收红外摄像机和可见光摄像机采集的变电站设备的红外热像图和可见光图像,并对同一目标场景的红外热像图和可见光图像进行配准,以对同一目标场景的红外热像图和可见光图像的各测定点进行匹配;所述数据处理分析单元建立径向基神经网络,并通过径向基神经网络预测得到红外热像图上的各测定点的温度预测值,并将该温度预测值对应到与红外热像图上的各测定点匹配的可见光图像的各测定点上。本发明还公开了一种变电站设备红外温度配准定位方法。
Description
技术领域
本发明涉及一种对变电站设备进行温度预测的***及方法,尤其涉及一种通过对红外热像图和可见光图像进行配准定位实现对变电站设备的温度预测的***及方法。
背景技术
电力工业中的许多设备都在高电压、大电流状态下运行,与热度有着极其密切的联系。在众多停电事故中,因设备局部过热引起的停电检修时有发生。因此,及时发现设备发热缺陷,将发热缺陷消除在初始状态,是保证设备安全运行、减少事故发生、避免被迫停电的关键。红外检测的基本原理就是通过探测物体的红外辐射信号,获得物体的热状态特征,并根据这种热状态特征及相应的判断依据判断出物体的状态。由于红外检测技术具有远距离、不接触、实时、快速等特点,因而对实现电力设备的在线监测和故障诊断具有重要的意义。变电站电力设备主要采用红外热成像和红外点温测量两种红外检测技术,从而实现对全变电站主要电力设备的运行性能和发热情况的全面监测。
红外热成像技术虽然有上述的诸多优点,但是与普通图像相比,红外热像图受到工作原理、外界环境及自身器件等因素的影响,视觉效果不够清晰、目标设备与背景对比度差,对后续的故障分析处理造成诸多不便。另外,红外监测设备市场几乎被国外大型公司占据,由于行业垄断、技术封锁等原因,电力公司只能被动的购买、使用设备自带的分析软件,无法较好的满足个性化要求,严重制约了变电站中电力设备故障诊断水平的提高,不利于智能电网的安全稳定运行。
发明内容
本发明的目的在于提供一种变电站设备红外温度配准定位***,其能够预测得到变电站设备的红外热像图上各测定点的温度预测值,实现变电站设备的红外热像图和可见光图像上各测定点的匹配及信息共享,该信息包括对所述各测定点的温度预测值。
本发明的另一目的在于提供一种变电站设备红外温度配准定位方法,该方法同样具有上述功能。
为了实现上述目的,本发明提出了一种变电站设备红外温度配准定位***,其包括:
红外摄像机,其采集目标场景的红外热像图;
可见光摄像机,其采集目标场景的可见光图像;
视频服务器,其与红外摄像机和可见光摄像机通过视频线分别连接;
数据处理分析单元,该数据处理分析单元通常为计算机,其与所述视频服务器连接,其接收红外摄像机和可见光摄像机采集的变电站设备的红外热像图和可见光图像,并对同一目标场景的红外热像图和可见光图像进行配准,以对同一目标场景的红外热像图和可见光图像的各测定点进行匹配;所述数据处理分析单元建立径向基神经网络,并通过径向基神经网络预测得到红外热像图上的各测定点的温度预测值,并将该温度预测值对应到与红外热像图上的各测定点匹配的可见光图像的各测定点上。
本发明所述的变电站设备红外温度配准定位***,基于对同一目标场景的红外热像图和可见光图像的配准,实现变电站设备的红外热像图和可见光图像上各测定点的匹配,同时通过径向基神经网络将所述红外热像图的测定点的像素与温度进行拟合得到红外热像图上的各测定点的温度预测值,并将该温度预测值对应到与红外热像图上的各测定点匹配的可见光图像的各测定点上。所述配准就是将不同时间、不同传感器(成像设备)或不同条件下获取的两幅或多幅图像进行匹配、叠加的过程;常用的方法有基于灰度信息法、变换域法以及基于特征法等,其技术较为成熟,是本领域技术人员公知的技术,本发明不再做详细介绍。所述拟合的方法是,首先对所述径向基神经网络进行温度预测训练,然后用经温度预测训练的径向基神经网络作为拟合模型,以红外热像图的测定点的像素和温度分别作为所述拟合模型的输入和输出实现拟合。所述温度预测训练的方法是,以若干像素值为输入样本,以所述若干像素值对应的温度条温度值作为所述输入样本相应的输出,对所述径向基神经网络进行温度预测训练,求解径向基神经网络的参数。
具体应用上,本发明所述的变电站设备红外温度配准定位***可以通过设置人机交互界面,实现红外热像图和可见光图像双通道监测:可通过点选红外热像图或可见光图像上的任一测定点,获取该测定点的温度预测值、坐标等信息。
本发明所述的变电站设备红外温度配准定位***能对变电站设备进行全方位的红外温度监测和配准定位,通过直接查阅可见光图像,获取各测定点的温度预测值、坐标等信息,因此可降低由于红外热像图模糊而引起的热异常位置定位难度,缩小定位准确度误差,简化了变电站红外温度监控中的后续故障分析处理难度,从而提高了变电站的智能化水平。
进一步地,在本发明所述的变电站设备红外温度配准定位***中,所述红外摄像机还与数据处理分析单元通过网线直接连接,以使数据处理分析单元向红外摄像机传输控制参数,从而控制红外摄像机进行聚焦、光圈放电、设置区域等操作。
进一步地,在本发明所述或上述的变电站设备红外温度配准定位***还包括可转动的云台,所述红外摄像机和可见光摄像机设置在所述云台上,所述云台与视频服务器连接,以接收视频服务器的控制信号,从而使得可以通过视频服务器控制云台的转动。
进一步地,在本发明所述或上述的变电站设备红外温度配准定位***还包括电池组和与电池组连接的逆变器,所述逆变器与红外摄像机、可见光摄像机、视频服务器和数据处理分析单元分别连接,以将电池组提供的直流电转变为交流电提供给红外摄像机、可见光摄像机、视频服务器和数据处理分析单元。
相应地,本发明还提供了一种变电站设备红外温度配准定位方法,其包括步骤:
(1)分别获取变电站设备的同一目标场景的红外热像图和可见光图像;
(2)将可见光图像与红外热像图的像素矩阵进行匹配,以使可见光图像上的各测定点完全对应匹配红外热像图上的各测定点;
(3)构建径向基神经网络并对其进行温度预测训练;
(4)以红外热像图上的测定点对应的像素值作为经温度预测训练的径向基神经网络的输入,求解经温度预测训练的径向基神经网络的输出,该输出即为红外热像图上的测定点的温度预测值,也即为可见光图像上的测定点的温度预测值。
本发明所述的变电站设备红外温度配准定位方法的构思与本发明所述的变电站设备红外温度配准定位***的构思一致,在此不再赘述。
本发明所述的变电站设备红外温度配准定位方法能预测得到变电站设备的红外热像图上各测定点的温度预测值,实现变电站设备的红外热像图和可见光图像上各测定点的匹配及信息共享,该信息包括对所述各测定点的温度预测值。
进一步地,在本发明所述的变电站设备红外温度配准定位方法中,在所述步骤(1)和(2)之间还包括图像预处理步骤,所述图像预处理步骤至少包括对红外热像图和可见光图像进行图像均衡处理和滤波处理,该处理过程属于数字图像处理中的基础内容,是本领域技术人员熟知的,因此本发明不再进行详细解释说明。
进一步地,在本发明所述的变电站设备红外温度配准定位方法中,所述步骤(3)包括下述步骤:
(3a)构建隐含层基函数;
(3b)基于所述隐含层基函数构建径向基神经网络;
(3c)以若干像素值为输入样本,以所述若干像素值对应的温度条温度值作为所述输入样本相应的输出,对所述径向基神经网络进行温度预测训练,求解径向基神经网络的参数。
上述方案中,径向基神经网络的隐含层基函数有多种形式,最常用的是高斯核函数。
进一步地,在上述变电站设备红外温度配准定位方法中,
步骤(3a)中构建的隐含层基函数为高斯核函数,其表达式为:
其中,X为n维输入向量,X=[x1,x2,…,xn],n为输入层神经元的个数;cj为第j个隐含层基函数的中心,是与X具有相同维数的向量;Rj(X-cj)为第j个隐含层神经元的输出值,p为隐含层神经元的个数;σj为标准化常数,即高斯核函数的方差;
步骤(3b)中构建的径向基神经网络的表达式为:
其中,yk为第k个输出层神经元的输出值,m为输出层神经元的个数;wj,i为第j个隐含层神经元与第i个输入层神经元之间的连接权值;
步骤(3c)中所述参数包括隐含层基函数的数据中心cj、标准化常数σj以及连接权值wj,i,通过最小二乘法对其进行求解。
上述方案中,所述参数多于方程数,是一个超定方程的求解,需要使用数值解法进行求解,本发明采用最小二乘法。使用最小二乘法求解超定方程组是本领域内的技术人员均熟知的方法,在此不再做详细的介绍。
进一步地,在上述变电站设备红外温度配准定位方法中,σj的取值范围为[0.01,0.05]。
本发明所述的变电站设备红外温度配准定位***与现有技术相比,具有以下有益效果:
1)能预测得到变电站设备的红外热像图上各测定点的温度预测值,实现变电站设备的红外热像图和可见光图像上各测定点的匹配及信息共享;
2)能对变电站设备进行全方位的红外温度监测和配准定位,通过直接查阅可见光图像,获取各测定点的温度预测值、坐标等信息,因此可降低由于红外热像图模糊而引起的热异常位置定位难度,缩小定位准确度误差,简化了变电站红外温度监控中的后续故障分析处理难度,从而提高了变电站的智能化水平。
本发明所述的变电站设备红外温度配准定位方法同样具有上述效果。
附图说明
图1为本发明所述的变电站设备红外温度配准定位***在一种实施方式下的总体架构示意图。
图2为本发明所述的变电站设备红外温度配准定位***在一种实施方式下的工作流程图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的变电站设备红外温度配准定位***及方法作出进一步的解释和说明。
图1示意了本发明所述的变电站设备红外温度配准定位***在一种实施方式下的总体架构。
如图1所示,本实施例包括:红外摄像机,其采集目标场景的红外热像图;可见光摄像机,其采集目标场景的可见光图像;视频服务器,其与红外摄像机和可见光摄像机通过视频线分别连接;作为数据处理分析单元的计算机,其与视频服务器连接,其接收红外摄像机和可见光摄像机采集的变电站设备的红外热像图和可见光图像,并对同一目标场景的红外热像图和可见光图像进行配准,以对同一目标场景的红外热像图和可见光图像的各测定点进行匹配;计算机建立径向基神经网络,并通过径向基神经网络预测得到红外热像图上的各测定点的温度预测值,并将该温度预测值对应到与红外热像图上的各测定点匹配的可见光图像的各测定点上。本实施例中,红外摄像机还与计算机通过网线直接连接,以使计算机向红外摄像机传输控制参数,从而控制红外摄像机进行聚焦、光圈放电、设置区域等操作。本实施例还包括可转动的云台,红外摄像机和可见光摄像机设置在云台上,云台与视频服务器连接,以接收视频服务器的控制信号,从而使得可以通过视频服务器控制云台的转动。本实施例还包括锂电池组和与锂电池组连接的逆变器,该逆变器与红外摄像机、可见光摄像机、可转动的云台、视频服务器和计算机分别连接,以将电池组提供的直流电转变为交流电提供给红外摄像机、可见光摄像机、可转动的云台、视频服务器和计算机。
图2示意了本发明所述的变电站设备红外温度配准定位***在一种实施方式下的工作流程。如图2所示,本实施例的工作流程是:
计算机接收红外摄像机和可见光摄像机采集的变电站设备的同一目标场景的红外热像图和可见光图像,并对该红外热像图和可见光图像进行图像均衡、滤波的预处理和配准融合,以对该红外热像图和可见光图像的各测定点进行匹配;计算机通过显示器输出人机交互界面,该人机交互界面包括两个可进行点击选取测定点操作的视窗,左边的视窗显示可见光图像,右边的视窗显示红外热像图;计算机建立用于温度预测的径向基神经网络,包括步骤:
基于高斯核函数构建隐含层基函数,其表达式为:
其中,X为n维输入向量,X=[x1,x2,…,xn],在本发明中,输入是指图像中每个点的像素值(R,G,B);n为输入层神经元的个数,因为图像中每个点的像素值只有3个,因此在本发明中n=3;cj为第j个隐含层基函数的中心,是与X具有相同维数的向量,cj的分量取值范围与输入图像的像素值分量相同,即0≤cj≤255;Rj(X-cj)为第j个隐含层神经元的输出值,p为隐含层神经元的个数;σj为标准化常数,即高斯核函数的方差;
基于上述隐含层基函数构建径向基神经网络,表达式为:
其中,yk为第k个输出层神经元的输出值,m为输出层神经元的个数,本发明中输出层神经元代表温度预测值,因此m=1;wj,i为第j个隐含层神经元与第i个输入层神经元之间的连接权值;
以若干像素值为输入样本,以该若干像素值对应的温度条温度值作为输入样本相应的输出,对径向基神经网络进行温度预测训练,求解径向基神经网络的参数,该参数包括隐含层基函数的数据中心cj、标准化常数σj以及连接权值wj,i,通过最小二乘法对其进行求解:
对隐含层神经元的个数p的选取兼顾准确性和计算复杂度取45;为简化求解难度,假定隐含层基函数中的σj相等,σj的取值范围在0.01~0.05之间,本实施例取0.028;在温度预测训练的迭代过程中,随机取0至255之间的任意整数值,最终求解得到的cj为:
R | G | B | |
c1 | 98 | 124 | 16 |
c2 | 211 | 45 | 78 |
c3 | 33 | 121 | 92 |
c4 | 204 | 133 | 145 |
c5 | 59 | 23 | 245 |
c6 | 238 | 231 | 190 |
c7 | 195 | 226 | 169 |
c8 | 211 | 112 | 133 |
c9 | 146 | 199 | 66 |
c10 | 202 | 38 | 245 |
c11 | 84 | 158 | 138 |
c12 | 57 | 66 | 8 |
c13 | 80 | 114 | 178 |
c14 | 149 | 215 | 133 |
c15 | 212 | 50 | 15 |
c16 | 74 | 77 | 227 |
c17 | 103 | 123 | 84 |
c18 | 220 | 86 | 59 |
c19 | 157 | 204 | 29 |
c20 | 253 | 252 | 79 |
c21 | 52 | 41 | 58 |
c22 | 211 | 60 | 166 |
c23 | 172 | 179 | 17 |
c24 | 63 | 96 | 70 |
c25 | 121 | 248 | 72 |
c26 | 102 | 248 | 224 |
c27 | 153 | 164 | 113 |
c28 | 204 | 219 | 193 |
c29 | 27 | 102 | 154 |
c30 | 209 | 161 | 200 |
c31 | 214 | 251 | 29 |
c32 | 90 | 143 | 250 |
c33 | 110 | 238 | 216 |
c34 | 146 | 184 | 13 |
c35 | 179 | 123 | 119 |
c36 | 189 | 163 | 83 |
c37 | 193 | 226 | 161 |
c38 | 99 | 51 | 59 |
c39 | 109 | 101 | 148 |
c40 | 244 | 253 | 154 |
c41 | 146 | 103 | 153 |
c42 | 217 | 168 | 114 |
c43 | 70 | 230 | 9 |
c44 | 159 | 254 | 131 |
c45 | 150 | 167 | 104 |
求解得到的连接权值wj,i表为(j对应表中行,i对应表中列):
221.5928652 | 179.6582716 | 61.6122449 |
233.9444619 | 230.3126588 | 183.8514565 |
202.7950514 | 104.755969 | 41.71688667 |
226.9271137 | 215.6851312 | 108.7026239 |
174.1148756 | 46.45351002 | 94.09030251 |
255 | 217 | 235 |
127.0308205 | 19.00102848 | 127.9914406 |
213.0395243 | 156.088203 | 49.01078632 |
233.9841563 | 227.0374844 | 147.3673979 |
181.7492711 | 67.59766764 | 67.22157434 |
219.7627689 | 183.7478517 | 63.73127693 |
62.78984947 | 10.91224745 | 108.8839429 |
241.6939286 | 234.3474573 | 211.9652781 |
164.911797 | 37.93877551 | 115.0612245 |
100.426183 | 17.32960756 | 121.4033098 |
223.0571531 | 198.1744171 | 71.52620932 |
200.9854227 | 118.1428571 | 37.98542274 |
189.9642921 | 99.11218965 | 42.83484773 |
233.5897373 | 233.969171 | 198.0237146 |
212.9773564 | 163.7101633 | 48.302986 |
31.23217367 | 7.147030574 | 87.30131153 |
149.0072674 | 22.04602674 | 127.1647273 |
201.9852867 | 110.9412065 | 39.98448776 |
233.0763542 | 227.9741434 | 162.8921623 |
138.607485 | 20.98342527 | 125.8541424 |
118.8619963 | 16.88569389 | 126.9539988 |
229.029112 | 221.8932843 | 130.6620881 |
209.8709721 | 147.8709721 | 46.85781435 |
50 | 0 | 36 |
190.8705556 | 90.56609916 | 48.575959 |
170.0405698 | 39.03399094 | 104.8717116 |
218.5510204 | 171.4460641 | 55.63848397 |
209.9913301 | 145.4614489 | 47.99133014 |
190.2831133 | 82.42055606 | 52.82347491 |
226.2851023 | 211.2114 | 93.2726245 |
206.637702 | 135.6938011 | 45.70145093 |
177.7475202 | 60.67346939 | 77.4364848 |
110.9545597 | 16 | 123.6137579 |
221.9953761 | 202.3076354 | 81.41629763 |
222.9987675 | 193.9473349 | 68.00855936 |
153.9825073 | 24.03498542 | 124.2099125 |
158.7777457 | 30.58002193 | 116.5233534 |
202.453561 | 125.2524798 | 42.60166257 |
39.07679623 | 8.863679249 | 101.6191808 |
56.73435388 | 13.65833964 | 107.2892672 |
计算机建立用于温度预测的径向基神经网络之后,计算机便可以红外热像图上的测定点对应的像素值作为经温度预测训练的径向基神经网络的输入,求解经温度预测训练的径向基神经网络的输出,该输出即为红外热像图上的测定点的温度预测值,也即为可见光图像上的测定点的温度预测值。操作人员通过人机交互界面点击“选择可见光图像”或“选择红外热图像”按钮对可见光图像或红外热像图进行选择:
本实施例先选择可见光图像,点击一个测定点,计算机予以标记红圈1,计算机判断该测定点是否超出与其匹配的红外热像图的测定点范围,如果超出则计算机要求重新点击,如果未超出则计算机通过测定点之间的匹配关系获取与其匹配的红外热像图测定点,并且通过径向基神经网络预测得到该红外热像图测定点的温度预测值,并将该温度预测值作为红圈1处可见光图像测定点的温度预测值进行输出显示,图中显示本实施例输出值为21.6311;
本实施例再选择红外热像图,点击一个测定点,计算机予以标记绿圈2,计算机将与绿圈2对应匹配的可见光图像测定点标记为黄圈3,并输出其坐标X轴123,Y轴100;通过径向基神经网络预测得到绿圈2处红外热像图测定点的温度预测值并输出显示,图中显示本实施例输出值为8.293。
本发明所述的变电站设备红外温度配准定位方法可以上述***的工作流程作为一种实施方式,在此不再赘述。
要注意的是,以上列举的仅为本发明的具体实施例,显然本发明不限于以上实施例,随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形,均应属于本发明的保护范围。
Claims (9)
1.一种变电站设备红外温度配准定位***,其特征在于,包括:
红外摄像机,其采集目标场景的红外热像图;
可见光摄像机,其采集目标场景的可见光图像;
视频服务器,其与红外摄像机和可见光摄像机通过视频线分别连接;
数据处理分析单元,其与所述视频服务器连接,其接收红外摄像机和可见光摄像机采集的变电站设备的红外热像图和可见光图像,并对同一目标场景的红外热像图和可见光图像进行配准,以对同一目标场景的红外热像图和可见光图像的各测定点进行匹配;所述数据处理分析单元建立径向基神经网络,并通过径向基神经网络预测得到红外热像图上的各测定点的温度预测值,并将该温度预测值对应到与红外热像图上的各测定点匹配的可见光图像的各测定点上。
2.如权利要求1所述的变电站设备红外温度配准定位***,其特征在于,所述红外摄像机还与数据处理分析单元通过网线直接连接,以使数据处理分析单元向红外摄像机传输控制参数。
3.如权利要求1或2所述的变电站设备红外温度配准定位***,其特征在于,还包括可转动的云台,所述红外摄像机和可见光摄像机设置在所述云台上,所述云台与视频服务器连接,以接收视频服务器的控制信号。
4.如权利要求1所述的变电站设备红外温度配准定位***,其特征在于,还包括电池组和与电池组连接的逆变器,所述逆变器与红外摄像机、可见光摄像机、视频服务器和数据处理分析单元分别连接,以将电池组提供的直流电转变为交流电提供给红外摄像机、可见光摄像机、视频服务器和数据处理分析单元。
5.一种变电站设备红外温度配准定位方法,其特征在于,包括步骤:
(1)分别获取变电站设备的同一目标场景的红外热像图和可见光图像;
(2)将可见光图像与红外热像图的像素矩阵进行匹配,以使可见光图像上的各测定点完全对应匹配红外热像图上的各测定点;
(3)构建径向基神经网络并对其进行温度预测训练;
(4)以红外热像图上的测定点对应的像素值作为经温度预测训练的径向基神经网络的输入,求解经温度预测训练的径向基神经网络的输出,该输出即为红外热像图上的测定点的温度预测值,也即为可见光图像上的测定点的温度预测值。
6.如权利要求5所述的变电站设备红外温度配准定位方法,其特征在于,在所述步骤(1)和(2)之间还包括图像预处理步骤,所述图像预处理步骤至少包括对红外热像图和可见光图像进行图像均衡处理和滤波处理。
7.如权利要求5或6所述的变电站设备红外温度配准定位方法,其特征在于,所述步骤(3)包括下述步骤:
(3a)构建隐含层基函数;
(3b)基于所述隐含层基函数构建径向基神经网络;
(3c)以若干像素值为输入样本,以所述若干像素值对应的温度条温度值作为所述输入样本相应的输出,对所述径向基神经网络进行温度预测训练,求解径向基神经网络的参数。
8.如权利要求7所述的变电站设备红外温度配准定位方法,其特征在于:
步骤(3a)中构建的隐含层基函数为高斯核函数,其表达式为:
其中,X为n维输入向量,X=[x1,x2,…,xn],n为输入层神经元的个数;cj为第j个隐含层基函数的中心,是与X具有相同维数的向量;Rj(X-cj)为第j个隐含层神经元的输出值,p为隐含层神经元的个数;σj为标准化常数,即高斯核函数的方差;
步骤(3b)中构建的径向基神经网络的表达式为:
其中,yk为第k个输出层神经元的输出值,m为输出层神经元的个数;wj,i为第j个隐含层神经元与第i个输入层神经元之间的连接权值;
步骤(3c)中所述参数包括隐含层基函数的数据中心cj、标准化常数σj以及连接权值wj,i,通过最小二乘法对其进行求解。
9.如权利要求8所述的变电站设备红外温度配准定位方法,其特征在于:σj的取值范围为[0.01,0.05]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510695775.XA CN105371957A (zh) | 2015-10-23 | 2015-10-23 | 变电站设备红外温度配准定位***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510695775.XA CN105371957A (zh) | 2015-10-23 | 2015-10-23 | 变电站设备红外温度配准定位***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105371957A true CN105371957A (zh) | 2016-03-02 |
Family
ID=55374357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510695775.XA Pending CN105371957A (zh) | 2015-10-23 | 2015-10-23 | 变电站设备红外温度配准定位***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105371957A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764402A (zh) * | 2017-09-25 | 2018-03-06 | 深圳市朗驰欣创科技股份有限公司 | 一种基于红外目标探测的可见光测温方法 |
CN107782454A (zh) * | 2017-10-11 | 2018-03-09 | 广东电网有限责任公司佛山供电局 | 一种移动设备的电力热成像分析方法 |
CN109063701A (zh) * | 2018-08-08 | 2018-12-21 | 合肥英睿***技术有限公司 | 一种红外图像中目标的标记方法、装置、设备及存储介质 |
CN111521270A (zh) * | 2020-04-23 | 2020-08-11 | 烟台艾睿光电科技有限公司 | 一种体温筛查报警***及其工作方法 |
CN111612736A (zh) * | 2020-04-08 | 2020-09-01 | 广东电网有限责任公司 | 一种电力设备故障检测方法、计算机和计算机程序 |
CN112345084A (zh) * | 2020-11-05 | 2021-02-09 | 北京易达恩能科技有限公司 | 基于数字孪生环境的三维温度场构建方法及装置 |
CN112633292A (zh) * | 2020-09-01 | 2021-04-09 | 广东电网有限责任公司 | 一种金属表面氧化层温度测量方法 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN113506285A (zh) * | 2021-07-27 | 2021-10-15 | 西北工业大学 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
WO2022247794A1 (en) * | 2021-05-27 | 2022-12-01 | International Business Machines Corporation | Asset maintenance prediction using infrared and regular images |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147290A (zh) * | 2011-01-14 | 2011-08-10 | 北京广微积电科技有限公司 | 红外成像温度监测方法和*** |
CN102169017A (zh) * | 2010-12-25 | 2011-08-31 | 江西九江供电公司 | 一种变电站红外热成像在线监测*** |
CN102426059A (zh) * | 2011-10-18 | 2012-04-25 | 云南电网公司玉溪供电局 | 一种变电站设备温度在线监测*** |
CN102661799A (zh) * | 2012-05-16 | 2012-09-12 | 广东电网公司珠海供电局 | 故障定位方法与*** |
CN103337080A (zh) * | 2013-07-15 | 2013-10-02 | 四川大学 | 基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术 |
CN203337262U (zh) * | 2013-05-31 | 2013-12-11 | 韩忠健 | 一种基于红外技术的在线式成像测温检测*** |
CN103487729A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 |
CN103778618A (zh) * | 2013-11-04 | 2014-05-07 | 国家电网公司 | 一种可见光图像和红外图像的融合方法 |
CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
CN203984091U (zh) * | 2014-05-07 | 2014-12-03 | 广西电网公司崇左供电局 | 高压开关红外热成像在线监测综合处理单元 |
CN104253482A (zh) * | 2014-08-08 | 2014-12-31 | 济南大学 | 基于图像数据库和巡检机器人的设备故障检测方法 |
CN204705416U (zh) * | 2015-06-26 | 2015-10-14 | 罗熳地 | 10kv电缆线路接头监控报警装置 |
-
2015
- 2015-10-23 CN CN201510695775.XA patent/CN105371957A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169017A (zh) * | 2010-12-25 | 2011-08-31 | 江西九江供电公司 | 一种变电站红外热成像在线监测*** |
CN102147290A (zh) * | 2011-01-14 | 2011-08-10 | 北京广微积电科技有限公司 | 红外成像温度监测方法和*** |
CN102426059A (zh) * | 2011-10-18 | 2012-04-25 | 云南电网公司玉溪供电局 | 一种变电站设备温度在线监测*** |
CN102661799A (zh) * | 2012-05-16 | 2012-09-12 | 广东电网公司珠海供电局 | 故障定位方法与*** |
CN203337262U (zh) * | 2013-05-31 | 2013-12-11 | 韩忠健 | 一种基于红外技术的在线式成像测温检测*** |
CN103337080A (zh) * | 2013-07-15 | 2013-10-02 | 四川大学 | 基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术 |
CN103487729A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 |
CN103778618A (zh) * | 2013-11-04 | 2014-05-07 | 国家电网公司 | 一种可见光图像和红外图像的融合方法 |
CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
CN203984091U (zh) * | 2014-05-07 | 2014-12-03 | 广西电网公司崇左供电局 | 高压开关红外热成像在线监测综合处理单元 |
CN104253482A (zh) * | 2014-08-08 | 2014-12-31 | 济南大学 | 基于图像数据库和巡检机器人的设备故障检测方法 |
CN204705416U (zh) * | 2015-06-26 | 2015-10-14 | 罗熳地 | 10kv电缆线路接头监控报警装置 |
Non-Patent Citations (2)
Title |
---|
朱丽娟: "径向基神经网络图像颜色软件测温方法", 《宁夏工程技术》 * |
李小刚,付冬梅: "《红外热像检测与诊断技术》", 31 July 2006 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764402A (zh) * | 2017-09-25 | 2018-03-06 | 深圳市朗驰欣创科技股份有限公司 | 一种基于红外目标探测的可见光测温方法 |
CN107782454A (zh) * | 2017-10-11 | 2018-03-09 | 广东电网有限责任公司佛山供电局 | 一种移动设备的电力热成像分析方法 |
CN109063701A (zh) * | 2018-08-08 | 2018-12-21 | 合肥英睿***技术有限公司 | 一种红外图像中目标的标记方法、装置、设备及存储介质 |
CN111612736A (zh) * | 2020-04-08 | 2020-09-01 | 广东电网有限责任公司 | 一种电力设备故障检测方法、计算机和计算机程序 |
CN111521270A (zh) * | 2020-04-23 | 2020-08-11 | 烟台艾睿光电科技有限公司 | 一种体温筛查报警***及其工作方法 |
CN112633292A (zh) * | 2020-09-01 | 2021-04-09 | 广东电网有限责任公司 | 一种金属表面氧化层温度测量方法 |
CN112345084A (zh) * | 2020-11-05 | 2021-02-09 | 北京易达恩能科技有限公司 | 基于数字孪生环境的三维温度场构建方法及装置 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112734692B (zh) * | 2020-12-17 | 2023-12-22 | 国网信息通信产业集团有限公司 | 一种变电设备缺陷识别方法及装置 |
WO2022247794A1 (en) * | 2021-05-27 | 2022-12-01 | International Business Machines Corporation | Asset maintenance prediction using infrared and regular images |
US11688059B2 (en) | 2021-05-27 | 2023-06-27 | International Business Machines Corporation | Asset maintenance prediction using infrared and regular images |
GB2620703A (en) * | 2021-05-27 | 2024-01-17 | Ibm | Asset maintenance prediction using infrared and regular images |
GB2620703B (en) * | 2021-05-27 | 2024-05-29 | Ibm | Asset maintenance prediction using infrared and regular images |
CN113506285A (zh) * | 2021-07-27 | 2021-10-15 | 西北工业大学 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105371957A (zh) | 变电站设备红外温度配准定位***及方法 | |
Zou et al. | A novel intelligent fault diagnosis method for electrical equipment using infrared thermography | |
CN107103598A (zh) | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 | |
CN112013966B (zh) | 一种基于测量温度的电力设备红外图像处理方法 | |
CN107314817A (zh) | 一种电力设备故障的诊断方法及装置 | |
CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及*** | |
CN116723211B (zh) | 大空间环境电力设备远程巡检装置 | |
CN105374029B (zh) | 变电站设备红外图像感兴趣区域的分割方法及*** | |
CN104881819A (zh) | 基于电力热红外图谱的电力设备故障辅助诊断与智能分析*** | |
CN105978145A (zh) | 智能变电站二次***信息融合*** | |
Han et al. | Statistical analysis of infrared thermogram for CNN-based electrical equipment identification methods | |
CN107063464A (zh) | 一种用于高压电缆瓷套式终端的在线红外测温*** | |
Li | [Retracted] Thermal Fault Detection and Diagnosis of Electrical Equipment Based on the Infrared Image Segmentation Algorithm | |
Wang et al. | Application of infrared thermography and extension recognize method to intelligent fault diagnosis of distribution panels | |
CN104330701A (zh) | 一种小区用单相故障监测无线***及其监测方法 | |
CN109492617A (zh) | 基于K-means聚类算法的电力电缆诊断方法 | |
Liu et al. | FSR‐SSL: A fault sample rebalancing framework based on semi‐supervised learning for PV fault diagnosis | |
Guan et al. | [Retracted] Active Compliance Control System for Intelligent Inspection Robot in Power Room | |
Kala et al. | Introduction to condition monitoring of PV system | |
CN204166084U (zh) | 小区用单相故障监测无线*** | |
Murillo-Soto et al. | Diagnose algorithm and fault characterization for photovoltaic arrays: a simulation study | |
Laib Dit Leksir et al. | Detection of Electrical Fault in Medium Voltage Installation Using Support Vector Machine and Artificial Neural Network | |
Jia et al. | [Retracted] Application Design of AI Image Recognition in Power System | |
LU500843B1 (en) | A monitoring system and prediction method of temperature for generator carbon brush based on an infrared image | |
Yu et al. | Research on Abnormal Condition Monitoring System of UHV Converter Valve Based on Infrared/UV Image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160302 |