CN111597957B - 基于形态学图像处理的变压器绕组故障诊断方法 - Google Patents
基于形态学图像处理的变压器绕组故障诊断方法 Download PDFInfo
- Publication number
- CN111597957B CN111597957B CN202010398021.9A CN202010398021A CN111597957B CN 111597957 B CN111597957 B CN 111597957B CN 202010398021 A CN202010398021 A CN 202010398021A CN 111597957 B CN111597957 B CN 111597957B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- fault
- transformer winding
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- 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
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
基于形态学图像处理的变压器绕组故障诊断方法,包括:对变压器绕组建立集总参数模型,获取变压器绕组正常和变压器绕组各类故障下的幅频曲线数据;对获取的幅频曲线数据,选取变化较为明显的两个频率段,并将其以图像的形式保存;对得到的图像,建立图像库,并建立标签;导入待测变压器绕组故障的两个频率段下的图像,与建立的图像库中的图像进行预处理和形态学方法,最终获取面积值。对面积值进行排序,根据排序结果对变压器绕组故障进行诊断。本发明方法具有很高的准确度,不仅能识别出故障类型,更能呈现出所属故障类型的故障程度,有利于检修人员全面评估待测变压器的运行状态。
Description
技术领域
本发明涉及变压器故障检测技术领域,具体涉及一种基于形态学图像处理的变压器绕组故障诊断方法,用于对变压器绕组进行离线检测。
背景技术
变压器作为电网枢纽,承担着电压等级的转换的功能,扮演着能量传递的角色。电网络的安全稳定运行离不开其正常的工作状态。由此,对变压器的故障检测尤为重要。目前对变压器故障的检测方法可大致分为非电气量检测和电气量检测。非电气量检测包括DGA分析、超声波检测法、红外线测温等。电气量检测包括频率响应法、局部放电检测等。利用频率响应法通过离线检测,对变压器一次测输入扫频正弦信号获取二次侧与一次侧的对比幅值差异,能够较好的得到不同故障下幅频曲线差异。根据分析曲线变化,达到故障诊断的目的。其方法不仅正确率高,且相对于DGA而言,误判的可能性更小,更能精确把握故障所在。相比与红外测温,更依赖于对曲线的判断而不是对温度的主观判断。因而频率响应法在变压器的故障诊断中应用越来越广泛。
针对频率响应法已有很多对频率响应法相关的研究,来整合各种故障变化对频响曲线的影响。然而现有技术中对频率响应法的利用不足,主要表现在:①、不能利用频响曲线的部分差异而有效的对变压器进行故障诊断。②、不能利用现有方法对频响数据挖掘,过多的依赖认为的判断。
中国专利“基于频响阻抗法的变压器绕组变形检测方法”(CN106338237A),通过对频率响应法创新,获得频响阻抗数据。其方法利用两幅图像的曲线相似度为判据,能有效诊断变压器是否处于故障状态。然而却并不能诊断出该故障属于哪种类型,更不能判断出处于何种故障等级之下。
中国专利“一种变压器故障诊断方法及装置”(CN108267660B),提供了异种利用冲击电压的方式对变压器是否故障进行判断,通过在低压侧输入冲击电压,观察高压侧的电压信号,对其进行分析。然而同上者一样,依然不能诊断出故障类型,只能判断变压器的工作状态是否异常。
可见,在利用电气量对变压器进行故障诊断时,主要问题是对数据的利用不足。无法根据已有方法获取的数据进行处理而得到较为精确的诊断结果和较高的识别准确性。
发明内容
针对以上问题,本发明提供一种基于形态学图像处理的变压器绕组故障诊断方法,该方法能对频率响应法获得的电气量数据有效利用,达到对变压器进行较为精确的故障诊断目的。与现有的检测手段相比,该方法同样具有很高的准确度,不仅能识别出故障类型,更能呈现出所属故障类型的故障程度,有利于检修人员全面评估待测变压器的运行状态。
本发明采取的技术方案为:
基于形态学图像处理的变压器绕组故障诊断方法,包括以下步骤:
步骤1:对变压器绕组建立集总参数模型,获取变压器绕组正常和变压器绕组各类故障下的幅频曲线数据;
步骤2:对步骤1中获取的幅频曲线数据,选取变化较为明显的两个频率段,并将其以图像的形式保存;
步骤3:对步骤2得到的图像,建立图像库,并建立标签;
步骤4:导入待测变压器绕组故障的两个频率段下的图像,与步骤3建立的图像库中的图像进行预处理和形态学方法,最终获取面积值。
步骤5:对步骤4的面积值进行排序,根据排序结果对变压器绕组故障进行诊断。
所述步骤1中,在诊断某类变压器绕组故障前,需要对该类变压器绕组建立模型并仿真,构建集总参数模型能反映变压器绕组的电气特性,通过改变不同位置的元件参数值,仿真不同故障下的变压器绕组模型:
仿真得到共46组数据,包括首部、中部、尾部的分别在C、K、L三种故障类型下元件参数值增加20%、40%、60%、80%、100%的45组故障数据、以及正常情况下的正常数据;对不同类型故障下的电路模型一次侧施加电压扫频信号,获取十倍频二次侧输出电压与一次测扫频信号的比值:
其中,U1为一次侧输入的扫频电压信号;U2为二次侧响应输出的电压信号;dB为随扫频频率变化的幅频数据。
所述步骤1中,46组数据包括:正常情况下的正常数据;首部电感、纵向电容、对地电容增加20%、40%、60%、80%、100%的故障数据;中部电感、纵向电容、对地电容增加20%、40%、60%、80%、100%的故障数据;尾部电感、纵向电容、对地电容增加20%、40%、60%、80%、100%的故障数据。
所述步骤2中,由于全频率段变化曲线图像差异很小,故放大幅频曲线差异较大的部分,分别为频率段a:频率0~55kHz,幅值-110~10dB;频率段b:80~200kHz,幅值-600~-210dB。
所述步骤3中,通过对获取的46组数据,截取两个频率段的图像,能够获得92幅图像。对每组故障下的两幅图像归为一类,并标上标签,标签包括了该类故障的故障位置、故障类型、故障等级。
所述步骤4中,导入的图像与图像库中的两个频率段相同,即相同的频率范围和相同的幅值范围。
所述步骤4中,图像的预处理为:将待测图像的两个频率段与图像库中的所有对应频率段线性相加,实现图像合成;然后进行图像取反,调整合成后图像的灰度值信息;最后利用形态学方法进行图像填充。
所述步骤4中,每个合成后的图像求取其面积值,将每组故障下的两个面积值相加获取每类故障下的总面积值;由于图像库中包含46图像,故最终会获得46个面积值,将面积值放在图像库中的标签后方,为最终的诊断作为判断的依据。
所述步骤5中,以面积值为依据进行排序,根据标签结果,确定待测图像属于何种故障类型,具体为:根据排序结果中,排首的故障类型为诊断结果,排在最前端的两个不等的故障等级为诊断故障等级的上、下限。
本发明一种基于形态学图像处理的变压器绕组故障诊断方法,技术效果如下:
(1):引入图像库的方法,充分涵盖了变压器的故障类型。
(2):结合形态学对幅频曲线进行分析,充分的对幅频曲线进行挖掘,以对比量化的方法判断幅频曲线的吻合程度。
(3):诊断方法克服了对变压器运行状态评估不足的瓶颈,提供了更加精细完备的诊断结果。在是否故障的基础上提供了故障类型以及对应故障等级区间的故障信息。
(4):本发明提出了一种对变压器频率响应法曲线进行分析及诊断的方法。引入了图像库的概念,并给出了构建图像库的方法、流程和规则。结合图像处理技术与形态学方法,利用图像合并、调整灰度值信息、图像取反、图像填充、面积计算等操作,将频率响应法的幅频曲线特性的差异直观表现并且量化。输入待测变压器幅频曲线的两端频率段图像通过上述操作利用程序诊断,能有效识别待测变压器的故障类型及对应的故障等级区间。全面精细的对待测变压器进行了状态评估。
(5):通过验证证明,本发明对故障识别效果精确,表现良好。相较于现有的变压器绕组诊断方法,本发明不仅识别准确度高,且在判断变压器是否有故障的基础上,更深一步的指出了其故障类型并推测出其可能的故障等级区间,更加全面具体的呈现出来待测变压器的运行状态。
附图说明
图1为构建的图像库示意图。
图2为本发明的程序流程图。
图3为故障类型仿真验证结果图。
图4为故障等级仿真验证结果图。
具体实施方式
基于形态学图像处理的变压器绕组故障诊断方法,包括以下步骤:
步骤1:对变压器绕组建立集总参数模型,获取变压器绕组正常和变压器绕组各类故障下的幅频曲线数据;
步骤2:对步骤1中获取的幅频曲线数据,选取变化较为明显的两个频率段,并将其以图像的形式保存;
步骤3:对步骤2得到的图像,建立图像库,并建立标签;
步骤4:导入待测变压器绕组故障的两个频率段下的图像,与步骤3建立的图像库中的图像进行预处理和形态学方法,最终获取面积值。
步骤5:对步骤4的面积值进行排序,根据排序结果对变压器绕组故障进行诊断。
所述步骤1中,在诊断某类变压器绕组故障前,需要对该类变压器绕组建立模型并仿真,构建集总参数模型能反映变压器绕组的电气特性,通过改变不同位置的元件参数值,仿真不同故障下的变压器绕组模型:
仿真得到共46组数据,包括首部、中部、尾部的分别在C、K、L三种故障类型下元件参数值增加20%、40%、60%、80%、100%的45组故障数据、以及正常情况下的正常数据;对不同类型故障下的电路模型一次侧施加电压扫频信号,获取十倍频二次侧输出电压与一次测扫频信号的比值:
其中,U1为一次侧输入的扫频电压信号;U2为二次侧响应输出的电压信号;dB为随扫频频率变化的幅频数据。
根据所获取的数据,描绘出不同故障下的频率响应幅频曲线。截取并放大两个随着参数变化波形曲线变化较为明显的频率段,并以图像形式保存。随后,将所有保存的图像构建图像库,并对每种故障下的两张图像标识其故障类型、故障位置和故障等级。当该变压器的图形库构建完毕后,可以通过图像处理技术将导入的待测幅频曲线图像组与故障库中图像组程序化对比。可以诊断出待测变压器的故障类型及其对应故障等级所在区间。
程序化部分结合形态学图像处理技术,利用预先建立好的图像库对幅频曲线进行诊断。图像合并使对应频率段下的曲线图像与图像库中的图像一一等比例线性合并;对合并后的图像调整其灰度值信息以便能够进行图像填充可以体现幅频曲线的差异;将待测曲线图像与图像库中各类故障的差异对比进行量化,并由小到大排序找出与待测曲线图像最匹配的一组故障。通过对排序结果分析,可以诊断出待测故障属于哪一类,以及对应故障的等级区间。
诊断结果包括:故障类型及故障等级,结果出来后,还可以查看诊断程序中的排序结果、与待测故障图像最为匹配的曲线图像以及与最匹配图像在两个频率段上的曲线图像差异。为了能更加直观的体现曲线图像的差异,该结果将以两幅曲线合并填充的图像结果呈现。由于频率响应法获得的频响曲线总体无突变,即相同故障类型随故障等级增大,趋势基本不变,不同故障下的两幅图像差异在两频率段下差异较为明显。故在诊断结果出来后,该图像可以作为检修员对诊断结果持怀疑态度时的参考。
实施例:
基于形态学图像处理的变压器绕组故障诊断方法,该方法需要在某类变压器出厂前,先对其绕组建模仿真获取其数据频率响应幅频数据。根据数据按照本发明所述规则和方法预先构建出所需的图像库,为故障诊断提供必须的依据。
图像库如上述,需要幅频曲线两个频率段的图像信息,以及标签内容。标签内容必须包括故障类型、故障位置、故障等级。也可适当添加对该类故障的补充信息。如图1所示。两个频率段分别为a和b,其内容为该图像的大小,图像以矩阵形式存放,内含有其像素值信息。后续部分为标签信息。标签信息包括故障位置、故障类型、故障等级以及补充信息——故障名称。在故障位置处,s、z、w分别代表故障位置在首部、中部、尾部,以故障位置拼音首字母表示。在故障类型处,C、K、L分别代表该变压器的三种故障类型。在故障等级处,20、40、60、80、100表示该故障下的故障等级的百分数。
频率响应法属于离线检测的方法,获取待测变压器幅频数据时需要从电网中暂时拆除。在一次侧输入扫频电压信号,按照本发明的方法,手机二次侧响应数据并按照公式(1)得到最终幅频数据。为了与图像库中的两个频率段吻合,提取待测幅频曲线中与图像库频率、幅值都相同的两个频率段,并以图像形式输入程序中进行判断。需要注意的是:输入的两幅图像大小须与图像库中的两幅图像大小一致,若不一致则无法运行。不一致时,可以通过上采样或下采样对图像进行放大或缩小,以保证与图像库中的频响曲线对应比较。
获取了图像后,利用图像处理技术对输入图像和图像库图像进行处理,程序流程图如图2所示。
(1)、读入待测图像组与图像库;
(2)、将待测图像组与图像库中第x组合成并调整灰度值信息;
(3)、对新图像取反、进行图像填充;
(4)、计算填充后的图像组面积之和,放入结构体元素中;
(5)、循环遍历所有图像库中元素,重复(2)~(4)操作;
(6)、以面积为判据进行排序。
步骤(1)中,待测图像组为待测变压器在与图像库相同两个频率段及幅值下的两幅图像,其大小与图像库中的图像规格相同、且图像库与待测幅频曲线图像应为灰度图像。
其原因是:频响曲线并不需要考虑其颜色的变化,而更注重于幅频曲线的变化信息。因此不管是彩色图像还是灰度图像,对分析的影响都是一样的。然而,彩色图像的相对于灰度图像,其存储空间扩大了3倍,这浪费了存储空间的资源,造成了不必要的浪费,是完全没有必要的。因此程序上的操作也已对灰度图像的处理为例进行操作。若待测图像为彩色图像可以将其转化为灰度图像后再进行后续操作。
步骤(2)中的操作,主要为将图像等比例线性相加、调整灰度值信息和改变部分灰度值信息。图像等比例线性相加:
其中,Image为合成后的图像,I1、I2为合成前的两幅图像。
等比例线性相加的原因在于:两幅图像都是幅频曲线图像,要对两幅图像进行对比则不能更偏重强调其中任意一幅图像,否则后续的面积计算的结果会不准确。其系数必须都是0.5。灰度图像像素值最大为255。当两幅图像的灰度值相加大于255时,会使得其灰度值减去255从而让一部分重要的曲线图像信息丢失。然而,当两幅图像相减时灰度值小于0时,会使其像素值取其相减结果的绝对值。线性相加后,曲线不重合的部分由于等比例线性相加,其灰度值信息会变为原来的一半,即其亮度会减半。此时调整其灰度值信息使其变亮。此操作完成后,为了后续图像填充的顺利进行。需要使一部分图像信息改变而使得两幅图像的幅频曲线的差异部分变为一个封闭曲线部分,此时进行填充才是有效的。为了使得此步能顺利进行。将第一个频率段图像的第一列以及第二个频率段图像的第一行赋值255。使第一个频率段的前一部分和第二个频率段的上一部分能顺利进行图像填充。
步骤(3)中,对图像填充仍需要最后一步——图像取反。图像填充是将白色部分包围起来的一部分以白色及逆行填充。然而曲线段是黑色的。因此为了用图像填充表现幅频曲线的差异,必须将合成的曲线图像进行取反。取反后的曲线部分为白色,背景部分为黑色。此时利用图像填充可以将两幅曲线中间的黑色背景以白色代替,由此可表现出两幅幅频曲线图像的差异。差异越大,白色的范围就越多。差异越小,白色的范围就越小。当差异微乎其微,即两幅曲线基本重合时,则基本无填充的部分。
步骤(4)所述将幅频曲线差异量化的方法时,计算两幅步骤(2)中填充后的图像白色区域的面积。若差异越小,则图像中白色部分越少,对应面积值就越小。若面积越大,则图像中白色部分越多,面积值越大。两个频率段下的面积值相加,其数据放在对应故障标签后反映差异的大小。
步骤(5)所述重复(2)~(4)中操作,完成步骤(4)之后,能得到待测变压器的幅频曲线在两个频率段下的图像于图像库中每组故障的差异结果。以面积值表示,并放在标签后方。
步骤(6)所述利用步骤(5)的面积结果,对图像库中的故障进行排序。可以得到与待测幅频曲线最为吻合的一组幅频曲线图像,以及其对应的标签信息。根据此标签可以诊断出该变压器的故障类型。排序结果的前几名依然有参考价。可以根据排序结果的首两个不相等的故障等级来判断该变压器所对应故障的故障等级区间以更为精确全面的判断变压器的运行状态与故障程度。检修员还可以调用合并后的图像观察与最吻合故障的差异。
为验证本发明的识别精度。对其进行准确度测试,结果如表1所示。
仿真获取的故障具有随机性。随机故障类型、故障位置、故障等级。验证样本的故障位置包括首部、中部、尾部、偏首部、偏尾部。验证样本的故障等级从10%~90%不等。验证样本的故障类型包含全部的C、K、L三种故障类型。且验证样本与图像库中样本均不重合。
表1验证结果表
根据表1可看出,样本组中包含了C、K、L三种故障类型下不同故障位置、不同故障等级下的样本。结果表明在该样本组中利用该算法诊断效果良好。对于故障类型的诊断正确率高达100%,对故障等级区间的诊断正确率高达91%。
对故障类型的验证结果如图3所示,样本组中包含对地电容C故障4组、纵向电容K故障3组、电感L故障4组。每组类型故障的诊断正确率都为100%,说明该方法对故障类型的诊断效果良好。
对故障等级区间的验证如图4所示。将表1中的样本按照升序由小到大排列,并以折线图的形式呈现样本故障等级与利用该算法检测出的故障等级区间的上下限。结果表明该仅有一组样本的检测区间不包含样本区间,诊断正确率高达91%。说明利用该方法可以对故障等级区间有一个良好的诊断效果。
Claims (8)
1.基于形态学图像处理的变压器绕组故障诊断方法,其特征在于包括以下步骤:
步骤1:对变压器绕组建立集总参数模型,获取变压器绕组正常和变压器绕组各类故障下的幅频曲线数据;
所述步骤1中,在诊断某类变压器绕组故障前,对该类变压器绕组建立模型并仿真,构建集总参数模型能反映变压器绕组的电气特性,通过改变不同位置的元件参数值,仿真不同故障下的变压器绕组模型:
仿真得到数据包括故障数据、以及正常情况下的正常数据,对不同类型故障下的电路模型一次侧施加电压扫频信号,获取十倍频二次侧输出电压与一次测扫频信号的比值:
其中,U1为一次侧输入的扫频电压信号;U2为二次侧响应输出的电压信号;dB为随扫频频率变化的幅频数据;
步骤2:对步骤1中获取的幅频曲线数据,选取变化较为明显的两个频率段,并将其以图像的形式保存;
步骤3:对步骤2得到的图像,建立图像库,并建立标签;
步骤4:导入待测变压器绕组故障的两个频率段下的图像,与步骤3建立的图像库中的图像进行预处理和形态学方法,最终获取面积值;
步骤5:对步骤4的面积值进行排序,根据排序结果对变压器绕组故障进行诊断;
获取了图像后,利用图像处理技术对输入图像和图像库图像进行处理,程序流程如下:
(1)、读入待测图像组与图像库;
步骤(1)中,待测图像组为待测变压器在与图像库相同两个频率段及幅值下的两幅图像,其大小与图像库中的图像规格相同、且图像库与待测幅频曲线图像应为灰度图像;
(2)、将待测图像组与图像库中第x组合成并调整灰度值信息;
步骤(2)中,将图像等比例线性相加,调整灰度值信息和改变部分灰度值信息,图像等比例线性相加:
其中,Image为合成后的图像,I1、I2为合成前的两幅图像;
(3)、对新图像取反、进行图像填充;
步骤(3)中,对图像填充需要图像取反,取反后的曲线部分为白色,背景部分为黑色;此时利用图像填充能够将两幅曲线中间的黑色背景以白色代替,由此能够表现出两幅幅频曲线图像的差异;
(4)、计算填充后的图像组面积之和,放入结构体元素中;
步骤(4)中,将幅频曲线差异量化的方法时,计算两幅步骤(2)中填充后的图像白色区域的面积;若差异越小,则图像中白色部分越少,对应面积值就越小;若面积越大,则图像中白色部分越多,面积值越大;两个频率段下的面积值相加,其数据放在对应故障标签后反映差异的大小;
(5)、循环遍历所有图像库中元素,重复(2)~(4)操作;
步骤(5)中,完成步骤(4)之后,能得到待测变压器的幅频曲线在两个频率段下的图像于图像库中每组故障的差异结果;以面积值表示,并放在标签后方;
(6)、以面积为判据进行排序。
2.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤1中,46组数据包括:正常情况下的正常数据;首部电感、纵向电容、对地电容增加20%、40%、60%、80%、100%的故障数据;中部电感、纵向电容、对地电容增加20%、40%、60%、80%、100%的故障数据;尾部电感、纵向电容、对地电容增加20%、40%、60%、80%、100%的故障数据。
3.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤2中,由于全频率段变化曲线图像差异很小,故放大幅频曲线差异较大的部分,分别为频率段a:频率0~55kHz,幅值-110~10dB;频率段b:80~200kHz,幅值-600~-210dB。
4.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤3中,通过对获取的46组数据,截取两个频率段的图像,能够获得92幅图像;对每组故障下的两幅图像归为一类,并标上标签,标签包括了该类故障的故障位置、故障类型、故障等级。
5.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤4中,导入的图像与图像库中的两个频率段相同,即相同的频率范围和相同的幅值范围。
6.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤4中,图像的预处理为:将待测图像的两个频率段与图像库中的所有对应频率段线性相加,实现图像合成;然后进行图像取反,调整合成后图像的灰度值信息;最后利用形态学方法进行图像填充。
7.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤4中,每个合成后的图像求取其面积值,将每组故障下的两个面积值相加获取每类故障下的总面积值;由于图像库中包含46图像,故最终会获得46个面积值,将面积值放在图像库中的标签后方,为最终的诊断作为判断的依据。
8.根据权利要求1所述基于形态学图像处理的变压器绕组故障诊断方法,其特征在于:所述步骤5中,以面积值为依据进行排序,根据标签结果,确定待测图像属于何种故障类型,具体为:根据排序结果中,排首的故障类型为诊断结果,排在最前端的两个不等的故障等级为诊断故障等级的上、下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010398021.9A CN111597957B (zh) | 2020-05-12 | 2020-05-12 | 基于形态学图像处理的变压器绕组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010398021.9A CN111597957B (zh) | 2020-05-12 | 2020-05-12 | 基于形态学图像处理的变压器绕组故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597957A CN111597957A (zh) | 2020-08-28 |
CN111597957B true CN111597957B (zh) | 2023-08-01 |
Family
ID=72185272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010398021.9A Active CN111597957B (zh) | 2020-05-12 | 2020-05-12 | 基于形态学图像处理的变压器绕组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597957B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139316B (zh) * | 2021-05-08 | 2024-06-04 | 北京工业大学 | 一种利用频响函数指标辨识二维梁结构刚度薄弱环节的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010060253A1 (zh) * | 2008-11-25 | 2010-06-03 | 上海市电力公司 | 利用恒流扫频电源激振检测变压器绕组状态的***和方法 |
CN108917906A (zh) * | 2018-04-02 | 2018-11-30 | 西南交通大学 | 一种牵引变压器绕组变形故障检测方法 |
CN110543730A (zh) * | 2019-09-05 | 2019-12-06 | 长沙理工大学 | 一种变压器绕组变形故障判定方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721465B (zh) * | 2012-06-13 | 2014-02-05 | 江苏省电力公司南京供电公司 | 电力变压器铁芯松动故障诊断与故障初步定位***及方法 |
CN106338237A (zh) * | 2015-07-10 | 2017-01-18 | 华北电力大学(保定) | 基于频响阻抗法的变压器绕组变形检测方法 |
US10318889B2 (en) * | 2017-06-26 | 2019-06-11 | Konica Minolta Laboratory U.S.A., Inc. | Targeted data augmentation using neural style transfer |
CN108267660B (zh) * | 2018-03-21 | 2020-02-14 | 广东电网有限责任公司电力科学研究院 | 一种变压器故障诊断方法及装置 |
CN109191448B (zh) * | 2018-09-03 | 2021-11-02 | 重庆大学 | 基于三维坐标绘制和数字图像处理的变压器故障识别方法 |
CN109270390A (zh) * | 2018-09-14 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于高斯变换与全局寻优svm的变压器故障诊断方法 |
CN110398649B (zh) * | 2019-07-16 | 2021-03-30 | 三峡大学 | 基于电压差/电流轨迹图在线检测变压器绕组变形的方法 |
CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
-
2020
- 2020-05-12 CN CN202010398021.9A patent/CN111597957B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010060253A1 (zh) * | 2008-11-25 | 2010-06-03 | 上海市电力公司 | 利用恒流扫频电源激振检测变压器绕组状态的***和方法 |
CN108917906A (zh) * | 2018-04-02 | 2018-11-30 | 西南交通大学 | 一种牵引变压器绕组变形故障检测方法 |
CN110543730A (zh) * | 2019-09-05 | 2019-12-06 | 长沙理工大学 | 一种变压器绕组变形故障判定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111597957A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103678766B (zh) | 一种基于pso算法的异常用电客户检测方法 | |
CN111582071B (zh) | 一种基于HRNet网络模型的SF6仪表图像读数方法 | |
US11443137B2 (en) | Method and apparatus for detecting signal features | |
CN113655348B (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 | |
JP2016223815A (ja) | 劣化診断装置及び劣化診断方法 | |
CN110794243A (zh) | 一种直流***故障诊断方法、***以及设备 | |
CN103984964A (zh) | 一种试纸条图像识别方法及*** | |
CN111597957B (zh) | 基于形态学图像处理的变压器绕组故障诊断方法 | |
CN113222949A (zh) | 一种电力设备导体插接位置的x射线影像自动检测方法 | |
CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
CN117630611B (zh) | 全带宽高频局放prpd谱图捕获生成方法及*** | |
CN111309791A (zh) | 一种检测仪器数据自动采集方法 | |
CN117590278A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
CN109634854B (zh) | 一种检测软件工程算法组态异常的方法 | |
CN116188433A (zh) | 一种绝缘子缺陷检测方法、装置和设备 | |
KR20210037199A (ko) | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 | |
CN114037993B (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
CN113447572B (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
CN115512189A (zh) | 图像识别模型评估方法、装置以及存储介质 | |
Wu et al. | Hilbert ID considering multi-window feature extraction for transformer deep vision fault positioning | |
CN103018658B (zh) | 一种基于伏安特性曲线的线路板健康状态监测方法 | |
CN118071525B (zh) | 一种财务数据审核方法及*** | |
CN111177434B (zh) | 一种提高cv算法精度的数据回流方法 | |
CN113703923B (zh) | 一种业务问题的识别方法、装置、设备和介质 | |
CN110879785B (zh) | 接口测试场景集的生成方法 |
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 |