CN113310580A - 一种变电设备红外诊断方法及*** - Google Patents
一种变电设备红外诊断方法及*** Download PDFInfo
- Publication number
- CN113310580A CN113310580A CN202110594683.8A CN202110594683A CN113310580A CN 113310580 A CN113310580 A CN 113310580A CN 202110594683 A CN202110594683 A CN 202110594683A CN 113310580 A CN113310580 A CN 113310580A
- Authority
- CN
- China
- Prior art keywords
- equipment
- power transformation
- infrared
- diagnosis
- partition
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005192 partition Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims description 85
- 238000002372 labelling Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
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
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及变电站信息化技术领域,尤其涉及一种变电设备红外诊断方法及***,其中,该方法主要通过建立并训练推理模型,从而来对红外图像中变电设备的关键部位进行画框,并生成分区框,提取分区框的最高温度来进行诊断,从而大幅提高变电设备的诊断精度,使得工作人员能更加精确的找到变电设备异常发热的部位,有利于提高红外带点检测工作效率,对保障电网设备安全稳定运行具备重要意义。
Description
技术领域
本发明涉及变电站信息化技术领域,尤其涉及一种变电设备红外诊断方法及***。
背景技术
随着科技的发展,变电设备越来越智能多样化,变电设备的故障排除和预防的成本也越来越高,传统上一般采用人工检查检修,这种方式不仅费时费力,且难以发现变电设备已经出现的安全隐患。
由于变电设备在运行期间发热,发热的物体会进一步出现热辐射现象,不同温度的热辐射强度不同,根据热辐射现象的特性,于是出现红外诊断技术,红外诊断技术为设备的诊断提出了新的解决方案,其以非接触的检测方式,不会对变电设备造成影响,因此,具有较大的优势。
现有的红外诊断技术一般通过采集变电设备的红外图像,然后根据整个红外图像从整体上对变电设备进行诊断,由于变电设备越来越复杂,出现的故障类型也越来越多,采用传统的红外诊断方式的精确度有限,不能准确诊断出故障的具体类型。因此,有必要进行改进。
发明内容
本发明所要解决的技术问题是:提供一种变电设备红外诊断方法及***,解决目前红外诊断方法及***中的智能化程度低,识别精确度有限,不能准确排查出故障等问题。
为了达到上述目的,本发明所采用的技术方案是:一种变电设备红外诊断方法,包括如下步骤:
S1:整理变电站内所有变电设备的名单,按照所述名单采集并整理历史红外图像,从所述历史红外图像中提取所述变电设备的位置及轮廓信息,并对所述历史红外图像进行标准化命名,构成变电设备初始数据集,利用深度学习网络对所述初始数据集进行训练,生成一系列的初始推理模型;
S2:采用人工标注的方式对所述历史红外图像中所述变电设备的关键部位进行画框操作,并生成分区框,采集分区框的标注信息,并将所述标注信息载入到所述初始推理模型进行训练,获得训练好的分区推理模型;
S3:获取变电设备的当前红外图像,输入当前红外图像中所述变电设备的标准化命名,调用与所述标准化命名对应的分区推理模型对所述当前红外图像中所述变电设备的关键部位进行画框操作,并生成分区框;
S4:提取步骤S3中生成的每一个分区框内的最高温度;
S5:根据变电设备的诊断规则,对步骤S4中提取的所述分区框的最高温度进行诊断,生成诊断结果。
进一步地,整理变电站内所有变电设备的名单的具体步骤包括:
S1.1:根据设备参数对所有变电设备进行分类,建立设备目录树;
S1.2:根据变电设备的外观对所述变电设备进行分类,建立设备外形目录树,其中对具有相同外观的所述变电设备进行合并处理;
S1.3:对所述目录树和所述设备外形目录树进行归并处理,生成归并结果。
进一步地,所述设备目录树从上至下依次包括设备类型、电压等级、设备型号和关键部位。
进一步地,所述设备外形目录树从上至下依次包括设备类型、设备外形外码和设备型号。
进一步地,所述归并结果从上至下依次包括设备类型、设备分区数、电压等级和设备型号,所述设备分区数对应所述关键部位的数量。
进一步地,所述标准化命名包括变电设备的设备类型和电压等级。
进一步地,所述分区框是以对角线两点的坐标来做标注信息。
一种变电设备红外诊断***,包括:
整理归类模块,用于整理变电站内所有变电设备的名单,按照所述名单采集并整理红外图像;
位置提取模块,用于从红外图像中提取变电设备的位置及轮廓信息;
命名模块,用于对红外图像中变电设备进行标准化命名;
生成模块,用于构建变电设备的初始数据集,初始数据集包括变电设备的标准化命名、位置及轮廓信息,利用深度学习网络对初始数据集进行训练,生成一系列的推理模型;
人工标注模块,用于采用人工标注的方式对红外图像中变电设备的关键部位进行画框操作,并生成分区框;
训练模块,用于采集分区框的标注信息,并将所述标注信息载入到初始推理模型进行训练,获得训练好的分区推理模型;
调用模块,用于调用与标准化命名对应的分区推理模型对红外图像中变电设备的关键部位进行画框操作,并生成分区框;
温度提取模块,提取每一个分区框内的最高温度;
诊断模块,根据变电设备的诊断规则,对所述分区框内的最高温度进行诊断,生成诊断结果;
输出模块,用于输出诊断结果。
进一步地,所述整理归类模块具体包括:
设备目录树建立单元,用于根据设备参数对所有变电设备进行分类,建立设备目录树;
设备外形目录树建立单元,用于根据变电设备的外观对所述变电设备进行分类,建立设备外形目录树,其中对具有相同外观的所述变电设备进行合并处理;
归并处理单元,用于对所述目录树和所述设备外形目录树进行归并处理,生成归并结果。
进一步地,还包括:
任务管理模块,用于提供任务新建、下发、状态跟踪功能;
缺陷管理模块,用于提供变电设备的缺陷统计、检索和处理功能。
本发明的有益效果为:本发明通过建立并训练推理模型从而来对红外图像中变电设备的关键部位进行画框,并生成分区框,提取分区框的最高温度来进行诊断,从而大幅提高变电设备的诊断精度,使得工作人员能更加精确的找到变电设备异常发热的部位,有利于提高红外带点检测工作效率,对保障电网设备安全稳定运行具备重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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中记载的一些实施例,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为本发明实施例中变电设备红外诊断***的流程示意图;
图2为本发明实施例中变电设备红外诊断***中整理归类模块的流程示意图;
图3为本发明实施例中110kV变压器内隔离开关的示意图;
图4为本发明实施例中500kV并联电容器隔离开关的示意图;
图5为本发明实施例中500kV避雷器的示意图;
图6为本发明实施例中1000kV避雷器的示意图;
图7为本发明实施例中断路器I的示意图;
图8为本发明实施例中断路器II的示意图;
图9为本发明实施例中设备目录树的结构示意图;
图10为本发明实施例中设备外形目录树的结构示意图;
图11为本发明实施例中电流致热型设备的金属部件连接头的诊断规则表。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
一种变电设备红外诊断方法,包括如下步骤:
S1:根据变电设备参数对变电设备进行分类,建立设备目录树,根据设备类型、电压等级、设备型号和关键部位对需要进行红外图像诊断的设备进行统计并分类。需要进行红外图像诊断的设备类型有很多,比如包括:隔离开关、断路器、电流互感器、电压互感器、电抗器(包括低电抗器主体、高电抗器主体、中性点电抗器、电抗器主体)、电容器、套管(GIS套管、中性点套管等)、避雷器(含中性点避雷器)、主变主体、油枕、熔断器、电力电缆等。电压等级包括:1OkV、35kV、11OkV、220kV、400kV、500kV、800kV、1OOOkV。由于不同类型变电设备之间外形差异较大,因此在进行初步分类时,先依据设备类型进行分类,但相同类型的变电设备根据使用场合不同其外观也有各种形式,以图3和图4的隔离开关为例,两者虽然均为隔离开关,但由于电压等级的差异,在大体相似的基础上,也有一些细节差异。以图5和图6的避雷器为例,500kV和1000kV避雷器顶部外形一致,但是套管数量不同,因此在同类型设备下再依据电压等级进行细分。为了指导红外图像采集及后期的标注,还需要进一步将每一个具体的设备细分为若干个关键部位,如图9所示。
根据变电设备的外观对变电设备进行分类,建立设备外形目录树,其中对具有相同外观的变电设备进行合并处理,在设备目录树的基础上,整理设备外形目录,合并具有相同外观的变电设备,形成设备外形目录树。由于红外图像智能诊断分析算法只关注设备外形,不同型号设备只要外观一致,推理模型即可认为是同一种设备。因此在建立设备目录树后应根据设备的具体外形进行设备类型归并,如图7和8所示,两个断路器电压等级和设备型号不同,但是外形完全一致,其画框操作规则和诊断规则也一样,在***中判定为同一种设备。因此,需要在设备目录树的基础上整理设备外形目录树,合并相同的设备,形成如图10所示的设备外形目录树,设备外形目录树的第二层级为设备外形代号,表示不同的设备外形型号,相同外观不同型号的都归入同一设备外形代号,该合并后的设备外形目录树为红外图像采集的依据。
对设备目录树和设备外形目录树进行归并处理,生成归并结果,得到结构为设备类型/设备分区数/电压等级/设备型号的设备归并结果,其中设备分区数对应关键部位的数量。
对历史巡检红外图像进行归并处理,得到如下归并结果:
表中第一列为合并后的设备类型字段,设备类型之间以“-”分割;第二列为设备分区数,对应设备外形的关键部位数量;第三列为电压等级,各电压等级之间以“,”分割,其中“*”指代所有电压等级,第四列为设备型号字段。
按照归并结果采集并整理所有的变电设备的红外图像,并对相同的红外图像做归并处理,之后再从红外图像中提取变电设备的位置及轮廓信息,具体包括:将变电设备的红外图像数据输入CNN卷积神经网络中进行特征提取,采用边框回归算法获得变电设备的位置及轮廓信息。输入变电设备的设备类型和电压等级进行训练,生成相应的推理模型,该推理模型为深度神经网络模型,基于YOLO V3或Mask R-CNN实例分隔算法进行构建,根据设备类型和电压等级构建一系列推理模型,并将设备类型和电压等级与推理模型进行映射。
S2:参照归并结果中的设备分区数,采用人工标注的方式对历史红外图像中变电设备的关键部位进行画框操作,并生成相应的分区框,具体的来说,本发明实施例中是以对角线的坐标来标识一个分区框,如JT01:[(x1,y1),(x2,y2)]。将分区框的坐标值载入到推理模型中进行训练,建立起设备类型、电压等级和分区框之间的对应关系。
S3:获取变电设备的当前红外图像,输入变电设备的设备类型和电压等级,调用与之对应的推理模型对当前红外图像中变电设备的关键部位进行画框操作,并生成相应的分区框;
S4:提取步骤S3中每一个分区框内的最高温度。
S5:根据变电设备的诊断规则,对分区框内的最高温度进行诊断,生成诊断结果,诊断规基于《DLT664-2016带电设备红外诊断技术应用导则》生成,本实施例中的设备分区数对应红外图像中的小框数量,用于进行故障诊断,例如:若小框中的最高温度高于设定阈值,即判定为故障。如图11所示,其示意了电流致热型设备的金属部件连接头的诊断规则,该诊断规则包括了缺陷性质、诊断依据和对应的诊断规则。
如图1所示,本发明中还公开了一种变电设备红外诊断***,包括:
整理归类模块,用于整理变电站内所有变电设备的名单,按照所述名单采集并整理红外图像;
位置提取模块,用于从红外图像中提取变电设备的位置及轮廓信息;
命名模块,用于对红外图像中变电设备进行标准化命名;
生成模块,用于构建变电设备的初始数据集,初始数据集包括变电设备的标准化命名、位置及轮廓信息,利用深度学习网络对初始数据集进行训练,生成一系列的推理模型;
人工标注模块,用于采用人工标注的方式对红外图像中变电设备的关键部位进行画框操作,并生成分区框;
训练模块,用于采集分区框的标注信息,并将所述标注信息载入到初始推理模型进行训练,获得训练好的分区推理模型;
调用模块,用于调用与标准化命名对应的分区推理模型对红外图像中变电设备的关键部位进行画框操作,并生成分区框;
温度提取模块,提取每一个分区框内的最高温度;
诊断模块,根据变电设备的诊断规则,对所述分区框内的最高温度进行诊断,生成诊断结果;
输出模块,用于输出诊断结果。诊断结果以诊断报告的形式输出,诊断报告包括是否存在缺陷、缺陷性质、诊断依据和对应的诊断规则。诊断结果还可以包括置信度,对于置信度不高的缺陷诊断结果反馈人工查看,其余直接进入报告生成和统计展示环节。输出模块还可提供任务维度的设备诊断报告的检索、编辑和导出等功能。本发明中公开了一种变电设备红外诊断***,具体实施方式与本发明中公开的变电设备红外诊断方法中具体实施方式相同,技术效果相同,在此不再赘述。
如图2所示,采集并归类模块具体包括:
设备目录树建立单元,用于根据设备参数对所有变电设备进行分类,建立设备目录树;
设备外形目录树建立单元,用于根据变电设备的外观对所述变电设备进行分类,建立设备外形目录树,其中对具有相同外观的所述变电设备进行合并处理;
归并处理单元,用于对所述目录树和所述设备外形目录树进行归并处理,生成归并结果,具体实现方式与本发明中公开的变电设备红外诊断方法中具体实施方式相同,技术效果相同,在此不再赘述。
本发明中变电设备红外诊断***还包括:
任务管理模块(图中未画出),用于提供任务新建、下发、状态跟踪功能,以使检测诊断根据任务来进行。
缺陷管理模块(图中未画出),用于提供变电设备的缺陷统计、检索和处理功能,方便调出查看变电设备的诊断结果。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种变电设备红外诊断方法,其特征在于,包括如下步骤:
S1:整理变电站内所有变电设备的名单,按照所述名单采集并整理历史红外图像,从所述历史红外图像中提取所述变电设备的位置及轮廓信息,并对所述历史红外图像进行标准化命名,构成变电设备初始数据集,利用深度学习网络对所述初始数据集进行训练,生成一系列的初始推理模型;
S2:采用人工标注的方式对所述历史红外图像中所述变电设备的关键部位进行画框操作,并生成分区框,采集分区框的标注信息,并将所述标注信息载入到所述初始推理模型进行训练,获得训练好的分区推理模型;
S3:获取变电设备的当前红外图像,输入当前红外图像中所述变电设备的标准化命名,调用与所述标准化命名对应的分区推理模型对所述当前红外图像中所述变电设备的关键部位进行画框操作,并生成分区框;
S4:提取步骤S3中生成的每一个分区框内的最高温度;
S5:根据变电设备的诊断规则,对步骤S4中提取的所述分区框的最高温度进行诊断,生成诊断结果。
2.根据权利要求1所述的变电设备红外诊断方法,其特征在于,整理变电站内所有变电设备的名单的具体步骤包括:
S1.1:根据设备参数对所有变电设备进行分类,建立设备目录树;
S1.2:根据变电设备的外观对所述变电设备进行分类,建立设备外形目录树,其中对具有相同外观的所述变电设备进行合并处理;
S1.3:对所述目录树和所述设备外形目录树进行归并处理,生成归并结果。
3.根据权利要求2所述的变电设备红外诊断方法,其特征在于,所述设备目录树从上至下依次包括设备类型、电压等级、设备型号和关键部位。
4.根据权利要求2所述的变电设备红外诊断方法,其特征在于,所述设备外形目录树从上至下依次包括设备类型、设备外形外码和设备型号。
5.根据权利要求2所述的变电设备红外诊断方法,其特征在于,所述归并结果从上至下依次包括设备类型、设备分区数、电压等级和设备型号,所述设备分区数对应所述关键部位的数量。
6.根据权利要求1所述的变电设备红外诊断方法,其特征在于,所述标准化命名包括变电设备的设备类型和电压等级。
7.根据权利要求1所述的变电设备红外诊断方法,其特征在于,所述分区框是以对角线两点的坐标来做标注信息。
8.一种变电设备红外诊断***,其特征在于,包括:
整理归类模块,用于整理变电站内所有变电设备的名单,按照所述名单采集并整理红外图像;
位置提取模块,用于从红外图像中提取变电设备的位置及轮廓信息;
命名模块,用于对红外图像中变电设备进行标准化命名;
生成模块,用于构建变电设备的初始数据集,初始数据集包括变电设备的标准化命名、位置及轮廓信息,利用深度学习网络对初始数据集进行训练,生成一系列的推理模型;
人工标注模块,用于采用人工标注的方式对红外图像中变电设备的关键部位进行画框操作,并生成分区框;
训练模块,用于采集分区框的标注信息,并将所述标注信息载入到初始推理模型进行训练,获得训练好的分区推理模型;
调用模块,用于调用与标准化命名对应的分区推理模型对红外图像中变电设备的关键部位进行画框操作,并生成分区框;
温度提取模块,提取每一个分区框内的最高温度;
诊断模块,根据变电设备的诊断规则,对所述分区框内的最高温度进行诊断,生成诊断结果;
输出模块,用于输出诊断结果。
9.根据权利要求8所述的变电设备红外诊断***,其特征在于,所述整理归类模块具体包括:
设备目录树建立单元,用于根据设备参数对所有变电设备进行分类,建立设备目录树;
设备外形目录树建立单元,用于根据变电设备的外观对所述变电设备进行分类,建立设备外形目录树,其中对具有相同外观的所述变电设备进行合并处理;
归并处理单元,用于对所述目录树和所述设备外形目录树进行归并处理,生成归并结果。
10.根据权利要求8所述的变电设备红外诊断***,其特征在于,还包括:
任务管理模块,用于提供任务新建、下发、状态跟踪功能;
缺陷管理模块,用于提供变电设备的缺陷统计、检索和处理功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110594683.8A CN113310580A (zh) | 2021-05-28 | 2021-05-28 | 一种变电设备红外诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110594683.8A CN113310580A (zh) | 2021-05-28 | 2021-05-28 | 一种变电设备红外诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113310580A true CN113310580A (zh) | 2021-08-27 |
Family
ID=77376190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110594683.8A Pending CN113310580A (zh) | 2021-05-28 | 2021-05-28 | 一种变电设备红外诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113310580A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505049A (zh) * | 2017-08-10 | 2017-12-22 | 国家电网公司 | 一种变电站红外检测方法及*** |
CN108896186A (zh) * | 2018-05-15 | 2018-11-27 | 云南电网有限责任公司迪庆供电局 | 设备智能诊断的方法及装置 |
CN109784348A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其*** |
CN110411580A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断*** |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
CN112085089A (zh) * | 2020-09-03 | 2020-12-15 | 国网浙江省电力有限公司电力科学研究院 | 基于深度学习算法的变电站设备智能测温方法 |
-
2021
- 2021-05-28 CN CN202110594683.8A patent/CN113310580A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505049A (zh) * | 2017-08-10 | 2017-12-22 | 国家电网公司 | 一种变电站红外检测方法及*** |
CN108896186A (zh) * | 2018-05-15 | 2018-11-27 | 云南电网有限责任公司迪庆供电局 | 设备智能诊断的方法及装置 |
CN109784348A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其*** |
CN110411580A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断*** |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
CN112085089A (zh) * | 2020-09-03 | 2020-12-15 | 国网浙江省电力有限公司电力科学研究院 | 基于深度学习算法的变电站设备智能测温方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103001328B (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN106199276B (zh) | 一种用电信息采集***中异常信息的智能诊断***及方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN106383958B (zh) | 一种变电站防误闭锁逻辑智能验收*** | |
CN114138982B (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
CN105958644A (zh) | 一种智能变电站压板信息管理*** | |
CN112966385A (zh) | 配电网网架拓扑薄弱点辨识方法与*** | |
CN116205226A (zh) | 一种电力设备状态评估方法、装置、设备及可读存储介质 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN116743079A (zh) | 光伏组串故障处理方法、装置、光伏管理***及介质 | |
CN109830954B (zh) | 适用于电网可视化仿真模型自动生成的拓扑分层识别方法 | |
CN107742883A (zh) | 一种基于Spark的电力***拓扑岛快速识别***和方法 | |
CN110706365A (zh) | 一种用于电力设备图像特征数据建模方法 | |
CN113848471A (zh) | 继电保护***的故障智能定位方法及*** | |
CN117669361A (zh) | 一种配电台区拓扑识别功能验证方法及*** | |
CN113310580A (zh) | 一种变电设备红外诊断方法及*** | |
CN106405271A (zh) | 基于监测数据的变压器状态专家诊断方法 | |
CN115238428A (zh) | 变电站二次图纸可视化编辑数字化配置装置、方法及应用 | |
CN108242028A (zh) | 变电站主接线图和智能告警测试用例可视化自动关联方法 | |
CN115542070A (zh) | 一种配网线路故障定位方法及存储介质 | |
Li et al. | Power grid fault detection method based on cloud platform and improved isolated forest | |
CN107436958B (zh) | 一种基于通用逻辑的调度主站二次设备信号建模方法 | |
Han et al. | Application of artificial intelligence technology in power grid enterprises based on enterprise architecture method | |
Kong et al. | The visualization technology of the UHVDC control and protection system based on deep learning | |
CN112000832B (zh) | 一种基于svg的变电站电回路图形转化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |