CN116308300B - 一种电力设备状态监测评价与指挥方法及*** - Google Patents
一种电力设备状态监测评价与指挥方法及*** Download PDFInfo
- Publication number
- CN116308300B CN116308300B CN202310524161.XA CN202310524161A CN116308300B CN 116308300 B CN116308300 B CN 116308300B CN 202310524161 A CN202310524161 A CN 202310524161A CN 116308300 B CN116308300 B CN 116308300B
- Authority
- CN
- China
- Prior art keywords
- image
- tested
- cable
- equipment
- preset
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 31
- 238000003331 infrared imaging Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 18
- 238000005299 abrasion Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力设备状态监测评价与指挥方法及***,方法包括以下步骤:通过获取待测设备的额定输入电压、历史输入电压和运行时间,基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率;判断第一故障概率是否大于预设的第一概率阈值,若大于,则获取待测设备的图像信息;基于图像信息与预设的图像磨损度模型,获得磨损度评分;基于磨损度评分与预设的第二故障曲线,获得第二故障概率;判断第二故障概率是否大于预设的第二概率阈值,若大于,则发送预警信息至调度终端。本发明通过不同监测数据计算得到的两次故障概率进行预测,提高了预测精度。
Description
技术领域
本发明涉及电力设备运维管理的领域,特别是涉及一种电力设备状态监测评价与指挥方法及***。
背景技术
伴随着社会的日益进步,电能在日常生活和生产活动中的地位也越来越重要,可以说是国家的经济命脉。电力***的运营离不开正常的电力设备状态监测的支持,所以要确保电力***的正常运营就必须完善好电力***设备状态的监测,随着电网规模的不断扩大,电力输变电设备数量也在快速增长,供电可靠性的要求日益提高。
现有技术对电力设备的监测,一般是通过监测电力设备的电流/电压是否异常,找到异常设备,然后派人进行维修,这种监测方式不能对电力设备的状态进行评价,根据评价结果提前对电力设备进行维护。
发明内容
为解决上述技术问题,本发明提供一种电力设备状态监测评价与指挥方法及***。
第一方面,本发明实施例提供了一种电力设备状态监测评价与指挥方法,包括以下步骤:
获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间;
比较额定输入电压与历史输入电压,得到异常电压次数;
计算异常电压次数对应的待测设备的运行时间,得到异常电压运行时间;
基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率;
判断第一故障概率是否大于预设的第一概率阈值,若第一故障概率大于预设的第一概率阈值,则获取待测设备的图像信息;
基于图像信息与预设的图像磨损度模型,获得磨损度评分;
基于磨损度评分与预设的第二故障曲线,获得第二故障概率;
判断第二故障概率是否大于预设的第二概率阈值,若第二故障概率大于预设的第二概率阈值,则发送预警信息至调度终端。
其中,图像信息包括待测设备的线缆图像,基于图像信息与预设的图像磨损度模型,获得磨损度评分包括:
对线缆图像进行数据处理,获得灰度图;
基于灰度图和边缘检测算法,获得待测线缆边缘轮廓;
对比待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
其中,基于所述灰度图和边缘检测算法,获得待测线缆边缘轮廓包括:
计算所述灰度图中与图像特征相关的各变量值;
根据所述各变量值对所述灰度图进行分类,获得分类图;
对分类图分别进行适合的分段,获得分段图;
对分段图增强处理后进行滤波,获得滤波图;
采用边缘检测算法检测所述滤波图,对所述待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
其中,对线缆图像进行数据处理,获得灰度图包括:
基于高斯滤波对线缆图像降噪;
通过最大值法将降噪处理后线缆图像转化为灰度图。
其中,基于灰度图和边缘检测算法,获得待测线缆边缘轮廓包括:
计算灰度图中与图像特征相关的各变量值;
根据各变量值对灰度图进行分类,获得分类图;
对分类图分别进行适合的分段,获得分段图;
对分段图增强处理后进行滤波,获得滤波图
采用边缘检测算法检测滤波图,对待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
其中,获取所述待测设备的图像信息,包括:获取所述待测设备的可见光成像图、短波红外成像图、中波红外成像图及长波红外成像图;获取所述待测设备的点云数据;基于所述待测设备的点云数据生成所述待测设备的三维模型;基于所述待测设备的三维模型,生成文本描述;使用图像修正模型基于所述短波红外成像图、所述中波红外成像图及所述长波红外成像图,对所述待测设备的可见光成像图进行修正,生成所述待测设备的图像信息。
第二方面,本发明实施例提供了一种电力设备状态监测评价与指挥***,包括:采集单元,用于获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间;
比较单元,用于比较额定输入电压与历史输入电压,得到异常电压次数;
计算单元,用于计算异常电压次数对应的待测设备的运行时间,得到异常电压运行时间;
第一故障监测单元,用于基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率;判断第一故障概率是否大于预设的第一概率阈值,若第一故障概率大于预设的第一概率阈值,则通过采集单元获取待测设备的图像信息;
第二故障监测单元,用于基于图像信息与预设的图像磨损度模型,获得磨损度评分;基于磨损度评分与预设的第二故障曲线,获得第二故障概率;判断第二故障概率是否大于预设的第二概率阈值,若第二故障概率大于预设的第二概率阈值,则发送预警信息至调度终端。
其中,还包括图像处理单元,用于将线缆图像进行数据处理,获得灰度图;
基于灰度图和边缘检测算法,获得待测线缆边缘轮廓;
通过第二故障监测单元对比待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
其中,图像处理单元包括灰度处理子单元,灰度处理子单元用于基于高斯滤波对线缆图像降噪;通过最大值法将降噪处理后线缆图像转化为灰度图。
其中,图像处理单元还包括轮廓检测子单元,轮廓检测子单元用于计算灰度图中与图像特征相关的各变量值;根据各变量值对灰度图进行分类,获得分类图;对分类图分别进行适合的分段,获得分段图;对分段图增强处理后进行滤波,获得滤波图采用边缘检测算法检测滤波图,对待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
其中,所述采集单元还用于:获取所述待测设备的可见光成像图、短波红外成像图、中波红外成像图及长波红外成像图;获取所述待测设备的点云数据;基于所述待测设备的点云数据生成所述待测设备的三维模型;基于所述待测设备的三维模型,生成文本描述;使用图像修正模型基于所述短波红外成像图、所述中波红外成像图及所述长波红外成像图,对所述待测设备的可见光成像图进行修正,生成所述待测设备的图像信息。
本发明所提供的一种电力设备状态监测评价与指挥方法及***,为了提前精准预测待测设备的故障概率,通过获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间,基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率;判断第一故障概率是否大于预设的概率阈值,若第一故障概率大于预设的第一概率阈值,则获取待测设备的图像信息;基于图像信息与预设的图像磨损度模型,获得磨损度评分;基于磨损度评分与预设的第二故障曲线,获得第二故障概率;判断第二故障概率是否大于预设的第二概率阈值,若第二故障概率大于预设的第二概率阈值,则发送预警信息至调度终端,通过不同监测数据计算得到的两次故障概率进行预测,提高了预测精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例中的一种电力设备状态监测评价与指挥方法流程图;
图2为本发明实施例中的一种电力设备状态监测评价与指挥***示意图。
图标:20-一种电力设备状态监测评价与指挥***;21-采集单元;22-比较单元;23-计算单元;24-第一故障监测单元;25-第二故障监测单元;26-调度终端;27-图像处理单元。
具体实施方式
本发明的核心是提供一种电力设备状态监测评价与指挥方法及***。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明实施例提供的一种电力设备状态监测评价与指挥方法,如图1所示,包括以下步骤:
S1,获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间。
具体而言,待测设备可以是配电箱、高空线缆等。
获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间的方式包括但不限于人工输入,服务器调取待测设备运行记录,服务器根据待测设备的型号进行查找。
比如,当待测设备为GGD 型交流低压配电柜时,服务器可以搜索到GGD 型交流低压配电柜额定输入电压380V。
S2,比较额定输入电压与历史输入电压,得到异常电压次数。
例如,额定输入电压为380V,历史输入电压有超过380V的,就是异常电压,例如历史输入电压有400V的,当统计到输入电压从正常的380V上升到400V,再从400V下降到380V,算作一次异常电压。
超过额定输入电压的异常电压次数能够反映线路经受的冲击,异常电压会加剧待测设备的线缆的损耗,从而导致待测设备故障概率的增加。
S3,计算异常电压次数对应的待测设备的运行时间,得到异常电压运行时间。
例如,服务器调取待测设备的运行时间是100分钟,对100分钟内异常电压出现的时间段进行标记,计算多个标记时段的时间总和就是这100分钟内异常电压的运行时间。
异常电压的瞬时冲击和持续冲击对待测设备的线缆造成的损耗是不同的,统计异常电压运行时间,所以统计异常电压的运行时间可以提高预估待测设备出现故障的概率的准确度。
S4,基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率。
第一故障概率曲线是通过采集与待测设备相同的设备的历史故障概率和异常电压时间之间的关***计出来的。
例如,待测设备为设备A,相同的设备有设备B,设备C等,设备B与设备C都是运行了一段时间的老设备,通过统计设备B出现故障的概率和异常电压运行时间,统计设备C出现故障的概率和异常电压运行时间,通过统计多个相同设备出现故障的概率和异常电压运行时间数据,得到数据集,再将数据集进行拟合,得到第一故障曲线,拟合的方法都是现有技术中的方法,比如最小二乘法。
S5,判断第一故障概率是否大于预设的第一概率阈值。
若第一故障概率大于预设的第一概率阈值,则执行S6,否则返回S1。
S6,获取待测设备的图像信息。
其中,获取待测设备的图像信息,可以包括:
获取待测设备的可见光成像图、短波红外成像图、中波红外成像图及长波红外成像图;
获取待测设备的点云数据;
基于待测设备的点云数据生成待测设备的三维模型;
基于待测设备的三维模型,生成文本描述,其中,文本描述用于描述待测设备的三维模型的形状结构。
使用图像修正模型基于短波红外成像图、中波红外成像图及长波红外成像图,对待测设备的可见光成像图进行修正,生成待测设备的图像信息,其中,图像修正模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、生成对抗神经网络(GAN)等一种或其任意组合。
S7,基于图像信息与预设的图像磨损度模型,获得磨损度评分。
其中,图像信息包括待测设备的线缆图像,基于图像信息与预设的图像磨损度模型,获得磨损度评分包括:
将线缆图像进行数据处理,获得灰度图。
基于灰度图和边缘检测算法,获得待测线缆边缘轮廓。
对比待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
例如,为了及时检测出待测设备的线路磨损情况,在待测设备的合适位置设置小型相机,利用该合适位置设置的小型相机可以采集获取待测设备线缆的图像信息。考虑到采集获取的待测设备的线缆图像的质量会影响到后续磨损故障检测的准确性效果,为了提高磨损故障检测的精确度,本实施例设置的是小型CCD相机,并利用该小型CCD相机对待测设备的线缆进行拍摄采集,从而得到RGB颜色空间下的线缆图像。
其中,将线缆图像进行数据处理,获得灰度图包括:
基于高斯滤波对线缆图像降噪,通过最大值法将降噪处理后线缆图像转化为灰度图,基于灰度图和边缘检测算法,获得待测线缆边缘轮廓。
其中,基于灰度图和边缘检测算法,获得待测线缆边缘轮廓包括:
计算灰度图中与图像特征相关的各变量值。
例如:各变量值包括待测线缆的灰度平均值,亮度平均值,前景背景分割阈值,前景背景分割阈值与灰度平均值之差的绝对值。
根据各变量值对灰度图进行分类,获得分类图。
例如:判断特殊颜色背景类图像的亮度平均值,当亮度平均值大于140时将输电线路图像划分为光照较强的特殊颜色背景类图像,否则为光照较弱的特殊颜色背景类图像。
判断正常颜色背景类图像的前景背景分割阈值与灰度平均值之差的绝对值,当二者之差的绝对值大于40且灰度平均值大于150时,将输电线路图像划分为前景突出类图像;当二者之差的绝对值大于40且像素灰度平均值小于120时,将输电线路图像划分背景突出类图像。
对分类图分别进行适合的分段,获得分段图。
例如:对于背景突出类图像,判断前景背景分割阈值E,当E<100时,将图像整体灰度平均值P划分两段,并分别对这两段应用直方图均衡化增强处理。
对分段图增强处理后进行滤波,获得滤波图。
采用边缘检测算法检测滤波图,对待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
对比待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
例如:获取待测线缆边缘轮廓和预设的标准线缆边缘轮廓中的各个边缘像素点,将待测线缆边缘轮廓和预设的标准线缆边缘轮廓中的各个边缘像素点进行位置比对,确定待测线缆边缘轮廓中的各个边缘像素点对应的位置差异值。
可以根据待测线缆边缘轮廓中的各个边缘像素点对应的位置差异值的大小对待测线缆的磨损度评分。
首先按照上述图像处理方处理刚达到报废标准的待测设备的线缆图像,将刚达到报废标准的待测设备的线缆图像的各个边缘像素点与标准线缆边缘轮廓中的各个边缘像素点进行位置比对,确定刚达到报废标准的待测设备的线缆边缘轮廓中的各个边缘像素点对应的位置差异值。比如差异值为100000,则说明当差异值达到100000时,线缆就会报废,此时线缆的磨损评分为0。
按照上述图像处理方处理全新的待测设备的线缆图像,将全新的待测设备的线缆图像的各个边缘像素点与标准线缆边缘轮廓中的各个边缘像素点进行位置比对,确定全新的待测设备的线缆边缘轮廓中的各个边缘像素点对应的位置差异值。比如差异值为1000,则说明当差异值达到1000时,线缆几乎没有磨损,此时线缆的磨损评分为100。
基于差异值100-100000进行区间划分,并设置对应的磨损度评分,待测设备线缆与标准线缆的位置差异值落入那个区间,就会获得对应的磨损度评分。
S8,基于磨损度评分与预设的第二故障曲线,获得第二故障概率。
预设的第二故障概率曲线,与预设的第一故障概率曲线的原理相同,都是通过采集与待测设备相同的设备的历史故障概率和磨损度评分之间的关***计出来的。
S9,判断第二故障概率是否大于预设的第二概率阈值。
若第二故障概率大于预设的第二概率阈值,则执行S10,否则返回S1。
S10,发送预警信息至调度终端。
本发明所提供的一种电力设备状态监测评价与指挥方法及***,为了提前精准预测待测设备的故障概率,通过获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间,基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率;判断第一故障概率是否大于预设的第一概率阈值,若第一故障概率大于预设的第一概率阈值,则获取待测设备的图像信息;基于图像信息与预设的图像磨损度模型,获得磨损度评分;基于磨损度评分与预设的第二故障曲线,获得第二故障概率;判断第二故障概率是否大于预设的第二概率阈值,若第二故障概率大于预设的第二概率阈值,则发送预警信息至调度终端,调度终端可以根据预警信息安排人员对待测设备进行提前维护。
第二方面,如图2所示,本发明实施例提供了一种电力设备状态监测评价与指挥***20,包括:
采集单元21,用于获取待测设备的额定输入电压、历史输入电压和待测设备的运行时间。
比较单元22,用于比较额定输入电压与历史输入电压,得到异常电压次数。
计算单元23,用于计算异常电压次数对应的待测设备的运行时间,得到异常电压运行时间。
第一故障监测单元24,用于基于异常电压运行时间和预设的第一故障曲线,获得第一故障概率;判断第一故障概率是否大于预设的第一概率阈值,若第一故障概率大于预设的第一概率阈值,则通过采集单元21获取待测设备的图像信息。
第二故障监测单元25,用于基于图像信息与预设的图像磨损度模型,获得磨损度评分;基于磨损度评分与预设的第二故障曲线,获得第二故障概率;判断第二故障概率是否大于预设的第二概率阈值,若第二故障概率大于预设的第二概率阈值,则发送预警信息至调度终端26。
其中,还包括图像处理单元27,用于将线缆图像进行数据处理,获得灰度图。
基于灰度图和边缘检测算法,获得待测线缆边缘轮廓。
通过第二故障监测单元对比待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
其中,图像处理单元包括灰度处理子单元,灰度处理子单元用于基于高斯滤波对线缆图像降噪;通过最大值法将降噪处理后线缆图像转化为灰度图。
其中,图像处理单元还包括轮廓检测子单元,轮廓检测子单元用于计算灰度图中与图像特征相关的各变量值;根据各变量值对灰度图进行分类,获得分类图;对分类图分别进行适合的分段,获得分段图;对分段图增强处理后进行滤波,获得滤波图采用边缘检测算法检测滤波图,对待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种电力设备状态监测评价与指挥方法、***及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种电力设备状态监测评价与指挥方法,其特征在于,包括以下步骤:
获取待测设备的额定输入电压、历史输入电压和所述待测设备的运行时间;
比较所述额定输入电压与所述历史输入电压,得到异常电压次数;
计算所述异常电压次数对应的所述待测设备的运行时间,得到异常电压运行时间;
基于所述异常电压运行时间和预设的第一故障曲线,获得第一故障概率;
判断所述第一故障概率是否大于预设的第一概率阈值,若所述第一故障概率大于所述预设的第一概率阈值,则获取所述待测设备的图像信息;
基于所述图像信息与预设的图像磨损度模型,获得磨损度评分;
基于所述磨损度评分与预设的第二故障曲线,获得第二故障概率;
判断所述第二故障概率是否大于所述预设的第二概率阈值,若所述第二故障概率大于所述预设的第二概率阈值,则发送预警信息至调度终端。
2.如权利要求1所述的一种电力设备状态监测评价与指挥方法,其特征在于,所述图像信息包括所述待测设备的线缆图像,所述基于所述图像信息与预设的图像磨损度模型,获得磨损度评分,包括:
对所述线缆图像进行数据处理,获得灰度图;
基于所述灰度图和边缘检测算法,获得待测线缆边缘轮廓;
对比所述待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
3.如权利要求2所述的一种电力设备状态监测评价与指挥方法,其特征在于,所述对所述线缆图像进行数据处理,获得灰度图包括:
基于高斯滤波对所述线缆图像降噪;
通过最大值法将降噪处理后所述线缆图像转化为灰度图。
4.如权利要求3所述的一种电力设备状态监测评价与指挥方法,其特征在于,基于所述灰度图和边缘检测算法,获得待测线缆边缘轮廓包括:
计算所述灰度图中与图像特征相关的各变量值;
根据所述各变量值对所述灰度图进行分类,获得分类图;
对所述分类图分别进行适合的分段,获得分段图;
对所述分段图增强处理后进行滤波,获得滤波图;
采用边缘检测算法检测所述滤波图,对所述待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
5.如权利要求1-4中任意一项所述的一种电力设备状态监测评价与指挥方法,其特征在于,获取所述待测设备的图像信息,包括:
获取所述待测设备的可见光成像图、短波红外成像图、中波红外成像图及长波红外成像图;
获取所述待测设备的点云数据;
基于所述待测设备的点云数据生成所述待测设备的三维模型;
基于所述待测设备的三维模型,生成文本描述;
使用图像修正模型基于所述短波红外成像图、所述中波红外成像图及所述长波红外成像图,对所述待测设备的可见光成像图进行修正,生成所述待测设备的图像信息。
6.一种电力设备状态监测评价与指挥***,其特征在于,包括:
采集单元,用于获取待测设备的额定输入电压、历史输入电压和所述待测设备的运行时间;
比较单元,用于比较所述额定输入电压与所述历史输入电压,得到异常电压次数;
计算单元,用于计算所述异常电压次数对应的所述待测设备的运行时间,得到异常电压运行时间;
第一故障监测单元,用于基于所述异常电压运行时间和预设的第一故障曲线,获得第一故障概率;判断所述第一故障概率是否大于预设的第一概率阈值,若所述第一故障概率大于所述预设的第一概率阈值,则通过采集单元获取所述待测设备的图像信息;
第二故障监测单元,用于基于所述图像信息与预设的图像磨损度模型,获得磨损度评分;基于所述磨损度评分与预设的第二故障曲线,获得第二故障概率;判断所述第二故障概率是否大于预设的第二概率阈值,若所述第二故障概率大于所述预设的第二概率阈值,则发送预警信息至调度终端。
7.如权利要求6所述的一种电力设备状态监测评价与指挥***,其特征在于,还包括图像处理单元,用于将线缆图像进行数据处理,获得灰度图;
基于所述灰度图和边缘检测算法,获得待测线缆边缘轮廓;
通过所述第二故障监测单元对比所述待测线缆边缘轮廓与预设的标准线缆边缘轮廓,确定待测线缆的磨损度评分。
8.如权利要求7所述的一种电力设备状态监测评价与指挥***,其特征在于:所述图像处理单元包括灰度处理子单元,所述灰度处理子单元用于基于高斯滤波对所述线缆图像降噪;通过最大值法将降噪处理后所述线缆图像转化为灰度图。
9.如权利要求8所述的一种电力设备状态监测评价与指挥***,其特征在于,所述图像处理单元还包括轮廓检测子单元,所述轮廓检测子单元用于计算所述灰度图中与图像特征相关的各变量值;根据所述各变量值对所述灰度图进行分类,获得分类图;对所述分类图分别进行适合的分段,获得分段图;对所述分段图增强处理后进行滤波,获得滤波图采用边缘检测算法检测所述滤波图,对所述待测线缆边缘进行提取,同时去除非待测线缆边缘,获得待测线缆边缘轮廓。
10.如权利要求6-9中任意一项所述的一种电力设备状态监测评价与指挥***,其特征在于,所述采集单元还用于:
获取所述待测设备的可见光成像图、短波红外成像图、中波红外成像图及长波红外成像图;
获取所述待测设备的点云数据;
基于所述待测设备的点云数据生成所述待测设备的三维模型;
基于所述待测设备的三维模型,生成文本描述;
使用图像修正模型基于所述短波红外成像图、所述中波红外成像图及所述长波红外成像图,对所述待测设备的可见光成像图进行修正,生成所述待测设备的图像信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524161.XA CN116308300B (zh) | 2023-05-11 | 2023-05-11 | 一种电力设备状态监测评价与指挥方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524161.XA CN116308300B (zh) | 2023-05-11 | 2023-05-11 | 一种电力设备状态监测评价与指挥方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308300A CN116308300A (zh) | 2023-06-23 |
CN116308300B true CN116308300B (zh) | 2023-07-21 |
Family
ID=86778304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310524161.XA Active CN116308300B (zh) | 2023-05-11 | 2023-05-11 | 一种电力设备状态监测评价与指挥方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308300B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117029703B (zh) * | 2023-10-09 | 2023-12-29 | 广东欢联电子科技有限公司 | 一种通讯线缆现场生产数据实时管理监测*** |
CN117094992B (zh) * | 2023-10-17 | 2024-03-12 | 广州长川科技有限公司 | 基于图像处理的电气设备故障检测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985068A (zh) * | 2014-05-30 | 2014-08-13 | 湖南智仁科技有限公司 | 一种配电网在线风险评估方法 |
CN104393613A (zh) * | 2014-11-05 | 2015-03-04 | 南京南瑞继保电气有限公司 | 直流故障处理方法及装置 |
CN107991870A (zh) * | 2017-12-05 | 2018-05-04 | 暨南大学 | 一种电扶梯设备的故障预警与寿命预测方法 |
CN111638682A (zh) * | 2020-05-26 | 2020-09-08 | 四川新迎顺信息技术股份有限公司 | 一种使用磨损砂轮磨削周齿螺旋刃后刀面的补偿方法 |
CN112580993A (zh) * | 2020-12-23 | 2021-03-30 | 云南电网有限责任公司昆明供电局 | 一种电网设备故障概率分析方法 |
CN113740775A (zh) * | 2021-08-17 | 2021-12-03 | 广州番禺电缆集团有限公司 | 一种电缆护层在线检测方法、装置、设备及储存介质 |
CN114926374A (zh) * | 2022-07-21 | 2022-08-19 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
CN115796059A (zh) * | 2023-02-07 | 2023-03-14 | 中国电建集团山东电力建设第一工程有限公司 | 一种基于深度学习的电气设备寿命预测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
-
2023
- 2023-05-11 CN CN202310524161.XA patent/CN116308300B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985068A (zh) * | 2014-05-30 | 2014-08-13 | 湖南智仁科技有限公司 | 一种配电网在线风险评估方法 |
CN104393613A (zh) * | 2014-11-05 | 2015-03-04 | 南京南瑞继保电气有限公司 | 直流故障处理方法及装置 |
CN107991870A (zh) * | 2017-12-05 | 2018-05-04 | 暨南大学 | 一种电扶梯设备的故障预警与寿命预测方法 |
CN111638682A (zh) * | 2020-05-26 | 2020-09-08 | 四川新迎顺信息技术股份有限公司 | 一种使用磨损砂轮磨削周齿螺旋刃后刀面的补偿方法 |
CN112580993A (zh) * | 2020-12-23 | 2021-03-30 | 云南电网有限责任公司昆明供电局 | 一种电网设备故障概率分析方法 |
CN113740775A (zh) * | 2021-08-17 | 2021-12-03 | 广州番禺电缆集团有限公司 | 一种电缆护层在线检测方法、装置、设备及储存介质 |
CN114926374A (zh) * | 2022-07-21 | 2022-08-19 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
CN115796059A (zh) * | 2023-02-07 | 2023-03-14 | 中国电建集团山东电力建设第一工程有限公司 | 一种基于深度学习的电气设备寿命预测方法及*** |
Non-Patent Citations (4)
Title |
---|
First time description of early lead failure of the Linox Smart lead compared to other contemporary high-voltage leads;Vanessa Weberndörfer 等;《Journal of Interventional Cardiac Electrophysiology》;第52卷(第2期);第173-177页 * |
基于输电线路全工况信息的风险评估方法;刘珂宏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);第C042-1352页 * |
牵引电机转子断条故障注入实现;尹进田 等;《船电技术》;第41卷(第11期);第9-13页 * |
用电信息采集***中计量异常事件分析方法与应用研究;杨培;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);第C042-2419页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116308300A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警***及方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN110927497B (zh) | 一种转辙机故障检测方法及装置 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、***、装置及电子设备 | |
CN115393276A (zh) | 一种齿轮表面形态智能检测分析*** | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN112966345B (zh) | 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法 | |
CN115905907A (zh) | 风机主轴承的异常监测方法、装置、电子设备及存储介质 | |
CN112084673A (zh) | 道岔摩擦电流自动设置方法及装置 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
CN118211124B (zh) | 一种变压器故障预测方法及*** | |
CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检***及方法 | |
CN118278653A (zh) | 一种基于视觉机器人的设备缺陷检测*** | |
CN118278916A (zh) | 配电设备故障处理方法、装置、电子设备及存储介质 | |
CN118094182A (zh) | 一种基于数据的转盘轴承早期故障在线识别方法 | |
CN115656863A (zh) | 基于电池bms数据的储能电池故障判断*** | |
CN116309301A (zh) | 一种防震锤异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 610042 floor 6, unit 1, building 4, Fengde International Plaza, No. 6, hanghang Road, Wuhou District, Chengdu, Sichuan Patentee after: New Yingshun Information Technology Co.,Ltd. Address before: 610042 floor 6, unit 1, building 4, Fengde International Plaza, No. 6, hanghang Road, Wuhou District, Chengdu, Sichuan Patentee before: SICHUAN XINYINGSHUN INFORMATION TECHNOLOGY CO.,LTD. |
|
CP01 | Change in the name or title of a patent holder |