CN116388379A - 一种变电站远程红外智能巡检方法及*** - Google Patents
一种变电站远程红外智能巡检方法及*** Download PDFInfo
- Publication number
- CN116388379A CN116388379A CN202310059756.2A CN202310059756A CN116388379A CN 116388379 A CN116388379 A CN 116388379A CN 202310059756 A CN202310059756 A CN 202310059756A CN 116388379 A CN116388379 A CN 116388379A
- Authority
- CN
- China
- Prior art keywords
- infrared
- image
- transformer substation
- infrared image
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000013523 data management Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000009529 body temperature measurement Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 20
- 238000003745 diagnosis Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种变电站远程红外智能巡检方法,克服了现有技术中变电站红外巡检工作依赖于人工现场巡视,质量不佳,检测效率低的问题,包括以下步骤:S1:在变电站内部署红外监测设备,对变电站进行巡检,采集变电站红外图像;S2:对采集的红外图像进行分析处理,构建卷积神经网络识别模型,判断变电站是否发生故障并在故障发生时进行报警;S3:对红外图像中的任意像素或区域,生成实时动态温度趋势曲线,并对生成的曲线进行分析;S4:根据采集的数据以及分析、识别结果,生成巡检报告。随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量。
Description
技术领域
本发明涉及变电站巡检技术领域,特别涉及了一种变电站远程红外智能巡检方法及***。
背景技术
随着变电站规模快速增长,电网安全运行要求日益提高,变电设备的运行状态管理工作越来越重要。早期的传统视频在线监控技术,传输和存储的都是视频监控图像,因为它传输的是视频模拟信号,仅能得到的一个可观察的图像,获得的监测对象温度数据非常有限,几乎不具备后期分析对比功能,实用性也非常有限;无法获得电力设备随负荷变化的运行规律;无法及时发现电压致热型设备的微小温差并对其进行细致全面的分析;无法便捷及时的掌握设备缺陷的发展规律。
目前,在带电检测工作中,红外带电检测是缺陷检出率最高的检测方式,是及时发现电力设备缺陷的有效手段,变电站定期红外检测工作成为变电运维的一项重要工作。目前变电站红外检测主要采用便携式手持红外热像仪,由运维人员现场开展,部分部署巡检机器人站点,可实现机器人巡视辅助测温,均以周期性检测方式为主,而后期的数据录入、诊断分析则主要依靠人工进行,实际工作中,存在检测效率不高、数据归集难度大、时效性不强等问题。
发明内容
本发明的目的是克服现有技术中存在的变电站红外巡检工作依赖于人工现场巡视,无法实现远程巡检,且因为人工巡检限制,红外巡检角度受到限制,质量不佳,检测效率低的问题,提供了一种变电站远程红外智能巡检方法及***,可以实现足不出户便完成变电站设备的红外巡检,随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,也可利用本发明对隐患点进行实时监测跟踪,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量。
为了实现上述目的,本发明采用以下技术方案:一种变电站远程红外智能巡检方法,包括下列步骤:
S1:在变电站内部署红外监测设备,利用红外监测设备,对变电站进行巡检,采集变电站红外图像;
S2:对采集的红外图像进行分析处理,利用处理后的红外图像构建卷积神经网络识别模型,并利用构建的卷积神经网络识别模型,判断变电站是否发生故障并在故障发生时进行报警;
S3:对红外图像中的任意像素或区域,生成实时动态温度趋势曲线,并对生成的曲线进行分析;
S4:根据采集的数据以及分析、识别结果,生成巡检报告。
首先采集变电站设备的红外图像,并对采集的红外图像进行处理,使用卷积神经网络实现变电站设备的故障诊断。同时,利用红外图像,生成实时动态温度趋势曲线,判断变电站设备是否存在发热异常。本发明还可以提供红外实时在线分析功能,可对每帧任意关心位置进行点、线、框、直方图、趋势图分析,并自动生成动态的数据列表、动态直方图温度曲线、动态时间-温度曲线、报警温度多逻辑设置等。并提供云台控制、预置位调用、巡检组调用等功能。通过本发明,可以实现足不出户便完成变电站设备的红外巡检,随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,也可利用本发明对隐患点进行实时监测跟踪,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量。
作为优选,所述步骤S1包括:
S1.1:检测红外监测设备的水平位置以及垂直位置,根据图像匹配算法,自动将红外监测设备调整到图像中心;
S1.2:利用滤波器对红外图像进行边缘点检测,判断红外图像边缘;
S1.3:对红外监测设备的拍摄角度进行校准。
根据图像识别的算法,识别出监测设备,控制云台将监测设备调整到图像中心。利用滤波器对红外图像像素点进行遍历,即可获得红外图像的边缘点。
作为优选,所述步骤S2中,所述对采集的红外图像进行分析处理进一步包括:
S2.1:利用多尺度Rrtinex算法和双边滤波算法对红外图像进行降噪处理;
S2.2:基于快速Otsu分割算法提取降噪处理后的红外图像中的关键区域,并将分割后的红外图像进行边界扩充,调整红外图片大小;
S2.3:构建卷积神经网络识别模型,对采集的红外图像进行样本空间扩展,获得训练样本和测试样本,对卷积神经网络识别模型进行训练。
多尺度Rrtinex算法能够改善单个尺度Rrtinex算法的缺陷,提升图像质量。而在实际应用中,红外图像的亮度可能不是均匀的,可能导致图像中的一些变化剧烈的边缘位置经过Rrtinex算法后出现光晕伪影现象,因此利用双边滤波算法再次对红外图像进行处理,增强变电站红外图像的对比度和边缘信息。快速Otsu分割算法可以提高运算速率。进行样本空间扩展时,可以采用对红外图像进行平移、旋转和加入噪声的方式;利用训练样本对卷积神经网络识别模型进行训练,可以采用随机梯度下降法或批量梯度下降法;训练完成后,可以利用测试样本对卷积神经网络识别模型的故障诊断性能进行测试。
作为优选,所述步骤S2.1进一步表示为:
S2.1.1:对红外图像进行分解,得到反射物体图像和入射光图像;
S2.1.2:利用高斯函数对原始图像进行卷积运算,实现原始图像的低通滤波;
S2.1.3:从原始图像的对数域减去滤波后的图像,再进行指数运算得到图像增强结果;
S2.1.4:在空间域和值域同时采用领域像素加权对图像增强结果进行处理。
利用Rrtinex算法能够有效降低红外图像的噪声,在提高图像质量的同时,还能够提升图像中的暗区亮度,增强红外图像中变电站设备的轮廓信息。双边滤波算法是一种非线性滤波算法,在空间域和值域同时采用领域像素加权来处理图像,边缘细节性能强,能够增强变电站红外图像的对比度和边缘信息。
作为优选,所述S2.2进一步表示为:
S2.2.1:利用红外图像的灰度分割门限值和领域灰度均值分割门限值,将红外图像划分为背景和目标;
S2.2.2:利用一维运算,计算目标像素和背景像素的占比,以及目标和背景的均值。
传统的Otsu分割算法是一种对确定图像的二值化分割阈值算法,又称作最大类间方差法,算法计算简单,不受图像亮度和对比度的影响。本发明采用快速Otsu分割算法,将二维运算化简为一维运算,利用一维运算得出两个门限值替代Otsu图像分割的门限值,实现了Otsu图像的快速运算。
作为优选,所述S2中,构建卷积神经网络识别模型进一步表示为:
A1:构建卷积神经网络识别模型的输入层,所述输入层的基础是经过分析处理后的红外图像;
A2:构建卷积神经网络识别模型的卷积层,利用卷积运算对红外图像进行特征提取,将红外图像转化为特征图;
A3:在相邻两层卷积层之间构建池化层,并构建输出层,利用加权求和运算将输入特征转化为一维特征。
卷积层是卷积神经网络的核心,卷积层的输入即可以是输入层的图像,也可以是上一层输出的图像。卷积层的作用是对变电站设备的红外图像进行特征提取,卷积神经网络利用卷积核的权重共享,能够有效降低网络参数,提升特征表示能力,能够更加丰富地提取出隐含在红外图像中的设备故障信息。
作为优选,所述步骤S3进一步包括:
S3.1:将变电站设备的红外图像转换成数据向量,提取红外图像温度区域数据,获取该变电站设备的当前温度曲线;
S3.2:获取该变电站设备的历史温度曲线,与当前温度曲线进行拟合,判断温度异常升高的区域;
S3.3:利用热力平均温差法,对温度异常升高的区域进行校验,判断该区域是否出现温度越限情况。
很多电力设备某一个时间点的温度值并不能代表这个设备的整体运行情况,也无法确定该设备是否有缺陷,需要对设备进行长时间的不同负荷情况下的运行数据进行采集,对采集的数据进行快速的温度趋势曲线生成,跟历史趋势曲线、或者同类设备的趋势曲线进行对比,准确的判断设备的缺陷性质。
一种变电站远程红外智能巡检***,包括集成全辐射数据和可见光双通道,采集变电站设备的红外图像,实现电力设备的全方位测温的前端采集***,所述前端采集***连接有提供***互联以及信息交互的联网能力的传输***,所述传输***连接有实现前端采集数据的显示以及数据处理、数据管理,生成现场实时图像的后端数据管理***。
利用前端采集***动态获得全屏每像素点对应的温度实时数据,实时掌握全屏的温度变化规律,及时发现电压致热型缺陷,掌握设备缺陷的发展规律。本发明的变电站远程红外智能巡检***可以实现足不出户便完成变电站设备的红外巡检,随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,也可利用该***对隐患点进行实时监测跟踪,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量。
作为优选,所述传输***包括与前端采集***和后端数据管理***连接的、负责网络通讯的交换机,所述交换机连接有负责视频数据的传输和录制的网络硬盘录像机,所述传输***还包括负责视频数据面向多客户端的转发的流媒体服务器,所述流媒体服务器与后端数据管理***连接。
通过传输***,实现了数据的传输。
作为优选,所述后端数据管理***包括管理所有前端采集***、检测数据以及前端采集***的巡检计划的管理服务器,负责以各种形式展示站内所有设备的检测数据的客户端,所述管理服务器与传输***连接,所述客户端与传输***连接。
本发明的***具有变电站设备温度实时预览、云台控制、视频录像及回放、预置位和巡检计划设置、检测数据归档管理、快速查询、自动生成报告等在线监测***的功能;还可以对正在监测的设备和存储的设备图像均可随意增加点、线、框,进行二次分析,提高缺陷的诊断分析效率。同时还能在对变电站设备进行连续在线录制之后进行正常部位和缺陷部位的温度曲线发展对比分析。
因此,本发明具有如下有益效果:1、本发明可以实现足不出户便完成变电站设备的红外巡检,随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,也可利用本发明对隐患点进行实时监测跟踪,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量;2、降低运检运维人员的工作量,提高工作效率,实现运行设备的实时监测,为电厂电力设备的安全稳定运行提供有力的数据支持,达到信息化、智能化和智慧化水电厂的创建需求。
附图说明
图1为变电站远程红外智能巡检方法的步骤流程图。
图2为变电站远程红外智能巡检***的***结构示意图。
图中:1、前端采集***;2、交换机;3、网络硬盘录像机;4、流媒体服务器;5、管理服务器;6、客户端。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示的实施例中,可以看到一种变电站远程红外智能巡检方法,其操作流程为:步骤一,在变电站内部署红外监测设备,利用红外监测设备,对变电站进行巡检,采集变电站红外图像;步骤二,对采集的红外图像进行分析处理,利用处理后的红外图像构建卷积神经网络识别模型,并利用构建的卷积神经网络识别模型,判断变电站是否发生故障并在故障发生时进行报警;步骤三,对红外图像中的任意像素或区域,生成实时动态温度趋势曲线,并对生成的曲线进行分析;步骤四,根据采集的数据以及分析、识别结果,生成巡检报告。
首先采集变电站设备的红外图像,并对采集的红外图像进行处理,使用卷积神经网络实现变电站设备的故障诊断。同时,利用红外图像,生成实时动态温度趋势曲线,判断变电站设备是否存在发热异常。本发明还可以提供红外实时在线分析功能,可对每帧任意关心位置进行点、线、框、直方图、趋势图分析,并自动生成动态的数据列表、动态直方图温度曲线、动态时间-温度曲线、报警温度多逻辑设置等。并提供云台控制、预置位调用、巡检组调用等功能。通过本发明,可以实现足不出户便完成变电站设备的红外巡检,随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,也可利用本发明对隐患点进行实时监测跟踪,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量。
下面通过具体的例子,进一步说明本申请的技术方案:
第一步:在变电站内部署红外监测设备,利用红外监测设备,对变电站进行巡检,采集变电站红外图像。
1、检测红外监测设备的水平位置以及垂直位置,根据图像匹配算法,自动将红外监测设备调整到图像中心。
根据图像识别的算法,识别出监测设备,控制云台将监测设备调整到图像中心。
2、利用滤波器对红外图像进行边缘点检测,判断红外图像边缘。
利用滤波器对红外图像像素点进行遍历,即可获得红外图像的边缘点。
3、对红外监测设备的拍摄角度进行校准。
对于变电站设备的红外图像,需要校准拍摄角度。红外图像拍摄角度为:
式中,h表示变电站设备的边缘顶点对角线长度,l表示变电站设备参数的对角线长度。
校准目标U为:
式中,R表示变电站设备红外图像投射数据,n表示红外图像旋转次数,j表示每次旋转偏移的角度,smooth(Rji)是在其定义域内无穷阶数连续可导的函数。
第二步:对采集的红外图像进行分析处理,利用处理后的红外图像构建卷积神经网络识别模型,并利用构建的卷积神经网络识别模型,判断变电站是否发生故障并在故障发生时进行报警。
1、利用多尺度Retinex算法和双边滤波算法对红外图像进行降噪处理。
多尺度Rrtinex算法能够改善单个尺度Rrtinex算法的缺陷,提升图像质量。但多尺度Rrtinex算法在实际应用中,红外图像的亮度可能不是均匀的,可能导致图像中的一些变化剧烈的边缘位置经过Rrtinex算法后出现光晕伪影现象,因此利用双边滤波算法再次对红外图像进行处理,增强变电站红外图像的对比度和边缘信息。
具体步骤为:
对红外图像进行分解,得到反射物体图像和入射光图像;在分离出反射物体函数和入射光函数后,利用高斯函数对原始图像进行卷积运算,实现原始图像的低通滤波;从原始图像的对数域减去滤波后的图像,再进行指数运算得到图像增强结果;在空间域和值域同时采用领域像素加权对图像增强结果进行处理。
利用Rrtinex算法能够有效降低红外图像的噪声,在提高图像质量的同时,还能够提升图像中的暗区亮度,增强红外图像中变电站设备的轮廓信息。双边滤波算法是一种非线性滤波算法,在空间域和值域同时采用领域像素加权来处理图像,边缘细节性能强,能够增强变电站红外图像的对比度和边缘信息。
2、基于快速Otsu分割算法提取降噪处理后的红外图像中的关键区域,并将分割后的红外图像进行边界扩充,调整红外图片大小。
利用红外图像的灰度分割门限值和领域灰度均值分割门限值,将红外图像划分为背景和目标;利用一维运算,计算目标像素和背景像素的占比,以及目标和背景的均值。
传统的Otsu分割算法是一种对确定图像的二值化分割阈值算法,又称作最大类间方差法,算法计算简单,不受图像亮度和对比度的影响。本发明采用快速Otsu分割算法,将二维运算化简为一维运算,利用一维运算得出两个门限值替代Otsu图像分割的门限值,实现了Otsu图像的快速运算。
3、构建卷积神经网络识别模型,对采集的红外图像进行样本空间扩展,获得训练样本和测试样本,对卷积神经网络识别模型进行训练。
构建卷积神经网络识别模型的具体步骤为:
(1)构建卷积神经网络识别模型的输入层,所述输入层的基础是经过分析处理后的红外图像:首先,将设备采集的红外图像通过多尺度Retinex和双边滤波算法进行降噪处理,提升红外图像质量;然后,基于快速Otsu分割算法提取红外图像中的关键区;最后,将分割后的图像进行适当的边界扩充,本实施例中将图片大小调整到32×32。
(2)构建卷积神经网络识别模型的卷积层,利用卷积运算对红外图像进行特征提取,将红外图像转化为特征图;卷积层输入为输入层的图像或上一层输出的图像。
卷积层的作用是对变电站设备的红外图像进行特征提取,卷积神经网络利用卷积核的权重共享,能够有效降低网络参数,提升特征表示能力,能够更加丰富地提取出隐含在红外图像中的设备故障信息。
(3)在相邻两层卷积层之间构建池化层,池化层的作用是在减少卷积层输出特征的同时,确保特征的局部不变性,也是卷积神经网络的关键步骤。
(4)构建输出层,输出层与前一层的各个神经元均有连接,利用加权求和运算将输入特征转化为一维特征。
进行样本空间扩展时,可以采用对红外图像进行平移、旋转和加入噪声的方式。
利用训练样本对卷积神经网络识别模型进行训练,可以采用随机梯度下降法或批量梯度下降法;本实施例采用批量梯度下降法进行训练,将输入的训练样本划分为许多小批量,每次训练选取一个小批量进行计算和权值更新。网络训练完成后,采用测试样本对网络的故障诊断性能进行测试。
训练完成后,可以利用测试样本对卷积神经网络识别模型的故障诊断性能进行测试。
第三步:对红外图像中的任意像素或区域,生成实时动态温度趋势曲线,并对生成的曲线进行分析。
1、将变电站设备的红外图像转换成数据向量,实现温度特征的估计,提取红外图像温度区域数据,获取该变电站设备的当前温度曲线;同时在获得红外图像区域温度信息值后,按温度高低,对变电站设备的温度区域进行标注。
2、对标记温度后的变电站设备区块信息进行历史变化情况检测,获取该变电站设备的历史温度曲线,与当前温度曲线进行拟合,判断温度异常升高的区域。
拟合后的曲线为:
式中,n1表示变电站设备红外图像温度曲线个数,Φ为曲线拟合函数。
在进行曲线拟合后,即可判断温度异常升高的区域。
3、利用热力平均温差法,对温度异常升高的区域进行校验,判断该区域是否出现温度越限情况。
因为在变电站设备温度变化中,设备的不同部位存在温度差异,本实施例采用对不同部位温度差异求对数的方式计算平均温差。
本发明能够对变电站电力设备的温度进行全方位监测,实时记录温度情况。
第四步:根据采集的数据以及分析、识别结果,生成巡检报告。
可获取任意帧图像,生成检测报告,报告格式可按需要进行调整。如果是缺陷帧图像,可生成缺陷报告。
能够向变电运检人员提供全面的、清晰的、可操作的、可录制、可回放的现场实时图像,可远程查看告警数据、告警阈值、二次分析。
本实施例还提供了一种变电站远程红外智能巡检***,如图2所示,包括:
前端采集***1,集成全辐射数据和可见光双通道,采集变电站设备的红外图像,实现电力设备的全方位测温;
传输***,提供***互联以及信息交互的联网能力;
后端数据管理***,实现前端采集数据的显示以及数据处理、数据管理,生成现场实时图像,后端数据管理***还可以实现前端采集数据的控制、数据压缩处理、网络传输、***控制管理、温度预警及数据库管理,向变电运检人员提供全面的、清晰的、可操作的、可录制、可回放的现场实时图像,可远程查看告警数据、告警阈值、二次分析等,并对采集的数据进行自动诊断报警。
工作时,利用前端采集***动态获得全屏每像素点对应的温度实时数据,实时掌握全屏的温度变化规律,及时发现电压致热型缺陷,掌握设备缺陷的发展规律。
本发明还能够制定不同设备对应的诊断规则,实时发现不同类型的设备缺陷,对每一个缺陷图像进行诊断,准确告知设备缺陷情况。报警方式多样,可对站内人员进行弹屏报警,也可对站外人员进行短信报警。当设备出现温度异常,并触发报警条件后,***界面上会自动弹出相应设备报警时的缺陷图像,并不断闪烁提示值班人员。
前端采集***采集的每帧图像数据都有302700个温度值,数据量非常大。本发明具有无损压缩功能,能对采集的所有数据进行无损压缩,不会遗失任何数据,且占用空间小,提高传输速度,让数据没有延迟和拖影;本发明还具有智能储存技术,自动独立保存***报警时全辐射数据流,为后期状态检修提供数据支撑。
本发明中,前端采集***采集的数据通过传输***发送至后端数据管理***。后端数据管理***可对图像中的任意像素或区域,生成实时动态温度趋势曲线;当巡检模式时,可将巡检监测拍摄的每一帧的特征温度(如最高温度)的温度特征曲线显示在屏幕中,便于使用者观察;发现缺陷隐患后,需要进行连续定点监测时,可将定点监测的实时变化趋势曲线显示在屏幕中,便于使用者观察;可将巡检监测拍摄的每一帧的特征温度(如特定框中的最高温度)构成的温度特征曲线显示在屏幕中,便于使用者观察,并可随时调看被测目标的图像帧及分析数据;根据设定阀值范围,自动查找被测目标归类缺陷帧;可自动查找阀值范围中的热像帧的自动比较;也可实现不同数据流的比较,例如在相同或不同坐标系中,对不同时间周期中拍摄获得的海量数据流的变化趋势的进行比较。
具体的:
前端***可由测温型热成像云台、测温型热成像筒机、测温型热成像球机组成,集成全辐射数据和可见光双通道,采集全像素温度数据,拥有阵列640*480,每一帧图片都采集307200个像素点温度数值。
传输***包括:
交换机2,负责网络通讯;
网络硬盘录像机3,负责视频数据的传输和录制,将视频信号和实时的测温数据接收和存储;
流媒体服务器4,负责视频数据面向多客户端的转发。
后端数据管理***包括:
管理服务器5,管理所有前端采集***、检测数据以及前端采集***的巡检计划(变电站在不同季节和时间段有不同的负荷,在迎峰度夏和迎峰度冬都需要不同的巡检计划,巡检计划功能可根据不同时间段设置不同拍摄时段);
客户端6,负责以各种形式展示站内所有设备的检测数据。
客户端通过交换机与管理服务器连接,前端采集***通过交换机与管理服务器连接,管理服务器分别与网络硬盘录像机、流媒体服务器连接。
本发明的变电站远程红外智能巡检***可以实现足不出户便完成变电站设备的红外巡检,随时对变电站设备状态进行监测并自动分析,发现问题,可实现自动报警,也可利用该***对隐患点进行实时监测跟踪,大幅度减轻了巡检工作导致的人力消耗,提升了巡检质量。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种变电站远程红外智能巡检方法,其特征在于,它包括下列步骤:
S1:在变电站内部署红外监测设备,利用红外监测设备,对变电站进行巡检,采集变电站红外图像;
S2:对采集的红外图像进行分析处理,利用处理后的红外图像构建卷积神经网络识别模型,并利用构建的卷积神经网络识别模型,判断变电站是否发生故障并在故障发生时进行报警;
S3:对任一红外图像中的任意像素或区域,生成实时动态温度趋势曲线,并对生成的曲线进行分析;
S4:根据采集的数据以及分析、识别结果,生成巡检报告。
2.根据权利要求1所述的一种变电站远程红外智能巡检方法,其特征在于,所述步骤S1包括:
S1.1:检测红外监测设备的水平位置以及垂直位置,根据图像匹配算法,自动将红外监测设备调整到图像中心;
S1.2:利用滤波器对红外图像进行边缘点检测,判断红外图像边缘;
S1.3:对红外监测设备的拍摄角度进行校准。
3.根据权利要求1所述的一种变电站远程红外智能巡检方法,其特征在于,所述步骤S2中,所述对采集的红外图像进行分析处理进一步包括:
S2.1:利用多尺度Rrtinex算法和双边滤波算法对红外图像进行降噪处理;
S2.2:基于快速Otsu分割算法提取降噪处理后的红外图像中的关键区域,并将分割后的红外图像进行边界扩充,调整红外图片大小;
S2.3:构建卷积神经网络识别模型,对采集的红外图像进行样本空间扩展,获得训练样本和测试样本,对卷积神经网络识别模型进行训练。
4.根据权利要求3所述的一种变电站远程红外智能巡检方法,其特征在于,所述步骤S2.1进一步表示为:
S2.1.1:对红外图像进行分解,得到反射物体图像和入射光图像;
S2.1.2:利用高斯函数对原始图像进行卷积运算,实现原始图像的低通滤波;S2.1.3:从原始图像的对数域减去滤波后的图像,再进行指数运算得到图像增强结果;
S2.1.4:在空间域和值域同时采用领域像素加权对图像增强结果进行处理。
5.根据权利要求3或4所述的一种变电站远程红外智能巡检方法,其特征在于,所述S2.2进一步表示为:
S2.2.1:利用红外图像的灰度分割门限值和领域灰度均值分割门限值,将红外图像划分为背景和目标;
S2.2.2:利用一维运算,计算目标像素和背景像素的占比,以及目标和背景的均值。
6.根据权利要求1或3或4所述的一种变电站远程红外智能巡检方法,其特征在于,所述S2中,构建卷积神经网络识别模型进一步表示为:
A1:构建卷积神经网络识别模型的输入层,所述输入层的基础是经过分析处理后的红外图像;
A2:构建卷积神经网络识别模型的卷积层,利用卷积运算对红外图像进行特征提取,将红外图像转化为特征图;
A3:在相邻两层卷积层之间构建池化层,并构建输出层,利用加权求和运算将输入特征转化为一维特征。
7.根据权利要求1或2或3所述的一种变电站远程红外智能巡检方法,其特征在于,所述步骤S3进一步包括:
S3.1:将变电站设备的红外图像转换成数据向量,提取红外图像温度区域数据,获取该变电站设备的当前温度曲线;
S3.2:获取该变电站设备的历史温度曲线,与当前温度曲线进行拟合,判断温度异常升高的区域;
S3.3:利用热力平均温差法,对温度异常升高的区域进行校验,判断该区域是否出现温度越限情况。
8.一种变电站远程红外智能巡检***,采用权利要求1-7所述的一种变电站远程红外智能巡检方法,其特征在于,包括集成全辐射数据和可见光双通道,采集变电站设备的红外图像,实现电力设备的全方位测温的前端采集***,所述前端采集***连接有提供***互联以及信息交互的联网能力的传输***,所述传输***连接有实现前端采集数据的显示以及数据处理、数据管理,生成现场实时图像的后端数据管理***。
9.根据权利要求8所述的一种变电站远程红外智能巡检***,其特征在于,所述传输***包括与前端采集***和后端数据管理***连接的、负责网络通讯的交换机,所述交换机连接有负责视频数据的传输和录制的网络硬盘录像机,所述传输***还包括负责视频数据面向多客户端的转发的流媒体服务器,所述流媒体服务器与后端数据管理***连接。
10.根据权利要求8或9所述的一种变电站远程红外智能巡检***,其特征在于,所述后端数据管理***包括管理所有前端采集***、检测数据以及前端采集***的巡检计划的管理服务器,负责以各种形式展示站内所有设备的检测数据的客户端,所述管理服务器与传输***连接,所述客户端与传输***连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059756.2A CN116388379A (zh) | 2023-01-18 | 2023-01-18 | 一种变电站远程红外智能巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059756.2A CN116388379A (zh) | 2023-01-18 | 2023-01-18 | 一种变电站远程红外智能巡检方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116388379A true CN116388379A (zh) | 2023-07-04 |
Family
ID=86973829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310059756.2A Pending CN116388379A (zh) | 2023-01-18 | 2023-01-18 | 一种变电站远程红外智能巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116388379A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132667A (zh) * | 2023-10-26 | 2023-11-28 | 湖南半岛医疗科技有限公司 | 一种基于环境温度反馈的热图像处理方法及相关装置 |
CN117455119A (zh) * | 2023-11-24 | 2024-01-26 | 佛山市盈科工程造价咨询事务所有限公司 | 一种夜间工程项目造价进度监管方法、***、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
-
2023
- 2023-01-18 CN CN202310059756.2A patent/CN116388379A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李晓峰等: "基于红外图像的变电站巡检故障分析", 《信息技术》, no. 2019, pages 121 - 125 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132667A (zh) * | 2023-10-26 | 2023-11-28 | 湖南半岛医疗科技有限公司 | 一种基于环境温度反馈的热图像处理方法及相关装置 |
CN117132667B (zh) * | 2023-10-26 | 2024-02-06 | 湖南半岛医疗科技有限公司 | 一种基于环境温度反馈的热图像处理方法及相关装置 |
CN117455119A (zh) * | 2023-11-24 | 2024-01-26 | 佛山市盈科工程造价咨询事务所有限公司 | 一种夜间工程项目造价进度监管方法、***、设备及介质 |
CN117455119B (zh) * | 2023-11-24 | 2024-04-09 | 佛山市盈科工程造价咨询事务所有限公司 | 一种夜间工程项目造价进度监管方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116388379A (zh) | 一种变电站远程红外智能巡检方法及*** | |
CN111798407B (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN109377713B (zh) | 一种火灾预警方法及*** | |
CN111832398B (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN104408459A (zh) | 电力设备监控中使用的图像识别方法 | |
CN104331521A (zh) | 基于图像处理的变电设备异常自动识别方法 | |
CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
CN116054417B (zh) | 一种变电站用的监控***及方法 | |
CN116761049B (zh) | 一种家用智能安防监控方法及*** | |
CN116456075A (zh) | 监控视频质量自动巡检*** | |
CN115802027A (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
Feng et al. | Infrared image recognition technology based on visual processing and deep learning | |
CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及*** | |
CN108073873A (zh) | 基于高清智能摄像机的人脸检测与识别*** | |
CN113762161A (zh) | 一种障碍物智能监测方法及*** | |
CN110956086B (zh) | 一种基于图像识别技术的机房设备在线识别方法 | |
CN112241707A (zh) | 一种风电场智能视频识别装置 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN113034465B (zh) | 一种基于红外图像的电力设备热故障监测方法、装置及介质 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警*** | |
KR20220144237A (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 | |
Shen et al. | Transmission line safety early warning technology based on multi-source data perception | |
CN112101375A (zh) | 一种基于深度学习的智能变电站设备状态检测方法和*** | |
CN205793036U (zh) | 一种电力设备视频智能巡检仪表分析*** | |
CN112261386B (zh) | 一种视频高速帧差备份*** |
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 |