CN117129815A - 一种基于物联网的多劣化绝缘子综合检测方法和*** - Google Patents
一种基于物联网的多劣化绝缘子综合检测方法和*** Download PDFInfo
- Publication number
- CN117129815A CN117129815A CN202311403619.2A CN202311403619A CN117129815A CN 117129815 A CN117129815 A CN 117129815A CN 202311403619 A CN202311403619 A CN 202311403619A CN 117129815 A CN117129815 A CN 117129815A
- Authority
- CN
- China
- Prior art keywords
- data
- insulator
- degradation
- real
- time
- 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.)
- Granted
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 278
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 128
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 230000015556 catabolic process Effects 0.000 claims abstract description 103
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000012423 maintenance Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006866 deterioration Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 description 10
- 239000011152 fibreglass Substances 0.000 description 6
- 229910052573 porcelain Inorganic materials 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Ceramic Engineering (AREA)
- Acoustics & Sound (AREA)
- Insulators (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及绝缘子劣化检测技术领域,是一种基于物联网的多劣化绝缘子综合检测方法和***,具体方法包括:采集绝缘子的实时工作状态数据和实时外观图像数据,并构建温‑湿‑图‑声‑电的多模态融合数据库;构建巡检员经验知识库和绝缘子历史工作数据驱动库;对绝缘子的工作状态进行识别,并对绝缘子的故障原因和劣化程度进行判别诊断;通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。本发明解决了现有技术中绝缘子的劣化检测中缺少对绝缘子劣化趋势的预测、实时监测困难以及检测准确度低的问题。
Description
技术领域
本发明涉及绝缘子劣化检测技术领域,是一种基于物联网的多劣化绝缘子综合检测方法和***。
背景技术
随着电网技术的持续改进与升级,人们对电力***运行性能提出了更高要求。在此形势下,越来越多的绝缘子被大规模应用在配电***中,尤其是最近这几年一直保持强劲发展态势的超高压、直流输电***也采用了大量绝缘子。绝缘子不仅参与了导线悬挂,还发挥了显著的绝缘作用,因而对其运行性能提出了高标准要求,并且它的运行性能在很大程度上直接决定了电力***能否可靠、安全运行。因此,对绝缘子的劣化状态进行实时监测,采取有效措施进行检修与维护,成为了电网行业亟待解决的难题。
在现有已公开的发明技术中,如申请公开号为CN114034997A的专利公开了一种基于多参量的绝缘子劣化程度预测方法及***,包括:在线监测复合绝缘子的劣化状态参量;对劣化状态参量进行归一化处理;基于试验手段,获取不同劣化状态参量下的复合绝缘子的劣化程度检测参数;基于灰色理论算法,建立复合绝缘子劣化程度预测模型;利用归一化后的劣化状态参量和劣化程度检测参数构成输入序列,输入至复合绝缘子劣化程度预测模型中;由模型输出复合绝缘子劣化程度的预测值。该专利通过考虑电气、环境、结构等多类参数对绝缘子劣化程度进行判断,缺少对数据的清洗与修正,仅是对绝缘子的相关参数分析导致***误判率高。
又如申请公开号为CN114280434A的专利公开了一种复合绝缘子劣化程度量化分析方法及***,通过实时监测复合绝缘子末屏泄漏电流、相对介损、相对电容量及局放信号,从而准确判断复合绝缘子是否存在明显的异常故障,同时通过量化灰色评价方法对复合绝缘子的状态进行量化分析,以达到及时获知复合绝缘子运行状态、及时排查劣化故障的目的;该专利所用的灰色评价方法依靠巡检员的主观经验,缺乏数学推导,且导致绝缘子劣化的参量之间的关系是非线性的,灰色关联度的评价方法所用的前提是假设参量之间的关系是线性的,对绝缘子劣化程度判断的准确度低。
上述专利均出现了在绝缘子的劣化检测中误判率高、缺少对绝缘子劣化趋势的预测、实时监测困难以及检测准确度低的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
本发明所要解决的技术问题是针对现有技术中,绝缘子的劣化检测中缺少对绝缘子劣化趋势的预测、实时监测困难以及检测准确度低的问题,提出了一种基于物联网的多劣化绝缘子综合检测方法和***。
为了达到上述目的,本发明一种基于物联网的多劣化绝缘子综合检测方法的技术方案包括如下步骤:
S1:通过绝缘子中的内置传感器和监控设备,采集绝缘子的实时工作状态数据和实时外观图像数据,并通过无线通信将实时工作状态数据和实时外观图像数据传输到本地服务器;
S2:根据步骤S1,构建温-湿-图-声-电的多模态融合数据库;
S3:通过巡检员对绝缘子问题的描述,构建巡检员经验知识库;
S4:根据步骤S2,构建绝缘子历史工作数据驱动库,通过多模态融合数据库中不断更新的实时数据驱动预测绝缘子的劣化趋势;
S5:根据步骤S2-S4,对绝缘子的工作状态进行识别,并对绝缘子的故障原因和劣化程度进行判别诊断;
S6:通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。
具体的,所述步骤S1中绝缘子中的内置传感器包括:
温度传感器用于采集绝缘子实时工作状态下的温度数据;
湿度传感器用于采集绝缘子实时工作状态下的环境湿度数据;
振动传感器用于采集绝缘子实时工作状态下的声波振动数据;
电流传感器用于采集绝缘子实时工作状态下的电流数据。
具体的,所述实时工作状态数据和实时外观图像数据所构成的数据集包括:
;
其中,为联合数据集;
当时,/>为温度数据;当/>时,/>为湿度数据;当/>时,/>为实时外观图像数据;当/>时,/>为声波振动数据;当/>时,/>为电流数据;
;
其中,为差值数据集;/>为/>中第/>个模态数据的序号。
具体的,所述步骤S2中温-湿-图-声-电的多模态融合数据库的构建包括如下具体步骤:
S201:对采集的绝缘子的实时工作状态数据和实时外观图像数据进行数据清洗和图像去噪处理;
S202:根据步骤S201,通过对处理后的实时工作状态数据和实时外观图像数据进行数据对齐处理,将实时工作状态数据和实时外观图像数据对齐到同一采集时间点;
S203:计算温-湿-图-声-电的多模态融合数据库中数据的边缘函数和最优融合函数;
S204:计算温-湿-图-声-电的多模态融合数据库中各个模态数据与绝缘子故障劣化的相关度。
具体的,所述步骤S203包括:
边缘函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为完成一次绝缘子综合检测的时间段;
L为检测时间点为t时,第个模态数据的带宽;
n为在内,截取到的第/>个模态数据的第n个数据点,n为正整数;
N为在内,截取到的第/>个模态数据的数据点总个数;
为关于检测时间点t的核函数,该核函数用于实现五个模态数据在高维特征空间的线性可分;
为积分函数;
最优融合函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为条件选择函数,当同时满足时,所述条件选择函数值为1,反之为0。
具体的,所述步骤S204中各个模态数据与绝缘子故障劣化的相关度的计算策略如下:
;
其中,为对/>和分别在/>和/>上求积分;
为第/>个模态数据与绝缘子故障劣化的相关度。
具体的,所述巡检员经验知识库的构建包括如下具体步骤:
S301:采集近x1年中x2个省份区域中x3起绝缘子劣化案例中x4个巡检员在本绝缘子劣化案例中关于绝缘子故障原因和劣化程度的描述语句,构成迭代更新的先验经验库;
S302:采集5个巡检员同时对该检测绝缘子的故障原因和劣化程度的描述语句,通过NLTK分词工具处理后,输入至先验经验库比对;
S303:当比对值大于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.75;
S304:当比对值小于等于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.25。
具体的,所述历史工作数据驱动库包括:输入层、过滤卷积层、采样层、全连接层和输出层。
具体的,过滤卷积层中卷积函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的卷积运算函数;
为第/>个模态数据在检测时间点为t时输入至输入层的数据值;
为过滤卷积层中过滤器的大小,/>为/>的自然指数函数;
n为在内,截取到的第/>个模态数据的第n个数据点;
N为在内,截取到的第/>个模态数据的数据点总个数。
具体的,所述步骤S5中对绝缘子的故障原因和劣化程度的判别诊断的具体步骤如下:
S501:获得完成一次绝缘子综合检测的时间段内的五个模态数据,其中,五个模态数据分别为温度数据、环境湿度数据、实时外观图像数据、声波振动数据和电流数据;
S502:根据温-湿-图-声-电的多模态融合数据库、巡检员经验知识库和历史工作数据驱动库,预测绝缘子的劣化趋势,计算均值和标准差,获得绝缘子的健康模态数据区间;
S503:判断检测时间点为t时的五个模态数据是否处于健康模态数据区间,当t时的模态数据属于健康模态数据区间时,***输出为True,反之输出为False;
S504:根据步骤S503,当输出为True时,判断绝缘子健康;
当输出为False时,循环执行步骤S503,直至第3次输出仍为False时,停止循环步骤S503,并判断绝缘子故障劣化,***自动发出故障警示。
具体的,所述步骤S6中的自助维护建议包括:
当图像模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:清洁绝缘子表面;
当电流模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:安装过压过流保护装置;
当声波模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:加固绝缘子连接固定支架;
当温度或湿度模态数据的相关度或/>的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:替换绝缘子。
另外,本发明一种基于物联网的多劣化绝缘子综合检测***包括如下模块:数据的采集与传输模块、多模态融合数据模块、巡检员经验知识模块、历史工作数据驱动模块、绝缘子故障判别诊断模块以及绝缘子可视化模块;
所述数据的采集与传输模块通过绝缘子中的内置传感器和监控设备,采集绝缘子的工作状态数据和外观图像数据,并通过无线通信将所述工作状态数据和外观图像数据传输到本地服务器;
所述多模态融合数据模块用于构建温-湿-图-声-电的多模态融合数据库;
所述巡检员经验知识模块用于优化历史工作数据驱动模块中对绝缘子的劣化趋势的预测结果;
所述历史工作数据驱动模块通过多模态融合数据库中不断更新的实时数据驱动预测绝缘子的劣化趋势;
所述绝缘子故障判别诊断模块对绝缘子的工作状态进行识别,对绝缘子的故障原因和劣化程度进行判别诊断;
所述绝缘子可视化模块通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述任一项所述的一种基于物联网的多劣化绝缘子综合检测方法。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项的一种基于物联网的多劣化绝缘子综合检测方法。
与现有技术相比,本发明的技术效果如下:
1、本发明构建了温-湿-图-声-电的多模态融合数据库,分析绝缘子的温度数据、环境湿度数据、实时外观图像数据、声波振动数据和电流数据,当出现某类数据缺失或不可靠时,可以通过其他模态数据进行填补校正,提升了数据的全面性与可靠性。
2、本发明构建了巡检员经验知识库,通过巡检员的丰富的实操经验来补充修正多模态融合数据库,弥补了绝缘子工作数据的不足,优化了数据库的性能同时也加强了数据库的鲁棒性。
3、本发明采用历史工作数据驱动预测绝缘子的劣化发展趋势,便于精确捕捉绝缘子深层的周期劣化规律,通过迭代更新的历史工作数据与实际情况对比,来实现对未来预测结果的合理评估与调整,避免了个人主观臆断的影响,可以准确客观地预测绝缘子的劣化趋势。
4、本发明中的绝缘子可视化模块,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议,能对绝缘子的故障及时发现并实时响应,可以避免绝缘子进一步劣化导致电网线路瘫痪,同时也减少了绝缘子故障的人为错报和误报,可靠性高;弹出的自助维护建议为巡检员提供了故障排除方案和操作指导,大大缩短了电网线路的停机时间、绝缘子故障处理和维护的时间,降低了维护成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明实施例一的一种基于物联网的多劣化绝缘子综合检测方法的流程示意图;
图2为本发明实施例二的一种基于物联网的多劣化绝缘子综合检测***的结构示意图;
图3为本发明实施例一的一种输电线路塔上的玻璃纤维增强塑料绝缘子串示意图;
图4为本发明实施例一的一种输电线路塔上的玻璃纤维增强塑料绝缘子的外观图像;
图5为本发明实施例二的一种输电线路塔上的瓷质绝缘子串示意图;
图6为本发明实施例二的一种输电线路塔上的瓷质绝缘子的外观图像;
图7为本发明实施例一和实施例二的一种绝缘子故障劣化判断的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例一:
如图1、3、4、7所示,本发明实施例的一种基于物联网的多劣化绝缘子综合检测方法,如图1所示,包括如下具体步骤:
如图3所示,以沿海地区的输电线路塔上的玻璃纤维增强塑料绝缘子串为例,对玻璃纤维增强塑料绝缘子串的劣化程度进行综合检测,具体步骤如下:
S1:通过绝缘子中的内置传感器和监控设备,采集绝缘子的实时工作状态数据和实时外观图像数据,并通过无线通信将实时工作状态数据和实时外观图像数据传输到本地服务器;
所述步骤S1中绝缘子中的内置传感器包括:
温度传感器用于采集绝缘子实时工作状态下的温度数据;
湿度传感器用于采集绝缘子实时工作状态下的环境湿度数据;
振动传感器用于采集绝缘子实时工作状态下的声波振动数据;
电流传感器用于采集绝缘子实时工作状态下的电流数据。
所述实时工作状态数据和实时外观图像数据所构成的数据集包括:
;
其中,为联合数据集;
当时,/>为温度数据;当/>时,/>为湿度数据;当/>时,/>为实时外观图像数据;当/>时,/>为声波振动数据;当/>时,/>为电流数据;
;
其中,为差值数据集;/>为/>中第/>个模态数据的序号。
S2:根据步骤S1,构建温-湿-图-声-电的多模态融合数据库;
所述步骤S2中温-湿-图-声-电的多模态融合数据库的构建包括如下具体步骤:
S201:对采集的绝缘子的实时工作状态数据和实时外观图像数据进行数据清洗和图像去噪处理;
S202:根据步骤S201,通过对处理后的实时工作状态数据和实时外观图像数据进行数据对齐处理,将实时工作状态数据和实时外观图像数据对齐到同一采集时间点;
S203:计算温-湿-图-声-电的多模态融合数据库中数据的边缘函数和最优融合函数;
S204:计算温-湿-图-声-电的多模态融合数据库中各个模态数据与绝缘子故障劣化的相关度。
所述步骤S203包括:
边缘函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为完成一次绝缘子综合检测的时间段;
L为检测时间点为t时,第个模态数据的带宽;
n为在内,截取到的第/>个模态数据的第n个数据点,n为正整数;
N为在内,截取到的第/>个模态数据的数据点总个数;
为关于检测时间点t的核函数,该核函数用于实现五个模态数据在高维特征空间的线性可分;
为积分函数;
最优融合函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为条件选择函数,当同时满足时,所述条件选择函数值为1,反之为0。
所述步骤S204中各个模态数据与绝缘子故障劣化的相关度的计算策略如下:
;
其中,为对/>和分别在/>和/>上求积分;
为第/>个模态数据与绝缘子故障劣化的相关度;
计算获得该玻璃纤维增强塑料绝缘子的各个模态数据与绝缘子故障劣化的相关度:
。
S3:通过巡检员对绝缘子问题的描述,构建巡检员经验知识库;
所述巡检员经验知识库包括如下具体步骤:
S301:采集近x1年中x2个省份区域中x3起绝缘子劣化案例中x4个巡检员在本绝缘子劣化案例中关于绝缘子故障原因和劣化程度的描述语句,构成迭代更新的先验经验库;
S302:采集5个巡检员同时对该检测绝缘子的故障原因和劣化程度的描述语句,通过NLTK分词工具处理后,输入至先验经验库比对;
S303:当比对值大于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.75;
S304:当比对值小于等于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.25。
其中,所述相似阈值经由本领域技术人员通过大量实验数据拟合确定,相似阈值为0.866。
S4:根据步骤S2,构建绝缘子历史工作数据驱动库,通过多模态融合数据库中不断更新的实时数据驱动预测绝缘子的劣化趋势;
所述历史工作数据驱动库包括:输入层、过滤卷积层、采样层、全连接层和输出层。
过滤卷积层中卷积函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的卷积运算函数;
为第/>个模态数据在检测时间点为t时输入至输入层的数据值;
为过滤卷积层中过滤器的大小,/>为/>的自然指数函数;
n为在内,截取到的第/>个模态数据的第n个数据点;
N为在内,截取到的第/>个模态数据的数据点总个数。
S5:根据步骤S2-S4,对绝缘子的工作状态进行识别,并对绝缘子的故障原因和劣化程度进行判别诊断;
如图7所示,所述步骤S5中对绝缘子的故障原因和劣化程度的判别诊断的具体步骤如下:
S501:获得完成一次绝缘子综合检测的时间段内的五个模态数据,其中,五个模态数据分别为温度数据、环境湿度数据、实时外观图像数据、声波振动数据和电流数据;
S502:根据温-湿-图-声-电的多模态融合数据库、巡检员经验知识库和历史工作数据驱动库,预测绝缘子的劣化趋势,计算均值和标准差,获得绝缘子的健康模态数据区间;
S503:判断检测时间点为t时的五个模态数据是否处于健康模态数据区间,当t时的模态数据属于健康模态数据区间时,***输出为True,反之输出为False;
S504:根据步骤S503,当输出为True时,判断绝缘子健康;
当输出为False时,循环执行步骤S503,直至第3次输出仍为False时,停止循环步骤S503,并判断绝缘子故障劣化,***自动发出故障警示。
S6:通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。
所述步骤S6中的自助维护建议包括:
当图像模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:清洁绝缘子表面;
当电流模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:安装过压过流保护装置;
当声波模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:加固绝缘子连接固定支架;
当温度或湿度模态数据的相关度或/>的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:替换绝缘子。
如图4所示,该玻璃纤维增强塑料绝缘子被判别诊断为绝缘子故障劣化,其中,温度模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大,弹出自助维护建议:替换绝缘子。
实施例二:
如图2、5、6、7所示,本发明实施例的一种基于物联网的多劣化绝缘子综合检测***,如图2所示,包括如下模块:
数据的采集与传输模块、多模态融合数据模块、巡检员经验知识模块、历史工作数据驱动模块、绝缘子故障判别诊断模块以及绝缘子可视化模块;
如图5所示,以高原地区输电线路塔上的瓷质绝缘子串为例,对瓷质绝缘子串的劣化程度进行综合检测,具体步骤如下:
所述数据的采集与传输模块通过绝缘子中的内置传感器和监控设备,采集绝缘子的工作状态数据和外观图像数据,并通过无线通信将所述工作状态数据和外观图像数据传输到本地服务器;
所述绝缘子中的内置传感器包括:
温度传感器用于采集绝缘子实时工作状态下的温度数据;
湿度传感器用于采集绝缘子实时工作状态下的环境湿度数据;
振动传感器用于采集绝缘子实时工作状态下的声波振动数据;
电流传感器用于采集绝缘子实时工作状态下的电流数据。
所述实时工作状态数据和实时外观图像数据所构成的数据集包括:
;
其中,为联合数据集;
当时,/>为温度数据;当/>时,/>为湿度数据;当/>时,/>为实时外观图像数据;当/>时,/>为声波振动数据;当/>时,/>为电流数据;
;
其中,为差值数据集;/>为/>中第/>个模态数据的序号。
所述多模态融合数据模块用于构建温-湿-图-声-电的多模态融合数据库;
温-湿-图-声-电的多模态融合数据库的构建包括如下具体步骤:
S201:对采集的绝缘子的实时工作状态数据和实时外观图像数据进行数据清洗和图像去噪处理;
S202:根据步骤S201,通过对处理后的实时工作状态数据和实时外观图像数据进行数据对齐处理,将实时工作状态数据和实时外观图像数据对齐到同一采集时间点;
S203:计算温-湿-图-声-电的多模态融合数据库中数据的边缘函数和最优融合函数;
S204:计算温-湿-图-声-电的多模态融合数据库中各个模态数据与绝缘子故障劣化的相关度。
所述步骤S203包括:
边缘函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为完成一次绝缘子综合检测的时间段;
L为检测时间点为t时,第个模态数据的带宽;
n为在内,截取到的第/>个模态数据的第n个数据点,n为正整数;
N为在内,截取到的第/>个模态数据的数据点总个数;
为关于检测时间点t的核函数,该核函数用于实现五个模态数据在高维特征空间的线性可分;
为积分函数;
最优融合函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为条件选择函数,当同时满足时,所述条件选择函数值为1,反之为0。
所述步骤S204中各个模态数据与绝缘子故障劣化的相关度的计算策略如下:/>
;
其中,为对和/>分别在/>和/>上求积分;
为第/>个模态数据与绝缘子故障劣化的相关度;
计算获得该玻瓷质绝缘子的各个模态数据与绝缘子故障劣化的相关度:
。
所述巡检员经验知识模块用于优化历史工作数据驱动模块中对绝缘子的劣化趋势的预测结果;
巡检员经验知识库的构建包括如下具体步骤:
S301:采集近x1年中x2个省份区域中x3起绝缘子劣化案例中x4个巡检员在本绝缘子劣化案例中关于绝缘子故障原因和劣化程度的描述语句,构成迭代更新的先验经验库;
S302:采集5个巡检员同时对该检测绝缘子的故障原因和劣化程度的描述语句,通过NLTK分词工具处理后,输入至先验经验库比对;
S303:当比对值大于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.75;
S304:当比对值小于等于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.25。
所述历史工作数据驱动模块通过多模态融合数据库中不断更新的实时数据驱动预测绝缘子的劣化趋势;
历史工作数据驱动库包括:输入层、过滤卷积层、采样层、全连接层和输出层。
过滤卷积层中卷积函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的卷积运算函数;
为第/>个模态数据在检测时间点为t时输入至输入层的数据值;
为过滤卷积层中过滤器的大小,/>为/>的自然指数函数;
n为在内,截取到的第/>个模态数据的第n个数据点;
N为在内,截取到的第/>个模态数据的数据点总个数。
所述绝缘子故障判别诊断模块对绝缘子的工作状态进行识别,对绝缘子的故障原因和劣化程度进行判别诊断;
如图7所示,对绝缘子的故障原因和劣化程度的判别诊断的具体步骤如下:
S501:获得完成一次绝缘子综合检测的时间段内的五个模态数据,其中,五个模态数据分别为温度数据、环境湿度数据、实时外观图像数据、声波振动数据和电流数据;
S502:根据温-湿-图-声-电的多模态融合数据库、巡检员经验知识库和历史工作数据驱动库,预测绝缘子的劣化趋势,计算均值和标准差,获得绝缘子的健康模态数据区间;
S503:判断检测时间点为t时的五个模态数据是否处于健康模态数据区间,当t时的模态数据属于健康模态数据区间时,***输出为True,反之输出为False;
S504:根据步骤S503,当输出为True时,判断绝缘子健康;
当输出为False时,循环执行步骤S503,直至第3次输出仍为False时,停止循环步骤S503,并判断绝缘子故障劣化,***自动发出故障警示。
所述绝缘子可视化模块通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。
自助维护建议包括:
当图像模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:清洁绝缘子表面;
当电流模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:安装过压过流保护装置;
当声波模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:加固绝缘子连接固定支架;
当温度或湿度模态数据的相关度或/>的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:替换绝缘子。
如图6所示,该瓷质绝缘子被判别诊断为绝缘子故障劣化,其中,图像模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大,弹出自助维护建议:清洁绝缘子表面。
实施例三:
本实施例提供一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述任一项所述的一种基于物联网的多劣化绝缘子综合检测方法。
本实施例还提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项的一种基于物联网的多劣化绝缘子综合检测方法。
综上实施例,与现有技术相比,本发明的技术效果如下:
1、本发明构建了温-湿-图-声-电的多模态融合数据库,分析绝缘子的温度数据、环境湿度数据、实时外观图像数据、声波振动数据和电流数据,当出现某类数据缺失或不可靠时,可以通过其他模态数据进行填补校正,提升了数据的全面性与可靠性。
2、本发明构建了巡检员经验知识库,通过巡检员的丰富的实操经验来补充修正多模态融合数据库,弥补了绝缘子工作数据的不足,优化了数据库的性能同时也加强了数据库的鲁棒性。
3、本发明采用历史工作数据驱动预测绝缘子的劣化发展趋势,便于精确捕捉绝缘子深层的周期劣化规律,通过迭代更新的历史工作数据与实际情况对比,来实现对未来预测结果的合理评估与调整,避免了个人主观臆断的影响,可以准确客观地预测绝缘子的劣化趋势。
4、本发明中的绝缘子可视化模块,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议,能对绝缘子的故障及时发现并实时响应,可以避免绝缘子进一步劣化导致电网线路瘫痪,同时也减少了绝缘子故障的人为错报和误报,可靠性高;弹出的自助维护建议为巡检员提供了故障排除方案和操作指导,大大缩短了电网线路的停机时间、绝缘子故障处理和维护的时间,降低了维护成本。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。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 (14)
1.一种基于物联网的多劣化绝缘子综合检测方法,其特征在于:所述方法包括如下具体步骤:
S1:通过绝缘子中的内置传感器和监控设备,采集绝缘子的实时工作状态数据和实时外观图像数据,并通过无线通信将实时工作状态数据和实时外观图像数据传输到本地服务器;
S2:根据步骤S1,构建温-湿-图-声-电的多模态融合数据库;
S3:通过巡检员对绝缘子问题的描述,构建巡检员经验知识库;
S4:根据步骤S2,构建绝缘子历史工作数据驱动库,通过多模态融合数据库中不断更新的实时数据驱动预测绝缘子的劣化趋势;
S5:根据步骤S2-S4,对绝缘子的工作状态进行识别,并对绝缘子的故障原因和劣化程度进行判别诊断;
S6:通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。
2.根据权利要求1所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述S1中绝缘子中的内置传感器包括:
温度传感器用于采集绝缘子实时工作状态下的温度数据;
湿度传感器用于采集绝缘子实时工作状态下的环境湿度数据;
振动传感器用于采集绝缘子实时工作状态下的声波振动数据;
电流传感器用于采集绝缘子实时工作状态下的电流数据。
3.根据权利要求2所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述实时工作状态数据和实时外观图像数据所构成的数据集包括:
;
其中,为联合数据集;
当时,/>为温度数据;当/>时,/>为湿度数据;当/>时,/>为实时外观图像数据;当/>时,/>为声波振动数据;当/>时,/>为电流数据;
;
其中,为差值数据集;/>为/>中第/>个模态数据的序号。
4.根据权利要求3所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述S2中温-湿-图-声-电的多模态融合数据库的构建包括如下具体步骤:
S201:对采集的绝缘子的实时工作状态数据和实时外观图像数据进行数据清洗和图像去噪处理;
S202:根据步骤S201,通过对处理后的实时工作状态数据和实时外观图像数据进行数据对齐处理,将实时工作状态数据和实时外观图像数据对齐到同一采集时间点;
S203:计算温-湿-图-声-电的多模态融合数据库中数据的边缘函数和最优融合函数;
S204:计算温-湿-图-声-电的多模态融合数据库中各个模态数据与绝缘子故障劣化的相关度。
5.根据权利要求4所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述S203包括:
边缘函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为完成一次绝缘子综合检测的时间段;
L为检测时间点为t时,第个模态数据的带宽;
n为在内,截取到的第/>个模态数据的第n个数据点,n为正整数;
N为在内,截取到的第/>个模态数据的数据点总个数;
为关于检测时间点t的核函数,该核函数用于实现五个模态数据在高维特征空间的线性可分;
为积分函数;
最优融合函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为在/>内,截取到的第/>个模态数据的第n个数据点的样本边缘函数;
为条件选择函数,当同时满足时,所述条件选择函数值为1,反之为0。
6.根据权利要求5所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述步骤S204中各个模态数据与绝缘子故障劣化的相关度的计算策略如下:
;
其中,为对/>和分别在/>和/>上求积分;
为第/>个模态数据与绝缘子故障劣化的相关度。
7.根据权利要求6所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述巡检员经验知识库的构建包括如下具体步骤:
S301:采集近x1年中x2个省份区域中x3起绝缘子劣化案例中x4个巡检员在本绝缘子劣化案例中关于绝缘子故障原因和劣化程度的描述语句,构成迭代更新的先验经验库;
S302:采集5个巡检员同时对该检测绝缘子的故障原因和劣化程度的描述语句,通过NLTK分词工具处理后,输入至先验经验库比对;
S303:当比对值大于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.75;
S304:当比对值小于等于相似阈值时,5个巡检员对该检测绝缘子的故障原因和劣化程度的判断结果的置信度为0.25。
8.根据权利要求7所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述历史工作数据驱动库包括:输入层、过滤卷积层、采样层、全连接层和输出层。
9.根据权利要求8所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,过滤卷积层中卷积函数的计算策略如下:
;
其中:
为第/>个模态数据在检测时间点为t时的卷积运算函数;
为第/>个模态数据在检测时间点为t时输入至输入层的数据值;
为过滤卷积层中过滤器的大小,/>为/>的自然指数函数;
n为在内,截取到的第/>个模态数据的第n个数据点;
N为在内,截取到的第/>个模态数据的数据点总个数。
10.根据权利要求9所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述S5中对绝缘子的故障原因和劣化程度的判别诊断的具体步骤如下:
S501:获得完成一次绝缘子综合检测的时间段内的五个模态数据,其中,五个模态数据分别为温度数据、环境湿度数据、实时外观图像数据、声波振动数据和电流数据;
S502:根据温-湿-图-声-电的多模态融合数据库、巡检员经验知识库和历史工作数据驱动库,预测绝缘子的劣化趋势,计算均值和标准差,获得绝缘子的健康模态数据区间;
S503:判断检测时间点为t时的五个模态数据是否处于健康模态数据区间,当t时的模态数据属于健康模态数据区间时,***输出为True,反之输出为False;
S504:根据步骤S503,当输出为True时,判断绝缘子健康;
当输出为False时,循环执行步骤S503,直至第3次输出仍为False时,停止循环步骤S503,并判断绝缘子故障劣化,***自动发出故障警示。
11.根据权利要求10所述的一种基于物联网的多劣化绝缘子综合检测方法,其特征在于,所述S6中的自助维护建议包括:
当图像模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:清洁绝缘子表面;
当电流模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:安装过压过流保护装置;
当声波模态数据的相关度的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:加固绝缘子连接固定支架;
当温度或湿度模态数据的相关度或/>的值,在五个模态数据的相关度/>的值构成的数集中最大时,弹出自助维护建议:替换绝缘子。
12.一种基于物联网的多劣化绝缘子综合检测***,其基于如权利要求1-11任一项所述的一种基于物联网的多劣化绝缘子综合检测方法实现,其特征在于,所述***包括以下模块:数据的采集与传输模块、多模态融合数据模块、巡检员经验知识模块、历史工作数据驱动模块、绝缘子故障判别诊断模块以及绝缘子可视化模块;
所述数据的采集与传输模块通过绝缘子中的内置传感器和监控设备,采集绝缘子的工作状态数据和外观图像数据,并通过无线通信将所述工作状态数据和外观图像数据传输到本地服务器;
所述多模态融合数据模块用于构建温-湿-图-声-电的多模态融合数据库;
所述历史工作数据驱动模块通过多模态融合数据库中不断更新的实时数据驱动预测绝缘子的劣化趋势;
所述巡检员经验知识模块用于优化历史工作数据驱动模块中对绝缘子的劣化趋势的预测结果;
所述绝缘子故障判别诊断模块对绝缘子的工作状态进行识别,对绝缘子的故障原因和劣化程度进行判别诊断;
所述绝缘子可视化模块通过绝缘子的三维几何建模,将绝缘子的工作状态以图形化界面展示,对故障绝缘子自动发出故障警示,并弹出自助维护建议。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1-11中任一项所述的一种基于物联网的多劣化绝缘子综合检测方法。
14.一种设备,其特征在于,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述设备执行实现如权利要求1-11任一项所述的一种基于物联网的多劣化绝缘子综合检测方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403619.2A CN117129815B (zh) | 2023-10-27 | 2023-10-27 | 一种基于物联网的多劣化绝缘子综合检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403619.2A CN117129815B (zh) | 2023-10-27 | 2023-10-27 | 一种基于物联网的多劣化绝缘子综合检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117129815A true CN117129815A (zh) | 2023-11-28 |
CN117129815B CN117129815B (zh) | 2024-02-02 |
Family
ID=88853088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311403619.2A Active CN117129815B (zh) | 2023-10-27 | 2023-10-27 | 一种基于物联网的多劣化绝缘子综合检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117129815B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554578A (zh) * | 2024-01-11 | 2024-02-13 | 国网江苏省电力工程咨询有限公司 | 一种特高压工程材料的模块化监测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124949A (zh) * | 2016-08-30 | 2016-11-16 | 国网山东省电力公司济南供电公司 | 一种基于热红外成像技术对绝缘子故障在线监测方法 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
WO2021185177A1 (zh) * | 2020-03-16 | 2021-09-23 | 福建省特种设备检验研究院 | 基于多数据采集的石化常压储油罐健康状态评估方法 |
CN114034997A (zh) * | 2021-11-10 | 2022-02-11 | 国网江苏省电力有限公司检修分公司 | 一种基于多参量的绝缘子劣化程度预测方法及*** |
CN115600928A (zh) * | 2022-11-01 | 2023-01-13 | 国网河南省电力公司超高压公司(Cn) | 基于oao-rvm的gis盆式绝缘子状态评估方法 |
CN116184948A (zh) * | 2022-12-19 | 2023-05-30 | 北京市市政工程设计研究总院有限公司 | 一种水厂的智能监盘及预警诊断技术的应用***及方法 |
-
2023
- 2023-10-27 CN CN202311403619.2A patent/CN117129815B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124949A (zh) * | 2016-08-30 | 2016-11-16 | 国网山东省电力公司济南供电公司 | 一种基于热红外成像技术对绝缘子故障在线监测方法 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
WO2021185177A1 (zh) * | 2020-03-16 | 2021-09-23 | 福建省特种设备检验研究院 | 基于多数据采集的石化常压储油罐健康状态评估方法 |
CN114034997A (zh) * | 2021-11-10 | 2022-02-11 | 国网江苏省电力有限公司检修分公司 | 一种基于多参量的绝缘子劣化程度预测方法及*** |
CN115600928A (zh) * | 2022-11-01 | 2023-01-13 | 国网河南省电力公司超高压公司(Cn) | 基于oao-rvm的gis盆式绝缘子状态评估方法 |
CN116184948A (zh) * | 2022-12-19 | 2023-05-30 | 北京市市政工程设计研究总院有限公司 | 一种水厂的智能监盘及预警诊断技术的应用***及方法 |
Non-Patent Citations (3)
Title |
---|
LINFENG WANG 等: "Sustainable Analysis of Insulator Fault Detection Based on Fine-Grained Visual Optimization", SUSTAINABILITY, vol. 15, no. 04, pages 1 - 14 * |
王宁;黄锐;吕俊涛;邢海文;: "基于热像信息融合技术的绝缘子故障分类研究", 电气应用, vol. 36, no. 23, pages 26 - 29 * |
王永强 等: "基于FLN的覆雪绝缘子闪络电压预测方法", 电瓷避雷器, no. 06, pages 241 - 245 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554578A (zh) * | 2024-01-11 | 2024-02-13 | 国网江苏省电力工程咨询有限公司 | 一种特高压工程材料的模块化监测方法及*** |
CN117554578B (zh) * | 2024-01-11 | 2024-03-12 | 国网江苏省电力工程咨询有限公司 | 一种特高压工程材料的模块化监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117129815B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
CN117129815B (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和*** | |
CN112528519A (zh) | 发动机质量预警服务的方法、***、可读介质和电子设备 | |
CA3059937A1 (en) | User credit evaluation method and device, electronic device, storage medium | |
CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
CN111708687B (zh) | 一种设备异常指标确定方法、装置、设备和存储介质 | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及*** | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
CN116418117A (zh) | 一种用于智能电网的设备检测*** | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警***及方法 | |
CN116611593A (zh) | 用于预测空压机的故障的方法、设备和介质 | |
Huang et al. | A method of transmission conductor-loosened detect based on image sensors | |
CN117456609A (zh) | 一种异常行为检测方法、装置、设备及存储介质 | |
CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
CN115294048A (zh) | 一种异物检测方法、装置、设备及存储介质 | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 | |
CN117706284A (zh) | 一种变电站一次设备放电预警检测方法及*** |
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 |