CN118134933A - 用于变电设备状态感知的sf6泄漏定量检测方法及*** - Google Patents
用于变电设备状态感知的sf6泄漏定量检测方法及*** Download PDFInfo
- Publication number
- CN118134933A CN118134933A CN202410559119.6A CN202410559119A CN118134933A CN 118134933 A CN118134933 A CN 118134933A CN 202410559119 A CN202410559119 A CN 202410559119A CN 118134933 A CN118134933 A CN 118134933A
- Authority
- CN
- China
- Prior art keywords
- leakage
- gas cloud
- image
- quantitative detection
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 230000009466 transformation Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000003709 image segmentation Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 229910018503 SF6 Inorganic materials 0.000 description 128
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 128
- 239000007789 gas Substances 0.000 description 103
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 229960000909 sulfur hexafluoride Drugs 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 240000004282 Grewia occidentalis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种用于变电设备状态感知的SF6泄漏定量检测方法及***,所述方法包括获取变电设备红外视频图像并进行多帧合成预处理;对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。本发明不仅能够自动检测出SF6泄漏点位置,还将SF6泄漏气体云团形态与泄漏处气体浓度相结合,定量分析SF6泄漏率,为后续变电设备状态感知提供量化参考。
Description
技术领域
本发明属于电力设备SF6气体泄漏检测技术领域,具体涉及一种用于变电设备状态感知的SF6泄漏定量检测方法及***。
背景技术
SF6是一种无色无味气体,因其优异的绝缘和灭弧性能被广泛应用于电力领域。而在电力设备运行过程中,由密封问题导致的SF6泄漏时有发生。SF6压力降低时,设备的绝缘水平下降,开关类设备灭弧性能降低,严重影响电力设备的运行安全。此外,由于SF6气体密度较大,室内环境中泄漏的SF6将向底部积聚,会对人体产生危害。SF6气体同时也是一种破坏力很强的温室气体,SF6泄漏导致的环境问题不容小觑。因此,当电力设备出现SF6泄漏问题时,及时准确地发现泄漏点,并依据气体泄漏率采取相应处理措施,对保障设备及人员安全意义重大。
近年来,得益于红外热成像技术距离远、非接触和动态直观等优势,以红外热成像技术为原理的SF6泄漏检测在电力领域得到了广泛应用,但仍存在诸多挑战,如采用红外成像的方式进行SF6泄漏检测的方案,大都采用图像比对的方法,通过不同视频帧之间的变化对SF6泄漏点进行标注,但是通过视频帧之间的变化分析SF6泄漏点,在气体泄漏量大、喷射速度快时具有一定效果,不适用于气体缓慢泄漏的情况,且对于手持式红外成像仪而言,由于手部抖动,视频帧比对算法效果不佳;也有方案采用图像增强算法使得SF6气体在图像上更加明显,从而便于操作人员发现泄漏点,即当前广泛采用的SF6图像增强算法仍需要人工对红外视频图像进行分析判断,未能有效减少人员操作。此外,红外成像技术仅能对SF6气体泄漏进行定性分析,无法定量分析气体泄漏情况,导致处理设备漏气缺陷时缺乏准确量化的依据。且在SF6气体泄漏定量检测方面,当前广泛使用的手持式检漏仪仅能对泄漏处SF6浓度进行测量,无法准确分析气体泄漏率。根据行业规定,电气设备六氟化硫的年泄漏率不得超过0.5%,泄漏率一旦超过标准值就要进行相应的处理。而传统的定量检测方法有扣罩法、挂瓶法、局部包扎法、压降法等,这些方法基本都需要数十小时,不仅费时费力,而且部分位置还需要停电才能进行检测。因此通常通过两次补气的间隔时间来判断六氟化硫泄漏率如何,一般两次补气间隔时间小于半年,则设备被评为异常状态,需要进行相应检修,而这两次补气间断时间内泄漏的六氟化硫就可能会对环境、人员造成损伤。因此亟需一种即时的定量检测方法,为及时作出检修决策助力。
发明内容
为解决现有技术中存在的不足,本发明提供一种用于变电设备状态感知的SF6泄漏定量检测方法及***,不仅能够自动检测出SF6泄漏点位置,还将SF6泄漏气体云团形态与泄漏处气体浓度相结合,定量分析SF6泄漏率,为后续变电设备状态感知提供量化参考。
本发明采用如下的技术方案。
一种用于变电设备状态感知的SF6泄漏定量检测方法,包括:
步骤 1,获取变电设备红外视频图像并进行多帧合成预处理;
步骤 2,对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;
步骤 3,对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;
步骤 4,根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。
优选地,步骤1中,进行多帧合成预处理的方式为:从变电设备红外视频中提取连续三帧图像,作为前帧、参考帧和后帧,并计算帧间SAD;根据帧间SAD计算每帧数据的权重,并进行多帧图像加权融合,生成降噪后的图像红外视频图像,即为预处理后的红外视频图像。
优选地,步骤2中,对预处理后的红外视频图像进行SF6泄漏气体云团检测,在红外视频图像上获得气体云团矩形标注,具体如下:
采用堆叠多个残差模块的Darknet-53网络,对预处理后的红外视频图像进行多次下采样;
构建FPN特征金字塔,对多次下采样后图像中的气体云团进行加强特征提取,得到气体云团边界框;
利用YOLO Head获取气体云团图像的预测结果,以气体云团边界框作为气体云团矩形标注的图像分割界限,对预测结果进行气体云团矩形标注。
优选地,步骤3具体包括:对矩形标注区域图像进行图像像素面积计算与分割条件判断,满足分割条件则采用预训练的U2-Net图像分割模型对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像,否则返回步骤1。
优选地,图像像素面积计算公式为:;其中m,n分别为矩形标注区域图像长度方向、宽度方向的像素数;
分割条件为:;其中/>为阈值。
优选地,采用预训练的U2-Net图像分割模型对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像的具体步骤如下:
预训练的U2-Net图像分割模型采用编码器对红外视频图像中矩形标注的气体云团区域进行图像特征提取;
采用解码器将提取出的图像特征映射回矩形标注的气体云团区域;
利用自注意力机制捕捉原始图像细节和边缘信息,将红外视频图像中矩形标注的气体云团分离出来。
优选地,步骤4中,取气体云团图像中SF6浓度值最高点为SF6泄漏点;
按照以下公式确定气体云团中心:
、/>,
其中,表示气体云团中心的横、纵坐标;
n为气体云团中的像素点总数;
x i 、y i 为第i个像素点的横、纵坐标;
w i 为第i个像素点的权重。
优选地,,
,
,
其中,是平衡系数;/>为亮度权重;/>是像素点的亮度值;/>是调节系数;为空间密度权重;/>是设定半径内邻近像素点的数量,/>是阈值。
优选地,步骤4中,通过负电晕放电传感器测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值,其中云团边缘的SF6浓度值采用多个边缘点浓度值取均值的方式确定;所述现场环境数据为风速。
优选地,步骤4中,SF6泄漏率的计算公式为:
,
其中,(l=L、C、E)表示SF6浓度值;Q是SF6泄漏率;σ y 和σ z 是扩散参数;U是风速;x,y,z是视频图像采集点相对于泄漏点的横、纵、竖轴坐标;H是泄漏点的高度;
将SF6泄漏点、气体云团中心、云团边缘的SF6浓度值C L ,C C ,C E 分别代入所述计算公式,求解得出SF6泄漏率Q、σ y 和σ z ,其中Q即为定量检测得到的SF6泄漏率。
一种用于变电设备状态感知的SF6泄漏定量检测***,包括:
图像获取模块,用于获取变电设备红外视频图像并进行多帧合成预处理;
气体云团标注模块,用于对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;
气体云团分离模块,用于对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;
SF6泄漏率计算模块,用于根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。
一种终端,包括处理器及存储介质;所述存储介质用于存储指令;所述处理器用于根据所述指令进行操作以执行所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于,与现有技术相比:
1、本发明在SF6泄漏定量分析方面,首次提出了对SF6泄漏率进行准确定量分析,为及时作出检修决策助力;
2、本发明基于帧间SAD实现了多帧图像的关键信息提取,并自动排除了噪点,利用多帧图像合成最终的红外视频图像,有效提升了图像质量,可有效减少了后续计算消耗;
3、本发明对红外视频图像进行实时检测,自动将泄漏气体云团在图像中进行框选标注,在图像上动态直观地标注SF6泄漏位置,便于操作人员快速准确发现SF6泄漏点,降低了操作人员工作量,提升了SF6漏点检测的准确性及检测效率;
4、本发明通过对SF6气体云团进行图像分割,结合气体云团中心、SF6泄漏率的计算公式,通过手持式负电晕放电传感器测量的漏点处多点SF6浓度值和环境数据,实现了SF6气体泄漏率的定量计算分析,为后续维修提供数据支持。其中分割模型中引入自注意力机制,使模型具备更高的捕捉原始图像细节和边缘信息能力,从而实现对SF6泄漏气体云团图像的精准分割,并根据SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据计算SF6泄漏率。
附图说明
图1是本发明一种用于变电设备状态感知的SF6泄漏定量检测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例,都属于本发明的保护范围。
如图1所示,本发明实施例1提供一种用于变电设备状态感知的SF6泄漏定量检测方法,所述方法包括以下步骤:
步骤 1,获取变电设备红外视频图像并进行多帧合成预处理;
采用变电站内安装的固定式SF6气体检测红外成像仪或手持式SF6气体检测红外成像仪,对可能存在SF6泄漏的螺栓、法兰、补气接口等位置进行拍摄,采集红外视频图像并进行多帧合成预处理,保存该位置设备的预处理后红外视频图像。
考虑到原始视频帧率较高,直接进行目标检测计算量大,先通过多帧合成对原视频进行处理,提高图像质量。具体可采用降噪算法将原视频帧率降低到每秒1帧图像,处理步骤为:
步骤1.1,从变电设备红外视频中提取连续三帧图像,作为前帧、参考帧和后帧,并计算帧间SAD;
帧间SAD计算方法:通过比较连续帧之间相应像素点的灰度值差异,计算其绝对值之和,得到帧间SAD值。SAD值能有效反映帧间的变化程度,为后续帧权重确定提供关键数据;
还可对参考帧、前帧、后帧进行梯度分析:通过计算各帧内像素的水平与垂直梯度并求均值,从而准确识别和跟踪SF6气体泄漏的动态变化。该过程利用梯度结果明显突出气体云团的运动轨迹,为定量检测提供依据。
步骤1.2,根据帧间SAD计算每帧数据的权重,并进行多帧图像加权融合,生成降噪后的图像红外视频图像,即为预处理后的红外视频图像。
根据帧间SAD确定帧权重:根据每帧与参考帧之间的SAD值,分配权重。SAD值较低的帧,即图像变化较小、信息更稳定的帧,将被赋予更高的权重。
多帧图像合成应用:利用计算得到的帧权重,对多帧图像进行加权融合,生成降噪后的红外视频图像。此方法通过优选信息量大、噪声小的帧,提升泄漏检测的准确性和图像质量。
步骤 2,对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;
采用基于Yolo v3的目标检测模型对预处理后的红外视频图像进行SF6泄漏气体云团检测,在红外视频图像画面上获得气体云团矩形标注;
其中Yolo v3是一种常用的图像目标检测算法,基于Yolo v3的目标检测模型是指在模型训练过程中,使用含泄漏气体云团标注的数据进行训练,从而使得模型获得检测泄漏气体云团的能力。将视频中的每一帧图像均输入训练好的模型,基于Yolo v3的目标检测模型将自动对图中的泄漏气体云团进行标注(矩形框形式),模型输出结果为标注矩形框的四角顶点坐标。
进一步的,采用基于Yolo v3的目标检测模型对预处理后的红外视频图像进行SF6泄漏气体云团检测,在红外视频图像上获得气体云团矩形标注,具体步骤如下:
步骤2.1,采用堆叠多个残差模块的Darknet-53网络,对预处理后的红外视频图像进行多次下采样;
步骤2.2,构建FPN特征金字塔,对多次下采样后图像中的气体云团进行加强特征提取,得到气体云团边界框;
步骤2.3,利用YOLO Head获取气体云团图像的预测结果,以气体云团边界框作为气体云团矩形标注的图像分割界限,对预测结果进行气体云团矩形标注。
步骤 3,对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;
将步骤2中得到的矩形区域图像作为输入,使用U2-Net图像分割算法,将泄漏气体云团从图像中分离,具体包括如下步骤:
步骤 3.1,对矩形标注区域图像进行图像像素面积计算与分割条件判断,满足分割条件则进入步骤 3.2,否则返回步骤1;
进行图像分割前,需首先保证目标矩形在整个画面中的像素占比超过一定阈值,这是为了确保待分割的气体云团完整出现且占据画面的主***置,从而保证画面分割效果及后续计算的准确度。具体的:
图像像素面积计算公式为:;其中m,n分别为矩形标注区域图像长度方向、宽度方向的像素数;
分割条件为:;其中/>为阈值。
即设矩形标注区域图像长度方向像素数为m,宽度方向像素数为n,阈值为,则当时,进行步骤3.2中的分割计算,否则提示用户移近红外成像仪重新拍摄。
步骤 3.2,采用预训练的U2-Net图像分割模型对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像。
将满足分割条件的矩形标注区域图像输入预训练的U2-Net图像分割模型中(即此处采用的入U2-Net图像分割模型已在气体云团分割任务上进行了预训练),U2-Net图像分割模型的输出结果为长宽像素数均与原图相同的二值掩码矩阵,其中掩码矩阵中1对应的像素为气体云团图像,0对应的像素为背景图像。具体的分离步骤如下:
预训练的U2-Net图像分割模型采用编码器对红外视频图像中矩形标注的气体云团区域进行图像特征提取;
采用解码器将提取出的图像特征映射回矩形标注的气体云团区域;
利用自注意力机制捕捉原始图像细节和边缘信息,将红外视频图像中矩形标注的气体云团分离出来。
步骤 4,根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。
其中取气体云团图像中SF6浓度值最高点(即颜色最深的点)为SF6泄漏点;
按照以下公式确定气体云团中心坐标:
、/>
其中,表示气体云团中心的横、纵坐标;
n为气体云团中的像素点总数;
x i 、y i 为第i个像素点的横、纵坐标;
w i 为第i个像素点的权重,由像素亮度和密度决定。
像素点的权重计算可按照以下方式进行:
, 其中,/> 是一个用于平衡亮度权重和空间密度权重的系数;
为亮度权重,将像素点的亮度值转换为权重:
,
其中是像素点的亮度值,/>是一个调节系数;/>为空间密度权重,基于像素点周围邻近像素的数量来计算:
,
其中 是设定半径内邻近像素点的数量,/>是阈值。 基于上述分析可知,SF6气体泄漏率计算,具体包括如下步骤。
步骤 4.1,使用手持式负电晕放电传感器对漏点、SF6气体云团中心、云团边缘三点分别测量SF6浓度值。具体为:在SF6泄漏点(L),采集SF6浓度值(C L ),单位为ppm;在气体云团中心(C)和边缘(E)分别采集SF6浓度值(C C 和C E )。其中云团边缘的SF6浓度值C E 可根据实际情况采用边缘任一点浓度值或多个边缘点浓度值取均值的方式确定。
使用相关仪器测量风速,单位为米/秒(m/s)。
步骤 4.2,变电站内SF6泄漏可近似看作开阔且平坦的地区、大气条件均一的连续点源式的扩散,对气体泄漏情况进行SF6泄漏率建模。将图像分割后的图像近似看作等浓度面,由风速及多点SF6浓度值可反推气体扩散流速度。
SF6泄漏率计算模型为:
,
其中,(l=L、C、E)表示SF6浓度值;Q是未知的SF6泄漏率;σ y 和σ z 是扩散参数,与环境条件相关;U是风速;x,y,z是视频图像采集点相对于泄漏点的坐标;H是泄漏点的高度。
将测量得到的SF6浓度值C L ,C C ,C E 分别代入上述模型中,通过求解可得出SF6泄漏率Q、σ y 和σ z ,其中Q即为本发明定量检测得到的SF6泄漏率。
本发明实施例2提供一种用于变电设备状态感知的SF6泄漏定量检测***,包括:
图像获取模块,用于获取变电设备红外视频图像并进行多帧合成预处理;
气体云团标注模块,用于对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;
气体云团分离模块,用于对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;
SF6泄漏率计算模块,用于根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。
一种终端,包括处理器及存储介质;所述存储介质用于存储指令;所述处理器用于根据所述指令进行操作以执行根据所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于,与现有技术相比:
1、本发明在SF6泄漏定量分析方面,首次提出了对SF6泄漏率进行准确定量分析,为及时作出检修决策助力;
2、本发明基于帧间SAD实现了多帧图像的关键信息提取,并自动排除了噪点,利用多帧图像合成最终的红外视频图像,有效提升了图像质量,可有效减少了后续计算消耗;
3、本发明对红外视频图像进行实时检测,自动将泄漏气体云团在图像中进行框选标注,在图像上动态直观地标注SF6泄漏位置,便于操作人员快速准确发现SF6泄漏点,降低了操作人员工作量,提升了SF6漏点检测的准确性及检测效率;
4、本发明通过对SF6气体云团进行图像分割,结合气体云团中心、SF6泄漏率的计算公式,通过手持式负电晕放电传感器测量的漏点处多点SF6浓度值和环境数据,实现了SF6气体泄漏率的定量计算分析,为后续维修提供数据支持。其中分割模型中引入自注意力机制,使模型具备更高的捕捉原始图像细节和边缘信息能力,从而实现对SF6泄漏气体云团图像的精准分割,并根据SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据计算SF6泄漏率。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于,所述方法包括:
步骤 1,获取变电设备红外视频图像并进行多帧合成预处理;
步骤 2,对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;
步骤 3,对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;
步骤 4,根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。
2.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
步骤1中,进行多帧合成预处理的方式为:从变电设备红外视频中提取连续三帧图像,作为前帧、参考帧和后帧,并计算帧间SAD;根据帧间SAD计算每帧数据的权重,并进行多帧图像加权融合,生成降噪后的图像红外视频图像,即为预处理后的红外视频图像。
3.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
步骤2中,对预处理后的红外视频图像进行SF6泄漏气体云团检测,在红外视频图像上获得气体云团矩形标注,具体如下:
采用堆叠多个残差模块的Darknet-53网络,对预处理后的红外视频图像进行多次下采样;
构建FPN特征金字塔,对多次下采样后图像中的气体云团进行加强特征提取,得到气体云团边界框;
利用YOLO Head获取气体云团图像的预测结果,以气体云团边界框作为气体云团矩形标注的图像分割界限,对预测结果进行气体云团矩形标注。
4.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
步骤3具体包括:对矩形标注区域图像进行图像像素面积计算与分割条件判断,满足分割条件则采用预训练的U2-Net图像分割模型对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像,否则返回步骤1。
5.根据权利要求4所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
图像像素面积计算公式为: ;其中m,n分别为矩形标注区域图像长度方向、宽度方向的像素数;
分割条件为:;其中/>为阈值。
6.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
采用预训练的U2-Net图像分割模型对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像的具体步骤如下:
预训练的U2-Net图像分割模型采用编码器对红外视频图像中矩形标注的气体云团区域进行图像特征提取;
采用解码器将提取出的图像特征映射回矩形标注的气体云团区域;
利用自注意力机制捕捉原始图像细节和边缘信息,将红外视频图像中矩形标注的气体云团分离出来。
7.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
步骤4中,取气体云团图像中SF6浓度值最高点为SF6泄漏点;
按照以下公式确定气体云团中心:
、/>,
其中,表示气体云团中心的横、纵坐标;
n 为气体云团中的像素点总数;
x i 、y i 为第 i 个像素点的横、纵坐标;
w i 为第 i 个像素点的权重。
8.根据权利要求7所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
,
,
,
其中, 是平衡系数;/>为亮度权重;/> 是像素点的亮度值;/> 是调节系数;为空间密度权重;/> 是设定半径内邻近像素点的数量,/> 是阈值。
9.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
步骤4中,通过负电晕放电传感器测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值,其中云团边缘的SF6浓度值采用多个边缘点浓度值取均值的方式确定;所述现场环境数据为风速。
10.根据权利要求1所述的一种用于变电设备状态感知的SF6泄漏定量检测方法,其特征在于:
步骤4中,SF6泄漏率的计算公式为:
,
其中,(l= L、C、E)表示SF6浓度值;Q 是SF6泄漏率;σ y 和 σ z 是扩散参数;U 是风速;x, y, z 是视频图像采集点相对于泄漏点的横、纵、竖轴坐标;H 是泄漏点的高度;
将SF6泄漏点、气体云团中心、云团边缘的SF6浓度值C L ,C C ,C E 分别代入所述计算公式,求解得出SF6泄漏率 Q、σ y 和 σ z ,其中Q即为定量检测得到的SF6泄漏率。
11.一种用于变电设备状态感知的SF6泄漏定量检测***,利用权利要求1-10任一项所述方法,其特征在于:所述***包括:
图像获取模块,用于获取变电设备红外视频图像并进行多帧合成预处理;
气体云团标注模块,用于对预处理后的红外视频图像进行SF6泄漏气体云团检测与矩形标注;
气体云团分离模块,用于对矩形标注区域图像进行分割,分离出SF6泄漏气体云团图像;
SF6泄漏率计算模块,用于根据SF6泄漏气体云团图像确定SF6泄漏点、气体云团中心、云团边缘,并测量SF6泄漏点、气体云团中心、云团边缘的SF6浓度值以及现场环境数据,进而计算得到SF6泄漏率。
12.一种终端,包括处理器及存储介质;其特征在于:所述存储介质用于存储指令;所述处理器用于根据所述指令进行操作以执行根据权利要求1-10任一项所述方法的步骤。
13.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410559119.6A CN118134933A (zh) | 2024-05-08 | 2024-05-08 | 用于变电设备状态感知的sf6泄漏定量检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410559119.6A CN118134933A (zh) | 2024-05-08 | 2024-05-08 | 用于变电设备状态感知的sf6泄漏定量检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134933A true CN118134933A (zh) | 2024-06-04 |
Family
ID=91238176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410559119.6A Pending CN118134933A (zh) | 2024-05-08 | 2024-05-08 | 用于变电设备状态感知的sf6泄漏定量检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134933A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190340914A1 (en) * | 2018-05-03 | 2019-11-07 | Quantum IR Technologies, LLC | Infrared imaging systems and methods for gas leak detection |
CN110672278A (zh) * | 2019-10-16 | 2020-01-10 | 北京工业大学 | 一种基于红外成像定量遥测生产装置VOCs泄漏的方法 |
CN111033231A (zh) * | 2017-06-12 | 2020-04-17 | 前视红外***股份公司 | 用于量化气体泄漏的***和方法 |
CN111537157A (zh) * | 2020-05-11 | 2020-08-14 | 嘉兴极光物联网科技有限公司 | 直观定性和精确定量协同高效检测气体泄漏的方法及*** |
CN115909180A (zh) * | 2023-01-04 | 2023-04-04 | 中环碳和(北京)科技有限公司 | 一种六氟化硫测量方法 |
-
2024
- 2024-05-08 CN CN202410559119.6A patent/CN118134933A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111033231A (zh) * | 2017-06-12 | 2020-04-17 | 前视红外***股份公司 | 用于量化气体泄漏的***和方法 |
US20190340914A1 (en) * | 2018-05-03 | 2019-11-07 | Quantum IR Technologies, LLC | Infrared imaging systems and methods for gas leak detection |
CN110672278A (zh) * | 2019-10-16 | 2020-01-10 | 北京工业大学 | 一种基于红外成像定量遥测生产装置VOCs泄漏的方法 |
CN111537157A (zh) * | 2020-05-11 | 2020-08-14 | 嘉兴极光物联网科技有限公司 | 直观定性和精确定量协同高效检测气体泄漏的方法及*** |
CN115909180A (zh) * | 2023-01-04 | 2023-04-04 | 中环碳和(北京)科技有限公司 | 一种六氟化硫测量方法 |
Non-Patent Citations (2)
Title |
---|
沙利文: "《电力***规划》", 31 December 1984, pages: 117 - 119 * |
王琦等: ""被动式红外成像气体目标智能检测算法及量化研究进展"", 《控制与决策》, vol. 38, no. 8, 31 August 2023 (2023-08-31), pages 2265 - 2282 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN111583198A (zh) | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN111598156B (zh) | 基于多源异构数据融合的pm2.5预测方法 | |
CN103605983B (zh) | 一种遗留物检测和跟踪方法 | |
CN112669344A (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
CN113516124A (zh) | 基于计算机视觉技术的电能表用电信息识别算法 | |
CN109670398A (zh) | 一种猪只图像的分析方法及设备 | |
CN112784835B (zh) | 圆形***的真实性识别方法、装置、电子设备及存储介质 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN101996307A (zh) | 智能视频人体识别方法 | |
CN109389569A (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN114220009A (zh) | 一种基于红外图像的导线风偏识别方法与*** | |
CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN117333776A (zh) | VOCs气体泄漏检测方法、装置及存储介质 | |
CN113344475A (zh) | 基于序列模态分解的变压器套管缺陷识别方法及*** | |
CN115797846A (zh) | 一种风力发电叶片区块缺陷比对方法、装置及电子设备 | |
CN108921826A (zh) | 超像素分割与深度学习相结合的输电线路入侵物检测方法 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警***及方法 | |
Yi et al. | Insulator and defect detection model based on improved YOLO-S | |
CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
CN111414938A (zh) | 一种板式换热器内气泡的目标检测方法 | |
CN113936034A (zh) | 一种结合帧间光流的表观运动联合弱小运动目标检测方法 | |
CN112153320B (zh) | 一种物品尺寸的测量方法、装置、电子设备和存储介质 |
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 |