主要电力设备故障图像特征及识别方法研究

合集下载

变电站设备状态监测与故障诊断方法研究

变电站设备状态监测与故障诊断方法研究

变电站设备状态监测与故障诊断方法研究摘要:本文研究了变电站设备状态监测与故障诊断的方法。

首先介绍了变电站设备状态监测的重要性,然后阐述了变电站设备故障诊断的方法,包括基于信号处理的方法和基于人工智能的方法。

接着,本文提出了基于混合模型的故障诊断方法,该方法结合了信号处理和人工智能的优势,能够更准确地识别设备故障。

关键词:变电站设备;状态监测;故障诊断;混合模型引言:随着现代社会对能源的依赖程度不断提高,电力系统的安全性和可靠性成为了重要的关注点。

变电站作为电力系统中的核心设施,承担着将输电线路上的高压电能转化为低压电能的重要任务,变电站设备的状态监测与故障诊断显得尤为重要。

变电站设备是电力系统的重要组成部分,其运行状态直接影响到电力系统的稳定性和安全性。

因此,对变电站设备进行状态监测和故障诊断,及时发现并处理设备故障,对于保障电力系统的稳定运行具有重要意义。

一、变电站设备状态监测方法变电站设备状态监测主要包括对设备的温度、压力、电流、电压等参数的监测。

常用的监测方法有基于信号处理的方法和基于人工智能的方法。

(一)基于信号处理的方法基于信号处理的方法主要是通过对设备运行时的信号进行分析和处理,提取出与设备状态相关的特征信息。

常用的信号处理方法有傅里叶变换、小波变换等。

这些方法能够有效地提取出设备运行时的频率信息、时域波形等特征,为后续的故障诊断提供依据。

[1](二)基于人工智能的方法基于人工智能的方法主要是利用神经网络、支持向量机等机器学习算法对设备运行时的数据进行学习和分类,从而实现故障诊断。

这些方法能够自动地学习和提取出与设备状态相关的特征信息,提高了故障诊断的准确性和效率。

二、变电站设备故障诊断方法变电站设备故障诊断方法主要有基于信号处理的方法和基于人工智能的方法。

基于信号处理的方法主要包括频谱分析、小波变换等方法,能够有效地提取出设备运行时的频率信息、时域波形等特征,为后续的故障诊断提供依据。

电力系统故障波形图中关键点识别及分析

电力系统故障波形图中关键点识别及分析
危害:谐波干扰会导致电力设备过热、产生噪音、降低设备寿命,严重时甚至会导致设备损坏或 系统瘫痪。
关键点分析:在电力系统故障波形图中,谐波干扰的分析是关键。通过对波形图的观察和分析, 可以确定谐波干扰的来源、传播途径和影响范围,为后续的治理提供依据。
PART FOUR
故障定位:通 过关键点识别, 快速准确地定 位电力系统中 的故障位置。
故障类型识别: 根据关键点的 特征,识别出 故障的类型, 如短路、断线
等。
保护装置动作 评估:利用关 键点识别技术, 评估保护装置 的动作行为是
否正确。
故障恢复与预防: 通过对关键点的 分析,制定针对 性的故障恢复和 预防措施,提高 电力系统的稳定
性和可靠性。
故障发生背景:某地区电力系统出现故障,导致大面积停电 关键点识别:通过故障波形图识别出故障发生的原因 案例分析:分析故障发生的原因,如设备老化、人为操作失误等 解决方案:提出相应的解决方案,如更换设备、加强人员培训等
分析方法:通过观察 曲线的变化趋势和特 征,结合实际运行经 验,对故障进行定位 和定性分析
短路故障波形 图
断相故障波形 图
接地故障波形 图
谐振故障波形 图
电压幅值:表示故障发生时电压的大小 波形畸变:表示电压波形是否正常 频率:表示电压的频率是否正常 相位差:表示不同相位的电压之间的角度差是否正常
远程监控技术:实 时监测电力系统的 运行状态,及时发 现故障并进行处理
智能运维:利用大数 据、人工智能等技术 对电力系统进行智能 化管理,提高运维效 率
发展趋势:随着物联 网、5G等技术的发展 ,远程监控与智能运 维将更加普及和智能 化
展望:未来电力系统 将实现全面远程监控 与智能运维,提高电 力系统的安全性和稳 定性

电力系统中的故障诊断与智能分析技术研究

电力系统中的故障诊断与智能分析技术研究

电力系统中的故障诊断与智能分析技术研究随着电力系统规模的不断扩大和复杂性的增加,电网故障诊断和智能分析技术变得越来越重要。

故障诊断是指利用各种技术手段和算法来检测、定位和诊断电网中的故障现象。

而智能分析技术则是基于大数据和人工智能算法,将电网运行数据进行分析和挖掘,以提高电网的可靠性和安全性。

本文将介绍电力系统中故障诊断与智能分析技术的研究现状和发展趋势。

电力系统中的故障诊断技术主要包括状态监测和故障诊断两个方面。

状态监测是通过实时采集和分析电力设备的工作状态参数,监测电网的运行状态和设备的健康状况。

故障诊断则是在发生故障时,通过对电网故障信号的分析和处理,确定故障的类型、位置和原因。

目前,常用的故障诊断技术主要包括基于规则的诊断方法、模型驱动的诊断方法和数据驱动的诊断方法。

基于规则的故障诊断方法是最早应用于电力系统中的一种方法。

它基于预定义的故障规则库,通过比对实时采集的数据与规则库中的规则,判断系统是否存在故障,并进行故障诊断。

这种方法的优点是算法简单、实时性强,但缺点是故障规则库的构建需要耗费大量的人力和时间,且无法应对复杂故障情况。

模型驱动的故障诊断方法则是基于电力系统数学模型的方法。

它通过建立电力系统的物理模型和数学模型,将实时采集的数据与数学模型进行比对,以判断系统是否存在故障。

这种方法的优点是可靠性高、适用范围广,但缺点是对电力系统模型的要求较高,且算法复杂,处理过程中需要大量的计算资源和时间。

数据驱动的故障诊断方法则是以数据为基础进行故障诊断的方法。

它主要利用机器学习和数据挖掘的技术,通过对历史运行数据的分析和挖掘,建立故障模式和模型,以预测和诊断未来可能发生的故障。

数据驱动的故障诊断方法具有较高的准确性和预测能力,但需要大量的历史数据用于训练和建模,且对数据的质量和准确性要求较高。

除了故障诊断技术,智能分析技术在电力系统中的应用也日益广泛。

智能分析技术主要包括大数据分析和人工智能算法。

图像处理技术在电力系统巡检中的应用研究

图像处理技术在电力系统巡检中的应用研究

图像处理技术在电力系统巡检中的应用研究随着电力系统规模的不断扩大,电网设备的数量和种类不断增多,对设备的巡检任务也越来越复杂和繁琐。

而传统的电力系统巡检多为人工巡查,效率低下,存在诸多安全隐患。

因此,如何提高电力系统巡检的效率和准确度成为了重要的研究课题。

近年来,随着计算机技术和图像处理技术的迅速发展,以及深度学习的兴起,图像处理技术在电力系统巡检中得到了广泛应用。

本文将从图像处理技术在电力系统巡检中的应用入手,探讨其研究现状和未来发展趋势。

一、图像处理技术在电力系统巡检中的应用图像处理技术是将数字图像作为信号,通过计算机进行各种算法和处理,从而达到对图像信息的提取、分析和识别的技术。

在电力系统巡检中,主要应用于设备缺陷检测和故障诊断。

1.设备缺陷检测传统的设备巡检主要是人工巡查,需要大量的人力和物力投入,而且效率低下、存在安全隐患。

而基于图像处理技术的设备巡检,可以通过对设备图像进行分析和处理,实现自动化和智能化的巡检。

例如,在变电站的巡检中,可以通过对高压设备的红外图像进行分析,检测设备的热量分布情况,以判断设备是否存在故障或缺陷。

2.故障诊断电力系统设备的故障原因涉及诸多因素,如设备的老化、过负荷、外力冲击等。

而基于图像处理的故障诊断,可以通过对设备的图像信息进行分析和比对,识别出设备故障的位置以及可能的原因,并给出预防措施。

例如,在电力通信线路的巡检中,可以通过对图像进行图像匹配和特征提取,识别出通信线路的故障位置,并通过故障类型和位置,给出合适的维修建议。

二、图像处理技术在电力系统巡检中的研究现状随着图像处理技术的不断发展,越来越多的研究者开始关注其在电力系统巡检中的应用。

目前,基于图像处理技术的电力系统巡检主要有以下方向和研究内容:1.图像分析和处理图像分析和处理是基于图像处理技术进行巡检的核心。

其目的是通过计算机对电力设备拍摄的图像进行分析和处理,识别出设备的缺陷和故障位置。

例如,通过热成像仪拍摄电力设备的红外图像,通过对图像亮度的分析和处理,识别出设备的故障位置和类型。

电力设备故障诊断与预测研究

电力设备故障诊断与预测研究

电力设备故障诊断与预测研究随着电力行业的快速发展和电力设备的广泛应用,电力设备故障诊断与预测越来越受到重视。

在电力系统中,设备故障可能会导致电力供应中断、事故发生甚至人员伤亡,所以及时准确地诊断和预测设备故障显得非常重要。

本文将探讨电力设备故障诊断与预测的研究现状、方法和挑战。

一、研究现状目前,电力设备故障诊断与预测的研究主要集中在以下几个方面:1. 传统的故障诊断方法:包括巡检、维护记录、人工经验等。

这些方法存在着人力成本高、主观性强以及无法满足大规模电力设备的需求等问题。

2. 基于机器学习的故障诊断方法:通过构建设备故障的数据集,利用机器学习算法进行模型训练和故障分类。

这种方法的优点是可以自动化地进行故障诊断,但需要大量的数据集和较长的训练时间。

3. 基于物联网的故障诊断方法:通过将传感器和设备连接到互联网,实现设备状态的实时监测和故障预测。

这种方法可以提供更准确的故障预测,并且能够实现设备的故障远程管理,但需要投资大量的传感器和通信设备。

二、研究方法电力设备故障诊断与预测的研究方法多种多样,以下为其中一些常用方法:1. 特征提取:通过对电力设备的信号进行处理,提取出有代表性的特征进行故障诊断。

常用的特征包括频率特征、能量特征、小波包特征等。

2. 数据挖掘算法:通过对大量的历史数据进行挖掘和分析,找出设备故障的模式和规律,从而实现故障预测和诊断。

常用的算法包括支持向量机、随机森林和神经网络等。

3. 混合模型方法:结合不同的故障诊断方法,提高故障诊断的准确性和可靠性。

例如,将机器学习方法和物理模型相结合,利用机器学习方法对物理模型进行修正和优化,从而提高故障诊断的准确性。

三、挑战与展望电力设备故障诊断与预测面临着以下挑战和问题:1. 数据质量问题:电力设备故障诊断与预测需要大量的历史数据进行训练和分析,然而获取和整理高质量的数据并不容易。

2. 多元化设备故障:电力系统中涉及的设备类型繁多,每种设备的故障模式和特征都不相同,因此如何针对不同设备进行故障诊断和预测是一个挑战。

基于特征提取与分类算法的电力设备故障诊断技术研究

基于特征提取与分类算法的电力设备故障诊断技术研究

基于特征提取与分类算法的电力设备故障诊断技术研究第一章:概述在能源领域,电力设备是实现电能转换和传输的重要设备。

随着电力系统的规模不断扩大和设备的复杂性不断提高,电力设备故障诊断的精度和效率对于保障电力系统的可靠性和安全性变得越来越重要。

传统的故障诊断方法主要是基于人工经验和专家judgment 的,其诊断过程繁琐并且很难提高诊断效率与准确率。

近年来,基于特征提取与分类算法的电力设备故障诊断技术逐渐被提出,这种技术具有高效率、高准确率、自动化等特点,受到越来越多的关注。

本文将详细介绍基于特征提取与分类算法的电力设备故障诊断技术的研究进展。

第二章:特征提取方法特征提取是电力设备故障诊断的关键步骤,主要目的是从原始信号中提取出有效的特征,以便后续的分类处理。

常用的特征提取方法包括时域特征、频域特征、小波特征等。

时域特征指的是原始信号在时间轴上的特征,如均值、方差、峰值等。

频域特征指的是对原始信号进行 Fourier 变换后在频率轴上的特征,如能量、谱线等。

小波特征是将原始信号进行小波变换后在小波域内提取的特征,如小波包能量、小波包熵等。

第三章:分类算法分类算法是基于特征提取之后,将电力设备信号分类的过程。

目前常用的分类算法包括支持向量机(SVM)、神经网络、决策树等。

SVM 算法是一种基于统计学习的方法,该算法通过构建一个分割超平面,将不同类别的数据分开。

神经网络是一种模仿人类神经系统的机器学习算法,它能够对非线性关系进行建模并进行分类。

决策树是一种树状结构,它将样本分支成多个子分支,直到达到最终的分类结果。

第四章:电力设备故障诊断案例分析在本章节中,我们将展示一些电力设备故障诊断案例,以说明基于特征提取与分类算法的电力设备故障诊断技术的具体应用效果。

例如,某电力系统的某模块因高温引起了系统的频繁断电。

通过对模块进行特征提取,提取出的频域特征明显偏移,进一步使用 SVM 算法进行分类,最终得出判断结果为模块内部绕组热故障。

改进最大类别方差法的电力设备视觉识别技术研究

改进最大类别方差法的电力设备视觉识别技术研究

长为 M,宽为 N)。图像中灰度值小于阈值 T 的像素个数记
作 N0,像素灰度大于阈值 T 的像素个数记作 N1,则类间方
差如公式(7)所示。
g=ω0ω1(μ0-μ1)2
(7)
其中 :
ω0=N0/M×N ;ω1=N1/M×N ; ω0+ω1=1 ;μ=ω0×μ0+ω1×μ1 ;N0+N1=M×N。 方差是一种灰度均匀的度量,方差与目标和背景的差别
呈正比。当部分目标和背景相互错误区分时,都会使 2 个部 分的差别变小,因此当类间方差最大时,就表明错误区分的 概率最小。
从图 3 可以看出,当图像中的目标与背景的面积相差很 大时,直方图分割效果不佳,最大类间方差法不能准确地将 目标与背景分开,目标边缘模糊且背景噪声大。
(a)原图像
(b)大津分割图像
(13)
(14)
D(i, j)=D1+D2+D3
(15)
式中 :T(m,n)为模板 T ;m,n 为当前的坐标 ;D1 为模板的
总能量,是一个常数;D2 为子图像和模板图像的互相关,随
(i, j)的变化而改变 ;S i, j 为子图 ;D3 为模板覆盖下子图的
能量,它随(i, j)位置的变化而缓慢改变 ;D(i, j)为相似
的结果如图 4 所示。
3 红外图像目标识别算法
3.1 模板匹配识别算法 假设模板 T 的大小为 N ×N,搜索图 S 的大小为 N ×N。
- 21 -
中国新技术新产品 2021 NO.4(下)
高新技术
5 结论
(a)原始图像
(b)改进算法分割的图像
图 4 改进算法的分割结果
j
子为离散图像的变换函数 ;T(r)为灰度值的变换函

基于图像分析的电力设备故障检测技术研究

基于图像分析的电力设备故障检测技术研究

基于图像分析的电力设备故障检测技术研究冯俊【摘要】电力设备过热故障可以通过采集的红外图像进行识别。

因此,提出基于红外热图像分析的电力设备热故障检测技术,该技术下的电力设备热故障检测系统由图像采集模块和红外图像检测模块构成。

通过红外图像配准方法,确保电力设备红外图像的采集位置同原始位置一致,提高总体热故障检测的精度。

依照数据库中已经完成设置的电力设备图像特征点位置,采集完成红外图像配准区域的温度信息。

凭借温度信息相互对比获取的结果,实现电力设备热故障检测,并且发出警报。

给出了拉普拉斯锐化算法的关键代码,以实现对电力设备红外图像的锐化处理,提高图像清晰度。

实验结果说明,所提出的技术在检测电力设备热故障过程中,具有较高的检测精度和鲁棒性。

%The overheat fault of power equipments can be recognized by the acquired infrared image. Therefore,the over⁃heat fault detection technology based on the infrared thermal image analysis is proposed for the power equipments,by which the heat fault detection system of the power equipments is constituted of image acquisition module and infrared image detection module. The infrared image registration method can ensure the acquisition position of power equipment infrared image in accordance with original position,and improve the accuracy of the overall heat fault detection. According to the location of image feature points of the power equipment set in database,the temperature information in the infrared image registration area is collected. In combi⁃nation with the results coming from the comparison among temperature information,the overheat fault detectionof power equip⁃ments is achieved,and the alarm is raised. The key code of Laplace sharpening algorithm is provided to realize the sharpening processing of power equipment infrared image,and improve the image resolution. The experimental results indicate that the pro⁃posed technology has high detection accuracy and robustness in the process of detecting the overheat fault of power equipments.【期刊名称】《现代电子技术》【年(卷),期】2015(000)024【总页数】5页(P7-11)【关键词】红外图像;电力设备;热故障;拉普拉斯锐化算法【作者】冯俊【作者单位】国网重庆市电力公司长寿供电分公司,重庆 401220【正文语种】中文【中图分类】TN911.73-34;TP301随着经济的快速发展,电力系统规模不断扩大,人们对电力系统的依赖性和安全性要求逐渐增强。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
摘要 摘要内容
伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高 效运行的最为主要的因素之一。 对于各类变电设备的在线状态监测系统的推广越 来越发普及。研究基于图像特征的电力设备自动故障识别具有重要意义。 本文对各类主要电力设备, 研究各类变电设备故障识别分类及相应故障的图 像特征, 以及基于红外与紫外图像特征的故障识别方法。 对于紫外放电成像技术 图像的处理与特征提取, 本文从紫外成像技术的基本原理出发, 在讲解紫外放电 图片特性的基础上, 对紫外放电图像使用灰度化预处理, 以及应用中值滤波等方 法对图像进行降噪。 并通过 canny 算子边缘检测计算紫外光斑面积判断是否发生 放电故障。针对红外故障图像,本文在红外成像原理的基础上,对红外图像进行 超像素分割及 HSV 空间颜色提取,对应用卷积神经网络对红外故障图像故障区 域检测进行理论上的研究。
目录
第一章 1.1 课题背景
伴随着我国国民经济水平的前进与发展,全国各地对电力的需求不断增长, 推动我国电网规模不断加大、同时向超高压、大容量和智能化的路线前进。但也 对各类电力设备的安全性及可靠性提出更为克刻的要求。 由于一旦电力设备和部 件产生故障或缺陷,极易导致“链式反应” ,致使整个电力系统不能正常工作, 从而引发重大的经济损失, 而存在隐患的设备故障和缺陷还会造成灾难性事故和 人员伤亡, 更是从源头波及社会方方面面造成恶劣影响。 故障识别与诊断技术给 电力单位带来显著的生产利益, 其经济意义集中表现在减少维修消耗和避免突发 事故这两点上。 而且, 研究表明, 电气设备故障产生最直接最重要的原因是其绝缘性能发生 劣化。电气设备尤其是高压电气设备长期处于高电压、强场强运行条件下,同时 承受户外风雨侵袭,不可避免会使得绝缘性能发生劣化。伴随时间的日益推移, 当劣化产生一定影响时, 就会发生电力设备放电这种现象。 若没有及时找到电气 设备放电的原因,对故障部件进行维修和更换,放任放电故障发展,结果极有可 能导致设备击穿、闪络等现象,致使故障更为严重,波及范围也大大增加。所以 必须对电力设备的前期局部放电展开深入研究, 对电力设备的绝缘能力特别是其 外绝缘能力进行预先评价, 保障电力设备安全高效运转, 从而提高整体系统的可 靠及稳定性。每当电力设备放电时,放电部位会放出波长 240 致 80nm 的紫外辐 射,对此信号进行有效的监测,将大大的有益于早期检测到放电现象。而且电力 设备,凡是其外部发生放电,均可得到其放电紫外图像,这导致紫外放电成像技 术在电力设备在线状态监测特别是电力设备外绝缘监测方面的应用领域更加广 泛。
Байду номын сангаас
[3]红外测温仪的基本原理是以被测目标的红外辐射能量与温度 成一定函数关系而制成的仪器。其工作时,被测目标的红外辐射能量 经仪器透镜会聚,并通过红外滤光片进入探测器,探测器将辐射能转
换为电能的信号,经放大器放大、电子电路处理,最终由显示器显示 出被测物体的表面温度。 图 2-2 所示的是一个装有有目视对准系统的 红外测温仪,通过 45°的分光镜,可见光反射到分划板上,其刻有一 圆环,圆环的面积应与光阑孔面积相同,分划板后安装有一组目视透 镜,以使人确认测量对象的准确情况以及目标是否填充满小环。 [1]红外测温仪的基本结构必须包括光学系统、红外探测器、电 信号放大及处理系统、结果显示系统和其它附属部分(包括目标瞄准 器、供电电源与整体机械结构)等几个主要功能部分。根据测温要求 可分为单波段中低温测温仪(8-12μm)、高温测温仪(2-2.5μm)和高 温比色测温仪。现在,各类的红外测温设备都安装有可视瞄准或激光 瞄准装置,使人更精准地检测对象的温度而采取了便携的手段。 红外热成像仪不但可以非接触式测温, 而且能实现实时反馈对象 表面温度的二维分布及改变状况, 这是它不同于红外测温仪的一个显 著优势。红外热成像仪具有图像处理程序,测温快速、分辨率优异、 直观,并具有信息收集、存储、处理和解析方便的优点。因此,虽然 它比红外测温仪等装置的结构纷繁、价格高的多,但在电力设备实时 监测中还有很大的作用。 红外热成像仪的运行流程是把被测对象表面温度经由红外线的 方式,通过收到光学程序和扫描设备显像到探测器上,然后通过探测 器转换成视频形式。此微小的视频信号通过信号放大装置后[17],传 到外端显示屏上,表现出被测对象表面温度分布情况的热成像。 [5]红外热像仪的基本结构由光学系统、扫描机构、红外探测器、
characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether the area of the UV spot to determine whether the discharge fault. Aiming at the
1.2 国内外研究现状
1.2.1 红外热像仪成像技术在电力系统的应用 对变压器的红外成像在线状态监测系统在电力系统的普遍应用是电力企业 对于追求信息化的必经之路, 它不但可以代替人为测温, 更是达到实时在线监测 变压器的发热情况,避免和降低故障发生,保障了变压器的可靠运行,确保了电
力系统的稳定供电。 电力设备的发热引发的故障是导致大面积停电等事故灾难的最为重要的诱 导因素, 一直以来怎样实时可靠的在线监测电力设备都是电力行业一个极具意义 的问题。 变压器作为变电系统中最核心的电力设备, 是整个变电环节运行的中心 所在,其可靠性关乎整个变电网络。在变压器的工作过程中,无论是负荷过大, 还是油位出现了异常, 其温度都会发生变化, 若不及时发现将会引发变压器设备 损坏等事故, 直接威胁到供电安全。 公司对运行中的变压器的温度监测一直予以 高度重视,对变压器的红外测温也有明确规定。但是,随着电网发展和社会科技 进步,变电系统的自动化、信息化要求不断严格,变电站大致上完成了无人值班 或少人值守的阶段, 现在基本通过红外测温仪对变电设备的检测都是通过人为测 量的方法,这些都不能达到运转和监控自动化的目标。 从上世纪六十年代国外采用红外测温技术, 七十年代起将红外成像仪安装于 车辆或是直升机上对变电设备及高压输电系统产生的故障与缺陷做定期检测,伴 随红外线探测设备,特别是红外线热成像设备的日益进步逐渐发展为专业的红外 成像检测技术,而且更是编写出与之配套的技术标规和红外诊断故障判定标准, 目前更是在全球各个发达国家当中普及,并得到了极佳的经济效果。 我国探寻发展对于电力设备应用红外测温技术起于 20 世纪七十年代初,应 用国内开发的红外测温设备检测高压输电线路接头温度的试验研究工作,开创了 我国红外技术的应用。 [1]从八十年代中期开始,随着性能优良可靠的红外诊断仪 器的发展及主管部门的重视,通过一些电力科研单位的大量室内模拟试验和现场 试验,取得了不少实践经验。 不但在现场试验中检测出了大量的缺陷与问题,通过 立即的修理,避免了部分严重的灾难性的事故的出现,受到了极佳的反响,更是从 中积攒了大量实践知识,慢慢完善了故障的评判准则。 1.2.2 紫外成像技术在电力系统中的应用 [2] 早在 1984 年,前苏联西伯利亚电力科学研究院就将紫外成像技术运用于 电力系统设备监测中, 开发了紫外电子光学探伤仪, 并用该探伤仪实现了电气设 备外绝缘的监测。然而,该设备难以避免日光对紫外图像的影响,因此只能夜间 监测, 且受天气因素影响较大。 为了实现采用紫外成像法对放电设备的实时监测, 上世纪 90 年代,西方少数国家开始研制日盲型紫外成像仪,所谓日盲型紫外成
前置放大器、视频信号预处理电路、显示记录系统和外围辅助装置等 组成。红外热像仪的核心器件是红外探测器,可分为单元探测器、多 元探测器和带有内处理功能的探测器。常用热像仪的工作波长为 3-5 μm 和 8-14μm。 2.2 电力设备红外检测诊断故障典型图谱 2.2.1 变压器缺陷红外检测诊断故障典型图谱 变压器缺陷主要包括以下两个部分:1、变压器本体的缺陷;2、套管部 位的缺陷 2.2.1.1.变压器套管温度分布异常 变压器套管包含主变高压侧套管、低压侧套管、抱箍线夹、中性点套 管、管出线线夹等部分。温差不超过 10K,未达到严重缺陷的要求, 可应用图像特征分析法、同类比较判断法。 (1)变压器套管温度分布异常
关键词: 红外成像 紫外成像 图像处理
ABSTRACT With the increasing scale of China's power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of the on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance. In this paper, various types of main power equipment, the study of various types of substation equipment fault
从而有效获得故障区域的放电光斑。采用形态学分析理论,对放电光斑进行了自适应提取, 同时该方法也能有效抑制噪声对紫外放电光斑提取的影响.
第二章 电力设备红外线故障图像 2.1 红外成像法检测原理 红外辐射测温仪 红外线辐射测温仪也叫红外测温仪, 是一种对物体放射的红外线 的温度检测仪器, 它只能检测对象表面上某点四周确定面积的平均温 度。 在不追求精准测量对象表面二维温度分布时, 与别的设备相比较, 具有简化结构、价格便宜、操作便携等优点。
相关文档
最新文档