基于YOLOv4-tiny的轻量级电力设备红外目标检测网络研究

针对红外热图像的纹理不清晰、对比度低和背景复杂的特点,本文提出了一种基于YOLOv4-tiny的轻量级电力设备红外目标检测网络。采用CIoU损失函数并结合标签平滑策略,对网络模型进行训练,以抑制网络训练过程中的过拟合问题,提升网络的泛化能力。实验结果表明,该算法在七类电力设备红外图像数据集上进行训练测试,检测精度达到90.12%,实时检测速度达到50FPS(on Tesla T4 GPU),相比于原YOLOv4-tiny,在检测速度上有较小的牺牲,但是检测精度有所提升,且明显高于现在的主流模型YOLOv3-tiny和YOLOv4,满足了复杂场景下电力设备检测任务的精度与实时性要求。

220kV主变直阻异常升高隐患处理

1引言对变压器进行直流电阻测试能检查绕组接头连接质量和绕组有无匝间短路;分接开关的各个位置是否接触良好及引出线有无接触不良或有无断裂;多股导线并绕的绕组是否有断股等情况。根据国标GB/T6451-2015规定：1.6MVA以上变压器,各相绕组电阻相间的的差别不应大于三相平均值的2%（警示值），无中性点引出的绕组，线间差别不应大于三相平均值的1％（注意值）。

BP神经网络下的红外测温图谱温度识别

红外测温技术广泛应用于电力设备巡检,通过对测温图谱分析能够有效发现电力设备异常状态,及时消除设备隐患对维护电力系统稳定具有重大意义。红外测温设备众多,数据庞大,目前依靠人工进行数据整理效率低下,且众多的红外数据无法进行整合,不便于进行大数据的综合分析处理。基于此,文章利用BP神经网络算法,对红外测温图谱的温度识别进行了研究,并通过实际图谱对该算法的正确性和有效性进行了验证。验证结果表明,利用BP神经网络算法不仅为实现红外测温数据自解析和图谱数据的自动诊断功能奠定基础,还可以进行大数据的积累,进一步提高变电站的智能化水平。