500 kV输电线路劣化瓷绝缘子非线性发热特性的红外分析

高压输电线路绝缘子串中的劣化件会威胁电网安全。为了研究劣化瓷绝缘子的红外发热特性,设置了一系列实验,研究了劣化绝缘子的电阻、沿串位置和环境相对湿度对红外检测的影响。并对含有两片劣化绝缘子的绝缘子串进行了附加实验,以研究了正常绝缘子和低值绝缘子之间不同的发热现象。利用有限元分析仿真进一步分析了红外图像中钢帽的发热机理。实验和仿真结果表明:劣化绝缘子的温升与阻值呈非线性关系,当电阻为30 MΩ时温升最大;绝缘子串两端的劣化易被检测;相对湿度过高可能会导致误检;正常绝缘子的发热区域是钢帽的下部,瓷件的温度上升1.2℃左右,而对于劣化绝缘子,沿钢帽的温升分布均匀,瓷件的温度与实验前基本一致。相关研究结果为劣化绝缘子的红外检测提供了参考依据。

基于改进PointNet++的输电线路关键部位点云语义分割研究

输电线路的关键部位包括塔身、导线、绝缘子、避雷线以及引流线,无人机精细化导航的首要任务是构造输电线路的点云地图并从中分割出上述部位。为解决现有算法在输电线路的绝缘子、引流线等精细结构分割时精度低的问题,通过改进PointNet++算法,提出了一种面向输电线路精细结构的点云分割方法。首先,基于无人机机载激光雷达在现场采集的点云数据,构造了输电线路点云分割数据集;其次,通过对比实验,筛选出在本输电线路场景下合理的数据增强方法,并对数据集进行了数据增强;最后,将自注意力机制以及倒置残差结构和PointNet++相结合,设计了输电线路关键部位点云语义分割算法。实验结果表明:该改进PointNet++算法在全场景输电线路现场点云数据作为输入的前提下,首次实现了对引流线、绝缘子等输电线路中精细结构和导线、杆塔塔身以及输电线路无关背景点的同时分割,平均交并比(mean intersection over union,mIoU)达80.79%,所有类别分割的平均F_(1)值(F1 score)达88.99%。

基于轻量级卷积神经网络的复合绝缘子憎水性诊断方法研究

复合绝缘子因其良好的性能在电网中普遍使用,为提高复合绝缘子带电憎水性检测的智能化和自动化水平,文中提出一种基于轻量级卷积神经网络的复合绝缘子憎水性诊断方法。文中使用EfficientNet算法对复合绝缘子不同憎水性等级对应的水迹图像数据进行特征提取训练,通过对模型准确率和参数量等方面的比较,并结合模型在边缘计算设备上的正向推理速度,确定EfficientNet-b3模型为本应用场景下的最优模型。该模型分类准确率为96.43%,在Jetson Xavier NX上的正向推理速度为57.16 FPS,在精度和速度方面均优于其他经典卷积神经网络对比算法。后接触角的测量结果验证了该模型在实际应用中的分类有效性。该模型搭载无人机可进行现场运行复合绝缘子的憎水性测量,具有一定的创新价值和良好的应用前景。

基于UDD-YOLO的边缘端绝缘子放电严重程度评估算法

绝缘子是输电线路的重要组成部分,其放电问题是导致输电线路故障的主要原因之一,故需要可以准确对绝缘子放电严重程度进行快速评估且可在边缘端实时监测的算法方法。本文针对以上问题,首先对YOLOv8目标检测算法进行轻量化改进,首先引入Mosaic-9数据增强方法改进输入端,提高了算法的鲁棒性及泛用能力;而后引入了GhostNet网络替换主干网络,实现了对模型的轻量化;再引入GeLU激活函数替换ReLU激活函数,提高算法的收敛速度和检测精度;最后,引入了SIoU损失函数,对网络进行了优化,最终形成了UDD-YOLO边缘端绝缘子放电严重程度评估算法。经实验验证,其在边缘端设备实现了87.6%mAP及58 fps的推理速度,满足了在边缘端对绝缘子放电严重程度进行评估的要求,且通过消融、对比试验证明了本文提出的算法的有效性及优越性。

基于改进YOLOv5s的架空输电线路鸟类入侵检测方法

鸟类在输电线路周围活动愈加频繁,导致输电线路跳闸与停电等事故。为快速准确地检测出入侵输电线路区域中的鸟类目标,提出了一种基于改进YOLOv5s的架空输电线路鸟类入侵检测方法。首先,将特征提取网络中的普通卷积模块替换为嵌入CBAM注意力机制的卷积模块;其次,利用SPPF模块替代原有SPP模块,加强特征提取效果;最后,将Mish激活函数嵌入三次卷积(Conv×3,C3)模块中,提高模型的非线性学习能力。结合模型训练与测试结果验证了所提方法的有效性。

基于紫外光辐射照度特征的污秽瓷绝缘子绝缘状态评估方法

绝缘子污秽放电严重威胁电力系统的安全稳定运行,及时掌握污秽绝缘子的绝缘状态意义重大,文中旨在研究基于日盲紫外检测的污秽瓷绝缘子绝缘状态评估方法。首先,基于220 kV输电线路瓷绝缘子污秽放电试验,结合污秽绝缘子的放电现象、泄漏电流信号及紫外放电图像特征,将污秽瓷绝缘子的绝缘状态划分为“正常”、“一般”、“较差”、“极差”,并利用紫外放电检测结果一致性方法以及统计分析的方法,选取了3个基于紫外光辐射照度的特征参量;其次,以环境湿度、仪器增益及3个光辐射照度特征参量为输入变量,绝缘状态为输出变量,采用黏菌优化算法对支持向量机的惩罚因子与核函数参数进行优化并建立了污秽瓷绝缘子的绝缘状态评估模型;最后,将绝缘状态评估模型的测试集验证结果与采用粒子群优化算法、麻雀搜索算法优化的支持向量机分类模型进行对比,发现其分类准确率更高,可达93.85%。文中所建立的污秽瓷绝缘子绝缘状态评估模型同样适用于其他型号的紫外成像仪,极大提高了污秽绝缘子紫外检测的实用性。

基于紫外成像技术的彩色光斑映射识别算法研究

紫外成像检测是一种有效的非接触式放电检测方法,紫外放电图像中彩色光斑的准确分割直接关系到其后续诊断的准确性。因此,提出了一种基于灰度差异的紫外图像彩色光斑区域识别分割方法,旨在准确提取彩色的紫外光斑区域。首先,利用紫外成像仪采集了电气设备紫外放电视频,其中放电光斑区域颜色涵盖了目前紫外成像仪常用的色彩;其次,改进了紫外视频的处理方法,利用高斯函数对紫外图像进行预处理,将光斑区域像素与非光斑区域像素的灰度差异平均提高了2.18倍,进而可利用阈值分割算法对光斑区域进行更准确的分割;最后,提出精度和召回率作为算法应用效果评价指标,将算法应用于1000张紫外图像帧,其平均值分别为0.9632和0.9827。由此可知算法实现了紫外检测图像中彩色光斑区域的准确分割,能够满足后续对紫外放电图像进行可靠诊断的要求,为基于紫外成像的电气设备放电诊断提供了可靠保证。

基于ER-YOLO算法的跨环境输电线路缺陷识别方法

为提高输电线路缺陷智能检测算法在不同环境条件下的鲁棒性,克服现有智能检测算法在不同环境下识别性能下降的问题,该文提出了跨环境鲁棒YOLO(ER-YOLO)算法。首先,基于广义注意力理论在YOLOv8的骨干网络中引入Transformer注意力机制;其次,使用大卷积核和通道注意力模块优化特征提取;最后,应用多重注意力机制检测头网络强化算法多尺度、空间位置和多任务感知能力。为获得测试数据,该文探索生成了模拟暗光、雾霾、模糊环境的虚拟数据集。经消融实验和对比分析,跨环境鲁棒YOLO算法在跨环境测试中展现了更高的缺陷识别精度和鲁棒性,各测试数据集下mAP平均值为0.726,相对改进前提升0.069,同时在实际环境下进行了验证,证明了该算法的有效性。该文提出的跨拍摄环境的输电线路缺陷识别方法,在跨环境识别中表现出卓越的性能。跨环境图像生成方法可为后续虚拟数据集生成技术提供借鉴。

基于BOA-SVM的劣化绝缘子红外图谱诊断方法

线路绝缘子是电力系统运行中的重要设备之一,准确判断绝缘子是否有缺陷问题,关系到整个电网的运行安全,为了提高故障诊断的准确率,提出了一种二进制支持向量机(SVM)分类器和贝叶斯优化(BOA)相结合的输电线路绝缘子故障诊断方法,用于绝缘子闪络过程中红外图谱的分类识别,通过提取绝缘子红外图谱中的方向梯度直方图特征,利用贝叶斯优化算法获得诊断模型的最优超参数来提高分类算法的准确率,并采用主成分分析法对提取特征进行降维来提高分类算法的效率。结果表明,采用贝叶斯优化支持向量机可以准确、有效地对绝缘子进行故障诊断,得到的分类模型比常用的网格搜索算法(GS)、随机搜索算法(RS)等算法准确率更高。

基于深度学习的输变电设备紫外放电光斑分割方法

随着紫外成像技术的发展,高压电力设备对于紫外成像图谱的量化分析提出了更高的要求。紫外图谱的量化分析需要用到除紫外成像仪所输出“光子数”额外的紫外光斑图像信息,所以需要将紫外放电光斑从可见光的背景中分割出来。然而,传统紫外图谱光斑分割方法仍存在复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题。基于上述问题,提出了一种基于深度学习的紫外图谱光斑分割提取的方法。首先,采用紫外成像仪拍摄电力设备放电缺陷紫外图谱;其次,分别构建FCN-32s、FCN-16s、FCN-8s 3种全卷积网络(fully convolutional networks,FCN)子模型架构,并利用随机梯度下降法进行模型训练;最后,实现输变电设备放电缺陷紫外图谱主光斑的自主分割提取。经过对FCN 3种子模型架构的训练、测试和对比分析,结果表明:FCN-16s模型为紫外光斑分割提取的最佳模型,测试准确率可达99.34%。结果表明基于深度学习的紫外图谱光斑分割方法准确高效,为紫外光斑的量化提取及电力设备放电缺陷的紫外诊断提供了参考。

考虑波速特性的小波变换模极大值法的电力电缆局部放电定位研究

电力电缆局部放电的有效检测和精确定位对于保障城市配电网系统的安全可靠供电具有重要意义。首先,通过在实验室搭建10 k V振荡波检测系统对一条497 m长缺陷电缆进行局部放电检测试验,并分析了局部放电信号在电缆中的传播特性;其次,通过比较不同时域定位方法的定位精度,提出采用小波变换模极大值法与自相关方法的联合定位方法以减小定位误差。此外,为了降低波速不定性对局部放电定位精度的影响,对试品电缆的波速特性进行了测量,并提出利用局部放电信号小波变换各尺度中心频率对应的波速进行定位计算,由于各尺度下频率分量较为集中,降低了由于波速不定性带来的定位误差。试验结果表明,振荡波电压能够有效激发局部放电的产生,所提定位方法具有较高的定位精度,满足工程需要。

基于稀疏表示的绝缘子紫外图谱闪络状态分类评估方法

绝缘子运行状态的检测和故障诊断对于维持电力系统安全稳定运行至关重要。针对目前存在输变电绝缘子的紫外检测图像故障特征不明显、诊断准确率不高的问题,提出了一种基于稀疏表示法的绝缘子紫外图谱的闪络状态分类评估方法。通过字典学习构建图谱信号自适应的过完备字典,采用加速近邻梯度算法和正交匹配追踪算法对待测紫外图像进行稀疏求解,依据稀疏矩阵的非零项进行分类诊断。结果表明,该方法的检测准确率较高,最高可达98%,其中正交匹配追踪算法依赖于字典的健全程度,当训练样本充足时算法识别时间仅为0.000 8 s。而加速近邻梯度算法则选取多个较优参量,适用于样本量较小的分类评估。此外,稀疏度参数敏感度较低,具有较好的鲁棒性。该算法同多分类支持向量机（M-SVM）算法相比,具有更好的表现性能,在绝缘子紫外检测分级预警和故障检测方面具有良好的应用前景。

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的FasterRCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。

基于迁移管法气压对氮气正电晕放电离子迁移率的影响

低气压下离子迁移率是高海拔地区输电线路导线电晕放电的关键参数之一,同时氮气作为正电晕放电参与反应的主要气体,目前均作为常量对待,其测量结果对于建立考虑海拔因素的离子流、电晕损失等计算模型具有重要意义,因此对不同气压下氮气正离子迁移率的测量显得尤为重要.在已有研究的基础上,自主设计了可模拟不同氮气气压条件下离子迁移率测量平台,并将离子门的动作方式由关闭-导通-关闭改进为关闭-导通,从而得到幅值尽可能大的离子流波形.利用此平台测量得到大气条件下纯氮气环境离子的迁移率为1.113cm^2V^-1S^-1,并通过试验研究了气压在101.19～44.52kPa 范围内氮气环境离子迁移率变化情况,研究发现氮气正离子迁移率随气压增大呈非线性减小且具有一定的饱和趋势,最后提出了-种氮气正离子迁移率随气压变化的指数修正方法.

雾室环境下污秽度和湿度对瓷质绝缘子放电特性的影响

人工模拟绝缘子污秽试验时雾室是必不可少的部分,因此本文结合仿真与试验研究了雾室环境下污秽度和湿度对瓷质绝缘子放电特性的影响。首先用Comsol Multiphysics软件仿真了110 kV输电线路中洁净和污秽绝缘子在有无雾室时电场的分布。其次,提出了通过降低有雾室时的试验电压使有无雾室时绝缘子高压端附近电场近似的方案,并用仿真中求得的电压做试验。结果表明:与无雾室时洁净绝缘子周围的电场相比,有雾室时洁净绝缘子周围的电场在高压端变大,低压端变小;雾室中绝缘子周围的电场随污秽度的增大而变大。试验结果验证了仿真结果,绝缘子污秽度越大,湿度越大,放电光子数越多。本研究提出通过降低人工雾室中试验电压的方法来优化绝缘子污秽放电试验的方案,试验效果更贴合实际现场应用现状。

基于MCSPO-MUSIC算法的换流阀绝缘板沿面放电定位方法

绝缘板是换流阀中不同级阻尼电容间的重要绝缘设备,其长时间运行并且表面积污遇潮后,出现的沿面放电现象将会影响阻尼电容间的绝缘乃至换流阀的安全运行。近年来,声阵列定位检测高压设备局部放电的技术发展逐渐成熟。因此基于排布较优的4×4方形声音传感器阵列,提出了一种MCSPO-MUSIC定位算法。该算法利用CBF预估出来的角度,作为混沌粒子群算法进行角度寻优的初值,且不需要遍历寻优。在MATLAB中进行定位仿真,该算法计算时间约为1.5 s左右,相较于传统MUSIC算法在计算时间上减少了一个数量级;仿真定位误差RMSE为1.54°小于MUSIC与CPSO-MUSIC算法。在实验室中搭建出绝缘板沿面放电定位检测平台,利用该算法计算了10组实验数据,定位误差RMSE为1.97°,验证了该算法的准确性和实用性。

基于边缘端目标识别与跟踪算法的输电线路航拍视频流诊断技术研究

边缘计算的出现改变了无人机影像诊断的方式,但是由于边缘端设备的功率和AI算力有限,将云服务器中的目标识别的算法部署到边缘装置时,极容易出现识别滞后、显示卡顿、缺陷检测率低等情况。将YOLOv5目标识别算法进行改进,引入Ghost模块改造Backbone部分实现轻量化;改进后YOLOv5-GBA算法结合目标跟踪算法,实现了边缘端的无滞后实时检测,针对9种不同的空间尺度的缺陷开展检测,平均准确率75.1%,相比YOLOv5的6.0版本平均提升2.8%,在边缘计算模块NVIDIA Jetson Xavier NX上实现了最高224FPS的测试效果,有效解决了边缘计算装置中深度学习算法应用效果差与识别准确率低的现实问题。

特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法

饱和电抗器作为特高压直流换流阀的核心装备,运行中产生的振动声音包含大量的信息,其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验,并测量了不同铁心松动程度下的声纹信号;其次在声信号频谱主值区间内,根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率;然后对松动后的声纹特性进行分析,发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警;最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练,来消除声纹图中的冗余信息,并对不同松动程度下的特征进行独立映射,从而增强共同特征的学习能力。研究结果表明,该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%,优于传统深度学习算法,可为饱和电抗器在线监测提供重要依据。

基于YOLOv3算法的绝缘子红外图像故障检测方法

绝缘子作为输电线路中不可或缺的设备,对于维护电力系统的安全稳定起着重要的作用。以红外成像检测下的绝缘子图像数据为研究对象,探究基于YOLOv3算法的绝缘子红外图像故障检测方法。通过随机旋转角度、饱和度、曝光度、色调等预处理数据,构建绝缘子红外图像故障检测训练图谱库。通过K-means聚类训练集标注框,确定YOLOv3的网络节点输出尺寸,以Darknet-53网络为基本框架,通过训练和参数调整确立模型。经过测试分析,采用0.01训练速率构建的红外故障检测模型识别置信度为0.8127,误检率为0.0448,漏检率为0.1768,可以较为准确地判断出红外图像中绝缘子的故障发热点,具有一定的工程应用意义。

紫外成像图谱参数量化提取改进算法的研究

紫外成像仪是一种非接触式的放电检测方法,提出一种改进的紫外图像参数量化方法。紫外图像的量化参数一般为光斑面积,该算法不同于传统的通过阈值滤除小光斑,而是将小光斑面积通过一定的加权系数计入总的光斑面积,加权系数与小光斑和主光斑的距离有关,与主光斑的直径有关。当小光斑与主光斑的距离超过主光斑的直径时,可认为该光斑为干扰,系数为0;当小光斑与主光斑相邻时,则该光斑为有效光斑,系数为1;当小光斑与主光斑距离在上述2种情况之间时,则采用线性插值法得到系数。此方法能够有效减少数据处理过程中的信息丢失,保留更完整的紫外图谱信息,进而更准确地表征电气设备放电的强弱。以4xLGJ-720导线为例,运用该算法计算其电晕放电强度,计算结果表明该算法具有较高的准确性。