基于多模型融合的变压器故障在线检测方法

变压器是电力系统中的关键设备,实现对变压器故障的准确在线检测对保证电力系统的安全稳定运行具有重要意义。针对变压器声纹图像在线检测方法存在部件之间遮挡严重、检测目标尺寸较小、背景复杂等问题,提出了一种基于多模型融合的变压器故障在线检测方法,模型由两部分组成,即掩码区域的卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)以及改进Retina-Net网络。利用Mask R-CNN网络分割出声纹图像中的变压器主体部分,再结合改进Retina-Net网络对分割出的变压器主体进行目标检测。实验结果表明:该方法能够有效分割出变压器的主体部分,并可以对变压器的故障部位进行准确识别,对变压器故障部位的在线检测精度达到96.1%。该文提出的多模型融合算法,充分利用深度学习的优势,实现了高精度、高效率的变压器故障在线检测,在电网设备在线检测和故障智能识别领域有显著应用价值。

基于改进RetinaNet算法的输电线路电力器件及异常目标检测

根据电力作业场景的实际需求,针对电力设备可能存在遮挡和检测目标较小、难以识别等问题,采用自适应样本选择方法中的样本分配策略来解决设备遮挡问题。同时,采用CIoU损失函数克服小目标识别困难问题,进一步提高检测准确性。此外,通过数据增强方法增加算法的鲁棒性,优化检测效果。理论和实践结果均显示,该优化后的算法能够显著提高输电线路电力器件及异常目标的检测准确性,从而实现对输电线路电力器件及异常目标的有效检测。

电力巡检机器人路径规划技术及应用综述

电力巡检是保障电力设备安全与稳定的关键.传统的巡检方式以人工为主,其高风险、低效率、易漏检的缺点难以满足电力巡检要求,将机器人应用于电力巡检具有安全高效、自主分析、智能决策的优势.路径规划技术通过求解巡检路线以实现遍历巡检与自主避障,是电力巡检机器人的关键技术之一.对此,首先分析不同电力场景的巡检内容与要求;然后,综述电力单体巡检机器人路径规划技术与协同巡检机器人路径规划技术,并总结电力巡检机器人路径规划技术在发电站、变电站以及输电线路场景下的应用效果;最后,对电力巡检机器人路径规划关键技术进行展望,即未来电力巡检机器人路径规划技术将向着多源异构信息融合、深度强化学习以及云边端协同路径规划方向发展.