基于改进深度学习的刀闸状态识别方法研究

识别刀闸状态对于现代电力系统至关重要,传统的刀闸状态识别方法不能很好地解决多刀闸目标干扰问题。为了解决此问题,提出了一种基于改进深度学习的刀闸状态识别方法。首先采用空间加权的池化策略来改进传统的卷积神经网络(CNNs);其次利用改进CNNs在训练数据库上获得训练模型;然后通过训练模型来检测绝缘子和刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置;最后利用与绝缘子的连通性和刀闸区域的长宽比来识别多种刀闸的闭合或断开状态。实验结果表明此方法能够精确地定位绝缘子和刀闸的位置,显著提高刀闸状态识别的精度。

基于改进亮度序描述子的刀闸状态识别

为了消除非线性亮度变化对电力系统中的绝缘子定位和刀闸状态识别的影响,提出了一种基于改进亮度序(LIOP)描述子的刀闸状态识别算法。首先对图像进行必要的预处理以去除噪声的污染;其次提取感兴趣的目标区域,该区域内应包含绝缘子和刀闸等目标信息;然后利用改进的亮度序描述子来精确定位绝缘子,这是由于亮度序描述子对图像非线性亮度变化、尺度变换和旋转变化等具有一定的不变性;最后利用改进的Hough变换来确定刀闸的位置,并计算直线段间的角度来对闸刀状态进行识别。实验结果说明了该方法可以精确地定位绝缘子和识别刀闸的状态,适用于实时性要求较高的电力系统。

基于中线模型的隔离开关状态检测方法研究

由于敞开式隔离开关恶劣的运行环境,在长期运行后往往出现分合不到位等问题,为解决隔离开关开合状态识别问题,本文提出了一种基于中线模型的对开式隔离开关开合状态自动检测的方法。通过建立对开式隔离开关的中线模型,识别并绘制刀闸臂边缘线,根据边缘线角度计算分析刀闸状态,通过分析结果及时进行预警。根据该方法进行隔离开关实验验证,结果表明本方法可以准确分析隔离开关分合状态,极大地提高了隔离开关状态识别准确性及及时性,具有重要的实际应用价值。