基于YOLOv2目标检测算法和K210芯片的智能压板状态识别系统

在继电保护和安全自动装置中,压板在保护逻辑回路与出口跳闸继电器回路之间起着控制一次设备开关通断的作用。在运行过程中,保护压板和出口压板投退方式不正确将导致保护拒动或者误动,严重者将会给安全生产带来重大影响。本文提出一种低功耗、便携式的智能压板状态识别系统,该系统是由装载了YOLOv2算法模型的K210单片机、OV2640摄像头以及LCD显示器组成,能够有效检测识别保护装置上的压板投退状态,实现智能化数字监控。

基于YOLOv5神经网络模型的变电所压板开关状态的识别方法

煤矿变电所是大型煤矿供电系统的重要组成部分,变电所压板开关状态的精确识别是监测煤矿供电状态的重要环节。然而,随着变电所电气控制柜上压板开关数量的大幅增加,传统人工巡检存在的巡检速度慢、巡检精度低的问题愈发显著。针对上述问题,提出了一种基于YOLOv5神经网络模型的变电所压板开关状态识别方法。使用Pytorch深度学习框架进行了模型训练;设计了针对压板开关图像的预处理方法;采用得到的最佳模型对预处理后的压板开关图像进行检测并评估检测结果。实验结果表明该方法可以实现压板开关状态的智能识别,且具有速度快、精度高的特点。

基于少样本学习和知识迁移的继电保护压板状态识别

针对变电站中保护压板开关状态自动识别问题,提出了一种基于少样本学习和知识迁移的压板开关状态识别模型,使用残差网络提取图像特征,基于度量方法计算查询图像与支持图像之间的相似度,在此基础上使用KNN实现压板开关状态的分类识别。将残差网络在公用数据集上预训练的模型直接迁移到基于少样本学习的压板开关状态的识别任务,并研究了KNN算法中不同的最近邻个数对压板开关状态分类结果的影响。所提方法可在图像样本少的情况下实现压板开关状态的识别。实验结果表明,在支持图像的样本数为30时,图像识别精度达到99.49%。相比于其他大样本的分类方法,所提出的利用少量样本的分类方法能够实现令人满意的分类效果,提高了图像分类的效率。

改进YOLOE算法在压板状态检测中的应用

针对当前变电站压板种类多、数量大、小目标易误检,及压板状态检测的速度慢和准确性不高等问题,本文设计实现了一种基于深度学习的压板状态检测系统。以YOLOE检测算法为基础,在其主干网络中融入ECA(Efficient Channel Attention)注意力机制,强化网络的特征提取能力,以提升模型检测的准确度。引入SIoU代替原损失函数,以解决检测精度低和小目标易漏检误检的问题,并且提高模型的训练速度。对比实验结果表明改进后的YOLOE算法在变电站压板检测中上取得了90.3%的平均检测精度、96.9%的召回率以及97.8%的精确率,能够满足变电站运行检测要求。

基于角度检测硬压板位置状态监测装置的研究

在工业自动化与智能化飞速发展的背景下,电力系统作为国民经济的命脉,必须保证其安全稳定运行。硬压板作为电力系统中不可或缺的一部分,承担着控制、保护及隔离等多重任务,其位置状态的准确监测直接关系到系统的可靠性和安全性。但是,传统的人工巡检方式不仅耗时费力,而且易受人为因素影响,难以实现实时监测与精确判断。因此,需要研发一种高效、准确的硬压板位置状态监测装置,从而提升电力系统运维水平,保障电力供应安全性。

采用非同原工作状态检测技术的新型保护压板设计及应用

智能变电站的建设需要对站内二次设备进行重点升级或换代,其中保护硬压板作为变电站关键二次设备之一,其投入与退出时动作是否到位对于变电站安全运行具有重要意义。针对传统保护硬压板操作人力消耗大、机械断点易开合不到位的问题以及满足现今无人值守工作模式的发展需要,设计了一种采用非同一原理工作状态检测技术的新型保护硬压板,检测过程采用工作电压与动作执行双重检测,并使用“与”运算方式,其中电压检测环节基于采样频率自适应更新与抽取突变算法,保证压板工作状态检测结果的正确性。工程应用表明所提自动保护压板及其检测方法具有有效性。

基于深度学习的变电站保护硬压板检测与状态识别技术研究

【目的】针对目前变电站保护压板仍由人工核对读取识别,效率低下且容易误操作,制约着变电站向着智能化方向发展。【方法】文章利用深度学习技术,基于YOLO v5算法,进行超参数调整,可迅速实现对保护压板的位置检测与状态识别。同时,通过数据标注建立了用于训练网络的保护压板数据集,该数据集共包含500张压板图像。【结果】实验结果表明,与传统的图像处理算法相比,该识别方法实时性高,且其准确率最高可达到93.63%。【结论】可以应用于变电站保护压板检测和状态识别中。

基于深度学习的变电站硬压板状态检测与识别算法

针对变电站的一键顺控停、送电操作不当将导致投退操作的问题,提出了一种基于深度学习的变电站硬压板状态检测与识别算法.使用一个共享网络提取图像特征,基于多任务学习方法建立3个分支联合解决硬压板位置检测、投切状态检测和标识检测这3个任务;采集标注了8000张硬压板图片数据用于训练和测试.结果表明,所提出的方法能够在提升硬压板状态识别精度的同时,也提升一键顺控操作的安全性.

基于目标检测和深度学习的压板和空开状态识别

目前电力系统空气开关和继电保护压板的状态识别要靠人工完成,费力而且非常容易出错.通过图像识别技术获取压板投退状态和空开的开合状态是对压板和空开进行管理的有效措施.本文运用Python进行压板和空开状态识别系统核心软件的设计,采用飞浆(PaddlePaddle)团队的目标检测算法标识图片里的压板和空开等目标,然后继续用深度学习的算法来确认所标识的目标是否是压板或空开,最后进一步识别压板或空开的状态.本项目的算法经过测试后,能够很好地满足压板和空开状态自动识别的业务需求.

基于模型聚类匹配和形态特征识别的保护压板状态辨识技术

继电保护压板的管理与运行维护是实现电力系统安全稳定运行的必要保障,保护压板的状态监测是二次运维的重要组成部分。目前尚缺乏智能化的非接触式方案监测保护压板的状态信息,且现有方案无法实现运维工作智能化与网络化的需求。提出了一种基于模型聚类匹配和形态特征辨别的压板状态辨识技术,该技术使用移动式巡检设备对保护硬压板的投退状态进行图像采集与状态辨识。辨识方法基于颜色模型匹配与形态特征的提取,辨识结果作为保护管理系统的输入信息。该技术已经集成于同期开发的智能化二次运维系统,系统及附属高级应用模块已经在天津地区某变电站中开展测试工作,测试结果表明该技术具有良好的准确性与可靠性。

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态。伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法。在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的影响;利用模板匹配的方法对压板图像进行分割,并建立不同压板与其功能间的映射关系,提升压板状态检测准确度;基于TensorFlow深度学习框架搭建SSD目标检测模型,通过不断调参并采用正则化处理提高训练模型的准确度和泛化能力。经测试验证,该方法目标检测精确率和召回率均大于0.95,相对于传统OpenCV及Hog+SVM的处理方法,压板状态识别效果有明显提高。

一种改进的压板状态识别SSD算法

在变电站二次侧管理中,压板承担着重要作用。文章提出了一种改进SSD图像识别算法,用以实现对压板状态的识别。新算法通过在SSD目标识别算法中,嵌入注意力机制,利用注意力机制挖掘了每个特征通道的重要程度,提升有用特征的权重,抑制了无效特征,提升了原有算法的检测精度。为了解决训练样本不足的问题,新算法通过对样本的扩充和迁移学习的方式,训练得到了提出的新SSD算法中的各个参数,并通过仿真实验进行验证。实验结果表明,改进后的SSD算法,其识别准确率达到96%,召回率达到94%,每秒可以检测23张图片,能够有效提升变电站内压板状态识别的效率。

一种新型压板状态检测方案在某110kV变电站的应用

介绍一种利用干簧管和磁钢为附件的新型压板状态检测方案。将其应用到微机防误操作系统中,实现了压板投退状态在线监测,形成从一次到二次的完整防误解决方案,解决了防止压板误投退及漏投退问题。实践证明,此种方式下变电站不用停电,十分适合压板防误操作系统的工程改造。

图像特征提取与识别技术保护压板状态监测

变电站自动化水平极大提升了电网运行效率和安全性.压板是用来投入或退出对应保护功能的,继电保护装置的压板管理需要保护管理指定人员、保护试验人员、运行操作人员三方面共同负责.从保护功能来看,它是保护跳闸的最后一道屏障.文章研究了一种利用计算机深度学习算法实现电力保护压板状态识别的装置,本装置利用深度学习的算法实现图像的特征提取、分割分类与识别,实现保护压板状态的监测,并将监测的结果发送到远端云数据.

基于改进YOLOX的继电保护压板状态校核方法

继电保护压板状态校核是变电站巡检的重要业务,然而现有校核方法多为人工读取和复诵核对,存在费力耗时以及安全风险的不足。为此,提出一种基于改进YOLOX的智能化校核方法。首先,该方法采用以注意力机制改进主干特征提取模块的YOLOX模型,实现压板状态识别和压板标签定位。其次,针对标签边界框标定的图像区域进行倾斜角矫正,并基于光学字符引擎和压板双重名称专业语料库实现文本识别,获得压板状态和双重名称的映射关系。最后,采用实际变电站的压板图像进行试验验证。结果表明,对于压板状态识别,所提方法具有更高的识别精度和鲁棒性,并且对于文本识别、倾斜角矫正和专业语料库的构建,可以显著提高压板双重名称的识别准确率。所提方法为巡检机器人实现智能化压板状态校核提供了一种新思路。

基于VGG16-Unet算法的扭角式压板分割识别方法

针对当前变电站人工巡检压板状态工作效率低,且现有扭角式压板图像识别效果不佳的问题,提出了一种基于VGG16 Unet语义分割模型的压板状态识别方法。首先设计了VGG16-Unet的网络模型结构,该模型结构包含主干特征提取网络部分、加强特征提取网络部分和预测网络部分,在网络的下采样和上采样过程中捕捉图像深层次语义特征和浅层次细节特征;其次定义了网络模型的Dice损失函数并分析4种性能评估函数检测压板识别效果;最后在1000张压板数据集试验中,该深度学习方法精确率高达98.6%,召回率92.2%,综合指标95.3%,平均交并比92.4%,与现有主流压板状态识别方法进行对比分析,结果显示本文方法具有更好的识别性能。

基于颜色分离与形态特征分析的保护压板定位及状态识别研究

为了提高变电站中密集排布、颜色多样的拔插式压板智能识别水平,提出一种基于颜色分离与形态特征分析的保护压板定位及状态识别方法。该方法先对采集的压板图像进行同态滤波增强与透视校正;根据压板图像颜色特征,通过设定RGB三分量差值进行颜色分离,同时结合形态特征分析实现有效压板区域的分割;通过矩形结构元素对有效压板区域进行膨胀,从而定位出每块压板区域的位置。通过每块压板外接矩形框的形态特征判断出压板的开关状态。对不同拍摄角度及不同光照环境下的压板进行状态识别测试,实验结果表明,该算法具有识别精度高、鲁棒性好的特点。

轨道几何状态检测异常数据实时智能识别

受外界干扰、数据传输、传感器信号偏移等因素影响,轨道几何状态检测数据会产生异常峰值超限,影响现场检测人员工作效率。考虑到异常数据样本较少的不利因素,本文基于轨道几何检测系统传感器正常数据,通过消除数据趋势项,提取时序数据多维特征组成训练集,训练并构建了基于单分类支持向量机的异常数据智能识别模型。运用该模型对某地铁轨道几何检测系统单边位移的时序数据进行预处理、特征提取和智能分类,试验验证了其识别效果。结果表明:该方法识别效果好,误报率低,异常数据识别准确率高,且具有轻量化、易部署的特点,可满足轨道几何检测系统实时检测要求。

基于相位特征的保护压板状态的准确识别方法

常规保护压板的人工巡检存在工作量大、易漏检等特点,而在压板上加装智能检测设备又面临复杂度及运维成本增加的问题.针对此问题,提出基于相位特征的保护压板状态的准确识别方法.将该文方法的识别结果与广泛使用的传统方法进行比较,结果表明该文方法有更好的识别准确性和鲁棒性,具有在电力系统大规模推广的价值.

基于图像识别的保护压板投退状态辨识方法

通过图像识别方法获取电力继电保护压板投退状态是压板投退管理的有效措施。提出了保护压板投退状态辨识系统,其硬件由计算机、摄像机、显示屏集成嵌入终端构成。嵌入终端通过图像采集、图像去噪处理、目标边缘检测、布局排列分析、状态特征判别等关键步骤完成对压板投退状态的智能识别。采用3/4去噪聚类法,能够有效消除椒盐噪声并实现聚类。系统中设计的基于"块矩阵"的排列分析算法能快速准确地实现目标图像的分割。算例分析结果表明了本文提出算法的有效性和可行性。