基于QFD与FBS的可移动电力检测设备创新设计

目的为了客观准确地将目标用户认知需求转化为产品技术特性的设计要求,提升可移动电力检测设备目标用户认知需求满意度及明确产品创新方向,提出QFD和FBS集成的创新设计模式。方法首先,通过访谈和问卷调研获取用户需求,借助AHP法求解用户认知需求权重;其次,运用QFD法构建质量屋,明确可移动电力检测设备待改进的关键技术特性指标;最后,将用户旅程图引入FBS的功能—行为—结构展开模型中,以解决可移动电力检测设备的关键技术特性问题,指导产品创新设计。结论QFD与FBS理论的融合应用能够将用户认知需求精准转化为技术特性层面的设计要求,对可移动电力检测设备的人机、造型、功能、收纳等方面的不足提出了相应的解决方案,实现了用户认知需求与产品技术特性之间的映射转换,证明了该方法具有可行性。

空间限制下可移动电力检测设备模块化设计

为提高可移动检测设备在空间限制下布局设计的可控性,提升产品模块间的关联度,明确各部件的布局和功能间的关系,提出了基于模块功能分解的设备布局设计模式。以电力安全工器具移动检测站为研究对象,通过对产品的功能-原理-结构进行分解,计算各子模块的关联度,得到模块初步的聚类结果,结合功能元分解,梳理了模块化功能分解流程,采用平面排列方式进行图形化示意,并应用层次分析模糊矩阵验证了方案的可行性。结果表明,采用模块化设计理念不仅能提高产品的开发效率,也能为同类型的可移动检测设备布局设计提供参考。

基于ATmega系列单片机的电力检测设备

电力检测设备的精确测量及实时传送对电力监控系统的正常工作有着重要的意义。Atmega系列是AVR单片机的高档产品,其具有高性能、低功耗的微控制器,超强的接口功能及具有自编程能力的程序存储器,非常适合于需要远程控制和现场升级的应用领域。通过对Atmega系列单片机的设计而实现的电力检测设备,能够快速、精确的进行在线测量,并将测量数据以4￣20mA的形式实时输出进行远程控制,产品满足当前电力监控系统的需求,具有较大的市场前景,其设计思路也可为其他检测设备的开发提供一定的参考。

基于SGD和余弦退火算法改进YOLOv3的高压电力设备目标检测方法

针对现有高压电力设备检测方法存在实时性差、准确性低和难以部署在移动端等问题,提出一种基于随机梯度下降(SGD)和余弦退火算法改进YOLOv3的高压电力输送设备安全检测算法。采用网络复杂度较小、计算速度快、识别精度高且易于部署的移动端YOLOv3作为算法的主要框架;然后设计了深层的残差网络(Darknet53)作为该模型的主干特征提取网络,在提高识别精度的同时解决网络过深可能产生的梯度爆炸问题;进一步地结合SGD优化算法和余弦退火算法,在保证网络训练学习效率较高的同时避免网络陷入局部最优解,以此提高高压电力设备安全检测的速度和精度,满足实际需要;最后使用采集的高压电力设备数据集对整个网络进行训练。结果表明,YOLOv3在高压电力设备数据集上的平均检测精度达到了97.08%,检测速度达到了56帧/s,误检率只有0.78%。

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明:所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。

电力设备机械振动–超声波融合检测传感器研制及应用

电力变压器、气体绝缘组合电器(gas insulated switchgear,GIS)等大型电力设备不仅是复杂的电气设备,还是复杂的机械设备,运行中极易产生机械和绝缘缺陷,导致设备故障。振动及局部放电是设备机械和绝缘缺陷的有效表征信号,为了实现电力设备机械和绝缘缺陷的同时检测,该文提出可同时、同点、同步进行振动加速度和超声信号检测的融合传感器结构,设计融合信号多功能调理电路,研制振动加速度–超声波融合传感器,实现机械振动和局部放电信号在空间和时间上的同步检测及数据处理。进行融合传感器振动和超声校准试验,1Hz~4kHz内的平均振动灵敏度为98.1mV/g;20kHz~100kHz内的频响曲线谐振频率为46kHz,平均超声灵敏度为73dB(V/(m/s))。基于实际GIS设备开展局部放电和机械振动联合检测试验,试验结果表明融合传感器可准确检测电力设备机械振动和超声局放信号,为电力设备状态多物理量融合检测提供了新的思路与方案。

基于知识图谱的电力物资检测辅助优化方法

电力物资检测业务累积数据的多源异构特性导致难以高效分析挖掘,传统物资检测手段过程繁琐,增加成本和工作量。针对电力物资中二次设备检测流程冗长、效率低的问题,选取命名实体识别与知识图谱技术结合的知识抽取、转化及应用方案,提出引入BERT预训练模型的改进方法抽取二次设备缺陷文本信息,结合知识图谱技术实现跨领域异构电力物资知识的表示与融合建模。最终搭建二次设备检测智能推荐系统,基于知识图谱与关联分析推理给出检测方案建议,实现了同业务需求下对电力二次设备检测流程的精简优化。

基于智能电网的电力设备检测和维护技术探究与讨论

智能化技术在电网建设中的应用,使得电网系统更加灵活,也有助于降低电网建设成本,并可提高电网运行效率和安全性。因此,智能化电网的形成有助于提高我国电网系统的整体水平,使我国智能电力系统更加完善、高效、可靠。在这种情况下,本文首先分析智能电网的基本特性,对智能电网的设备检测与维修技术进行探讨,希望通过本文的研究,能够进一步提升我国电力设备的检测与维修水平。

基于改进SSD的电力设备红外图像异常自动检测方法

为实现各类巡检机器人、无人机等智能电力巡检设备所携红外热像仪采集的红外图像自动检测,该文提出基于改进SSD的电力设备红外图像异常自动检测方法。对收集的典型故障电力设备红外图像统一预处理;标注电力设备及异常区域并制作标准数据集;搭建检测网络;读入数据与预训练模型到搭建的网络进行微调训练验证,得到最终模型文件并测试。实验表明,该方法泛化性强,准确率较高,能达到实时自动检测红外图像下多类典型电力设备并定位异常发热区域的效果,将使现有电力巡检设备实现“智能+”。

电力设备检测实验室专用微电网接入结构设计及功率控制方法

针对传统微电网无法满足电能高质量领域的电源需求,以电力设备检测实验室的测试电源为研究案例,提出了串联型分布式电源单元(DG)的接入结构,同时为了减少功率分配误差并提高电压的稳定性,提出了功率因数/频率反下垂控制方法。研究结果表明:采用串联型的微电网接入结构以及反下垂控制方法,可以实现DG单元的有功和无功功率均分,减少功率分配误差,从而实现DG单元的电压波形同步,解决了DG单元电压相角不同造成的功率不匹配问题,同时提高了公共连接点(PCC)的电压幅值,保证了电源电压的稳定运行。通过研究发现,采用这种微电网接入结构以及功率控制方法可以为微电网系统提供精准功率控制、电压稳定的电源,该电源可以满足电力设备检测实验室的测试要求。

电力设备受损情况检测评估模型研究

文章构造了一种电力设备受损情况综合检测评估系统,用于对受损电力设备基本状况和受损状态的信息进行检测、分析处理,做出综合评估。该检测评估系统全面考虑电力设备损伤程度,受损设备仍保有的残值,材料的完整度、可信度、真实性等因素,通过建立数学模型将评估公式化。模型弥补了现有电力设备受损情况评价系统的主观性,综合了实际评估调研过程中材料信息的完备性,为客观、合理地评估电力设备损伤情况提供依据。

基于改进YOLOv3的电力设备红外目标检测模型

红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断中,而对设备快速精确地检测定位是实现自动检测与诊断的前提。与普通目标的可见光图像相比,电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原始的YOLOv3模型难以精确定位到目标。针对此问题,该文对YOLOv3模型进行改进:在其骨干网络中引入跨阶段局部模块;将路径聚合网络融合到原模型的特征金字塔结构中;加入马赛克(Mosaic)数据增强技术和Complete-IoU(CIoU)损失函数。将改进后的模型在四类具有相似波纹外观结构的电力设备红外图像数据集上进行训练测试,每类的检测精度均能达到92%以上。最后,将该文方法的测试结果与其他三个主流目标检测模型进行对比评估。结果表明:不同阈值下,该文提出的改进模型获得的平均精度均值优于Faster R-CNN、SSD和YOLOv3模型。改进后的YOLOv3模型尽管在检测速度上相比原YOLOv3模型有所牺牲,但仍明显高于其他两种模型。对比结果进一步验证了所提模型的有效性。

基于 Mask⁃RCNN迁移学习的红外图像电力设备检测

红外图像诊断是电力系统故障诊断的重要方式,但目前仍依靠人工辅助框图来实施图像中目标的检测。为提升检测效率,本文借鉴并改进在目标分割任务中表现优异的Mask⁃RCNN方法,利用图像自动语义分割识别红外图像中的一个或多个电力设备,并提取设备轮廓。为了缓解标注样本相对不足的问题,研究Mask⁃RCNN的迁移学习机制,设计并实现了训练数据重要性采样、参数迁移映射等方法,使改进后的方法适应于红外图像电力设备检测任务。在实际采集数据集上的实验表明,改进后的算法能在仅有少量像素级标注样本的条件下,较好地提取出电力设备的轮廓,并进一步识别出设备类别。所提模型和算法为进一步的设备分区和故障区域检测提供了精确有效的预处理手段。

基于改进的YOLOv3在电力设备红外检测中的应用

针对变电站内电力设备的红外图像受到复杂背景、高遮挡、低对比度、相似目标特征的影响,而原始的YOLOv3算法模型很难对红外目标实现精准定位且模型过大无法部署到低计算能力的设备,提出一种改进的YOLOv3算法模型。引入MobileNetv3_Large主干网络替换原DarkNet53,以降低网络复杂度;在颈部网络添加空间金字塔池化(SPP)和DropBlock模块,以提升模型的泛化能力;加入K-means来优化整体的检测效果。结果表明:改进的YOLOv3超越原始算法,在测试数据集上的Map50达到了96.61%,检测速度达到了34.316帧/s。

嵌入式设备高效卷积神经网络的电力设备检测

随着大型图像集的出现以及计算机硬件尤其是GPU的快速发展,卷积神经网络(CNN)已经成为人工智能领域的一种成功算法,在各种机器学习任务中表现出色.但CNN的计算复杂度远高于传统算法,嵌入式设备上有限资源的限制成为制造高效嵌入式计算的挑战性问题.在本文中,我们提出了一种基于嵌入式设备的高效卷积神经网络用于电力设备检测,根据处理速度评估这种高效的神经网络.结果表明,该算法能够满足嵌入式设备实时视频处理的要求.

基于红外热成像技术的电力设备故障检测

红外热成像技术作为仪器诊断法的一种,近年来越来越受到电力电子行业的关注。对比电力设备故障检测中几种常用方法的,讨论红外热成像技术在电力设备故障检测中的应用及前景分析。

分时电价下电力设备检测作业优化调度仿真

面向分时电价政策,为实现电力设备检测过程中能耗成本及检测任务双重目标的有机平衡,建立了电力设备检测过程中不同阶段的能耗成本计算模型;同时兼顾完工时间等要求,建立了以最小电力设备检测成本和设备总负载以及最短检测时间和总延期时长为目标的电力设备检测作业调度模型;为避免进化后期个体间的排斥现象及计算过程陷入“早熟”,提出了一种改进的NSGA-Ⅱ算法对模型进行求解;结合实例验证了模型和算法的正确性和有效性。

太赫兹技术在电力设备检测中的应用

根据太赫兹的定义出发,概括了太赫兹目前的发展现状,详细介绍了太赫兹的特性。根据太赫兹特征,文章对太赫兹目前的应用领域及相关技术进行了论述。并对太赫兹技术成像原理及相关设备进行了介绍。结合以上信息,最后文章对太赫兹在电力行业中的应用研究进行了探讨,并列举了太赫兹成像技术在电力设备检测中的应用方向。

紫外成像技术在电力设备检测中的应用及研究

随着我国经济水平的不断提升和电力系统整体水平的不断进步,紫外成像技术在电力设备检测过程中得到了越来越广泛的应用。本文从阐述紫外成像技术相关原理入手,对紫外成像技术在电力设备检测中的应用及研究进行了分析。

视觉信息在电力设备检测中的应用

我国的电力系统发展使得电网规模越来越大、结构越来越密集。为了提高电力系统的稳定性,提前检测电力设备状态是防止电力系统发生故障的重要环节。视觉信息是基于图像识别技术的电力设备检测技术中最核心的部分,利用视觉信息,可以在线检测电力设备故障,不影响电力设备的正常运行。该方法简单、可靠,能快速检测设备故障,从而确保电力设备安全稳定运行。