为降低因继电保护设备误操作而导致的电力系统事故概率,研究智能变电站继电保护设备全防误状态监测技术。通过采集设备获取智能变电站继电保护设备操作状态的高清图像,并利用核主成分分析、相位相关算法、改进尺度不变特征变换来完成采...为降低因继电保护设备误操作而导致的电力系统事故概率,研究智能变电站继电保护设备全防误状态监测技术。通过采集设备获取智能变电站继电保护设备操作状态的高清图像,并利用核主成分分析、相位相关算法、改进尺度不变特征变换来完成采集图像的去噪、融合及特征提取;根据特征提取结果,使用卷积神经网络实现智能变电站继电保护设备全防误状态监测。实验结果表明:该技术可全面监测不同类型继电保护设备的误操作,当噪声含量小于3%时,原始图像和去噪图像的峰值信噪比值较为接近,但后者信噪比更高,且随着噪声含量逐渐加大,其峰值信噪比逐渐下滑,当噪声含量增至10%时,原始图像的峰值信噪比为3 d B,而去噪图像的峰值信噪比为34 dB;在不同光照下对比2幅图像的DICE系数,当形变程度达到200 px时,光照剧烈条件下的DICE系数最低,为0.935,而光照柔和条件下的DICE系数最高,为0.953,3种光照条件下的DICE系数均较为接近。去噪图像与原始图像在各种光照条件下的DICE系数仅相差0.02,说明采用该文方法的图像去噪和图像配准效果较好;采用该文方法对各样本监测的误警率小于1.8%,而漏警率小于0.2%,说明其误操作监测的全面性较高,全防误状态监测的性能良好。展开更多
文摘为降低因继电保护设备误操作而导致的电力系统事故概率,研究智能变电站继电保护设备全防误状态监测技术。通过采集设备获取智能变电站继电保护设备操作状态的高清图像,并利用核主成分分析、相位相关算法、改进尺度不变特征变换来完成采集图像的去噪、融合及特征提取;根据特征提取结果,使用卷积神经网络实现智能变电站继电保护设备全防误状态监测。实验结果表明:该技术可全面监测不同类型继电保护设备的误操作,当噪声含量小于3%时,原始图像和去噪图像的峰值信噪比值较为接近,但后者信噪比更高,且随着噪声含量逐渐加大,其峰值信噪比逐渐下滑,当噪声含量增至10%时,原始图像的峰值信噪比为3 d B,而去噪图像的峰值信噪比为34 dB;在不同光照下对比2幅图像的DICE系数,当形变程度达到200 px时,光照剧烈条件下的DICE系数最低,为0.935,而光照柔和条件下的DICE系数最高,为0.953,3种光照条件下的DICE系数均较为接近。去噪图像与原始图像在各种光照条件下的DICE系数仅相差0.02,说明采用该文方法的图像去噪和图像配准效果较好;采用该文方法对各样本监测的误警率小于1.8%,而漏警率小于0.2%,说明其误操作监测的全面性较高,全防误状态监测的性能良好。