基于鉴别性粒度自适应设定和衰退掩码的智能电表可视故障分类方法

实现智能电表可视故障的精准检测,对电网计量现场的高效运维至关重要。不同故障电表的布局结构高度相似,其特征呈现类间方差小的特点,细粒度图像分类方法是此条件下挖掘鉴别性特征的有效手段。在目前主流研究中,混淆拼图机制引导模型学习固定粒度的特征,但容易导致拼图块内的特征冗余或不完整。掩码机制通过恒定遮挡非鉴别性特征区域来突出鉴别性特征,但忽视了该区域中有助于分类的信息。该文提出了一种基于鉴别性粒度自适应设定和衰退掩码的智能电表可视故障分类方法。首先,对训练图像构建注意力图,以呈现目标特征的重要性分布,将图中重要特征的轮廓尺寸转换为等效粒度值并进行聚类挖掘,获得反映目标特征尺寸特点的鉴别性粒度值,据此自适应设定拼图的划分粒度,有效保留拼图块内语义特征完整性的同时减少冗余信息;在此基础上,根据目标特征重要性分布挖掘非鉴别性特征区域,并对其施加掩码,在迭代训练中衰减掩码概率,逐步降低对该区域的遮挡程度,引导模型学习此区域中有助于分类的特征信息;最后结合渐进式多粒度特征引导学习框架,融合不同粒度的特征信息以完成分类。在多个权威公开的细粒度图像分类数据集和智能电表可视故障数据集开展大量实验,与10种典型细粒度图像分类方法对比,验证了所提方法在准确率等指标上的先进性。

基于超状态隐马尔可夫模型的智能电能表非侵入式故障远程检定

存在故障或误差的智能电能表不仅给电网企业带来经济损失,而且其中的安全隐患容易影响电网的稳定运行,尤其是对成分复杂的智能电网体系。针对这一问题,提出一种基于超状态隐马尔可夫模型(Super-State Hidden Markov Model,SSHMM)对故障电能表进行非侵入式远程检测与定位。该方法不仅能发现已经出现故障的电能表,还可以对最有可能出现故障的电能表进行估计,为电网企业的运营管理提供参考,在真实数据集上的实验结果验证了该方法的有效性与稳定性。

一种智能电表电路暂态故障实时识别方法

基于故障信号频率的识别模型由于受到周围磁场等的影响,精度较低,为提高智能电表电路暂态故障信号实时识别的准确性,从故障信号处理的方向出发,基于时域粗检测方法,研究了一种智能电表电路暂态故障实时识别方法.对智能电表电路故障信号采样,使故障信号按照指定的路线传输,就要增加通道的接收能力,利用小波分析方法,对复杂的电信号进行样本预处理,经过时域检测后的信号被统一进行重新分布,以较为简单的方式进行标记;基于小波熵测度的故障信号融合模型,采用信息熵方法融合分离相似故障信号,确定所有智能电表故障电路信号暂态特征;构建基于小波熵测度的故障信号融合模型,在信号谱上完成信号的筛选与分解,实现智能电表电路暂态故障信号实时识别.实验结果表明,针对智能电表电路接地短路、两相接地短路、相间短路、三相接地短路四种不同类型的暂态故障,通过该方法识别出的故障电压曲线值与实际的值相差小于0.3 V,具有较高的识别准确性,具备一定的实际应用意义.

基于机器视觉的智能电表外观缺陷检测系统设计

针对智能电表外观缺陷检测人工方法自动化程度低、劳动强度大、检测效率不高等问题,结合智能电表外观,设计了基于机器视觉的智能电表外观缺陷检测系统。系统选用高清相机、计算机和PLC控制器等搭建硬件平台,采用LabVIEW编写系统程序,提出适合智能电表外观缺陷检测的图像处理算法,利用中值滤波、二值化、边缘检测、模板匹配及OCR等图像处理技术,实现对智能电表LCD屏、标牌字符、条码及LED指示灯的缺陷检测,检测用时3s左右,检测效率高。本系统已应用在生产线上,结果表明系统检测准确度高可靠性强,能满足现代生产要求。

智能电能表内置负荷开关故障分析与测试研究

该文针对入网运行后出现内置负荷开关故障的智能电能表进行测试分析,详述了产生负荷开关运行故障的原因主要包括现场复杂运行环境影响、负荷开关质量问题、内部控制电路设计缺陷,并提出了针对智能电能表内置负荷开关故障的检测方法,指出了负荷开关技术规范应补充的具体内容。

基于智能电能表误差检测的非侵入式电网故障定位及运维调度

为提升电网故障恢复的效率,提出一种基于智能电能表计量大数据的故障处理调度方案。使用状态估计方法,将故障作为系统的临时负载处理,从而将误差检测非侵入式地扩展到故障识别,并基于电能表大数据,使用可变权值矩阵,对故障进行远程定位。提出在考虑故障紧急程度的情形下利用迭代局部搜索算法对运维任务进行调度。实验结果验证了该方案的有效性。

基于决策树和聚类算法的智能电表误差估计与故障检测

针对智能电能表故障检测问题,研究了低压电能系统模型,提出了一种电能表误差估计方法。该方法采用决策树对异常数据进行过滤,并对不同损失水平的数据进行分类,然后对数据进行聚类,得到不同使用行为的数据集。此外,建立了仪表数据矩阵,采用递推算法求解矩阵方程,对仪表误差进行估计。最终通过算例验证了所提方法的有效性。

电压检测芯片失效分析

近年来,随着智能电表的广泛使用,其质量和可靠性问题受到了人们越来越多的关注。但是,由于各种原因,产品投入市场后仍会出现各种失效现象。因此,对某智能电表的电压检测芯片的失效现象进行了分析,通过外观检查、电参数测试和X-射线测试等手段找到了该芯片的失效原因,并针对发现的问题提出了相应的改进意见。

使用智能电表实现配电网高阻抗故障的检测与定位

为了进一步促进配电网的高效、稳健运行,提出一种基于智能电表的配电网高阻抗故障的检测与定位方法。构建配电网高阻抗故障参数驱动模型,结合阻尼能量特征分析方法重建配电网高阻抗故障的数据,并分析故障分布特征量。采用智能电表进行配电网高阻抗的直流调制参数,通过直流额定有功功率补偿方法进行配电网高阻抗故障特征提取。结合机器学习算法对提取的配电网高阻抗故障特征量进行自适应学习的特征分类,在智能电表中实现配电网高阻抗故障特征融合和属性分类识别。最后通过优化的学习算法和故障特征聚类分析算法实现配电网高阻抗故障的优化检测和智能定位。仿真结果表明该方法对配电网高阻抗故障检测定位的精度较高,证明了该方法的有效性。