主要电力设备故障图像特征及识别方法研究改
发电机、断路器、GIS、电缆、变压器常见故障及诊断方法演示课件
采用火花探漏仪检测。检测时将火花探漏仪沿灭弧室表面移动，在其高频 电场作用下内部有不同的发光情况。若管内有淡青色辉光，说明真空度在 133×10-3Pa以上；若成蓝红色，说明管子已经失效；若管内已处于大气状态， 则不会发生。
Discharge & Plasma
2020/6/24
10
2. 用气相色谱法在线检测
发电机绝缘出现过热、局部放电等故障时，将分解出多种气体。因此也可 根据冷却气体中所含的其他气体的成分和数量来对绝缘状况进行在线检测。
表1-1和表1-2为用气相色谱仪来分析沥青云母绝缘和环氧云母绝缘过 热而分解的试验结果。
Discharge & Plasma
2020/6/24
20
介质损耗角正切值(tanδ)的测量
油断路器和其他断路器
对有并联电容器的，应测量并联电容器的电容值和tgδ。测得的 电容值与出厂值比较应无明显变化，电容值偏差在±5％范围内， 10kV下的tgδ值不大于下列数值
油纸绝缘
0.005
膜纸复合绝缘
0.0025
Discharge & Plasma
由于外施电压的波形与工作时相同，因此电场分布规律相同，真实性好。试 验电压的选择各国根据各自的情况来确定。我国取(1.3~1.5)Un,主要考虑：对 那些处于大修之前或者在局部更换绕组后的放电机，运行又在20年以下的取 1.5Un，对与架空线路直接相连的也取1.5Un；但对那些运行20年以上、又与 架空线路不直接相连的，试验电压可降低些。
2020/6/24
11
可见在正常工作温度下，如不高于100℃，沥青与环氧云母绝缘只分解出 微量的CO2；但如近200℃时，沥青云母绝缘就因过热而裂解出CH4、C2H6、 C2H4等气体；而环氧云母绝缘的耐热性比沥青云母绝缘好，要近300℃时 才过热损坏，出现CH4等气体。
电力系统故障波形图中关键点识别及分析
关键点分析：在电力系统故障波形图中，谐波干扰的分析是关键。通过对波形图的观察和分析， 可以确定谐波干扰的来源、传播途径和影响范围，为后续的治理提供依据。
PART FOUR
故障定位：通 过关键点识别， 快速准确地定 位电力系统中 的故障位置。
故障类型识别： 根据关键点的 特征，识别出 故障的类型， 如短路、断线
等。
保护装置动作 评估：利用关 键点识别技术， 评估保护装置 的动作行为是
否正确。
故障恢复与预防： 通过对关键点的 分析，制定针对 性的故障恢复和 预防措施，提高 电力系统的稳定
性和可靠性。
故障发生背景：某地区电力系统出现故障，导致大面积停电 关键点识别：通过故障波形图识别出故障发生的原因 案例分析：分析故障发生的原因，如设备老化、人为操作失误等 解决方案：提出相应的解决方案，如更换设备、加强人员培训等
分析方法：通过观察 曲线的变化趋势和特 征，结合实际运行经 验，对故障进行定位 和定性分析
短路故障波形 图
断相故障波形 图
接地故障波形 图
谐振故障波形 图
电压幅值：表示故障发生时电压的大小 波形畸变：表示电压波形是否正常 频率：表示电压的频率是否正常 相位差：表示不同相位的电压之间的角度差是否正常
远程监控技术：实 时监测电力系统的 运行状态，及时发 现故障并进行处理
智能运维：利用大数 据、人工智能等技术 对电力系统进行智能 化管理，提高运维效 率
发展趋势：随着物联 网、5G等技术的发展 ，远程监控与智能运 维将更加普及和智能 化
展望：未来电力系统 将实现全面远程监控 与智能运维，提高电 力系统的安全性和稳 定性
电力设备的故障诊断与分析方法
电力设备的故障诊断与分析方法随着电力设备的不断更新和发展，现代化的电力系统越来越复杂，电力设备的故障问题也日益凸显。
电力设备的故障一旦发生，不仅会影响电力系统的正常运行，还可能会对人员和设备造成安全隐患。
因此，对电力设备的故障进行及时、准确的诊断与分析显得尤为重要。
本文将探讨电力设备故障诊断与分析的方法及其实际应用。
一、故障诊断的方法1. 监测系统监测系统是电力设备故障诊断的重要手段之一，通过监测设备运行参数的变化，可以及时发现异常情况。
常见的监测系统包括温度、湿度、电流、电压等参数的监测。
当设备运行参数超出正常范围时，监测系统会发出警报，提示操作人员进行故障排查。
2. 故障记录故障记录是电力设备故障诊断的重要依据，可以帮助工程师了解设备的故障历史，从而分析故障的原因。
对设备进行定期的故障记录，可以帮助发现故障的重复性和规律性，为后续的故障诊断提供重要参考。
3. 检测工具现代化的电力设备故障诊断离不开各种高精度的检测工具，如红外热像仪、振动分析仪、局部放电检测仪等。
这些检测工具可以全面、准确地检测设备的运行状态，帮助工程师快速定位故障点，并采取相应的维修措施。
二、故障分析的方法1. 常见故障分类电力设备的故障可以分为电气故障、机械故障和热故障等多种类型。
在进行故障分析时，工程师需要根据不同类型的故障特征，采取相应的分析方法。
比如对于电气故障，可以通过测量电流、电压等参数来判断故障原因；对于机械故障，可以通过振动分析等手段来确定故障位置。
2. 故障原因分析在进行故障分析时，除了要了解故障类型外，还需要深入分析故障的根本原因。
常见的故障原因包括设备老化、磨损、设计缺陷等。
通过对故障原因的深入分析，可以为后续的设备维护和改进提供重要参考。
3. 实时监测与预警除了传统的故障诊断与分析方法外，现代化的电力设备还可以通过实时监测与预警系统来提前发现潜在的故障隐患。
通过智能化的监控装置和数据分析系统，可以实现对电力设备的全面监测和分析，及时预警，减少故障发生的可能性。
主要电力设备故障图像特征及识别方法研究改
摘要摘要内容伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高效运行的最为主要的因素之一。
对于各类变电设备的在线状态监测系统的推广越来越发普及。
研究基于图像特征的电力设备自动故障识别具有重要意义。
本文对各类主要电力设备，研究各类变电设备故障识别分类及相应故障的图像特征，以及基于红外与紫外图像特征的故障识别方法。
对于紫外放电成像技术图像的处理与特征提取，本文从紫外成像技术的基本原理出发，在讲解紫外放电图片特性的基础上，对紫外放电图像使用灰度化预处理，以及应用中值滤波等方法对图像进行降噪。
并通过canny算子边缘检测计算紫外光斑面积判断是否发生放电故障。
针对红外故障图像，本文在红外成像原理的基础上，对红外图像进行超像素分割及HSV空间颜色提取，对应用卷积神经网络对红外故障图像故障区域检测进行理论上的研究。
关键词：红外成像紫外成像图像处理ABSTRACTWith the increasing scale of China's power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of the on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance.In this paper, various types of main power equipment, the study of various types of substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether the area of the UV spot to determine whether the discharge fault. Aiming at thefault infrared image, this paper on the basis of the principle of infrared imaging, the infrared image were super pixel segmentation and HSV color space extraction, the convolutional neural network is applied to fault section detection of infrared fault image of theoretical research.KEY WORDS:目录第一章1.1课题背景伴随着我国国民经济水平的前进与发展,全国各地对电力的需求不断增长,推动我国电网规模不断加大、同时向超高压、大容量和智能化的路线前进。
电力系统中的故障识别与处理技术研究
电力系统中的故障识别与处理技术研究电力系统是现代社会不可或缺的基础设施之一，其作用是将电能从发电站输送到用户手中，为人们的日常生活和各种工业、商业活动提供必要的电力供应。
然而，电力系统的运行不止有优点，也存在一些安全隐患，如电力故障，这些故障对电力系统的正常运行造成了极大的影响。
为了保障电力系统的安全可靠运行，电力系统中的故障识别与处理技术成为了研究的重点之一。
一、电力系统中常见的故障形式电力系统中的故障是指由于人为或自然原因，导致电力系统中某个部分或者整个系统不能正常运行的状态。
电力系统中常见的故障形式包括电流过载、短路、接地故障、电压Drift和频率扰动等。
其中，电流过载指的是额定电流被超载。
短路是电路中线路之间或线路与地之间的绝缘失效产生的结果。
接地故障是指发生漏电流现象，被接地的电流量大于故障电流的状态。
电压Drift是指电压的变化程度，如电压波动、电压降等。
频率扰动是指电力系统运行中频率不稳定，波动幅度大的情况。
以上种类的故障造成的危害程度不同，因此需要对不同种类故障进行隔离和处理。
二、电力系统中的故障识别技术电力系统中的故障识别技术主要是指利用设备和方法对电力系统运行中的故障进行诊断。
传统的方法是通过人工巡检，发现故障后进行维修。
但随着科技的发展，自动化诊断系统开始出现。
1.传感器技术传感器技术是实现电力系统故障识别的关键技术之一。
传感器可以实时获取电压、电流、频率、温度、湿度等电力系统运行参数信息。
通过对传感器测得的数据进行分析，可以快速准确地诊断故障点。
2.数据分析技术数据分析技术是指利用数学、模型、算法等方法对传感器采集到的数据进行处理和分析，用于制定针对性的故障诊断和处理策略。
常见的数据分析方法包括统计模型、神经网络、遗传算法等。
3.内置式故障诊断技术内置式故障诊断技术是指将电力系统故障识别模块集成到电力设备中，实现全时自动故障诊断。
内置式故障诊断技术具有快速、准确、稳定、可靠等特点，适用于较为复杂的电力系统。
基于图像分析的电力设备故障检测技术研究
基于图像分析的电力设备故障检测技术研究冯俊【摘要】电力设备过热故障可以通过采集的红外图像进行识别。
因此，提出基于红外热图像分析的电力设备热故障检测技术，该技术下的电力设备热故障检测系统由图像采集模块和红外图像检测模块构成。
通过红外图像配准方法，确保电力设备红外图像的采集位置同原始位置一致，提高总体热故障检测的精度。
依照数据库中已经完成设置的电力设备图像特征点位置，采集完成红外图像配准区域的温度信息。
凭借温度信息相互对比获取的结果，实现电力设备热故障检测，并且发出警报。
给出了拉普拉斯锐化算法的关键代码，以实现对电力设备红外图像的锐化处理，提高图像清晰度。
实验结果说明，所提出的技术在检测电力设备热故障过程中，具有较高的检测精度和鲁棒性。
%The overheat fault of power equipments can be recognized by the acquired infrared image. Therefore,the over⁃heat fault detection technology based on the infrared thermal image analysis is proposed for the power equipments,by which the heat fault detection system of the power equipments is constituted of image acquisition module and infrared image detection module. The infrared image registration method can ensure the acquisition position of power equipment infrared image in accordance with original position,and improve the accuracy of the overall heat fault detection. According to the location of image feature points of the power equipment set in database,the temperature information in the infrared image registration area is collected. In combi⁃nation with the results coming from the comparison among temperature information,the overheat fault detectionof power equip⁃ments is achieved,and the alarm is raised. The key code of Laplace sharpening algorithm is provided to realize the sharpening processing of power equipment infrared image,and improve the image resolution. The experimental results indicate that the pro⁃posed technology has high detection accuracy and robustness in the process of detecting the overheat fault of power equipments.【期刊名称】《现代电子技术》【年(卷),期】2015(000)024【总页数】5页(P7-11)【关键词】红外图像;电力设备;热故障;拉普拉斯锐化算法【作者】冯俊【作者单位】国网重庆市电力公司长寿供电分公司，重庆 401220【正文语种】中文【中图分类】TN911.73-34;TP301随着经济的快速发展，电力系统规模不断扩大，人们对电力系统的依赖性和安全性要求逐渐增强。
基于图像识别技术的电力设备故障诊断研究
基于图像识别技术的电力设备故障诊断研究电力系统是现代社会不可或缺的基础设施，而电力设备是电力系统的重要组成部分，它的安全性和可靠性对于电力系统的运行和供电质量有着至关重要的影响。
然而，在电力设备的长期运行过程中，由于人为操作不当、设备老化等原因，难免会发生故障。
这时，及时进行故障诊断，对于维护电力系统的稳定运行和保障供电质量具有重要意义。
而基于图像识别技术的电力设备故障诊断，已经成为了一个研究的热点。
一、基于图像识别技术的故障诊断优势在传统的电力设备故障诊断方法中，一般采用人工判断和仪器检测相结合的方式。
然而，在面对大规模的设备故障和复杂的故障模式时，这种方法往往存在着一定的局限性。
与传统方法不同的是，基于图像识别技术的故障诊断方法在实际应用中有着明显的优势。
1. 提高诊断的准确性和精度基于图像识别技术的故障诊断方法可以快速准确地识别出电力设备中存在的缺陷、故障等问题，能够更加精准地定位和判断故障点，从而可以更快速地进行设备维修和保护，避免了反复检测以及误判等问题。
2. 增加诊断的效率和速度基于图像识别技术的故障诊断方法可以快速处理大量的图像和数据，可以快速地进行分析和判断，提高了工作效率和速度。
在大型电力系统中，无需对每一个设备进行详细的观察和检测，而是可以通过图像识别技术快速地找出存在的问题，并加以解决。
3. 简化操作流程和降低人工成本基于图像识别技术的故障诊断方法无需对每一个设备进行详细的记录和排查，可以通过图像识别技术快速地找出存在的问题。
这样可以简化操作流程，减少人工的参与，有效降低了人工成本和维护成本。
二、基于图像识别技术的故障诊断方法分类有许多基于图像识别技术的故障诊断方法已经被开发出来，它们多种多样，下面就几种典型的方法进行介绍。
1. DWT 和 SVM 组合算法Wavelet 变换是 DWT 的缩写，它是一种多尺度信号处理技术。
在 DWT 和SVM 组合算法中，首先进行 Wavelet 变换处理，将电力设备图像转换为压缩后的低维数据，然后用这些数据来训练 SVM 算法，识别出故障类型，从而完成基于图像识别技术的故障诊断。
基于像处理的电力设备故障模式识别与处理
基于像处理的电力设备故障模式识别与处理近年来，在电力系统中，电力设备的故障模式识别与处理一直是一个关注的焦点。
通过使用像处理技术，可以有效地对电力设备的故障模式进行分析和识别，并及时采取适当的处理措施，以避免电力系统的故障扩大化。
本文将重点介绍基于像处理的电力设备故障模式识别与处理的方法和应用。
一、像处理在电力设备故障模式识别中的应用在电力设备故障模式识别中，像处理技术可以通过分析电力设备的故障图像，提取出关键的特征信息，进而对故障模式进行识别。
具体的应用包括以下几个方面：1. 特征提取：通过使用像处理技术，可以对电力设备的故障图像进行滤波、增强和降噪等预处理操作，提取出图像中的有用信息。
例如，可以使用边缘检测算法来提取电力设备故障图像中的边缘特征，从而帮助进行故障模式的区分和识别。
2. 特征选择：在进行故障模式识别时，需要选择出能够最好地反映故障特征的特征参数。
像处理技术可以通过对图像进行分析和处理，选择出最具有代表性的特征参数。
例如，可以使用主成分分析法对图像进行降维处理，提取出最具有代表性的主成分特征。
3. 模式识别：通过建立适当的故障模式分类模型，可以对电力设备的故障模式进行自动化识别。
像处理技术可以提供丰富的图像特征，进而帮助构建准确的分类模型。
常用的模式识别方法包括神经网络、支持向量机等。
二、基于像处理的电力设备故障模式识别与处理的算法研究基于像处理的电力设备故障模式识别与处理的算法研究是实现电力设备故障预测和智能化维护的关键。
以下是一些常用的算法方法：1. 高斯滤波算法：通过使用高斯滤波算法对电力设备故障图像进行滤波处理，可以降低图像噪声，提高图像质量。
该算法在故障模式识别中常用于图像预处理环节。
2. 边缘检测算法：通过使用边缘检测算法，可以提取图像中物体的边缘轮廓信息。
常用的边缘检测算法包括Sobel算子、Canny算子等。
在电力设备故障模式识别中，边缘检测算法可以帮助识别出电力设备图像中的故障边缘。
电力设备故障图像特征及识别方法研究改
电力设备故障第像特征及识别方法研究改作者：黄祥冰摘要“傻逼”一词经过多年的民间流传，已经深入到广大中国人民的生活之中。
该词以市井的语言特点和丰富的意义内涵对现代社会的一些特定心态以及衍生出的现象作出了高度概括，被人群特别是青年人广泛应用于网络和日常语言中。
本文将通过分析“傻逼”一词的涵义和用法展开论述，深入探讨“傻逼”所指涉的社会活动及心理特点，力求厘清其内涵和外延。
因研究需要，本论文存在大量不洁词汇，请未满十八岁读者在家长指导下阅读。
关键词：傻逼；当代社会；符号绪论本文是笔者论文后遗症的产物，简而言之，即是以一种非常傻逼的方式讨论傻逼问题。
众所周知，“傻逼”一词产生后迅速在民间普及，虽因语言粗俗而不能容纳于主流话语范畴，但已成为网络和日常语言中的高频词汇，具有强大的实用性和宽广的适用范围。
目前大众对傻逼的理解已达成基本共识，但仍存在一定的歧义和误区，知其然而不知其所以然。
因此，有必要对这一概念及相关实践进行系统梳理和全面认识。
一、研究的背景和意义傻逼一词蔚然成风，举国上下逼不离口，然而，什么是装、什么是逼、什么是傻逼、哪些行为属于傻逼、傻逼是心理行为还是生理行为，大众并非清晰知晓。
在此背景下开展傻逼研究，有助于树立正确的人生观和世界观，为社会主义和谐价值观的构建打下良好的基础。
二、国内外研究现状目前国外尚未见到“Be pussy”之类的特定词汇意指某些傻逼行为，更无成文的专业研究，由此可见，傻逼是一个具有浓郁中国文化特色的问题。
如果用“傻逼”的一般性定义来衡量，古今中外都存在着渊源流长、数不胜数的傻逼言行，但只有中国人民对此进行了高度概括，充分体现了中华民族的伟大智慧和文化底蕴。
目前国内网络上关于傻逼的文章极多，较著名的有傻罗的《怎样成为一个文坛傻逼犯》、天涯开心论坛的《不完全傻逼指南》、王三表的《论傻逼》等等，其中多为对他人傻逼行为的嘲讽，并无关乎“傻逼”本质的系统论述。
1.2国内外研究现状红外热像仪成像技术在电力系统的应用变压器红外在线监测系统在电力系统的推广应用是电力生产自动化、信息化发展的必然趋势和要求，它不仅能够取代人工测温，而且做到实时在线监测变压器的发热状况，防止和减少事故发生，提高了变压器的安全运行水平，保障了电网的正常供电。
电力设备的故障检测与排除方法
电力设备的故障检测与排除方法近年来，随着电力行业的不断发展和电力设备的日益智能化，电力设备的故障检测与排除，成为了电力运营和维护中一个重要的课题。
本文将介绍几种常见的电力设备故障检测与排除的方法，并探讨其优缺点。
一、红外热像仪检测红外热像仪技术是近年来广泛应用于电力设备故障检测与排除中的一种方法。
该技术通过检测电力设备表面的温度分布情况，来发现潜在的故障点。
红外热像仪可以实时监测设备的热量分布，并将其以彩色图像的形式显示出来，直观地反映设备的运行状态。
然而，红外热像仪也存在一些局限性。
首先，其应用范围相对有限，只能对表面温度进行检测，无法深入到设备内部进行故障的准确定位。
其次，红外热像仪对环境条件的要求较高，如光线、温度和湿度等因素都会对检测结果产生影响。
因此，在使用红外热像仪进行故障检测时，需要综合考虑实际情况，避免误判和漏判。
二、超声波检测超声波检测是一种通过探测声音在材料内传播特性来识别设备故障的方法。
超声波检测可以对设备进行非接触性的检测，不影响设备正常运行。
超声波检测的优势在于可以深入到设备内部，对隐蔽的故障点进行准确定位。
例如，对于变压器绕组中的故障，超声波检测可以通过探测波的反射和穿透情况，来判断绕组中是否存在故障。
然而，超声波检测也存在一些不足之处。
首先，超声波检测需要专业的设备和人员操作，成本较高。
其次，不同类型的故障需要选用不同的超声波检测方法，这对操作人员的技术要求较高。
因此，在进行超声波检测时，需要充分调研和培训，确保检测的准确性和可靠性。
三、振动分析振动分析是一种通过检测设备的振动信号来判断设备是否存在异常情况的方法。
振动分析主要通过对设备振动信号的频谱分析，来识别故障的类型和位置。
振动分析技术可以应用于各种类型的电力设备，包括发电机、轴承和齿轮等。
通过分析振动信号的频谱特征，可以判断设备是否存在轴线偏移、失衡和磨损等故障。
然而，振动分析技术在实际应用中也存在一些挑战。
高压输电系统的形象识别与故障定位
高压输电系统的形象识别与故障定位一、引言高压输电系统是现代社会电力供应的重要组成部分，承担着电能传输的重要任务。
然而，由于线路覆盖范围广、线路变化复杂等原因，其形象识别与故障定位一直是一个具有挑战性的问题。
本文将探讨高压输电系统的形象识别方法以及故障定位技术，以提高电网的稳定运行和可靠性。
二、高压输电系统的形象识别技术形象识别是指通过对输电线路、变电站等组成要素进行特征提取和图像处理，从而实现电网系统的自动化监控和运行状态的判断。
在高压输电系统中，形象识别技术可以分为以下几个方面：1. 图像获取技术：采用红外热像仪、无人机等技术，对输电设备进行全面、准确的图像采集。
2. 图像处理技术：通过图像处理算法，对采集的图像进行降噪、增强、分割等处理，提取出关键特征信息。
3. 特征提取和分类技术：采用机器学习、深度学习等方法，对提取的特征进行分析和分类，实现对输电线路等要素的自动识别和分类。
三、高压输电系统的故障定位技术故障定位是指针对输电线路、变电站等组成要素发生的故障进行定位，准确找出故障点并及时修复，保证电网的正常运行。
故障定位技术主要包括以下几个方面：1. 电缆故障定位技术：利用高频脉冲方法、反射法等技术，对电缆中的故障点进行定位，并确定故障类型。
2. 绝缘子污秽定位技术：利用红外热像仪等设备，对绝缘子表面的污秽程度进行检测和定位。
3. 输电线路的故障定位技术：采用全波反射法、时域反射法等技术，对输电线路中的短路、接地等故障进行定位。
4. 变电站的故障定位技术：采用图像处理技术，对变电站的开关设备、继电器等进行故障诊断和定位。
四、高压输电系统形象识别与故障定位的应用案例为了更好地说明高压输电系统的形象识别和故障定位技术的重要性和实用性，以下列举一个典型应用案例：某省某高压输电线路的电力系统遭遇了一次严重的故障，导致线路断电。
通过使用红外热像仪对整个线路进行检测，发现线路的一个绝缘子上有明显的过热现象。
电力设备IR图像特征提取及故障诊断方法研究
电力设备IR图像特征提取及故障诊断方法研究李鑫;崔昊杨;许永鹏;李高芳;秦伦明【期刊名称】《激光与红外》【年(卷),期】2018(048)005【摘要】针对电力设备红外图像批量诊断中故障特征参量提取及参数配置难题,采用粒子群算法(PSO)与Niblack算法相结合的方法,将设备热像从背景中分割出来并提取出设备的最低、最高及平均温度等参量,通过计算设备各温升特征,构建支持向量机(SVM)样本特征空间.采用优化的蝙蝠算法(BA)对SVM参数进行寻优,并利用最优参数配置下的SVM实现设备故障诊断.对220组图像样本测试结果表明:该红外图像故障诊断方法在电力设备热故障缺陷检测方面的效率及准确率较高,适用于电力大数据中非结构化红外图像的批量分析与处理.%Aiming at the problem of defect test and parameter assignment in the batch diagnosis of power equipment infrared image,PSO and Niblack algorithm are used to separate the equipment thermal image from the background and extract the lowest,highest and average temperature.Then,the SVMsample feature space can be constructed by calcu-lating the temperature rise characteristics of the equipment.The support vectormachine(SVM)parameters are opti-mized by using the optimized bat algorithm(BA),and the equipment defects diagnosis is realized by SVM under the optimal parameter configuration.According to the 220 groups of image sample testing results,the proposed method has high efficiency and accuracy in thermal defects detection of power equipment,and is suitablefor batch analysis and processing of unstructured infrared images in large power data.【总页数】6页(P659-664)【作者】李鑫;崔昊杨;许永鹏;李高芳;秦伦明【作者单位】上海电力学院电子与信息工程学院,上海 200090;上海电力学院电子与信息工程学院,上海 200090;上海交通大学电气工程系,上海 200240;上海电力学院电子与信息工程学院,上海 200090;上海电力学院电子与信息工程学院,上海200090【正文语种】中文【中图分类】TP391.41【相关文献】1.基于第二代小波变换的电力设备图像特征提取 [J], 郑军;诸静2.复杂电力设备突发故障诊断方法研究与仿真 [J], 王海峰;陆军3.基于图像特征提取的飞行器故障诊断系统设计 [J], 陈思;贺志伟4.基于改进BRISK算法的图像特征提取方法研究 [J], 陈婵; 管启; 朱鸣镝5.基于引导滤波的电力设备热故障诊断方法研究 [J], 黄志鸿;吴晟;肖剑;张可人;黄伟因版权原因，仅展示原文概要，查看原文内容请购买。
基于图像处理的电力设备故障诊断与预测技术研究
基于图像处理的电力设备故障诊断与预测技术研究电力设备在电力系统中起着至关重要的作用，故障诊断和预测技术对于确保电力系统的稳定运行和提高设备可靠性至关重要。
基于图像处理的电力设备故障诊断与预测技术通过分析电力设备图像，实现对设备状态的监测、故障诊断和预测，为电力设备运维提供重要支持。
一、基于图像处理的电力设备故障诊断技术基于图像处理的电力设备故障诊断技术主要运用计算机视觉和模式识别的方法，通过对电力设备图像进行特征提取和分析，实现对设备故障的自动识别和定位。
1. 图像特征提取电力设备图像中蕴含了大量的信息，如纹理、形状、颜色等。
通过合适的图像特征提取算法，可以将这些信息抽取出来，并用于设备故障的诊断。
常用的图像特征提取方法包括灰度共生矩阵、小波变换和局部二值模式等。
2. 故障诊断与分类利用已提取的图像特征，可以构建故障分类模型，实现对电力设备故障的自动识别和定位。
常用的故障诊断方法包括支持向量机、人工神经网络和深度学习等。
二、基于图像处理的电力设备故障预测技术电力设备故障预测技术可通过对电力设备图像进行连续监测和分析，实现对设备未来状态的预测和判断，及时采取维护措施，预防设备故障。
1. 图像连续监测通过监测电力设备的图像变化，可以实时获取设备状态的信息，为故障预测提供数据基础。
此时，可利用图像处理算法对电力设备图像进行实时分析，并对设备状态进行监控。
2. 故障预测模型构建基于已连续监测到的图像数据，可以建立故障预测模型，通过模式识别和机器学习的方法，预测设备未来状态的发展趋势。
常用的故障预测模型包括马尔可夫模型、长短期记忆网络等。
三、基于图像处理的电力设备故障诊断与预测技术的应用基于图像处理的电力设备故障诊断与预测技术在电力系统中具有广泛的应用前景。
1. 提高设备维护效率通过自动化的故障诊断与预测技术，可以实现对电力设备的远程监测和智能化维护，减少人工巡检的时间和成本。
及时发现和预防设备故障，提高设备的维护效率。
基于图像处理的电气工程设备故障检测研究
基于图像处理的电气工程设备故障检测研究电气工程设备的故障检测是一个非常重要的课题，它直接关系到电力系统的稳定运行。
传统的故障检测方法往往依赖于人工经验和传感器数据，无法满足对大规模电力设备故障的准确率和实时性要求。
然而，随着计算机视觉和图像处理技术的不断发展，基于图像处理的故障检测方法逐渐成为研究热点。
一、图像处理在电力设备故障检测中的应用1.1 图像采集技术图像采集技术是基于图像处理的电力设备故障检测的基础。
目前，常见的图像采集设备包括红外热像仪、数字摄像机等。
红外热像仪能够通过红外辐射检测设备表面的热量分布，从而识别出设备潜在的故障点。
数字摄像机则可以实时采集设备的表面图像，并通过图像预处理得到更清晰的图像。
这些图像采集设备能够提供可靠的数据支持，为后续的图像处理算法提供高质量输入。
1.2 图像预处理技术在进行故障检测之前，首先需要对采集到的图像进行预处理。
图像预处理包括图像去噪、图像增强等步骤，用于提高图像质量。
去噪算法一般采用中值滤波、小波去噪等方法，能够有效去除图像中的噪声。
而图像增强算法则通过调整图像的对比度、亮度等参数，使得图像更加清晰。
预处理后的图像能够更好地展现设备的细节信息，为故障检测奠定基础。
1.3 故障特征提取故障特征提取是基于图像处理的电力设备故障检测的核心环节。
通过分析图像中的纹理、颜色等特征，可以识别出设备表面存在的破损、腐蚀、放电等故障。
常用的故障特征提取方法包括灰度共生矩阵、小波变换等。
灰度共生矩阵是一种描述图像纹理的统计方法，通过计算统计图像局部灰度级别间的概率特征以及像素间的空间关系，可以得到图像的纹理特征。
小波变换将图像分解成不同尺度的子图像，能够提取图像的局部特征。
1.4 故障识别与分类故障识别与分类是基于图像处理的电力设备故障检测的最终目标。
通过提取的故障特征，利用分类算法进行故障识别和分类。
常用的分类算法包括支持向量机、神经网络等。
支持向量机是将故障特征映射到高维特征空间，并找到最优的超平面将不同类别的故障分开。
电力设备巡检缺陷图像智能识别技术研究
DOI ：10.14182/ki.1001-2443.2022.06.004电力设备巡检缺陷图像智能识别技术研究吕强1，王伟1，马国强1，张益明2，李晖3，王力4（1.国网甘肃省电力公司超高压公司甘肃兰州730070；2.国网甘肃省电力公司甘肃兰州730050；3.国网甘肃省电力公司天水供电公司甘肃天水741099；4.兰州倚能电力（集团）有限公司甘肃兰州730071）摘要：电力设备具有点多、面广、长期暴露野外等特点，运行过程中易受外界环境等多方面因素影响。
外界环境因素包括风偏、鸟害、覆冰、雷击、山火等，其他因素还有设备老化、质量、设计、验收、运维等，单一因素或多个综合因素都可导致设备故障，进而造成大面积停电，严重影响设备运行。
随着无人机电力设备巡检的应用和发展，无人机巡检数据不断的积累，通过智能化处理手段，利用无人机巡检数据的获取电力设备缺陷信息，对巡检数据中存在的规律性、潜在性、趋势性问题和隐患进行自动判断识别，对数据进行关联分析和综合应用，可以深入地判断电力设备健康状态水平，并为运维部门提供更为准确的决策依据。
关键词：电力设备；设备故障；无人机；缺陷信息；自动判断识别中图分类号：X87文献标志码：A 文章编号：1001-2443（2022）06-0545-08在采用无人机巡检时，地面遥控设备能将无人机采集的巡检图像传输到地面，但由于受到无线传输带宽的限制，传输的巡检图像质量、分辨率均受到影响，不能全面地、清晰地实时研判电力设备的缺陷，需要将高分辨率的巡检图像记录下来，事后分析其存在的缺陷。
因此，当前无人机巡检的方式是利用图像采集装置快速将电力设备以连续图像方式拍摄记录下来，在无人机巡检时不进行过多的停留用以发现设备缺陷，而专注于采集并存储完整、清晰的电力设备图像，这样能有效提高无人机的巡检效率，而将采集的巡检图像在地面通过图像分析手段发现设备存在的缺陷［1-2］。
由于无人机一次巡检采集了大量的、高分辨率巡检图像，对电网巡检人员提出了新的要求，从以地面人工巡检方式转换到采用计算机从巡检的图像上发现设备缺陷，是一种对巡检人员素质要求较高、且劳动强度较大的工作。
基于图像处理的电力设备检测与识别方法研究
基于图像处理的电力设备检测与识别方法研究1. 引言近年来，随着电力行业的不断发展，电力设备的数量和种类也在不断增多。
为了确保电力系统的安全运行，及时检测和准确识别电力设备的状态成为一项重要任务。
图像处理技术作为一种有效的方法，已经被广泛应用于电力设备检测与识别方面。
本文将对基于图像处理的电力设备检测与识别方法进行研究。
2. 图像获取图像获取是基于图像处理的电力设备检测与识别的第一步。
目前，常见的图像获取方法有两种：传感器获取和图像采集设备获取。
传感器获取是一种通过传感器获取电力设备的图像，如红外传感器、雷达等。
而图像采集设备获取是通过使用相机或摄像机对电力设备进行拍摄或录制，获取设备的图像。
根据实际需求，选择适合的图像获取方法非常重要。
3. 图像预处理在图像处理的过程中，由于电力设备常常受到各种噪声和干扰，需要进行图像预处理来提取出更有效的信息。
图像的预处理包括图像去噪、图像增强、图像分割等步骤。
图像去噪是通过一些滤波方法去除图像中的噪声，如中值滤波、均值滤波等。
图像增强是通过一些算法和技术改善图像的质量，如直方图均衡化、锐化滤波等。
图像分割是将图像分成不同的部分，提取出感兴趣的目标区域，比如通过基于阈值的方法来分割图像。
4. 特征提取特征提取是电力设备检测与识别的核心步骤。
通过对图像进行分析和处理，提取出具有代表性的特征，用于后续的分类和识别。
常见的特征提取方法有形状特征、纹理特征、颜色特征等。
形状特征是通过计算目标物体的形状参数，如周长、面积、凸度等来描述目标物体的特征。
纹理特征是通过计算目标物体的纹理信息，如灰度共生矩阵、小波变换等来描述目标物体的特征。
颜色特征是通过计算目标物体的颜色直方图、颜色矩等来描述目标物体的特征。
5. 分类与识别在特征提取完成后，需要进行分类与识别。
分类与识别是将目标物体进行归类和识别的过程。
常见的分类与识别方法有支持向量机、神经网络、决策树等。
这些方法可以根据提取到的特征对电力设备进行分类和识别。
高压设备红外图像自动故障识别方法与试验研究
高压设备红外图像自动故障识别方法与试验研究摘要：文章研究了一种高压设备红热图像自动故障识别方法。
根据电气设备故障红热图像特点以及电力红外诊断规范，提出了逐点扫描法根据热点温度用来寻找设备正常温度和环境温度，将该方法分析结果应用于电气设备红热故障分析的相对温差判断方法，并设计了一款电气红外故障识别软件，软件对导入的红外图片中的异常点进行全方位扫描，判断设备故障信息。
最后，进行了设备红热故障模拟试验，针对电流互感器和电压互感器的模拟故障进行自动诊断。
结果表明，该方法实现了高压设备部分红外故障自动分析功能，提高了电力设备检测的工作效率，有助于电网的安全运行。
关键词：图像处理；故障诊断；相对温差随着电力工业向大机组、大容量与超特电压方向迅速发展，输配电的可靠性愈加重要。
长期的运行经验表明，设备的发热现象往往预示着极其严重的故障隐患，因此，对电力设备温度进行密切监控，准确有效地判别过热设备故障类型，及时发现并消除设备过热，对保证电网和设备安全稳定运行、大力推进集约化管理有着非常重要的意义。
红外热像诊断技术由此而成为电力设备状态检测的一项行之有效的手段，其具有操作安全、灵敏度高、检测诊断效率高、可进行计算分析等特点，所以近年来在国内外电力行业中应用日益广泛。
电流致热型故障采用红外图像识别成功率较高，相对温差法为电力运行中最常用的识别方法，这些方法需要操作人员结合红外成像仪和经验进行判断，不能自动识别。
红外诊断规则中相对温差法是故障判断的常用方法，需要红外图像中的热点温度、环境温度和设备正常温度。
针对红外图像，热点温度比较好获取，而环境温度和设备正常温度比较难。
目前研究中有通过温度像素点统计的直方图分析方法，有矩形框像素自动分析法，另外还有“米”字型直线分析方法，这些方法均不能快速自动、准确的找到红外图片中的环境温度和设备正常温度。
1 电气设备故障红外热像仪测量原理1.1 相对温差法判断方法通过相对温差计算，可以进行故障判断。
基于像处理的电力设备电弧故障诊断与处理
基于像处理的电力设备电弧故障诊断与处理基于图像处理的电力设备电弧故障诊断与处理电力设备的正常运行对于保障电力系统的稳定性和安全性至关重要。
然而，由于各种原因，电力设备可能会出现电弧故障，给电力系统带来严重的安全隐患和电力质量问题。
因此，研究基于图像处理的电力设备电弧故障的诊断与处理方法成为了重要的研究方向。
一、电弧故障的特点分析电力设备电弧故障的主要特点包括以下几个方面：1. 光谱特征：电弧故障产生的光谱具有明显的特征，可以通过光学传感器获取光谱数据。
2. 空间分布：电弧故障在电力设备中的空间分布不均匀，可以通过红外热像仪获取温度分布图像。
3. 时间变化：电弧故障的瞬态特性使得其在时间上具有一定的变化规律，可以通过记录时间序列数据进行分析。
二、基于图像处理的电弧故障诊断方法基于图像处理的电弧故障诊断方法可以分为以下几个步骤：1. 图像采集：利用光学传感器、红外热像仪等设备采集电弧故障的图像数据。
2. 图像预处理：对采集到的图像数据进行预处理，包括去噪、增强、边缘检测等操作，以提高后续处理的效果。
3. 特征提取：根据电弧故障的特点，提取图像中与故障相关的特征信息，例如光谱特征、温度分布等。
4. 特征分类：利用机器学习、模式识别等方法对提取到的特征进行分类，判断图像中是否存在电弧故障。
5. 故障定位：如果图像中存在电弧故障，进一步定位故障的位置，确定导致故障的具体原因。
三、电弧故障处理方法一旦电弧故障被诊断出来，需要及时采取处理措施以消除故障并保障电力设备的运行安全。
1. 切断电源：对于发生电弧故障的电力设备，首先应切断其供电电源，以防止继续扩大故障。
2. 引导电弧：利用合适的装置将电弧导向安全的位置，避免对设备和人员造成危害。
3. 绝缘处理：对于电力设备的绝缘材料，需要进行检测和维修，确保其绝缘性能符合要求。
4. 故障分析：对于造成电弧故障的具体原因，进行深入的故障分析和调查，查找根本原因，以防止类似故障再次发生。
电气设备红外图像故障辨识方法研究
／２０２４ ０５电气设备红外图像故障辨识方法研究赵海东（济宁市兖州区地方建材服务中心）摘 要：为高效且智能化辨识电气设备故障红外图像，本文基于传统电气设备故障红外图像检测方法存在的不足，提出以优化ＢＥＭＤ频域分解为基础的Ｒｅｓ ＬＳＴＭ网络模型。
针对ＢＥＭＤ算法分解红外图像时检测效率低下的问题，采用Ｇａｕｓｓｉａｎ滤波器替代原有滤波器以改进ＢＥＭＤ算法，使其分解速度大幅提升。
搭建Ｒｅｓ ＬＳＴＭ故障诊断网络，通过ＲｅｓＮｅｔ提取电气设备红外图像特征，并以ＬＳＴＭ网络诊断所提取特征的故障，以消融实验探讨所提算法的可靠性。
从结果看，文中所提方法有效性较高，有一定的推广价值。
关键词：电气设备；故障辨识；ＬＳＴＭ；网络结构０ 引言随着电气领域中深度学习技术的广泛应用［１，２］，在电气设备故障智能检测中引入目标检测网络技术已成为可能。
王勋等［３］通过在线硬样本挖掘技术改进Ｒ ＦＣＮ网络，实现智能化检测电气设备故障。
但上述方法所用目标检测网络未有效区分待检测图像的背景区域和电气设备区域，所检测特征不具备针对性。
通过ＣＮＮ ＬＳＴＭ网络诊断和提取电气设备故障，故障检测准确率有所提高，但所用卷积神经网络较深，且参数及模型复杂度较高，网络表现能力较差。
而残差神经网络（ＲｅｓｉｄｕａｌＮｅｔ，ＲｅｓＮｅｔ）应用了残差跳跃式结构，可在保证原有网络参数的基础上有效降低模型复杂度。
基于此，本文提出以优化ＢＥＭＤ频域分解效率的Ｒｅｓ ＬＳＴＭ电气设备红外图像故障辨识方法。
首先，以Ｇａｕｓｓｉａｎ滤波器替换原有两类滤波器以改进ＢＥＭＤ算法，减少所需时间，并据此分解电气设备红外图像频域，提取结构关键信息。
其次，结合Ｒｅｓ ＬＳＴＭ网络搭建电气设备故障红外图像辨识网络。
最后，搭建相关数据集，以消融实验验证所提方法的可靠性。
１ 基于优化ＢＥＭＤ频域分解的Ｒｅｓ ＬＳＴＭ电气设备红外图像故障辨识网络１ １ ＢＥＭＤ频域分解基本原理一般情况下，电气设备红外图像高频分量和低频分量分别为温度变化较剧烈区域和温度变化较缓慢区域。
基于改进rpn网络的电力设备图像识别方法研究
9特别策划0 引言对电力设备的精确识别，并以此作为评估依据诊断电力设备故障，是实现海量状态图像自动处理与分析的核心问题，其难点在于如何将目标设备与环境背景进行有效区分。
传统的图像分割识别方法，由于其二值化阈值的选取存在较大人为干扰因素，且受到背景光照的影响，很难对状态检测图像中的设备进行有效识别。
目前，对于目标检测识别多采用基于深度学习的two-stage 检测算法，例如RCNN ［1］、Fast RCNN ［2］、Faster RCNN ［3］以及最新研究结果Mask RCNN ［4］。
其中最典型的是Faster RCNN ，利用卷积对图像特征提取和RPN （region proposal network ，RPN ）网络推荐候选区方法，可识别出大多数场景中目标，但此类算法在处理复杂环境下同类电力设备背景干扰时，二维图像中目标设备往往与复杂背景相融，造成特征提取不准确，并进而造成目标设备识别准确率的下降。
为解决上述问题，近年来发展了多种基于Faster RCNN 算法的改进方法，利用目标设备的形状和区域大小等特征进行识别区域的限定，主要途径有2种：搭建新型网络，例如HyperNet ［5］、DetNet ［6］；以及针对算法内RPN 、Loss function 和batch 等机制进行改进，例如文献［7］提出了在RPN 中加入anchor refinement 模块实现对提议区域的初步筛选。
为了提高提议区域的特征表达能力，Uijlings 等人［8］在区域搜索过程中使用了策略合并；文献［9］等人在区域建议环节加入了注意力机制；Lin T Y 等人提出了特征金字塔［10］以及He K M 等人［11］提出了空间金字塔池化。
Zhou P 等人针对多尺度目标检测提出了尺度变换模块［12］。
而Peng C 等人采用large mini-batch 探测降低了检测耗费时间［13］；Hu H 等人［14］提出了relation module 并提出了去重模块代替NMS 提升了检测框架性能。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要摘要内容伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高效运行的最为主要的因素之一。
对于各类变电设备的在线状态监测系统的推广越来越发普及。
研究基于图像特征的电力设备自动故障识别具有重要意义。
本文对各类主要电力设备，研究各类变电设备故障识别分类及相应故障的图像特征，以及基于红外与紫外图像特征的故障识别方法。
对于紫外放电成像技术图像的处理与特征提取，本文从紫外成像技术的基本原理出发，在讲解紫外放电图片特性的基础上，对紫外放电图像使用灰度化预处理，以及应用中值滤波等方法对图像进行降噪。
并通过canny算子边缘检测计算紫外光斑面积判断是否发生放电故障。
针对红外故障图像，本文在红外成像原理的基础上，对红外图像进行超像素分割及HSV空间颜色提取，对应用卷积神经网络对红外故障图像故障区域检测进行理论上的研究。
关键词：红外成像紫外成像图像处理ABSTRACTWith the increasing scale of China's power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of the on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance.In this paper, various types of main power equipment, the study of various types of substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether the area of the UV spot to determine whether the discharge fault. Aiming at thefault infrared image, this paper on the basis of the principle of infrared imaging, the infrared image were super pixel segmentation and HSV color space extraction, the convolutional neural network is applied to fault section detection of infrared fault image of theoretical research.KEY WORDS:目录第一章1.1课题背景伴随着我国国民经济水平的前进与发展,全国各地对电力的需求不断增长,推动我国电网规模不断加大、同时向超高压、大容量和智能化的路线前进。
但也对各类电力设备的安全性及可靠性提出更为克刻的要求。
由于一旦电力设备和部件产生故障或缺陷，极易导致“链式反应”，致使整个电力系统不能正常工作，从而引发重大的经济损失，而存在隐患的设备故障和缺陷还会造成灾难性事故和人员伤亡，更是从源头波及社会方方面面造成恶劣影响。
故障识别与诊断技术给电力单位带来显著的生产利益，其经济意义集中表现在减少维修消耗和避免突发事故这两点上。
而且，研究表明，电气设备故障产生最直接最重要的原因是其绝缘性能发生劣化。
电气设备尤其是高压电气设备长期处于高电压、强场强运行条件下，同时承受户外风雨侵袭，不可避免会使得绝缘性能发生劣化。
伴随时间的日益推移，当劣化产生一定影响时，就会发生电力设备放电这种现象。
若没有及时找到电气设备放电的原因，对故障部件进行维修和更换，放任放电故障发展，结果极有可能导致设备击穿、闪络等现象，致使故障更为严重，波及范围也大大增加。
所以必须对电力设备的前期局部放电展开深入研究，对电力设备的绝缘能力特别是其外绝缘能力进行预先评价，保障电力设备安全高效运转，从而提高整体系统的可靠及稳定性。
每当电力设备放电时，放电部位会放出波长240致80nm的紫外辐射，对此信号进行有效的监测，将大大的有益于早期检测到放电现象。
而且电力设备，凡是其外部发生放电，均可得到其放电紫外图像，这导致紫外放电成像技术在电力设备在线状态监测特别是电力设备外绝缘监测方面的应用领域更加广泛。
1.2国内外研究现状1.2．1红外热像仪成像技术在电力系统的应用对变压器的红外成像在线状态监测系统在电力系统的普遍应用是电力企业对于追求信息化的必经之路，它不但可以代替人为测温，更是达到实时在线监测变压器的发热情况，避免和降低故障发生，保障了变压器的可靠运行，确保了电力系统的稳定供电。
电力设备的发热引发的故障是导致大面积停电等事故灾难的最为重要的诱导因素，一直以来怎样实时可靠的在线监测电力设备都是电力行业一个极具意义的问题。
变压器作为变电系统中最核心的电力设备，是整个变电环节运行的中心所在，其可靠性关乎整个变电网络。
在变压器的工作过程中，无论是负荷过大，还是油位出现了异常，其温度都会发生变化，若不及时发现将会引发变压器设备损坏等事故，直接威胁到供电安全。
公司对运行中的变压器的温度监测一直予以高度重视，对变压器的红外测温也有明确规定。
但是，随着电网发展和社会科技进步，变电系统的自动化、信息化要求不断严格，变电站大致上完成了无人值班或少人值守的阶段，现在基本通过红外测温仪对变电设备的检测都是通过人为测量的方法，这些都不能达到运转和监控自动化的目标。
从上世纪六十年代国外采用红外测温技术，七十年代起将红外成像仪安装于车辆或是直升机上对变电设备及高压输电系统产生的故障与缺陷做定期检测,伴随红外线探测设备,特别是红外线热成像设备的日益进步逐渐发展为专业的红外成像检测技术,而且更是编写出与之配套的技术标规和红外诊断故障判定标准,目前更是在全球各个发达国家当中普及,并得到了极佳的经济效果。
我国探寻发展对于电力设备应用红外测温技术起于20世纪七十年代初,应用国内开发的红外测温设备检测高压输电线路接头温度的试验研究工作,开创了我国红外技术的应用。
[1]从八十年代中期开始,随着性能优良可靠的红外诊断仪器的发展及主管部门的重视,通过一些电力科研单位的大量室内模拟试验和现场试验,取得了不少实践经验。
不但在现场试验中检测出了大量的缺陷与问题,通过立即的修理,避免了部分严重的灾难性的事故的出现,受到了极佳的反响,更是从中积攒了大量实践知识,慢慢完善了故障的评判准则。
1.2.2紫外成像技术在电力系统中的应用[2]早在1984年，前苏联西伯利亚电力科学研究院就将紫外成像技术运用于电力系统设备监测中，开发了紫外电子光学探伤仪，并用该探伤仪实现了电气设备外绝缘的监测。
然而，该设备难以避免日光对紫外图像的影响，因此只能夜间监测，且受天气因素影响较大。
为了实现采用紫外成像法对放电设备的实时监测，上世纪90年代，西方少数国家开始研制日盲型紫外成像仪，所谓日盲型紫外成像仪，就是紫外监测的结果不受日光的影响，即紫外成像是不吸收太阳光中紫外谱段。
至此，电力系统开始普遍采用日盲型紫外成像仪实现电气设备放电图像的实时监测。
现在电力行业中主要普及的是红外热成像检测技术，然而应用紫外成像技术在放电监测方面还在刚刚发展的阶段。
通过低通滤波手段对紫外成像图像处理降低紫外线放电图像中各类噪声；通过中值滤波理论，对紫外成像图像增强信噪比。
对于紫外放电光斑提取问题：通过改进的candy算法对紫外放电图像实施边缘提取,从而有效获得故障区域的放电光斑。
采用形态学分析理论，对放电光斑进行了自适应提取，同时该方法也能有效抑制噪声对紫外放电光斑提取的影响.第二章电力设备红外线故障图像2.1红外成像法检测原理红外辐射测温仪红外线辐射测温仪也叫红外测温仪，是一种对物体放射的红外线的温度检测仪器，它只能检测对象表面上某点四周确定面积的平均温度。
在不追求精准测量对象表面二维温度分布时，与别的设备相比较，具有简化结构、价格便宜、操作便携等优点。
[3]红外测温仪的基本原理是以被测目标的红外辐射能量与温度成一定函数关系而制成的仪器。
其工作时，被测目标的红外辐射能量经仪器透镜会聚，并通过红外滤光片进入探测器，探测器将辐射能转换为电能的信号，经放大器放大、电子电路处理，最终由显示器显示出被测物体的表面温度。
图2-2所示的是一个装有有目视对准系统的红外测温仪，通过45°的分光镜，可见光反射到分划板上，其刻有一圆环，圆环的面积应与光阑孔面积相同，分划板后安装有一组目视透镜，以使人确认测量对象的准确情况以及目标是否填充满小环。
[1]红外测温仪的基本结构必须包括光学系统、红外探测器、电信号放大及处理系统、结果显示系统和其它附属部分(包括目标瞄准器、供电电源与整体机械结构)等几个主要功能部分。
根据测温要求可分为单波段中低温测温仪(8-12μm)、高温测温仪(2-2.5μm)和高温比色测温仪。