留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于引导滤波的电力设备热故障诊断方法研究

黄志鸿 吴晟 肖剑 张可人 黄伟

黄志鸿, 吴晟, 肖剑, 张可人, 黄伟. 基于引导滤波的电力设备热故障诊断方法研究[J]. 红外技术, 2021, 43(9): 910-915.
引用本文: 黄志鸿, 吴晟, 肖剑, 张可人, 黄伟. 基于引导滤波的电力设备热故障诊断方法研究[J]. 红外技术, 2021, 43(9): 910-915.
HUANG Zhihong, WU Sheng, XIAO Jian, ZHANG Keren, HUANG Wei. Thermal Fault Diagnosis of Power Equipments Based on Guided Filter[J]. Infrared Technology , 2021, 43(9): 910-915.
Citation: HUANG Zhihong, WU Sheng, XIAO Jian, ZHANG Keren, HUANG Wei. Thermal Fault Diagnosis of Power Equipments Based on Guided Filter[J]. Infrared Technology , 2021, 43(9): 910-915.

基于引导滤波的电力设备热故障诊断方法研究

基金项目: 

国网湖南省电力有限公司科技项目 5216A520000V

详细信息
    作者简介:

    黄志鸿(1993-), 男, 湖南长沙人, 博士, 高工程师, 主要研究方向为电力设备故障智能诊断、红外图像处理。E-mail:zhihong_huang111@163.com

  • 中图分类号: TP751.1

Thermal Fault Diagnosis of Power Equipments Based on Guided Filter

  • 摘要: 电力设备热故障为一种常见的设备故障类型。本文提出一种基于引导滤波的电力设备热故障诊断方法。该方法包括两个主要步骤。首先,基于热故障区域与图像背景在红外图像上的温度差异特性,逐像素计算热故障区域与图像背景的马氏距离,获得初始的热故障诊断结果。然后,采用引导滤波对初始诊断结果进行优化,充分利用相邻像素之间的空间相关性,优化提升诊断结果。实验结果表明,与其他广泛应用的异常目标检测方法相比,本文提出的方法在热故障诊断精度上具有较大的优势,满足电力设备带电检测的应用需求。
  • 图  1  湘潭市某处220 kV变电站

    Figure  1.  A 220 kV substation in Xiangtan city

    图  2  所提出的GF方法流程图

    Figure  2.  The schematic diagram of the proposed GF method

    图  3  初始发热故障诊断结果图

    Figure  3.  Initial thermal fault diagnosis result

    图  4  最终发热故障诊断结果图

    Figure  4.  Final thermal fault diagnosis result

    图  5  不同方法在绝缘子发热故障的诊断结果图

    Figure  5.  Different diagnosis results on the fault of insult

    (e) LSMAD method (f) GF method

    图  6  不同方法在架空导线发热故障的诊断结果图

    Figure  6.  Different diagnosis results on the fault of line

    图  7  不同方法在绝缘子发热故障的诊断结果图

    Figure  7.  Different diagnosis results on the fault of insult

    图  8  有无引导滤波处理对诊断精度的影响

    Figure  8.  Diagnosis accuracy with and without the guided filtering step

    表  1  不同诊断方法的AUC指标

    Table  1.   AUC values of different diagnosis methods

    Test
    images
    RX LRX LSMAD GF
    1 0.9707 0.9075 0.8514 0.9929
    2 0.9901 0.6075 0.9114 0.9965
    3 0.9893 0.8481 0.9486 0.9988
    下载: 导出CSV

    表  2  不同诊断方法的运行时间

    Table  2.   Running time of different diagnosis methods

    Test
    images
    RX LRX LSMAD GF
    1 1.03 43.82 1.86 1.31
    2 0.53 23.75 0.92 0.67
    3 0.84 37.23 1.31 1.02
    下载: 导出CSV
  • [1] 刘嵘, 刘辉, 贾然, 等. 一种智能型电网设备红外诊断系统的设计[J]. 红外技术, 2020, 42(12): 1198-1202. http://hwjs.nvir.cn/article/id/a00b6f68-052d-40c0-a00f-1f0ff120ce69

    LIU Rong, LIU Hui, JIA Ran, et al. Design of intelligent infrared diagnosis system for power grid equipment[J]. Infrared Technology, 2020, 42(12): 1198-1202. http://hwjs.nvir.cn/article/id/a00b6f68-052d-40c0-a00f-1f0ff120ce69
    [2] 张文峰, 彭向阳, 陈锐民, 等. 基于无人机红外视频的输电线路发热缺陷智能诊断技术[J]. 电网技术, 2014, 38(5): 1334-1338. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201405034.htm

    ZHANG Wenfeng, PENG Xiangyang, CHEN Ruiming, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]. Power System Technology, 2014, 38(5): 1334-1338. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201405034.htm
    [3] 蒋昀宸, 樊绍胜, 陈骏星溆. 带电作业智能新技术及其应用现状[J]. 湖南电力, 2018, 38(5): 1-4. doi:  10.3969/j.issn.1008-0198.2018.05.001

    JIANG Yunchen, FAN Zhaosheng, CHEN Junxingxu. Smart newtechnologies and applications for live work[J]. Hunan Electric Power, 2018, 38(5): 1-4. doi:  10.3969/j.issn.1008-0198.2018.05.001
    [4] 康龙. 基于红外图像处理的变电站设备故障诊断[D]. 北京: 华北电力大学, 2016.

    KANG Long. Fault diagnosis of substation equipment based on infrared image processing[D]. Beijing: North China Electric Power University, 2016.
    [5] 王淼, 杜伟, 孙鸿博, 等. 基于红外图像识别的输电线路故障诊断方法[J]. 红外技术, 2017, 39(4): 383-386. http://hwjs.nvir.cn/article/id/hwjs201704015

    WANG Miao, DU Wei, SUN Hongbo, et al. Transmission line fault diagnosis method based on infrared image recognition[J]. Infrared Technology, 2017, 39(4): 383-386. http://hwjs.nvir.cn/article/id/hwjs201704015
    [6] 胡洛娜, 彭云竹, 石林鑫. 核猫群红外图像异常检测方法在电力智能巡检中的应用[J]. 红外技术, 2018, 40(9): 323-328. http://hwjs.nvir.cn/article/id/hwjs201809013

    HU Luona, PENG Yunzhu, SHI Linxin. Anomaly detection method of infrared images based on kernel cat swarm optimization clustering with application in intelligent electrical power inspection[J]. Infrared Technology, 2018, 40(9): 323-328. http://hwjs.nvir.cn/article/id/hwjs201809013
    [7] 魏钢, 冯中正, 唐跃林, 等. 输变电设备红外故障诊断技术与试验研究[J]. 电气技术, 2013, 14(6): 75-78. doi:  10.3969/j.issn.1673-3800.2013.06.020

    WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimental study[J]. Electrical Technology, 2013, 14(6): 75-78. doi:  10.3969/j.issn.1673-3800.2013.06.020
    [8] 林颖, 郭志红, 陈玉峰. 基于卷积递归网络的电流互感器红外故障图像诊断[J]. 电力系统保护与控制, 2015, 45(16): 87-94. doi:  10.7667/j.issn.1674-3415.2015.16.013

    LIN Ying, GUO Zhihong, CHEN Yufeng. Convolutional-recursive network based current transformer infrared fault image diagnosis[J]. Power System Protection and Control, 2015, 45(16): 87-94. doi:  10.7667/j.issn.1674-3415.2015.16.013
    [9] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网[J]. 自动化学报, 2016, 42(9): 1300-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201609002.htm

    CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolutional neural networks in image understanding[J]. Acta Automatica Sinica, 2016, 42(9): 1300-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201609002.htm
    [10] 贾鑫. 基于双监督信号卷积神经网络的电气设备红外故障识别研究[D]. 天津: 天津理工大学, 2018.

    JIA Xin. Research on Infrared Fault Identification of Electrical Equipment Based on Double Supervised Signal Convolution Neural Network[D]. Tianjin: Tianjin University of Technology, 2018.
    [11] 魏东, 龚庆武, 来文青, 等. 基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 中国电机工程学报, 2016, 36(5): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC2016S1003.htm

    WEI Dong, LONG Qinwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]. Proceedings of the CSEE, 2016, 36(5): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC2016S1003.htm
    [12] KANG Xudong, ZHANG Xiangping, LI Shutao, et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(10): 5600-5611. doi:  10.1109/TGRS.2017.2710145
    [13] HE Kaiming, SUN Jian, TANG Xiaoou. Guided image filtering[J] IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409. doi:  10.1109/TPAMI.2012.213
    [14] Durand F, Dorsey J. Fast bilateral filtering for the display of high - dynamic-range images[J]. ACM Transactions on Graphics, 2002, 21(3): 257-266. doi:  10.1145/566654.566574
    [15] Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Transactions on Acoustic Speech Signal Processing, 1990, 38(10): 1760-1770. doi:  10.1109/29.60107
    [16] ZHANG Yanfei, DU Bo, ZHANG Liangping, et al. A low-rank and sparse matrix decomposition-based mahalanobis distance method for hyperspectral anomaly detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(3): 1376-1389. doi:  10.1109/TGRS.2015.2479299
  • 加载中
图(8) / 表(2)
计量
  • 文章访问数:  22
  • HTML全文浏览量:  11
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-30
  • 修回日期:  2021-03-11
  • 刊出日期:  2021-09-20

目录

    /

    返回文章
    返回

    《红外技术》网站维护通知

    尊敬的专家、作者、读者:

    国庆假期期间(10月1日-3日)因设备维护,《红外技术》网站(hwjs.nvir.cn)将于2021年9月30日18:00-10月4日13:00关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

    《红外技术》编辑部

    2021年9月29日