电力红外图像

作为掌握设备运行状态的重要手段之一一，红外检测技术不仅可以快速地诊断出设备的各类外部过热缺陷，更重要的是可以根据设备的温度分布来判断设备内部可能存在的各种缺陷。 传统的带电检测会采集大量的红外图像，仅2018年山东公司带电检测就产生红外检测图像51.5万张，随着现场移动作业和带电检测标准化作业的开展，红外图像的检测数量将进一- 步增加。这些图像利用率极低，分析存在主观性、易漏检和误检等问题，且无法形成快速的 反馈机制，丧失最佳发现和处理时机。显然，传统的人工分析模式已无法满足信息化时代对红外图像的智能化分析和诊断。 本成果响应国家和国网公司人工智能发展需求，针对电力设备非结构化红外图像数据，建立主要变电设备的红外检测图像样本库，利用图像处理和深度学习技术，研究形成基于深度学习的设备及部件自动检测模型:通过融合被测设备基础台账及检测时刻气象、负载等多业务系统数据，形成基于大数据分析的红外检测图像智能化诊断算法，实现红外电流致热及电压致热型缺陷的自动识别诊断。

项目成果针对输变电设备带电检测获取的红外图像（热像）和局部放电图谱等图像图谱数据，利用图像处理技术对输变电设备关键状态进行分析，从图像图谱数据中快速提取反映设备状态的关键特征参数，实现非结构化数据的结构化存储和表达，为带电检测图像图谱数据的有效应用提供技术支撑。项目主要涉及输变电设备带电检测图像图谱数据的自动处理、分析及特征参数的选择、提取和结构化表达等关键环节，具体包括： 输变电设备红外图像核心特征提取和结构化表达方法。通过图像处理手段检测故障区域，识别设备故障部位，提取热点温度分布、局部过热区域、异常部位及温升、温差等特征参量。输变电设备局部放电图谱的信号恢复和特征参数提取方法。针对缺乏原始信号数据的局部放电图谱，通过图像处理相关技术，恢复图谱的波形信号，提取图谱的关键特征参量，实现主流厂商典型局部放电图谱的数字化转换。