电晕放电通常发生在高压电力的绝缘子、均压环、导线等存在缺陷的位置,是缺陷故障的早期现象之一。如不及时检测,这些缺陷在造成大量电能损失的同时,还导致电磁干扰、加速电力设备老化、引发断电事故、引起火灾等危害。因此,及时发现电晕放电现象十分重要。双谱段紫外探测是当前最先进的电晕放电探测技术之一,其灵敏度高,能够准确可靠地探测到电力系统中微弱电晕放电现象。然而,现阶段双谱段紫外电晕放电图像依赖检测人员现场诊断缺陷。这种作业形式存在电晕放电强度评估不准确、缺乏缺陷参考标准、不够客观、诊断效率较低,人员容易疲惫等问题。在课题组研制的CDH02双谱段电晕探测仪基础上,本文开展了电晕放电缺陷智能诊断算法研究。通过对紫外成像探测、可见图像识别、信息融合的调研,提出了以紫外图像特征分析电晕放电强度、以卷积神经网络技术识别电晕放电部件类型、以DS证据理论融合多方面信息综合诊断的电晕放电缺陷智能诊断方案。本文重点研究了以下内容:1)等效光子数的电晕放电强度分析方法研究。当前紫外探测仪均以光子计数作为放电强度衡量的标准,而紫外光子计数缺乏溯源标准,图像特征与紫外辐射关联弱。针对该问题,建立了溯源于美国NIST的辐射基准,完成了核心器件ICCD紫外能量标定,提出了以紫外光斑区域灰度总和为特征,评估电晕辐射强度的方法,建立了等效光子数电晕放电分析方法。后续可结合巡检经验,形成明确的电晕放电缺陷风险等级标准。2)基于深度卷积网络电力部件识别算法研究。首先建立了较完备的绝缘子、均压环、导线等放电部件图像数据集,奠定了电晕放电部件识别算法的数据基准。在此基础上,训练了不同卷积深度的Res Net识别模型;然后提出了简化型残差结构,缩短了模型的训练时间;最后提出了输出图层尺寸更为灵活的分数下采样方法,基于此设计了含有更多中间阶层的分数下采样Res Net,提高了模型对于均压环部件的识别准确率。分数下采样Res Net每秒能处理987张电力部件图像块,识别电力部件的平均准确率高达98.9%,满足了电力部件识别准确性与实时性的要求,大幅提高了电晕放电缺陷诊断的效率。3)多信息融合诊断算法研究。电晕放电缺陷诊断任务,需要根据部件类型、电晕放电强度、历史巡检经验综合判断电晕放电缺陷的恶劣程度。基于电晕放电巡检工作的经验与等效光子数方法,本文利用D-S证据理论分别建立了绝缘子、均压环、导线电晕放电缺陷基本概率分配模型,并以加权融合的优化方法,提出了电晕放电缺陷智能诊断算法。利用巡检图像数据对该算法进行了仿真分析,结果表明智能诊断算法能以上下限概率表征缺陷存在的可能性。与人工诊断相比,该方法速度更快,结果更为明确可信,提高了电晕放电缺陷评估工作的效率与可靠性。本文通过以上三方面的研究,建立了准确稳定的电晕放电强度分析方法、实现了放电部件的准确高速识别、提出了客观高效的电晕放电缺陷智能诊断算法。研究成果为高压电力电晕放电缺陷智能诊断的实现提供了一定的帮助。