论文部分内容阅读
避雷器是电力系统安全稳定运行的重要设备,是避免雷电冲击过电压和操作过电压危害电网安全的重要保障。金属氧化锌避雷器因为其优异的伏安特性和保护性能,取代了同类型产品,在电网中得到越来越广泛的应用。金属氧化锌避雷器存在故障,会影响到电力设备的运行,造成事故。目前金属氧化锌避雷器的在线监测技术主要是通过检测泄漏电流中阻性分量的大小来判断其是否发生故障。红外检测技术与现有的检测技术相比,具有不接触、操作方便、高协调性等优点。本文研究了金属氧化锌避雷器故障识别的新方法,能够高效、准确地判断避雷器是否存在故障和缺陷。本文对避雷器的故障特点以及红外热像仪的误差进行了分析,总结了红外检测需要满足的基本条件和红外检测的方法和原理。采集红外图像后采用中值滤波对采集红外图像进行预处理,用最大类间方差法提取出二值图像,通过氧化锌避雷器上下端的形状特征,分割避雷器下端底座和上端保护罩部分,提取出避雷器的位置。通过图像与处理和图像分割,确定了避雷器在图像中的位置后,本文提出两种金属氧化锌避雷器的故障诊断方法。1、提取避雷器在图像中的位置信息后,截取避雷器二值图像的内接矩形,舍弃避雷器边缘部分,然后通过内接矩形提取温度信息并计算温度最大值和平均值。以《带电设备红外诊断应用规范》为依据,提出一种最大温度和平均温度相结合的故障识别方法,该方法准确性高、操作方便,能够有效克服因为伞群的遮挡和表面温度差异过大而产生的误判。2、分割之后,选择图像纹理特征作为特征值。利用灰度-梯度共生矩阵提取13个特征值,通过K-L变换法筛选、去除冗余后,选择小梯度优势、梯度分布不均匀性、灰度分布不均匀性作为神经网络的输入。经过训练得到了BP神经网络的金属氧化锌避雷器识别模型,然后选择数据对模型测试。测试结果证明了该方法准确有效,是一种变电站避雷器状态检测的有效技术。