输电线路故障监测方法、系统、介质及设备技术方案

本发明专利技术实施例公开了一种获取输电线路的红外热图像；检测所述预处理后的红外热图像的异常热点区域；依据获得的所述异常热点区域判断是否存在污秽；若存在，则获取污秽位置图像，构建深度学习图像识别模型，将所述污秽位置图像输入至深度学习图像识别模型中识别污秽的类型；依据得到的污秽类型生成故障信息。服务器将获取的污秽位置图像输入深度学习图像识别模型中，通过模型的推断和分类能力，可以识别污秽的具体类型。根据识别结果，可以生成相应的故障信息，如污秽程度、影响范围等，以便进一步采取维护或修复措施。对输电线路的污秽问题进行自动化监测和判断，并通过深度学习模型的辅助，提高污秽类型的准确识别能力。提高污秽类型的准确识别能力。提高污秽类型的准确识别能力。

【技术实现步骤摘要】
输电线路故障监测方法、系统、介质及设备


[0001]本专利技术涉及高压线
，尤其涉及一种输电线路故障监测方法、系统、介质及设备。

技术介绍

[0002]输电线路是电力系统中承载高压电能传输的重要组成部分。然而，在输电线路的长期运行和恶劣环境条件下，污秽问题的严重性不可忽视。污秽主要指空气中悬浮的粉尘、盐分、湿气等物质在输电线路上的积聚和沉积。这些污秽物质可能来自于工业废气、大气气溶胶、植被灰尘、海盐等，它们在输电线路上逐渐形成污秽层，影响线路的正常运行。
[0003]污秽问题会导致多种严重后果。首先，污秽层在线路导线和绝缘子表面形成导电通道，导致电流回路异常，增加了线路的电阻和损耗，影响电能传输效率。其次，污秽层的湿度和盐分含量会导致局部电晕放电和闪络现象，引发线路的短路故障，甚至导致火灾和电击事故的发生。此外，污秽层的积聚也会导致线路表面温度升高，进而加剧线路的老化和腐蚀，缩短线路的使用寿命。
[0004]传统的人工巡视和检测方法无法满足对输电线路污秽问题的全面监测、及时发现以及污秽类型判断的需求。人工巡视受制于人力资源和时间的限制，覆盖面狭窄，很难对线路的每个细节进行检测。而且，人工巡视容易受到主观因素的影响，可能存在漏检或误判的情况。在复杂的环境条件下，人工巡视还存在一定的安全风险，例如在高温、高压等危险作业环境中的巡视。

技术实现思路

[0005]基于此，有必要针对上述问题，提出了一种输电线路故障监测方法、装置、计算机设备及存储介质，以解决人工巡视无法判断污秽类型的问题。
[0006]一种输电线路故障监测方法，所述方法包括：
[0007]获取输电线路的红外热图像；
[0008]对所述红外热图像进行预处理，获得预处理后的红外热图像；
[0009]检测所述预处理后的红外热图像的异常热点区域；
[0010]依据获得的所述异常热点区域判断是否存在污秽；
[0011]若存在，则获取污秽位置图像，构建深度学习图像识别模型，将所述污秽位置图像输入至深度学习图像识别模型中识别污秽的类型；
[0012]依据得到的污秽类型生成故障信息。
[0013]在本申请的至少一个实施例中，所述对所述红外热图像进行预处理，获得预处理后的红外热图像的步骤包括：
[0014]使用高斯滤波对红外热图像进行平滑处理，获得平滑处理后的红外热图像。
[0015]在本申请的至少一个实施例中，所述使用高斯滤波对红外热图像进行平滑处理，获得平滑处理后的红外热图像的步骤还包括：
[0016]对所述平滑处理后的红外热图像进行非均匀性校正，获得预处理后的红外热图像。
[0017]在本申请的至少一个实施例中，所述方法还包括：
[0018]根据污秽类型制作样本集；
[0019]将样本集输入至深度学习图像识别模型中进行训练。
[0020]在本申请的至少一个实施例中，所述方法还包括：
[0021]所述深度学习图像识别模型分为三个部分：骨干模型，用于提取污秽位置图像中的基础特征；
[0022]形状特征提取模型，用于提取基础特征中污秽的形状特征图像；
[0023]上采样模型，将污秽的形状特征图像上采样到原图像大小，获取污秽的类型。
[0024]在本申请的至少一个实施例中，所述方法还包括：
[0025]所述深度学习图像识别模型将污秽的类型输出。
[0026]一种输电线路故障监测装置，所述装置包括：
[0027]红外图像获取模块，用于获取输电线路的红外热图像；
[0028]预处理模块，对红外热图像进行预处理；
[0029]检测模块，用于检测预处理后的红外热图像的异常热点区域；
[0030]判断模块，用于判断是否存在污秽；
[0031]深度学习图像识别模型构建模块，用于构建深度学习图像识别模型；
[0032]结果输出模块，用于输出故障信息。
[0033]在本申请的至少一个实施例中，所述装置还包括：
[0034]高斯滤波模块，使用高斯滤波对红外热图像进行平滑处理，获得平滑处理后的红外热图像。
[0035]一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述方法的步骤。
[0036]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述方法的步骤。
[0037]实施本专利技术的技术方案，至少具有以下有益效果：
[0038]本专利技术提供一种输电线路故障监测方法，获取输电线路的红外热图像；对所述红外热图像进行预处理，获得预处理后的红外热图像；检测所述预处理后的红外热图像的异常热点区域；依据获得的所述异常热点区域判断是否存在污秽；若存在，则获取污秽位置图像，构建深度学习图像识别模型，将所述污秽位置图像输入至深度学习图像识别模型中识别污秽的类型；依据得到的污秽类型生成故障信息。服务器将获取的污秽位置图像输入深度学习图像识别模型中，通过模型的推断和分类能力，可以识别污秽的具体类型。根据识别结果，可以生成相应的故障信息，如污秽程度、影响范围、污秽类型等，以便进一步采取维护或修复措施。对输电线路的污秽问题进行自动化监测和判断，并通过深度学习模型的辅助，提高污秽类型的准确识别能力。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]其中：
[0041]图1为一个实施例中输电线路故障监测方法的实施例一流程图；
[0042]图2为一个实施例中输电线路故障监测方法的实施例二流程图；
[0043]图3为一个实施例中输电线路故障监测方法的实施例三流程图；
[0044]图4为一个实施例中输电线路故障监测方法的中的深度学习图像识别模型；
[0045]图5为一个实施例中输电线路故障监测装置的结构框图；
[0046]图6为一个实施例中计算机设备的结构框图。
[0047]输电线路故障监测装置200、红外图像获取模块210、预处理模块220、检测模块230、判断模块240、深度学习图像识别模型构建模块250、结果输出模块260、高斯滤波模块270。
具体实施方式
[0048]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0049]一种输电线路故障监测方法，所述方法包括：
[0050本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路故障监测方法，其特征在于，所述方法包括：获取输电线路的红外热图像；对所述红外热图像进行预处理，获得预处理后的红外热图像；检测所述预处理后的红外热图像的异常热点区域；依据获得的所述异常热点区域判断是否存在污秽；若存在，则获取污秽位置图像，构建深度学习图像识别模型，将所述污秽位置图像输入至深度学习图像识别模型中识别污秽的类型；依据得到的污秽类型生成故障信息。2.根据权利要求1所述的输电线路故障监测方法，其特征在于，所述对所述红外热图像进行预处理，获得预处理后的红外热图像的步骤包括：使用高斯滤波对红外热图像进行平滑处理，获得平滑处理后的红外热图像。3.根据权利要求2所述的输电线路故障监测方法，其特征在于，所述使用高斯滤波对红外热图像进行平滑处理，获得平滑处理后的红外热图像的步骤还包括：对所述平滑处理后的红外热图像进行非均匀性校正，获得预处理后的红外热图像。4.根据权利要求1所述的输电线路故障监测方法，其特征在于，所述方法还包括：根据污秽类型制作样本集；将样本集输入至深度学习图像识别模型中进行训练。5.根据权利要求1所述的输电线路故障监测方法，其特征在于，所述方法还包括：所述深度学习图像识别模型分为三个部分：骨干模型，用于提取污秽位置图...

【专利技术属性】
技术研发人员：熊国进，韦保荣，陈飞，吴锋，严剑锋，李成，潘龙斌，杨流智，彭朋，郭壮军，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司梧州局，
类型：发明
国别省市：