【技术实现步骤摘要】
本专利技术涉及电力设备监控，具体为一种高分辨率红外热成像陈列的故障检测方法。
技术介绍
1、随着能源需求的不断增长，电力设备的可靠性和安全性变得愈发重要。变压器作为电力传输和分配中的关键设备，其运行状态直接影响电力系统的稳定性和安全性。因此，变压器的故障检测与预警在电力行业中具有至关重要的作用。特别是在智能电网和新能源领域的快速发展中，变压器的实时监控和故障诊断显得尤为迫切。高分辨率红外热成像技术因其非接触性、高灵敏度以及能够实时监测设备表面温度变化的优点，已成为故障诊断中的重要工具。然而，在复杂的电力设备和环境条件下，如何准确、快速地检测故障并确定故障类型仍然是当前技术面临的挑战。
2、目前，传统的故障检测方法主要依赖于传感器数据采集和经验模型，这些方法通常存在以下几个缺点：首先，基于传感器的监测方法难以全面捕捉设备的热特性，且容易受到环境噪声的干扰；其次，现有的故障诊断技术多依赖于单一的温度或电气参数，而缺乏对温度、负载、环境等多维度数据的综合分析，导致检测结果的准确性受到限制；此外，传统方法中的数据处理和特征提取大多依赖人工设计，缺乏灵活性和自适应性。尽管深度学习和图像分割技术已被提出用于提高故障检测的准确性，但在电力设备的实时监测中，如何将不同数据源的信息有效融合并进行准确分类，仍然是一个亟待解决的难题。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种高分辨率红外热成像陈列的故障检测方法，解决了上述
技术介绍
的问题。
2、为实现以上目的，本
3、进一步地，动态校正红外温度场的具体过程如下：通过电池负载电流与电压数据，结合环境温度和散热风速，建立电池负载电流-温度特性曲线；通过卡尔曼滤波器对红外温度场进行动态校正，消除由环境因素引起的温度误差，生成去干扰的红外温度场数据；计算并修正温度场数据，消除正常充放电工况引起的温升影响，动态校正红外温度场。
4、进一步地，生成去干扰的温度矩阵的具体过程如下：将校正后的温度场数据与环境因素进行多元回归分析；基于电池负载电流-温度特性曲线，剔除正常工况下的温升影响；对温度数据进行进一步优化，去除由环境噪声引起的干扰，生成去干扰温度矩阵。
5、进一步地，根据温度矩阵及电池组物理拓扑图，通过图神经网络建模电池间热传导关系，结合u-net分割网络对温度异常区域进行检测，识别符合热传导规律的异常区域的具体过程如下：根据温度矩阵和电池组物理拓扑图，建立电池间热传导的图神经网络模型，模拟电池组各单体电池之间的热耦合关系，并基于电池位置和热传导特性确定电池间的热流路径；将电池组拓扑图与温度场数据结合，通过图神经网络学习电池间热传导规律，优化温度场的空间分布预测；基于u-net分割网络，识别温度场中的异常区域，结合电池间的热传导规律，优先识别那些热传导路径上出现温度异常、波动剧烈的区域，尤其是相邻电池间的温差突变区域；通过温度异常区域的检测结果，输出温度异常区域，并标定出区域的具体位置。
6、进一步地，生成空间结构约束下的异常区域掩膜和温度空间特征的具体过程如下：根据u-net分割网络的输出，通过与电池组的拓扑图结合，生成温度异常区域的空间结构掩膜，掩膜标记出所有温度超出阈值的异常区域，并通过图像后处理进一步消除噪声；提取异常区域的空间特征，包括面积、形状因子、边界复杂度，用于描述异常区域的几何特性；基于温度场的空间分布特征，进一步提取与故障相关的空间温度特征，包括温度梯度、温度波动幅度。
7、进一步地，通过动态时间规整算法量化温度与电气参数之间的相关性，区分持续故障与瞬时干扰的具体过程如下：从异常区域掩膜中提取温度波动的时序数据，通过对温度异常区域的动态变化进行时间序列分析，获取每个异常区域在一定时间间隔内的温度波动特征；同步采集电池组的电气参数包括实时电流和电压数据，将电气参数与温度波动时序数据进行时间对齐，确保温度数据与电气数据的时序一致性；通过动态时间规整算法，计算温度波动数据与电气参数的时序相关性系数，量化温度波动与电气参数之间的时间延迟关系；根据动态时间规整算法分析结果，结合温度波动与电气参数的关系，判断故障类型，若温度波动与电气参数变化同步且持续，判定为持续性故障，若温度波动与电气参数变化短暂且不规则，判定为瞬时干扰引起的波动。
8、进一步地，输出故障检测指数和演化模式标签的具体过程如下：根据计算温度波动数据与电气参数的时序相关性系数，结合电池组的运行状态，生成故障检测指数；根据温度波动的时序特征及电气数据的变化趋势，通过演化模式分类算法生成故障演化模式标签，将故障划分为持续型或间歇型。
9、进一步地，根据异常区域掩膜、故障检测指数和演化模式标签，通过小样本迁移学习对电池故障类型进行分类的具体过程如下：将异常区域掩膜、故障检测指数和演化模式标签作为输入特征，形成多维度的故障特征向量；通过小样本迁移学习的方法，将已经训练好的网络模型进行迁移，并对特定电池类型进行微调，通过微调将不同电池故障的特征映射到相应的类别标签上。
10、进一步地，通过预训练的特征提取器，结合小样本电池故障数据微调分类器，并结合注意力机制加权融合温度空间特征与演化模式标签，输出故障类型及其置信度的具体过程如下：通过预训练的特征提取器对异常区域掩膜、故障检测指数和演化模式标签进行特征提取，得到包含温度空间特征与演化模式标签的高维特征向量；结合小样本电池故障数据，对分类器进行微调，通过调整网络参数使得分类器能够适应目标电池故障的特征映射；应用注意力机制对温度空间特征和演化模式标签进行加权融合，强化关键特征在分类中的贡献；通过加权融合后的特征向量，使用微调后的分类器进行故障类型分类，并根据分类结果计算故障置信度，最终输出电池故障类型及其置信度。
11、本专利技术具有以下有益效果：
12、（1）一种高分辨率红外热成像陈列的故障检测方法，通过高分辨率红外热成像设备获取变压器表面的热成像图像，并结合环境参数及变压器负载电流，动态校正红外温度场，生成去干扰的温本文档来自技高网...
【技术保护点】
1.一种高分辨率红外热成像陈列的故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：动态校正红外温度场的具体过程如下：
3.根据权利要求2所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：生成去干扰的温度矩阵的具体过程如下：
4.根据权利要求3所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：根据温度矩阵及电池组物理拓扑图，通过图神经网络建模电池间热传导关系，结合U-Net分割网络对温度异常区域进行检测，识别符合热传导规律的异常区域的具体过程如下：
5.根据权利要求4所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：生成空间结构约束下的异常区域掩膜和温度空间特征的具体过程如下：
6.根据权利要求5所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：通过动态时间规整算法量化温度与电气参数之间的相关性，区分持续故障与瞬时干扰的具体过程如下：
7.根据权利要求6所述的一种高分辨率红外热成像陈列的故障检测方法，其
8.根据权利要求7所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：根据异常区域掩膜、故障检测指数和演化模式标签，通过小样本迁移学习对电池故障类型进行分类的具体过程如下：
9.根据权利要求8所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：通过预训练的特征提取器，结合小样本电池故障数据微调分类器，并结合注意力机制加权融合温度空间特征与演化模式标签，输出故障类型及其置信度的具体过程如下：
...【技术特征摘要】
1.一种高分辨率红外热成像陈列的故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：动态校正红外温度场的具体过程如下：
3.根据权利要求2所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：生成去干扰的温度矩阵的具体过程如下：
4.根据权利要求3所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：根据温度矩阵及电池组物理拓扑图，通过图神经网络建模电池间热传导关系，结合u-net分割网络对温度异常区域进行检测，识别符合热传导规律的异常区域的具体过程如下：
5.根据权利要求4所述的一种高分辨率红外热成像陈列的故障检测方法，其特征在于：生成空间结构约束下的异常区域掩膜和温度空间特征的具体过程如下：
【专利技术属性】
技术研发人员：许志辉，杨拥军，石晓杰，
申请(专利权)人：深圳市金鼎威视科技开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。