可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报5（2018）623基于数字IRT和AI技术Deepak Kumar，硕士安萨里印度大诺伊达高塔姆佛陀大学工程学院接收日期：2016年11月29日;接收日期：2017年6月19日;接受日期：2017年10月2日2017年10月12日在线提供摘要在本文中，一个先进的方法，考虑到红外热成像方法的发音和诊断的故障持续在电气设备。该技术主要集中在非接触性和非破坏性。它是一种快速、可靠的无中断系统检测技术在电气化领域中，输配电系统的维护和可靠性是最关键的问题之一，而输配电系统的维护和可靠性问题主要存在于接线松动、腐蚀、不平衡负荷等方面连接松动引起的弧垂和导线腐蚀产生的电晕损失较大采用非侵入式方法对氧化锌避雷器的温度进行利用避雷器对图像的热区进行分析，并运用分水岭变换进行图像分割和热颜色映射。通过暗红色检测热点区域避雷器泄漏电流的监测是通过红外热像（IRT）和人工智能（AI）技术解决这一问题的主要考虑因素人工神经网络（ANN）技术利用监测条件下的输入限制，避雷器的避雷器温度，环境温度和湿度。实施这些约束以找出泄漏电流。该方法检测氧化锌避雷器的发热量、发热区域以及避雷器的热特性与泄漏电流的关系，实现避雷器状态监测。© 2017 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：红外热像图;氧化锌避雷器;温度测量;分割;人工神经网络1. 介绍在电气化领域，输配电系统中最关键的问题是维护和可靠性，因为它会遇到连接松动，腐蚀和不平衡负载等小问题这种类型的问题导致阻抗增加电流并提高电阻加热。如无节制，热量增加*通讯作者。电子邮件地址：deepu1796@gmail.com（D. Kumar），mahmadiitr@gmail.com（M.A.Ansari）。电子研究所（ERI）负责同行评审。https://doi.org/10.1016/j.jesit.2017.10.0012314-7172/© 2017电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。624D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623逐渐地，并建立了一个点，在这个点上，连接可以熔化和断开电路，并可能立即着火。电气设备的热失序、工作时间的延长、负荷的不均匀以及由于不良行为而引起的电阻增大或过电流等，都会使整个输配电系统网络发生失序。为了遇到和隔离这种类型的情况下的系统，红外热成像（IRT）或数字热图像处理被用来保存加热点（Jun和Xinyu，2011）。 它能即时检测出热点并解决问题，直接导致系统升级。红外热成像技术应用于医疗领域的健康指示和机电领域的故障标志等各个领域红外热成像是一种非接触式技术，它不喜欢与热源接触，并且基于红外辐射（具有比可见光更高波长的电磁辐射发射红外辐射的任何物体，其温度大于绝对零度（即T > 0 K），温度辐射用肉眼是不可见的，因此红外装置用于将辐射转换成电信号（Shitole等人，2007年）。可见光图像和红外图像相互对比。可见光图像可以通过场景的反射光来理解，而在红外图像中，可以通过红外相机观察场景源红外摄像机采集图像并转换为可见光图像，称为热像图。IRT技术具有快速、可靠的优点，可实现对电力系统的无中断监测它是用于维护的最有价值的诊断工具，并对防止停电和减少配电和输电系统的电气设备损坏起着重要作用。发现通过热成像照相机来调查电力系统操作是最准确的方法，热成像照相机提供用于评估的快速且最正确的图像（Novizon等人，2013年）。它可以快速定位热点区域并解决问题，并向操作员提供有关设备状况的最佳结果这些优点使得系统的可靠性提高，维护成本降低。在电力系统中，IRT可以用来监测设备的热行为。在输配电系统中，经常会遇到起始点内或起始点外的暂态过电压。这导致浪涌出现在输电线路和终端设备上，处于损坏状态（Almeida等人，2009年）。接地回路支撑使浪涌发生畸变，但浪涌的幅度可达到设备绝缘水平，因此采用避雷器限制过电压。避雷器的最新研究允许使用ZnO材料，由于其更好的性能能力，ZnO材料优于碳化硅（SiC）材料，并提高避雷器保护。对于开发的初始阶段，ZnO避雷器必须设计为连接到组件的操作工作电压应力适度低，以最大限度地减少由于操作员工作电压应力导致的防御质量有限变化而引起的退化。也就是说，电阻降低时温度升高，温度与电阻成正比，这是因为避雷器吸收了浪涌能量，使温度超过ZnO元件。在不热稳定的情况下，电涌放电器也会释放瞬态过电压能量，但它会恢复到热稳定状态（Gumede和Almaine，2014年）。过电压越大，吸收的能量越多，工作应力越大.因此，温度变得更高并且电流放电可能更高。避雷器在雷电放电、操作和破坏电力系统时，会产生过电压冲击的瞬态冲击2. 红外热像无创技术方框图显示了红外热像非侵入式（IRTNI）系统。 这包括红外热谱图，分水岭变换，热颜色映射和图像的其他特征（图1）。①的人。2.1. 避雷器状态监测过程在电力系统IRTNI过程热监测和故障诊断的丰富领域中为了防止系统中发生故障，它内置了IRT摄像头。IRT摄像头可检测连接松动、过载情况和许多其他问题。 检查时不需要任何直接接触（Jun和Xinyu，2011年; Ibarahim和Amani，2011年）。项目反应理论（IRT）技术在状态监测过程中是非常有益的，并且降低了成本. 它也被用来D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623625Fig. 1. IRTNI流程图图二. 基于状态的维护系统。用于监测ZnO避雷器。应用一种有效的技术来支持避雷器的维护，称为状态检修。这种基于状态的维护（CBM）有三个主要步骤（Maleka和Novizon，2010年）（图1）。（2）：数据采集;收集所有与避雷器相关的数据，如温度范围，相关电压，放电电流等。数据处理;这是对采集数据进行决策;数据处理步骤提供的数据将被分析，以决定系统是否健康。CBM过程可用于诊断和诊断。用于故障检测和识别的诊断过程预测过程有助于在系统发生故障或失效之前对其进行预测。通常，ZnO避雷器用于保护电力系统设备免受过电压影响（Gumede和Almaine，2014）。大多数避雷器在5-10年的设计寿命内是非常可靠的。避雷器吸收高能量，增加了故障的风险这种故障在开关瞬变、应力电压、避雷针等情况下出现。这些特定的触发器可能会停止所提供的服务，这具有潜在的 将损坏的避雷器更换为新避雷器的成本很高（Vijayakumar和Malathi，2015年）。CBM过程利用三次谐波泄漏电流与环境温度之间的关系来获得ZnO避雷器的热图像状态检修的主要目的是预测和预防避雷器在故障期间可能发生的故障或损坏，并使避雷器的维护成本最小化。有以下步骤：-• 数据采集• 数字图像分割过程• 分水岭变换• 热色映射• 人工神经网络• 结果···626D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623× −⊕（s-x）（s+x）− = − −n我我i−1i=12.1.1. 数据采集数据采集可以通过红外热像仪完成。相机的光谱范围从7.5μm至13 μm和焦平面阵列探测器类型（Ha等人，2012年）。2.1.2. 数字图像分割图像分割通常用于以图像的形式定位对象和边界线（Kumar和Saini，2012）。图像分割的过程涉及到图像的多个部分 为了获取关于数字图像中的对象和其他参数的信息，我们通常采用图像分割（Varma等人，2014; Jun和Xinyu，2011;Ibarahim和Amani，2011; Jadin等人， 2011年）。分割的基本目标是通过图像分割过程提供图像在一组截面中的适当分布，并分配目标位置和确定图像边界。为了成功分割，需要与问题相关的全部信息。用于划分的最大适应函数是点或线发现、边缘识别、梯度管理器、拉普拉斯算子、Hough光简 单 或 自 适 应 阈 值 、 区 域 开 发 和 流 域 转 换 （ Vijayakumar 和 Malathi ， 2015 年 ;Ha 等 人 ，2012;DengwenandWengang，2008;Pan，2014）。2.1.3. 分水岭变换分水岭变换是IRTNI中最好的图像分割技术，也被称为洪泛过程。对于图像的调查准备的灰度图像的分水岭是可比的高度图的汇水盆地的想法。灰度级表示图像的地形、表面的高度（Dengwen和Wengang，2008）。从根本上说，分水岭是一条线，用于确定水滴将落在图像的特定区域。与另一种方法相比，它提供了用于图像分割的闭合轮廓，并获得更少的分割时间（Pan，2014）。首先对图像进行分割，对图像进行边缘检测，对于边缘检测采用了梯度拓扑，在此拓扑中使用了Sobel算子 将原始图像转换为灰度图像，然后实施Sobel算子进行边缘检测或梯度拓扑（Om和Biswas，2013）。 梯度图像象征边缘强度。为了实现图像的形态梯度，我们利用多尺度边缘检测器，其可以在数学上表示如下：nGT（f）=1<$[（（f<$a）−（f θa）<$a]（1）其中ai表示正方形结构元素的组，n是比例，大小是（2i + 1）（2i1）个像素。（f a）表示灰度膨胀，并且（f©a）表示灰度腐蚀。灰度膨胀和腐蚀定义为（f<$a）（s，t）=max{f（s-x，t-y）-a（x，y），（t-y）∈D;（s，y）∈Da}（2）（fΘa）（s，t）=max{f（s−x，t+y）−a（x，y），（t+y）∈D;（s，y）∈Da}（3）其中x和y是像素的坐标，s是灰度值。Df和Da是f和a或每个图像函数的域。膨胀和侵蚀之间的关系是（fΘa）c（s，t）=（f c−a）（s，t）（4）其中fc=f（x，y）和−aa（x，y）。的EQ。（2）研究了邻域域并选择最小像素值和Eq. （3）享有邻近地区最大价值的特权当通过这些方程选择数据时，然后应用可以打开和关闭灰度级的函数通过结构元素a对灰度图像f的灰度级闭合和打开在数学上表示为：用于打开fa=（fΘa）a（5）FFD. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623627图三.避雷器的IRT图像。图四、（a）避雷器梯度幅值，（b）避雷器分水岭开度分割图像，（c）避雷器分合闸图像，避雷器分合闸重建图像。用于关闭f·a=（f<$a）Θa（6）然后使用基于打开和关闭的图像重建，其相对于其他功能是有效的并且不影响对象形状。下面显示的热图像是从电能研究中心（图）拍摄的。 3）。在数据采集过程中，采集温度、相对湿度（RH %）、环境温度、最高温度、最低温度等参数，用于热成像。相关数据的收集和分水岭变换的应用是用来促进成功的图像分割。分水岭分割过程的图像如下所示。图图4（a）示出了作为梯度幅度的电涌放电器的边缘检测。为了调节边缘检测，我们练习了Sobel算子，它显示了对象之间的边界通过边缘检测方法可以很容易地检测出目标，图4（b）示出了图像开口，其示出了在哪里找到避雷器温度范围的避雷器的明亮形状。然后对图像进行开、闭分割，在此基础上对图像进行背景分割。 4（c）完全模糊并显示避雷器的最亮部分。图图4（d）示出了图像打开和关闭重建，其中图像以分水岭形式适当地示出了避雷器和避雷器的其他部分。628D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623.=x×y=图五. (a)避雷器的保存图像，（b）避雷器区域的标准偏差，（c）避雷器的热彩图，（d）最小和最大。避雷器的温度分段区域。2.1.4. 计算图像的标准差和阈值在IRTNI图像中，阈值化可以很好地帮助找出图像标准差的最大值 阈值处理可以在数学上表示为（Kumar等人，2009; Wong等人，2009年; Shafi和Hamzah，2010年）：g（i，j）1，f（i，j）> T0，f（i，j）≤T（七）其中T是阈值，图像背景和目标像素用0和1代替，也可以说1代表图像的颜色期望区域，0代表图像的不期望区域。f（i，j）和g（i，j）表示原始图像和阈值图像。图像的标准偏差（σ）可以数学地表示为：（σ）=.2px，y×px，y−（μ2）（8）μ是像素值的平均值，其可以在数学上表示为：μpx，yx×y其中Px，y是分割图像在x，y位置处的像素值。（九）在Fig. 图5（b）示出了标准偏差区域，并且标准偏差的值是60.9.by该区域具有高噪声水平。这个区域的强度应该很高。2.1.5. 热色映射热颜色映射是找到温度的重要特征。图5（c）所示的图像显示了避雷器的热彩图在图像中，可以清楚地看到避雷器具有红色区域，这意味着避雷器达到了图5（d）所示的最高温度。在对对象进行分水岭变换后，对热彩图进行处理，以评估避雷器的最低和最高温度水平图图5（d）示出了指示温度水平的热彩色图的结果。分水岭积分处理D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623629表1避雷器的热数据（18 kV电压）。0.3421.55513.23 67 0.839 0.577 35.647.3 26.2 21.1 13.89 69其中，Z1表示偏度，Z2表示峰度，RH表示相对湿度，LC表示泄漏电流（mA）。表中显示了A、B和C三个避雷器的温度和泄漏电流情况温度升高时，明显可见漏电流上升，如表所示。转换用于监测和检查避雷器的图像的热颜色映射（Oliveira和Lages，2010年;Utami等人，2009;Aldav等人，2013;Lasobras等人， 2014年）。2.1.6. 热性能避雷器的热稳定性受环境温度和散热的影响热稳定性可以通过功率耗散来获得，功率耗散可以与向环境输出的热量相平衡。避雷器的散热能力（Lasobras等人，2014;Neto等人，2009;Jadin等人，2013年）：Q=Ct（t-ta）（10）其中t是避雷器元件的温度，ta是环境温度，Ct是热耗散因数。热生成可以近似为：t=Ae（w/kt）（11）其中w是激活能，k是玻尔兹曼常数，t是材料温度，A取决于电压电平。 出于测试目的，考虑三个电涌放电器的18 kV施加电压（Yang等人，2009; Kanashiro等人， 2009年）。 温度水平、环境温度、湿度、漏电流、偏度和峰度如表1所示。对于避雷器A，最高温度为43.5° C，环境温度为28.2° C，漏电流增加到64.1 mA。同样，对于避雷器B，最高温度和环境温度分别为50.1 ℃和25.8℃，漏电流增加47.2 mA。而对于避雷器C，最高温度，环境温度为47.3 oC和26.1oC时，漏电流上升为37.4 mA。 图图6（b）示出了避雷器热图像的直方图。直方图表现在避雷器的密度和温度之间，其中最高密度在38.05℃，39.09摄氏度和40.15摄氏度的温度。表2以百分比密度的形式显示了避雷器直方图图像的提取特征温度单位为摄氏度。表2显示了温度范围从27.28 ℃到55.29℃，密度从0.06到6.5。在该表中，密度随着温度的升高而变化，从41.2℃开始，密度开始下降，在底部温度下，密度为0.1。该数据显示了不同块的无间隙避雷器温度。3. 人工神经网络人工神经网络一般是基于人脑神经结构的信息处理模型这些生物神经网络通过实现依赖于输入参数的近似函数来预测未知参数通常，ANN包含利用权重彼此互连的节点（Novizon等人，2013年;Maleka和Novizon，2010年）。逮捕人数最大温度（tC）Amb. 温度（ta C）温度diff.（t−t a C）Avg. 温度（C）相对湿度%Z1Z2L.C（mA）一B37.242.343.541.245.531.52928.227.3265.713.315.313.919.516.7814.5114.1113.6513.536265676768-0.3580.2540.0541.293-2.673-1.814-1.034-0.59232.343.964.135.937.5C50.133.825.826.524.37.321.4313.6870590.306-1.1943.650-3.09847.231.2630D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623见图6。(a)避雷器A、B和避雷器C的泄漏电流与平均温度之间的曲线图，（b）避雷器热图像直方图。表2避雷器热图像直方图数据。温度范围密度%温度范围密度%温度范围密度%27.280.0628.370.743.24627.50.0628.330.844.295.127.540.0628.370.944.334.527.590.0629.411.125.373.727.690.0629.461.246.423.227.740.0630.51.346.462.427.780.0630.541.547.51.927.830.0630.611.648.571.427.870.0632.652.248.590.927.870.0632.742.449.630.827.910.133.782.850.720.527.9630.133.833.551.810.3280.234.874.252.870.128.040.235.92552.90.128.110.336.965.553.510.128.130.437653.850.128.20.438.056.554.050.128.240.639.096.555.060.128.330.740.156.555.240.128.330.841.26.255.290.1神经网络由相互连接的神经元或节点组成人工神经网络是一种并行分布式处理。人工神经网络试图获得类似人类的问题解决性能来解决计算任务。人工神经网络函数用于近似和分类。人工神经网络通常用于决策，因为它在计算输出时非常快。人工神经网络在电力系统安全评估、负荷预测、保护、报警、辨识、控制和运行等方面有着广泛的应用。前馈神经网络是一种通用网络，因为输入向量必须对所有输入做出类似的反应。因此，网络具有逼近任何函数的能力人工神经网络在许多领域得到了广泛的应用，为解决这些问题提供了帮助 在图像处理中，它是支持工具，被认为是任何分类和回归问题的最佳解决方案（Ha等人，2012;Neto等人， 2009年）。对于热图像诊断，采用一种具有输入层、隐层和输出层的神经网络过程，称为三层网络结构。神经网络的图如下所示（Jadin等人， 2013年）。使用的反向传播神经网络（BPNN）由三层组成，如图7所示。网络的输入为避雷器的最高温度、环境温度和湿度，避雷器的全身温度输入网络的输入层。D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623631见图7。神经网络的结构网络。见图8。培训流程图(a) 输入层输入被给予输入层的每个节点采用带初始权值的前馈反向传播网络在训练阶段调整权重。(b) 隐藏层在这一层中，所有节点都使用sigmoid传递函数。(c) 输出层该层有三个节点，其值指示操作条件。诊断限定操作条件，并且可以将值指定为正常条件、可疑条件和故障条件。培训流程图如图所示。8.第八条。图 9显示了避雷器状态的测试过程，这里只使用了温度和湿度，结果是泄漏电流。数据被转发到隐藏层，然后输出层。人工神经网络只使用一个输出层，只包含避雷器阻性泄漏电流。这被称为前馈反向传播算法。在转发过程中，632D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623表3神经网络的训练参数。见图9。避雷器试验流程图输入层7输出层3（节点）隐藏层5学习率0.01迭代次数1000来自每个节点的输入层的输出作为输入被提供给隐藏层，该输入与某些适当的权重相乘并求和（Shaha等人，2015年）。隐藏层输出是结果和的非线性变换。类似地，对于输出层节点，隐藏层节点的输出乘以一些适当的权重，该节点的输出是非线性的。在反向传递中，将输出层输出与目标值进行比较，然后计算它们之间的误差，这称为反向传播算法的反向传递（Wooi等人，2013年）。这整个过程被称为神经网络的训练过程。在测试阶段，测试数据类似于训练数据。训练参数如下表所示，其中隐藏层速率为5和0.01（表3）。4. 结果和讨论图10（a）示出了神经网络的均方误差性能。它可以通过Levenberg-Marquardt学习算法来执行。图10（a）展示了三条线，其中绿线显示了第5个时期0.4976的最佳验证性能，红线显示了测试数据，蓝线显示了训练数据。在对神经网络进行训练后，考虑了差异因素，对网络的性能进行了测试回归曲线已经绘制出来，呈现出完美的线性图，将目标与输出联系起来，如图所示。图10（b）显示了各个阶段的回归图，例如训练，验证和测试。可以看出，通过图10（a）中的黑线和虚线表示的最好的线性拟合表示理想的回归拟合。显然可以看到，两条线彼此非常紧密地跟踪，这表明ANN的性能非常好。使用该数据集的神经网络的结果和仅5个数据集的结果分类错误。神经网络的准确率和误差分别为96%和4%。避雷器状态为正常、可疑和故障的标签都与避雷器温度标签有关，当温度接近环境温度时，发现避雷器处于正常状态，如果温度升高超过D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623633图10个。（a）神经网络的均方误差性能，（b）神经网络学习的各个阶段的回归图见图11。 避雷器状态标签。环境温度这种情况被称为可疑情况，如果温度非常高，超过环境温度，则泄漏电流值会变高，并且由于高温，电涌放电器可能无法操作，这种情况可以被称为故障情况。 这三个条件是通过训练和避雷器数据的测试来测量的（图1）。 11）。5. 结论红外热像图是电力系统故障诊断的最佳工具。为了实现对电力设备的无创监测和控制，研制了基于热像图的电力设备无创监测系统。通过分水岭分割检测高影响区域得到了高冲击区的阈值，并对可能导致设备损坏的图像强度和温度进行了跟踪。为了对避雷器进行检测或审计，可以推测避雷器的红外热像图以及避雷器泄漏电流与热像图之间的相关性，并以具有温度值的热像图从避雷器热图像中提取的数据和不同温度下的泄漏电流进行统计分析。漏电流计数634D. Kumar，文学硕士Ansari/电气系统和信息技术杂志5（2018）623避雷器健康状态和神经网络代表避雷器健康的准确性，估计为96%，误差为4.0%，神经网络用于分类避雷器的运行状态引用Aldav，I.J.，博索姆，P. V.，Gonzalez，L.V.，乔治，M.，Vollheim，B.，2013年。复合材料缺陷检测中的热成像系统综述。红外物理技术61，167-175。Almeida，C.A. Laurentys等人，2009. 智能热像诊断应用于避雷器之新方法。IEEETrans. 电力熟食店v.24（April），109-120.邓文，Z.，文港角，2008. 最佳阈值和邻域窗的图像去噪。P模式识别信件：1694-1697年，埃尔塞·维耶。Gumede，M.，Almaine，G.F.，2014年。特奎尼电力公司避雷器故障及原因分析。 Int. J. 电子 Energy 2（March），39-44.Ha，Hyunuk，Han，Sunsin，Lee，Jangmyung，2012. 使用麦克风阵列和红外热成像摄像机的输电线路故障检测。IEEETrans. 仪器Meas.61（January（1）），267-275.Ibarahim，M.，Amani，A.，2011年。红葡萄酒配电公司的红外热像与配电系统维护。 6月：国际电力分配会议，21，pp。十四比十八Jadin，M.S.，Taib，S.，Kabir，S.，Yusof，M.A.B.，2011年。评价电气设备红外热像的图像处理方法。在：进展电磁研究研讨会论文集，3月，页。20比23Jadin，M.S.，Ghazali，K.H.，Taib，S.，2013. 基于红外图像分析的电气设备热状态监测。国际电子通信和光子学会议9，1-6。Jun，Li，Xinyu，Liu，2011. 基于红外图像处理的变电站高压厂房发热缺陷检测系统方案设计。控制工程与信息科学进展. Elsevier，pp. 699-703Kanashiro，A. G.，Zanotti，M.，宝拉，外交官，2009. 变电站碳化硅避雷器故障诊断。WSEASTrans. System.8（December），1284-1290.库马尔河，巴西-地Saini，B.S.，2012. 提出了一种改进的最优小波邻域系数自适应阈值图像去噪方法。国际计算机理论工程4（6月（3））。库马尔，弗吉尼亚州，雷，A.K.，Banerjee，S.P.，塞缪尔，S.，2009年热成像技术在制浆造纸工业中应用的最新进展。 印度纸浆Tech.Assoc.21，55-58.Lasobras河，卡雷特罗角，澳-地Imaz，E.，2014年。基于红外传感器的家用电磁炉温度控制。传感器14，5275-5295。Maleka，Z.A.，Novizon，2010年。基于人工神经网络的氧化锌避雷器故障监测中三次谐波泄漏电流与热像图的相关性。 高电压工程与应用国际会议9，614-617。内托E.T.W.Krkby，P.，Miyakawa，Y.，2009年 人工神经网络用于氧化锌避雷器故障诊断。 IEEE Trans. 电力熟食店v. 24，1390-1395.Novizon，Z.，Malek，A.，Bashir，N.，Asilah，N.，2013. 热像和泄漏电流诊断作为避雷器测试和状态监测的工具。Jurnalteknologi4（July），27-31.Oliveira，J.H.E.，Lages，W.F.，2010年。 电力线路红外视觉机器人化检测。电力工业应用机器人国际会议1，1-6。Om，Hari，Biswas，Mantosh，2013. 将军 图像去噪 使用的方法是， waveletcoef. 在：信号，图像和视频处理。Springer-SViP.Pan，Lifeng，2014.输电线路状态的智能图像识别研究。 Sens. Ttransducers 179（September），174 -179，IFSA出版物。Shafi，MA，Hamzah，N.，2010. 用人工神经网络进行内部故障分类。国际电力工程和优化会议4，352-357。Shaha，S.，Thosar，A. G.，莫罗尼，S.V.，2015. 金属氧化物避雷器阻性泄漏电流提取的改进移流法。国际科学杂志Eng.Res.6（May），317-321.Shitole，S. N.，Zaavih，O.，Al-Nuaimy，W.，2007年利用超声时差法对焊缝缺陷进行自动检测和解释的先进神经模糊和图像处理技术。10月：国际无损检测会议，4。纽约州宇田市，Tamsir，Y.，Pharmatridanti，A.，Gumilang，H.，卡约诺湾，Siregar河，2009. 基于红外热像图结果的Transformer评估条件。电介质材料的性能和应用国际会议9，19-23。Varma，R.M.，Sunil，G.N.，Kumaraswamy，H.V.，2014年。 基于图像处理的变电站关键节点热视觉扫描。 Int. J. Adv.Res. 电子电子学。 仪器 Eng. 3（十二月），13881-13888。Vijayakumar，D.，Malathi，V.，2015年。 一种用于安全智能网络的传输线故障识别的灵活方案。Int.J.Electr. Electron.Eng.2（July），74-77.黄伟光，Tan，P.N.，卢，C.K.，Lim，W.S.，2009. 一种有效的热成像测量系统。信号采集与处理国际会议8，13-17。Wooi，C.L.，Malek，Z.A.，Mashak，S.V.，2013年。环境温度对无间隙金属氧化物避雷器泄漏电流的影响。Jurnalteknologi4（February），157-161.Yang，S. M.，李，B.H.，Paek，S.K.，2009年 ZnO元件在直流和交流复合电压下的电学行为。 J. 电子 Eng.技术4，1-9。
我的内容管理
展开
