基于紅外成像的中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別方法

代子闊，史可鑒，宋仕達(dá)，劉 揚(yáng)，徐 妍

基于紅外成像的中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別方法

代子闊1，史可鑒2，宋仕達(dá)3，劉 揚(yáng)4，徐 妍5

（1. 國(guó)網(wǎng)遼寧省電力有限公司，遼寧 沈陽(yáng)，110000；2. 國(guó)網(wǎng)遼寧省電力有限公司電力科學(xué)研究院，遼寧 沈陽(yáng)，110000；3. 國(guó)網(wǎng)遼寧省電力有限公司營(yíng)口供電公司，遼寧 營(yíng)口 115000；4. 國(guó)網(wǎng)遼寧省電力有限公司錦州供電公司，遼寧 錦州 121000；5. 國(guó)網(wǎng)遼寧省電力有限公司鐵嶺供電公司，遼寧 鐵嶺 112000）

電力穩(wěn)定器在電網(wǎng)中起到穩(wěn)定電壓的作用，一旦該設(shè)備出現(xiàn)異常，電網(wǎng)運(yùn)輸電力質(zhì)量會(huì)受到直接影響。面對(duì)這種情況，研究一種基于紅外成像技術(shù)的中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別技術(shù)。該研究中利用紅外成像技術(shù)采集電力穩(wěn)定器圖像并實(shí)施預(yù)處理。分割電力穩(wěn)定器紅外圖像，劃分目標(biāo)區(qū)域和背景區(qū)域。提取目標(biāo)區(qū)域5個(gè)直方圖-階統(tǒng)計(jì)特征。以5個(gè)直方圖-階統(tǒng)計(jì)特征為基礎(chǔ)，結(jié)合判別系數(shù)，構(gòu)建分類(lèi)器，實(shí)現(xiàn)電力穩(wěn)定器狀態(tài)識(shí)別。針對(duì)存在異常的電力穩(wěn)定器，計(jì)算圖像目標(biāo)區(qū)域處的相對(duì)溫差，確定可靠性等級(jí)。結(jié)果表明：5個(gè)測(cè)試穩(wěn)定器中只有2個(gè)穩(wěn)定器處在異常狀態(tài)，具體為穩(wěn)定器2中組成部分3異常，穩(wěn)定器5中組成部分1異常。穩(wěn)定器2組成部分3相對(duì)溫差為82.32%，對(duì)應(yīng)可靠等級(jí)為2級(jí)，可靠性低；穩(wěn)定器5組成部分1相對(duì)溫差為91.35%，對(duì)應(yīng)可靠等級(jí)為3級(jí)，可靠性非常低。對(duì)比實(shí)驗(yàn)結(jié)果表明，所提方法識(shí)別準(zhǔn)確率達(dá)到92.3%以上，優(yōu)于對(duì)比方法，具有更大的應(yīng)用價(jià)值。

紅外成像技術(shù)；中低壓電網(wǎng)；電力穩(wěn)定器；可靠性；圖像識(shí)別

0 引言

電網(wǎng)將電力輸送到各個(gè)節(jié)點(diǎn)。電網(wǎng)常常架設(shè)在野外環(huán)境中，環(huán)境較為惡劣，為保證電網(wǎng)正常運(yùn)行，電網(wǎng)每隔一段距離都會(huì)安裝一個(gè)電力穩(wěn)定器，尤其在中低壓電網(wǎng)中，該設(shè)備更是常見(jiàn)[1]。電力穩(wěn)定器的作用，顧名思義，是穩(wěn)定電力電壓，以減少電壓波動(dòng)，提高電力供應(yīng)穩(wěn)定性。電網(wǎng)電力穩(wěn)定器在長(zhǎng)期運(yùn)行下，再加上各種因素的干擾，難以避免地會(huì)出現(xiàn)各種故障問(wèn)題，尤其在夏季高溫環(huán)境下，其中某些零部件很容易發(fā)生溫度過(guò)高的問(wèn)題，導(dǎo)致零部件燒毀，影響了穩(wěn)定器運(yùn)行可靠性[2]。面對(duì)這種情況，對(duì)高溫環(huán)境下的中低壓電網(wǎng)電力穩(wěn)定器運(yùn)行可靠性進(jìn)行定期監(jiān)測(cè)具有重要的現(xiàn)實(shí)意義。

電力設(shè)備的故障識(shí)別的相關(guān)研究有很多。如文獻(xiàn)[3]中提出了一種基于振動(dòng)信號(hào)多特征值的電力變壓器故障檢測(cè)研究。該方法先搜集大量變壓器正常與典型故障下的振動(dòng)信號(hào)，并提取其特征，然后以此為基礎(chǔ)，提出了兩段式故障診斷流程，利用截?cái)嗾龖B(tài)分布擬合方法與合成少數(shù)類(lèi)過(guò)采樣技術(shù)對(duì)故障數(shù)據(jù)進(jìn)行擴(kuò)充，進(jìn)一步提高了分類(lèi)精度，以此實(shí)現(xiàn)故障檢測(cè)。這種方法由于振動(dòng)信號(hào)在采集過(guò)程中容易受到噪聲影響，使得識(shí)別準(zhǔn)確性下降。再如文獻(xiàn)[4]中提出了一種電力設(shè)備機(jī)械振動(dòng)-超聲波融合檢測(cè)傳感器研制及應(yīng)用。該文設(shè)計(jì)融合信號(hào)多功能調(diào)理電路，研制振動(dòng)加速度-超聲波融合傳感器，實(shí)現(xiàn)機(jī)械振動(dòng)和局部放電信號(hào)在空間和時(shí)間上的同步檢測(cè)及數(shù)據(jù)處理，以此實(shí)現(xiàn)故障檢測(cè)與診斷。這種方法由于超聲信號(hào)不易獲取，且會(huì)受到監(jiān)測(cè)距離的限制，故其應(yīng)用效果不佳。文獻(xiàn)[5]中提出了一種面向電力設(shè)備紅外圖像的溫度值識(shí)別算法。該方法采集目標(biāo)設(shè)備的紅外圖像，然后進(jìn)行圖像預(yù)處理并提取圖像特征，最后利用識(shí)別方法發(fā)現(xiàn)故障目標(biāo)。該方法在高溫環(huán)境下采集的紅外圖像中故障部位的溫度顯示不明顯，也就是目標(biāo)難以定位，故其應(yīng)用效果不佳。結(jié)合以往研究經(jīng)驗(yàn)，提出一種基于紅外成像技術(shù)的中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別技術(shù)。通過(guò)該研究以期提高電力穩(wěn)定器高溫運(yùn)行可靠性識(shí)別準(zhǔn)確性。

1 電力穩(wěn)定器的可靠性識(shí)別方法

電力穩(wěn)定器是電網(wǎng)系統(tǒng)當(dāng)中的重要組成部分之一，主要作用是穩(wěn)定電線(xiàn)當(dāng)中的電壓，提高電力運(yùn)輸質(zhì)量。一旦電網(wǎng)電力穩(wěn)定器出現(xiàn)問(wèn)題，將直接影響電網(wǎng)運(yùn)行可靠性。針對(duì)這一點(diǎn)，研究一種基于紅外成像技術(shù)的中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別技術(shù)。

1.1 電力穩(wěn)定器紅外圖像采集與處理

研究電力穩(wěn)定器運(yùn)行狀態(tài)的前提和基礎(chǔ)是獲取信息源，也就是關(guān)于電力穩(wěn)定器的圖像。關(guān)于電力穩(wěn)定器圖像的采集技術(shù)有很多，如CCD、激光雷達(dá)、紅外熱像儀、紅外成像技術(shù)。這些技術(shù)采集到的圖像雖然各具優(yōu)勢(shì)，但是應(yīng)用在本研究中，并不適合。電力穩(wěn)定器某部位出現(xiàn)異常時(shí)該部位溫度會(huì)較周?chē)渌糠譁囟雀?，一般情況下，直接使用紅外熱像儀就可以，但是當(dāng)環(huán)境溫度較高時(shí)，會(huì)使得穩(wěn)定器高溫部分顯示的紅外信息并不明顯。針對(duì)這種情況，利用紅外成像技術(shù)采集電力穩(wěn)定器圖像。紅外成像技術(shù)框架如圖1所示。

該技術(shù)原理如下：首先利用光源系統(tǒng)為其提供照明，然后利用分光計(jì)將光分散處理，照射到目標(biāo)電力穩(wěn)定器上，這時(shí)光會(huì)被反射回來(lái)，經(jīng)過(guò)聚焦透鏡后，利用紅外相機(jī)采集反射光，形成中低壓電網(wǎng)電力穩(wěn)定器紅外圖像[6]。

經(jīng)過(guò)紅外成像技術(shù)采集電力穩(wěn)定器圖像之后，還需要進(jìn)行預(yù)處理，增強(qiáng)圖像中所隱含的信息辨識(shí)度[7]。預(yù)處理包括3方面，即紅外穩(wěn)定器圖像灰度化、圖像濾波以及圖像對(duì)比度增強(qiáng)。

圖1 電力穩(wěn)定器圖像采集示意圖

1）紅外穩(wěn)定器圖像灰度化

圖像灰度化是指將圖像像素轉(zhuǎn)換到0～255區(qū)間，讓紅綠藍(lán)三色彩分量降低[8]。處理公式如下：

式中：代表圖像灰度化結(jié)果；1、2、3代表原圖像的色彩三分量；1、2、3代表原圖像色彩三分量對(duì)應(yīng)的權(quán)重，分別取值為0.299、0.587、0.144。

2）紅外穩(wěn)定器圖像濾波

圖像濾波，即平滑圖像，去除圖像中的噪聲點(diǎn)[9]。紅外穩(wěn)定器圖像濾波過(guò)程如下：首先輸入待濾波的圖像，其次選取濾波窗口，記為，對(duì)窗口對(duì)應(yīng)的紅外穩(wěn)定器圖像像素灰度值進(jìn)行從小到大排序，然后選取其中的中間值，即：

式中：B,j代表紅外穩(wěn)定器圖像像素灰度序列的中間值；代表灰度值序列；代表濾波窗口內(nèi)的像素點(diǎn)數(shù)；Med代表中間值符號(hào)。

然后按照下述公式計(jì)算與濾波窗口內(nèi)灰度最小值和最大值之間的差值1、2、1、2。

然后判斷是否1大于0，且2小于0？若是，進(jìn)行下一步，否則擴(kuò)大濾波尺寸，記為￠，并回到開(kāi)始濾波步驟，按照上述流程，重新進(jìn)行濾波處理。最后判斷是否1大于0，且2小于0？若是，將C,j作為輸出值，否則把B,j作為輸出值[10]。

3）圖像對(duì)比度增強(qiáng)

圖像對(duì)比度增強(qiáng)的目的是突出紅外穩(wěn)定器圖像中的關(guān)鍵信息，弱化紅外穩(wěn)定器圖像中的背景信息[11]。在這里采用分段線(xiàn)性灰度變換法，即每段根據(jù)需要可以采用不同的線(xiàn)性變換來(lái)增強(qiáng)圖像對(duì)比度。在這里分為3段，即背景段、過(guò)渡段、目標(biāo)段。原理如下：

1.2 紅外穩(wěn)定器圖像分割

針對(duì)預(yù)處理好的紅外穩(wěn)定器圖像，進(jìn)行圖像分割，劃分目標(biāo)區(qū)域和背景區(qū)域，方便后續(xù)圖像特征提取[12]。紅外穩(wěn)定器圖像分割流程如下：

步驟1：輸入預(yù)處理好的紅外穩(wěn)定器圖像；

步驟2：從圖像中找出像素最大的點(diǎn)，將其作為種子點(diǎn)，記為；

步驟3：按照鄰域像素灰度值與種子點(diǎn)灰度值的差值小于某一閾值的原則進(jìn)行區(qū)域生長(zhǎng)；

步驟4：選出區(qū)域生長(zhǎng)面積最大的區(qū)域，記為；

步驟5：確定的4個(gè)方向的極值位置信息，記為1、2、3、4；

步驟6：將1、2、3、4連接，確定包含目標(biāo)的區(qū)域，記為；

步驟7：區(qū)域內(nèi)仍存在小部分背景干擾信息，因此針對(duì)，需要進(jìn)一步進(jìn)行精細(xì)分割；

步驟9：依據(jù)下述規(guī)則實(shí)現(xiàn)對(duì)紅外穩(wěn)定器圖像像素的分類(lèi)。

經(jīng)過(guò)上述過(guò)程，完成紅外穩(wěn)定器目標(biāo)圖像分割。

1.3 紅外穩(wěn)定器圖像特征提取

基于分割出來(lái)的紅外穩(wěn)定器目標(biāo)圖像，提取兩類(lèi)特征作為最后圖像識(shí)別模型的輸入，在這里通過(guò)直方圖計(jì)算-階統(tǒng)計(jì)特征[13]。首先計(jì)算紅外穩(wěn)定器目標(biāo)圖像的直方圖。基于直方圖提取其特征，具體如下：

灰度最大值：

峰度系數(shù)：

熵：

偏度：

標(biāo)準(zhǔn)差：

基于上述5個(gè)公式，完成紅外穩(wěn)定器圖像5個(gè)特征參數(shù)的提取。

1.4 電力穩(wěn)定器可靠性圖像識(shí)別與等級(jí)確定

基于上述提取的紅外穩(wěn)定器圖像5個(gè)特征參數(shù)，本節(jié)先是確定穩(wěn)定器熱狀態(tài)，然后針對(duì)狀態(tài)確定具體的可靠性等[14]。

1）穩(wěn)定器熱狀態(tài)確定

以5個(gè)特征參數(shù)為基礎(chǔ)，構(gòu)建分類(lèi)器，其形式如下：

＝11＋22＋33＋44＋55－(14)

式中：代表分類(lèi)器判別數(shù)值；代表常數(shù)；1、2、3、4、5代表紅外穩(wěn)定器圖像5個(gè)特征的判別函數(shù)系數(shù)，其取值分別為0.214，0.154，0.352，0.157，0.221；1、2、3、4、5分別代表灰度最大值、峰度系數(shù)、熵、偏度以及標(biāo)準(zhǔn)差的特征歸一化指數(shù)，計(jì)算公式如下：

式中：代表第類(lèi)特征的原始參數(shù)；min、max代表特征的最小值和最大值。

輸入正常和異常訓(xùn)練樣本到分類(lèi)器，確定兩種狀態(tài)（正常和異常）分類(lèi)的中心，記為1和2。由此計(jì)算正常和異常類(lèi)型的間隔點(diǎn)，計(jì)算公式如下：

式中：代表穩(wěn)定器正常和異常類(lèi)型的間隔點(diǎn)。

輸入測(cè)試樣本到分類(lèi)器當(dāng)中，得出分類(lèi)器判別數(shù)值。當(dāng)＜，認(rèn)為穩(wěn)定器處在正常狀態(tài)；當(dāng)≥，認(rèn)為穩(wěn)定器處在異常狀態(tài)[15]。

2）可靠性等級(jí)確定

通過(guò)上述研究確定了穩(wěn)定器的目標(biāo)區(qū)域所處的狀態(tài)，但是異常狀態(tài)的可靠性等級(jí)還需要進(jìn)一步確定，這里需要通過(guò)相對(duì)溫差判斷法確定可靠性等級(jí)[16]。首先確定紅外穩(wěn)定器圖像比色條的最高溫度值和最低溫度值，記為max、min，以及max、min在圖中對(duì)應(yīng)的灰度值，記為max、min。將max、min、max、min代入到下述方程，求得參數(shù)、。

由此得到圖像中目標(biāo)的溫度值計(jì)算公式，即：

＝0.214＋1.154 (18)

然后根據(jù)，計(jì)算相對(duì)溫差D。

根據(jù)D，確定穩(wěn)定器的異常狀態(tài)可靠性等級(jí)，具體如下：

一級(jí)：可靠等級(jí)較低，D≥30%；

二級(jí)：可靠等級(jí)低，D≥80%；

三級(jí)：可靠等級(jí)非常低，D≥90%；

基于上述兩個(gè)步驟的研究，實(shí)現(xiàn)中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別。

2 實(shí)驗(yàn)測(cè)試

2.1 樣本準(zhǔn)備

實(shí)驗(yàn)測(cè)試所需要的訓(xùn)練樣本來(lái)自電力系統(tǒng)數(shù)據(jù)庫(kù)，根據(jù)穩(wěn)定器組成結(jié)構(gòu)，將其主要分為7個(gè)訓(xùn)練樣本，結(jié)果如圖2所示。

圖2 訓(xùn)練樣本

測(cè)試樣本則來(lái)自某一區(qū)域某一段中低壓電網(wǎng)上5個(gè)穩(wěn)定器的現(xiàn)場(chǎng)采集圖像，共采集圖像35幅，其中部分如圖3所示。

圖3 部分紅外穩(wěn)定器圖像

針對(duì)上述紅外穩(wěn)定器圖像進(jìn)行三步預(yù)處理，提高圖像質(zhì)量。

2.2 圖像特征提取結(jié)果

針對(duì)紅外穩(wěn)定器圖像樣本進(jìn)行分割，確定目標(biāo)區(qū)域，并提取直方圖-階統(tǒng)計(jì)特征，其中部分結(jié)果如表1所示。

2.3 穩(wěn)定器熱狀態(tài)判斷結(jié)果

利用訓(xùn)練樣本，確定兩種狀態(tài)（正常和異常）分類(lèi)的中心，然后根據(jù)公式(16)計(jì)算出的正常和異常類(lèi)型的間隔點(diǎn)為0.20。由此判斷測(cè)試樣本中存在異常的穩(wěn)定器，結(jié)果如圖4所示。

圖4 穩(wěn)定器熱狀態(tài)判斷結(jié)果

從圖4中可以看出，只有兩個(gè)穩(wěn)定器處在異常狀態(tài)，具體為穩(wěn)定器2中組成部分3異常，穩(wěn)定器5中組成部分1異常。

2.4 可靠性確定結(jié)果

針對(duì)這兩個(gè)穩(wěn)定器2中組成部分3圖像，穩(wěn)定器5中組成部分1圖像，計(jì)算相對(duì)溫差，確定可靠性等級(jí)，結(jié)果如圖5所示。

圖5 可靠性確定結(jié)果

從圖5中可以看出，穩(wěn)定器2組成部分3相對(duì)溫差為82.32%，對(duì)應(yīng)可靠等級(jí)為2級(jí)，可靠性低；穩(wěn)定器5組成部分1相對(duì)溫差為91.35%，對(duì)應(yīng)可靠等級(jí)為3級(jí)，可靠性非常低。由此說(shuō)明穩(wěn)定器2和穩(wěn)定器3都亟待進(jìn)行維護(hù)。

2.5 對(duì)比實(shí)驗(yàn)

選取文獻(xiàn)[3]方法、文獻(xiàn)[4]方法作為對(duì)比方法，開(kāi)展對(duì)比實(shí)驗(yàn)，進(jìn)行中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別實(shí)驗(yàn)，獲得對(duì)比結(jié)果如表2所示。

表2 對(duì)比結(jié)果

如表2所示，采用所提方法進(jìn)行可靠性圖像識(shí)別時(shí)，其識(shí)別準(zhǔn)確率達(dá)到92.3%以上，而采用對(duì)比方法，其識(shí)別準(zhǔn)確率均低于85.5%，故采用所提方法，應(yīng)用性能更佳，具有更大的應(yīng)用價(jià)值。

3 結(jié)束語(yǔ)

綜上所述，穩(wěn)定器的正常運(yùn)行關(guān)系到電網(wǎng)運(yùn)輸電力的質(zhì)量，能夠有效穩(wěn)定電壓，避免巨大波動(dòng)。為實(shí)時(shí)了解穩(wěn)定器運(yùn)行狀態(tài)，研究一種基于紅外成像技術(shù)的中低壓電網(wǎng)電力穩(wěn)定器高溫運(yùn)行可靠性圖像識(shí)別技術(shù)。該技術(shù)以采集紅外成像圖像為基礎(chǔ)，經(jīng)過(guò)多個(gè)步驟處理和分析，確定穩(wěn)定器狀態(tài)并判斷可靠性等級(jí)。最后通過(guò)實(shí)驗(yàn)測(cè)試，證明了所研究技術(shù)的有效性。

[1] Gavoshani A, Orouji A A. A novel deep gate power MOSFET in partial SOI technology for achieving high breakdown voltage and low lattice temperature[J]., 2021, 20(9): 1-7.

[2] OUYANG Q, WANG L, Park B, et al. Simultaneous quantification of chemical constituents in matcha with visible-near infrared hyperspectral imaging technology[J]., 2021, 350(6): 129141.

[3] DU Houxian, LIU Hao, LEI Longwu, et al. Power transformer fault detection based on multi-eigenvalues of vibration signal[J]., 2023, 38(1): 83-94.

[4] ZHANG Zhaoyu, HU Yidan, SONG Yanfeng, et al. Development and application of mechanical vibration ultrasonic fusion detection sensor for electric power equipment[J]., 2023, 43(14): 5713-5723.

[5] WANG Kaixuan, REN Fuji, NI Hongjun, et al. Temperature value recognition algorithm for the infrared image of power equipment[J]., 2022, 17(3): 617-624.

[6] HUANG H, HU X, TIAN J, et al. Rapid and nondestructive prediction of amylose and amylopectin contents in sorghum based on hyperspectral imaging[J]., 2021, 359(8): 129954.

[7] Daradkeh Y I, Tvoroshenko I, Gorokhovatskyi V, et al. Development of effective methods for structural image recognition using the principles of data granulation and apparatus of fuzzy logic[J]., 2021, 9(99): 13417-13428.

[8] WANG Y, LIU H, GUO M, et al. Image recognition model based on deep learning for remaining oil recognition from visualization experiment[J]., 2021, 291(3): 120216.

[9] CHEN M, WANG X, LUO H, et al. Learning to focus: cascaded feature matching network for few-shot image recognition[J]., 2021, 64(9): 192105.

[10] GAO P, ZHAO D, CHEN X. Multi-dimensional data modelling of video image action recognition and motion capture in deep learning framework[J]., 2020, 14(7): 1257-1264.

[11] Karunakaran V, Saritha V N, Ramya A N, et al. Elucidating Raman image-guided differential recognition of clinically confirmed grades of cervical exfoliated cells by dual biomarker-appended SERS-tag[J]., 2021, 93(32): 11140-11150.

[12] ZHAO Y, WANG C, PEI J, et al. Nonlinear loose coupled non-negative matrix factorization for low-resolution image recognition[J]., 2021, 443(8): 183-198

[13] Andriyanov N A, Dementiev V E, Kargashin Y D. Analysis of the impact of visual attacks on the characteristics of neural networks in image recognition[J]., 2021, 186(12): 495-502.

[14] WANG F, HU R, JIN Y. Research on gesture image recognition method based on transfer learning[J]., 2021, 187(10): 140-145.

[15] Quionez Y, Lizarraga C, Peraza J, et al. Image recognition in UAV videos using convolutional neural networks[J]., 2020, 14(2): 176-181.

[16] Corti E, Khanna A, Niang K, et al. Time-delay encoded image recognition in a network of resistively coupled VO2on Si oscillators[J]., 2020, 41(4): 629-632.

Reliability Image Recognition Method for High Temperature Operation of Power Stabilizer in Medium and Low Voltage Grids Based on Infrared Imaging

DAI Zikuo1，SHI Kejian2，SONG Shida3，LIU Yang4，XU Yan5

(1.,110000, China;2.,110000,;3.,115000,;4..,121000,;5..,112000,)

Power stabilizers are crucial in stabilizing the voltage in power grids. If the equipment is abnormal, the power quality of the power grid is directly affected. In this context, an image recognition technology based on thermal infrared hyperspectral imaging technology for the high-temperature operation reliability of power stabilizers in medium- and low-voltage power grids was studied. In this study, thermal infrared hyperspectral imaging was used to collect images of the power stabilizer and perform preprocessing. The thermal infrared hyperspectral image of the power stabilizer was segmented, and the target and background areas were divided. Five first-order statistical histogram features were extracted from the target areas. Based on the first-order statistical features of the five histograms combined with the discrimination coefficient, a classifier was constructed to realize the state recognition of the power stabilizer. For a power stabilizer with abnormalities, the relative temperature difference in the image target area was calculated to determine the reliability level. The results show that only two of the five test stabilizers are in an abnormal state; specifically, component 3 of stabilizer 2 is abnormal, and component 1 of stabilizer 5 is abnormal. The relative temperature difference of component 3 of stabilizer 2 was 82.32%, and the corresponding reliability level was level 2, with low reliability; the relative temperature difference of component 1 of stabilizer 5 was 91.35%, the corresponding reliability level was level 3, and the reliability was extremely low. Comparative experimental results show that the recognition accuracy of the proposed method reaches 92.3% or higher, which is superior to that of the comparison method and has a greater application value.

infrared imaging technology, medium and low voltage power grid, power stabilizer, reliability, image recognition

TP111.69

A

1001-8891(2023)12-1351-07

2022-09-21；

2023-03-27.

代子闊（1985-），男，滿(mǎn)族，遼寧沈陽(yáng)人，碩士，高級(jí)工程師，主要研究方向：配電網(wǎng)智能運(yùn)維技術(shù)、配電網(wǎng)供電可靠性提升關(guān)鍵技術(shù)等。E-mail:bizhao83231@163.com。

國(guó)網(wǎng)遼寧省電力有限公司科技項(xiàng)目（2021YF-63）。