简介:摘要:近年来,随着工业化生产的逐步成熟,人民生活质量不断提高,导致电力需求持续增长,电力工程不断扩大范围以及规模,人民大众愈发重视电力供应的安全性以及稳定性。但是电力企业在开展实践工作时,每当出现电力故障,都难以及时检测出导致故障发生的原因和具体故障点,不但给运维人员增加了工作难度,还严重影响了电力系统安全、稳定的运行。基于此,就要求变电运维人员积极引进新技术、新工艺,提高发现和解决问题的能力,强化工作规范性、安全性,实践证明,在采取红外测温诊断技术时,可以有效提高检测能力,其优势在于不影响电力系统正常运行的情况下,及时发现和解决存在的问题以及故障,进一步提高变电运维工作质量和效果,使电力企业实现可持续发展[1]。
简介:摘要:电力在能源中是最清洁且最便宜的能源,电力对现代人类社会的发展有着重要作用,由此也可以说电力是一个国家发展的重要支柱,要想实现我国经济建设的繁荣复兴离不开电力资源的有效支撑。因此我国的电力管理部门非常重视输电线路通道的检查工作,以保证我国电力系统的正常运行。在以往的电力巡查工作中都是通过大量的人力工作人员进行巡查工作。这样的处理方式既耗时又耗力。随着现代智能技术的发展,电力管理部门在针对输电线路巡查时引入了无源可视化超温预警装置,对超温状态可视化展示,达到视觉识别效果,辅助以更高频次的人工、视频和无人机巡检,达到及时发现,及时处理。
简介:摘 要:随着无源干扰装置不断向自动化与智能化方向发展,无源干扰装置电气设备的管理控制也愈发复杂。传统控制方法在应对多变的工作环境和实时监测需求上存在较大局限性,迫切需要更加智能化的解决方案。人工智能技术的出现为无源干扰装置电气设备的智能识别与自适应控制提供了新的思路。其中,YOLO模型和CNN算法作为深度学习领域的重要成果,能在图像处理和数据分析方面发挥重要作用,为无源干扰装置电气设备的智能化管理提供有效的技术支持。本文以基于人工智能的无源干扰装置电气设备智能识别与自适应控制为研究主题,设计了基于YOLO模型的智能识别模型和基于CNN的自适应控制模型,测试结果表明模型在实际应用中的效果较佳,具有较高的推广价值。