1、隨著現(xiàn)代智能電網(wǎng)的發(fā)展，紅外技術(shù)在變電站的運行和維護中發(fā)揮了巨大的作用。紅外技術(shù)無需直接接觸變電站設(shè)備就能實現(xiàn)變電站設(shè)備整體溫度分布的測量，找出溫度最高的發(fā)熱點，在不停電的狀態(tài)下發(fā)現(xiàn)變電站設(shè)備故障。因此本文根據(jù)紅外技術(shù)在變電站設(shè)備故障診斷中的優(yōu)點，研究了紅外技術(shù)用于變電站設(shè)備熱故障診斷的各個流程，本文的主要工作如下:
　　(1)針對變電站設(shè)備紅外圖像存在噪聲和低對比度的特點，給出了變電站設(shè)備紅外圖像的去噪和增強方法。采用基于形態(tài)學

2、的權(quán)重自適應(yīng)算法進行紅外圖像去噪，采用多尺度Retinex算法進行紅外圖像增強，并與常用的去噪和增強方法進行對比。實驗結(jié)果表明，本文給出的變電站設(shè)備紅外圖像去噪和增強方法具有較好的效果。
　　(2)在研究常用圖像分割方法的基礎(chǔ)上，給出了改進的變電站設(shè)備紅外圖像分割方法，對預(yù)處理后的變電站設(shè)備紅外圖像采用基于加權(quán)切比雪夫距離的K-means聚類算法進行聚類處理，然后采用二維最大熵法對聚類后的圖像進行分割。實驗結(jié)果表明，本文給出的改進

3、方法能夠較好地將目標完整的分割出來，分割效果較好。
　　(3)針對變電站設(shè)備紅外圖像的形狀特征，分別采用了Hu不變矩和Zernike不變矩來提取圖像的形狀特征，通過對特征提取效果的對比，最終采用Zernike不變矩來提取圖像形狀特征;采用支持向量機分類器對實際的變電站設(shè)備紅外圖像進行分類，并分別驗證了Hu不變矩和Zernike不變矩作為特征向量的分類效果。實驗結(jié)果表明，本文給出的方法識別率較高，分類效果較好。
　　(4)根據(jù)