CN104569747A - 断电电缆绝缘性检验***及方法 - Google Patents
断电电缆绝缘性检验***及方法 Download PDFInfo
- Publication number
- CN104569747A CN104569747A CN201410548016.6A CN201410548016A CN104569747A CN 104569747 A CN104569747 A CN 104569747A CN 201410548016 A CN201410548016 A CN 201410548016A CN 104569747 A CN104569747 A CN 104569747A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fish
- cable
- behavior
- rvm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种断电电缆绝缘性检验***及方法,属于电缆技术领域,***包括电压信号预处理模块,特征值提取模块、神经网络训练器和神经网络识别器,电压信号预处理模块,特征值提取模块、神经网络训练器和神经网络识别器依次连接。本发明方法的BP神经网络具有非线性映射、自适应学习和容错能力,小波分解具有多分辨率特性,将小波分解和时域特征量相结合输入到神经网络中,充分发挥各自的优势,有利于电缆放电的识别,进行绝缘性检验。
Description
技术领域
本发明属于电缆技术领域,具体涉及一种断电电缆绝缘性检验***及方法。
背景技术
随着社会对电力需求的不断增大,电力产业得到快速发展,大型输电网络的安全运行成为电力行业关注的重大问题。随着我国城市电网的不断改造,电缆作为电力电缆己经广泛应用于输电线路和配电网中,因此,对电缆的绝缘状态检测显得十分必要而且重要。
发明内容
为了克服现有技术的不足,本发明提供一种断电电缆绝缘性检验***及方法。
本发明的技术方案是:一种断电电缆绝缘性检验***,包括电压信号预处理模块,特征值提取模块、神经网络训练器和神经网络识别器,电压信号预处理模块,特征值提取模块、神经网络训练器和神经网络识别器依次连接。包括如下步骤:步骤一:将被测电缆接通直流电源,与电感、开关组成一个LCR振荡电路,使直流电源对被测电缆进行充电;步骤二:完成充电的基础上,开关导通,使LCR 振荡回路可以进行阻尼振荡,采集振荡电压波形;步骤三:构建神经网络诊断模型,输入采集的振荡电压波形,判断电缆的绝缘性能。所述步骤三中神经网络诊断模型构建的具体流程为:对不同电缆的大量的正常运行与放电震荡电压波信号进行实时采样,对采样结果进行特征值提取并作为神经网络的学习样本,将其输入神经网络中对网络进行训练,把训练好的神经网络作为绝缘性检验的识别器,如果识别器检测到放电现象就控制脱扣装置跳开电路,否则就开始新一轮检测。所述特征值为小波变换的高频系数作为神经网络的特征值。所述神经网络模型采用附加动量项的向后传播神经网络算法对网络进行训练,选择 Sigmoid 函数作为该节点的传递函数。
本发明有如下积极效果:BP 神经网络具有非线性映射、自适应学习和容错能力,小波分解具有多分辨率特性,将小波分解和时域特征量相结合输入到神经网络中,充分发挥各自的优势,有利于电缆放电的识别,进行绝缘性检验。
附图说明
图1为本发明具体实施方式电缆绝缘性检测***;
图2为本发明具体实施方式Mallat 算法结构;
图3为本发明具体实施方式放电神经网络识别器模型。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
本发明的主要思路是:本发明的检验装置包括直流电源、开关和电感,将直流电源、开关、电感和断电电缆连接,组成一个LCR震荡回路,当开关断开时,在充电回路中,直流电源可以对被测电缆进行直流充电。电感,与所述直流电源相连接,并且与断电电缆相连接。直流电源、电感以及被测电缆三者相连接可以形成一个充电回路。在完成充电的基础上,当开关导通时,LCR 振荡回路可以进行阻尼振荡。LCR振荡回路进行阻尼振荡可以产生振荡电压波,振荡电压波可以在被测电缆上产生振荡波电压。通过在被测电缆上施加振荡波电压可以激发出电缆潜在缺陷处的放电信号。本发明通过采集振荡电压波形,利用神经网络对波形进行分析处理,判断电缆是否存在漏电现象,绝缘性能是否良好。
1.绝缘性检测原理
本发明提供的基于神经网络的电缆绝缘性识别***如图1所示。***包括电压信号预处理模块,特征值提取模块、神经网络训练器和神经网络识别器,电压信号预处理模块,特征值提取模块、神经网络训练器和神经网络识别器依次连接。***首先分别对不同电缆的大量的正常运行与放电震荡电压波信号进行实时采样,对采样结果进行特征值提取并作为神经网络的学习样本,将其输入神经网络中对网络进行训练,把训练好的神经网络作为非绝缘性的识别器。对于神经网络的训练在计算机中完成,其余部分均在检测装置中完成。装置运行时,把需要识别的电压信号输入到训练好的神经网络中进行辨识。如果识别器检测到放电现象就控制脱扣装置跳开电路,否则就开始新一轮检测。
2 特征值的提取
基于神经网络方法的绝缘性检验,关键是确定神经网络的输入量即电压信号的特征值。由于小波变换具有空间局部性,能“聚焦”于信号的局部结构,利用小波变换能确定信号的奇异性位置。本文将小波变换的高频系数作为神经网络的一类输入特征量,将线路电流在时域的周期变化作为神经网络的一类输入特征量。
3.基于小波变换的特征值提取
电缆的电压信号经过两层离散小波变换后出现逼近信号和细节信号,在发生放电现象后,两层细节信号的幅值都有明显增加。小波变换是一种具有时频域联合分析特性的信号分析方法,小波变换细节系数中的模极大值点能够很好地对应放电原始波形中的突变点,所以小波分析是描述放电现象的有效方法,且小波变换的细节信号也有效地反映了产生放电时电压的特征。
在计算小波变换时,直接引用小波分析的Mallat 算法的相关结论来计算小波变换的高频系数,设尺度函数族 ,构成尺度空间 Vj的正交规范基,函数族构成小波空间Wj的正交规范基。定义数字滤波器 h ( n) 和g( n) 为
定义 QUOTE (n)= h(-n) 、 QUOTE (n)= g(-n) ,其中用滤波器 h( n) 和 g( n)进行小波重构,用滤波器 QUOTE (n)和 QUOTE (n)进行小波分解。Mallat 小波分解算法可表示为
式中 aj( k) ——第 j 层离散小波分解的逼近信号
aj + 1( k) ——第 j +1 层离散小波分解的逼近信号
dj + 1( n) ——第 j +1 层离散小波分解的细节信号
作为离散小波变换的快速算法——Mallat 算法结构如图 2所示。
在放电现象检测时,采用sym2小波函数,并取每半周期第一、二层小波分解的细节信号能量,作为神经网络的两个输入量,可表示为
在微控制器中进行小波分解所需要的 sym2小波函数的滤波器系数,如表 1 所示。
表一 sym2小波函数滤波器系数
试验中对不同负载正常运行与放电时的电压数据进行采集,并经过归一化后根据表1和式( 3)~( 6)计算出不同负载下,每半周期小波分解细节信号的能量。
4.神经网络识别器
神经网络具有较强的非线性映射能力,能够自适应地将学***均值的变化量组成,有 4 个神经元,并对电压信号做归一化处理。网络的输出结果分为“正常运行”和“放电”两类状态,输出层仅需要1个神经元就可满足要求,选择 Sigmoid 函数作为该节点的传递函数,使得网络的输出量限制在[0,1]范围内。为使网络训练时有一定的寻优空间,将样本的期望输出值 Y 按以下方式转换
在识别时,输出以0.5为界,[0,0.5]表示为正常状态,[0.5,1]表示为有放电产生。根据以上阐述,构建神经网络识别器模型如图 3所示。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (3)
1.一种基于RVM的发动机故障诊断方法,其特征在于:包括如下步骤:
步骤一:预处理: 对发动机运行速度及其对应的振幅、频率样本的先验数据进行归一化处理,并建立运行速度及其对应的振幅、频率与发动机状态之间的对应关系;
步骤二:机器训练: 选择合适的核函数并对其超参数进行鱼群算法优化训练,建立合适的RVM 模型;
步骤三:故障诊断: 采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。
2.根据权利要求1所述的基于RVM的发动机故障诊断方法,其特征在于:所述步骤二中,核函数为高斯径向基核函数。
3.根据权利要求1所述的基于RVM的发动机故障诊断方法,其特征在于:所述鱼群算法的实现过程为:
a.初始化鱼群种群数、各个阶段的交叉率及变异率、最大迭代次数;
b.使用互信息计算各个变量之间的互信息;
c.采用MWST算法生成初始的无向图,并指定任意一个节点为根节点生成初始种群;
d.计算所有初始种群的BIC评分,找出评分最大的分值及个体;
e.将d的结果放入初始化后的公告板;
while(迭代次数<最大迭代次数)
for k=1:fishnum
f.若此编号的鱼个体满足聚群条件,则执行聚群行为;否则执行觅食行为;
g.若此编号的鱼个体满足追尾条件,则执行追尾行为;否则执行觅食行为;
h.将执行完聚群行为和追尾行为的鱼个体进行比较,得到此鱼个体“捕食”最优的方式,并记录;
i.用一次“捕食”后的fishinum个鱼个体中的最优个体来更新公告板;
j.判断是否达到最大迭代次数,若达到最大迭代次数,则算法结束;否则继续进行;
k.输出计算后的最高得分值,得到最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410548016.6A CN104569747A (zh) | 2014-10-16 | 2014-10-16 | 断电电缆绝缘性检验***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410548016.6A CN104569747A (zh) | 2014-10-16 | 2014-10-16 | 断电电缆绝缘性检验***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104569747A true CN104569747A (zh) | 2015-04-29 |
Family
ID=53086278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410548016.6A Pending CN104569747A (zh) | 2014-10-16 | 2014-10-16 | 断电电缆绝缘性检验***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104569747A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269952A (zh) * | 2020-02-14 | 2021-08-17 | 美光科技公司 | 车辆中的线控驱动传感器的监测 |
US11498388B2 (en) | 2019-08-21 | 2022-11-15 | Micron Technology, Inc. | Intelligent climate control in vehicles |
US11586194B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network models of automotive predictive maintenance |
US11586943B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network inputs in automotive predictive maintenance |
US11635893B2 (en) | 2019-08-12 | 2023-04-25 | Micron Technology, Inc. | Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks |
US11650746B2 (en) | 2019-09-05 | 2023-05-16 | Micron Technology, Inc. | Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles |
US11693562B2 (en) | 2019-09-05 | 2023-07-04 | Micron Technology, Inc. | Bandwidth optimization for different types of operations scheduled in a data storage device |
US11702086B2 (en) | 2019-08-21 | 2023-07-18 | Micron Technology, Inc. | Intelligent recording of errant vehicle behaviors |
US11709625B2 (en) | 2020-02-14 | 2023-07-25 | Micron Technology, Inc. | Optimization of power usage of data storage devices |
US11748626B2 (en) | 2019-08-12 | 2023-09-05 | Micron Technology, Inc. | Storage devices with neural network accelerators for automotive predictive maintenance |
US11775816B2 (en) | 2019-08-12 | 2023-10-03 | Micron Technology, Inc. | Storage and access of neural network outputs in automotive predictive maintenance |
US11830296B2 (en) | 2019-12-18 | 2023-11-28 | Lodestar Licensing Group Llc | Predictive maintenance of automotive transmission |
US11853863B2 (en) | 2019-08-12 | 2023-12-26 | Micron Technology, Inc. | Predictive maintenance of automotive tires |
-
2014
- 2014-10-16 CN CN201410548016.6A patent/CN104569747A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11853863B2 (en) | 2019-08-12 | 2023-12-26 | Micron Technology, Inc. | Predictive maintenance of automotive tires |
US11586194B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network models of automotive predictive maintenance |
US11586943B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network inputs in automotive predictive maintenance |
US11635893B2 (en) | 2019-08-12 | 2023-04-25 | Micron Technology, Inc. | Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks |
US11775816B2 (en) | 2019-08-12 | 2023-10-03 | Micron Technology, Inc. | Storage and access of neural network outputs in automotive predictive maintenance |
US11748626B2 (en) | 2019-08-12 | 2023-09-05 | Micron Technology, Inc. | Storage devices with neural network accelerators for automotive predictive maintenance |
US11702086B2 (en) | 2019-08-21 | 2023-07-18 | Micron Technology, Inc. | Intelligent recording of errant vehicle behaviors |
US11498388B2 (en) | 2019-08-21 | 2022-11-15 | Micron Technology, Inc. | Intelligent climate control in vehicles |
US11650746B2 (en) | 2019-09-05 | 2023-05-16 | Micron Technology, Inc. | Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles |
US11693562B2 (en) | 2019-09-05 | 2023-07-04 | Micron Technology, Inc. | Bandwidth optimization for different types of operations scheduled in a data storage device |
US11830296B2 (en) | 2019-12-18 | 2023-11-28 | Lodestar Licensing Group Llc | Predictive maintenance of automotive transmission |
US11709625B2 (en) | 2020-02-14 | 2023-07-25 | Micron Technology, Inc. | Optimization of power usage of data storage devices |
CN113269952A (zh) * | 2020-02-14 | 2021-08-17 | 美光科技公司 | 车辆中的线控驱动传感器的监测 |
CN113269952B (zh) * | 2020-02-14 | 2023-10-10 | 美光科技公司 | 车辆的预测性维护的方法、数据存储装置及车辆 |
US11531339B2 (en) | 2020-02-14 | 2022-12-20 | Micron Technology, Inc. | Monitoring of drive by wire sensors in vehicles |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104569747A (zh) | 断电电缆绝缘性检验***及方法 | |
CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN111879397B (zh) | 高压断路器储能机构故障诊断方法 | |
CN112241605B (zh) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 | |
Wang et al. | A novel wind speed forecasting method based on ensemble empirical mode decomposition and GA-BP neural network | |
CN109214356A (zh) | 一种基于dcnn模型的风机传动***故障智能诊断方法 | |
CN106154163A (zh) | 一种电池寿命状态识别方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
Anh et al. | A benchmark of deep learning models for multi-leaf diseases for edge devices | |
Rizvi | Time series deep learning for robust steady-state load parameter estimation using 1D-CNN | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及*** | |
CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
Lun Gaoa et al. | Research and application of data mining feature selection based on relief algorithm | |
Wang et al. | Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification | |
Zhang et al. | Residual current fault type recognition based on S3VM and KNN cooperative training | |
CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
CN115600754A (zh) | 用户用电安全隐患的预测方法、***、设备及存储介质 | |
CN115293195A (zh) | 一种应用于煤改电负荷特性的分析预测方法及装置 | |
Xing et al. | A method of classified HV circuit breaker fault signal based on EEMD and SOM neural network | |
Zhuo et al. | The evaluation of wind power time series multi-scale modeling methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150429 |
|
WD01 | Invention patent application deemed withdrawn after publication |