CN106526400B - Dc600v列车供电***的接地故障诊断方法及装置 - Google Patents
Dc600v列车供电***的接地故障诊断方法及装置 Download PDFInfo
- Publication number
- CN106526400B CN106526400B CN201611064578.9A CN201611064578A CN106526400B CN 106526400 B CN106526400 B CN 106526400B CN 201611064578 A CN201611064578 A CN 201611064578A CN 106526400 B CN106526400 B CN 106526400B
- Authority
- CN
- China
- Prior art keywords
- fault
- waveform
- power supply
- supply system
- train
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开一种DC600V列车供电***的接地故障诊断方法及装置,该方法步骤包括:1)获取DC600V列车供电***在发生不同接地故障类型时的故障波形样本集,每一个故障波形样本集对应一种接地故障类型;将各故障波形样本集进行训练,得到故障分类模型;2)当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形,并根据故障分类模型诊断当前故障波形所对应的接地故障类型;该装置包括分类模型训练模块以及故障诊断模块。本发明具有实现操作简便、诊断效率及精度高、通用性强、扩展性能好且易于执行维护等优点。
Description
技术领域
本发明涉及电力机车技术领域,尤其涉及一种适用于DC600V列车的供电***的接地故障诊断方法及装置。
背景技术
DC600V列车供电***大量应用于空调列车中,其供电***中的接地故障保护装置是保障列车运行、旅客人身安全的重要组成部分,为保障电力机车列车在运行发挥重要作用。接地故障保护装置实现的关键就在于对接地故障波形的识别检测及不同故障模式的分离,即接地故障诊断。接地故障诊断分为故障检测和故障分离两个主要步骤,其中故障检测为判断***是否发生接地故障,以快速的做出响应动作,减少生命财产损失;故障分离则是对发生的故障进行识别、定位,为***故障排除甚至自动修复提供重要指导。
DC600V供电***接地故障类型繁多且不易进行准确定位,首先,供电***主要分整流单元、直流供电单元、逆变输出单元等,不同部位接地具有不同的故障模式;其次,列车中电磁环境复杂,负载类型、负载大小变化都会导致故障波形变化,即故障波形在复杂工况、不同批次、负载变化等车辆上很可能是不稳定的,且电力机车、动车上的电磁环境非常复杂,在电磁干扰的作用下细节特征也不可靠,这些都会给接地故障的定位、分离工作带来很大困扰。
目前针对DC600V供电***的接地故障诊断的相关研究较少,还未有有效的诊断实现方法,现有的故障诊断方法则通常都是依据故障波形的某些局部特征进行算法设计,实现波形识别、故障诊断,而基于故障波形局部特征的诊断方法存在以下问题:
①识别特征不全面、诊断不准确。尤其是在新路况、新的负载环境下,极可能出现无法识别、误判、漏判等诸多问题,使得仍然存在安全隐患,无法有效满足工程需要;
②通用性差。上述针对局部特征的方法算法通常难以通用,需针对每种工况进行参数优化,以及针对每种故障进行特征选取、算法设计,甚至重新进行算法设计,当故障模式多、工况环境复杂时往往难以实现;
③维护性差。当供电***变动、外部环境变化时,需要大量精力调参甚至重新进行算法设计,当出现新的故障模式很难维护,且在实际工程应用中往往需要针对不同应用的机车进行特定的算法处理,使得上述方法的维护升级非常困难;
④所需工作量大。基于故障波形局部特征方法需要针对每种故障模式都进行特征分析、算法设计,效率低下,所需工作量大、耗时严重。
⑤鲁棒性差。基于局部特征的识别算法泛化特性差,对于复杂环境难以稳定的进行故障识别、分离。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现操作简便、诊断效率及精度高、通用性强、扩展性能好且易于执行维护的DC600V列车供电***的接地故障诊断方法及装置。
为解决上述技术问题,本发明提出的技术方案为:
一种DC600V列车供电***的接地故障诊断方法,步骤包括:
1)获取DC600V列车供电***在不同接地故障类型时的故障波形样本集,每一个所述故障波形样本集对应一种接地故障类型;将各所述故障波形样本集进行训练,得到故障分类模型;
2)当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形,并根据所述故障分类模型诊断当前故障波形所对应的接地故障类型。
作为本发明方法的进一步改进:所述故障波形为DC600V列车供电***发生接地故障时半电压的波形。
作为本发明方法的进一步改进:所述步骤1)中具体分别对各所述故障波形集中故障波形进行频谱分析,并提取包括频谱信息的特征向量进行训练,得到故障分类模型;所述步骤2)中具体对当前故障波形进行频率分析,并提取所述包括频谱信息的特征向量,由所述故障分类模型对提取的所述特征向量进行识别,得到对应的接地故障类型。
作为本发明方法的进一步改进:所述特征向量包括前n次谐波与基波的幅值比以及直流分量信息,其中n为指定的谐波数;所述特征向量还包括相位信息。
作为本发明方法的进一步改进:所述进行频谱分析时,若为周期信号,则对待分析波形进行周期信号定位;若为多周期且周期变化的信号,则对待分析波形进行分类。
作为本发明方法的进一步改进:所述步骤1)还包括模型优化步骤,具体步骤为:所述步骤1)还包括模型优化步骤,具体步骤为:由所述故障分类模型给出测试样本在不同接地故障类型的预测概率,根据各接地故障类型的所述预测概率对所述故障分类模型进行优化;以及在训练集中新增所需的接地故障类型、故障波形,反复进行验证校正后,得到最终的故障分类模型。
作为本发明方法的进一步改进:所述步骤1)中具体基于随机森林分类器训练故障分类模型。
作为本发明方法的进一步改进:所述接地故障类型包括整流侧正端、整流侧负端、电抗前级、DC600V正输出端、DC600V负输出端、逆变侧A相、逆变侧B相以及逆变侧C相的接地故障。
作为本发明方法的进一步改进:所述步骤2)中当目标DC600V列车供电***发生接地故障时,具体先根据目标DC600V列车供电***的半电压分离出直流接地故障,如果不是直流接地故障,再实时采集当前故障波形,并根据所述故障分类模型诊断当前故障波形所对应的接地故障类型。
作为本发明方法的进一步改进,所述分离出直流接地故障的具体步骤为:若当前半电压为直流电压,则判定为直流接地故障,且若当前半电压的值向下偏离正常工况时半电压,诊断为DC600V正输出端发生接地故障,以及若当前半电压的值向上偏离正常工况时半电压,诊断为DC600V负输出端发生接地故障。
作为本发明方法的进一步改进,所述步骤1)后、步骤2)前还包括故障检测步骤,具体步骤为:实时检测目标DC600V列车供电***的半电压以及漏电流,综合检测到的半电压以及漏电流,判定是否发生接地故障,如果判断到发生接地故障,转入执行步骤2)。
一种DC600V列车供电***的接地故障诊断装置,包括:
分类模型训练模块,用于获取DC600V列车供电***在发生不同接地故障类型时的故障波形样本集,每一个所述故障波形样本集对应一种接地故障类型;将各所述故障波形样本集进行训练,得到故障分类模型;
故障诊断模块,用于当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形,并根据所述故障分类模型诊断当前故障波形所对应的接地故障类型。
作为本发明装置的进一步改进,所述分类模型训练模块包括:
第一特征量提取单元,用于分别对各所述故障波形集中故障波形进行频谱分析,并提取包括频谱信息的特征向量构成故障分类模型训练集;
训练单元,用于对所述故障分类模型训练集进行训练,得到故障分类模型;
所述故障诊断模块包括:
数据采集单元,用于当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形;
第二特征量提取单元,用于对当前故障波形进行频率分析,并提取所述包括频谱信息的特征向量,得到待分类特征向量;
诊断识别单元,用于由所述故障分类模型对所述待分类特征向量进行诊断识别,得到所对应的接地故障类型。
与现有技术相比,本发明的优点在于:
1)本发明基于DC600V列车供电***接地故障类型多、不易定位等特点,通过获取不同接地故障类型时的故障波形样本集训练得到故障分类模型,再利用训练得到的故障分类模型对实时发生的接地故障类型进行诊断识别,操作实现方便,能够通用于DC600V列车供电***的各种接地故障诊断,无需针对不同故障类型进行特定算法设计,大大减少了所需的工作量,且基于大量故障波形样本得到的故障分类模型,在故障发生时能够快速、准确的诊断识别出接地故障类型,同时由分类模型可以方便的进行升级维护;
2)本发明进一步通过获取频谱信息作为特征向量,能够有效表征故障波形的整体特征,确保故障分类模型的识别精度;特征向量具体取包括前n次谐波与基波幅值比Mag及直流分量信息的一维特征向量,不存在二维图像的旋转等问题,特征向量选取合理,能够很好的表征波形的整体特征、滤除细节特征,同时满足伸缩不变、平移不变等特性,从而得到高精度的故障分类模型;特征向量进一步还包括相位Phase,能够完整的表征故障波形特征;
3)本发明进一步通过反复验证及优化故障分类模型,能够满足不同故障类型的灵敏识别,实现对多种故障模式的有效分类,同时可以根据样本的变化支持新故障类型或对同一故障类型中新工况下波形的诊断识别,具有良好的可扩展性能以及可维护性能;
4)本发明进一步基于随机森林分类器训练故障分类模型,由训练得到的随机森林分类模型对复杂工作环境具有很高的稳定性,通过对模型的训练集进行不断拓展修改,即可以实现所需分类精度,同时通过增加新样本或删除旧样本重新训练模型,可以方便的实现随机森林分类器的能力升级;
5)本发明进一步考虑到实际环境中负载效应、电磁干扰导致的半电压波形扰动等情况,综合半电压、漏电流判断***是否发生接地故障,能够有效提高故障检测的准确性、鲁棒性,从而在故障发生时能够快速的做出响应动作。
附图说明
图1是本实施例DC600V列车供电***的接地故障诊断方法的实现流程示意图。
图2是DC600V供电***的结构原理示意图。
图3是本发明具体实施例中DC600V供电***1点接地故障波形示意图。
图4是本发明具体实施例中由低次谐波拟合得到的波形结果示意图。
图5是本实施例基于随机森林实现接地故障诊断的实现原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例DC600V列车供电***的接地故障诊断方法,步骤包括:
1)获取DC600V列车供电***在不同接地故障类型时的故障波形样本集,每一个故障波形样本集对应一种接地故障类型;将各故障波形样本集进行训练,得到故障分类模型;
2)当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形,并根据故障分类模型诊断当前故障波形所对应的接地故障类型。
本实施例基于DC600V列车供电***接地故障类型多、不易定位等特点,通过获取不同接地故障类型时的故障波形样本集训练得到故障分类模型,再利用训练得到的故障分类模型对实时发生的接地故障类型进行诊断识别,操作实现方便,能够通用于DC600V列车供电***的各种接地故障诊断,无需针对不同故障类型进行特定算法设计,大大减少了所需的工作量,且基于大量故障波形样本得到的故障分类模型,在故障发生时能够快速、准确的诊断识别出接地故障类型,同时由分类模型可以方便的进行升级维护。
如图2所示,本实施例具体取DC600V列车供电***的主要8种接地故障类型进行诊断识别,包括整流侧正端(1)、整流侧负端(2)、电抗前级(3)、DC600V正输出端(4)、DC600V负输出端(5)、逆变侧A相(6)、逆变侧B相(7)以及逆变侧C相(8)的接地故障。预先通过实测或仿真得到在如上述8种不同接地故障类型时的故障波形集,故障波形集包括对应接地故障类型在不同工况(如不同负载、不同接地电阻)的接地故障时得到的典型故障波形;当目标DC600V列车供电***发生接地故障时,由训练得到的故障分类模型对不同接地故障模式进行识别。除上述8种接地故障类型外,当然还可以根据实际需求设置其他更多接地故障类型。
本实施例中,故障波形具体为DC600V列车供电***发生接地故障时半电压的波形。如图2所示中电压传感器SV2即为检测DC600V列车供电***的半电压,DC600V列车供电***采用的是中点接地保护电路,当接地故障发生时,半电压波形会发生变化,且与不同接地点密切相关,则通过半电压的波形的特征能够表征DC600V列车供电***不同接地故障类型。
本实施例中,步骤1)中具体分别对各故障波形集中故障波形进行频谱分析,并提取包括频谱信息的特征向量进行训练,得到故障分类模型;步骤2)中具体对当前故障波形进行频率分析,并提取包括频谱信息的特征向量,由故障分类模型对提取的特征向量进行识别,得到对应的接地故障类型。采集到故障波形后对故障波形进行FFT变换,FFT的窗口采样周期T是固定的,可以直接采用固定的采样率及采样点数释放实现频谱分析。本实施例通过获取频谱信息作为特征向量,能够有效表征故障波形的整体特征,确保故障分类模型的识别精度。
半电压波形的细节特征在复杂工况、不同批次、负载变化等车辆上很可能是不稳定的,且电力机车上的电磁环境非常复杂,在电磁干扰的作用下,半电压的细节特征也不可靠。以1点接地故障为例,不同负载实测故障波形如图3所示,其中(a)为负载电流50A时半电压波形,(b)为负载电流150A时半电压波形,(c)为负载电流300A,以及(d)为负载电流600A时半电压波形。由图3可知,不同负载时半电压波形具有以下特点:①整体特征一致,但细节特征区别较大;②波形会发生纵向伸缩变化,幅值大小不一;③波形的周期稳定,没有发生显著变化。本实施例特征向量包括直流分量信息、前n次谐波与基波幅值比Mag,能够很好的表征波形的整体特征、滤除细节特征,同时满足伸缩不变、平移不变等特性,其中n为指定的谐波数,可根据计算量、分类准确度等综合考虑进行选取。以取半电压波形的低8次谐波数据,如图4所示,由低8次谐波数据即可拟合得到符合原始波形一致的波形,表明直流分量、低次谐波数据能够很好的表征波形特征。
DC600V列车供电***的输入为50Hz的交流供电,逆变输出也是50Hz,则相应的其接地故障波形也是50Hz及其倍数谐波成分,即故障波形的周期是稳定的;另外,由三相交流导致接地故障时,故障波形的谐波成分相同、相位不同。本实施例特征向量进一步还包括相位信息,能够进一步提高故障分类模型的分类精度。
本实施例具体取频谱的前n次谐波与基波幅值比Mag、相位Phase及直流分量信息作为特征向量X,通过前n次谐波与基波幅值比Mag、相位Phase及直流分量信息组成的一维特征向量,特征向量选取合理,能够完整的表征故障波形特征,且不存在二维图像的旋转等问题,同时满足伸缩不变、平移不变等特点,从而能够得到高精度的故障分类模型。训练故障分类模型时,分别对故障波形样本集中各故障波形提取特征向量X,构成训练集,对训练集进行反复训练以及校正得到稳定的故障分类模型,确保故障分类模型的精度。
本实施例中进行频谱分析时,若为周期信号,则对待分析波形进行周期信号定位,使得相位具有稳定的相位基准,同时便于简单实现,周期信号定位具体可采用将输入的波形经滑动滤波,搜索最小值或其他方法实现;若为多周期且周期变化的信号,则对待分析波形进行分类,分类具体可采用固定采样点数、变化采样速率实现。
本实施例训练故障分类模型时,还包括模型优化步骤,具体步骤为:由故障分类模型给出测试样本在不同接地故障类型的预测概率,以间接获得不同故障模式的相关程度,根据各接地故障类型的预测概率对故障分类模型进行优化;以及在训练集中新增所需的接地故障类型、故障波形,或删除旧样本重新进行训练建模,反复进行验证校正后,得到最终的故障分类模型。测试样本具体可为DC600V列车供电***接地故障的模拟试验、历史数据或仿真数据等。经过上述反复验证及优化后的故障分类模型能够满足不同故障类型的灵敏识别,实现对多种故障模式的有效分类,同时可以根据样本的变化支持新故障类型或对同一故障类型中新工况下波形的诊断识别,具有良好的可扩展性能以及可维护性能。
本实施例中,步骤2)中当目标DC600V列车供电***发生接地故障时,具体先根据目标DC600V列车供电***的半电压分离出直流接地故障,如果不是直流接地故障,再实时采集当前故障波形,并根据故障分类模型诊断当前故障波形所对应的接地故障类型。
本实施例可以采用以下两种方式实现分离出直流接地故障:
①基于直流分量信息DC与基波幅值比进行分离。
直流接地故障的半电压波形是直流信号,经FFT分析后,直流成分DC远大于基波的幅值,通过直流分量信息DC与基波幅值比即能诊断是直流接地故障还是交流接地故障,如果为直流接地故障,进一步根据直流分量DC的大小即可识别出DC600V正输出端(4)、DC600V负输出端(5)接地故障,即与正常工况下半电压(具体取300V)相比向上偏移为DC600V正输出端(4)接地故障,DC600V负输出端(5)接地故障。
②基于半电压值判断进行分离。
在DC600V供电***正常工作情况下,如图2中电压传感器SV2测量到的半电压为定值(具体取300V),当出现直流侧接地故障、线缆绝缘等级下降等情况时,半电压会逐渐偏离该定值,如图2中DC600V正输出端(4)、DC600V负输出端(5)接地故障即为直流接地故障,其中当DC600V正输出端(4)发生接地故障时,半电压Ujd和等效接地电阻Rjd满足以下函数关系式:
当DC600V负输出端(5)发生接地故障时,半电压Ujd和等效接地电阻Rjd满足以下函数关系式:
即DC600V供电***的半电压Uj表现为直流电压时,表现为直流接地故障,进一步通过判断半电压Uj与正常工况时半电压的大小(如300V)的偏离程度即可识别DC600V正输出端(4)、DC600V负输出端(5)接地故障。基于半电压值分离直流故障的具体步骤为:若当前半电压为直流电压,则判定为直流接地故障,且若当前半电压的值向上偏离正常工况时半电压,诊断为DC600V正输出端发生接地故障,以及若当前半电压的值向下偏离正常工况时半电压,诊断为DC600V负输出端发生接地故障。基于半电压值判断分离直流接地故障的方式,实现简单可靠,且相比于基于直流分量信息DC与基波幅值比进行分离的方式能够减少特征量的提取。
本实施例中,步骤1)后、步骤2)前还包括故障检测步骤,具体步骤为:实时检测目标DC600V列车供电***的半电压、漏电流,综合检测到的半电压、漏电流判定是否发生接地故障,如果判断到发生接地故障,转入执行步骤2)。漏电流即接地电流,正常状态时,保护地中没有电流流过,当接地故障发生时构成回路,导致漏电流的产生,且半电压的波形会发生变化,本实施例考虑到实际环境中负载效应、电磁干扰导致的半电压波形扰动等情况,综合半电压、漏电流判断***是否发生接地故障,能够有效提高故障检测的准确性、鲁棒性,从而在故障发生时能够快速的做出响应动作。
本实施例具体由SC1电流传感器检测得到漏电流ILeak、SV2电压传感器检测到半电压Uhalf时,若同时满足式(3)、(4),则判定发生接地故障。
其中,Ith为预先设定的电流阈值。
其中,Uth为预先设定的电压阈值。
本实施例中,步骤1)中具体基于随机森林分类器训练故障分类模型,当然也可以采用其他分类模型。随机森林分类器具有速度快、抗噪声,通用性强等优点,本实施例基于随机森林分类器训练故障分类模型,由训练得到的随机森林分类模型对复杂工作环境具有很高的稳定性,通过对模型的训练集进行不断拓展修改,即可以实现所需分类精度,同时通过增加新样本或删除旧样本重新训练模型,可以方便的实现随机森林分类器的能力升级,因此泛化特性好、鲁棒性、辨识能力以及适应能力强,易于进行升级维护。
本实施例以基于随机森林分类器训练故障分类模型为例进一步说明本发明。
首先为不同故障类型分配对应的类别标签号,如表1所示;再由各类故障类型的故障波形集训练随机分类器,得到故障分类模型。
表1:故障类别分类表。
本发明具体实施例中在逆变侧C相接地故障(8)接地600A负载,1Ω接地电阻工况时,特征向量具体取前7次谐波,得到如表2所示频谱列表,直流分量DC=309.0V。
表2:逆变侧C相接地故障频谱列表。
则上述故障波形的特征向量Xi为:
Xi=[309.0,40.28%,100.00,239.8,41.87,251.3,12.98,266.0,8.89,-4.7,9.31,16.5,4.88,58.4,5.60,118.5],对应的类别标签号为8。上述特征向量Xi构成一个样本,采用同样的方法不断对不同故障模式、不同负载接地条件下的故障波形进行特征提取,构成包含多种故障波形样本的训练集;然后对随机森林模型进行训练,在训练集中新增样本,随机森林模型即可以支持新故障类型或对同一故障类型中新工况下波形的诊断识别;最后对随机森林模型进行校验测试,由随机森林分类器给出当前测试样本是不同故障类型的概率,指导进一步优化随机森林分类器,得到最终的随机分类器。
如图5所示,本发明具体实施例中基于随机森林诊断DC600V列车供电***的接地故障时,当发生接地故障时,实时采集DC600V列车供电***的故障波形作为输入信号,由周期信号***对输入信号进行周期信号定位后分离出直流故障,如果为交流故障,则进行FFT变换并提取特征向量X[前n次谐波与基波幅值比Mag,相位Phase,直流分量信息],得到初始分类特征向量XM,将初始分类特征向量XM输入至训练好的随机森林分类器后输出诊断识别结果。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (12)
1.一种DC600V列车供电***的接地故障诊断方法,其特征在于步骤包括:
1)获取DC600V列车供电***在不同接地故障类型时的故障波形样本集,每一个所述故障波形样本集对应一种接地故障类型;将各所述故障波形样本集进行训练,得到故障分类模型;
2)当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形,并根据所述故障分类模型诊断当前故障波形所对应的接地故障类型;
所述故障波形为DC600V列车供电***发生接地故障时半电压的波形,所述故障波形的特征向量包括前n次谐波与基波的幅值比以及直流分量信息,其中n为指定的谐波数。
2.根据权利要求1所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述步骤1)中具体分别对各所述故障波形集中故障波形进行频谱分析,并提取包括频谱信息的特征向量进行训练,得到故障分类模型;所述步骤2)中具体对当前故障波形进行频率分析,并提取所述包括频谱信息的特征向量,由所述故障分类模型对提取的所述特征向量进行识别,得到对应的接地故障类型。
3.根据权利要求1所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述特征向量还包括相位信息。
4.根据权利要求2所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述进行频谱分析时,若为周期信号,则对待分析波形进行周期信号定位;若为多周期且周期变化的信号,则对待分析波形进行分类。
5.根据权利要求1~4中任意一项所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述步骤1)还包括模型优化步骤,具体步骤为:由所述故障分类模型给出测试样本在不同接地故障类型的预测概率,根据各接地故障类型的所述预测概率对所述故障分类模型进行优化;以及在训练集中新增所需的接地故障类型、故障波形,反复进行验证校正后,得到最终的故障分类模型。
6.根据权利要求1~4中任意一项所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述步骤1)中具体基于随机森林分类器训练故障分类模型。
7.根据权利要求1~4中任意一项所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述接地故障类型包括整流侧正端、整流侧负端、电抗前级、DC600V正输出端、DC600V负输出端、逆变侧A相、逆变侧B相以及逆变侧C相的接地故障。
8.根据权利要求1~4中任意一项所述的DC600V列车供电***的接地故障诊断方法,其特征在于,所述步骤2)中当目标DC600V列车供电***发生接地故障时,具体先根据目标DC600V列车供电***的半电压分离出直流接地故障,如果不是直流接地故障,再实时采集当前故障波形,并根据所述故障分类模型诊断当前故障波形所对应的接地故障类型。
9.根据权利要求8所述的DC600V列车供电***的接地故障诊断方法,其特征在于,所述分离出直流接地故障的具体步骤为:若当前半电压为直流电压,则判定为直流接地故障,且若当前半电压的值向下偏离正常工况时半电压,诊断为DC600V正输出端发生接地故障,以及若当前半电压的值向上偏离正常工况时半电压,诊断为DC600V负输出端发生接地故障。
10.根据权利要求1~4中任意一项所述的DC600V列车供电***的接地故障诊断方法,其特征在于:所述步骤1)后、步骤2)前还包括故障检测步骤,具体步骤为:实时检测目标DC600V列车供电***的半电压以及漏电流,综合检测到的半电压以及漏电流,判定是否发生接地故障,如果判断到发生接地故障,转入执行步骤2)。
11.一种DC600V列车供电***的接地故障诊断装置,其特征在于,包括:
分类模型训练模块,用于获取DC600V列车供电***在发生不同接地故障类型时的故障波形样本集,每一个所述故障波形样本集对应一种接地故障类型;将各所述故障波形样本集进行训练,得到故障分类模型;
故障诊断模块,用于当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形,并根据所述故障分类模型诊断当前故障波形所对应的接地故障类型;所述故障波形为DC600V列车供电***发生接地故障时半电压的波形,所述故障波形的特征向量包括前n次谐波与基波的幅值比以及直流分量信息,其中n为指定的谐波数。
12.根据权利要求11所述的DC600V列车供电***的接地故障诊断装置,其特征在于,所述分类模型训练模块包括:
第一特征量提取单元,用于分别对各所述故障波形集中故障波形进行频谱分析,并提取包括频谱信息的特征向量构成故障分类模型训练集;
训练单元,用于对所述故障分类模型训练集进行训练,得到故障分类模型;
所述故障诊断模块包括:
数据采集单元,用于当目标DC600V列车供电***发生接地故障时,实时采集当前故障波形;
第二特征量提取单元,用于对当前故障波形进行频率分析,并提取所述包括频谱信息的特征向量,得到待分类特征向量;
诊断识别单元,用于由所述故障分类模型对所述待分类特征向量进行诊断识别,得到所对应的接地故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611064578.9A CN106526400B (zh) | 2016-11-28 | 2016-11-28 | Dc600v列车供电***的接地故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611064578.9A CN106526400B (zh) | 2016-11-28 | 2016-11-28 | Dc600v列车供电***的接地故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106526400A CN106526400A (zh) | 2017-03-22 |
CN106526400B true CN106526400B (zh) | 2019-11-22 |
Family
ID=58356633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611064578.9A Active CN106526400B (zh) | 2016-11-28 | 2016-11-28 | Dc600v列车供电***的接地故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106526400B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212373B (zh) * | 2017-06-29 | 2021-02-12 | 株洲中车时代电气股份有限公司 | 列车供电***的接地故障诊断与绝缘检测方法及装置 |
CN109239511B (zh) * | 2017-07-10 | 2020-08-07 | 比亚迪股份有限公司 | 列车、列车供电***及其漏电检测定位装置、方法 |
CN109228871B (zh) * | 2017-07-10 | 2020-08-07 | 比亚迪股份有限公司 | 列车供电***及其漏电检测恢复装置、方法以及列车 |
CN109406923B (zh) * | 2017-08-17 | 2021-06-25 | 株洲中车时代电气股份有限公司 | 一种列车供电***接地漏电故障预测方法及装置 |
CN108583629A (zh) * | 2018-05-04 | 2018-09-28 | 兰州容大信息科技有限公司 | 一种铁路车务故障处理方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
CN109203995A (zh) * | 2018-07-10 | 2019-01-15 | 中南大学 | 一种牵引***主回路接地故障诊断方法及*** |
CN109599827A (zh) * | 2018-11-21 | 2019-04-09 | 宁波恒晨电力建设有限公司 | 基于大数据的配电网中性点动态接地方法及*** |
CN109765878A (zh) * | 2018-12-24 | 2019-05-17 | 上海大郡动力控制技术有限公司 | 新能源汽车can总线网络故障的辅助分析方法 |
CN112101077A (zh) * | 2019-06-18 | 2020-12-18 | 北京映翰通网络技术股份有限公司 | 一种配电网故障类型的识别方法 |
CN112240964B (zh) * | 2019-07-16 | 2023-06-20 | 北京映翰通网络技术股份有限公司 | 一种用于配电网故障类型识别的方法 |
CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流***故障诊断方法、***以及设备 |
CN111751643B (zh) * | 2020-06-02 | 2023-04-07 | 武汉中元华电软件有限公司 | 一种列车电气诊断预警录波*** |
CN112305387A (zh) * | 2020-10-31 | 2021-02-02 | 贵州电网有限责任公司 | 一种接地绝缘检测及诊断*** |
CN112816831B (zh) * | 2021-03-18 | 2022-10-25 | 华北电力大学(保定) | 风电场集电线单相接地故障定位方法 |
CN113848508A (zh) * | 2021-09-10 | 2021-12-28 | 南方电网调峰调频发电有限公司 | 通过漏电流的电池储能***交流侧单点接地故障定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090244A (zh) * | 2014-07-16 | 2014-10-08 | 广西大学 | 一种列车供电装置检测*** |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9612284B2 (en) * | 2012-08-27 | 2017-04-04 | Futurewei Technologies, Inc. | System and method for hybrid board-level diagnostics |
-
2016
- 2016-11-28 CN CN201611064578.9A patent/CN106526400B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090244A (zh) * | 2014-07-16 | 2014-10-08 | 广西大学 | 一种列车供电装置检测*** |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106526400A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526400B (zh) | Dc600v列车供电***的接地故障诊断方法及装置 | |
CN107817098B (zh) | 一种高压断路器机械故障诊断方法 | |
CN109359271B (zh) | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN108062571A (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
CN103116090A (zh) | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 | |
CN106646096A (zh) | 基于振动分析法的变压器故障分类和识别方法 | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN111504675B (zh) | 一种气体绝缘组合电器机械故障在线诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及*** | |
CN110501631A (zh) | 一种在线间歇故障检测与诊断方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN104236933B (zh) | 一种针对列车牵引***的故障隐患预警方法 | |
CN114460439A (zh) | 一种数字集成电路测试*** | |
CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
CN101968379B (zh) | 航空发动机转子***工况振动信号特征信息提取方法 | |
Choudhary et al. | Fault diagnosis of induction motor under varying operating condition | |
Hosseini | Short circuit fault classification and location in transmission lines using a combination of wavelet transform and support vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |