CN107450016A - 基于rst‑cnn的高压断路器故障诊断方法 - Google Patents
基于rst‑cnn的高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN107450016A CN107450016A CN201710606880.0A CN201710606880A CN107450016A CN 107450016 A CN107450016 A CN 107450016A CN 201710606880 A CN201710606880 A CN 201710606880A CN 107450016 A CN107450016 A CN 107450016A
- Authority
- CN
- China
- Prior art keywords
- mrow
- attribute
- decision
- divide
- fault
- 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
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开的基于RST‑CNN的高压断路器故障诊断方法:将高压断路器的断路器分合闸线圈与分合闸线圈电流在线监测***连接,用分合闸线圈电流在线监测***实时监测,得到分合闸线圈电流波形;对分合闸线圈电流波形进行特征采集,得到故障特征信息表,用故障特征数据建立条件属性表、决策属性表,据条件属性表和决策属性表构建故障诊断决策表;用粗糙集理论对各个属性进行评价并寻找最小属性集,消除特征信息中的冗余属性,对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;将约简决策表中的约简特征信息作为卷积神经网络的输入,经过训练学习后输出故障类型。本发明的高压断路器故障诊断方法,能准确判断断路器的故障类型。
Description
技术领域
本发明属于高压断路器故障诊断方法技术领域,具体涉及一种基于RST-CNN的高压断路器故障诊断方法。
背景技术
高压断路器是电力***最主要的控制与保护装置,关系到输电、配电及用电的可靠性、安全性。高压断路器能在***故障与非故障情况下实现多种操作。高压断路器也是能关合、承载、开断运行回路正常电流,也能在规定时间内关合、承载及开断规定的过载电流。高压断路器一般都以电磁铁作为操作的第一控制元件,在操动机构中大部分是直流电磁铁。当线圈中通过电流时,在磁铁内产生磁通,动铁芯受磁力影响,使断路器分闸或合闸。合分闸线圈中的电流可作为高压断路器机械故障诊断所用的丰富信息。
已有的高压断路器故障检测的方法有很多,其中涉及各种人工智能算法,如:模糊控制能用精确的数学工具将模糊的概念或自然语言清晰化,但其隶属函数和模糊规则的确定过程存在一定的人为因素;径向基神经网络为断路器的故障诊断问题提供了一种比较好的结构体系,但存在着无法解释自己的推理过程和推理依据以及数据不充分时神经网络无法正常工作的缺点。
近年来,卷积神经网络被提出应用于高压断路器故障诊断,虽然其训练时间短且准确率较高,但是经仿真得出断路器在故障诊断过程中,由于故障产生的机理不甚清楚,特征之间的关系错综复杂,表现形式多元化,重复故障特征生成也会很大程度上影响诊断的准确率。如何有效发挥卷积神经网络在高压断路器故障诊断中优势,去除其弊端是非常值得研究的问题。
发明内容
本发明的目的在于提供一种基于RST-CNN的高压断路器故障诊断方法,能准确地判断断路器的故障类型。
本发明所采用的技术方案是,基于RST-CNN的高压断路器故障诊断方法,具体按照以下步骤实施:
步骤1、构建分合闸线圈电流在线监测***,将高压断路器的断路器分合闸线圈与分合闸线圈电流在线监测***连接,利用分合闸线圈电流在线监测***实时监测,得到分合闸线圈电流波形;
步骤2、对经步骤1得到的分合闸线圈电流波形进行特征采集,构建故障特征信息表,利用故障特征数据建立条件属性表、决策属性表,根据条件属性表和决策属性表构建故障诊断决策表;利用粗糙集理论对各个属性进行评价并寻找最小属性集,消除特征信息中的冗余属性,最后对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;
步骤3、将经步骤2中构建的约简决策表中的约简特征信息作为卷积神经网络的输入,经过训练学习后输出故障类型。
本发明的特点还在于:
步骤1具体按照以下步骤实施
步骤1.1、构建分合闸线圈电流在线监测***,具体构建方法如下:
将单片机分别连接电源模块、信息处理单元、数据存储单元、4G 通信模块、Zibbee通信模块,将电源模块分别连接太阳能发电模块、蓄电池,将信息处理单元的输入端连接磁平衡式霍尔电流传感器;
步骤1.2、经步骤1.1后,将高压断路器的断路器分合闸线圈与磁平衡式霍尔电流传感器连接;
步骤1.3、经步骤1.2后,利用分合闸线圈电流在线监测***实时监测得到的分合闸线圈电流波形。
单片机的型号为STM32F407。
在步骤2中:将采集的特征信号数据结合粗糙集理论,得到最后的约简信息并提取决策规则,其基本理论如下:
一个信息表S可描述为如下形式:
S=(U,C,D,V,F) (1);
式(1)中:U是论域,C是条件属性集,D是决策属性集; V=Va∈C∪DVa是属性的值域,其中,Va是属性a的值域,F:U(C∪D) →V是信息决策函数;
当D≠Φ时,该信息表是一个决策信息表;
不可分辨关系,即等价关系,对于任意属性子集
使用不可分辨关系能对论域形成一个划分U/B;其中,划分的每个小区域是一个等价类,记为如下形式:
[x]B={y∈U|(x,y)∈IND(B)};
对于任意论域中的任意子集其中相对于B的上近似和下近似分别记为如下形式:
上近似是指在基于B的划分域中能确定的被划分到X类中对象集合;下近似是指基于B的划分区域中有可能被划分到X类中对象集合;
对于属性集合其相对于决策集合D的正区域、负区域(外部区域)和边界区域定义分别如下:
POSB(D)=∪X∈U/D B(X) (5);
NEGB(D)=U-∪X∈U/DB(X) (6);
其中,正区域表示就B的划分区域中能确定的被划分到某一基于 D的划分区域中所有区域集合,反应的是属性B相对于D的分类能力;
对于P,Q对于P的依赖度定义为如下形式:
k=γP(Q)=|POSP(Q)|/|U| (8);
对于条件属性的任一子集若:
POSR(D)=POSC(D) (9);
POSR(D)≠POSR-{a}(D),a∈R (10);
其中,R是C的一个相对约简。
步骤3具体按照以下步骤实施:
步骤3.1、将步骤2中提取的约简特征信息作为卷积神经网络的输入;
步骤3.2、经步骤3.1后,初始化权值,即将所有权值初始化为一个较小的随机数,具体是将所有权值初始化为一个随机数[0,1];
步骤3.3,经步骤3.2后,确定训练集输入到卷积神经网络中,并给出它的目标输出向量;
步骤3.4、经步骤3.3后,先从前层向后层依次计算,得到卷积神经网络的输出值Y;再反向,即从后层向前层,依次计算各层的误差项,最终得到输出值Y。
本发明的有益效果在于:
(1)本发明基于RST-CNN的高压断路器故障诊断方法中采用了粗糙集理论,提供了一种处理不完备信息的有效方法,具有较强的定时性分析能力;
(2)本发明基于RST-CNN的高压断路器故障诊断方法,将粗糙集理论与卷积神经网络相结合,以知决策表为工具,直接从故障样本集中导出诊断规则,可有效、方便的消除知识中多余的部分,能在提升***整体效能的同时大大简化体统结构;
(3)本发明基于RST-CNN的高压断路器故障诊断方法,使粗糙集理论的一些优点在故障诊断中的应用可得以显示,粗糙集结合卷积神经网络能很好地应用在高压断路器故障诊断方面。
附图说明
图1是本发明基于RST-CNN的高压断路器故障诊断方法中采用的分合闸线圈电流在线监测***的结构示意图;
图2是本发明基于RST-CNN的高压断路器故障诊断方法的流程图;
图3是实施例中涉及的分闸线圈电流波形曲线;
图4是实施例中涉及的合闸线圈电流波形曲线。
图中,1.单片机,2.电源模块,3.信息处理单元,4.磁平衡式霍尔电流传感器,5.4G通信模块,6.Zibbee通信模块,7.太阳能发电模块, 8.蓄电池,9.数据存储单元,10.断路器分合闸线圈。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于RST-CNN的高压断路器故障诊断方法,具体按照以下步骤实施:
步骤1、构建分合闸线圈电流在线监测***,将高压断路器的断路器分合闸线圈10与分合闸线圈电流在线监测***连接,利用分合闸线圈电流在线监测***实时监测,得到分合闸线圈电流波形,具体按照以下步骤实施:
步骤1.1、构建分合闸线圈电流在线监测***,具体构建方法如下:
如图2所示,将单片机1分别连接电源模块2、信息处理单元3、数据存储单元9、4G通信模块5、Zibbee通信模块6,将电源模块2 分别连接太阳能发电模块7、蓄电池8,将信息处理单元3的输入端连接磁平衡式霍尔电流传感器4;
其中,单片机1的型号为STM32F407;信息处理单元3是由运放器和光耦所组成的电路单元;数据存储单元9为EEPROM。
步骤1.2、经步骤1.1后,将高压断路器的断路器分合闸线圈10 与磁平衡式霍尔电流传感器4连接;
步骤1.3、经步骤1.2后,利用分合闸线圈电流在线监测***实时监测,得到分合闸线圈电流波形;
在分合闸线圈电流在线监测***中:电源模块2和太阳能发电模块7相互配合为分合闸线圈电流在线监测***提供电能,蓄电池8用来存储多余的电量,以备不时之需;单片机1通过4G通信模块5、 Zigbee通信模块6对外进行通信,单片机1与信息处理单元3连接,信息处理单元3与磁平衡式霍尔电流传感器4连接,磁平衡式霍尔电流传感器4与断路器分合闸线圈10连接,相互配合能对获取的电流进行处理并将数据信息保存于数据存储单元9内。
步骤2、如图2所示,对经步骤1得到的分合闸线圈电流波形进行特征采集,构建故障特征信息表,利用故障特征数据建立条件属性表、决策属性表,根据条件属性表和决策属性表构建故障诊断决策表;利用粗糙集理论对各个属性进行评价并寻找最小属性集,消除特征信息中的冗余属性,最后对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;
其中,将采集的特征信号数据结合粗糙集理论,得到最后的约简信息并提取决策规则,其基本理论如下:
一个信息表S可描述为如下形式:
S=(U,C,D,V,F) (1);
式(1)中:U是论域,C是条件属性集,D是决策属性集; V=Va∈C∪DVa是属性的值域,其中,Va是属性a的值域,F:U(C∪D) →V是信息决策函数;
当D≠Φ时,该信息表是一个决策信息表;
不可分辨关系(即等价关系),对于任意属性子集
使用不可分辨关系能对论域形成一个划分U/B;其中,划分的每个小区域是一个等价类,记为如下形式:
[x]B={y∈U|(x,y)∈IND(B)};
对于任意论域中的任意子集其中相对于B的上近似和下近似分别记为如下形式:
上近似是指在基于B的划分域中能确定的被划分到X类中对象集合;下近似是指基于B的划分区域中有可能被划分到X类中对象集合;
对于属性集合其相对于决策集合D的正区域、负区域(外部区域)和边界区域定义分别如下:
POSB(D)=∪X∈U/D B(X) (5);
NEGB(D)=U-∪X∈U/DB(X) (6);
其中,正区域表示就B的划分区域中能确定的被划分到某一基于 D的划分区域中所有区域集合,反应的是属性B相对于D的分类能力;
对于P,Q对于P的依赖度定义为如下形式:
k=γP(Q)=|POSP(Q)|/|U| (8);
对于条件属性的任一子集若:
POSR(D)=POSC(D) (9);
POSR(D)≠POSR-{a}(D),a∈R (10);
其中,R是C的一个相对约简。
步骤3、如图2所示,将经步骤2中构建的约简决策表中的约简特征信息作为卷积神经网络的输入,经过训练学习后输出故障类型,具体按照以下步骤实施:
步骤3.1、将步骤2中提取的约简特征信息作为卷积神经网络的输入;
步骤3.2、经步骤3.1后,初始化权值,即将所有权值初始化为一个较小的随机数,具体是将所有权值初始化为一个随机数[0,1];
步骤3.3,经步骤3.2后,确定训练集(以实施例为例将其中的信息集作为训练集)输入到卷积神经网络中,并给出它的目标输出向量;
步骤3.4、经步骤3.3后,先从前层向后层依次计算,得到卷积神经网络的输出值Y;再反向,即从后层向前层,依次计算各层的误差项,最终得到输出值Y(若误差小于权值则直接得到输出值,若大于权值则再依次进行反向计算直到误差小于设定权值)。
实施例
构建分合闸线圈电流在线监测***,具体构建方法如下:如图2 所示,将单片机1分别连接电源模块2、信息处理单元3、数据存储单元9、4G通信模块5、Zibbee通信模块6,将电源模块2分别连接太阳能发电模块7、蓄电池8,将信息处理单元3的输入端连接磁平衡式霍尔电流传感器4;其中,单片机1的型号为STM32F407;将高压断路器的断路器分合闸线圈10与磁平衡式霍尔电流传感器4连接;
选用VJY-12P/T630-25-210(Z)型户内真空高压断路器作为被测设备,通过分合闸线圈电流在线监测***对该高压断路器的运行状况进行监测与分析,通过一系列实验得到高压断路器分合闸线圈电流曲线波形图,再经过小波去噪,最终得到分合闸线圈电流波形如图3 及图4所示,图3是得到的分闸线圈电流,图4是合闸线圈电流;
通过上位机软件分别进行数据采集,得到表1,然后构建故障特征信息表,具体如表1所示;
表1故障特征信息表
其中,五类故障样本数据:A表示机构正常、B表示操作电压过低、C表示合闸铁心开始阶段有卡涩、D表示操作机构有卡涩、E表示合闸铁心空行程太大;
通过采集的故障特征数据建立条件属性表(如图表2所示),决策属性表(如图表3所示),再根据条件属性表、决策属性表建立故障诊断决策表(如图表4所示),分别如下;
表2条件属性表
表3决策属性表
表4断路器故障决策表
利用粗糙集理论对原始的断路器故障决策表进行属性约简,消除特征信息中的冗余属性,最后约简特征信息并从中提取决策规则,建立约简决策表,如表5所示:
表5约简决策表
将表5中的特征信息作为卷积神经网络的输入经过训练学习得到输出,经仿真验证,该方法准确率可达到94.9%。
本发明基于RST-CNN的高压断路器故障诊断方法,采用故障集理论分析采集故障特征信号,并且从中提取约简故障决策信息,在结合卷积神经网络进行高压断路器故障诊断,在弥补人工神经网络检测的不足的同时,能更加准确有效地判断断路器的故障类型,进而能够有效率的检修。
Claims (5)
1.基于RST-CNN的高压断路器故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、构建分合闸线圈电流在线监测***,将高压断路器的断路器分合闸线圈(10)与分合闸线圈电流在线监测***连接,利用分合闸线圈电流在线监测***实时监测,得到分合闸线圈电流波形;
步骤2、对经步骤1得到的分合闸线圈电流波形进行特征采集,构建故障特征信息表,利用故障特征数据建立条件属性表、决策属性表,根据条件属性表和决策属性表构建故障诊断决策表;利用粗糙集理论对各个属性进行评价并寻找最小属性集,消除特征信息中的冗余属性,最后对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;
步骤3、将经步骤2中构建的约简决策表中的约简特征信息作为卷积神经网络的输入,经过训练学习后输出故障类型。
2.根据权利要求1所述的基于RST-CNN的高压断路器故障诊断方法,其特征在于,所述步骤1具体按照以下步骤实施
步骤1.1、构建分合闸线圈电流在线监测***,具体构建方法如下:
将单片机(1)分别连接电源模块(2)、信息处理单元(3)、数据存储单元(9)、4G通信模块(5)、Zibbee通信模块(6),将电源模块(2)分别连接太阳能发电模块(7)、蓄电池(8),将信息处理单元(3)的输入端连接磁平衡式霍尔电流传感器(4);
步骤1.2、经步骤1.1后,将高压断路器的断路器分合闸线圈(10)与磁平衡式霍尔电流传感器(4)连接;
步骤1.3、经步骤1.2后,利用分合闸线圈电流在线监测***实时监测得到的分合闸线圈电流波形。
3.根据权利要求2所述的基于RST-CNN的高压断路器故障诊断方法,其特征在于,所述单片机(1)的型号为STM32F407。
4.根据权利要求1所述的基于RST-CNN的高压断路器故障诊断方法,其特征在于,在所述步骤2中:
将采集的特征信号数据结合粗糙集理论,得到最后的约简信息并提取决策规则,其基本理论如下:
一个信息表S可描述为如下形式:
S=(U,C,D,V,F) (1);
式(1)中:U是论域,C是条件属性集,D是决策属性集;V=Va∈C∪DVa是属性的值域,其中,Va是属性a的值域,F:U(C∪D)→V是信息决策函数;
当D≠Φ时,该信息表是一个决策信息表;
不可分辨关系,即等价关系,对于任意属性子集
<mrow>
<mi>I</mi>
<mi>N</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msup>
<mi>U</mi>
<mn>2</mn>
</msup>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>,</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
<mo>&ForAll;</mo>
<mi>a</mi>
<mo>&Element;</mo>
<mi>B</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
使用不可分辨关系能对论域形成一个划分U/B;其中,划分的每个小区域是一个等价类,记为如下形式:
[x]B={y∈U|(x,y)∈IND(B)};
对于任意论域中的任意子集其中相对于B的上近似和下近似分别记为如下形式:
<mrow>
<munder>
<mi>B</mi>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<mi>x</mi>
<mo>&Element;</mo>
<mi>U</mi>
<mo>|</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&rsqb;</mo>
</mrow>
<mi>B</mi>
</msub>
<mo>&SubsetEqual;</mo>
<mi>X</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&Element;</mo>
<mi>U</mi>
<mo>|</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>&rsqb;</mo>
</mrow>
<mi>B</mi>
</msub>
<mi>I</mi>
<mi>x</mi>
<mo>&NotEqual;</mo>
<mi>&phi;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
上近似是指在基于B的划分域中能确定的被划分到X类中对象集合;下近似是指基于B的划分区域中有可能被划分到X类中对象集合;
对于属性集合其相对于决策集合D的正区域、负区域(外部区域)和边界区域定义分别如下:
POSB(D)=∪X∈U/D B(X) (5);
NEGB(D)=U-∪X∈U/DB(X) (6);
<mrow>
<msub>
<mi>BND</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mo>&cup;</mo>
<mrow>
<mi>X</mi>
<mo>&Element;</mo>
<mi>U</mi>
<mo>/</mo>
<mi>D</mi>
</mrow>
</msub>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mo>&cup;</mo>
<mrow>
<mi>X</mi>
<mo>&Element;</mo>
<mi>u</mi>
<mo>/</mo>
<mi>D</mi>
</mrow>
</msub>
<munder>
<mi>B</mi>
<mo>&OverBar;</mo>
</munder>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,正区域表示就B的划分区域中能确定的被划分到某一基于D的划分区域中所有区域集合,反应的是属性B相对于D的分类能力;
对于P,Q对于P的依赖度定义为如下形式:
k=γP(Q)=|POSP(Q)|/|U| (8);
对于条件属性的任一子集若:
POSR(D)=POSC(D) (9);
POSR(D)≠POSR-{a}(D),a∈R (10);
其中,R是C的一个相对约简。
5.根据权利要求1所述的基于RST-CNN的高压断路器故障诊断方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、将步骤2中提取的约简特征信息作为卷积神经网络的输入;
步骤3.2、经步骤3.1后,初始化权值,即将所有权值初始化为一个较小的随机数,具体是将所有权值初始化为一个随机数[0,1];
步骤3.3,经步骤3.2后,确定训练集输入到卷积神经网络中,并给出它的目标输出向量;
步骤3.4、经步骤3.3后,先从前层向后层依次计算,得到卷积神经网络的输出值Y;再反向,即从后层向前层,依次计算各层的误差项,最终得到输出值Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606880.0A CN107450016A (zh) | 2017-07-24 | 2017-07-24 | 基于rst‑cnn的高压断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606880.0A CN107450016A (zh) | 2017-07-24 | 2017-07-24 | 基于rst‑cnn的高压断路器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107450016A true CN107450016A (zh) | 2017-12-08 |
Family
ID=60488894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710606880.0A Pending CN107450016A (zh) | 2017-07-24 | 2017-07-24 | 基于rst‑cnn的高压断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107450016A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
CN110398666A (zh) * | 2019-08-29 | 2019-11-01 | 南方电网科学研究院有限责任公司 | 一种基于继电保护时序信息特征的配电网故障诊断方法 |
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 |
CN110988597A (zh) * | 2019-12-15 | 2020-04-10 | 云南电网有限责任公司文山供电局 | 一种基于神经网络的谐振类别检测方法 |
CN111273125A (zh) * | 2020-01-07 | 2020-06-12 | 西安工程大学 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
CN111983517A (zh) * | 2020-03-23 | 2020-11-24 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
CN113358157A (zh) * | 2021-06-10 | 2021-09-07 | 国网甘肃省电力公司兰州供电公司 | 基于rst-pnn-ga的电力设备温升检测预警方法 |
CN113469222A (zh) * | 2021-06-10 | 2021-10-01 | 国网甘肃省电力公司兰州供电公司 | 基于rst-pnn-ga的高压断路器故障检测方法 |
CN117872122A (zh) * | 2024-01-24 | 2024-04-12 | 广东电网有限责任公司江门供电局 | 一种基于高压断路器的机械故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267294A (zh) * | 2014-10-17 | 2015-01-07 | 东南大学 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
CN106093771A (zh) * | 2016-08-16 | 2016-11-09 | 国网天津市电力公司 | 一种断路器分合闸线圈电流信号识别方法 |
CN106291351A (zh) * | 2016-09-20 | 2017-01-04 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
CN106932712A (zh) * | 2016-12-30 | 2017-07-07 | 江苏南瑞泰事达电气有限公司 | 一种基于改进模糊Petri网的断路器故障诊断方法 |
-
2017
- 2017-07-24 CN CN201710606880.0A patent/CN107450016A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267294A (zh) * | 2014-10-17 | 2015-01-07 | 东南大学 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
CN106093771A (zh) * | 2016-08-16 | 2016-11-09 | 国网天津市电力公司 | 一种断路器分合闸线圈电流信号识别方法 |
CN106291351A (zh) * | 2016-09-20 | 2017-01-04 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
CN106932712A (zh) * | 2016-12-30 | 2017-07-07 | 江苏南瑞泰事达电气有限公司 | 一种基于改进模糊Petri网的断路器故障诊断方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
CN110398666A (zh) * | 2019-08-29 | 2019-11-01 | 南方电网科学研究院有限责任公司 | 一种基于继电保护时序信息特征的配电网故障诊断方法 |
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 |
CN110988597A (zh) * | 2019-12-15 | 2020-04-10 | 云南电网有限责任公司文山供电局 | 一种基于神经网络的谐振类别检测方法 |
CN111273125A (zh) * | 2020-01-07 | 2020-06-12 | 西安工程大学 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
CN111983517A (zh) * | 2020-03-23 | 2020-11-24 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
CN111983517B (zh) * | 2020-03-23 | 2023-07-04 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
CN113358157A (zh) * | 2021-06-10 | 2021-09-07 | 国网甘肃省电力公司兰州供电公司 | 基于rst-pnn-ga的电力设备温升检测预警方法 |
CN113469222A (zh) * | 2021-06-10 | 2021-10-01 | 国网甘肃省电力公司兰州供电公司 | 基于rst-pnn-ga的高压断路器故障检测方法 |
CN117872122A (zh) * | 2024-01-24 | 2024-04-12 | 广东电网有限责任公司江门供电局 | 一种基于高压断路器的机械故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450016A (zh) | 基于rst‑cnn的高压断路器故障诊断方法 | |
CN106291351B (zh) | 基于卷积神经网络算法的高压断路器故障检测方法 | |
CN109270442B (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
CN110110905A (zh) | 一种基于cnn的电力设备故障判断预警方法,终端及可读存储介质 | |
CN110221200A (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN102570392A (zh) | 基于改进概率神经网络的变压器励磁涌流鉴别方法 | |
CN103135014A (zh) | 基于案例推理的变压器故障诊断方法 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN109298330A (zh) | 基于ghpso-bp的高压断路器故障诊断方法 | |
Yan et al. | Deep learning based total transfer capability calculation model | |
CN107741522A (zh) | 一种电能表故障远程诊断方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN109901064A (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
CN108510002A (zh) | 卷铁心牵引变压器绕组抗短路冲击能力的检测方法 | |
Lukomski et al. | Power system topology verification using artificial neural networks: maximum utilization of measurement data | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
CN107703913A (zh) | 一种upfc故障诊断方法 | |
Wang et al. | Real-time fault diagnosis method for low-voltage power line carrier communication network based on network topology | |
CN107016410A (zh) | 用电信息采集***故障诊断方法及故障诊断装置 | |
CN113761786A (zh) | 一种基于神经网络模型的马达故障诊断装置及其方法 | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
CN115438893A (zh) | 一种电力调度设备运行状态评估方法及*** | |
Ruirong et al. | Research on Fault Location Technology of Intelligent Distribution Network based on Neural Network | |
CN109085495A (zh) | 一种断路器物联信息***的监控诊断方法及*** | |
CN109951517A (zh) | 面向电力***负载卸载的***负载归化处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |
|
RJ01 | Rejection of invention patent application after publication |