CN110705038B - 一种高压断路器生命周期评估及故障预警方法 - Google Patents
一种高压断路器生命周期评估及故障预警方法 Download PDFInfo
- Publication number
- CN110705038B CN110705038B CN201910853174.5A CN201910853174A CN110705038B CN 110705038 B CN110705038 B CN 110705038B CN 201910853174 A CN201910853174 A CN 201910853174A CN 110705038 B CN110705038 B CN 110705038B
- Authority
- CN
- China
- Prior art keywords
- data
- detection data
- fault
- circuit breaker
- voltage circuit
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及电力设备维护技术领域,具体涉及一种高压断路器生命周期评估及故障预警方法,包括以下步骤:A)获取检测数据;B设置故障源,使高压断路器不断分合闸,直到出现故障,分合闸动作次数为N,同时周期性进行检测;C)获得生命周期评估结果;D)训练故障预警神经网络模型;E)将待评估及预警的高压断路器的检测数据输入故障预警神经网络模型,若故障预警神经网络模型输出故障类型,则发出故障预警,对应故障为故障预警神经网络模型输出的故障类型。本发明的实质性效果是:获得高压断路器的生命周期的表征,使高压断路器的检修更有针对性,提高高压断路器工作的稳定性和可靠性。
Description
技术领域
本发明涉及电力设备维护技术领域,具体涉及一种高压断路器生命周期评估及故障预警方法。
背景技术
高压断路器不仅可以切断或闭合高压电路中的空载电流和负荷电流,而且当***发生故障时通过继电器保护装置的作用,切断过负荷电流和短路电流,具有相当完善的灭弧结构和足够的断流能力。高压断路器在电力***中担负着控制和保护的双重任务,其性能的优劣直接关系到电力***的安全运行。因而在电网的维护中,高压断路器的检测维护是一项重要的内容。电网中的高压断路器数量众多,而且检测项目繁多。对高压断路器的检测和维护包括二次回路检测、机械特性检测、接触电阻检测等多个项目,检测完成后,还需要对检测数据进行分析判断,从而确定被检测的高压断路器是否存在安全隐患,对高压断路器的状态进行评估。其中,机械特性参数是判断断路器性能的重要参数之一。根据CIGRE与中国电科院的调研结果,机械故障占开关设备故障的近37%,因此对开关设备进行机械故障检测显得极为必要。目前采用的“到期检修”的检修方式存在严重的不足。如临时性维修不足、维修过剩、盲目维修或因检修不当而引发检修事故。建立在设备运行状态基础上的状态检修是当前最为先进的设备检修方法。因此,对高压断路器进行生命周期评估及故障预警研究,具有重要的经济意义和技术意义。
如中国专利CN105467309A,公开日20156年4月6日,一种高压断路器触头状态评价方法及检修策略,其主要技术特点是:将动态电阻测试仪、大容量蓄电池、速度传感器和电流传感器与高压断路器触头连接成测试回路并对高压断路器触头分闸过程的动态电阻进行测量;动态电阻测试仪对测量的速度、电流与电压信号进行计算分析,得到分闸过程的触头动态电阻-行程曲线,并通过触头动态电阻-行程曲线获取触头电阻值与长度值;将获取的触头电阻值与长度值与标准值作比较,对触头状态进行评价,并制定有效的检修策略。其技术方案使用触头电阻值与长度值直观地表现触头状态,为评价断路器触头状态和制定检修策略提供了重要的参考依据。但其不能为二次回路以及机械特性的检测提供技术指导,不能解决缺乏高压断路器进行生命周期评估技术的问题。
发明内容
本发明要解决的技术问题是:目前高压断路器的检测无法提供高压断路器生命周期评估的技术问题。提出了一种基于大数据技术的高压断路器生命周期评估及故障预警方法。
为解决上述技术问题,本发明所采取的技术方案为:一种高压断路器生命周期评估及故障预警方法,包括以下步骤:A)获取同型号高压断路器历史维保时的检测数据;B)获取同型号的高压断路器,在实验室条件下人为设置故障源,使高压断路器在故障源存在的情况下不断进行带电分合闸动作,直到出现故障,故障前高压断路器进行带电分合闸动作次数为N,同时周期性进行检测,将检测数据作为参考数据,并与测试对应带电分合闸动作次数n关联;C)将高压断路器的检测数据与参考数据对比,获得与检测数据最接近的参考数据对应的次数n,将n/N作为高压断路器的生命周期评估结果;D)将参考数据与所出现的故障类型关联,构成样本数据,使用样本数据训练故障预警神经网络模型;E)将待评估及预警的高压断路器的检测数据输入到步骤D)获得的故障预警神经网络模型,若故障预警神经网络模型输出故障类型,则发出故障预警,对应故障为故障预警神经网络模型输出的故障类型。通过分合闸次数与检测数据关联,输入检测数据能够获得等效的分合闸次数,从而获得高压断路器的生命周期的表征,使高压断路器的检修更有针对性;通过故障预警神经网络模型提供高压断路器的故障预警信息,使维护人员能够针对性的维护高压断路器,提高高压断路器工作的稳定性和可靠性。
作为优选,步骤D)还包括:将出现故障前M次的检测数据,与对应的故障类型关联,构成故障样本数据,使用故障样本数据训练故障研判神经网络模型;使用出现故障前(N-M)次的检测数据,与出现的故障类型关联,构成样本数据训练故障预警神经网络模型;步骤E还包括:将高压断路器的检测数据输入到步骤D)获得的故障研判神经网络模型,若故障研判神经网络模型输出故障类型,则发出故障报警。接近出现故障的数据能够作为故障研判的样本数据,从而用于训练故障研判神经网络模型。
作为优选,步骤B)中,人为设置故障源的方法包括以下步骤:B11)对高压断路器进行若干次检测;B12)根据高压断路器的维护要求,依次选择一项维护要求使其不达标,进行若干次带电分合闸动作后,进行若干次检测;B13)依次选择两项维护要求使其不达标,进行若干次带电分合闸动作后,进行若干次检测;B14)使用液氮或干冰快速冷却高压断路器,进行若干次机械特性试验,获得机械特性试验的检测数据。主动产生故障从而采集到故障数据,有效解决故障数据样本不足的问题。经过液氮或干冰冷却,使润滑剂或润滑油的润滑性能下降,从而模拟出卡涩的状态,测试完成后,润滑剂或润滑油的润滑性能恢复,从而无损的模拟出机械部件卡涩的故障类型,获得该故障类型下的状态数据。自然中的机械部件卡涩是因为润滑不良或灰尘颗粒进入。
作为优选,步骤D中,建立高压断路器故障研判模型的方法包括:D21)获得全部检测数据,将检测数据与对应的故障类型关联,作为样本数据;D22)将样本数据进行预处理,归一化处理,训练神经网络模型,将训练完成的神经网络模型作为故障研判模型。
作为优选,步骤D21)中,将检测数据与对应的故障类型关联的方法包括:D211)获得步骤B11)中的检测数据,作为历史检测数据;D212)将步骤B12)以及步骤B13)中,若干次检测获得的若干组检测数据依次与历史检测数据对比,若检测数据与历史检测数据差异大于预设阈值,则将该组检测数据与不达标的维护要求关联;D213)将步骤B14)中的若干次机械特性试验获得的若干组检测数据与历史检测数据对比,若检测数据与历史检测数据差异大于预设阈值,则将该组检测数据与机械部件卡涩故障关联。
作为优选,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:D31)将检测数据以及历史检测数据中数值量进行分段处理,以分段区间为名称,将数值量转换为状态量;D32)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D32)将处理后的历史检测数据的布尔量视为数值求均值,将均值四舍五入为整数,获得的整数重新视为布尔量,将处理后的检测数据以及历史检测数据按设定排序,分别构成检测向量和历史检测向量;D33)计算检测向量和历史检测向量的距离,与预设的距离阈值比较,若距离大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的距离大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的距离不大于预设阈值。布尔只能消除数据值取值范围之间的差异。
作为替代,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:D41)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D42)将检测数据以及历史检测数据中的数值量进行归一化处理,分别获得归一化后的历史检测数据各项的最小值和最大值,将处理后的布尔量以及数值量按设定顺序排列,检测数据排序后构成检测向量,历史检测数据的各项最小值排序后构成历史检测左向量,历史检测数据的各项最大值排序后构成历史检测右向量;D43)分别计算检测向量和历史检测左向量以及历史检测右向量的距离,与预设的距离阈值比较,若检测向量和历史检测左向量以及历史检测右向量的距离均大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的距离大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的距离不大于预设阈值。
作为替代,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:D51)将检测数据以及历史检测数据中数值量进行分段处理,以分段区间为名称,将数值量转换为状态量;D52)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D52)将处理后的历史检测数据中的布尔量,存在不同取值的布尔量删除,将历史检测数据剩余的布尔量按设定排序,分别构成历史检测向量,选出检测数据中与历史检测向量对应的布尔量,并按设定排序,构成检测向量;D53)计算检测向量和历史检测向量的距离,与预设的距离阈值比较,若距离大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的距离大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的距离不大于预设阈值。通过布尔型构成向量,能够消除数值型数据带来的偏差。删除存在不同取值的布尔量,仅保留取值一致的布尔量,能够消除不相关因素带来的影响,使判断结果更具有参考价值。
作为优选,步骤D51)中,将检测数据以及历史检测数据中的数值量进行分段处理的方法包括:D511)选取一个数值量,获得历史检测数据中的该数值量的全部取值数值,按数值大小依次排列,记为集合Ki,集合Ki中的最小值为kmin和最大值为kmax;D512)将分区起点ks赋初值为kmin,分区终点ke赋初值为kmax,考察值km=ks+n×Δk,Δk为人工设定的步长,n为正整数,n初值为1;D513)n不断自加1,若考察值km满足如下条件:
其中,函数N(x,y)表示集合Ki,数据值处于数值区间(x,y)的数据个数,则将(2km-ks)作为区间划分点并加入划分点集合Km,将(2km-ks)的值赋值给ks,继续令n不断自加1,直到km>kmax;D514)将kmin和kmax加入集合Km,使用Km内的值,作为划分点,将数值量数据划分为数值区间;D515)选取下一个数值量,重复步骤D511)至D514)直到全部数值量均划分区间分段;D516)检测数据采用与历史检测数据中的对应的数值量的区间划分。根据数值本身的聚集特征,进行分段,能够使分段更加贴近数值的不同状态。
作为优选,步骤D51)中,以分段区间为名称,将数值量转换为状态量的方法包括以下步骤:D511)将数值量数据划分成若干个区间,[nm(1),nm(2)],[nm(2),nm(3)]...[nm(k-1),nm(k)],其中nm(1)和nm(k)分别为数值区间的起点和终点,nm(2)~nm(k-1)为数值区间的中间划分点,将分别作为对应数值区间的状态名;D512)若历史检测数值量的数据,落入区间[nm(d),nm(d+1)],d∈[1,k-1],则将状态名作为该数值量的取值,完成数值量数据转化为状态量数据。能够快速的完成数值量转化为状态量。
作为优选,步骤D52)中,将检测数据以及历史检测数据中的状态量转换为布尔量的方法包括以下步骤:D521)获得状态量数据的全部状态取值;D522)以状态取值为字段名将状态量字段拆分为多个字段;D523)将字段名称与状态量数据取值相同的字段置为1,其余拆分字段置0,完成状态量数据拆分为布尔量数据。将状态量拆分为布尔量,能够加快神经网络的训练效率。
作为优选,步骤D512)中,步长Δk的设置方法包括为:计算集合Ki中数值量数据的两两差值,剔除为零的差值,对剩余差值进行取绝对值运算,将其中的最小值作为步长Δk,参与计算。
作为优选,步骤D521)中,获得状态量数据的全部状态取值的方法为:若状态量数据为断路器本身具有的状态,则全部状态取值包括该状态全部的可能取值;若状态量数据为数值量数据转化而来的状态量数据,则全部状态取值仅包括历史状态中出现过的取值。
作为优选,所述检测数据包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。通过获得高压断路器的各项数据,使高压断路器的状态数据更为全面,有助于提高故障研判的准确度,同时为发现不明显的异常数据提供条件。
作为优选,步骤D中,使用故障样本数据训练故障研判神经网络模型前,对故障样本数据进行归一化处理,包括:D11)列举故障样本数据中的数值型数据,获得数值型数据的理论边界值作为边界值,若不存在理论边界值,则获取该数据的历史边界值作为边界值,边界值的左边界值视为0,边界值的右边界值视为1,该数值型数据减左边界值的差除以右边界值与左边界值的差,作为该数值型数据归一化后的值;D12)将状态量数据拆分为若干个布尔型数据;D13)将布尔型数据转化为数值,并归一化。
作为优选,步骤D12中,将状态量数据拆分为若干个布尔型数据的方法包括:D121)获得状态量数据的全部状态取值;D122)以状态取值为字段名将状态量字段拆分为多个字段;D123)将字段名称与状态量数据取值相同的字段置位,其余拆分字段置零,完成状态量数据拆分为布尔量数据。
作为优选,步骤B)中,对高压断路器进行检测前,在高压断路器的每个机械运动部件上均安装非接触式位移传感器,将非接触式位移传感器所测得的位移数据添加到高压断路器的检测数据中。
作为优选,步骤E)中,在待评估及预警的高压断路器的每个机械运动部件上均安装非接触式位移传感器,获得非接触式位移传感器所测得的位移数据,将待评估及预警的高压断路器状态数据以及非接触式位移传感器所测得的位移数据一起作为故障研判神经网络模型的输入,训练故障研判神经网络模型,进行故障研判。
作为优选,步骤B)中,在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器,在断电条件下,对该高压断路器不断重复分合闸试验,直至该高压断路器的机械部件出现损坏,记录试验过程中分合闸次数K,以及各个机械运动部件在分合闸过程中的位移数据作为历史位移数据;在步骤E)中,若待研判的高压断路器的故障研判结果为无故障,则在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器,对待研判的高压断路器进行一次分合闸,获得非接触式位移传感器所测得的位移数据,并与历史位移数据对比,获得最接近的历史位移数据对应的分合闸试验次数k,将(K-k)作为待研判的高压断路器的剩余使用寿命。
非接触式位移传感器包括激光发射器、限流电阻、光敏电阻、供电模块、反射贴纸、电压传感器和通信模块,激光发射器固定安装在高压断路器的外壳内,沿法向对准机械运动部件外表面的一个对准点,调整使激光发射器出射光与机械运动部件外表面法向具有夹角,在机械运动部件的行程内,激光发射器的对准点沿机械运动部件的外表面移动,形成移动范围,反射贴纸贴附在机械运动部件上并覆盖所述对准点的移动范围,所述反射贴纸具有若干个沿机械运动部件行程等间距排列的高反射区,相邻高反射区之间为低反射区,高反射区宽度与低反射区宽度相等,激光发射器的光斑直径等于该间隔宽度的整倍数,光敏电阻安装与激光发射器关于机械运动部件外表面法向对称的另一侧,光敏电阻一端接地,另一端通过限流电阻与供电模块连接,电压传感器采集光敏电阻与限流电阻连接点的电压,电压传感器与通信模块连接。
本发明的实质性效果是:通过分合闸次数与检测数据关联,输入检测数据能够获得等效的分合闸次数,从而获得高压断路器的生命周期的表征,使高压断路器的检修更有针对性;通过故障预警神经网络模型提供高压断路器的故障预警信息,使维护人员能够针对性的维护高压断路器,提高高压断路器工作的稳定性和可靠性;通过主动设置故障源,能够解决故障下的检测数据样本数量少的技术问题,且检测数据与故障之间的更加具有关联性,有助于提高故障分析的准确度,通过对样本数据进行归一化处理,能够加快故障评估模型的收敛速度,加快故障评估模型的建立效率并提高故障评估模型的准确度。
附图说明
图1为实施例一流程框图。
图2为实施例一人为设置故障源的方法流程框图。
图3为实施例一检测数据与对应的故障类型关联的方法流程框图。
图4为实施例一判断差异是否大于预设阈值的方法流程框图。
图5为实施例一非接触式位移传感器结构示意图。
图6、7为实施例一非接触式位移传感器测量示意图。
图8为实施例二判断差异是否大于预设阈值的方法流程框图。
图9为实施例三判断差异是否大于预设阈值的方法流程框图。
其中:1、直线反射贴纸,2、激光发射器,3、圆柱面反射贴纸,4、凸轮,5、圆柱端面反射贴纸,6、运动部件,7、对准点轨迹,8、弧形反射贴纸,100、电压传感器,200、通信模块。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
实施例一:
一种高压断路器生命周期评估及故障预警方法,如图1所示,包括以下步骤:A)获取同型号高压断路器历史维保时的检测数据。检测数据包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。通过获得高压断路器的各项数据,使高压断路器的状态数据更为全面,有助于提高故障研判的准确度,同时为发现不明显的异常数据提供条件。
B)获取同型号的高压断路器,在高压断路器的每个机械运动部件上均安装非接触式位移传感器,将非接触式位移传感器所测得的位移数据添加到高压断路器的检测数据中,在实验室条件下人为设置故障源,使高压断路器在故障源存在的情况下不断进行带电分合闸动作,直到出现故障,故障前高压断路器进行带电分合闸动作次数为N,同时周期性进行检测,将检测数据作为参考数据,并与测试对应带电分合闸动作次数n关联。在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器,在断电条件下,对该高压断路器不断重复分合闸试验,直至该高压断路器的机械部件出现损坏,记录试验过程中分合闸次数K,以及各个机械运动部件在分合闸过程中的位移数据作为历史位移数据。
如图2所示,人为设置故障源的方法包括以下步骤:B11)对高压断路器进行若干次检测;B12)根据高压断路器的维护要求,依次选择一项维护要求使其不达标,进行若干次带电分合闸动作后,进行若干次检测;B13)依次选择两项维护要求使其不达标,进行若干次带电分合闸动作后,进行若干次检测;B14)使用液氮或干冰快速冷却高压断路器,进行若干次机械特性试验,获得机械特性试验的检测数据。主动产生故障从而采集到故障数据,有效解决故障数据样本不足的问题。经过液氮或干冰冷却,使润滑剂或润滑油的润滑性能下降,从而模拟出卡涩的状态,测试完成后,润滑剂或润滑油的润滑性能恢复,从而无损的模拟出机械部件卡涩的故障类型,获得该故障类型下的状态数据。自然中的机械部件卡涩是因为润滑不良或灰尘颗粒进入。
如图5所示,非接触式位移传感器包括激光发射器2、限流电阻、光敏电阻、供电模块、反射贴纸、电压传感器100和通信模块200,激光发射器2固定安装在高压断路器的外壳内,沿法向对准机械运动部件6外表面的一个对准点,调整使激光发射器2出射光与机械运动部件6外表面法向具有夹角,在机械运动部件6的行程内,激光发射器2的对准点沿机械运动部件6的外表面移动,形成移动范围,反射贴纸贴附在机械运动部件6上并覆盖对准点的移动范围,反射贴纸具有若干个沿机械运动部件6行程等间距排列的高反射区,相邻高反射区之间为低反射区,高反射区宽度与低反射区宽度相等,激光发射器2的光斑直径等于该间隔宽度的整倍数,光敏电阻安装与激光发射器2关于机械运动部件6外表面法向对称的另一侧,光敏电阻一端接地,另一端通过限流电阻与供电模块连接,电压传感器100采集光敏电阻与限流电阻连接点的电压,电压传感器100与通信模块200连接。图5所示为直线反射贴纸1,被检测机械运动部件6沿直线运动,如动触头、解锁锁扣等。如图6所示,在对旋转部件,如轴以及凸轮4进行位移非接触式位移检测时,可以在轴外表面,或凸轮4的等半径圆弧部分贴附圆柱面反射贴纸3,为避免图片模糊不清,图中高反射区与低反射区的间距有所失真。当凸轮4的等半径圆弧部分也是工作面时,则可以在凸轮4端面贴附圆柱端面反射贴纸5。如图7所示,当被检测运动部件6具有复杂的平面运动,即同时包含平移运动和旋转运动时,在被检测运动部件6上选择合适的对准点,使运动部件6行程内,对准点始终在运动部件6上,对准点轨迹7将是一段弧形,贴附适应的弧形反射贴纸8,弧形反射贴纸8沿该弧形间隔排列高反射区和低反射区,使高反射区以及低反射区的边缘均与对应位置的弧形垂直即可。本实施例提供一种非接触式位移传感器实施方式,在现有技术中,非接触式位移传感器用于检测振动、位移是被公知的,本领域技术人员能够自行设计其他形式的非接触式位移传感器来完成位移的检测。
C)将高压断路器的检测数据与参考数据对比,获得与检测数据最接近的参考数据对应的次数n,将n/N作为高压断路器的生命周期评估结果。
D)将参考数据与所出现的故障类型关联,构成样本数据,使用样本数据训练故障预警神经网络模型,将出现故障前M次的检测数据,与对应的故障类型关联,构成故障样本数据,使用故障样本数据训练故障研判神经网络模型;使用出现故障前(N-M)次的检测数据,与出现的故障类型关联,构成样本数据训练故障预警神经网络模型。
建立高压断路器故障研判模型的方法包括:D21)获得全部检测数据,将检测数据与对应的故障类型关联,作为样本数据;D22)将样本数据进行预处理,归一化处理,训练神经网络模型,将训练完成的神经网络模型作为故障研判模型。如图3所示,步骤D21)中,将检测数据与对应的故障类型关联的方法包括:D211)获得步骤B11)中的检测数据,作为历史检测数据;D212)将步骤B12)以及步骤B13)中,若干次检测获得的若干组检测数据依次与历史检测数据对比,若检测数据与历史检测数据差异大于预设阈值,则将该组检测数据与不达标的维护要求关联;D213)将步骤B14)中的若干次机械特性试验获得的若干组检测数据与历史检测数据对比,若检测数据与历史检测数据差异大于预设阈值,则将该组检测数据与机械部件卡涩故障关联。
步骤D中,使用故障样本数据训练故障研判神经网络模型前,对故障样本数据进行归一化处理,包括:D11)列举故障样本数据中的数值型数据,获得数值型数据的理论边界值作为边界值,若不存在理论边界值,则获取该数据的历史边界值作为边界值,边界值的左边界值视为0,边界值的右边界值视为1,该数值型数据减左边界值的差除以右边界值与左边界值的差,作为该数值型数据归一化后的值;D12)将状态量数据拆分为若干个布尔型数据;D13)将布尔型数据转化为数值,并归一化。
步骤D12中,将状态量数据拆分为若干个布尔型数据的方法包括:D121)获得状态量数据的全部状态取值;D122)以状态取值为字段名将状态量字段拆分为多个字段;D123)将字段名称与状态量数据取值相同的字段置位,其余拆分字段置零,完成状态量数据拆分为布尔量数据。
如图4所示,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:D31)将检测数据以及历史检测数据中数值量进行分段处理,以分段区间为名称,将数值量转换为状态量;D32)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D32)将处理后的历史检测数据的布尔量视为数值求均值,将均值四舍五入为整数,获得的整数重新视为布尔量,将处理后的检测数据以及历史检测数据按设定排序,分别构成检测向量和历史检测向量;D33)计算检测向量和历史检测向量的距离,与预设的距离阈值比较,若距离大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的距离大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的距离不大于预设阈值。布尔只能消除数据值取值范围之间的差异。
E)在待评估及预警的高压断路器的每个机械运动部件上均安装非接触式位移传感器,获得非接触式位移传感器所测得的位移数据,将待评估及预警的高压断路器状态数据以及非接触式位移传感器所测得的位移数据一起作为故障研判神经网络模型的输入,训练故障研判神经网络模型,进行故障研判。
将待评估及预警的高压断路器的检测数据输入到步骤D)获得的故障预警神经网络模型,若故障预警神经网络模型输出故障类型,则发出故障预警,对应故障为故障预警神经网络模型输出的故障类型。通过分合闸次数与检测数据关联,输入检测数据能够获得等效的分合闸次数,从而获得高压断路器的生命周期的表征,使高压断路器的检修更有针对性;通过故障预警神经网络模型提供高压断路器的故障预警信息,使维护人员能够针对性的维护高压断路器,提高高压断路器工作的稳定性和可靠性。将高压断路器的检测数据输入到步骤D)获得的故障研判神经网络模型,若故障研判神经网络模型输出故障类型,则发出故障报警。接近出现故障的数据能够作为故障研判的样本数据,从而用于训练故障研判神经网络模型。
实施例二:
本实施例在实施例一的基础上,做了进一步的改进,如图8所示,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:D41)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D42)将检测数据以及历史检测数据中的数值量进行归一化处理,分别获得归一化后的历史检测数据各项的最小值和最大值,将处理后的布尔量以及数值量按设定顺序排列,检测数据排序后构成检测向量,历史检测数据的各项最小值排序后构成历史检测左向量,历史检测数据的各项最大值排序后构成历史检测右向量;D43)分别计算检测向量和历史检测左向量以及历史检测右向量的距离,与预设的距离阈值比较,若检测向量和历史检测左向量以及历史检测右向量的距离均大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的距离大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的距离不大于预设阈值。
实施例三:
本实施例在实施例一的基础上,做了进一步的改进,如图9所示,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:D51)将检测数据以及历史检测数据中数值量进行分段处理,以分段区间为名称,将数值量转换为状态量;D52)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D52)将处理后的历史检测数据中的布尔量,存在不同取值的布尔量删除,将历史检测数据剩余的布尔量按设定排序,分别构成历史检测向量,选出检测数据中与历史检测向量对应的布尔量,并按设定排序,构成检测向量;D53)计算检测向量和历史检测向量的距离,与预设的距离阈值比较,若距离大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的距离大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的距离不大于预设阈值。通过布尔型构成向量,能够消除数值型数据带来的偏差。删除存在不同取值的布尔量,仅保留取值一致的布尔量,能够消除不相关因素带来的影响,使判断结果更具有参考价值。
步骤D51)中,将检测数据以及历史检测数据中的数值量进行分段处理的方法包括:D511)选取一个数值量,获得历史检测数据中的该数值量的全部取值数值,按数值大小依次排列,记为集合Ki,集合Ki中的最小值为kmin和最大值为kmax;D512)将分区起点ks赋初值为kmin,分区终点ke赋初值为kmax,考察值km=ks+n×Δk,Δk为人工设定的步长,n为正整数,n初值为1,步长Δk的设置方法包括为:计算集合Ki中数值量数据的两两差值,剔除为零的差值,对剩余差值进行取绝对值运算,将其中的最小值作为步长Δk,参与计算。
;D513)n不断自加1,若考察值km满足如下条件:
其中,函数N(x,y)表示集合Ki,数据值处于数值区间(x,y)的数据个数,则将(2km-ks)作为区间划分点并加入划分点集合Km,将(2km-ks)的值赋值给ks,继续令n不断自加1,直到km>kmax;D514)将kmin和kmax加入集合Km,使用Km内的值,作为划分点,将数值量数据划分为数值区间;D515)选取下一个数值量,重复步骤D511)至D514)直到全部数值量均划分区间分段;D516)检测数据采用与历史检测数据中的对应的数值量的区间划分。根据数值本身的聚集特征,进行分段,能够使分段更加贴近数值的不同状态。
步骤D51)中,以分段区间为名称,将数值量转换为状态量的方法包括以下步骤:D511)将数值量数据划分成若干个区间,[nm(1),nm(2)],[nm(2),nm(3)]…[nm(k-1),nm(k)],其中nm(1)和nm(k)分别为数值区间的起点和终点,nm(2)~nm(k-1)为数值区间的中间划分点,将分别作为对应数值区间的状态名;D512)若历史检测数值量的数据,落入区间[nm(d),nm(d+1)],d∈[1,k-1],则将状态名/>作为该数值量的取值,完成数值量数据转化为状态量数据。能够快速的完成数值量转化为状态量。
将检测数据以及历史检测数据中的状态量转换为布尔量的方法包括以下步骤:D521)获得状态量数据的全部状态取值,若状态量数据为断路器本身具有的状态,则全部状态取值包括该状态全部的可能取值;若状态量数据为数值量数据转化而来的状态量数据,则全部状态取值仅包括历史状态中出现过的取值。;D522)以状态取值为字段名将状态量字段拆分为多个字段;D523)将字段名称与状态量数据取值相同的字段置为1,其余拆分字段置0,完成状态量数据拆分为布尔量数据。将状态量拆分为布尔量,能够加快神经网络的训练效率。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (15)
1.一种高压断路器生命周期评估及故障预警方法,其特征在于,
包括以下步骤:
A)获取同型号高压断路器历史维保检测数据;
B)获取同型号的高压断路器,在实验室条件下人为设置故障源,使高压断路器在故障源存在的情况下不断进行带电分合闸动作,直到出现故障,故障前高压断路器进行带电分合闸动作次数为N,同时周期性进行检测,将周期性检测数据作为参考数据,并与测试对应带电分合闸动作次数n关联;
C)将高压断路器的周期性检测数据与参考数据对比,获得与周期性检测数据最接近的参考数据对应的次数n,将n/N作为高压断路器的生命周期评估结果;
D)将参考数据与所出现的故障类型关联,构成样本数据,使用样本数据训练故障预警神经网络模型;
步骤D)还包括:将出现故障前M次的检测数据,与对应的故障类型关联,构成故障样本数据,使用故障样本数据训练故障研判神经网络模型;使用出现故障前(N-M)次的检测数据,与出现的故障类型关联,构成样本数据训练故障预警神经网络模型;步骤E还包括:将高压断路器的检测数据输入到步骤D)获得的故障研判神经网络模型,若故障研判神经网络模型输出故障类型,则发出故障报警;
建立高压断路器故障研判模型的方法包括:
D21)获得全部检测数据,将检测数据与对应的故障类型关联,作为样本数据;
D22)将样本数据进行预处理,归一化处理,训练神经网络模型,将训练完成的神经网络模型作为故障研判模型;
步骤D21)中,将检测数据与对应的故障类型关联的方法包括:
D211)获得步骤B11)中的检测数据,作为历史检测数据;
D212)将步骤B12)以及步骤B13)中,若干次检测获得的若干组检测数据依次与历史检测数据对比,若检测数据与历史检测数据差异大于预设阈值,则将该组检测数据与不达标的维护要求关联;
D213)将步骤B14)中的若干次机械特性试验获得的若干组检测数据与历史检测数据对比,若检测数据与历史检测数据差异大于预设阈值,则将该组检测数据与机械部件卡涩故障关联;判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:
D31)将检测数据以及历史检测数据中数值量进行分段处理,以分段区间为名称,将数值量转换为状态量;
D32)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D32)将处理后的历史检测数据的布尔量视为数值求均值,将均值四舍五入为整数,获得的整数重新视为布尔量,将处理后的检测数据以及历史检测数据按设定排序,分别构成检测向量和历史检测向量;
D33)计算检测向量和历史检测向量的距离,与预设的距离阈值比较,若距离大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的差异大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的差异不大于预设阈值;
E)将待评估及预警的高压断路器的检测数据输入到步骤D)获得的故障预警神经网络模型,若故障预警神经网络模型输出故障类型,则发出故障预警,对应故障为故障预警神经网络模型输出的故障类型。
2.根据权利要求1所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,
步骤B)中,人为设置故障源的方法包括以下步骤:
B11)对高压断路器进行若干次检测;
B12)根据高压断路器的维护要求,依次选择一项维护要求使其不达标,进行若干次带电分合闸动作后,进行若干次检测;
B13)依次选择两项维护要求使其不达标,进行若干次带电分合闸动作后,进行若干次检测;B14)使用液氮或干冰快速冷却高压断路器,进行若干次机械特性试验,获得机械特性试验的检测数据。
3.根据权利要求1所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,
判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:
D41)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D42)将检测数据以及历史检测数据中的数值量进行归一化处理,分别获得归一化后的历史检测数据各项的最小值和最大值,将处理后的布尔量以及数值量按设定顺序排列,检测数据排序后构成检测向量,历史检测数据的各项最小值排序后构成历史检测左向量,历史检测数据的各项最大值排序后构成历史检测右向量;
D43)分别计算检测向量和历史检测左向量以及历史检测右向量的距离,与预设的距离阈值比较,若检测向量和历史检测左向量以及历史检测右向量的距离均大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的差异大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的差异不大于预设阈值。
4.根据权利要求1所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,判断检测数据与历史检测数据差异是否大于预设阈值的方法包括:
D51)将检测数据以及历史检测数据中数值量进行分段处理,以分段区间为名称,将数值量转换为状态量;
D52)将检测数据以及历史检测数据中的状态量转换为布尔量,并使用{0,1}分别表示假和真;D52)将处理后的历史检测数据中的布尔量,存在不同取值的布尔量删除,将历史检测数据剩余的布尔量按设定排序,分别构成历史检测向量,选出检测数据中与历史检测向量对应的布尔量,并按设定排序,构成检测向量;
D53)计算检测向量和历史检测向量的距离,与预设的距离阈值比较,若距离大于预设距离阈值,则判定检测向量对应的检测数据与历史检测数据的差异大于预设阈值,反之,则判定检测向量对应的检测数据与历史检测数据的差异不大于预设阈值。
5.根据权利要求4所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,
步骤D51)中,将检测数据以及历史检测数据中的数值量进行分段处理的方法包括:
D511)选取一个数值量,获得历史检测数据中的该数值量的全部取值数值,按数值大小依次排列,记为集合Ki,集合Ki中的最小值为kmin和最大值为kmax;
D512)将分区起点ks赋初值为kmin,分区终点ke赋初值为kmax,考察值km=ks+n×Δk,Δk为人工设定的步长,n为正整数,n初值为1;
D513)n不断自加1,若考察值km满足如下条件:
其中,函数N(x,y)表示集合Ki,数据值处于数值区间(x,y)的数据个数,则将(2km-ks)作为区间划分点并加入划分点集合Km,将(2km-ks)的值赋值给ks,继续令n不断自加1,直到km>kmax;
D514)将kmin和kmax加入集合Km,使用Km内的值,作为划分点,将数值量数据划分为数值区间;
D515)选取下一个数值量,重复步骤D511)至D514)直到全部数值量均划分区间分段;
D516)检测数据采用与历史检测数据中的对应的数值量的区间划分。
6.根据权利要求4或5所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤D51)中,以分段区间为名称,将数值量转换为状态量的方法包括以下步骤:
D511)将数值量数据划分成若干个区间,[nm(1),nm(2)],[nm(2),nm(3)]…[nm(k-1),nm(k)],其中nm(1)和nm(k)分别为数值区间的起点和终点,nm(2)~nm(k-1)为数值区间的中间划分点,将分别作为对应数值区间的状态名;
D512)若历史检测数值量的数据,落入区间[nm(d),nm(d+1)],d∈[1,k-1],则将状态名作为该数值量的取值,完成数值量数据转化为状态量数据。
7.根据权利要求4或5所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤D52)中,将检测数据以及历史检测数据中的状态量转换为布尔量的方法包括以下步骤:D521)获得状态量数据的全部状态取值;
D522)以状态取值为字段名将状态量字段拆分为多个字段;
D523)将字段名称与状态量数据取值相同的字段置为1,其余拆分字段置0,完成状态量数据拆分为布尔量数据。
8.根据权利要求4或5所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤D512)中,步长Δk的设置方法包括为:计算集合Ki中数值量数据的两两差值,剔除为零的差值,对剩余差值进行取绝对值运算,将其中的最小值作为步长Δk,参与计算。
9.根据权利要求7所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,
步骤D521)中,获得状态量数据的全部状态取值的方法为:若状态量数据为断路器本身具有的状态,则全部状态取值包括该状态全部的可能取值;若状态量数据为数值量数据转化而来的状态量数据,则全部状态取值仅包括历史状态中出现过的取值。
10.根据权利要求1所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,
所述检测数据包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。
11.根据权利要求1或2所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤D中,使用故障样本数据训练故障研判神经网络模型前,对故障样本数据进行归一化处理,包括:
D11)列举故障样本数据中的数值型数据,获得数值型数据的理论边界值作为边界值,若不存在理论边界值,则获取该数据的历史边界值作为边界值,边界值的左边界值视为0,边界值的右边界值视为1,该数值型数据减左边界值的差除以右边界值与左边界值的差,作为该数值型数据归一化后的值;
D12)将状态量数据拆分为若干个布尔型数据;
D13)将布尔型数据转化为数值,并归一化。
12.根据权利要求11所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤D12)中,将状态量数据拆分为若干个布尔型数据的方法包括:
D121)获得状态量数据的全部状态取值;
D122)以状态取值为字段名将状态量字段拆分为多个字段;
D123)将字段名称与状态量数据取值相同的字段置位,其余拆分字段置零,完成状态量数据拆分为布尔量数据。
13.根据权利要求2或3所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤B)中,对高压断路器进行检测前,在高压断路器的每个机械运动部件上均安装非接触式位移传感器,将非接触式位移传感器所测得的位移数据添加到高压断路器的检测数据中。
14.根据权利要求13所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤E)中,在待评估及预警的高压断路器的每个机械运动部件上均安装非接触式位移传感器,获得非接触式位移传感器所测得的位移数据,将待评估及预警的高压断路器状态数据以及非接触式位移传感器所测得的位移数据一起作为故障研判神经网络模型的输入,训练故障研判神经网络模型,进行故障研判。
15.根据权利要求13所述的一种高压断路器生命周期评估及故障预警方法,其特征在于,步骤B)中,在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器,在断电条件下,对该高压断路器不断重复分合闸试验,直至该高压断路器的机械部件出现损坏,记录试验过程中分合闸次数K,以及各个机械运动部件在分合闸过程中的位移数据作为历史位移数据;
在步骤E)中,若待研判的高压断路器的故障研判结果为无故障,则在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器,对待研判的高压断路器进行一次分合闸,获得非接触式位移传感器所测得的位移数据,并与历史位移数据对比,获得最接近的历史位移数据对应的分合闸试验次数k,将(K-k)作为待研判的高压断路器的剩余使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853174.5A CN110705038B (zh) | 2019-09-10 | 2019-09-10 | 一种高压断路器生命周期评估及故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853174.5A CN110705038B (zh) | 2019-09-10 | 2019-09-10 | 一种高压断路器生命周期评估及故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705038A CN110705038A (zh) | 2020-01-17 |
CN110705038B true CN110705038B (zh) | 2023-09-26 |
Family
ID=69196133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853174.5A Active CN110705038B (zh) | 2019-09-10 | 2019-09-10 | 一种高压断路器生命周期评估及故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705038B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567845A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于深度置信网络的高压断路器生命周期智能评估方法 |
CN113960465B (zh) * | 2021-09-29 | 2023-01-17 | 北汽福田汽车股份有限公司 | 继电器的检测方法和装置 |
CN114091296B (zh) * | 2021-10-29 | 2024-05-10 | 国网冀北电力有限公司电力科学研究院 | 高压直流断路器的故障预警方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1049761A (zh) * | 1989-08-25 | 1991-03-06 | 株式会社日立制作所 | 确定电力线劣化的方法及装置 |
CN106199412A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
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 |
CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及*** |
CN109470944A (zh) * | 2018-04-10 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 保电设备故障预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884707B (zh) * | 2017-09-30 | 2018-12-21 | 杨启蓓 | 高压断路器分合闸时间在线监测装置和方法 |
-
2019
- 2019-09-10 CN CN201910853174.5A patent/CN110705038B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1049761A (zh) * | 1989-08-25 | 1991-03-06 | 株式会社日立制作所 | 确定电力线劣化的方法及装置 |
CN106199412A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
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 |
CN109470944A (zh) * | 2018-04-10 | 2019-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 保电设备故障预警方法 |
CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及*** |
Non-Patent Citations (2)
Title |
---|
改进量子神经网络高压断路器故障诊断方法研究;张莲等;《重庆理工大学学报(自然科学)》;20180915(第09期);全文 * |
高压断路器机械参数监测与寿命预估方法研究;兰建军等;《东北电力大学学报》;20110215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110705038A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705038B (zh) | 一种高压断路器生命周期评估及故障预警方法 | |
CN110648315B (zh) | 一种基于大数据技术的高压断路器状态评估方法 | |
CN103292989B (zh) | 断路器机械特性性能测试方法和*** | |
US20210278464A1 (en) | Condition assessment method and device for an outdoor post-mounted vacuum switch | |
Kang et al. | Condition monitoring of power transformer on-load tap-changers. Part 2: Detection of ageing from vibration signatures | |
CN104081301B (zh) | 电力***中的一次装置的监测 | |
CN107728509A (zh) | 一种基于多维数据模型的断路器机械特性在线专家诊断*** | |
CN110673024B (zh) | 一种基于电力物联网的高压断路器故障预警方法 | |
CN116664015A (zh) | 一种智能充电桩管理***及其方法 | |
Oleg et al. | Fault diagnosis of power transformer using method of graphic images | |
CN117783742A (zh) | 一种基于新能源汽车的车辆运行故障分析方法 | |
CN113933757A (zh) | 一种牵引变压器过流诊断保护装置及方法 | |
CN113567845A (zh) | 一种基于深度置信网络的高压断路器生命周期智能评估方法 | |
CN110716133B (zh) | 一种基于物联网及大数据技术的高压断路器故障研判方法 | |
CN110703075B (zh) | 一种基于大数据技术的高压断路器快速检修方法 | |
CN111950822B (zh) | 交通工具牵引变压器冷却***的性能检测方法及装置、存储介质、终端 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN116466067A (zh) | 一种基于灰色理论的复合绝缘子硅橡胶材料剩余寿命预警方法 | |
CN115575863A (zh) | 一种基于相空间轨迹图原理的oltc声纹信号识别方法 | |
CN110133408A (zh) | 一种高压断路器触头寿命评估装置及方法 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
CN110133459A (zh) | 一种线路绝缘子运行工况地面检测方法 | |
CN105466685B (zh) | 一种断路器操动弹簧储能状态的检测方法 | |
Ni et al. | A real-time fault diagnosis method for grid-side overcurrent in train traction system using signal time series feature pattern recognition | |
KR20230064416A (ko) | 전력 기기의 결함 진단 장치 및 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |