CN112131265A - 一种基于数据挖掘的接触器电寿命不良数据检测方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的接触器电寿命不良数据检测方法，包括如下步骤：构建接触器性能退化特征参数模型，选取接触器性能退化特征参数评估接触器性能退化程度；构建基于改进经验模态的接触器特征参数提取模型，对采样数据进行去噪处理，提取接触器性能退化特征参数；采用改进的多维关联规则算法求解接触器特征参数之间关联关系。通过构建接触器性能退化特征参数模型和基于改进经验模态的接触器特征参数提取模型，实现了接触器的电寿命检测，解决了电寿命检测信号中包含不良数据的问题，可以实时监测电力***中接触器的运行状态，感知接触器的剩余寿命，能够预防接触器故障，提升电力***运行安全性，提升配电网供电可靠性。

Description

一种基于数据挖掘的接触器电寿命不良数据检测方法

技术领域

本发明涉及电力设备检测技术领域，特别涉及一种基于数据挖掘的接 触器电寿命不良数据检测辨识方法。

背景技术

自我诊断能力是智能电器的一个主要技术特征，主要是通过对电气设 备的物理量进行检测、分析和计算，在电器发生故障时，监测人员能够及 时地发现故障设备并查明故障原因。随着技术的不断进步和应用要求的提 高，需要通过智能电器的外在特征对设备的安全性能和使用寿命进行评 估。近年来，电器的状态性能检测和寿命评估成为智能电器的一个重要发 展方向。在电力***中，接触器是低压电器中主要的控制设备之一，是智 能电网构成的重要组成部分。由于接触器广泛应用于电流接通和开断操作 环境中，设备的使用寿命是保证***安全运行的关键。因此，需要通过智 能检测设备对接触器的状态特征量进行检测、传输和分析，通过监测到的 数据实时预测设备的使用寿命，并把得到的寿命信号传输到智能电网的控 制***处，便于在设备寿命终结之前对设备进行更换。检测信号的准确性 对于分析接触器的寿命具有决定性的影响。而在对接触器进行信号检测 时，***中时常会出现高维、非线性和动态的不良数据，对判断接触器的 性能退化规律和使用寿命产生影响。为了确保电力***能够安全稳定的工 作，把不良数据从检测到的原始数据中辨识出来具有重要的研究意义。

目前，国内外针对接触器电寿命不良数据检测辨识方法已经具有一定 基础，主要包括同步平均法、功率谱法、包络分析法及因数判别法。这些 方法主要是在时域以及频域下对统计的信号结果进行平均化，其优点在于 能够简单快捷的提取信号特种信号，但它仍存在着不足之处，平均化的统 计结果无法同时体现时域和频域状态下的全部特征和局部特征。而且在很 多情况下，这些处理方法会忽略掉一些细微的重要特征信号，而这些细微的信号往往会体现设备的特征状态发展趋势，特别是对状态监测要求较高 的设备及场合，会造成对实际情况的错误判断及漏判。

发明内容

本发明实施例的目的是提供一种基于数据挖掘的接触器电寿命不良 数据检测方法，通过构建接触器性能退化特征参数模型，选取合适的参数 评估接触器性能退化程度，并构建基于改进经验模态的接触器特征参数提 取模型，对采样数据进行去噪处理，提取接触器性能退化特征参数，采用 改进的多维关联规则算法求解所建立模型，实现了接触器的电寿命检测， 解决了电寿命检测信号中包含不良数据的问题，可以实时监测电力***中接触器的运行状态，感知接触器的剩余寿命，能够预防接触器故障，提升 电力***运行安全性，提升配电网供电可靠性。

为解决上述技术问题，本发明实施例提供了一种基于数据挖掘的接触 器电寿命不良数据检测方法，包括如下步骤：

构建接触器性能退化特征参数模型，选取接触器性能退化特征参数评 估接触器性能退化程度；

构建基于改进经验模态的接触器特征参数提取模型，对采样数据进行 去噪处理，提取所述接触器性能退化特征参数；

采用改进的多维关联规则算法求解所述接触器特征参数之间关联关 系。

进一步地，所述接触器性能退化特征参数包括：起弧相角、燃弧时间、 燃弧能量、平均燃弧功率、接触电阻、吸合时间和/或弹跳时间。

进一步地，所述起弧相角θ_oi为：

式中，t_a为电弧发生时刻，t_oi为电弧发生时刻所在电流周期的开始时 刻，t_p为一个电流周期的时间长度；

所述燃弧时间t_arc为：

t_arc＝t_b-t_a，

当某一相触头断开时，从电弧刚开始产生的时刻t_a直到最终电弧完全 熄灭的时刻t_b，二者的时间差表示此相燃弧时间t_arc；

所述燃弧能量E为：

式中，u(t)、i(t)分别为触头的电压值和电流值，

而实际采集到的电压电流信号都是离散的，所以燃弧能量的离散化处 理表示为：

式中，u_n、i_n分别为第n次采样的电压值、电流值；

所述平均燃弧功率P为：

所述平均燃弧功率表示电触头表面熄弧时的温度上升速度快慢的物 理量，N为燃弧期间的采样点数；

所述吸合时间为动触头从接触器线圈上电开始，第一次与静触头接触 的时间间隔；

所述弹跳时间为触头闭合时发生弹跳，从动静触头第一次接触到触头 稳定吸合所用的时间。

进一步地，所述构建基于改进经验模态的接触器特征参数提取模型， 包括：

对含有噪声的信号进行经验模态分解；

对所述信号进行小波阈值去噪；

将经所述小波阈值去噪后的所述信号与本质模式函数中的其它分量 以及残余信号相加，得到去噪处理的所述信号。

进一步地，所述对含有噪声的信号进行经验模态分解，包括：

分析原始信号X(t)，采用三次样条插值曲线连接X(t)上的所有极大值 点、极小值点，以形成上、下包络线，取X(t)与上、下包络线的均值为m₁， 两者相减，差值h₁为：

h₁＝X(t)-m₁，

将h₁作为新的信号，反复操作上述步骤，直到h₁满足本质模式函数的 条件，把此时的信号即为C₁，C₁包含信号的最高频成分。

将C₁从原始信号X(t)中分离出来，得到除去高频分量的插值信号r₁：

r₁＝X(t)-C₁，

令r₁作为新的信号，按上述步骤反复去除高频分量，直到残余信号符 合单调函数；

原始信号X(t)由n个本质模式函数分量与残余项组成，表示为：

式中，C_j(t)为按上述步骤反复操作所去除的高频分量，r_n(t)为最后剩 余的残余信号；

通过各本质模式函数分量和原始信号的相关系数去除伪分量，则两个 时间序列x_n、y_n的相关系数r_xy为：

进一步地，所述对所述信号进行小波阈值去噪，包括：

选择小波基函数，对经验模态分解中的所述信号进行j层分解；

对小波分解后得到的高频系数进行处理，选取阈值，使用新阈值函数 压缩第1到j层的所述高频系数的阈值，并除去所述噪声；

所述阈值λ通常为：

式中，σ为所述噪声的方差；

将处理过的所述信号第1到j层所述高频系数用第j层的低频系数进 行信号重构，得到降噪后的所述信号。

进一步地，所述采用改进的多维关联规则算法求解所述接触器特征参 数提取模型，包括：

(1)对事物数据库进行扫描，找到与事物表中的各个值所对应的维 度，把所述事务表中的值存储在相应所述维度下的存储空间中，并计算其 数量，把小于最小支持度的项剔除，因此得到频繁1-项集L₁；

(2)按照字典的顺序把不同所述存储空间下成对组合的值进行排序， 以获得候选2-项集，计算获得具有2-项集项目的集合中每个项目的支持 度，以所述每个项目的所述支持度作为基准，把大于或等于所述最小支持 度的项集进行移除，得到频繁2-项集L₂；

(3)连接步：通过项集L_k-1×L_k+1连接后，频繁k-1-项集(k≥3)成对 组合，生成初步的候选k-项集C′_k；

(4)剪枝步：把候选k-项集C′_k中不满足频繁k-项集的项进行删减， 并对各项进行确定候选项集，通过对支持度进行判定，最终获得频繁k- 项集L_k；

(5)当得到的频繁k-项集的个数不为零时，重复第(3)、(4)步， 对k-项集进行确定，直到频繁k-项集的个数为零，步骤结束，进行输出 结果；

(6)获取所有的频繁项集L₁∪L₂∪...∪L_k；

(7)根据频繁项集和自定义的最小置信度产生关联规则。

本发明实施例的上述技术方案具有如下有益的技术效果：

通过构建接触器性能退化特征参数模型，选取合适的参数评估接触器 性能退化程度，并构建基于改进经验模态的接触器特征参数提取模型，对 采样数据进行去噪处理，提取接触器性能退化特征参数，采用改进的多维 关联规则算法求解所建立模型，实现了接触器的电寿命检测，解决了电寿 命检测信号中包含不良数据的问题，可以实时监测电力***中接触器的运 行状态，感知接触器的剩余寿命，能够预防接触器故障，提升电力***运行安全性，提升配电网供电可靠性。

附图说明

图1是本发明实施例提供的基于数据挖掘的接触器电寿命不良数据检 测方法流程图；

图2是本发明实施例提供的接触电阻样本曲线图；

图3是本发明实施例提供的吸合时间样本曲线图；

图4是本发明实施例提供的弹跳时间样本曲线图；

图5是本发明实施例提供的起弧相角与燃弧时间的关系示意图；

图6是本发明实施例提供的起弧相角与燃弧能量的关系示意图；

图7是本发明实施例提供的起弧相角与平均燃弧功率的关系示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实 施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是 示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对 公知结构和技术的描述，以避免不必要地混淆本发明的概念。

图1是本发明实施例提供的基于数据挖掘的接触器电寿命不良数据检 测方法流程图。

请参照图1，本发明实施例提供一种基于数据挖掘的接触器电寿命不 良数据检测方法，包括如下步骤：

S100，构建接触器性能退化特征参数模型，选取接触器性能退化特征 参数评估接触器性能退化程度。

S200，构建基于改进经验模态的接触器特征参数提取模型，对采样数 据进行去噪处理，提取接触器性能退化特征参数。

S30，采用改进的多维关联规则算法求解接触器特征参数之间关联关 系。

在本发明实施例的一个实施方式中个，接触器性能退化特征参数包 括：起弧相角、燃弧时间、燃弧能量、平均燃弧功率、接触电阻、吸合时 间和/或弹跳时间。

具体的，起弧相角θ_oi为：

式中，t_a为电弧发生时刻，t_oi为电弧发生时刻所在电流周期的开始时 刻，t_p为一个电流周期的时间长度。

燃弧时间t_arc为：

t_arc＝t_b-t_a，

当某一相触头断开时，从电弧刚开始产生的时刻t_a直到最终电弧完全 熄灭的时刻t_b，二者的时间差表示此相燃弧时间t_arc。

燃弧能量E为：

式中，u(t)、i(t)分别为触头的电压值和电流值，

而实际采集到的电压电流信号都是离散的，所以燃弧能量的离散化处 理表示为：

式中，u_n、i_n分别为第n次采样的电压值、电流值。

平均燃弧功率P为：

平均燃弧功率表示电触头表面熄弧时的温度上升速度快慢的物理量， N为燃弧期间的采样点数。

吸合时间为动触头从接触器线圈上电开始，第一次与静触头接触的时 间间隔。

弹跳时间为触头闭合时发生弹跳，从动静触头第一次接触到触头稳定 吸合所用的时间。

进一步地，步骤S200中，构建基于改进经验模态的接触器特征参数 提取模型，包括：

S210，对含有噪声的信号进行经验模态分解。

S220，对信号进行小波阈值去噪。

S230，将经小波阈值去噪后的信号与本质模式函数中的其它分量以及 残余信号相加，得到去噪处理的信号。

更进一步地，步骤S210中，对含有噪声的信号进行经验模态分解， 包括如下步骤：

分析原始信号X(t)，采用三次样条插值曲线连接X(t)上的所有极大值 点、极小值点，以形成上、下包络线，取X(t)与上、下包络线的均值为m₁， 两者相减，差值h₁为：

h₁＝X(t)-m₁，

将h₁作为新的信号，反复操作上述步骤，直到h₁满足本质模式函数的 条件，把此时的信号即为C₁，C₁包含信号的最高频成分。

将C₁从原始信号X(t)中分离出来，得到除去高频分量的插值信号r₁：

r₁＝X(t)-C₁，

令r₁作为新的信号，按上述步骤反复去除高频分量，直到残余信号符 合单调函数；

原始信号X(t)由n个本质模式函数分量与残余项组成，表示为：

式中，C_j(t)为按上述步骤反复操作所去除的高频分量，r_n(t)为最后剩 余的残余信号；

通过各本质模式函数分量和原始信号的相关系数去除伪分量，则两个 时间序列x_n、y_n的相关系数r_xy为：

更进一步地，步骤S220中，对信号进行小波阈值去噪，包括：

选择小波基函数，对经验模态分解中的信号进行j层分解；

对小波分解后得到的高频系数进行处理，选取阈值，使用新阈值函数 压缩第1到j层的高频系数的阈值，并除去噪声；

阈值λ通常为：

式中，σ为噪声的方差；

将处理过的信号第1到j层高频系数用第j层的低频系数进行信号重 构，得到降噪后的信号。

在本发明实施例的一个实施方式中，步骤S300中，采用改进的多维 关联规则算法求解接触器特征参数提取模型，包括：

(1)对事物数据库进行扫描，找到与事物表中的各个值所对应的维 度，把事务表中的值存储在相应维度下的存储空间中，并计算其数量，把 小于最小支持度的项剔除，因此得到频繁1-项集L₁。

(2)按照字典的顺序把不同存储空间下成对组合的值进行排序，以 获得候选2-项集，计算获得具有2-项集项目的集合中每个项目的支持度， 以每个项目的支持度作为基准，把大于或等于最小支持度的项集进行移 除，得到频繁2-项集L₂。

(3)连接步：通过项集L_k-1×L_k+1连接后，频繁k-1-项集(k≥3)成对 组合，生成初步的候选k-项集C′_k。

(4)剪枝步：把候选k-项集C′_k中不满足频繁k-项集的项进行删减， 并对各项进行确定候选项集，通过对支持度进行判定，最终获得频繁k- 项集L_k。

(5)当得到的频繁k-项集的个数不为零时，重复第(3)、(4)步， 对k-项集进行确定，直到频繁k-项集的个数为零，步骤结束，进行输出 结果。

(6)获取所有的频繁项集L₁∪L₂∪...∪L_k。

(7)根据频繁项集和自定义的最小置信度产生关联规则。

图2是本发明实施例提供的接触电阻样本曲线图。

图3是本发明实施例提供的吸合时间样本曲线图。

图4是本发明实施例提供的弹跳时间样本曲线图。

图5是本发明实施例提供的起弧相角与燃弧时间的关系示意图。

图6是本发明实施例提供的起弧相角与燃弧能量的关系示意图。

图7是本发明实施例提供的起弧相角与平均燃弧功率的关系示意图。

下面，以接触器A相39200次采样数据作为数据样本，接触电阻样本 曲线如图2所示，吸合时间样本曲线如图3所示，弹跳时间样本曲线如图 4所示，起弧相角与燃弧时间的关系示意图如图5所示，起弧相角与燃弧 能量的关系示意图如图6所示，起弧相角与平均燃弧功率的关系示意图如 图7所示。

对数据样本进行离散化处理，离散化结果如表1-7所示。

表1接触电阻离散化结果

表2吸合时间离散化结果

表3弹跳时间离散化结果

表4起弧相角离散化结果

表5燃弧时间离散化结果

表6燃弧能量离散化结果

表7平均燃弧功率离散化结果

通过人工制造多个不良数据，对不良数据进行检测辨识。为了模拟数 据中存在不良数据，把24500号采样点的燃弧时间增加20％，把34800号 采样点的燃弧时间上调30％。己知24500号采样点原本的数据为：起弧相 角是69.498°，燃弧时间4.9841ms，燃弧能量28.7628J，燃弧平均功率 3762.5559W，经过离散化处理后的形式为：(θ5，T4，E5，P6)。24500号采样点数据增加燃弧时间为20％后，即燃弧时间由原来的4.9841ms增加 到5.9809ms，等级从T4变成T2。己知34800号采样点原本的数据为：起 弧相角是78.822°，燃弧时间4.2982ms，燃弧能量27.6300J，燃弧平均 功率3485.6075W。经过离散化处理后的形式为：(θ4，T5，E5，P6)。34800 号采样点数据燃弧能量增加30％后，燃弧能量从27.6300J增加到37.2191J，等级从E5变成E4。

采用本专利所提方法对39200个采样点数据进行处理，得到数据记录 (θ5，T2，E5，P6)、(θ4，T5，E4，P6)为数据中包含是不良数据的集 合，其支持度分别为0.0064和0.0107，小于设定的阈值0.05。以上实例 证明基于数据挖掘的接触器电寿命不良数据检测辨识方法的有效性。

本发明实施例旨在保护一种基于数据挖掘的接触器电寿命不良数据 检测方法，包括如下步骤：构建接触器性能退化特征参数模型，选取接触 器性能退化特征参数评估接触器性能退化程度；构建基于改进经验模态的 接触器特征参数提取模型，对采样数据进行去噪处理，提取接触器性能退 化特征参数；采用改进的多维关联规则算法求解接触器特征参数之间关联 关系。上述技术方案具备如下效果：

通过构建接触器性能退化特征参数模型，选取合适的参数评估接触器 性能退化程度，并构建基于改进经验模态的接触器特征参数提取模型，对 采样数据进行去噪处理，提取接触器性能退化特征参数，采用改进的多维 关联规则算法求解所建立模型，实现了接触器的电寿命检测，解决了电寿 命检测信号中包含不良数据的问题，可以实时监测电力***中接触器的运 行状态，感知接触器的剩余寿命，能够预防接触器故障，提升电力***运行安全性，提升配电网供电可靠性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解 释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精 神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发 明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要 求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (7)

1.一种基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，包括如下步骤：

构建接触器性能退化特征参数模型，选取接触器性能退化特征参数评估接触器性能退化程度；

构建基于改进经验模态的接触器特征参数提取模型，对采样数据进行去噪处理，提取所述接触器性能退化特征参数；

采用改进的多维关联规则算法求解所述接触器特征参数之间关联关系。

2.根据权利要求1所述的基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，

所述接触器性能退化特征参数包括：起弧相角、燃弧时间、燃弧能量、平均燃弧功率、接触电阻、吸合时间和/或弹跳时间。

3.根据权利要求2所述的基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，

所述起弧相角θ_oi为：

式中，t_a为电弧发生时刻，t_oi为电弧发生时刻所在电流周期的开始时刻，t_p为一个电流周期的时间长度；

所述燃弧时间t_arc为：

t_arc＝t_b-t_a，

当某一相触头断开时，从电弧刚开始产生的时刻t_a直到最终电弧完全熄灭的时刻t_b，二者的时间差表示此相燃弧时间t_arc；

所述燃弧能量E为：

式中，u(t)、i(t)分别为触头的电压值和电流值，

而实际采集到的电压电流信号都是离散的，所以燃弧能量的离散化处理表示为：

式中，u_n、i_n分别为第n次采样的电压值、电流值；

所述平均燃弧功率P为：

所述平均燃弧功率表示电触头表面熄弧时的温度上升速度快慢的物理量，N为燃弧期间的采样点数；

所述吸合时间为动触头从接触器线圈上电开始，第一次与静触头接触的时间间隔；

所述弹跳时间为触头闭合时发生弹跳，从动静触头第一次接触到触头稳定吸合所用的时间。

4.根据权利要求1所述的基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，所述构建基于改进经验模态的接触器特征参数提取模型，包括：

对含有噪声的信号进行经验模态分解；

对所述信号进行小波阈值去噪；

将经所述小波阈值去噪后的所述信号与本质模式函数中的其它分量以及残余信号相加，得到去噪处理的所述信号。

5.根据权利要求4所述的基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，所述对含有噪声的信号进行经验模态分解，包括：

分析原始信号X(t)，采用三次样条插值曲线连接X(t)上的所有极大值点、极小值点，以形成上、下包络线，取X(t)与上、下包络线的均值为m₁，两者相减，差值h₁为：

h₁＝X(t)-m₁，

将h₁作为新的信号，反复操作上述步骤，直到h₁满足本质模式函数的条件，把此时的信号即为C₁，C₁包含信号的最高频成分。

将C₁从原始信号X(t)中分离出来，得到除去高频分量的插值信号r₁：

r₁＝X(t)-C₁，

令r₁作为新的信号，按上述步骤反复去除高频分量，直到残余信号符合单调函数；

原始信号X(t)由n个本质模式函数分量与残余项组成，表示为：

式中，C_j(t)为按上述步骤反复操作所去除的高频分量，r_n(t)为最后剩余的残余信号；

通过各本质模式函数分量和原始信号的相关系数去除伪分量，则两个时间序列x_n、y_n的相关系数r_xy为：

6.根据权利要求5所述的基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，所述对所述信号进行小波阈值去噪，包括：

选择小波基函数，对经验模态分解中的所述信号进行j层分解；

对小波分解后得到的高频系数进行处理，选取阈值，使用新阈值函数压缩第1到j层的所述高频系数的阈值，并除去所述噪声；

所述阈值λ通常为：

式中，σ为所述噪声的方差；

将处理过的所述信号第1到j层所述高频系数用第j层的低频系数进行信号重构，得到降噪后的所述信号。

7.根据权利要求1所述的基于数据挖掘的接触器电寿命不良数据检测方法，其特征在于，所述采用改进的多维关联规则算法求解所述接触器特征参数提取模型，包括：

(1)对事物数据库进行扫描，找到与事物表中的各个值所对应的维度，把所述事务表中的值存储在相应所述维度下的存储空间中，并计算其数量，把小于最小支持度的项剔除，因此得到频繁1-项集L₁；

(2)按照字典的顺序把不同所述存储空间下成对组合的值进行排序，以获得候选2-项集，计算获得具有2-项集项目的集合中每个项目的支持度，以所述每个项目的所述支持度作为基准，把大于或等于所述最小支持度的项集进行移除，得到频繁2-项集L₂；

(3)连接步：通过项集L_k-1×L_k+1连接后，频繁k-1-项集(k≥3)成对组合，生成初步的候选k-项集C′_k；

(4)剪枝步：把候选k-项集C′_k中不满足频繁k-项集的项进行删减，并对各项进行确定候选项集，通过对支持度进行判定，最终获得频繁k-项集L_k；

(5)当得到的频繁k-项集的个数不为零时，重复第(3)、(4)步，对k-项集进行确定，直到频繁k-项集的个数为零，步骤结束，进行输出结果；

(6)获取所有的频繁项集L₁∪L₂∪...∪L_k；

(7)根据频繁项集和自定义的最小置信度产生关联规则。

Images