CN115238733A - 一种高压断路器合分闸线圈运行状态评估方法及相关设备 - Google Patents
一种高压断路器合分闸线圈运行状态评估方法及相关设备 Download PDFInfo
- Publication number
- CN115238733A CN115238733A CN202210709219.3A CN202210709219A CN115238733A CN 115238733 A CN115238733 A CN 115238733A CN 202210709219 A CN202210709219 A CN 202210709219A CN 115238733 A CN115238733 A CN 115238733A
- Authority
- CN
- China
- Prior art keywords
- coil
- circuit breaker
- fault
- voltage circuit
- switching
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明实施例公开了一种高压断路器合分闸线圈运行状态评估方法及相关设备,所述方法包括:获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。基于训练支持向量机方法校正所述标准特征值库和所述故障特征值库,提高了故障判别的准确性。
Description
技术领域
本发明涉及电力***故障检测和保护技术领域,尤其涉及一种高压断路器合分闸线圈运行状态评估方法及相关设备。
背景技术
高压开关设备作为电力***重要的控制与保护单元之一,其开断与关合的可靠性操作直接决定***的安全稳定运行,操动机构是高压开关设备执行分、合闸操动的核心部件,其可靠性提升和失效机理的探索,对保障未来以新能源为主体的电力***安全稳定运行和可靠供电至关重要。高压断路器分合闸操作过程中,线圈电流波形中包含丰富的信息,可以了解铁芯运行行程,依据电流波形和特征信号可以判断电磁铁铁芯运动是否存在卡滞、脱口、拒分和拒合等故障。因此,利用高压断路器分合闸线圈内特性参数对操动机构机械故障判别和潜在机械故障诊断具有重要意义。
分合闸线圈内特性参数主要是分合闸线圈电流信号及其特征值,目前现场运行人员采用的分合闸线圈内特性参数进行故障诊断的方法是通过历次检测到的波形同出厂试验波形进行对比,但在电流采集过程与故障诊断过程容易受到外界因素干扰,准确性较低,而且,出厂试验波形为特定工作环境下的分合闸线圈电流波形,由于实际场景的环境不同,将实际检测的波形与出厂试验波形进行对比分析,存在误差,导致故障诊断的结果并不准确。
发明内容
有鉴于此,本发明提供了一种高压断路器合分闸线圈运行状态评估方法及相关设备,用于解决现有技术中利用分合闸线圈内特性参数进行故障诊断的准确性较低的问题的问题。为达上述之一或部分或全部目的或是其他目的,本发明提出一种高压断路器合分闸线圈运行状态评估方法,包括:
获取高压断路器分合闸线圈的历史内特性参数,其中,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;
基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;
基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;
基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。
可选地,所述基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库的步骤,包括:
利用小波函数分析所述标准线圈电流和所述故障线圈电流,得到小波变换后的标准线圈电流波形和故障线圈电流波形;
基于所述标准线圈电流波形和所述故障线圈电流波形建立标准特征值库和故障特征值库。
可选地,所述基于所述标准线圈电流波形和所述故障线圈电流波形建立标准特征值库和故障特征值库的步骤,包括:
通过幅值分析法分别获取所述标准线圈电流波形的第一特征值和所述故障线圈电流波的第二特征值;
基于所述第一特征值和所述第二特征值分别建立标准特征值库和故障特征值库。
可选地,所述基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机的步骤,包括:
按照高压断路器分合闸线圈状态类型设置标签;
基于所述标签对所述标准特征值库和所述故障特征值库进行分类,得到训练集和测试集;
根据所述训练集和所述测试集训练支持向量机。
可选地,所述标签包括:代表高压断路器分合闸线圈正常运行的标准状态标签、代表高压断路器分合闸线圈操作电源过低的第一故障标签、代表高压断路器分合闸线圈的线圈匝间短路的第二故障标签、代表高压断路器分合闸线圈铁芯卡涩的第三故障标签、代表高压断路器分合闸线圈铁芯空行程不足的第四故障标签、代表高压断路器分合闸线圈辅助开关接触不良的第五故障标签和代表高压断路器分合闸线圈其他故障的第六故障标签。
可选地,在所述根据所述训练集和所述测试集训练支持向量机的步骤之前,还包括:
将所述训练集和所述测试集内的特征向量进行归一化处理。
可选地,所述基于训练后的预设模型对高压断路器合分闸线圈运行状态评估的步骤,包括:
获取高压断路器合分闸线圈内的实时内特性参数,其中,所述实时内特性参数包括实时线圈电流;
利用小波函数分析所述实时线圈电流,得到小波变换后的实时线圈电流波形;
根据实时线圈电流波形,通过幅值分析法获取实时线圈电流波形的第三特征值;
将所述第三特征值导入所述训练后的预设模型,得到所述第三特征值对应的标签;
基于所述标签确定高压断路器合分闸线圈的状态类型。
另一方面,本申请实施例提供了一种高压断路器合分闸线圈运行状态评估装备,包括:
数据采集模块,用于获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;
特征提取模块,用于基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;
模型训练模块,用于基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;
评估模块,用于基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。
另一方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如上述的高压断路器合分闸线圈运行状态评估方法的步骤。
另一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述的高压断路器合分闸线圈运行状态评估方法的步骤。
实施本发明实施例,将具有如下有益效果:
获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;基于高压断路器分合闸线圈的历史内特性参数生成高压断路器分合闸线圈在实际应用中的标准特征值库和故障特征值库,与同出厂试验波形进行对比的方式相比,基于高压断路器分合闸线圈的历史内特性参数不具有局限性,使得对比判断结果更精确。基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;不再依靠人为的对比,减少了人为误差。基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。使得评估过程更迅速,评估结果更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1示出了本申请实施例提出的一种高压断路器合分闸线圈运行状态评估方法的流程图;
图2示出了本申请实施例提出的一种高压断路器合分闸线圈运行状态评估装置的结构示意图;
图3示出了本申请实施例提出的一种电子设备的结构示意图;
图4示出了本申请实施例提出的一种计算机可读存储介质的结构示意图;
图5示出了本申请实施例提出的一种高压断路器合分闸线圈运行状态评估过程中特征值示意图;
图6示出了本申请实施例提出的一种高压断路器合分闸线圈运行状态评估过程中测试数据分类示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为本申请实施例提供的一种高压断路器合分闸线圈运行状态评估方法,包括:
S101、获取高压断路器分合闸线圈的历史内特性参数,其中,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;
示例性的,通过以下公式获取合闸线圈电流:
其中,L为所述分合闸线圈电感,δ为所述分合闸线圈电磁铁气隙,i为所述线圈电流。
具体的,在实际操作中,将高压断路器分、合闸线圈引线穿过霍尔电流传感器测量孔径,当线圈中通过电流时,在电磁铁内产生磁通,霍尔电流传感器可可获取电流信号。霍尔传感器将电流信号转换为电信号,数据经过采集卡A/D转换处理之后上传到实时控制器,同时将数据经过网线送入上位机,通过上位机将数据存储起来,作为所述历史内特性参数,由上位机其他软件(MATLAB)进行后续的数据处理,包括数据的滤波和特征提取等通过信号采集装置和信号处理器进行数字转换、滤波等。
S102、基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;
示例性的,高压断路器分合闸操作过程中,线圈电流波形中包含丰富的信息,可以了解铁芯运行行程,依据电流波形和特征信号可以判断电磁铁铁芯运动是否存在卡滞、脱口、拒分和拒合等故障。因此,对所述标准线圈电流和所述故障线圈电流的特征值提取,可以体现高压断路器分合闸操作过程中,高压断路器合分闸线圈运行状态。
S103、基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;
示例性的,采用支持向量机作为预设模型,所述支持向量机是一类按监督学***面,进而可以实现对数据的分类过程,即,高压断路器合分闸线圈运行状态评估过程。
S104、基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。
通过获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;基于高压断路器分合闸线圈的历史内特性参数生成高压断路器分合闸线圈在实际应用中的标准特征值库和故障特征值库,与同出厂试验波形进行对比的方式相比,基于高压断路器分合闸线圈的历史内特性参数不具有局限性,使得对比判断结果更精确。基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;不再依靠人为的对比,减少了人为误差。基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。使得评估过程更迅速,评估结果更准确。
在一种可能的实施方式中,所述基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库的步骤,包括:
利用小波函数分析所述标准线圈电流和所述故障线圈电流,得到小波变换后的标准线圈电流波形和故障线圈电流波形;
基于所述标准线圈电流波形和所述故障线圈电流波形建立标准特征值库和故障特征值库。
示例性的,所述基于所述标准线圈电流波形和所述故障线圈电流波形建立标准特征值库和故障特征值库的步骤,包括:
通过幅值分析法分别获取所述标准线圈电流波形的第一特征值和所述故障线圈电流波的第二特征值;
基于所述第一特征值和所述第二特征值建立标准特征值库和故障特征值库。
具体的,根据所述小波函数获取所述标准线圈电流波形和所述故障线圈电流波形,以所述标准线圈电流波形为例,所述所述标准线圈电流波形为稳定线圈电流波形;
通过以下公式对线圈电流进行滤波:
其中,a为所述小波变换伸缩尺度,l为所述小波变换位移;
具体的,所述稳定线圈电流波形的特征值为:执行分合闸命令时刻t0,铁芯运动时刻t1,铁芯停止运动时刻t2,断路器辅助触点切断时刻t3,电流衰减为0时刻t4,t1时刻对应电流值I1,t2时刻对应电流值I2,t3时刻对应电流值I3。
分合闸电流波形属于小电流信号,且存在小电流突变,采用小波变换在时间和频域具有良好的局部化性质,能够更好展现信号细节。
具体的,所述幅值分析法,通过以下公式计算所述稳定线圈电流波形的特征值:
ΔFi1=Fi-Fi-1
ΔFi2=Fi-Fi+1
其中,Fi为第i个数据点的电流幅值。
进一步的,遍历所有数据,通过以下公式获取所述线圈电流波形的特征值t1:
ΔFi2≥0且ΔFi1≥0,
t1时刻对应幅值为所述线圈电流波形的特征值I1。
进一步的,通过以下公式获取所述线圈电流波形的特征值t2:
ΔFi2≤0且ΔFi1≤0
t2时刻对应幅值为所述线圈电流波形的特征值I2。
进一步的,通过以下公式获取所述线圈电流波形的特征值t3:
ΔFi3=max(ΔFi)
t3时刻对应幅值为所述线圈电流波形的特征值I3。
进一步的,通过以下公式获取所述线圈电流波形的特征值t0和t4:
ΔFi0=0且ΔFi4=0
具体的,稳定线圈电流波形的特征值如图5所示,相应的,t0为高压断路器分合闸线圈执行分/合命令的起始点,t1一般代表分合闸线圈铁芯开始运动时刻,t2代表铁芯运动停止时刻,t3代表断路器的辅助触点切断的时刻,电流开始减小,直到t4时刻电流减为0,整个动作结束。相应的,图6中t1、t2、t3时刻对应的电流值分别为I1、I2、I3。
在一种可能的实施方式中,所述基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机的步骤,包括:
按照高压断路器分合闸线圈状态类型设置标签;
基于所述标签对所述标准特征值库和所述故障特征值库进行分类,得到训练集和测试集;
根据所述训练集和所述测试集训练支持向量机。
示例性的,通过以下公式对所述的标准特征值库和故障特征值库进行训练:
yi(α·xi-b)≥1-ξi(i=1,2Λ,n)
ξi≥0
K(xi,x)=exp(-η||xi-xj||2)
其中,xi、xj代表样本空间的特征值样本,L(a)为拉格朗日函数,yi、yj为高维特征空间最优解,f(x)为最优分类决策函数,K(xi,x)代表将样本空间映射到高维特征空间的核函数,ξi代表松弛因子,η代表核函数参数,且η>0,C为常数,代表对错分样本的惩罚程度。η和C决定了最优分类模型。
在一种可能的实施方式中,所述标签包括:代表高压断路器分合闸线圈正常运行的标准状态标签、代表高压断路器分合闸线圈操作电源过低的第一故障标签、代表高压断路器分合闸线圈的线圈匝间短路的第二故障标签、代表高压断路器分合闸线圈铁芯卡涩的第三故障标签、代表高压断路器分合闸线圈铁芯空行程不足的第四故障标签、代表高压断路器分合闸线圈辅助开关接触不良的第五故障标签和代表高压断路器分合闸线圈其他故障的第六故障标签。
示例性的,所述高压断路器分合闸线圈的故障类型包括但不局限于操作电源过低、线圈匝间短路,铁芯卡涩、铁芯空行程不足、辅助开关接触不良等。
具体的,所述的标准特征值库和故障模拟特征值库的建立,需要通过大量的试验获取相应数据。分别在正常和模拟故障情况下进行试验,提取分合闸电流波形的特征值。为了便于训练支持向量机,对高压断路器分合闸线圈不同状态设置标签:标准状态-0;操作电源过低-1;线圈匝间短路-2;铁芯卡涩-3;铁芯空行程不足-4;辅助开关接触不良-5。将带有相同特征的标签量分为训练集和测试集两组。实际中,还可考虑其他故障-6。
在一种可能的实施方式中,在所述根据所述训练集和所述测试集训练支持向量机的步骤之前,还包括:
将所述训练集和所述测试集内的特征向量进行归一化处理。
示例性的,归一化处理便于后续数据处理和提高程序的收敛速度,提高高压断路器合分闸线圈运行状态评估效率。
在一种可能的实施方式中,所述基于训练后的预设模型对高压断路器合分闸线圈运行状态评估的步骤,包括:
获取高压断路器合分闸线圈内的实时内特性参数,其中,所述实时内特性参数包括实时线圈电流;
利用小波函数分析所述实时线圈电流,得到小波变换后的实时线圈电流波形;
根据实时线圈电流波形,通过幅值分析法获取实时线圈电流波形的第三特征值;
将所述第三特征值导入所述训练后的预设模型,得到所述第三特征值对应的标签;
基于所述标签确定高压断路器合分闸线圈的状态类型。
示例性的,利用传感器实时获取分合闸线圈的实时内特性参数,所述实时内特性参数包括实时线圈电流;
利用小波函数分析所述实时线圈电流,得到小波变换后的稳定线圈电流波形;
根据稳定线圈电流波形,通过幅值分析法获取实时线圈电流波形的第三特征值;
如图6所示,将所述第三特征值导入所述训练后的预设模型,得到所述第三特征值对应的标签;
基于所述标签确定高压断路器合分闸线圈的状态类型。
在一种可能的实施方式中,本申请实施例提供了一种高压断路器合分闸线圈运行状态评估装备,包括:
数据采集模块201,用于获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;
特征提取模块202,用于基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;
模型训练模块203,用于基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;
评估模块204,用于基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。
在一种可能的实施方式中,如图3所示,本申请实施例提供了一种电子设备300,包括:包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时,实现:获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;基于训练后的预设模型对高压断路器合分闸线圈运行状态评估的步骤。
在一种可能的实施方式中,如图4所示,本申请实施例提供了一种计算机可读存储介质400,其上存储有计算机程序411,该计算机程序411被处理器执行时实现:获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;基于训练后的预设模型对高压断路器合分闸线圈运行状态评估的步骤。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里上述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种高压断路器合分闸线圈运行状态评估方法,其特征在于,包括:
获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;
基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;
基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;
基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。
2.如权利要求1所述的一种高压断路器合分闸线圈运行状态评估方法,其特征在于,所述基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库的步骤,包括:
利用小波函数分析所述标准线圈电流和所述故障线圈电流,得到小波变换后的标准线圈电流波形和故障线圈电流波形;
基于所述标准线圈电流波形和所述故障线圈电流波形建立标准特征值库和故障特征值库。
3.如权利要求2所述的一种高压断路器合分闸线圈运行状态评估方法,其特征在于,所述基于所述标准线圈电流波形和所述故障线圈电流波形建立标准特征值库和故障特征值库的步骤,包括:
通过幅值分析法分别获取所述标准线圈电流波形的第一特征值和所述故障线圈电流波的第二特征值;
基于所述第一特征值和所述第二特征值分别建立标准特征值库和故障特征值库。
4.如权利要求1所述的一种高压断路器合分闸线圈运行状态评估方法,其特征在于,所述基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机的步骤,包括:
按照高压断路器分合闸线圈状态类型设置标签;
基于所述标签对所述标准特征值库和所述故障特征值库进行分类,得到训练集和测试集;
根据所述训练集和所述测试集训练支持向量机。
5.如权利要求4所述的一种高压断路器合分闸线圈运行状态评估方法,其特征在于,所述标签包括:代表高压断路器分合闸线圈正常运行的标准状态标签、代表高压断路器分合闸线圈操作电源过低的第一故障标签、代表高压断路器分合闸线圈的线圈匝间短路的第二故障标签、代表高压断路器分合闸线圈铁芯卡涩的第三故障标签、代表高压断路器分合闸线圈铁芯空行程不足的第四故障标签、代表高压断路器分合闸线圈辅助开关接触不良的第五故障标签和代表高压断路器分合闸线圈其他故障的第六故障标签。
6.如权利要求4所述的一种高压断路器合分闸线圈运行状态评估方法,其特征在于,在所述根据所述训练集和所述测试集训练支持向量机的步骤之前,还包括:
将所述训练集和所述测试集内的特征向量进行归一化处理。
7.如权利要求4所述的一种高压断路器合分闸线圈运行状态评估方法,其特征在于,所述基于训练后的预设模型对高压断路器合分闸线圈运行状态评估的步骤,包括:
获取高压断路器合分闸线圈内的实时内特性参数,其中,所述实时内特性参数包括实时线圈电流;
利用小波函数分析所述实时线圈电流,得到小波变换后的实时线圈电流波形;
根据实时线圈电流波形,通过幅值分析法获取实时线圈电流波形的第三特征值;
将所述第三特征值导入所述训练后的预设模型,得到所述第三特征值对应的标签;
基于所述标签确定高压断路器合分闸线圈的状态类型。
8.一种高压断路器合分闸线圈运行状态评估装备,其特征在于,包括:
数据采集模块,用于获取高压断路器分合闸线圈的历史内特性参数,所述历史内特性参数包括高压断路器正常工作状态下分合闸线圈的标准线圈电流和所述高压断路器故障状态下分合闸线圈的故障线圈电流;
特征提取模块,用于基于所述标准线圈电流和所述故障线圈电流建立标准特征值库和故障特征值库;
模型训练模块,用于基于所述标准特征值库和所述故障特征值库训练预设模型,其中,所述预设模型包括支持向量机;
评估模块,用于基于训练后的预设模型对高压断路器合分闸线圈运行状态评估。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述的高压断路器合分闸线圈运行状态评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的高压断路器合分闸线圈运行状态评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210709219.3A CN115238733A (zh) | 2022-06-22 | 2022-06-22 | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210709219.3A CN115238733A (zh) | 2022-06-22 | 2022-06-22 | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238733A true CN115238733A (zh) | 2022-10-25 |
Family
ID=83670213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210709219.3A Pending CN115238733A (zh) | 2022-06-22 | 2022-06-22 | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238733A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368718A (zh) * | 2023-12-06 | 2024-01-09 | 浙江万胜智能科技股份有限公司 | 一种量测开关的故障监测预警方法及*** |
-
2022
- 2022-06-22 CN CN202210709219.3A patent/CN115238733A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368718A (zh) * | 2023-12-06 | 2024-01-09 | 浙江万胜智能科技股份有限公司 | 一种量测开关的故障监测预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398886B (zh) | 一种自动化检定流水线表位在线异常的检测方法及*** | |
CN109917205B (zh) | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
CN109443190B (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
CN111382809B (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
CN116500379B (zh) | 一种sts装置电压跌落精准定位方法 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN115408864A (zh) | 电子式互感器误差状态自适应预测方法、***及设备 | |
CN113378778A (zh) | 一种基于自编码器的有载分接开关故障诊断方法 | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
Parvin et al. | A comprehensive interturn fault severity diagnosis method for permanent magnet synchronous motors based on transformer neural networks | |
CN113901862B (zh) | 一种电磁斥力机构故障监测方法、***、设备及可读存储介质 | |
CN117668751B (zh) | 一种高低压电力***故障诊断方法及装置 | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN115577249A (zh) | 多视角特征融合的变压器声信号识别方法、***及介质 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
Sung-min et al. | The estimation of insulation on MV cables using the VLF tanδ diagnostic measurement | |
CN117743815B (zh) | 一种断路器多路振动传感器信号优选方法及*** | |
Ma et al. | Protection Platen Status Recognition Based on Wavelet Analysis and Hilbert Transform for Smart Substation | |
CN114255373B (zh) | 序列异常检测方法、装置、电子设备和可读介质 |
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 |