CN115792442A - 基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 - Google Patents
基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 Download PDFInfo
- Publication number
- CN115792442A CN115792442A CN202211473989.9A CN202211473989A CN115792442A CN 115792442 A CN115792442 A CN 115792442A CN 202211473989 A CN202211473989 A CN 202211473989A CN 115792442 A CN115792442 A CN 115792442A
- Authority
- CN
- China
- Prior art keywords
- detection unit
- switch cabinet
- characteristic
- characteristic detection
- direct
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,包括智能测控终端、监控主机、温度特性检测单元、电气特性检测单元、机械特性检测单元、专家***和神经网络,所述基于数据驱动的轨道交通用直流开关柜综合故障诊断方法包括以下步骤:S1:在直流开关柜时内的断路器上布设温度特性检测单元、电气特性检测单元和机械特性检测单元。本申请通过检测分闸线圈电流、主回路电流、弧压信号、动触头温度、撞击振动信号,并通过监控主机对收集到的信号数据特征提取劣化特征和特征降维,并通过生成实时特征曲线与基准特征曲线,选定特征差值m与最大误差数值n,通过二者的比较对直流开关柜中动触头失效、铁芯磨损的情况进行判定。
Description
技术领域
本发明属于电力***技术领域,具体为基于数据驱动的轨道交通用直流开关柜综合故障诊断方法。
背景技术
地铁变电所中的直流开关柜包括750V、1500V两种电压等级,大多数地铁工程所需开关柜设备主要由以下5种柜体或箱体组成:进线柜、馈线柜、负极柜、端子柜及钢轨电位限制装置。
为了保证直流开关柜的正常运行,现有技术中通过电流变化率保护、康佳泄漏保护、直流断路器失灵保护、大电流脱扣保护、过电流保护、双边联跳保护和自动重合闸功能进行保护,防止出现重大故障,但是当直流开关柜出现故障后,需要专业的检修人员进行检修,在检修时由于检修人员不清楚故障发生的原因,因此需要逐项进行检测排除,耗费时间较长,影响变电所的正常运转,针对动触头失效和铁芯磨损的问题提出一种具有诊断检测效果好的基于数据驱动的轨道交通用直流开关柜综合故障诊断方法方法。
发明内容
针对现有技术的不足,本发明提供了基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,具有诊断检测效果好的优点。
为实现上述目的,本发明提供如下技术方案:基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,包括智能测控终端、监控主机、温度特性检测单元、电气特性检测单元、机械特性检测单元、专家***和神经网络,所述基于数据驱动的轨道交通用直流开关柜综合故障诊断方法包括以下步骤:
S1:在直流开关柜时内的断路器上布设温度特性检测单元、电气特性检测单元和机械特性检测单元;
S2:把温度特性检测单元、电气特性检测单元和机械特性检测单元与监控主机电连接,使检测得出的数据能够及时的传输至监控主机;
S3:监控主机把获取到的信号数据进行特征的提取分析;
S4:通过智能测控终端对故障进行诊断。
优选的,所述温度特性检测单元通过温度传感器对温度特性进行检测,主要为动触头温度;所述电气特性检测单元针对电气特性进行检测,主要为电流和弧压,其中电流分为分闸线圈电流和主回路电流;所述机械特性检测单元主要针对撞击振动进行检测。
优选的,所述S3中对信号数据特征的提取分析依次为提取劣化特征和特征降维,所述提取劣化特征具体为把获取到的信号数据传输到专家***中,通过专家***识别筛选劣化特征,所述特征降维具体为对一定时间段内,所有的相同特征和接近特征进行合并,并且去除极值特征。
优选的,所述特征降维的方法采用特征组合,所述特征组合的采用最小化重构误差法,最小化重构误差法中主成分分析的步骤为:
计算散布矩阵S:S=∑k n=1(xk-m)(xk-m)t;
计算S的特征值和特征向量:Se=λe;
将本征向量按相应的本征值从大到小排序;
选择最大的d’个本征向量作为投影向量e1,e2,...,ed′,构成投影d*d的矩阵W,其中第i列为ei;
对任意d维样本x,其用PCA降维后的d’维向量为y=Wt(x-m)。
优选的,所述智能测控终端采用神经网络作为信息处理***,所述智能测控终端对故障进行诊断时通过信号数据双重定位,在数据库中匹配故障类型,在定位***中获取故障位置。
优选的,所述智能测控终端以监控主机获取且分析后的信号数据生成实时特征曲线,并通过专家***获取基准特征曲线,所述基准特征曲线为正常工作状态下信号数据生成的特征曲线,以时间为X方向上的单位把实时特征曲线与基准特征曲线进行折线图对照,并测定同一单位时间内基准特征曲线与实时特征曲线的特征差值,所述特征差值记为m;
通过所述专家***获取可存在的最大误差数值,所述最大误差数值记为n,并把所述最大误差数值按照工作情况分为稳定阈值和警告阈值,所述稳定阈值记为n1,所述警告阈值记为n2;
所述故障诊断的公式为:m>n;
当m∈n2时,智能测控终端新建判断数据库并把单位时间内信号数并移入判断数据库中。
与现有技术相比,本发明的有益效果如下:
本申请通过使用温度特性检测单元、电气特性检测单元、机械特性检测单元作为原始传感信号的检测装置,通过检测分闸线圈电流、主回路电流、弧压信号、动触头温度、撞击振动信号,并通过监控主机对收集到的信号数据特征提取劣化特征和特征降维,采用最小化重构误差法减少预测变量的个数,同时去除数据噪声,降低算法运算开销,并通过生成实时特征曲线与基准特征曲线,选定特征差值m与最大误差数值n,通过二者的比较对直流开关柜中动触头失效、铁芯磨损的情况进行判定,同时通过在数据库中匹配故障类型,在定位***中获取故障位置,方便检修人员进行快速的维修,提高检修效率,并且通过获取到警告阈值n2,并把警告阈值n2与特征差值m进行比较,当特征差值m属于警告阈值n2内时,对特征差值m所属单位时间内的信号进行单独分列记录,便于比较,从而能够提高对直流开关柜的情况了解,一定程度上起到了预防的作用。
附图说明
图1为本发明诊断流程示意图。
具体实施方式
基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明提供一种技术方案:基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,包括智能测控终端、监控主机、温度特性检测单元、电气特性检测单元、机械特性检测单元、专家***和神经网络,所述基于数据驱动的轨道交通用直流开关柜综合故障诊断方法包括以下步骤:
S1:在直流开关柜时内的断路器上布设温度特性检测单元、电气特性检测单元和机械特性检测单元;
S2:把温度特性检测单元、电气特性检测单元和机械特性检测单元与监控主机电连接,使检测得出的数据能够及时的传输至监控主机;
S3:监控主机把获取到的信号数据进行特征的提取分析;
S4:通过智能测控终端对故障进行诊断。
其中,所述温度特性检测单元通过温度传感器对温度特性进行检测,主要为动触头温度;所述电气特性检测单元针对电气特性进行检测,主要为电流和弧压,其中电流分为分闸线圈电流和主回路电流;所述机械特性检测单元主要针对撞击振动进行检测;通过对直流开关柜工作状态数据的检测,能够及时了解内部元器件的工作状态,从而通过数据分析得到直流开关柜故障的及时反馈,进而通过对故障的定位保证检修人员能够快速的找到故障部分,提高检修效率,降低经济损失,分、合闸线圈烧坏事故在电力***中时常发生,当电气设备发生事故时,如果因高压真空断路器分闸回路断线出现断路器拒动现象,将使事故扩大,造成越级分闸致使大面积停电,甚至造成电力设备烧毁、火灾等严重后果;通过分闸线圈电流的检测,能够有效的了解分闸线圈的工作状态,当分闸线圈电流产生波动时,能够解及时了解情况,针对性的进行问题解决;电弧是由于电场过强,气体发生电崩溃而持续形成等离子体,使得电流通过了通常状态下的绝缘介质(例如空气)所产生的瞬间火花现象,电弧能量集中、温度高,它不仅对触头有很大的破坏作用,而且使断开电路的时间延长,最直流开关柜的影响巨大;振动与温度也是反应装置工作状态的重要信息,工况的异常必然伴随上述问题。
其中,所述S3中对信号数据特征的提取分析依次为提取劣化特征和特征降维,所述提取劣化特征具体为把获取到的信号数据传输到专家***中,通过专家***识别筛选劣化特征,所述特征降维具体为对一定时间段内,所有的相同特征和接近特征进行合并,并且去除极值特征;劣化特征是指性能下降的特征情况,因此需要对劣化特征进行提取,设备的故障往往伴随着电子元器件的劣化;专家***是一类具有专门知识和经验的计算机智能程序***,一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题,使用专家***能够有效的降低劳动量,提升工作效率。
其中,所述特征降维的方法采用特征组合,所述特征组合的采用最小化重构误差法,最小化重构误差法中主成分分析的步骤为:
计算散布矩阵S:S=∑k n=1(xk-m)(xk-m)t;
计算S的特征值和特征向量:Se=λe;
将本征向量按相应的本征值从大到小排序;
选择最大的d’个本征向量作为投影向量e1,e2,...,ed′,构成投影d*d的矩阵W,其中第i列为ei;
对任意d维样本x,其用PCA降维后的d’维向量为y=Wt(x-m);特征降维就是降低特征的维度,简单来说就是对所有的特征,该合并的合并,该去掉的去掉,特征降维分为特征组合和特征选择两种,特征组合是把几个特征组合在一起,形成新的特征,特征选择是选择现有特征集的一个子集,同时针对不同的训练目标有不同的训练算法,一般有最小化重构误差、最大化类别可分性、最小化分类误差、保留最多细节的投影和最大限度的使各特征之间独立,最小化重构误差采用主成分分析的算法进行;随着数据维度不断降低,数据存储所需的空间也会随之减少,有助于减少计算用时,同时一些算法在高维度数据上容易表现不佳,降维可提高算法可用性,可以用删除冗余特征解决多重共线性问题,还有助于数据可视化。
其中,所述智能测控终端采用神经网络作为信息处理***,所述智能测控终端对故障进行诊断时通过信号数据双重定位,在数据库中匹配故障类型,在定位***中获取故障位置;神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成,神经网络具有自学习功能,能够在使用中为使用者提供预测,在出现故障前进行针对性的检修,从而避免了事故的发生;具有联想存储功能,能够把数据之间进行关联,提高数据整体的有用程度;具有高速寻找优化解的能力。寻找一个复杂问题的优化解,往往需要很大的计算量,利用一个针对某问题而设计的反馈型人工神经网络,发挥计算机的高速运算能力,可能很快找到优化解,提高了运算效率,节省了时间。
其中,所述智能测控终端以监控主机获取且分析后的信号数据生成实时特征曲线,并通过专家***获取基准特征曲线,所述基准特征曲线为正常工作状态下信号数据生成的特征曲线,以时间为X方向上的单位把实时特征曲线与基准特征曲线进行折线图对照,并测定同一单位时间内基准特征曲线与实时特征曲线的特征差值,所述特征差值记为m;
通过所述专家***获取可存在的最大误差数值,所述最大误差数值记为n,并把所述最大误差数值按照工作情况分为稳定阈值和警告阈值,所述稳定阈值记为n1,所述警告阈值记为n2;
所述故障诊断的公式为:m>n;
当m∈n2时,智能测控终端新建判断数据库并把单位时间内信号数并移入判断数据库中;获取到的基准特征曲线与实时特征曲线均可以是去掉启动阶段后剩余的曲线,其目的是由于启动阶段的数据对判断开关柜是否出现故障影响不大,因此可以去掉,以减少数据处理量,基准特征曲线可以预先就获取到,在需要使用时进行使用即可,而把基准特征曲线与实时特征曲线通过折线图进行比较,能够较为明了的观测出二者之间的差距,也能够更加方便的了解到直流开关柜的整体工作状态,有益于对直流开关柜工作情况的预测,便于对数据的处理与对比;而通过设置警告阈值n2,在与特征差值m进行比较时,当特征差值m属于警告阈值n2时,对单位时间内的信号数据单独保存,方便了对劣势工作状况的统计与分析,使用效果更好。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,包括智能测控终端、监控主机、温度特性检测单元、电气特性检测单元、机械特性检测单元、专家***和神经网络,其特征在于:所述基于数据驱动的轨道交通用直流开关柜综合故障诊断方法包括以下步骤:
S1:在直流开关柜时内的断路器上布设温度特性检测单元、电气特性检测单元和机械特性检测单元;
S2:把温度特性检测单元、电气特性检测单元和机械特性检测单元与监控主机电连接,使检测得出的数据能够及时的传输至监控主机;
S3:监控主机把获取到的信号数据进行特征的提取分析;
S4:通过智能测控终端对故障进行诊断。
2.根据权利要求1所述的基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,其特征在于:所述温度特性检测单元通过温度传感器对温度特性进行检测,主要为动触头温度;所述电气特性检测单元针对电气特性进行检测,主要为电流和弧压,其中电流分为分闸线圈电流和主回路电流;所述机械特性检测单元主要针对撞击振动进行检测。
3.根据权利要求1所述的基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,其特征在于:所述S3中对信号数据特征的提取分析依次为提取劣化特征和特征降维,所述提取劣化特征具体为把获取到的信号数据传输到专家***中,通过专家***识别筛选劣化特征,所述特征降维具体为对一定时间段内,所有的相同特征和接近特征进行合并,并且去除极值特征。
4.根据权利要求3所述的基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,其特征在于:所述特征降维的方法采用特征组合,所述特征组合的采用最小化重构误差法,最小化重构误差法中主成分分析的步骤为:
计算散布矩阵S:S=∑k n=1(xk-m)(xk-m)t;
计算S的特征值和特征向量:Se=λe;
将本征向量按相应的本征值从大到小排序;
选择最大的d’个本征向量作为投影向量e1,e2,...,ed′,构成投影d*d的矩阵W,其中第i列为ei;
对任意d维样本x,其用PCA降维后的d’维向量为y=Wt(x-m)。
5.根据权利要求1所述的基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,其特征在于:所述智能测控终端采用神经网络作为信息处理***,所述智能测控终端对故障进行诊断时通过信号数据双重定位,在数据库中匹配故障类型,在定位***中获取故障位置。
6.根据权利要求1所述的基于数据驱动的轨道交通用直流开关柜综合故障诊断方法,其特征在于:所述智能测控终端以监控主机获取且分析后的信号数据生成实时特征曲线,并通过专家***获取基准特征曲线,所述基准特征曲线为正常工作状态下信号数据生成的特征曲线,以时间为X方向上的单位把实时特征曲线与基准特征曲线进行折线图对照,并测定同一单位时间内基准特征曲线与实时特征曲线的特征差值,所述特征差值记为m;
通过所述专家***获取可存在的最大误差数值,所述最大误差数值记为n,并把所述最大误差数值按照工作情况分为稳定阈值和警告阈值,所述稳定阈值记为n1,所述警告阈值记为n2;
所述故障诊断的公式为:m>n;
当m∈n2时,智能测控终端新建判断数据库并把单位时间内信号数并移入判断数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473989.9A CN115792442A (zh) | 2022-11-23 | 2022-11-23 | 基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473989.9A CN115792442A (zh) | 2022-11-23 | 2022-11-23 | 基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115792442A true CN115792442A (zh) | 2023-03-14 |
Family
ID=85440488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211473989.9A Pending CN115792442A (zh) | 2022-11-23 | 2022-11-23 | 基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792442A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706258A (zh) * | 2024-02-06 | 2024-03-15 | 广州尚航信息科技股份有限公司 | 一种基于大数据处理的故障检测*** |
-
2022
- 2022-11-23 CN CN202211473989.9A patent/CN115792442A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706258A (zh) * | 2024-02-06 | 2024-03-15 | 广州尚航信息科技股份有限公司 | 一种基于大数据处理的故障检测*** |
CN117706258B (zh) * | 2024-02-06 | 2024-05-10 | 广州尚航信息科技股份有限公司 | 一种基于大数据处理的故障检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106597231B (zh) | 基于多源信息融合和深度学习网络的gis故障检测***及方法 | |
Strachan et al. | Providing decision support for the condition-based maintenance of circuit breakers through data mining of trip coil current signatures | |
CN115792442A (zh) | 基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 | |
Mehta et al. | Transformer diagnostics under dissolved gas analysis using Support Vector Machine | |
CN117590223B (zh) | 断路器的在线监测***及其方法 | |
CN108020781A (zh) | 一种断路器故障诊断方法 | |
Souahlia et al. | SVM-based decision for power transformers fault diagnosis using Rogers and Doernenburg ratios DGA | |
CN106772009B (zh) | 基于分合闸线圈电流波形的断路器机械特性分析方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
Shutenko et al. | Recognition of combined defects with high-temperature overheating based on the dissolved gas analysis | |
Oleg et al. | Recognition of mid-temperature overheating in high-voltage power transformers by dissolved gas analysis | |
CN111458630B (zh) | 一种高压断路器故障诊断方法 | |
CN113326663A (zh) | 一种基于极限学习机的铁路继电器运行状态评估方法 | |
CN115728627B (zh) | 一种电气动静触头故障预判断*** | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
CN115856611A (zh) | 一种基于深度学习的高压断路器故障诊断方法 | |
Brown et al. | Learning models of plant behavior for anomaly detection and condition monitoring | |
Sahri et al. | Fault diagnosis of power transformer using optimally selected DGA features and SVM | |
CN115575863A (zh) | 一种基于相空间轨迹图原理的oltc声纹信号识别方法 | |
KR102436080B1 (ko) | 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치 | |
Gomathy et al. | IPSO based fault analysis in power transformer | |
KR102520724B1 (ko) | 차단기 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
Feizifar et al. | Condition monitoring of circuit breakers using arc models and failure detection algorithm | |
Strachan et al. | Trip coil signature analysis and interpretation for distribution circuit breaker condition assessment and diagnosis | |
Hussain et al. | Early fault identification for operating circuit breaker based on classifier model system |
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 |