CN115856611A - 一种基于深度学习的高压断路器故障诊断方法 - Google Patents
一种基于深度学习的高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN115856611A CN115856611A CN202211666599.3A CN202211666599A CN115856611A CN 115856611 A CN115856611 A CN 115856611A CN 202211666599 A CN202211666599 A CN 202211666599A CN 115856611 A CN115856611 A CN 115856611A
- Authority
- CN
- China
- Prior art keywords
- voltage circuit
- working conditions
- circuit breaker
- reference signal
- data
- 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
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供了一种基于深度学***均或者任意选取的方式更加准确。
Description
技术领域
本发明属于断路器故障诊断技术领域,具体涉及一种基于深度学习的高压断路器故障诊断方法。
背景技术
作为电力***中重要的高压设备,高压断路器在电力***中起控制和保护作用,其运行状态直接关系着所在线路的安全与稳定。当***出现短路故障时,高压断路器迅速切断巨大的短路电流以保护整个电力***免受伤害。但是,高压断路器的种类广、数量多、结构杂,并且受自身质量、外部工作条件等因素影响,故障时有发生,导致整个电力***的可靠性下降。
近年来,随着各类算法和人工智能的发展,对高压断路器的故障诊断越来越偏向于实时性和预测性,其中一种为基于先验知识的高压断路器故障诊断方法,其将所测信号与先验知识进行对比以确定断路器所属状态,其中动态时间规整法即DTW算法是较为成熟的诊断方法,在DTW算法中,先验知识即基准信号,然而,现有研究在选取DTW基准信号时大多是随机从正常状态信号中选取一个信号作为基准信号或者将多个信号的平均作为基准信号,没有给出较好地选取方法。
发明内容
有鉴于此,本发明旨在提供一种基于深度学习的高压断路器故障诊断方法,以解决上述现有技术存在的问题。
为了解决上述技术问题,本发明提供以下技术方案:
一种基于深度学习的高压断路器故障诊断方法,包括以下步骤:
步骤S1、对高压断路器进行分组测试,记录高压断路器在各个工况下的检测参数的数据,并按照工况对记录的数据进行分类,各个工况包括正常工况和多个故障工况;
步骤S2、根据正常工况下的数据训练得到基准信号;
步骤S3、根据多个故障工况中的数据验证基准信号;
步骤S4、根据基准信号利用DTW算法对高压断路器进行诊断识别。
进一步的,步骤S1中,高压断路器的检测参数包括线圈电流、触头振动信号、触头电流和触头移动行程中的一种,高压断路器的检测参数均为关于时间的变化量参数。
进一步的,步骤S2中,基准信号的训练方法包括以下步骤:
步骤S201、对正常工况下的数据进行采样,得到采样信号Xi=(i1,i2,...,im),i=1、2、...、n,n为正常工况下的数据的总数,m为采样信号的维度;
步骤S202、遍历所有样本数据,对信号的每个向量获取最大差值Δik,k=1、2、...、m,选取ik’+Δik/2作为基准向量元素,ik’为产生最大差值Δik时对应的最小值,得到基准信号X0=(i1’+Δi1/2,i2’+Δi2/2,...,im’+Δim/2);
步骤S203、根据断路器的动作时间将基准信号X0和采样信号Xi进行分段,对每一段进行特征匹配,每一段分别选取最相似的采样信号,最后根据相似的采样信号最多的信号来源Xs作为新的基准信号,X0作为调节信号。
进一步的,步骤S203中,分段的数量在三个以上,三个分段对应动作准备段、动作过程段和动作终止段。
进一步的,在步骤S3中,使用聚类算法分别对每种故障工况的样本数据进行处理得到每种故障工况样本数据的聚类中心信号和聚类距离最大值,并对比Xs和各个聚类中心信号的距离值,若距离值小于聚类距离最大值,则用距离值与聚类距离的平均值对比,距离值小于聚类距离的平均值,则利用X0对Xs进行调节,调节方法为使用非相似段的X0中数据依次替换Xs中对应向量元素。
进一步的,调节方法包括以下步骤:
步骤S301、设定替换的向量元素数量,初始设置为1,数量上限为分段的向量元素数量上限,当数量达到上限时终止;
步骤S302、按照向量元素之间的差值降序排列,依次替换对应的向量元素,若替换后满足距离值大于聚类距离的平均值,则终止,否则替换的向量元素数量加一,重复步骤S301。
进一步的,在步骤S4中,诊断识别基于人工神经网络实现,人工算法包括多个神经元,多个神经元分别对应不同工况的识别,不同工况的识别算法为DTW算法,人工神经算法输入为待分类数据,人工神经算法输出为只含一个元素的单位向量,单位向量对应的是工况识别结果。
进一步的,故障诊断方法还包括以下步骤:每对一个样本识别后得到的样本数据将反馈至对应分类的样本数据库内,当样本数据库的样本变量的变化率大于2%时,重新计算基准信号。
综上,本发明提供了一种基于深度学***均或者任意选取的方式更加准确。
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它的附图。
图1为本发明实施例提供的一种基于深度学习的高压断路器故障诊断方法的流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
作为电力***中重要的高压设备,高压断路器在电力***中起控制和保护作用,其运行状态直接关系着所在线路的安全与稳定。当***出现短路故障时,高压断路器迅速切断巨大的短路电流以保护整个电力***免受伤害。但是,高压断路器的种类广、数量多、结构杂,并且受自身质量、外部工作条件等因素影响,故障时有发生,导致整个电力***的可靠性下降。
近年来,随着各类算法和人工智能的发展,对高压断路器的故障诊断越来越偏向于实时性和预测性,其中一种为基于先验知识的高压断路器故障诊断方法,其将所测信号与先验知识进行对比以确定断路器所属状态,其中动态时间规整法即DTW算法是较为成熟的诊断方法,在DTW算法中,先验知识即基准信号,然而,现有研究在选取DTW基准信号时大多是随机从正常状态信号中选取一个信号作为基准信号或者将多个信号的平均作为基准信号,没有给出较好地选取方法。
基于此,本发明旨在提供一种基于深度学习的高压断路器故障诊断方法。
以下对本发明的一种基于深度学习的高压断路器故障诊断方法的实施例进行详细的介绍。
请参阅图1,本实施例提供一种基于深度学习的高压断路器故障诊断方法,包括以下步骤:
步骤S1、对高压断路器进行分组测试,记录高压断路器在各个工况下的检测参数的数据,并按照工况对记录的数据进行分类,各个工况包括正常工况和多个故障工况;
步骤S2、根据正常工况下的数据训练得到基准信号;
步骤S3、根据多个故障工况中的数据验证基准信号;
步骤S4、根据基准信号利用DTW算法对高压断路器进行诊断识别。
本实施例提供了一种基于深度学***均或者任意选取的方式更加准确。
在一个可选的实施例中,步骤S1中,高压断路器的检测参数包括线圈电流、触头振动信号、触头电流和触头移动行程中的一种,高压断路器的检测参数均为关于时间的变化量参数。
在一个可选的实施例中,步骤S2中,基准信号的训练方法包括以下步骤:
步骤S201、对正常工况下的数据进行采样,得到采样信号Xi=(i1,i2,...,im),i=1、2、...、n,n为正常工况下的数据的总数,m为采样信号的维度;
步骤S202、遍历所有样本数据,对信号的每个向量获取最大差值Δik,k=1、2、...、m,选取ik’+Δik/2作为基准向量元素,ik’为产生最大差值Δik时对应的最小值,得到基准信号X0=(i1’+Δi1/2,i2’+Δi2/2,...,im’+Δim/2);
步骤S203、根据断路器的动作时间将基准信号X0和采样信号Xi进行分段,对每一段进行特征匹配,每一段分别选取最相似的采样信号,最后根据相似的采样信号最多的信号来源Xs作为新的基准信号,X0作为调节信号。
在一个可选的实施例中,步骤S203中,分段的数量在三个以上,三个分段对应动作准备段、动作过程段和动作终止段。
在一个可选的实施例中,在步骤S3中,使用聚类算法分别对每种故障工况的样本数据进行处理得到每种故障工况样本数据的聚类中心信号和聚类距离最大值,并对比Xs和各个聚类中心信号的距离值,若距离值小于聚类距离最大值,则用距离值与聚类距离的平均值对比,距离值小于聚类距离的平均值,则利用X0对Xs进行调节,调节方法为使用非相似段的X0中数据依次替换Xs中对应向量元素。
在一个可选的实施例中,调节方法包括以下步骤:
步骤S301、设定替换的向量元素数量,初始设置为1,数量上限为分段的向量元素数量上限,当数量达到上限时终止;
步骤S302、按照向量元素之间的差值降序排列,依次替换对应的向量元素,若替换后满足距离值大于聚类距离的平均值,则终止,否则替换的向量元素数量加一,重复步骤S301。
在一个可选的实施例中,在步骤S4中,诊断识别基于人工神经网络实现,人工算法包括多个神经元,多个神经元分别对应不同工况的识别,不同工况的识别算法为DTW算法,人工神经算法输入为待分类数据,人工神经算法输出为只含一个元素的单位向量,单位向量对应的是工况识别结果。
在一个可选的实施例中,故障诊断方法还包括以下步骤:每对一个样本识别后得到的样本数据将反馈至对应分类的样本数据库内,当样本数据库的样本变量的变化率大于2%时,重新计算基准信号。
相较于现有技术,本发明首先对样本数据进行算术求中位数,再根据实际断路器的动作时间分段,并按照动作时间分段匹配最相似的样本,则该样本为正常工作范围区间的中间值,即可选取基准信号,随后再对比该基准信号与其他故障工况的样本中心对比,进一步调节基准信号,本发明提供的故障诊断方法在选取基准信号时能够有效避免局部最优解,且多次对基准信号进行调节修正,比传统的平均或者任意选取的方式更加准确。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于深度学习的高压断路器故障诊断方法,其特征在于,包括以下步骤:
步骤S1、对高压断路器进行分组测试,记录高压断路器在各个工况下的检测参数的数据,并按照工况对记录的数据进行分类,各个工况包括正常工况和多个故障工况;
步骤S2、根据正常工况下的数据训练得到基准信号;
步骤S3、根据多个故障工况中的数据验证基准信号;
步骤S4、根据基准信号利用DTW算法对高压断路器进行诊断识别。
2.根据权利要求1所述的一种基于深度学习的高压断路器故障诊断方法,其特征在于:所述步骤S1中,所述高压断路器的检测参数包括线圈电流、触头振动信号、触头电流和触头移动行程中的一种,所述高压断路器的检测参数均为关于时间的变化量参数。
3.根据权利要求2所述的一种基于深度学习的高压断路器故障诊断方法,其特征在于:所述步骤S2中,基准信号的训练方法包括以下步骤:
步骤S201、对正常工况下的数据进行采样,得到采样信号Xi=(i1,i2,...,im),i=1、2、...、n,n为正常工况下的数据的总数,m为采样信号的维度;
步骤S202、遍历所有样本数据,对信号的每个向量获取最大差值Δik,k=1、2、...、m,选取ik’+Δik/2作为基准向量元素,ik’为产生最大差值Δik时对应的最小值,得到基准信号X0=(i1’+Δi1/2,i2’+Δi2/2,...,im’+Δim/2);
步骤S203、根据断路器的动作时间将基准信号X0和采样信号Xi进行分段,对每一段进行特征匹配,每一段分别选取最相似的采样信号,最后根据相似的采样信号最多的信号来源Xs作为新的基准信号,X0作为调节信号。
4.根据权利要求3所述的一种基于深度学习的高压断路器故障诊断方法,其特征在于:所述步骤S203中,所述分段的数量在三个以上,所述三个分段对应动作准备段、动作过程段和动作终止段。
5.根据权利要求4所述的一种基于深度学***均值对比,距离值小于所述聚类距离的平均值,则利用X0对Xs进行调节,调节方法为使用非相似段的X0中数据依次替换Xs中对应向量元素。
6.根据权利要求5所述的一种基于深度学习的高压断路器故障诊断方法,其特征在于:所述调节方法包括以下步骤:
步骤S301、设定替换的向量元素数量,初始设置为1,数量上限为分段的向量元素数量上限,当数量达到上限时终止;
步骤S302、按照向量元素之间的差值降序排列,依次替换对应的向量元素,若替换后满足距离值大于所述聚类距离的平均值,则终止,否则替换的向量元素数量加一,重复步骤S301。
7.根据权利要求6所述的一种基于深度学习的高压断路器故障诊断方法,其特征在于:在所述步骤S4中,所述诊断识别基于人工神经网络实现,所述人工算法包括多个神经元,所述多个神经元分别对应不同工况的识别,所述不同工况的识别算法为DTW算法,所述人工神经算法输入为待分类数据,所述人工神经算法输出为只含一个元素的单位向量,所述单位向量对应的是工况识别结果。
8.根据权利要求1-7中任一项所述的一种基于深度学习的高压断路器故障诊断方法,其特征在于:所述故障诊断方法还包括以下步骤:每对一个样本识别后得到的样本数据将反馈至对应分类的样本数据库内,当样本数据库的样本变量的变化率大于2%时,重新计算基准信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666599.3A CN115856611A (zh) | 2022-12-23 | 2022-12-23 | 一种基于深度学习的高压断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666599.3A CN115856611A (zh) | 2022-12-23 | 2022-12-23 | 一种基于深度学习的高压断路器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115856611A true CN115856611A (zh) | 2023-03-28 |
Family
ID=85654403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211666599.3A Pending CN115856611A (zh) | 2022-12-23 | 2022-12-23 | 一种基于深度学习的高压断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856611A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643163A (zh) * | 2023-07-27 | 2023-08-25 | 浙江北岛科技有限公司 | 一种真空断路器远程在线监测*** |
-
2022
- 2022-12-23 CN CN202211666599.3A patent/CN115856611A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643163A (zh) * | 2023-07-27 | 2023-08-25 | 浙江北岛科技有限公司 | 一种真空断路器远程在线监测*** |
CN116643163B (zh) * | 2023-07-27 | 2023-10-20 | 浙江北岛科技有限公司 | 一种真空断路器远程在线监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161388B (zh) | 一种高压设备的故障类型识别方法及其*** | |
Goswami et al. | Predictive model for classification of power system faults using machine learning | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN115856611A (zh) | 一种基于深度学习的高压断路器故障诊断方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及*** | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN110716155A (zh) | 一种低压供电回路异常工况感知算法及装置 | |
CN113065522A (zh) | 基于深度神经网络的变压器局部放电类型识别方法 | |
Xiao et al. | A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN110927497A (zh) | 一种转辙机故障检测方法及装置 | |
Chang et al. | Assessment of the insulation status aging in power cable joints using support vector machine | |
CN111458630B (zh) | 一种高压断路器故障诊断方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
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 | |
CN115859594A (zh) | 基于层次分析的变电设备的健康评估算法 | |
KR20230064416A (ko) | 전력 기기의 결함 진단 장치 및 방법 | |
CN112733878A (zh) | 一种基于kmeans-SVM算法的变压器故障诊断方法 | |
CN116796213B (zh) | 一种基于聚类算法的配电网线变关系辨识方法 | |
Koban et al. | A remark on forecasting spikes in electricity prices | |
CN116961072B (zh) | 基于时空卷积网络的多直流连锁换相失败识别方法及*** | |
Tao et al. | A infrared detection method for zero-value insulators considering environmental interference | |
Haroun et al. | Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis | |
CN112733951B (zh) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 | |
CN116953381B (zh) | 基于恢复-聚合-分解的配电变压器老化故障率评估方法 |
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 |