CN116482526A - 一种用于非故障相阻抗继电器的分析*** - Google Patents
一种用于非故障相阻抗继电器的分析*** Download PDFInfo
- Publication number
- CN116482526A CN116482526A CN202310477568.1A CN202310477568A CN116482526A CN 116482526 A CN116482526 A CN 116482526A CN 202310477568 A CN202310477568 A CN 202310477568A CN 116482526 A CN116482526 A CN 116482526A
- Authority
- CN
- China
- Prior art keywords
- signal
- feature
- model
- signals
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了一种用于非故障相阻抗继电器的分析***,包括数据采集模块、信号处理模块和决策模块,数据采集模块与信号处理模块相连,信号处理模块与决策模块相连,数据采集模块对继电器输入和输出信号进行采集,信号处理模块对数据采集模块采集到的信号进行处理和分析,决策模块用于基于信号处理模块处理后的数据,本发明采用了自动化的数据采集和信号处理技术,无需人工干预,操作简单方便,本发明采用普通的硬件设备和软件算法,成本较低,易于推广和应用,能够准确地判断继电器是否存在相阻抗异常,从而避免误判和损坏设备的情况发生。
Description
技术领域
本发明涉及继电器技术领域,更具体地说,本发明涉及一种用于非故障相阻抗继电器的分析***。
背景技术
相阻抗继电器是一种常见的保护装置,用于在电力***中检测故障并进行保护。然而,在实际运行中,由于各种原因,相阻抗继电器也可能存在非故障状态下的相阻抗异常。这种异常可能会导致误判,甚至损坏设备。
因此,需要一种分析***来判断继电器的相阻抗是否正常为了解决上述问题,现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种用于非故障相阻抗继电器的分析***,通过结合数据采集模块、信号处理模块和决策模块,能够准确地判断继电器是否存在相阻抗异常,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种用于非故障相阻抗继电器的分析***,包括数据采集模块、信号处理模块和决策模块,数据采集模块与信号处理模块相连,信号处理模块与决策模块相连;数据采集模块对继电器输入和输出信号进行采集,将信号转换为可接受的电信号,并且将其接入数据采集卡中,对于采集到的信号,对其依次进行信号滤波、去噪处理和相阻抗计算;
信号处理模块对数据采集模块采集到的信号进行处理和分析,经过信号分析、特征提取从而建立模型用以诊断故障;
决策模块用于基于信号处理模块处理后的数据,进行继电器工作状态和故障的风险预测和决策的设备。
作为本发明进一步的技术方案,数据采集模块中去噪处理的具体步骤为:
步骤A1,频域滤波:将采集到的数据进行快速傅里叶变换,将信号转换到频域,根据信噪比的大小,采用低通、高通或带通滤波器对频域信号进行滤波,公式为X(f)=H(f)Y(f);
其中,X(f)表示滤波后的频域信号,H(f)为滤波器的频率响应函数,(f)为原始信号的频域表示;
步骤A2,小波变换:将采集到的数据进行小波变换,将信号分解为不同尺度的子带,利用不同子带的特性去除噪声信号,公式为
其中,x(n)为原始信号,h(k)和g(k)为小波系数,y(n)为去噪后的信号;
步骤A3,统计方法:对采集到的数据进行统计分析,通过均值、方差、偏度、峰度统计参数对数据进行去噪处理,公式为
其中,为均值,n为数据长度,Xi为第i个数据。
作为本发明进一步的技术方案,相阻抗计算的具体步骤为:
步骤B1,采集电流和电压信号:通过电流互感器和电压互感器采集电力***中的电流和电压信号,并经过信号滤波和去噪处理,得到准确的电流和电压波形数据;
步骤B2,相位同步:将电流和电压信号进行相位同步,确保两者的采样时刻完全一致;
步骤B3,傅里叶变换:将电流和电压信号进行快速傅里叶变换,将信号转换到频域,公式为
其中,X(f)表示频域信号,N为采样点数,n为采样点序号,x(n)为原始信号,f为频率,T为采样时间间隔;
步骤B4,计算相阻抗:根据电流和电压的频域信号,采用奥姆定律和基尔霍夫定律进行计算,得到电力***中的相阻抗,公式为
其中,Z(f)为相阻抗,U(f)为电压的频域信号,I(f)为电流的频域信号。
作为本发明进一步的技术方案,信号处理模块中特征提取的具体方法为:在进行特征提取之前,需要将原始信号划分为一定长度的时间窗口,之后依次在时间域内对信号的统计特征进行提取、在频域内对信号的频谱信息进行提取以及在小波域内对信号的变化信息进行提取。
作为本发明进一步的技术方案,信号处理模块中建立模型的具体过程为:从特征选择模块中选择出的特征数据集合中,选择合适的模型类型;对所选模型的参数进行设置;使用训练数据集对所选模型进行训练,使用测试数据集对训练好的模型进行测试,评估模型性能并对模型进行优化,将优化后的模型保存至模型库中,以备后续使用。
作为本发明进一步的技术方案,决策模块采用计算机或嵌入式处理器设备进行实现,决策模块的具体方法为:
对信号处理模块处理得到的特征进行选择;
在特征选择的基础上,基于已有的数据建立相应的模型;
在建立模型的基础上,确定相应的决策规则,根据模型预测的结果进行相应的决策。
作为本发明进一步的技术方案,建立模型的具体步骤为:
步骤C1,准备数据集,将数据集分为训练集和测试集,训练集用于训练模型,测试集用于评估模型性能;
步骤C2,采用公式对特征进行归一化,其中,x表示一个特征的原始值,xmin和xmax分别表示该特征的最小值和最大值,xnorm表示归一化后的特征值;
步骤C3,在特征归一化之后,进行模型训练;
步骤C4,在模型训练完成之后,进行模型预测。
本发明一种用于非故障相阻抗继电器的分析***的技术效果和优点:本发明采用了自动化的数据采集和信号处理技术,无需人工干预,操作简单方便;本发明采用普通的硬件设备和软件算法,成本较低,易于推广和应用,本发明能够准确地判断继电器是否存在相阻抗异常,从而避免误判和损坏设备的情况发生。
附图说明
图1为本发明一种用于非故障相阻抗继电器的分析***的结构示意图。
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。
一种用于非故障相阻抗继电器的分析***,包括数据采集模块、信号处理模块和决策模块,数据采集模块与信号处理模块相连,信号处理模块与决策模块相连;
数据采集模块对继电器输入和输出信号进行采集,将信号转换为可接受的电信号,并且将其接入数据采集卡中,对于采集到的信号,对其依次进行信号滤波、去噪处理和相阻抗计算;
数据采集模块是用于采集继电器输入和输出信号的设备,在实现中,我们采用NI公司的数据采集卡,例如NIUSB-6211数据采集卡。该数据采集卡支持多种输入和输出信号类型,包括模拟信号、数字信号、频率和计数等。对于继电器的输入和输出信号,我们可以通过采用NI公司提供的传感器和接口板等附件,将信号转换为可接受的电信号,并将其接入数据采集卡。
在实际应用中,继电器的输入和输出信号通常会受到各种干扰,如电源噪声、传感器漂移等。为了减少这些干扰对信号的影响,我们采用数字滤波技术对信号进行滤波处理。其中,常用的数字滤波器有低通滤波器、带通滤波器、带阻滤波器等。
除了信号干扰外,继电器的输入和输出信号还可能会受到噪声的影响。为了减少噪声对信号的影响,我们采用去噪技术对信号进行处理。其中,常用的去噪技术有小波去噪、自适应滤波、均值滤波等。对于继电器的输入和输出信号,我们可以根据具体情况选择合适的去噪技术和参数进行处理。
在采集到滤波、去噪后的信号之后,我们可以计算继电器的相阻抗。相阻抗是指继电器在工作过程中所具有的阻抗特性,包括阻抗大小和相位角等。对于继电器的输入和输出信号,我们采用下列公式计算其相阻抗:
Z=V/I;其中,Z为相阻抗,V为继电器输出信号的电压,I为继电器输入信号的电流。
数据采集模块中的信号滤波是指对从阻抗继电器采集到的原始信号进行滤波处理,以消除噪声干扰和提高信号质量,从而提高后续分析的准确性和可靠性,实施过程如下:
预处理:首先将采集到的原始信号进行预处理,包括去除直流分量、归一化处理等。去除直流分量是为了避免信号在直流分量上的漂移和偏移,影响后续信号分析。归一化处理是为了消除不同采集点之间的信号幅值差异。
滤波:采用数字滤波器对信号进行滤波处理。常用的数字滤波器包括低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。选择合适的滤波器类型和滤波器参数,根据阻抗继电器的信号特征进行滤波处理。
反归一化处理:将滤波后的信号进行反归一化处理,使信号恢复到原始信号幅值范围内。具体公式如下:
去除直流分量:
其中,x(t)为原始信号,T为采样时间。
归一化处理:
其中,x′(t)为归一化处理后的信号,max(x)为原始信号的最大值。
数字滤波器:数字滤波器通常表示为差分方程的形式,
其中,x[n]为输入信号,y[n]为输出信号,b[i]和a[j]分别为滤波器的前向系数和反馈系数,M和N分别为前向和反馈系数的阶数。
反归一化处理:
x″(t)=x′(t)×max(x),其中,x″(t)为反归一化处理后的信号。
数据采集模块中去噪处理的具体步骤为:
步骤A1,频域滤波:将采集到的数据进行快速傅里叶变换(FFT),将信号转换到频域。根据信噪比(SNR)的大小,采用低通、高通或带通滤波器对频域信号进行滤波,公式为X(f)=H(f)Y(f);
其中,X(f)表示滤波后的频域信号,H(f)为滤波器的频率响应函数,(f)为原始信号的频域表示;
步骤A2,小波变换:将采集到的数据进行小波变换,将信号分解为不同尺度的子带,利用不同子带的特性去除噪声信号,公式为
其中,x(n)为原始信号,h(k)和g(k)为小波系数,y(n)为去噪后的信号;
步骤A3,统计方法:对采集到的数据进行统计分析,通过均值、方差、偏度、峰度等统计参数对数据进行去噪处理,公式为
其中,为均值,n为数据长度,Xi为第i个数据。
相阻抗计算是数据采集模块的一个重要组成部分,其目的是计算电力***中的相阻抗,用于后续的故障诊断和定位。以下是一种实施的具体过程及公式:
步骤B1,采集电流和电压信号:通过电流互感器和电压互感器采集电力***中的电流和电压信号,并经过信号滤波和去噪处理,得到准确的电流和电压波形数据;
步骤B2,相位同步:将电流和电压信号进行相位同步,确保两者的采样时刻完全一致,从而避免在计算过程中产生相位误差;
步骤B3,傅里叶变换:将电流和电压信号进行快速傅里叶变换,将信号转换到频域,公式为
其中,X(f)表示频域信号,N为采样点数,n为采样点序号,x(n)为原始信号,f为频率,T为采样时间间隔;
步骤B4,计算相阻抗:根据电流和电压的频域信号,采用著名的奥姆定律和基尔霍夫定律进行计算,得到电力***中的相阻抗,公式为
其中,Z(f)为相阻抗,U(f)为电压的频域信号,I(f)为电流的频域信号。
通过以上方法,可以计算出电力***中的相阻抗,为后续的故障诊断和定位提供准确的数据基础。
信号处理模块对数据采集模块采集到的信号进行处理和分析,经过信号分析、特征提取从而建立模型用以诊断故障;在实现中,信号处理模块采用计算机或嵌入式处理器等设备进行实现。对于采集到的信号,我们可以通过以下具体的过程进行处理:
1、信号分析:
首先,我们需要对采集到的信号进行分析,以了解信号的特征和规律。信号分析采用时域分析和频域分析两种方法。时域分析可以通过对信号进行采样和重构,来获得信号的波形和幅值等信息。频域分析则可以通过对信号进行傅里叶变换,来获得信号的频谱和频率分布等信息。目的是通过对采集到的电流和电压信号进行分析,提取出有用的特征信息,用于后续的故障诊断和定位。以下是一种实施的具体过程:
采集电流和电压信号:通过电流互感器和电压互感器采集电力***中的电流和电压信号,并经过信号滤波和去噪处理,得到准确的电流和电压波形数据。
相位同步:将电流和电压信号进行相位同步,确保两者的采样时刻完全一致,从而避免在分析过程中产生相位误差。
频率特征提取:通过对电流和电压信号的频域分析,提取出有用的频率特征信息。例如,可以计算电流和电压信号的功率谱密度,然后提取其中的谷值、峰值和频率分布等特征信息。
公式:
其中,P(f)为功率谱密度,X(f)为频域信号,R为电阻。
时域特征提取:通过对电流和电压信号的时域分析,提取出有用的时域特征信息;
公式:其中,μ为均值,N为采样点数,n为采样点序号,x(n)为原始信号。
统计特征提取:通过对电流和电压信号的统计分析,提取出有用的统计特征信息;公式:其中,γ1为偏度,μ为均值,N为采样点数,n为采样点序号,x(n)为原始信号,σ为标准差。
2、特征提取
在信号分析的基础上,通过提取信号的特征分析继电器的工作状态。通过特征提取,我们从采集到的信号中提取出继电器工作状态的重要特征。
特征提取的过程可以分为以下步骤:
确定信号的时间窗口长度:在进行特征提取之前,需要将原始信号划分为一定长度的时间窗口。时间窗口的长度需要根据具体应用情况确定。
计算时域特征:时域特征是指在时间域内对信号的统计特征进行提取。一些常见的时域特征包括均值、方差、标准差、最大值、最小值、峰峰值等。
以信号的均值和标准差为例,计算公式如下:
其中,xi为第i个采样点的值,N为窗口内的采样点数。
计算频域特征:频域特征是指在频域内对信号的频谱信息进行提取。一些常见的频域特征包括峰值频率、频带能量比、谱熵等。
以信号的峰值频率为例,计算公式如下:
其中,X(fi)为信号在频率为fi处的傅里叶变换值,T为信号的采样周期。
计算小波域特征:小波域特征是指在小波域内对信号的变化信息进行提取。一些常见的小波域特征包括小波系数的均值、标准差、能量、熵等。
以信号的小波系数的能量为例,计算公式如下:
其中,ci为第i个小波系数。
3、建立模型
在特征提取的基础上,建立相应的模型分析继电器的工作状态和特性,通过建立模型,我们可以更准确地预测继电器的工作状态和故障风险。
信号处理模块中建立模型的具体过程为:从特征选择模块中选择出的特征数据集合中,选择合适的模型类型;对所选模型的参数进行设置;使用训练数据集对所选模型进行训练,使用测试数据集对训练好的模型进行测试,评估模型性能并对模型进行优化,将优化后的模型保存至模型库中,以备后续使用。
决策模块用于基于信号处理模块处理后的数据,进行继电器工作状态和故障的风险预测和决策的设备。在实现中,决策模块采用计算机或嵌入式处理器等设备进行实现。对于信号处理模块处理得到的数据,我们可以通过以下具体的过程进行预测和决策:
对信号处理模块处理得到的特征进行选择,常用的特征选择方法有相关性分析、信息增益等。通过特征选择,我们可以从处理得到的特征中选择出对继电器工作状态和故障风险具有重要影响的特征;
在特征选择的基础上,基于已有的数据建立相应的模型,常用的建模方法有逻辑回归、朴素贝叶斯、支持向量机等。通过建立模型,我们可以预测继电器的工作状态和故障风险;
在建立模型的基础上,确定相应的决策规则,根据模型预测的结果进行相应的决策,常用的决策规则有最大似然决策规则、最小风险决策规则等。通过决策规则,我们可以根据模型预测的结果,进行相应的决策。
决策模块中的特征选择是对信号处理模块处理得到的特征进行筛选和选择,其中,信息增益中特征选择的步骤:
步骤S1,计算每个特征的信息熵,信息熵可以衡量一个特征所包含的信息量,使用下面的公式来计算:
其中,X表示一个特征,p(xi)表示特征X取值为xi的概率。
步骤S2,计算每个特征对应的条件熵,条件熵可以衡量一个特征对分类的影响程度,使用下面的公式来计算:
其中,Y表示分类标签,X表示一个特征,p(xi)表示特征X取值为xi的概率,H(Y|X=xi)表示特征X取值为xi时,分类标签Y的条件熵。
步骤S3,计算每个特征的信息增益,信息增益可以衡量一个特征对分类的贡献程度,使用下面的公式来计算:
IG(Y,X)=H(Y)-H(Y|X);
其中,Y表示分类标签,X表示一个特征,H(Y)表示分类标签Y的信息熵,H(Y|X)表示特征X对应的条件熵;
步骤S4,选择信息增益较大的特征,选择信息增益较大的特征作为最终的特征,通常设定一个阈值来选择特征,例如只选择信息增益大于等于0.1的特征。
决策模块中的建立模型是为了实现对非故障相阻抗继电器进行预测和决策,通常可以使用机器学习算法建立模型。在实现中,可以使用多种机器学习算法建立模型,包括决策树、支持向量机、神经网络等。下面以支持向量机为例,建立模型的具体步骤为:
步骤C1,准备数据集,将数据集分为训练集和测试集,使用80%的数据作为训练集,20%的数据作为测试集。训练集用于训练模型,测试集用于评估模型性能;
步骤C2,在使用支持向量机建立模型之前,需要对特征进行归一化,以便更好地进行训练。使用最小-最大规范化方法对特征进行归一化,采用公式其中,x表示一个特征的原始值,xmin和xmax分别表示该特征的最小值和最大值,xnorm表示归一化后的特征值;
步骤C3,在特征归一化之后,可以使用支持向量机进行模型训练。支持向量机是一种二分类模型,可以将样本分为正类和负类。在模型训练中,需要选择合适的核函数和超参数。使用径向基函数作为核函数,使用网格搜索方法选择最优的超参数;
步骤C4,在模型训练完成之后,可以使用测试集进行模型预测。对于每个测试样本,将其特征值输入到模型中,模型会给出该样本属于正类或负类的概率值。使用0.5作为分类的阈值,即概率值大于0.5的样本被分类为正类,概率值小于0.5的样本被分类为负类。
决策规则用于根据特征向量的分析结果,判断继电器是否存在故障风险。决策规则的实施过程如下:
(1)假设有N个特征向量,每个特征向量包含M个特征值,即X=[x1,x2,...,xN]∈RM ×N,其中xi=[xi1,xi2,...,xiM]表示第i个特征向量;
(2)根据已有的K个正常状态下的特征向量xk=[xk1,xk2,...,xk2],使用统计学方法(如平均值、标准差、协方差矩阵等)计算出正常状态下每个特征值的均值向量μ=[μ1,μ2,...,μM]和协方差矩阵Σ;
(3)根据已有的K个带有故障的特征向量x′k=[x′k1,x′k2,...,x′kN],使用统计学方法计算出故障状态下每个特征值的均值向量μ′=[μ′1,μ′2,...,μ′M]和协方差矩阵∑′;
(4)计算出正常状态下特征向量的概率密度函数p(x|μ,∑),故障状态下特征向量的概率密度函数p(x|μ′,∑′),以及正常状态和故障状态的先验概率Pnormal和Pfault;
(5)对于每个新的特征向量x,根据贝叶斯公式计算出其在正常状态和故障状态下的后验概率Pnormal(x)和Pfault(x),即:
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于非故障相阻抗继电器的分析***,包括数据采集模块、信号处理模块和决策模块,数据采集模块与信号处理模块相连,信号处理模块与决策模块相连,其特征在于,
数据采集模块对继电器输入和输出信号进行采集,将信号转换为可接受的电信号,并且将其接入数据采集卡中,对于采集到的信号,对其依次进行信号滤波、去噪处理和相阻抗计算;相阻抗计算的具体步骤为:
步骤B1,采集电流和电压信号:通过电流互感器和电压互感器采集电力***中的电流和电压信号,并经过信号滤波和去噪处理,得到准确的电流和电压波形数据;
步骤B2,相位同步:将电流和电压信号进行相位同步,确保两者的采样时刻完全一致;
步骤B3,傅里叶变换:将电流和电压信号进行快速傅里叶变换,将信号转换到频域,公式为
其中,X(f)表示频域信号,N为采样点数,n为采样点序号,x(n)为原始信号,f为频率,T为采样时间间隔;
步骤B4,计算相阻抗:根据电流和电压的频域信号,采用著名的奥姆定律和基尔霍夫定律进行计算,得到电力***中的相阻抗,公式为其中,Z(f)为相阻抗,U(f)为电压的频域信号,I(f)为电流的频域信号;
信号处理模块对数据采集模块采集到的信号进行处理和分析,经过信号分析、特征提取从而建立模型用以诊断故障;
决策模块用于基于信号处理模块处理后的数据,进行继电器工作状态和故障的风险预测和决策的设备。
2.根据权利要求1所述的一种用于非故障相阻抗继电器的分析***,其特征在于,数据采集模块中去噪处理的具体步骤为:
步骤A1,频域滤波:将采集到的数据进行快速傅里叶变换,将信号转换到频域,根据信噪比的大小,采用低通、高通或带通滤波器对频域信号进行滤波,公式为X(f)=H(f)Y(f);
其中,X(f)表示滤波后的频域信号,H(f)为滤波器的频率响应函数,(f)为原始信号的频域表示;
步骤A2,小波变换:将采集到的数据进行小波变换,将信号分解为不同尺度的子带,利用不同子带的特性去除噪声信号,公式为
其中,x(n)为原始信号,h(k)和g(k)为小波系数,y(n)为去噪后的信号;
步骤A3,统计方法:对采集到的数据进行统计分析,通过均值、方差、偏度、峰度统计参数对数据进行去噪处理,公式为
其中,为均值,n为数据长度,Xi为第i个数据。
3.根据权利要求1所述的一种用于非故障相阻抗继电器的分析***,其特征在于,信号处理模块中特征提取的方法为:在进行特征提取之前,需要将原始信号划分为一定长度的时间窗口,之后依次在时间域内对信号的统计特征进行提取、在频域内对信号的频谱信息进行提取以及在小波域内对信号的变化信息进行提取。
4.根据权利要求1所述的一种用于非故障相阻抗继电器的分析***,其特征在于,信号处理模块中建立模型的具体过程为:从特征选择模块中选择出的特征数据集合中,选择模型类型;对所选模型的参数进行设置;使用训练数据集对所选模型进行训练,使用测试数据集对训练好的模型进行测试,评估模型性能并对模型进行优化,将优化后的模型保存至模型库中,以备后续使用。
5.根据权利要求1所述的一种用于非故障相阻抗继电器的分析***,其特征在于,决策模块采用计算机或嵌入式处理器设备进行实现,决策模块的具体方法为:
对信号处理模块处理得到的特征进行选择;
在特征选择的基础上,基于已有的数据建立相应的模型;
在建立模型的基础上,确定相应的决策规则,根据模型预测的结果进行相应的决策。
6.根据权利要求5所述的一种用于非故障相阻抗继电器的分析***,其特征在于,建立模型的具体步骤为:
步骤C1,准备数据集,将数据集分为训练集和测试集,训练集用于训练模型,测试集用于评估模型性能;
步骤C2,采用公式对特征进行归一化,其中,x表示一个特征的原始值,xmin和xmax分别表示该特征的最小值和最大值,xnorm表示归一化后的特征值;
步骤C3,在特征归一化之后,进行模型训练;
步骤C4,在模型训练完成之后,进行模型预测。
7.根据权利要求5所述的一种用于非故障相阻抗继电器的分析***,其特征在于,决策规则用于根据特征向量的分析结果,判断继电器是否存在故障风险;决策规则的实施过程如下:
(1)假设有N个特征向量,每个特征向量包含M个特征值,即X=[x1,x2,...,xN]∈RM×N,其中xi=[xi1,xi2,...,xiM]表示第i个特征向量;
(2)根据已有的K个正常状态下的特征向量xk=[xk1,xk2,...,xkN],使用统计学方法计算出正常状态下每个特征值的均值向量μ=[μ1,μ2,...,μM]和协方差矩阵∑;
(3)根据已有的K个带有故障的特征向量x′k=[x′k1,x′k2,...,x′kN],使用统计学方法计算出故障状态下每个特征值的均值向量μ′=[μ′1,μ′2,...,μ′M]和协方差矩阵∑′;
(4)计算出正常状态下特征向量的概率密度函数p(x|μ,∑),故障状态下特征向量的概率密度函数p(x|μ′,∑′),以及正常状态和故障状态的先验概率Pnormal和Pfault;
(5)对于每个新的特征向量x,根据贝叶斯公式计算出其在正常状态和故障状态下的后验概率Pnormal()和Pfault(),即:
8.根据权利要求5所述的一种用于非故障相阻抗继电器的分析***,其特征在于,信息增益中特征选择的步骤:
步骤S1,计算每个特征的信息熵,信息熵用来衡量一个特征所包含的信息量,使用下面的公式来计算:
其中,X表示一个特征,p(xi)表示特征X取值为xi的概率;
步骤S2,计算每个特征对应的条件熵,条件熵用来衡量一个特征对分类的影响程度,使用下面的公式来计算:
其中,Y表示分类标签,X表示一个特征,p(xi)表示特征X取值为xi的概率,H(Y|X=xi)表示特征X取值为xi时,分类标签Y的条件熵;
步骤S3,计算每个特征的信息增益,信息增益用来衡量一个特征对分类的贡献程度,使用下面的公式来计算:
IG(Y,X)=H(Y)-(Y|X);
其中,Y表示分类标签,X表示一个特征,H(Y)表示分类标签Y的信息熵,H(Y|X)表示特征X对应的条件熵;
步骤S4,选择信息增益较大的特征,选择信息增益较大的特征作为最终的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477568.1A CN116482526A (zh) | 2023-04-28 | 2023-04-28 | 一种用于非故障相阻抗继电器的分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477568.1A CN116482526A (zh) | 2023-04-28 | 2023-04-28 | 一种用于非故障相阻抗继电器的分析*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482526A true CN116482526A (zh) | 2023-07-25 |
Family
ID=87222940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310477568.1A Pending CN116482526A (zh) | 2023-04-28 | 2023-04-28 | 一种用于非故障相阻抗继电器的分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992931A (zh) * | 2024-04-03 | 2024-05-07 | 国网冀北电力有限公司 | 一种直流信号特征库与参比信号模型建立***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
CN106772005A (zh) * | 2016-12-12 | 2017-05-31 | 深圳市八戒电工技术有限公司 | 一种继电器触点寿命检测电路及方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111650501A (zh) * | 2020-03-04 | 2020-09-11 | 苏州热工研究院有限公司 | 一种无损在线评估继电器老化状态的试验装置 |
CN112363050A (zh) * | 2020-09-28 | 2021-02-12 | 广东电网有限责任公司 | 基于动态接触电阻信号的sf6断路器弧触头状态评估方法 |
CN112629841A (zh) * | 2020-11-23 | 2021-04-09 | 江苏科技大学 | 一种继电器寿命预测的方法 |
CN114664605A (zh) * | 2020-12-23 | 2022-06-24 | 浙江正泰电器股份有限公司 | 一种断路器及其触头机构的阻抗检测方法 |
CN115728627A (zh) * | 2022-10-09 | 2023-03-03 | 上海新联合电气有限公司 | 一种电气动静触头故障预判断*** |
-
2023
- 2023-04-28 CN CN202310477568.1A patent/CN116482526A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
CN106772005A (zh) * | 2016-12-12 | 2017-05-31 | 深圳市八戒电工技术有限公司 | 一种继电器触点寿命检测电路及方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111650501A (zh) * | 2020-03-04 | 2020-09-11 | 苏州热工研究院有限公司 | 一种无损在线评估继电器老化状态的试验装置 |
CN112363050A (zh) * | 2020-09-28 | 2021-02-12 | 广东电网有限责任公司 | 基于动态接触电阻信号的sf6断路器弧触头状态评估方法 |
CN112629841A (zh) * | 2020-11-23 | 2021-04-09 | 江苏科技大学 | 一种继电器寿命预测的方法 |
CN114664605A (zh) * | 2020-12-23 | 2022-06-24 | 浙江正泰电器股份有限公司 | 一种断路器及其触头机构的阻抗检测方法 |
CN115728627A (zh) * | 2022-10-09 | 2023-03-03 | 上海新联合电气有限公司 | 一种电气动静触头故障预判断*** |
Non-Patent Citations (1)
Title |
---|
张华歆: "MATLAB图像处理与应用", 安电子科技大学出版社, pages: 267 - 272 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992931A (zh) * | 2024-04-03 | 2024-05-07 | 国网冀北电力有限公司 | 一种直流信号特征库与参比信号模型建立***及方法 |
CN117992931B (zh) * | 2024-04-03 | 2024-06-11 | 国网冀北电力有限公司 | 一种直流信号特征库与参比信号模型建立***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
WO2022088643A1 (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械***故障检测方法 | |
CN112215307A (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其*** | |
CN112213561B (zh) | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 | |
CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
CN113705637A (zh) | 一种断路器机械故障检测方法、***、设备及可读存储介质 | |
CN115114955B (zh) | 一种基于声音与振动信号的设备故障检测方法 | |
CN112560674B (zh) | 一种声音信号质量的检测方法及*** | |
CN115659150B (zh) | 一种信号处理方法、装置及设备 | |
CN109793511A (zh) | 基于深度学习技术的心电信号噪声检测算法 | |
CN117110989B (zh) | 用于电力设备的噪声故障定位检测方法及*** | |
CN117290670B (zh) | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 | |
CN115545080B (zh) | 滑油屑末在线检测方法及装置 |
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 |