CN117390528A - 一种高压开关工作参数异常监测方法及*** - Google Patents
一种高压开关工作参数异常监测方法及*** Download PDFInfo
- Publication number
- CN117390528A CN117390528A CN202311423108.7A CN202311423108A CN117390528A CN 117390528 A CN117390528 A CN 117390528A CN 202311423108 A CN202311423108 A CN 202311423108A CN 117390528 A CN117390528 A CN 117390528A
- Authority
- CN
- China
- Prior art keywords
- switching
- voltage switch
- closing
- signal
- opening
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000005856 abnormality Effects 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 32
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 3
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明公开了一种高压开关工作参数异常监测方法及***，包括：采集分/合闸振动信号和分/合闸电流信号；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常；本发明提高了高压开关异常的研判效率和准确性。
Description
技术领域
本发明属于电力***监控领域，具体涉及高压开关工作参数异常监测方法及***。
背景技术
电力是维持社会运行的重要能源，电力的提供主要基于发电站，发电站由于设计原因或者环境原因，经常设置在远离人类社区的地方。为了将电力传输到用电的终端，需要设置电力传输环节。
电力传输环节主要通过电线进行，电线本身存在电阻，会消耗电力，输电环节越长、越多则电力消耗越大。为了降低电力消耗，会提高传输电力的电压。高电压容易对周围产生严重的伤害，同时一般用电终端也不需要高电压，因此电力传输环节会设置有高压开关，用于降低高电压对外部产生的潜在伤害。
高压开关需要借助各种开关、辅助结构来实现对电力的阻断和连通，这些开关和结构不完全是数值化或者电子化，因此，不能实现自主的远程监控。单纯通过人工方式进行现场监测则效率低且危险性大。
发明内容
本发明提供了一种高压开关工作参数异常监测方法及***，以解决高压开关不能实现自主的远程监控以及单纯通过人工方式进行现场监测则效率低且危险性大的技术问题。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种高压开关工作参数异常监测方法，包括：
通过振动传感器采集高压开关的分/合闸振动信号，通过霍尔传感器采集高压开关的分/合闸电流信号，将分/合闸振动信号和分/合闸电流信号传输至监控器；其中,所述振动传感器安装在高压开关上，所述霍尔传感器安装在高压开关的分合闸回路；
对振动传感器采集的分/合闸振动信号进行消噪处理；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；
基于采集的振动信号判断高压开关为分闸状态或合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常。
优选的，对振动传感器采集的分/合闸振动信号进行消噪处理的方法包括：
设定振动传感器采集的分/合闸振动信号，表达公式为：y(t)＝f(t)+n(t)；其中，f(t)为原始信号，n(t)为期望为0、方差为σ2的独立同分布的高斯白噪声，t代表对应的时间变量；
以信噪比为目标函数计算消噪后的最佳信噪比SNR，输出最佳信噪比SNR对应的消噪后的信号，表达公式为：
其中，f(t)'为消噪后的信号。
优选的，对消噪后的分/合闸振动信号进行信号的小波包重构的方法包括：
确定最佳分解层数m，量化小波包分解系数阈值，对振动信号在低频部分和高频部分同时进行细分，得从低频到高频2m个子频带的小波包分解系数，对消噪后的分/合闸振动信号进行信号的小波包重构。
优选的，将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA的方法包括:
设第m层小波包中第j个子频带的频带能量为Emj，表达公式为:
其中,xmj为第m层第j个子频带分解信号的幅值；
以重构后的振动信号中各频带能量元素构造一组特征向量TA，X＝[Em1,Em2,…,Emj,…,EmJ]。
优选的，训练所述支持向量机分类模型的过程包括:
以特征向量TB为基础构建两个训练样本集,即为分闸振动信号样本集和合闸信号样本集；设训练样本集(x1,y1),…,(xn,yn)，其中xi为第i个样本，yi是样本xi的真实标记，yi∈[1,-1]，i＝1,2,…,n，所述真实标记设置为类别信息；
设定能够划分分闸振动信号样本集中样本和合闸信号样本集中样本的最优超平面，表达公式为：
w*x+b＝0；
公式中，w表示为法向量，b表示为偏移量，x表示为自变量；
超平面将两类样本正确分开意味着：
yi[w*x+b]≥1-ξi,ξi≥0；
其中，ξi为引入的松弛变量；
以分闸振动信号样本集中样本和合闸信号样本集中样本到超平面的间隔最大为目标，建立求解优化问题，表达式为：
公式中，C表示为惩罚系数；
求解最优分类面得到训练好的支持向量机分类模型，表达公式为：
公式中，αi*表示为拉格朗日乘子；b*表示为最优偏移量；表示为最接近最优分类面的样本。
优选的，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常的方法包括:
当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF；
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH；
若是相似度XF或相似度XH小于设定阈值时判断对应高压开关存在铁芯卡滞异常。
优选的，当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF,表达公式为:
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH，表达公式为:
公式中，Ir为序列I中第r个数值，Fr为序列F中第r个数值，Hr为序列H中第r个数值。
优选的，根据分/合闸电流信号的起止时间判断开合时间是否存在异常的方法包括：
采用分/合闸电流信号的终止时间减去起始时间，得到对应高压开关的开合时间，并跟预存的开合时间比较，若高压开关的开合时间大于预存的开合时间，则统计对应次数g，若次数g达到设定阈值G进行报警。
第二方面本发明提供了一种高压开关工作参数异常监测***，包括：
数据采集模块，用于通过振动传感器采集高压开关的分/合闸振动信号，通过霍尔传感器采集高压开关的分/合闸电流信号，将分/合闸振动信号和分/合闸电流信号传输至监控器；其中,所述振动传感器安装在高压开关上，所述霍尔传感器安装在高压开关的分合闸回路；
处理分析模块，对振动传感器采集的分/合闸振动信号进行消噪处理；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；
输出模块，用于基于采集的振动信号判断高压开关为分闸状态或合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常。
优选的，处理分析模块训练所述支持向量机分类模型的过程包括:
以特征向量TB为基础构建两个训练样本集,即为分闸振动信号样本集和合闸信号样本集；设训练样本集(x1,y1),…,(xn,yn)，其中xi为第i个样本，yi是样本xi的真实标记，yi∈[1,-1]，i＝1,2,…,n，所述真实标记设置为类别信息；
设定能够划分合闸信号样本集中样本和分闸振动信号样本集中样本的最优超平面，表达公式为：
w*x+b＝0；
公式中，w表示为法向量，b表示为偏移量，x表示为自变量；
超平面将两类样本正确分开意味着：
yi[w*x+b]≥1-ξi,ξi≥0；
其中，ξi为引入的松弛变量；
以分闸振动信号样本集中样本和合闸信号样本集中样本到超平面的间隔最大为目标，建立求解优化问题，表达式为：
公式中，C表示为惩罚系数；
求解最优分类面得到训练好的支持向量机分类模型，表达公式为：
公式中，αi*表示为拉格朗日乘子；b*表示为最优偏移量；表示为最接近最优分类面的样本。
优选的，输出模块将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常的方法包括:
当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF；
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH；
若是相似度XF或相似度XH小于设定阈值时判断对应高压开关存在铁芯卡滞异常。
与现有技术相比，本发明的有益效果：
本发明中根据采集的振动信号判断高压开关是分闸或合闸状态；判断高压开关的分合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较判断采集的分/合闸电流信号是否存在异常，进而判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常；电流采集方便，方法计算快速，提高了高压开关异常的研判效率。
本发明中对振动传感器采集的分/合闸振动信号进行消噪处理；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；采用振动信号分辨高压开关的分合闸状态，振动信号具有较好的辨认性，而且采用支持向量机对特征向量TB进行分类，具有精度较高和判断较快的特点。
本发明根据分/合闸电流信号的起止时间判断开合时间是否存在异常，有助于相关人员及时了解高压开关的工作状态，为后续高压开关故障异常判断提供数据支撑。
附图说明
图1是根据本发明的一种高压开关工作参数异常监测方法的示意图；
图2是根据本发明的一种高压开关工作参数异常监测***的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1所示，本实施例公开了一种高压开关工作参数异常监测方法，包括：
通过振动传感器采集高压开关的分/合闸振动信号，通过霍尔传感器采集高压开关的分/合闸电流信号，将分/合闸振动信号和分/合闸电流信号传输至监控器；其中,所述振动传感器安装在高压开关上，所述霍尔传感器安装在高压开关的分合闸回路；
对振动传感器采集的分/合闸振动信号进行消噪处理的方法包括：
设定振动传感器采集的分/合闸振动信号，表达公式为：y(t)＝f(t)+n(t)；其中，f(t)为原始信号，n(t)为期望为0、方差为σ2的独立同分布的高斯白噪声，t代表对应的时间变量；
以信噪比为目标函数计算消噪后的最佳信噪比SNR，输出最佳信噪比SNR对应的消噪后的信号，表达公式为：
其中，f(t)'为消噪后的信号。
对消噪后的分/合闸振动信号进行信号的小波包重构的方法包括：
确定最佳分解层数m，量化小波包分解系数阈值，对振动信号在低频部分和高频部分同时进行细分，得从低频到高频2m个子频带的小波包分解系数，对消噪后的分/合闸振动信号进行信号的小波包重构。
将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA的方法包括:
设第m层小波包中第j个子频带的频带能量为Emj，表达公式为:
其中,xmj为第m层第j个子频带分解信号的幅值；
以重构后的振动信号中各频带能量元素构造一组特征向量TA，X＝[Em1,Em2,…,Emj,…,EmJ]。
对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；
训练所述支持向量机分类模型的过程包括:
以特征向量TB为基础构建两个训练样本集,即为分闸振动信号样本集和合闸信号样本集；设训练样本集(x1,y1),…,(xn,yn)，其中xi为第i个样本，yi是样本xi的真实标记，yi∈[1,-1]，i＝1,2,…,n，所述真实标记设置为类别信息；
设定能够划分分闸振动信号样本集中样本和合闸信号样本集中样本的最优超平面，表达公式为：
w*x+b＝0；
公式中，w表示为法向量，b表示为偏移量，x表示为自变量；
超平面将两类样本正确分开意味着：
yi[w*x+b]≥1-ξi,ξi≥0；
其中，ξi为引入的松弛变量；
以分闸振动信号样本集中样本和合闸信号样本集中样本到超平面的间隔最大为目标，建立求解优化问题，表达式为：
公式中，C表示为惩罚系数
求解最优分类面得到训练好的支持向量机分类模型，表达公式为：
公式中，αi*表示为拉格朗日乘子；b*表示为最优偏移量；表示为最接近最优分类面的样本。
基于采集的振动信号判断高压开关为分闸状态或合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常的方法包括:
当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF,表达公式为:
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH，表达公式为:
公式中，Ir为序列I中第r个数值，Fr为序列F中第r个数值，Hr为序列H中第r个数值。
若是相似度XF或相似度XH小于设定阈值时判断对应高压开关存在铁芯卡滞异常。
根据分/合闸电流信号的起止时间判断开合时间是否存在异常的方法包括：
采用分/合闸电流信号的终止时间减去起始时间，得到对应高压开关的开合时间，并跟预存的开合时间比较，若高压开关的开合时间大于预存的开合时间，则统计对应次数g，若次数g达到设定阈值G，则发送报警信息给相关工作人员。所述报警信息采用发送短信、邮件提醒的方式。
实施例2
如图2所示，本实施例公开了一种高压开关工作参数异常监测***，所述***可以应用实施例1所述监测方法，***包括数据采集模块、监控器和报警装置：振动采集单元和分/合闸电流采集单元组成数据采集模块；所述处理分析模块和输出模块设置于所述监控器内；所述监控器与报警装置电性连接。
振动采集单元，用于通过振动传感器采集高压开关的分/合闸振动信号，将分/合闸振动信号传输至监控器；其中,所述振动传感器安装在高压开关上；
分/合闸电流采集单元，通过霍尔传感器采集高压开关的分/合闸电流信号，将分/合闸振动信号和分/合闸电流信号传输至监控器；其中,所述霍尔传感器安装在高压开关的分合闸回路；
处理分析模块，对振动传感器采集的分/合闸振动信号进行消噪处理；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；
输出模块，用于基于采集的振动信号判断高压开关为分闸状态或合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常；
处理分析模块训练所述支持向量机分类模型的过程包括:
以特征向量TB为基础构建两个训练样本集,即为分闸振动信号样本集和合闸信号样本集；设训练样本集(x1,y1),…,(xn,yn)，其中xi为第i个样本，yi是样本xi的真实标记，yi∈[1,-1]，i＝1,2,…,n，所述真实标记设置为类别信息；
设定能够划分合闸信号样本集中样本和分闸振动信号样本集中样本的最优超平面，表达公式为：
w*x+b＝0；
公式中，w表示为法向量，b表示为偏移量，x表示为自变量；
超平面将两类样本正确分开意味着：
yi[w*x+b]≥1-ξi,ξi≥0；
其中，ξi为引入的松弛变量；
以分闸振动信号样本集中样本和合闸信号样本集中样本到超平面的间隔最大为目标，建立求解优化问题，表达式为：
公式中，C表示为惩罚系数；
求解最优分类面得到训练好的支持向量机分类模型，表达公式为：
公式中，αi*表示为拉格朗日乘子；b*表示为最优偏移量；表示为最接近最优分类面的样本。
输出模块将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常的方法包括:
当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF；
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH；
若是相似度XF或相似度XH小于设定阈值时判断对应高压开关存在铁芯卡滞异常；
输出模块根据分/合闸电流信号的起止时间判断开合时间是否存在异常的方法包括：
采用分/合闸电流信号的终止时间减去起始时间，得到对应高压开关的开合时间，并跟预存的开合时间比较，若高压开关的开合时间大于预存的开合时间，则统计对应次数g，若次数g达到设定阈值G进行报警；所述报警装置接收到监控器发送的报警指令后，发送报警信息给相关工作人员。所述报警信息采用发送短信、邮件提醒的方式。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (11)
1.一种高压开关工作参数异常监测方法，其特征在于，包括：
通过振动传感器采集高压开关的分/合闸振动信号，通过霍尔传感器采集高压开关的分/合闸电流信号，将分/合闸振动信号和分/合闸电流信号传输至监控器；其中,所述振动传感器安装在高压开关上，所述霍尔传感器安装在高压开关的分合闸回路；
对振动传感器采集的分/合闸振动信号进行消噪处理；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；
基于采集的振动信号判断高压开关为分闸状态或合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常。
2.根据权利要求1所述的高压开关工作参数异常监测方法，其特征在于，对振动传感器采集的分/合闸振动信号进行消噪处理的方法包括：
设定振动传感器采集的分/合闸振动信号，表达公式为：y(t)＝f(t)+n(t)；其中，f(t)为原始信号，n(t)为期望为0、方差为σ2的独立同分布的高斯白噪声，t代表对应的时间变量；
以信噪比为目标函数计算消噪后的最佳信噪比SNR，输出最佳信噪比SNR对应的消噪后的信号，表达公式为：
其中，f(t)'为消噪后的信号。
3.根据权利要求1所述的高压开关工作参数异常监测方法，其特征在于，对消噪后的分/合闸振动信号进行信号的小波包重构的方法包括：
确定最佳分解层数m，量化小波包分解系数阈值，对振动信号在低频部分和高频部分同时进行细分，得从低频到高频2m个子频带的小波包分解系数，对消噪后的分/合闸振动信号进行信号的小波包重构。
4.根据权利要求1所述的高压开关工作参数异常监测方法，其特征在于，将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA的方法包括:
设第m层小波包中第j个子频带的频带能量为Emj，表达公式为:
其中,xmj为第m层第j个子频带分解信号的幅值；
以重构后的振动信号中各频带能量元素构造一组特征向量TA，X＝[Em1,Em2,…,Emj,…,EmJ]。
5.根据权利要求1所述的高压开关工作参数异常监测方法，其特征在于，训练所述支持向量机分类模型的过程包括:
以特征向量TB为基础构建两个训练样本集,即为分闸振动信号样本集和合闸信号样本集；设训练样本集(x1,y1),…,(xn,yn)，其中xi为第i个样本，yi是样本xi的真实标记，yi∈[1,-1]，i＝1,2,…,n，所述真实标记设置为类别信息；
设定能够划分分闸振动信号样本集中样本和合闸信号样本集中样本的最优超平面，表达公式为：
w*x+b＝0；
公式中，w表示为法向量，b表示为偏移量，x表示为自变量；
超平面将两类样本正确分开意味着：
yi[w*x+b]≥1-ξi,ξi≥0；
其中，ξi为引入的松弛变量；
以分闸振动信号样本集中样本和合闸信号样本集中样本到超平面的间隔最大为目标，建立求解优化问题，表达式为：
公式中，C表示为惩罚系数；
求解最优分类面得到训练好的支持向量机分类模型，表达公式为：
公式中，αi*表示为拉格朗日乘子；b*表示为最优偏移量；表示为最接近最优分类面的样本。
6.根据权利要求1所述的高压开关工作参数异常监测方法，其特征在于，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常的方法包括:
当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF；
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH；
若是相似度XF或相似度XH小于设定阈值时判断对应高压开关存在铁芯卡滞异常。
7.根据权利要求6所述的高压开关工作参数异常监测方法，其特征在于，当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF,表达公式为:
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH，表达公式为:
公式中，Ir为序列I中第r个数值，Fr为序列F中第r个数值，Hr为序列H中第r个数值。
8.根据权利要求1所述的高压开关工作参数异常监测方法，其特征在于，根据分/合闸电流信号的起止时间判断开合时间是否存在异常的方法包括：
采用分/合闸电流信号的终止时间减去起始时间，得到对应高压开关的开合时间，并跟预存的开合时间比较，若高压开关的开合时间大于预存的开合时间，则统计对应次数g，若次数g达到设定阈值G进行报警。
9.一种高压开关工作参数异常监测***，其特征在于，包括：
数据采集模块，用于通过振动传感器采集高压开关的分/合闸振动信号，通过霍尔传感器采集高压开关的分/合闸电流信号，将分/合闸振动信号和分/合闸电流信号传输至监控器；其中,所述振动传感器安装在高压开关上，所述霍尔传感器安装在高压开关的分合闸回路；
处理分析模块，对振动传感器采集的分/合闸振动信号进行消噪处理；对消噪后的分/合闸振动信号进行信号的小波包重构；将重构后的振动信号经M层小波包分解，得到各频带能量值并构造对应的特征向量TA；对各个频带能量值对应的特征向量进行归一化处理，构建特征向量TB；采用预训练好的支持向量机分类模型对特征向量TB进行分类，判断高压开关是分闸或合闸状态；
输出模块，用于基于采集的振动信号判断高压开关为分闸状态或合闸状态后，将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常；根据分/合闸电流信号的起止时间判断开合时间是否存在异常。
10.根据权利要求9所述的高压开关工作参数异常监测***，其特征在于，处理分析模块训练所述支持向量机分类模型的过程包括:
以特征向量TB为基础构建两个训练样本集,即为分闸振动信号样本集和合闸信号样本集；设训练样本集(x1,y1),…,(xn,yn)，其中xi为第i个样本，yi是样本xi的真实标记，yi∈[1,-1]，i＝1,2,…,n，所述真实标记设置为类别信息；
设定能够划分合闸信号样本集中样本和分闸振动信号样本集中样本的最优超平面，表达公式为：
w*x+b＝0；
公式中，w表示为法向量，b表示为偏移量，x表示为自变量；
超平面将两类样本正确分开意味着：
yi[w*x+b]≥1-ξi,ξi≥0；
其中，ξi为引入的松弛变量；
以分闸振动信号样本集中样本和合闸信号样本集中样本到超平面的间隔最大为目标，建立求解优化问题，表达式为：
公式中，C表示为惩罚系数；
求解最优分类面得到训练好的支持向量机分类模型，表达公式为：
公式中，αi*表示为拉格朗日乘子；b*表示为最优偏移量；表示为最接近最优分类面的样本。
11.根据权利要求9所述的高压开关工作参数异常监测***，其特征在于，输出模块将采集的分/合闸电流信号与预设分/合闸电流信号模板比较，判断高压开关是否存在铁芯卡滞异常的方法包括:
当监控器根据振动信号判断高压开关为分闸状态时，计算分/合闸电流离散信号序列为I和分闸电流模板离散信号序列F的相似度XF；
当监控器根据振动信号判断高压开关为合闸状态时，计算分/合闸电流离散信号序列为I和合闸电流模板离散信号序列H的相似度XH；
若是相似度XF或相似度XH小于设定阈值时判断对应高压开关存在铁芯卡滞异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423108.7A CN117390528A (zh) | 2023-10-31 | 2023-10-31 | 一种高压开关工作参数异常监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423108.7A CN117390528A (zh) | 2023-10-31 | 2023-10-31 | 一种高压开关工作参数异常监测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117390528A true CN117390528A (zh) | 2024-01-12 |
Family
ID=89468089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423108.7A Pending CN117390528A (zh) | 2023-10-31 | 2023-10-31 | 一种高压开关工作参数异常监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390528A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117728377A (zh) * | 2024-02-18 | 2024-03-19 | 中铁二十二局集团电气化工程有限公司 | 城市交通储能***的动态能量控制管理方法及*** |
| CN117977814A (zh) * | 2024-03-28 | 2024-05-03 | 北京智芯微电子科技有限公司 | 智慧开关控制方法、智慧开关和智慧开关边端协同*** |
-
2023
- 2023-10-31 CN CN202311423108.7A patent/CN117390528A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117728377A (zh) * | 2024-02-18 | 2024-03-19 | 中铁二十二局集团电气化工程有限公司 | 城市交通储能***的动态能量控制管理方法及*** |
| CN117728377B (zh) * | 2024-02-18 | 2024-05-03 | 中铁二十二局集团电气化工程有限公司 | 城市交通储能***的动态能量控制管理方法及*** |
| CN117977814A (zh) * | 2024-03-28 | 2024-05-03 | 北京智芯微电子科技有限公司 | 智慧开关控制方法、智慧开关和智慧开关边端协同*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117390528A (zh) | 一种高压开关工作参数异常监测方法及*** | |
| CN102474696B (zh) | 适于检测脑电波的助听器、助听器***和用于调适这类助听器的方法 | |
| CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
| CN111814872B (zh) | 基于时域、频域自相似性的电力设备环境噪音识别方法 | |
| CN109507510A (zh) | 一种变压器故障诊断*** | |
| CN110554284B (zh) | 基于gis设备的局放检测方式的相关性分析方法及*** | |
| CN113257249A (zh) | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 | |
| CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及*** | |
| Havryliuk | Audio frequency track circuits monitoring based on wavelet transform and artificial neural network classifier | |
| CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
| CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
| CN111079647A (zh) | 一种断路器缺陷识别方法 | |
| Secic et al. | Using deep neural networks for on-load tap changer audio-based diagnostics | |
| Xu et al. | Loop optimization noise-reduced LSTM based classifier for PD detection | |
| Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
| Zhu et al. | Optimization research on abnormal diagnosis of transformer voiceprint recognition based on improved wasserstein GAN | |
| CN116884432A (zh) | 基于vmd-js散度的电力变压器故障声纹诊断方法 | |
| CN106160944B (zh) | 一种超声波局部放电信号的变速率编码压缩方法 | |
| Li et al. | Unsupervised Anomalous Sound Detection for Machine Condition Monitoring Using Temporal Modulation Features on Gammatone Auditory Filterbank. | |
| CN116206625A (zh) | 基于频谱与时间信息结合的自监督异常声音检测方法 | |
| CN111382790B (zh) | 一种基于小波变换的高压直流故障分类方法 | |
| CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和*** | |
| Bin et al. | Spectro-Temporal Self-Similarity Based Identification of Corrupted Acoustic Signal of Distribution Transformer in Noisy Environment | |
| CN117153193B (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
| CN111441783B (zh) | 一种盾构机低压电器性能的集中检测方法 |
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 |