CN117972398B - 一种断路器故障特征信息提取方法及*** - Google Patents
一种断路器故障特征信息提取方法及*** Download PDFInfo
- Publication number
- CN117972398B CN117972398B CN202410362392.XA CN202410362392A CN117972398B CN 117972398 B CN117972398 B CN 117972398B CN 202410362392 A CN202410362392 A CN 202410362392A CN 117972398 B CN117972398 B CN 117972398B
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- training
- fault
- comparison
- determined
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 81
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 204
- 230000008569 process Effects 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种断路器故障特征信息提取方法及***,涉及断路器故障处理技术领域。该断路器故障特征信息提取方法,将获取得到的断路器的电压信号转换为待确定频谱图;基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,所述分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,通过分析电压信号的频谱图,并利用训练好的模型,可以在发生故障时及时发现问题,并提供有关故障类型的详细信息,如峰值、能量分布和持续时间。
Description
技术领域
本发明涉及断路器故障处理技术领域,具体为一种断路器故障特征信息提取方法及***。
背景技术
断路器是指能够关合、承载和开断正常回路条件下的电流并能关合、在规定的时间内承载和开断异常回路条件下的电流的开关位置,在电力输送的过程中,起到重要作用。如此,在我国大型电网企业管理信息***中,由各变电站节点输入的有关断路器故障描述文本形成了规模庞大的资料库。作为电力***中最重要的开关设备之一,断路器由多个子部件组成,结构复杂,了解和掌握其常见的故障类型和表征信息,及其与部件之间的关联关系,可以帮助实现对断路器健康状态的实时监测,保证电力***的安全与稳定运行,具有重要的经济和实际意义。
授权公告号为CN105677833B的中国发明专利公开了一种基于文本挖掘技术提取断路器故障特征信息的方法,利用文本挖掘技术从这些断路器故障半结构化文本资料中提取特征信息,准确建立故障类型和各部件之间的关联关系,实现断路器故障智能化分析成为供电企业信息***需要解决的现实技术问题。基于相似度的计算和比较,对断路器的故障类型进行聚类和标准化,并以此为依据对文本进行分组处理;设计正向最大匹配分词算法对分组后的文本进行分词,基于词典匹配方法标注词性,结合排除法,识别和提取各类型故障的常见表征信息;基于共现准则和统计方法,分别建立各故障表征与断路器部件之间、以及部件与部件之间的关联关系,有利于发现和提取导致故障发生的深层原因,为预防断路器故障提供依据。
但是现有技术不便在发生故障时及时发现问题,并提供有关故障类型的详细信息的问题。
发明内容
针对现有技术的不足,本发明提供了一种断路器故障特征信息提取方法及***,解决了现有技术不便在发生故障时及时发现问题,并提供有关故障类型的详细信息的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种断路器故障特征信息提取方法,包括以下步骤:将获取得到的断路器的电压信号转换为待确定频谱图;基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,所述分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,所述故障特征信息包括峰值、能量分布和故障持续时间。
进一步地,将获取得到的断路器的电压信号转换为待确定频谱图的过程如下:将采集得到的电压信号的离散数据进行预处理;对预处理后的离散数据应用窗函数,减少电压信号在窗口边缘处的不连续性;对经过窗函数处理后的离散数据进行快速傅里叶变换,将电压信号从时域转换到频域,得到电压信号在频域中的频率信息;将频域信息可视化为频谱图。
进一步地,基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度的过程如下:将待确定频谱图与正常频谱图进行比对,获取待确定频谱图与正常频谱图的相关系数,所述相关系数用于表示待确定频谱图与正常频谱图的相似程度;相关系数的计算公式为:
,
式中,为相关系数,/>为待确定频谱图中随机采样点的编号,/>,/>为待确定频谱图中随机采样点的总次数,/>为待确定频谱图中第/>个随机采样点的待确定频率,/>为待确定频谱图中个随机采样点的待确定频率均值,/>为正常频谱图中与待确定频谱图中第/>个随机采样点的对应的正常频率,/>为正常频谱图中与待确定频谱图中/>个随机采样点的对应的正常频率均值;将待确定频谱图分别与各个故障频谱图进行比对,获取待确定频谱图分别与各个故障频谱图的互信息,所述互信息用于表示待确定频谱图分别与各个故障频谱图的相似程度。
进一步地,基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型的过程如下:判断相关系数是否大于设定的断路器正常判断阈值,若是则断路器无故障;获取各类型故障对应的断路器故障判断阈值,将待确定频谱图分别与各个故障频谱图的互信息分别与对应的断路器故障判断阈值进行对比;若待确定频谱图与故障频谱图的互信息大于对应的断路器故障判断阈值,则确定断路器故障类型为断路器故障判断阈值对应的故障类型。
进一步地,频谱识别模型的训练过程如下:将准备好的训练频谱图集输入至频谱识别模型,获取频谱识别模型每次在训练频谱图集上的训练数据;基于每次的训练数据,并结合每次的训练数据对应的比对数据评估频谱识别模型每次训练的熟练指数,所述熟练指数用于表示频谱识别模型训练后对训练频谱图集的识别能力;熟练指数的计算公式为:
,
式中,为训练次数的编号,/>为第/>次训练的熟练指数,/>为第/>次训练的准确性系数,/>为第/>次训练的及时性系数,/>为准确性系数的权重因子,/>为及时性系数的权重因子;判断熟练指数是否大于设定的熟练阈值,若是则将准备好的验证频谱图集输入至频谱识别模型,对频谱识别模型进行验证,若验证成功,则训练结束,若否则对频谱识别模型进行调整。
进一步地,基于每次的训练数据,并结合每次的训练数据对应的比对数据评估频谱识别模型每次训练的熟练指数的过程如下:获取每次训练的训练数据,所述每次训练的训练数据包括每次的训练准确率和每次的故障识别成功时间;获取每次训练的训练数据对应的比对数据,所述比对数据包括训练比对准确率和识别成功比对时间;基于每次的训练准确率和每次的训练准确率对应的训练比对准确率计算每次训练对应的准确性系数,基于每次的故障识别成功时间和每次的故障识别成功时间对应的识别成功比对时间计算每次训练对应的及时性系数;准确性系数的计算公式为:
;
式中,为故障类型的编号,/>,/>为故障类型的总个数,/>为第次训练的第/>个故障类型的识别成功的训练准确率,/>为与/>对应的训练比对准确率;及时性系数的计算公式为:
,
式中,为第/>个故障类型的样本中故障识别成功个数的编号,/>,为故障识别成功的总个数,/>为第/>次训练的第/>个故障类型的第/>个成功识别的样本的故障识别成功时间,/>为与/>对应的识别成功比对时间,/>为第/>次训练的第个故障类型的识别成功时间的权重因子;基于每次训练对应的准确性系数和及时性系数计算得到每次训练的熟练指数。
进一步地,每次训练的训练数据对应的比对数据中的首次训练的训练数据对应的比对数据为预先设定的,非首次训练的训练数据对应的比对数据基于上一次训练的准确性系数和及时性系数获取,获取过程如下:将每次训练的准确性系数和及时性系数与比对数据库中存储的每个比对区间对应的准确性比对系数和及时性比对系数进行一一比对,获取比对参数,所述比对参数用于表示每次训练的准确性系数和及时性系数与比对数据库中存储的每个比对区间的对应程度;将比对参数与设定的比对阈值对比,若比对参数小于比对阈值,则获取该比对参数对应的比对区间对应的训练比对准确率和识别成功比对时间作为下一次训练的训练数据对应的比对数据。
进一步地,所述比对参数的计算公式如下:;式中,/>为训练次数的编号,,/>为训练的总次数,/>为第/>次训练的比对参数,/>为第/>次训练的准确性系数,/>为第/>次训练的及时性系数,/>为比对区间的编号,,/>为比对区间的总次数,/>为第/>个比对区间的准确性比对系数,/>为第/>个比对区间的及时性比对系数,/>为准确性权重因子,/>为及时性权重因子,且/>。
进一步地,对频谱识别模型进行验证的过程为:获取频谱识别模型在验证频谱图集上的准确率和精确度,若准确率和精确度均符合设定的要求,则完成验证。
一种断路器故障特征信息提取***,包括频谱图转换模块、相似程度确定模块和故障特征信息获取模块,其中:所述频谱图转换模块用于将获取得到的断路器的电压信号转换为待确定频谱图;所述相似程度确定模块用于基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,所述分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;所述故障特征信息获取模块用于基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,所述故障特征信息包括峰值、能量分布和故障持续时间。
本发明具有以下有益效果:
(1)、该断路器故障特征信息提取方法,通过准确率和精确度的评估,能够全面、客观地评估模型在验证数据集上的性能表现,验证模型的可靠性和泛化能力,如果准确率和精确度未达到预期,验证过程有助于分析模型存在的问题,为后续的改进工作提供指导,从而提高模型的效果和适用性。
(2)、该断路器故障特征信息提取方法,通过分析电压信号的频谱图,并利用训练好的模型,可以在发生故障时及时发现问题,并提供有关故障类型的详细信息,如峰值、能量分布和持续时间。这可以帮助维护人员更有效地定位和解决断路器问题,从而提高电力***的可靠性和安全性。
(3)、该断路器故障特征信息提取方法,将准备好的训练频谱图集输入至频谱识别模型,进行模型的训练,包括通过反向传播算法调整模型参数,以最小化训练频谱图集上的损失函数。基于每次的训练数据,以及对应的比对数据,计算熟练指数,熟练指数采用了准确性系数和及时性系数的线性组合,其中准确性系数表示模型的准确性,及时性系数表示模型的响应速度。权重因子用于平衡两者的重要性。
(4)、该断路器故障特征信息提取方法,通过同时考虑训练准确率、故障识别成功时间、训练比对准确率和识别成功比对时间,提供了更全面的性能评估,这样的多维度评估有助于更深入地理解模型在不同方面的表现。通过计算准确性系数,可以更细致地了解每个故障类型的影响,有助于更有针对性地调整模型,提高对特定故障类型的识别能力。
(5)、该断路器故障特征信息提取方法,基于故障识别成功时间和识别成功比对时间,计算每次训练的及时性系数,该系数考虑了故障识别的时间因素,通过权衡故障识别成功时间和对应的比对时间来评估模型的及时性。对每个故障类型的每个成功识别样本计算故障识别成功时间与对应的识别成功比对时间的比值,乘以权重因子。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明断路器故障特征信息提取方法流程图。
图2为本发明断路器故障特征信息提取***流程框图。
具体实施方式
本申请实施例通过断路器故障特征信息提取方法及***,实现了发生故障时及时发现问题,并提供有关故障类型的详细信息。
本申请实施例中的问题,总体思路如下:
获取断路器的电压信号数据,进行预处理步骤,包括滤波、降采样等,以准备信号进行频谱分析。将经过预处理的电压信号转换成频谱图,反映信号在不同频率上的分布情况,涉及使用傅里叶变换或其他频域分析方法。构建并训练频谱识别模型,该模型能够区分正常断路器和故障断路器的频谱图,使用包含正常和故障样本的训练数据集。
对待确定频谱图使用训练好的模型进行分类,计算待确定频谱图与正常和故障频谱图的相似程度。基于相似程度的结果,确定断路器是否存在故障,如果存在故障,进一步确定故障的类型。如果确定存在故障,从待确定频谱图中提取故障特征信息,如峰值、能量分布和故障持续时间。
请参阅图1,本发明实施例提供一种技术方案:一种断路器故障特征信息提取方法,包括以下步骤:将获取得到的断路器的电压信号转换为待确定频谱图;基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,故障特征信息包括峰值、能量分布和故障持续时间。
利用电压信号转换为频谱图,并通过训练好的模型识别故障,能够在断路器发生故障时及时发现问题,有助于减少停电时间和提高电力***的可靠性,利用机器学习模型对频谱图进行分类和识别,实现了对断路器故障的自动化检测和处理,减少了人工干预的需求,提高了效率。
不仅能够确定断路器是否发生故障,还能够根据频谱图的相似程度确定故障类型,并提取故障特征信息,如峰值、能量分布和故障持续时间,为维护人员提供了更详细的故障信息,有助于精确定位和解决问题。
具体地,将获取得到的断路器的电压信号转换为待确定频谱图的过程如下:将采集得到的电压信号的离散数据进行预处理;对预处理后的离散数据应用窗函数,减少电压信号在窗口边缘处的不连续性;对经过窗函数处理后的离散数据进行快速傅里叶变换,将电压信号从时域转换到频域,得到电压信号在频域中的频率信息;将频域信息可视化为频谱图。
本实施方案中,从断路器获取的电压信号首先需要进行离散数据的采集,并进行预处理,预处理的目的是消除噪声、平滑数据,或者进行其他必要的数据清理操作,以确保信号质量。窗函数的使用有助于减少离散信号在窗口边缘处的不连续性,减少频谱泄漏的影响,窗函数的选择可以根据具体需求进行,例如汉宁窗、汉明窗等。
对经过窗函数处理后的离散数据进行FFT,将信号从时域转换到频域,FFT是一种高效的算法,用于将信号在频域中表示,得到信号的频谱信息。最后,将得到的频域信息可视化为频谱图。频谱图通常以频率为横轴,信号的幅度或功率为纵轴,通过图形直观地展示了信号在不同频率上的分布。
转换到频域使得信号的频率特征更加明确可见,有助于在频域中发现特定频率的成分,从而更好地理解信号的性质,窗函数的应用和FFT的使用有助于减少噪声的影响,提高信号的质量和准确性。
具体地,基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度的过程如下:将待确定频谱图与正常频谱图进行比对,获取待确定频谱图与正常频谱图的相关系数,相关系数用于表示待确定频谱图与正常频谱图的相似程度。
相关系数的计算公式为:,式中,为相关系数,/>为待确定频谱图中随机采样点的编号,/>,/>为待确定频谱图中随机采样点的总次数,/>为待确定频谱图中第/>个随机采样点的待确定频率,为待确定频谱图中/>个随机采样点的待确定频率均值,/>为正常频谱图中与待确定频谱图中第/>个随机采样点的对应的正常频率,/>为正常频谱图中与待确定频谱图中/>个随机采样点的对应的正常频率均值。
首先,将待确定频谱图与正常频谱图进行比对,这是为了确定待确定频谱图在频谱特征上是否与正常情况相符。使用相关系数来量化待确定频谱图与正常频谱图之间的相似程度。相关系数是一种统计量,用于描述两个变量之间的相关关系,其取值范围在-1到1之间,0表示没有线性相关,1表示完全正相关,-1表示完全负相关。
使用相关系数作为相似度指标,可以定量地评估待确定频谱图与正常频谱图之间的相似程度,提供了一个客观的量化指标,有助于准确地判断待确定频谱图是否符合正常情况。相关系数的计算可以用于频谱识别模型中,作为一个判别指标来区分正常频谱图和异常频谱图,有助于自动化地识别异常频谱图,提高了***的效率和可靠性。
将待确定频谱图分别与各个故障频谱图进行比对,获取待确定频谱图分别与各个故障频谱图的互信息,互信息用于表示待确定频谱图分别与各个故障频谱图的相似程度。
互信息的计算公式为:,式中,为待确定频谱图与故障频谱图的互信息,/>为待确定频谱图中的随机变量,且,/>为待确定频谱图中随机频率点的编号,/>,为随机频率点的总个数,/>为第/>个随机频率点待确定频率,/>为故障频谱图中的随机变量,且/>为待确定频谱图中随机频率点的编号,,/>为随机频率点的总个数,/>为第/>个随机频率点待确定频率。
本实施方案中,将待确定频谱图分别与各个故障频谱图进行比对,有助于确定待确定频谱图是否与已知的故障频谱图存在相似性或相关性。使用互信息作为衡量待确定频谱图与故障频谱图之间关联程度的指标,互信息是一种信息论中的度量,用于描述两个随机变量之间的相互依赖程度。
通过计算待确定频谱图与各个故障频谱图之间的互信息,可以发现频谱图中的异常模式或故障特征,有助于及早发现潜在的故障信号或异常情况。互信息作为一种量化指标,可以帮助提高频谱识别模型的检测准确性,通过互信息的计算,可以更精确地评估待确定频谱图与已知故障频谱图之间的相似度,从而更可靠地进行故障诊断和预测。
具体地,基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型的过程如下:判断相关系数是否大于设定的断路器正常判断阈值,若是则断路器无故障;获取各类型故障对应的断路器故障判断阈值,将待确定频谱图分别与各个故障频谱图的互信息分别与对应的断路器故障判断阈值进行对比;若待确定频谱图与故障频谱图的互信息大于对应的断路器故障判断阈值,则确定断路器故障类型为断路器故障判断阈值对应的故障类型。
频谱识别模型的训练过程如下:将准备好的训练频谱图集输入至频谱识别模型,获取频谱识别模型每次在训练频谱图集上的训练数据;基于每次的训练数据,并结合每次的训练数据对应的比对数据评估频谱识别模型每次训练的熟练指数,熟练指数用于表示频谱识别模型训练后对训练频谱图集的识别能力。
熟练指数的计算公式为:,式中,/>为训练次数的编号,/>为第/>次训练的熟练指数,/>为第/>次训练的准确性系数,/>为第/>次训练的及时性系数,/>为准确性系数的权重因子,/>为及时性系数的权重因子。
判断熟练指数是否大于设定的熟练阈值,若是则将准备好的验证频谱图集输入至频谱识别模型,对频谱识别模型进行验证,若验证成功,则训练结束,若否则对频谱识别模型进行调整。
本实施方案中,首先,将准备好的训练频谱图集输入至频谱识别模型,进行模型的训练,包括通过反向传播算法调整模型参数,以最小化训练频谱图集上的损失函数。基于每次的训练数据,以及对应的比对数据,计算熟练指数,熟练指数采用了准确性系数和及时性系数的线性组合,其中准确性系数表示模型的准确性,及时性系数表示模型的响应速度。权重因子用于平衡两者的重要性。
判断每次训练的熟练指数是否大于设定的熟练阈值。如果熟练指数足够高,表示模型在训练频谱图集上的识别能力良好,若熟练指数满足设定阈值,将准备好的验证频谱图集输入至频谱识别模型进行验证。验证成功意味着模型在未见过的数据上也能表现良好,从而训练结束。
如果验证不成功,可能说明模型对新数据的泛化能力较弱。在这种情况下,对频谱识别模型进行调整,可能包括调整模型结构、学习率等超参数,以提高模型的泛化性能。
具体地,基于每次的训练数据,并结合每次的训练数据对应的比对数据评估频谱识别模型每次训练的熟练指数的过程如下:获取每次训练的训练数据,每次训练的训练数据包括每次的训练准确率和每次的故障识别成功时间;获取每次训练的训练数据对应的比对数据,比对数据包括训练比对准确率和识别成功比对时间;基于每次的训练准确率和每次的训练准确率对应的训练比对准确率计算每次训练对应的准确性系数。
准确性系数的计算公式为:
,式中,/>为故障类型的编号,/>,/>为故障类型的总个数,/>为第/>次训练的第/>个故障类型的识别成功的训练准确率,/>为与/>对应的训练比对准确率。
首先,从每次训练中获取训练数据,其中包括每次的训练准确率和故障识别成功时间,这些数据反映了模型在训练过程中的性能表现。同时,获取每次训练的训练数据对应的比对数据。比对数据包括训练比对准确率和识别成功比对时间,用于与训练数据进行对比,进一步评估模型的性能。
根据训练准确率和训练比对准确率,计算每次训练对应的准确性系数,准确性系数的计算公式采用了各故障类型的识别成功准确率和相应的训练比对准确率之间的关系。通过熟练指数的计算公式来得到每次训练的熟练指数。这个指数综合考虑了模型在准确性和及时性上的表现。
通过同时考虑训练准确率、故障识别成功时间、训练比对准确率和识别成功比对时间,提供了更全面的性能评估,这样的多维度评估有助于更深入地理解模型在不同方面的表现。通过计算准确性系数,可以更细致地了解每个故障类型的影响,有助于更有针对性地调整模型,提高对特定故障类型的识别能力。
基于每次的故障识别成功时间和每次的故障识别成功时间对应的识别成功比对时间计算每次训练对应的及时性系数。
及时性系数的计算公式为:,式中,/>为第/>个故障类型的样本中故障识别成功个数的编号,/>,/>为故障识别成功的总个数,/>为第/>次训练的第/>个故障类型的第/>个成功识别的样本的故障识别成功时间,/>为与/>对应的识别成功比对时间,/>为第/>次训练的第/>个故障类型的识别成功时间的权重因子。
基于每次训练对应的准确性系数和及时性系数计算得到每次训练的熟练指数。
本实施方案中,首先,基于故障识别成功时间和识别成功比对时间,计算每次训练的及时性系数,该系数考虑了故障识别的时间因素,通过权衡故障识别成功时间和对应的比对时间来评估模型的及时性。对每个故障类型的每个成功识别样本计算故障识别成功时间与对应的识别成功比对时间的比值,乘以权重因子。
通过准确性系数和及时性系数的综合考虑,提供了对模型性能全面的评估,使得熟练指数更贴近实际应用需求,不仅关注准确性,还关注及时性,更符合一些实际场景的需求。
具体地,每次训练的训练数据对应的比对数据中的首次训练的训练数据对应的比对数据为预先设定的,非首次训练的训练数据对应的比对数据基于上一次训练的准确性系数和及时性系数获取,获取过程如下:将每次训练的准确性系数和及时性系数与比对数据库中存储的每个比对区间对应的准确性比对系数和及时性比对系数进行一一比对,获取比对参数,比对参数用于表示每次训练的准确性系数和及时性系数与比对数据库中存储的每个比对区间的对应程度;将比对参数与设定的比对阈值对比,若比对参数小于比对阈值,则获取该比对参数对应的比对区间对应的训练比对准确率和识别成功比对时间作为下一次训练的训练数据对应的比对数据。
比对参数的计算公式如下:
;式中,/>为训练次数的编号,/>,/>为训练的总次数,/>为第/>次训练的比对参数,/>为第次训练的准确性系数,/>为第/>次训练的及时性系数,/>为比对区间的编号,,/>为比对区间的总次数,/>为第/>个比对区间的准确性比对系数,为第/>个比对区间的及时性比对系数,/>为准确性权重因子,/>为及时性权重因子,且/>。
本实施方案中,通过比对参数的计算公式,利用准确性系数和及时性系数,与比对数据库中每个比对区间的准确性比对系数和及时性比对系数进行比对。比对参数综合了准确性和及时性的差异,并经过对数变换和线性组合,得到一个表示对应程度的参数。
比对参数的计算包括了准确性和及时性的差异,其中准确性和及时性的权重因子可以调整对准确性和及时性的重视程度。将比对参数与设定的比对阈值进行对比。若比对参数小于比对阈值,说明该次训练的准确性和及时性相对较好,可以认为是一个良好的训练。此时,获取该比对参数对应的比对区间的训练比对准确率和识别成功比对时间。
获取到符合条件的比对区间后,将该区间对应的训练比对准确率和识别成功比对时间作为下一次训练的训练数据对应的比对数据。这样就实现了根据上一次训练的表现进行灵活的比对参数选择。
通过比对参数的计算和阈值的设定,实现了对每次训练的比对数据的动态调整,可以根据实际表现来灵活选择比对数据,适应模型在不同训练阶段的性能波动。通过准确性系数和及时性系数的综合比对,可以更全面地考虑模型在准确性和及时性上的表现。而权重因子的设定,使得可以根据实际需求调整对准确性和及时性的重视程度。
具体地,对频谱识别模型进行验证的过程为:获取频谱识别模型在验证频谱图集上的准确率和精确度,若准确率和精确度均符合设定的要求,则完成验证。
本实施方案中,通过准确率和精确度的评估,可以客观地评估频谱识别模型在验证数据集上的性能表现,有助于了解模型在实际应用场景中的表现如何,是否达到预期的要求。通过验证模型在验证数据集上的准确率和精确度,可以验证模型的可靠性,如果准确率和精确度高且稳定,说明模型在不同数据集上表现一致,具有较强的泛化能力。
一种断路器故障特征信息提取***,如图2所示,包括频谱图转换模块、相似程度确定模块和故障特征信息获取模块,其中:频谱图转换模块用于将获取得到的断路器的电压信号转换为待确定频谱图;相似程度确定模块用于基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;故障特征信息获取模块用于基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,故障特征信息包括峰值、能量分布和故障持续时间。
本实施方案中,频谱图转换模块将获取到的断路器的电压信号转换成频谱图。频谱图能够将信号在频率域上进行表示,有助于分析信号中的频率成分。相似程度确定模块使用预先训练好的频谱识别模型,对待确定的频谱图进行识别。这个模型可能是一种机器学习模型,例如深度学习网络,用于区分正常频谱图和故障频谱图。通过比较待确定频谱图与已分类频谱图(正常和故障频谱图)的相似程度,***能够判断待确定频谱图的状态。
故障特征信息获取模块根据相似程度确定模块的结果,确定断路器的故障类型,获取待确定频谱图对应的故障特征信息,如峰值、能量分布和故障持续时间等。
一种电子设备,包括:处理器;以及存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的断路器故障特征信息提取方法。
一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现如上所述的断路器故障特征信息提取方法。
综上,本申请至少具有以下效果:
通过准确率和精确度的评估,能够全面、客观地评估模型在验证数据集上的性能表现,验证模型的可靠性和泛化能力,如果准确率和精确度未达到预期,验证过程有助于分析模型存在的问题,为后续的改进工作提供指导,从而提高模型的效果和适用性。
通过分析电压信号的频谱图,并利用训练好的模型,可以在发生故障时及时发现问题,并提供有关故障类型的详细信息,如峰值、能量分布和持续时间。这可以帮助维护人员更有效地定位和解决断路器问题,从而提高电力***的可靠性和安全性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的***、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种断路器故障特征信息提取方法,其特征在于,包括以下步骤:
将获取得到的断路器的电压信号转换为待确定频谱图;
基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,所述分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;
基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,所述故障特征信息包括峰值、能量分布和故障持续时间;
频谱识别模型的训练过程如下:
将准备好的训练频谱图集输入至频谱识别模型,获取频谱识别模型每次在训练频谱图集上的训练数据;
基于每次的训练数据,并结合每次的训练数据对应的比对数据评估频谱识别模型每次训练的熟练指数,所述熟练指数用于表示频谱识别模型训练后对训练频谱图集的识别能力;
熟练指数的计算公式为:,式中,/>为训练次数的编号,/>为第/>次训练的熟练指数,/>为第/>次训练的准确性系数,/>为第/>次训练的及时性系数,/>为准确性系数的权重因子,/>为及时性系数的权重因子;
判断熟练指数是否大于设定的熟练阈值,若是则将准备好的验证频谱图集输入至频谱识别模型,对频谱识别模型进行验证,若验证成功,则训练结束,若否则对频谱识别模型进行调整;
基于每次的训练数据,并结合每次的训练数据对应的比对数据评估频谱识别模型每次训练的熟练指数的过程如下:
获取每次训练的训练数据,所述每次训练的训练数据包括每次的训练准确率和每次的故障识别成功时间;
获取每次训练的训练数据对应的比对数据,所述比对数据包括训练比对准确率和识别成功比对时间;
基于每次的训练准确率和每次的训练准确率对应的训练比对准确率计算每次训练对应的准确性系数,基于每次的故障识别成功时间和每次的故障识别成功时间对应的识别成功比对时间计算每次训练对应的及时性系数;
准确性系数的计算公式为:,式中,/>为故障类型的编号,/>,/>为故障类型的总个数,/>为第次训练的第/>个故障类型的识别成功的训练准确率,/>为与/>对应的训练比对准确率;
及时性系数的计算公式为:,式中,/>为第/>个故障类型的样本中故障识别成功个数的编号,/>,/>为故障识别成功的总个数,/>为第/>次训练的第/>个故障类型的第/>个成功识别的样本的故障识别成功时间,/>为与/>对应的识别成功比对时间,/>为第/>次训练的第/>个故障类型的识别成功时间的权重因子;
基于每次训练对应的准确性系数和及时性系数计算得到每次训练的熟练指数;
每次训练的训练数据对应的比对数据中的首次训练的训练数据对应的比对数据为预先设定的,非首次训练的训练数据对应的比对数据基于上一次训练的准确性系数和及时性系数获取,获取过程如下:
将每次训练的准确性系数和及时性系数与比对数据库中存储的每个比对区间对应的准确性比对系数和及时性比对系数进行一一比对,获取比对参数,所述比对参数用于表示每次训练的准确性系数和及时性系数与比对数据库中存储的每个比对区间的对应程度;
将比对参数与设定的比对阈值对比,若比对参数小于比对阈值,则获取该比对参数对应的比对区间对应的训练比对准确率和识别成功比对时间作为下一次训练的训练数据对应的比对数据。
2.根据权利要求1所述的一种断路器故障特征信息提取方法,其特征在于,将获取得到的断路器的电压信号转换为待确定频谱图的过程如下:
将采集得到的电压信号的离散数据进行预处理;
对预处理后的离散数据应用窗函数,减少电压信号在窗口边缘处的不连续性;
对经过窗函数处理后的离散数据进行快速傅里叶变换,将电压信号从时域转换到频域,得到电压信号在频域中的频率信息;
将频域信息可视化为频谱图。
3.根据权利要求1所述的一种断路器故障特征信息提取方法,其特征在于,基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度的过程如下:
将待确定频谱图与正常频谱图进行比对,获取待确定频谱图与正常频谱图的相关系数,所述相关系数用于表示待确定频谱图与正常频谱图的相似程度;
相关系数的计算公式为:,式中,为相关系数,/>为待确定频谱图中随机采样点的编号,/>,/>为待确定频谱图中随机采样点的总次数,/>为待确定频谱图中第/>个随机采样点的待确定频率,/>为待确定频谱图中/>个随机采样点的待确定频率均值,/>为正常频谱图中与待确定频谱图中第/>个随机采样点的对应的正常频率,/>为正常频谱图中与待确定频谱图中/>个随机采样点的对应的正常频率均值;
将待确定频谱图分别与各个故障频谱图进行比对,获取待确定频谱图分别与各个故障频谱图的互信息,所述互信息用于表示待确定频谱图分别与各个故障频谱图的相似程度。
4.根据权利要求3所述的一种断路器故障特征信息提取方法,其特征在于,基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型的过程如下:
判断相关系数是否大于设定的断路器正常判断阈值,若是则断路器无故障;
获取各类型故障对应的断路器故障判断阈值,将待确定频谱图分别与各个故障频谱图的互信息分别与对应的断路器故障判断阈值进行对比;
若待确定频谱图与故障频谱图的互信息大于对应的断路器故障判断阈值,则确定断路器故障类型为断路器故障判断阈值对应的故障类型。
5.根据权利要求1所述的一种断路器故障特征信息提取方法,其特征在于:所述比对参数的计算公式如下:
;
式中,为训练次数的编号,/>,/>为训练的总次数,/>为第/>次训练的比对参数,/>为第/>次训练的准确性系数,/>为第/>次训练的及时性系数,为比对区间的编号,/>,/>为比对区间的总次数,/>为第/>个比对区间的准确性比对系数,/>为第/>个比对区间的及时性比对系数,/>为准确性权重因子,/>为及时性权重因子,且/>。
6.根据权利要求1所述的一种断路器故障特征信息提取方法,其特征在于,对频谱识别模型进行验证的过程为:获取频谱识别模型在验证频谱图集上的准确率和精确度,若准确率和精确度均符合设定的要求,则完成验证。
7.一种断路器故障特征信息提取***,用于权利要求1-6任一项所述的一种断路器故障特征信息提取方法,其特征在于,包括频谱图转换模块、相似程度确定模块和故障特征信息获取模块,其中:
所述频谱图转换模块用于将获取得到的断路器的电压信号转换为待确定频谱图;
所述相似程度确定模块用于基于训练好的频谱识别模型对待确定频谱图进行识别,获取待确定频谱图与分类频谱图的相似程度,所述分类频谱图包括正常断路器的电压信号对应的正常频谱图和故障断路器的电压信号对应的故障频谱图;
所述故障特征信息获取模块用于基于待确定频谱图与分类频谱图的相似程度确定断路器的故障类型,并获取待确定频谱图对应的故障特征信息,所述故障特征信息包括峰值、能量分布和故障持续时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362392.XA CN117972398B (zh) | 2024-03-28 | 2024-03-28 | 一种断路器故障特征信息提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362392.XA CN117972398B (zh) | 2024-03-28 | 2024-03-28 | 一种断路器故障特征信息提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972398A CN117972398A (zh) | 2024-05-03 |
CN117972398B true CN117972398B (zh) | 2024-06-14 |
Family
ID=90848097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410362392.XA Active CN117972398B (zh) | 2024-03-28 | 2024-03-28 | 一种断路器故障特征信息提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972398B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断***及保护方法 |
CN115185918A (zh) * | 2022-06-06 | 2022-10-14 | 浪潮软件集团有限公司 | 一种***日志自动化分类的方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146882B (zh) * | 2020-10-12 | 2022-08-30 | 中国人民解放军海军工程大学 | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
CN114966312A (zh) * | 2022-05-18 | 2022-08-30 | 广东电网有限责任公司 | 基于迁移卷积神经网络的配电网故障检测定位方法和*** |
CN115453286B (zh) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及*** |
CN116735170A (zh) * | 2023-04-25 | 2023-09-12 | 西北工业大学 | 一种基于自注意力多尺度特征提取的智能故障诊断方法 |
-
2024
- 2024-03-28 CN CN202410362392.XA patent/CN117972398B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断***及保护方法 |
CN115185918A (zh) * | 2022-06-06 | 2022-10-14 | 浪潮软件集团有限公司 | 一种***日志自动化分类的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117972398A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN109599120B (zh) | 一种基于大规模养殖场厂哺乳动物异常声音监测方法 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN101995437B (zh) | 一种拉深件裂纹声发射信号的特征提取方法 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、*** | |
CN102426835A (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN109300483B (zh) | 一种智能化音频异音检测方法 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN105203936A (zh) | 一种基于频谱分析的电力电缆局部放电缺陷类型判别方法 | |
CN109448726A (zh) | 一种语音控制准确率的调整方法及*** | |
US20160322064A1 (en) | Method and apparatus for signal extraction of audio signal | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN111045902A (zh) | 服务器的压力测试方法及装置 | |
CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及*** | |
CN109490776B (zh) | 一种基于机器学习的手机振动马达良次品检测方法 | |
CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和*** | |
CN117972398B (zh) | 一种断路器故障特征信息提取方法及*** | |
CN111489736B (zh) | 座席话术自动评分装置及方法 | |
CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
CN117668751A (zh) | 一种高低压电力***故障诊断方法及装置 | |
CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
CN107993666B (zh) | 语音识别方法、装置、计算机设备及可读存储介质 | |
CN112699609B (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |