CN106771617A - 基于低频注入技术的绝缘电阻检测方法及装置 - Google Patents
基于低频注入技术的绝缘电阻检测方法及装置 Download PDFInfo
- Publication number
- CN106771617A CN106771617A CN201611085435.6A CN201611085435A CN106771617A CN 106771617 A CN106771617 A CN 106771617A CN 201611085435 A CN201611085435 A CN 201611085435A CN 106771617 A CN106771617 A CN 106771617A
- Authority
- CN
- China
- Prior art keywords
- resistance
- voltage
- target
- magnitude
- sample
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/025—Measuring very high resistances, e.g. isolation resistances, i.e. megohm-meters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于低频注入技术的绝缘电阻检测方法及装置，该方法包括：在神经网络中构建神经网络模型，通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并将该待比对的电压值轨迹分别与该神经网络模型中的各样本电压值轨迹进行比对，得到与该待比对的电压值轨迹完全相同的目标样本电压值轨迹，在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出正极绝缘电阻和负极绝缘电阻的阻值，这样可以快速的确定目标电阻端的稳态电压，同时也克服了分布电容对电压波形的干扰，从而提高了检测精度。
Description
技术领域
本发明属于电力领域，尤其涉及一种基于低频注入技术的绝缘电阻检测方法及装置。
背景技术
光伏发电、储能和电动汽车领域中都需要使用高压的电力系统，有时候使用环境会出现比较恶劣的环境，为了保证高压的电力系统正常运行，防止漏电事故，对高压电池系统的正负极对地绝缘电阻进行检测显得尤为重要。
现有技术中，绝缘电阻检测技术中低频注入法是近几年采用的一种检测技术。在使用此方法检测过程中，受到电力系统对地分布电容的影响，在线检测绝缘电阻时的电压波形会由于分布电容的影响而变形，在短时间内无法达到稳态，从而造成检测误差。
发明内容
本发明提供一种基于低频注入技术的绝缘电阻检测方法及装置，旨在解决由于使用低频注入法会受到分布电容影响而导致在线检测绝缘电阻时的电压波形变形，从而造成检测误差的问题。
本发明提供的一种基于低频注入技术的绝缘电阻检测方法，包括：在神经网络中构建神经网络模型，所述神经网络模型包括各分布电容值下不同阻值的样本电阻，所述样本电阻对应的样本电压值轨迹以及所述样本电阻对应的稳态电压；按照预置时间间隔实时对所述目标电阻端的电压值进行采集，根据采集到的电压值确定所述目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照所述预置时间间隔采集所述目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值；通过所述神经网络将所述采集到的目标电压值组成待比对的电压值轨迹，并在所述神经网络模型中查找与所述待比对的电压值轨迹完全相同的目标样本电压值轨迹；在所述神经网络模型中查找所述目标样本电压值轨迹对应的目标稳态电压，并根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
本发明提供的一种基于低频注入技术的绝缘电阻检测装置，包括：创建模块，用于在神经网络中构建神经网络模型，所述神经网络模型包括各分布电容值下不同阻值的样本电阻，所述样本电阻对应的样本电压值轨迹以及所述样本电阻对应的稳态电压；采集模块，用于按照预置时间间隔实时对所述目标电阻端的电压值进行采集，根据采集到的电压值确定所述目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照所述预置时间间隔采集所述目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值；比对控制模块，用于通过所述神经网络将所述采集到的目标电压值组成待比对的电压值轨迹，并在所述神经网络模型中查找与所述待比对的电压值轨迹完全相同的目标样本电压值轨迹；计算模块，用于在所述神经网络模型中查找所述目标样本电压值轨迹对应的目标稳态电压，并根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
本发明提供的基于低频注入技术的绝缘电阻检测方法及装置，在神经网络中构建神经网络模型，按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值，通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并将该待比对的电压值轨迹分别与该神经网络模型中的各样本电压值轨迹进行比对，得到与该待比对的电压值轨迹完全相同的目标样本电压值轨迹，在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出正极绝缘电阻和负极绝缘电阻的阻值，这样通过预先创建的神经网络模块只提取预置时间段内的电压值形成该待比对的电压值轨迹，故可以快速的确定目标电阻端的稳态电压，同时也克服了分布电容对电压波形的干扰，从而提高了检测精度。
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。
图1是本发明第一实施例提供的基于低频注入技术的绝缘电阻检测方法的实现流程示意图；
图2是本发明实施例中，低频注入技术的检测电路的结构图；
图3是本发明第二实施例提供的基于低频注入技术的绝缘电阻检测方法的实现流程示意图；
图4是本发明实施例中样本电阻端的电压值波形的示意图；
图5是本发明第三实施例提供的基于低频注入技术的绝缘电阻检测装置的结构示意图；
图6是本发明第四实施例提供的基于三轴加速度传感器的计步装置的结构示意图。
具体实施方式
为使得本发明的发明目的、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，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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。
请参阅图1，图1为本发明第一实施例提供基于低频注入技术的绝缘电阻检测方法的实现流程示意图，可应用于电力系统中，图1所示的基于低频注入技术的绝缘电阻检测方法，主要包括以下步骤：
S101、在神经网络中构建神经网络模型。
该神经网络模型包括各分布电容值下不同阻值的样本电阻，该样本电阻对应的样本电压值轨迹以及该样本电阻对应的稳态电压。
S102、按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值。
根据采集到的电压值可以确定该目标电阻端的电压值波形处于的上升沿或下降沿的阶段。还可以通过上升沿的斜率或下降沿的斜率进一步确定波形所处的阶段。可选地，通过预先采集多个样本电压值波形的斜率，得到处于上升沿或下降沿的斜率范围，然后根据该斜率范围可以最终确定该目标电阻端的电压值波形处于的上升沿或下降沿的阶段，这样可以更加准确确定目标电阻端的电压值波形所处的阶段。
该目标电阻为待测量稳态电压的电阻，该电阻也是绝缘电阻。本发明是基于低频注入技术，低频注入技术的检测电路如图2所示。图2中Rf电阻为待测量稳态电压的电阻。预置时间段的取值为几秒钟，故该预置时间间隔为毫秒级，如2毫秒、5毫秒或4毫秒等。预置时间段取值较小，如1秒或者2秒，这样可以节省检测时间，由于检测绝缘电阻是为了防止漏电事故，所以检测时间很重要，如果发生了漏电事故也能够在短时间内发现；如果预置时间段过长，则可能目标电阻端的电压已经达到稳态，就不需要执行步骤S103，同时也达不到上述的节省检测时间的效果。
S103、通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹。
通过神经网络可以将采集到的电压值组成一个待比对的电压值轨迹，然后在已创建好的神经网络模型中查找与该轨迹完全相同的目标样本电压值轨迹。
S104、在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
如图2所示，该分布电容值为正极分布电容CP和负极分布电容Cn、该目标电阻为Rf、该预置电阻值为R1和R2以及该待检测正极绝缘电阻为Rp和待检测负极绝缘电阻为Rn。目标稳态电压为Rf两端的电压，其中，正极分布电容CP和负极分布电容Cn、预置电阻值R1和R2的阻值和目标电阻Rf的阻值均为已知参数，利用图2所示的电路就可以计算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
本发明实施例中，在神经网络中构建神经网络模型，按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值，通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹，在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值，这样通过预先创建的神经网络模块只提取预置时间段内的电压值形成该待比对的电压值轨迹，故可以快速的确定目标电阻端的稳态电压，同时也克服了分布电容对电压波形的干扰，从而提高了检测精度。
请参阅图3，图3为本发明第二实施例提供的基于低频注入技术的绝缘电阻检测方法的实现流程示意图，可应用于电力系统，图3所示的基于低频注入技术的绝缘电阻检测方法，主要包括以下步骤：
S301、创建离线数据库。
该离线数据库用于存储各分布电容值下不同阻值的样本电阻端的稳态电压值，以及该样本电阻端的电压值波形。例如，如果样本电阻的阻值为2mΩ，在分布电容值为200nF下的样本电阻端的稳态电压和在分布电容值为500nF下的样本电阻端的稳态电压；如果样本电阻的阻值为10kΩ下，在分布电容值为200nF下的样本电阻端的稳态电压和在分布电容值为500nF下的样本电阻端的稳态电压。
S302、在神经网络中构建神经网络模型。
该神经网络模型包括各分布电容值下不同阻值的样本电阻，该样本电阻对应的样本电压值轨迹以及该样本电阻对应的稳态电压。
可选地，在神经网络中构建神经网络模型具体为：
从该离线数据库中获取该各分布电容值下样本电阻端的电压值波形、该各分布电容值下不同阻值的样本电阻端的稳态电压值；
从该各分布电容值下样本电阻端的电压值波形中提取待采集的上升沿和下降沿；
按照该预置时间间隔分别采集该待采集的上升沿和下降沿中的该预置时间段内的电压样本点；
通过该神经网络将该各分布电容值下的样本电阻、该样本电阻对应的电压样本点、该样本电阻端的稳态电压值进行训练，得到该神经网络模型。
该预置时间段的取值范围为该电压值波形中上升沿或下降沿的波段内前2秒内，即该预置时间段可以在该电压值波形中上升沿或下降沿的波段内前2秒内任意取值，如前1秒内，前1.5秒内。该预置时间间隔为毫秒级，如2毫秒、5毫秒或4毫秒等。例如，每5毫秒分别采集该待采集的上升沿和下降沿中的前1秒内的电压样本点。如图4所示，图4为样本电阻端的电压值波形的示意图，横轴为时间，单位为毫秒，纵轴为电压值，单位为伏特。图4中As-Ae段为波形的下降沿，Bs-Be段为波形的上升沿。举例说明如何在图4中采集电压值：若该预置时间段为该电压值波形中上升沿或下降沿的波段内前2秒且该预置时间间隔为5毫秒，则在As-Ae段内的前2秒内每隔5毫秒采集电压值，以及在Bs-Be段内的前2秒内每隔5毫秒采集电压值，其中As-Ae段采集电压值的起始位置为点As，Bs-Be段采集电压值的起始位置为点Bs。
该预置时间段的取值范围为该电压值波形中上升沿的波段内前2秒内中，前2秒内的起始点为该电压值波形中刚进入上升沿的点(如图4中As点)，前2秒内的终点为沿着该上升沿经过2秒钟时的点，同理下降沿也是如此，此处不再赘述。
在实际应用中，目标电阻端也可以形成类似于样本电阻端的电压值轨迹。
S303、按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值。
根据采集到的电压值可以确定该目标电阻端的电压值波形处于的上升沿或下降沿的阶段。还可以通过上升沿的斜率或下降沿的斜率进一步确定波形所处的阶段。可选地，通过预先采集多个样本电压值波形的斜率，得到处于上升沿或下降沿的斜率范围，然后根据该斜率范围可以最终确定该目标电阻端的电压值波形处于的上升沿或下降沿的阶段，这样可以更加准确确定目标电阻端的电压值波形所处的阶段。
需要说明的是，该预置时间间隔与步骤S302中的预置时间间隔取值相同，该预置时间段与步骤S302中的预置时间段的取值相同，同时该样本电阻对应的采集电压样本点的规则与该目标电阻对应采集目标电压值的规则完全相同。
S304、通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹。
S305、在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
可选地，将根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值具体为：
利用低频注入技术的检测绝缘电阻的电路，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出该待检测正极绝缘电阻和该待检测负极绝缘电阻的阻值。
低频注入技术的检测绝缘电阻的电路为图2所示。该分布电容值为正极分布电容CP和负极分布电容Cn、该目标电阻为Rf、该预置电阻值为R1和R2以及该待检测正极绝缘电阻为Rp和待检测负极绝缘电阻为Rn。目标稳态电压为R两端的电压。由于目标电阻Rf、预置电阻值R1和R2、正极分布电容CP和负极分布电容Cn均是已知参数且二者的电容值相同，在上述步骤中已得到目标电阻Rf端的稳态电压，则利用图2所示的电路就可以计算出待检测正极绝缘电阻R的阻值和待检测负极绝缘电阻Rn的阻值。
需要说明的是，待比对的电压值轨迹对应的分布电容值(即，目标电阻对应的分布电容值)与步骤S304中查找到的目标样本电压值轨迹对应的分布电容值是相同的。在步骤S305中，若该目标电阻对应的分布电容值为200nF，则正极分布电容CP为200nF和负极分布电容Cn为200nF。
需要说明的是，按照该预置时间间隔分别采集该待采集的上升沿和下降沿中的该预置时间段内的电压样本点，这一步骤中电压样本点均位于待采集的上升沿或者下降沿上；同样地，在步骤S303中，按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值，这一步骤中目标电压值也均位于该目标电阻端的电压值波形中上升沿或下降沿上。
本发明实施例中，创建离线数据库，在神经网络中构建神经网络模型，按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值，通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹，在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值，这样通过预先创建的神经网络模块只提取预置时间段内的电压值形成该待比对的电压值轨迹，故可以快速的确定目标电阻端的稳态电压，同时也克服了分布电容对电压波形的干扰，从而提高了检测精度。
请参阅图5，图5是本发明第三实施例提供的基于低频注入技术的绝缘电阻检测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分。图5示例的基于低频注入技术的绝缘电阻检测装置可以是前述图1和图3所示实施例提供的基于低频注入技术的绝缘电阻检测方法的执行主体。图5示例的基于低频注入技术的绝缘电阻检测装置，主要包括：创建模块501、采集模块502、比对控制模块503和计算模块504。以上各功能模块详细说明如下：
创建模块501，用于在神经网络中构建神经网络模型，该神经网络模型包括各分布电容值下不同阻值的样本电阻，该样本电阻对应的样本电压值轨迹以及该样本电阻对应的稳态电压；
采集模块502，用于按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值；
比对控制模块503，用于通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹；
计算模块504，用于在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
本实施例未尽之细节，请参阅前述图1所示实施例的描述，此处不再赘述。
需要说明的是，以上图5示例的基于低频注入技术的绝缘电阻检测装置的实施方式中，各功能模块的划分仅是举例说明，实际应用中可以根据需要，例如相应硬件的配置要求或者软件的实现的便利考虑，而将上述功能分配由不同的功能模块完成，即将图像处理装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。而且，实际应用中，本实施例中的相应的功能模块可以是由相应的硬件实现，也可以由相应的硬件执行相应的软件完成。本说明书提供的各个实施例都可应用上述描述原则，以下不再赘述。
本发明实施例中，创建模块501在神经网络中构建神经网络模型，该神经网络模型包括各分布电容值下不同阻值的样本电阻，该样本电阻对应的样本电压值轨迹以及该样本电阻对应的稳态电压，采集模块502按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值，比对控制模块503通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹，计算模块504在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值，这样通过预先创建的神经网络模块只提取预置时间段内的电压值形成该待比对的电压值轨迹，故可以快速的确定目标电阻端的稳态电压，同时也克服了分布电容对电压波形的干扰，从而提高了检测精度。
请参阅图6，图6为本发明第四实施例提供的基于低频注入技术的绝缘电阻检测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分。图6示例的基于低频注入技术的绝缘电阻检测装置可以是前述图1和图2所示实施例提供的基于低频注入技术的绝缘电阻检测方法的执行主体。图6示例的基于低频注入技术的绝缘电阻检测装置，主要包括：创建模块601、采集模块602、比对控制模块603和计算模块604，其中创建模块601包括：获取子模块6011、提取子模块6012、采集子模块6013和训练控制子模块6014。以上各功能模块详细说明如下：
创建模块601，用于创建离线数据库。
该离线数据库用于存储各分布电容值下不同阻值的样本电阻端的稳态电压值，以及该样本电阻端的电压值波形。例如，如果样本电阻的阻值为2mΩ，在分布电容值为200nF下的样本电阻端的稳态电压和在分布电容值为500nF下的样本电阻端的稳态电压；如果样本电阻的阻值为10kΩ下，在分布电容值为200nF下的样本电阻端的稳态电压和在分布电容值为500nF下的样本电阻端的稳态电压。
创建模块601，还用于在神经网络中构建神经网络模型。
该神经网络模型包括各分布电容值下不同阻值的样本电阻，该样本电阻对应的样本电压值轨迹以及该样本电阻对应的稳态电压。
可选地，创建模块601包括：获取子模块6011、提取子模块6012、采集子模块6013和训练控制子模块6014；
获取子模块6011，用于从该离线数据库中获取该各分布电容值下样本电阻端的电压值波形、该各分布电容值下不同阻值的样本电阻端的稳态电压值；
提取子模块6012，用于从该各分布电容值下样本电阻端的电压值波形中提取待采集的上升沿和下降沿；
采集子模块6013，用于按照该预置时间间隔分别采集该待采集的上升沿和下降沿中的该预置时间段内的电压样本点；
训练控制子模块6014，用于通过该神经网络将该各分布电容值下的样本电阻、该样本电阻对应的电压样本点、该样本电阻端的稳态电压值进行训练，得到该神经网络模型。
该预置时间段的取值范围为该电压值波形中上升沿或下降沿的波段内前2秒内。该预置时间间隔为毫秒级，如2毫秒、5毫秒或4毫秒等。例如，每5毫秒分别采集该待采集的上升沿和下降沿中的前1秒内的电压样本点。如图4所示，横轴为时间，单位为毫秒，纵轴为电压值，单位为伏特。图4中As-Ae段为波形的下降沿，Bs-Be段为波形的上升沿。举例说明如何在图4中采集电压值：若该预置时间段为该电压值波形中上升沿或下降沿的波段内前2秒且该预置时间间隔为5毫秒，则在As-Ae段内的前2秒内每隔5毫秒采集电压值，以及在Bs-Be段内的前2秒内每隔5毫秒采集电压值，其中As-Ae段采集电压值的起始位置为点As，Bs-Be段采集电压值的起始位置为点Bs。
该预置时间段的取值范围为该电压值波形中上升沿的波段内前2秒内中，前2秒内的起始点为该电压值波形中刚进入上升沿的点(如图4中As点)，前2秒内的终点为沿着该上升沿经过2秒钟时的点，同理下降沿也是如此，此处不再赘述。
采集模块602，用于按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值。
根据采集到的电压值可以确定该目标电阻端的电压值波形处于的上升沿或下降沿的阶段。还可以通过上升沿的斜率或下降沿的斜率进一步确定波形所处的阶段。可选地，采集模块602还用于通过预先采集多个样本电压值波形的斜率，得到处于上升沿或下降沿的斜率范围，然后根据该斜率范围可以最终确定该目标电阻端的电压值波形处于的上升沿或下降沿的阶段，这样可以更加准确确定目标电阻端的电压值波形所处的阶段。
比对控制模块603，用于通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹。
计算模块604，用于在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
可选地，计算模块604还用于利用低频注入技术的检测绝缘电阻的电路，并根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出该待检测正极绝缘电阻和该待检测负极绝缘电阻的阻值。
低频注入技术的检测绝缘电阻的电路为图2所示。该分布电容值为正极分布电容CP和负极分布电容Cn、该目标电阻为Rf、该预置电阻值为R1和R2以及该待检测正极绝缘电阻为Rp和待检测负极绝缘电阻为Rn。目标稳态电压为R两端的电压。由于目标电阻Rf、预置电阻值R1和R2、正极分布电容CP和负极分布电容Cn均是已知参数且二者的电容值相同，在上述步骤中已得到目标电阻Rf端的稳态电压，则利用图2所示的电路就可以计算出待检测正极绝缘电阻R的阻值和待检测负极绝缘电阻Rn的阻值。
本实施例未尽之细节，请参阅前述图1和图3所示实施例的描述，此处不再赘述。
本发明实施例中，创建模块601创建离线数据库，并在神经网络中构建神经网络模型，采集模块602按照预置时间间隔实时对该目标电阻端的电压值进行采集，根据采集到的电压值确定该目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照该预置时间间隔采集该目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值，比对控制模块603通过该神经网络将该采集到的目标电压值组成待比对的电压值轨迹，并在该神经网络模型中查找与该待比对的电压值轨迹完全相同的目标样本电压值轨迹，在该神经网络模型中查找该目标样本电压值轨迹对应的目标稳态电压，计算模块604根据该目标稳态电压、该目标电阻对应的分布电容值、该目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值，这样通过预先创建的神经网络模块只提取预置时间段内的电压值形成该待比对的电压值轨迹，故可以快速的确定目标电阻端的稳态电压，同时也克服了分布电容对电压波形的干扰，从而提高了检测精度。
在本申请所提供的多个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信链接可以是通过一些接口，装置或模块的间接耦合或通信链接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的基于低频注入技术的绝缘电阻检测方法及装置的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于低频注入技术的绝缘电阻检测方法，其特征在于，包括：
在神经网络中构建神经网络模型，所述神经网络模型包括各分布电容值下不同阻值的样本电阻，所述样本电阻对应的样本电压值轨迹以及所述样本电阻对应的稳态电压；
按照预置时间间隔实时对所述目标电阻端的电压值进行采集，根据采集到的电压值确定所述目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照所述预置时间间隔采集所述目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值；
通过所述神经网络将所述采集到的目标电压值组成待比对的电压值轨迹，并在所述神经网络模型中查找与所述待比对的电压值轨迹完全相同的目标样本电压值轨迹；
在所述神经网络模型中查找所述目标样本电压值轨迹对应的目标稳态电压，并根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
2.根据权利要求1所述的方法，其特征在于，所述构建神经网络模型之前还包括：
创建离线数据库，所述离线数据库用于存储各分布电容值下不同阻值的样本电阻端的稳态电压值，以及所述样本电阻端的电压值波形。
3.根据权利要求2所述的方法，其特征在于，所述在神经网络中构建神经网络模型包括：
从所述离线数据库中获取所述各分布电容值下样本电阻端的电压值波形、所述各分布电容值下不同阻值的样本电阻端的稳态电压值；
从所述各分布电容值下样本电阻端的电压值波形中提取待采集的上升沿和下降沿；
按照所述预置时间间隔分别采集所述待采集的上升沿和下降沿中的所述预置时间段内的电压样本点；
通过所述神经网络将所述各分布电容值下的样本电阻、所述样本电阻对应的电压样本点、所述样本电阻端的稳态电压值进行训练，得到所述神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述将根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值包括：
利用低频注入技术的检测绝缘电阻的电路，并根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出所述待检测正极绝缘电阻和所述待检测负极绝缘电阻的阻值。
5.根据权利要求1所述的方法，其特征在于，所述预置时间段的取值范围为所述电压值波形中上升沿或下降沿的波段内前2秒内。
6.一种基于低频注入技术的绝缘电阻检测装置，其特征在于，所述装置包括：
创建模块，用于在神经网络中构建神经网络模型，所述神经网络模型包括各分布电容值下不同阻值的样本电阻，所述样本电阻对应的样本电压值轨迹以及所述样本电阻对应的稳态电压；
采集模块，用于按照预置时间间隔实时对所述目标电阻端的电压值进行采集，根据采集到的电压值确定所述目标电阻端的电压值波形处于上升沿阶段或者下降沿阶段，并按照所述预置时间间隔采集所述目标电阻端的电压值波形中上升沿或下降沿中的预置时间段内的目标电压值；
比对控制模块，用于通过所述神经网络将所述采集到的目标电压值组成待比对的电压值轨迹，并在所述神经网络模型中查找与所述待比对的电压值轨迹完全相同的目标样本电压值轨迹；
计算模块，用于在所述神经网络模型中查找所述目标样本电压值轨迹对应的目标稳态电压，并根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出待检测正极绝缘电阻和待检测负极绝缘电阻的阻值。
7.根据权利要求6所述的装置，其特征在于，所述创建模块，还用于创建离线数据库，所述离线数据库用于存储各分布电容值下不同阻值的样本电阻端的稳态电压值，以及所述样本电阻端的电压值波形。
8.根据权利要求7所述的装置，其特征在于，所述创建模块包括：
获取子模块，用于从所述离线数据库中获取所述各分布电容值下样本电阻端的电压值波形、所述各分布电容值下不同阻值的样本电阻端的稳态电压值；
提取子模块，用于从所述各分布电容值下样本电阻端的电压值波形中提取待采集的上升沿和下降沿；
采集子模块，用于按照所述预置时间间隔分别采集所述待采集的上升沿和下降沿中的所述预置时间段内的电压样本点；
训练控制子模块，用于通过所述神经网络将所述各分布电容值下的样本电阻、所述样本电阻对应的电压样本点、所述样本电阻端的稳态电压值进行训练，得到所述神经网络模型。
9.根据权利要求6所述的装置，其特征在于，
所述计算模块，还用于利用低频注入技术的检测绝缘电阻的电路，并根据所述目标稳态电压、所述目标电阻对应的分布电容值、所述目标电阻的阻值和预置电阻值算出所述待检测正极绝缘电阻和所述待检测负极绝缘电阻的阻值。
10.根据权利要求6所述的装置，其特征在于，所述预置时间段的取值范围为所述电压值波形中上升沿或下降沿的波段内前2秒内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611085435.6A CN106771617A (zh) | 2016-11-30 | 2016-11-30 | 基于低频注入技术的绝缘电阻检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611085435.6A CN106771617A (zh) | 2016-11-30 | 2016-11-30 | 基于低频注入技术的绝缘电阻检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106771617A true CN106771617A (zh) | 2017-05-31 |
Family
ID=58913862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611085435.6A Pending CN106771617A (zh) | 2016-11-30 | 2016-11-30 | 基于低频注入技术的绝缘电阻检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106771617A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754070A (zh) * | 2018-12-28 | 2019-05-14 | 东莞钜威动力技术有限公司 | 基于神经网络的绝缘阻值计算方法及电子设备 |
| CN110967618A (zh) * | 2019-03-21 | 2020-04-07 | 宁德时代新能源科技股份有限公司 | 电路参数的检测方法及检测装置 |
| CN111722069A (zh) * | 2020-06-30 | 2020-09-29 | 蜂巢能源科技有限公司 | 绝缘检测电路采样电阻的选择方法、装置、介质及设备 |
| WO2020227999A1 (zh) * | 2019-05-16 | 2020-11-19 | 深圳市博诺技术有限公司 | 电池状态检测装置及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5289981A (en) * | 1976-01-22 | 1977-07-28 | Towa Electric | Method of detecting leakage from pipeline through detecting cable |
| US4200835A (en) * | 1978-05-30 | 1980-04-29 | Fuji Electric Co., Ltd. | Method and apparatus for measuring the insulation resistance of an operating grounded transmission line system |
| SU1155963A1 (en) * | 1982-02-12 | 1985-05-15 | Vladimir D Urin | Device for differential measuring of resistance of insulation of d.c.network |
| CN1127361A (zh) * | 1995-01-20 | 1996-07-24 | 刘志万 | 一种电力设备绝缘性能测试方法 |
| CN102354962A (zh) * | 2011-09-01 | 2012-02-15 | 西安交通大学 | 分布参数模型下利用电压分布的距离保护方法 |
| CN103675464A (zh) * | 2013-11-13 | 2014-03-26 | 国家电网公司 | 一种配电系统等值对地分布电容测量方法 |
| CN203894326U (zh) * | 2014-04-11 | 2014-10-22 | 东莞中山大学研究院 | 一种电动汽车的绝缘电阻测量电路及其高压绝缘监测系统 |
| CN104915497A (zh) * | 2015-06-09 | 2015-09-16 | 哈尔滨工程大学 | 一种高速pcb微带线间分布电容参数的预估方法 |
| DE102014224265A1 (de) * | 2014-06-02 | 2015-12-03 | Hyundai Motor Company | Sicherheitssystem eines Brennstoffzellenfahrzeugs und Steuerverfahren desselbigen |
| CN105738701A (zh) * | 2016-01-08 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种车体绝缘电阻的测试方法 |
-
2016
- 2016-11-30 CN CN201611085435.6A patent/CN106771617A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5289981A (en) * | 1976-01-22 | 1977-07-28 | Towa Electric | Method of detecting leakage from pipeline through detecting cable |
| US4200835A (en) * | 1978-05-30 | 1980-04-29 | Fuji Electric Co., Ltd. | Method and apparatus for measuring the insulation resistance of an operating grounded transmission line system |
| SU1155963A1 (en) * | 1982-02-12 | 1985-05-15 | Vladimir D Urin | Device for differential measuring of resistance of insulation of d.c.network |
| CN1127361A (zh) * | 1995-01-20 | 1996-07-24 | 刘志万 | 一种电力设备绝缘性能测试方法 |
| CN102354962A (zh) * | 2011-09-01 | 2012-02-15 | 西安交通大学 | 分布参数模型下利用电压分布的距离保护方法 |
| CN103675464A (zh) * | 2013-11-13 | 2014-03-26 | 国家电网公司 | 一种配电系统等值对地分布电容测量方法 |
| CN203894326U (zh) * | 2014-04-11 | 2014-10-22 | 东莞中山大学研究院 | 一种电动汽车的绝缘电阻测量电路及其高压绝缘监测系统 |
| DE102014224265A1 (de) * | 2014-06-02 | 2015-12-03 | Hyundai Motor Company | Sicherheitssystem eines Brennstoffzellenfahrzeugs und Steuerverfahren desselbigen |
| CN104915497A (zh) * | 2015-06-09 | 2015-09-16 | 哈尔滨工程大学 | 一种高速pcb微带线间分布电容参数的预估方法 |
| CN105738701A (zh) * | 2016-01-08 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种车体绝缘电阻的测试方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754070A (zh) * | 2018-12-28 | 2019-05-14 | 东莞钜威动力技术有限公司 | 基于神经网络的绝缘阻值计算方法及电子设备 |
| CN110967618A (zh) * | 2019-03-21 | 2020-04-07 | 宁德时代新能源科技股份有限公司 | 电路参数的检测方法及检测装置 |
| WO2020227999A1 (zh) * | 2019-05-16 | 2020-11-19 | 深圳市博诺技术有限公司 | 电池状态检测装置及方法 |
| CN111722069A (zh) * | 2020-06-30 | 2020-09-29 | 蜂巢能源科技有限公司 | 绝缘检测电路采样电阻的选择方法、装置、介质及设备 |
| CN111722069B (zh) * | 2020-06-30 | 2023-09-22 | 蜂巢能源科技股份有限公司 | 绝缘检测电路采样电阻的选择方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106771617A (zh) | 基于低频注入技术的绝缘电阻检测方法及装置 | |
| CN109765496A (zh) | 一种基于在线电化学阻抗谱测量的电池健康状态估计方法 | |
| CN105223466B (zh) | 一种利用模极大值比的特高压直流输电线路单端测距方法 | |
| CN108107319A (zh) | 一种多端柔性直流电网故障定位方法及系统 | |
| CN103176107A (zh) | 高压直流输电线路混合故障测距方法 | |
| CN102129013A (zh) | 一种利用自然频率和人工神经网络的配网故障测距方法 | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN103116112A (zh) | 一种同杆并架双回线路故障测距方法 | |
| CN113821978B (zh) | 基于改进步长lms自适应算法的行波检测方法和系统 | |
| CN105954682A (zh) | 蓄电池荷电状态在线估计检测方法及系统 | |
| CN105891672A (zh) | 一种基于故障行波沿线分布特性的含upfc线路单端行波测距方法 | |
| CN103440497A (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
| CN105445614B (zh) | 一种基于小波分析的双端行波故障定位的方法和系统 | |
| CN105467305A (zh) | 一种变工况下Buck-Boost电路故障特征提取方法 | |
| Prasad et al. | Supercapacitor parameter identification using grey wolf optimization and its comparison to conventional trust region reflection optimization | |
| Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
| CN109342885A (zh) | 一种直流配电网线路故障的定位方法及系统 | |
| CN102854438B (zh) | 行波距离保护中识别第二个行波的方法及装置 | |
| CN104931849B (zh) | 一种供电线路弧光接地故障测距方法 | |
| CN112710923B (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
| CN103245893B (zh) | 一种基于自然频率的辐射状配网分层分布式ann故障定位方法 | |
| Li et al. | An improved battery on-line parameter identification and state-of-charge determining method | |
| CN110646703A (zh) | 一种配电网单相接地故障选线方法及系统 | |
| Yan et al. | Fault location for 10kV distribution line based on traveling wave-ANN theory |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20190809 |
|
| AD01 | Patent right deemed abandoned |