CN108020781A - 一种断路器故障诊断方法 - Google Patents
一种断路器故障诊断方法 Download PDFInfo
- Publication number
- CN108020781A CN108020781A CN201711371587.7A CN201711371587A CN108020781A CN 108020781 A CN108020781 A CN 108020781A CN 201711371587 A CN201711371587 A CN 201711371587A CN 108020781 A CN108020781 A CN 108020781A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- msup
- mtd
- 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.)
- Granted
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims abstract 2
- 238000000034 method Methods 0.000 claims description 32
- 238000003745 diagnosis Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 2
- 210000000299 nuclear matrix Anatomy 0.000 claims description 2
- 239000007789 gas Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
一种断路器故障诊断方法，获取电网中断路器工作状态历史数据，该历史数据包括电气量数据和非电气量数据，利用这些历史数据作为训练样本，结合待测的断路器数据，基于分层贝叶斯模型，建立断路器故障诊断模型。
Description
技术领域
本发明属于电力系统故障诊断技术领域，特别涉及一种断路器故障诊断方 法。
背景技术
断路器是一种常见的广泛应用于电力系统中重要电力设备，不仅基数大， 经济上的投入也很大。它的主要作用在于两方面，一方面是通过对其他电力设 备或线路的通断控制来满足电力系统电能分配的正常运行要求。另外一方面是 发生故障时通过触发继电保护装置，从而快速动作切断发生故障的线路或设备， 隔离了故障部分，阻止系统发生严重事故，保护其他设备和线路正常运行。因 此，针对断路器的工作状态进行准确高效的故障诊断分析对于电力系统的安全 运行以及电网质量的稳定都具有重要的意义。
目前针对断路器的故障诊断方法都是基于人工智能的方法。目前应用较多 的故障诊断方法都是基于人工智能的方法。专家系统是一类较早使用的智能方 法，通常是通过对故障信息建立专家知识库和推理规则，或者与其他方法结合 如小波分析等进行诊断[1-3]。神经网络模型容易建立，在断路器的部分故障状 态下仍可应用于其他单元诊断[4,5]，与其他优化算法如粒子群[6]，贝叶斯决策 [7]和主成分分析方法[8]相结合提高断路器的故障诊断正确率。近来支持向量机 (SVM)作为一种核方法广泛应用在断路器故障诊断领域，它还可以结合核主 成分分析，因子分析，粒子群优化等方法来简化输入特征样本，优化算法收敛， 提高分类准确率[9-11]。同时，在SVM基础上发展的其他方法也相继提出并有效的用于断路器的故障诊断[12,13]。
其中，涉及的参考文献如下：
[1]黄建,胡晓光,巩玉楠,et al.高压断路器机械故障诊断专家系统设计[J]. 电机与控制学报,2011,(10):43-49.
[2]王小华,荣命哲,吴翊,et al.高压断路器故障诊断专家系统中快速诊断及 新知识获取方法[J].中国电机工程学报,2007,(03):95-99.
[3]KEZUNOVIC Mladen,ZHIFANG Ren,LATISKO Goran,et al.Automatedmonitoring and analysis of circuit breaker operation[J].IEEE Transactions onPower Delivery,2005,20(3):1910-1918.
[4]LEE S Dennis,LITHGOW Brian,MORRISON R E.New fault diagnosis ofcircuit breakers[J].IEEE Transactions on Power Delivery,2003,18(2):454-459.
[5]HONG-TZER Yang,WEN-YEAU Chang,CHING-LIEN Huang.A new neuralnetworks approach to on-line fault section estimation using information ofprotective relays and circuit breakers[J].IEEE Transactions on PowerDelivery,1994,9(1): 220-230.
[6]岳小斌,练刚.基于粒子群优化神经网络的高压断路器故障诊断[J].电力 学报,2011,(1):41-49.
[7]杨凌霄,朱亚丽.基于概率神经网络的高压断路器故障诊断[J].电力系统 保护与控制,2015,(10):62-67.
[8]KHODDAM Maryam,SADEH Javad,POURMOHAMADIYAN Pedjman. Electricalcontact failure detection based on dynamic resistance principle componentanalysis and RBF neural network；proceedings of the 2016 InternationalConference on Condition Monitoring and Diagnosis(CMD),F 25-28Sept.2016,2016[C].
[9]黄南天,张书鑫,蔡国伟,et al.采用EWT和OCSVM的高压断路器机械故 障诊断[J].仪器仪表学报,2015,(12):2773-2781.
[10]张卫正，李永丽，姚创.基于最小二乘支持向量机的高压断路器故障诊断[J].高压电器,2015,(12):79-83.
[11]HENGZHEN Li,YUNFEI Wang,WANG J F,et al.Support vector machinebased fault diagnosis using trip and close coil current of circuit breakers；proceedings of the TENCON 2015-2015 IEEE Region 10 Conference,F 1-4 Nov.2015,2015[C].
[12]JIN Tan,WEIHUA Niu,SUN Cai.Fault diagnosis method of high voltagecircuit breakers based on wavelet packet decomposition and ELM；proceedings ofthe 2016 China International Conference on Electricity Distribution(CICED),F10-13 Aug.2016,2016[C].
[13]GENG Pulong,SONG Jiancheng,XU Chunyu,et al.Fault patternrecognition method for the high voltage circuit breaker based on theincremental learning algorithms for SVM；proceedings of the 2016 InternationalConference on Condition Monitoring and Diagnosis(CMD),F 25-28 Sept.2016,2016[C]。
相关的专利文献包括，申请号为CN201310160910.1的文件公开了：“一种 基于贝叶斯网络的断路器故障诊断方法,并根据设备运行、老化规律建立基于贝 叶斯网络的故障诊断方法对断路器的实时运行状态进行诊断,利用专家系统对 故障模式进行预测,实现对断路器实时运行状态的诊断”。
申请号为CN201510259459.8的专利文件公开了：“一种基于人工神经网络 的断路器故障诊断专家系统,其特征在于,包括：知识数据库,用于保存已知的知 识和数据；知识获取模块,用于获取已知的知识和数据并存入知识数据库中；BP 神经网络故障诊断模块,用于根据采集的断路器数据和知识数据库进行故障诊 断；诊断原理保存模块,用于保存故障诊断过程和原理数据,响应输入的调用指令, 调用并显示保存的故障诊断过程和原理数据；辅助模块,用于显示故障诊断结果 和知识数据库的变化记录”。
申请号为CN201410400628.0的专利文件公开了：“一种基于核主元分析的 支持向量机高压断路器故障诊断方法,包括如下步骤：(1)采集高压断路器的分合 闸线圈电流曲线作为故障诊断的数据库,包括高压断路器在正常运行时的数据 和高压断路器在异常运行时的数据；(2)基于高压断路器在正常运行时的数据, 建立核主元分析的模型；(3)基于核主元分析的模型,检测异常数据样本；(4)运用 支持向量机进行故障诊断”。
申请号为CN201310273548.9的专利文件公开了：“基于分合闸线圈电流信 号的断路器故障诊断方法,方法为：(1)采集原始故障数据集,对采集到的数据进 行归一化处理；(2)利用粒子群算法(PSO)与模糊核C-均值聚类(KFCM)相结合的 算法P-KFCM,对数据集进行分类,得到原始故障样本隶属度矩阵,根据隶属度将 数据集分为C类；(3)通过聚类有效性指标MPC对聚类数C进行校核,以MPC 最大值所对应的聚类数C作为最佳聚类数。(4)将最优分类中每两类的数据样本 建立一个SVM预测训练器,得到C×(C-1)/2个SVM训练模型。(5)将采集到的测 试样本分别输入SVM训练器,得到初步测试结果。(6)综合所有的测试结果,得到 最终的故障诊断结论”。
然而现有的这些方法在对断路器故障进行诊断时，会存在一些知识库的建 立、计算量过大、诊断精度较低等难点。比如基于专家智能系统的诊断方式难 点在于专家知识库的建立更新和解释机制，过于依赖领域专家经验；基于遗传 算法优化和神经网络的诊断方法的模型复杂，模型训练时需要尽可能多样本来 提高精度，计算量也随之增大基于SVM的算法虽然实现了非线性映射，但模 型还是需要大量支持向量，随着样本增加，运算量很大。
发明内容
本发明针对SF6气体断路器，通过一种基于分层贝叶斯故障诊断方法提取分 析相关电气量以及非电气量信息，从而能使断路器故障时快速报警和诊断，并 降低误报的频次，尽可能保证电网的安全可靠供电。
本发明的技术方案是，首先采用PCA对原数据进行特征值提取，从而找 出训练样本在高维映射中的特征向量。同时，将核方法引入分层贝叶斯模型中。 这里的核函数选择高斯核函数，这样就实现了高维空间映射。
另外，由于该分层贝叶斯分类器只能解决两类分类问题，而生产过程中出 现的故障往往是多于两类的。一般将二分类器用于多分类时有多种间接方法。 假设有C个故障,“一对多”的方式需要C(C-1)/2个二分类器,“一对一”则需要个, 而“二叉树”仅需要C-1个。采用故障树中的二叉树理论，建立一系列对应不同 故障类别的二分类器，进行组合诊断。该方法由于采用分层贝叶斯模型，第一 层采用正态概率模型，第二层采用无信息超先验模型，因此参数的稀疏率得到 极大的提高，从而使得模型参数简化，提高了诊断效率。
本发明公开了一种基于分层贝叶斯的断路器故障诊断方法。相比现有技术， 本发明方法主要创新和贡献是：
1、采用PCA对原数据进行特征值提取，进行降维数据预处理。
2、将核方法引入分层贝叶斯模型中，实现了高维空间映射。
3、将拉普拉斯分布引入到分层贝叶斯模型，使得模型参数稀疏化。
4、利用二叉故障树理论，建立一系列对应不同故障类别的二分类器，进行 组合诊断。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出 了本发明的若干实施方式，其中：
图1本发明的基于分层贝叶斯模型的断路器故障诊断框图。
具体实施方式
本发明针对SF6气体断路器，建立基于分层贝叶斯故障诊断模型的方法包 括步骤：
(1)对历史训练数据和待测数据标准化，并对模型参数进行初始化和设定迭代 终止条件；
(2)利用高斯核函数如下所示，计算核矩阵K，即
式中δ是核宽参数，可以由交叉寻优方法来确定。
(3)用PCA提取出故障数据的主要特征信息。求相关系数矩阵R以及R的特 征值和特征向量，记为λi,(i＝1,2,...,p)，其对应特征向量为ei(i＝1，2，......，p)。 接着计算主成份贡献率、累计贡献率并确定主成分个数，从而得到映射后的训 练数据集X；
(4)利用核方法对X重新定义并求取设计矩阵，于是H中的向量变为：
h(x)＝[1,K(x,x1),...,K(x,xN)]T，
(5)将H代入到分层贝叶斯模型中，通过下面两个公式分别求得s(t)和Q(t)值；
(6)利用式求得新的参数向量β(t+1)；
(7)重复步骤(5)和(6)，直到满足算法终止条件。
(8)对待测样本进行分类诊断；
(9)判断故障类别数c是否等于2。如果是，则输出诊断结果；如果不是，则 采用二叉树的方法构建多类分类器：首先将故障种类中最经常发生的故障作为 第一类,将其他(c-1)类故障看作另一类，重复步骤5到9，建立第一个二分类 模型；然后在(c-1)类故障中重复前面的分类，建立第二个二分类模型，直到得 到(c-1)个二分类器。待测样本通过这些分类器得到最后的多分类故障。
当主要考虑SF6断路器的四种故障：气体泄漏、机械卡涩、绝缘闪络和二 次回路故障。实验中选取故障样本400个，其中每种故障样本为100个。另外 取100个样本作为待测数据集，其中每种故障样本为25个。在相同的迭代初始 条件下，该方法与其他另外两种广泛应用的方法进行了比较，即KPCA和SVM。 其分类结果如下表1所示。
表1故障诊断结果
表1中F1—F4表示四类故障中每类故障所对应的错分样本数目。正确率是 针对整个测试样本的正确分类的准确率。nsv表示3个二分类模型需要的支持 向量的平均个数。从结果中可以看出，分层贝叶斯的分类准确率比其他两个方 法都高，且分层贝叶斯的支持向量个数只需要19个。这说明在分类精度相差不 大，甚至更好的情况下，后者所建立的模型参数个数比其它方法少一半左右， 模型的结构要更为简单，计算效率相应更高。
值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创 造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对 各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述 的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等 同布置。
Claims (3)
1.一种断路器故障诊断方法，其特征在于，获取电网中断路器工作状态历史数据，该历史数据包括电气量数据和非电气量数据，利用这些历史数据作为训练样本，结合待测的断路器数据，基于分层贝叶斯模型，建立断路器故障诊断模型。
2.如权利要求1所述的断路器故障诊断方法，其特征在于，所述的基于分层贝叶斯模型建立断路器故障诊断模型的步骤包括：
(1)对历史训练数据和待测数据标准化，并对模型参数进行初始化和设定迭代终止条件；
(2)利用高斯核函数如下所示，计算核矩阵K，即
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
式中δ是核宽参数，可以由交叉寻优方法来确定；
(3)用PCA提取出故障数据的特征信息，求相关系数矩阵R以及R的特征值和特征向量，记为λi,(i＝1,2,...,p)，其对应特征向量为ei(i＝1，2，......，p)，
计算主成份贡献率、累计贡献率并确定主成分个数，从而得到映射后的训练数据集X；
(4)利用核方法对X重新定义并求取设计矩阵，H中的向量变为：h(x)＝[1,K(x,x1),...,K(x,xN)]T，
(5)将H代入到分层贝叶斯模型中，通过下面两个公式分别求得s(t)和Q(t)值，
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>&equiv;</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>,</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>h</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>|</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>h</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>|</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0.</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>&equiv;</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>|</mo>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mo>|</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>M</mi>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
(6)利用式求得新的参数向量β(t+1)；
(7)重复步骤(5)和(6)，直到满足算法终止条件；
(8)对待测样本进行分类诊断；
(9)判断故障类别数c是否等于2，
如果是，则输出诊断结果；
如果不是，则采用二叉树的方法构建多类分类器：
首先，将故障种类中最经常发生的故障作为第一类,将其他(c-1)类故障看作另一类，重复步骤(5)到(9)，建立第一个二分类模型；
然后，在(c-1)类故障中重复前面的分类，建立第二个二分类模型，直到得到(c-1)个二分类器，待测样本通过这些分类器得到最后的多分类故障。
3.如权利要求2所述的断路器故障诊断方法，其特征在于，所述断路器是SF6气体断路器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711371587.7A CN108020781B (zh) | 2017-12-19 | 2017-12-19 | 一种断路器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711371587.7A CN108020781B (zh) | 2017-12-19 | 2017-12-19 | 一种断路器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108020781A true CN108020781A (zh) | 2018-05-11 |
| CN108020781B CN108020781B (zh) | 2020-05-29 |
Family
ID=62074197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711371587.7A Expired - Fee Related CN108020781B (zh) | 2017-12-19 | 2017-12-19 | 一种断路器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108020781B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108758969A (zh) * | 2018-06-14 | 2018-11-06 | 河南科技大学 | 一种冷水机组故障检测方法和系统 |
| CN109100646A (zh) * | 2018-08-17 | 2018-12-28 | 国网江苏省电力有限公司检修分公司 | 一种高压断路器故障诊断方法 |
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
| CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
| CN111458630A (zh) * | 2020-04-09 | 2020-07-28 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
| CN111522308A (zh) * | 2020-04-17 | 2020-08-11 | 深圳市英维克信息技术有限公司 | 故障诊断方法、装置、存储介质及计算机设备 |
| CN113945329A (zh) * | 2021-10-14 | 2022-01-18 | 西安西电开关电气有限公司 | 一种sf6气体泄漏缺陷研判方法及系统 |
| US11539217B2 (en) | 2019-10-28 | 2022-12-27 | Enphase Energy, Inc. | Method and apparatus for tertiary control of microgrids with integrated over-current protection |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736027A (zh) * | 2012-07-18 | 2012-10-17 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断方法 |
| CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
| CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 |
| CN106951707A (zh) * | 2017-03-21 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种可重构系统贝叶斯网构建方法 |
| CN107247450A (zh) * | 2017-05-05 | 2017-10-13 | 武汉理工大学 | 基于贝叶斯网络的断路器故障诊断方法 |
| CN107478988A (zh) * | 2017-09-21 | 2017-12-15 | 山东大学 | 基于非精确贝叶斯模型的断路器异常判别方法和系统 |
-
2017
- 2017-12-19 CN CN201711371587.7A patent/CN108020781B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736027A (zh) * | 2012-07-18 | 2012-10-17 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断方法 |
| CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
| CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 |
| CN106951707A (zh) * | 2017-03-21 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种可重构系统贝叶斯网构建方法 |
| CN107247450A (zh) * | 2017-05-05 | 2017-10-13 | 武汉理工大学 | 基于贝叶斯网络的断路器故障诊断方法 |
| CN107478988A (zh) * | 2017-09-21 | 2017-12-15 | 山东大学 | 基于非精确贝叶斯模型的断路器异常判别方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 马小波 等: "基于粗糙集理论和贝叶斯网络的真空断路器故障诊断方法", 《现代电力》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108758969A (zh) * | 2018-06-14 | 2018-11-06 | 河南科技大学 | 一种冷水机组故障检测方法和系统 |
| CN109100646A (zh) * | 2018-08-17 | 2018-12-28 | 国网江苏省电力有限公司检修分公司 | 一种高压断路器故障诊断方法 |
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
| CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
| US11539217B2 (en) | 2019-10-28 | 2022-12-27 | Enphase Energy, Inc. | Method and apparatus for tertiary control of microgrids with integrated over-current protection |
| CN111458630A (zh) * | 2020-04-09 | 2020-07-28 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
| CN111458630B (zh) * | 2020-04-09 | 2022-09-06 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
| CN111522308A (zh) * | 2020-04-17 | 2020-08-11 | 深圳市英维克信息技术有限公司 | 故障诊断方法、装置、存储介质及计算机设备 |
| CN113945329A (zh) * | 2021-10-14 | 2022-01-18 | 西安西电开关电气有限公司 | 一种sf6气体泄漏缺陷研判方法及系统 |
| CN113945329B (zh) * | 2021-10-14 | 2024-01-23 | 西安西电开关电气有限公司 | 一种sf6气体泄漏缺陷研判方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108020781B (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108020781A (zh) | 一种断路器故障诊断方法 | |
| JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
| Pinzón et al. | Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning | |
| Sun et al. | Fault diagnosis of power transformers using computational intelligence: A review | |
| CN102779230B (zh) | 一种电力变压器系统状态分析和维修决策判断方法 | |
| CN106932712A (zh) | 一种基于改进模糊Petri网的断路器故障诊断方法 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN116562618A (zh) | 一种获得动态安全评估模型的方法 | |
| CN105718958A (zh) | 基于线性判别分析和支持向量机的断路器故障诊断方法 | |
| CN108803554A (zh) | 一种发电机信号的智能诊断方法 | |
| CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
| CN110646710B (zh) | 电网故障智能诊断方法、装置、计算机设备和存储介质 | |
| Singh et al. | Power system fault diagnosis using fuzzy decision tree | |
| CN118246799A (zh) | 一种gis状态预测和故障预警方法及系统、存储介质 | |
| CN113899987A (zh) | 基于深度金字塔卷积神经网络的电网故障诊断方法 | |
| DE102021006561A1 (de) | Big-Data für Fehlererkennung in Batteriesystemen | |
| CN114077809A (zh) | 用于监测控制器的决策逻辑的性能的方法和监控系统 | |
| CN117744020A (zh) | 基于多源异构数据融合的配电网停电范围识别方法 | |
| Li et al. | A probabilistic data-driven method for response-based load shedding against fault-induced delayed voltage recovery in power systems | |
| CN114791537A (zh) | 基于属性自适应的工业设备剩余使用寿命预测方法及系统 | |
| Yan et al. | Research on imbalanced data fault diagnosis of on-load tap changers based on IGWO-WELM | |
| DE102021101757A1 (de) | Big-Data für Fehlererkennung in Batteriesystemen | |
| Ebrahimi et al. | Towards an interpretable data-driven switch placement model in electric power distribution systems: An explainable artificial intelligence-based approach | |
| Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
| Yang et al. | Smart Meter Fault Diagnosis based on Directional Gradient KNN |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200529 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |