CN108828438A - 断路器状态评价方法 - Google Patents
断路器状态评价方法 Download PDFInfo
- Publication number
- CN108828438A CN108828438A CN201810347902.0A CN201810347902A CN108828438A CN 108828438 A CN108828438 A CN 108828438A CN 201810347902 A CN201810347902 A CN 201810347902A CN 108828438 A CN108828438 A CN 108828438A
- Authority
- CN
- China
- Prior art keywords
- fault
- time
- equipment
- data
- sequence
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了一种断路器状态评价方法,首先利用断路器合闸电流曲线的特征时间点构成表征断路器特征的待测数据;然后获取故障断路器据并根据故障类型,划分三个故障数据簇。根据大数据聚类思想,计算待测数据和故障数据簇相对邻近度,将设备状态划分为健康状态、潜伏故障状态或故障状态;在此基础上判断故障设备的故障类型,并基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间,能够较准确地预测其向故障状态转化的时间,可在故障发生前发现设备的隐藏风险,有利于及早发现和解决设备隐患。
Description
技术领域
本发明涉及电力系统设备可靠性分析技术领域,特别是涉及一种断路器状 态评价方法。
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装置。断路器按其使用范 围分为高压断路器与低压断路器。断路器可用来分配电能,不频繁地启动异步 电动机,对电源线路及电动机等实行保护,当它们发生严重的过载或者短路及 欠压等故障时能自动切断电路,其功能相当于熔断器式开关与过欠热继电器等 的组合,在电力系统中应用广泛。
断路器性能的可靠性直接关系到整个电网的运行可靠性,因此对断路器工 作状态的实时评估具有重要的意义。目前,多种不同的在线监测方法被提出, 但是目前的断路器故障诊断方法,仅能二值化地判断设备处于健康或故障状态, 无法表征断路器的潜在故障情况,也无法确定断路器向故障状态转化的趋势, 不利于及早发现和解决设备隐患。
发明内容
为此,本发明的目的在于提出一种断路器状态评价方法,解决现有技术无 法表征断路器的潜在故障情况,也无法确定断路器向故障状态转化的趋势的问 题。
根据本发明提供的断路器状态评价方法,包括:
步骤1,根据断路器的合闸电流实验,提取待测数据x,待测数据x是含有 六个维度信息的特征向量,六个维度信息分别为合闸电流曲线上6个特征时间 点的值;
步骤2,获取包含铁心卡涩F1、线圈电压过低F2、铁心空行程F3这三种 故障类型的故障断路器的历史数据,所述历史数据包含与步骤1中待测数据x 相同的六个维度数据,根据故障类型,将所述历史数据分为三个故障簇C1, C2,C3;
步骤3,计算待测数据x和三个故障簇间的相对邻近度lc1(x,k)、lc2 (x,k)、lc3(x,k),其中k为选定的用来计算相对临近度的临近数据点个数, 计算出三个相对邻近度中的最大值为lmax;
步骤4,根据最大值lmax的大小,判定断路器所属状态并进行相应的后续处 理,其中,若lmax大于0.8,将设备的状态标记为故障状态,且该设备的故障类 别为此邻近的故障数据簇的故障类别;若lmax处于区间[0.6,0.8],将设备的状 态标记为潜伏故障状态,并进一步判断设备向故障状态转化的速度和趋势;若 lmax小于0.6,将设备的状态标记为健康状态,并计算设备的健康得分。
根据本发明提供的断路器状态评价方法,采用基于聚类和时间序列分析的 技术方案,计算设备和故障历史数据的相对邻近度,以此为判据划分设备状态 至健康状态、潜伏故障状态和故障状态三个类别,在此基础上对三个类别的设 备分别处理,根据最邻近原则判定故障及潜伏故障设备的故障类别,能够准确 判断潜伏故障状态和故障状态设备的故障类型,实现断路器状态的分类和精准 监控,基于故障类型加权设定了设备健康得分评价指标,能够直观地反映设备 的健康状况,为设备的运维、检修安排提供参考;基于时间序列相似性分析方 法,对状态类别为潜伏故障的设备,能够较准确地预测其向故障状态转化的时 间,可在故障发生前发现设备的隐藏风险,有利于及早发现和解决设备隐患。
另外,根据本发明上述的断路器状态评价方法,还可以具有如下附加的技 术特征:
进一步地,所述步骤1中,合闸电流曲线上6个特征时间点的值分别为t0- t5,其中,t0为合闸信号到来,电流上升的时刻;t1为电流第一次上升到达极大 值的时刻;t2为铁心接触操作动机构时刻,电流下降到达第一次极小值;t3为 电流上升到达第二次极大值时刻;t4为搭扣分开,电流再次开始下降时刻;t5为电流下降至0时刻。
进一步地,所述步骤3中,采用以下方法计算三个相对邻近度中的最大值 为lmax:
记故障类型编号为j的簇为Cj,采用以下公式计算数据点x与数据簇Cj的 邻近度lj(x,k):
其中,Cj(x,k)是数据点x的在簇Cj当中k个最近邻点的集合,y是簇中的一 个x的最近邻点,d(x,y)是x和y之间的欧式距离;
将Cj内部数据点作为待测数据点,并以此计算出簇内邻近度,对所有内部 数据点的簇内邻近度取平均值,得到Cj的基准邻近度ljref;
数据点x和簇Cj的邻近程度由相对邻近度lcj(x,k)表示:
最大邻近度lmax由下式计算出:
lmax=max(lc1(x,k),lc2(x,k),lc3(x,k))。
进一步地,所述欧式距离d(x,y)由以下公式计算:
其中,m为数据维数,xi代表数据点x在维度i上的坐标,yi代表数据点y 在维度i上的坐标,λi为维度i上的归一系数。
进一步地,判断设备向故障状态转化的速度和趋势的步骤具体包括:
步骤a,采集待测断路器在预设时间内的合闸电流曲线,用不同时间的数据 x构成时间序列X,具体如下步骤:
(1)设定序列X的长度N;
(2)确定末数据点时标txN:将数据点x的采集时刻设定为txN;
(3)计算相对邻近度:设定序列X的最大搜寻时间txmax;计算t∈[txs- txmax,txmax]范围内的数据点x(t)和故障数据簇Cj的相对邻近度lcj(x(t),k);
(4)确定初数据点时标tx1:从txN开始向前搜索第一个相对邻近度 lcj(x(t),k)=0.5±εx的数据点x(t),εx为搜索允许误差,如果有符合要求的数据点, 将对应数据采集时刻设定为tx1;若无符合要求的数据点,将txN-txmax设定为tx1;
(5)获取时间序列:以dtx=Δtx/(N-2)为抽样间隔,从tx1开始按照时间次序 抽取N个数据点,得到最终的时间序列X={x(tx1),x(tx2),…,x(txN)};
步骤b,对与x最近邻的故障数据簇Cj中和数据点x最靠近的k个故障数 据点yi(i=1,2,…,k)提取对应的时间序列,标记为yi(i=1,2,…,k);
步骤c,计算序列X和序列Y1,Y2,…,Yk的动态时间弯曲距离 Ddtw1,Ddtw2,…,Ddtwk;
其中,时间序列X={x(tx1),x(tx2),…,x(txN)}和时间序列 Y={y(ty1),y(ty2),…,y(tyN)}之间的动态时间弯曲距离通过以下公式计算获得:
式中,d(x(tx1),y(ty1))=||x(tx1)-y(ty1)||;R(X)={x(tx2),x(tx3),…,x(txN)};R(Y)={y(ty2),y(ty3),…,y(tyN)};
步骤d,计算序列X和序列Y1,Y2,…,Yk的归一距离D1,D2,…,Dk;
其中,归一距离D(X,Y)通过以下公式计算:
D(X,Y)=Ddtw(X,Y)/N
式中,N为序列X和序列Y的长度;
步骤e,计算断路器的预期故障发展时间:
对于和序列X之间的距离Di小于阈值TD的序列Yi,采用以下公式计算故 障发展时间Δtbi:
Δtbi=tybi-tyNi;
将符合条件的所有故障发展时间归算到和与序列X相同的时间尺度下再求 取平均值,以得到设备的预测故障发展时间Δtb:
式中,C为所有距离条件的序列Yi的故障发展时间Δtbi的集合,Nc为C中 的元素个数,dtyi为序列Yi的采样时间间隔,dtx为序列X的采样时间间隔。
进一步地,计算设备的健康得分的步骤具体包括:
对于每一类确定故障类型j,已知数据点x与其邻近度lcj(x,k),将邻近度转 化为设备与这一故障类型相关的健康得分,设定100为满分,则设备在某个故 障类别下的健康得分Fj(t)的公式为:
Fj(t)=100·(1-max(1,lcj(x,k)))
对设备在所有故障类别下的故障得分进行加权,得到设备的最终将健康状 态得分:
式中,Pj为j类故障对应的权重。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描 述中变得明显,或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描 述中将变得明显和容易理解,其中:
图1是根据本发明实施例的断路器状态评价方法的流程示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请结合图1,本发明实施例提出的断路器状态评价方法,包括:
步骤1,根据断路器的合闸电流实验,提取待测数据x,待测数据x是含有 六个维度信息的特征向量,六个维度信息分别为合闸电流曲线上6个特征时间 点的值;
其中,合闸电流曲线上6个特征时间点的值分别为t0-t5,其中,t0为合闸 信号到来,电流上升的时刻;t1为电流第一次上升到达极大值的时刻;t2为铁 心接触操作动机构时刻,电流下降到达第一次极小值;t3为电流上升到达第二 次极大值时刻;t4为搭扣分开,电流再次开始下降时刻;t5为电流下降至0时刻。
步骤2,获取包含铁心卡涩F1、线圈电压过低F2、铁心空行程F3这三种 故障类型的故障断路器的历史数据,所述历史数据包含与步骤1中待测数据x 相同的六个维度数据,根据故障类型,将所述历史数据分为三个故障簇C1, C2,C3;
步骤3,计算待测数据x和三个故障簇间的相对邻近度lc1(x,k)、lc2 (x,k)、lc3(x,k),其中k为选定的用来计算相对临近度的临近数据点个数, 计算出三个相对邻近度中的最大值为lmax;
其中,具体可以采用以下方法计算三个相对邻近度中的最大值为lmax:
记故障类型编号为j的簇为Cj,采用DBSCAN聚类算法,具体采用以下公 式计算数据点x与数据簇Cj的邻近度lj(x,k):
其中,Cj(x,k)是数据点x的在簇Cj当中k个最近邻点的集合,y是簇中的一 个x的最近邻点,d(x,y)是x和y之间的欧式距离;
欧式距离d(x,y)由以下公式计算:
其中,m为数据维数,xi代表数据点x在维度i上的坐标,yi代表数据点y 在维度i上的坐标,λi为维度i上的归一系数,可以在数据预处理阶段获得。
将Cj内部数据点作为待测数据点,并以此计算出簇内邻近度(带入式(1) 中),对所有内部数据点的簇内邻近度取平均值,得到Cj的基准邻近度ljref;
对于待计算数据点x而言,它与簇的邻近度越大,则表明它越接近于簇,即 更加可能发生此类故障,数据点x和簇Cj的邻近程度由相对邻近度lcj(x,k)表 示:
最大邻近度lmax由下式计算出:
lmax=max(lc1(x,k),lc2(x,k),lc3(x,k)) (4)。
步骤4,根据最大值lmax的大小,判定断路器所属状态并进行相应的后续 处理,具体包括步骤4.1~4.3。
步骤4.1,若lmax大于0.8,表明设备处于很高的故障风险,将设备的状态 标记为故障状态,且该设备的故障类别为此邻近的故障数据簇的故障类别。
步骤4.2,若lmax处于区间[0.6,0.8],表明设备处于较高的风险,将设备的 状态标记为潜伏故障状态,并进一步判断设备向故障状态转化的速度和趋势, 可以通过时间序列分析方法进一步判断设备向故障状态转化的速度和趋势。
其中,判断设备向故障状态转化的速度和趋势的步骤具体可以包括步骤 a~e:
步骤a,采集待测断路器在预设时间内的合闸电流曲线,用不同时间的数据 x构成时间序列X,具体如下步骤:
(1)设定序列X的长度N;
(2)确定末数据点时标txN:将数据点x的采集时刻设定为txN;
(3)计算相对邻近度:设定序列X的最大搜寻时间txmax;通过式(8)计 算t∈[txs-txmax,txmax]范围内的数据点x(t)和故障数据簇Cj的相对邻近度lcj(x(t),k);
(4)确定初数据点时标tx1:从txN开始向前搜索第一个相对邻近度 lcj(x(t),k)=0.5±εx的数据点x(t),εx为搜索允许误差,如果有符合要求的数据点, 将对应数据采集时刻设定为tx1;若无符合要求的数据点,将txN-txmax设定为tx1;
(5)获取时间序列:以dtx=Δtx/(N-2)为抽样间隔,从tx1开始按照时间次序 抽取N个数据点,得到最终的时间序列X={x(tx1),x(tx2),…,x(txN)};
步骤b,对与x最近邻的故障数据簇Cj中和数据点x最靠近的k个故障数 据点yi(i=1,2,…,k)提取对应的时间序列,标记为yi(i=1,2,…,k);
其中,以故障簇Cj中某一和数据点x邻近的数据点y为例,选取数据点y 采集前的时间序列Y作为对比序列。其流程和获取待测数据时间序列X基本一 致,仅确定初末数据点时标方式不同,区别如下:
(i)确定初数据点时标ty1:记故障数据点y的采集时刻为tyb,数据点y也 记作y(tyb)。设置序列Y的最大搜寻时间tymax。计算t∈[tyb-txmax,tyb]范围内的数据 点y(t)和故障数据簇Cj的相对邻近度lcj(y(t1),k)从tyb时刻向前搜索满足 lcj(y(t),k)=lcj(x(tx1),k)±εy1的数据点,εy1为初次搜索允许误差。若在tyb-tymax时刻前 找到满足要求的数据点,将对应的采集时间设定为ty1,否则,结束所有步骤, 视为寻找失败。
(ii)确定末数据点时标tyN:在ty1到tyb区间内进行第二次搜寻,从ty0开 始向后寻找第一个数据点,使得lcj(y(t),k)=lcj(x(txN),k)±εy2,εy2为二次搜索允许误 差。若在tyb时刻前找到符合要求的数据点,将对应的采集时间设定为tyN,否 则,结束所有步骤,视为寻找失败。
步骤c,计算序列X和序列Y1,Y2,…,Yk的动态时间弯曲距离 Ddtw1,Ddtw2,…,Ddtwk;
其中,时间序列X={x(tx1),x(tx2),…,x(txN)}和时间序列Y={y(ty1),y(ty2),…,y(tyN)} 之间的动态时间弯曲距离通过以下公式计算获得:
式中,d(x(tx1),y(ty1))=||x(tx1)-y(ty1)||;R(X)={x(tx2),x(tx3),…,x(txN)};R(Y)={y(ty2),y(ty3),…,y(tyN)};
步骤d,计算序列X和序列Y1,Y2,…,Yk的归一距离D1,D2,…,Dk;
其中,归一距离D(X,Y)通过以下公式计算:
D(X,Y)=Ddtw(X,Y)/N (6)
式中,N为序列X和序列Y的长度;
步骤e,计算断路器的预期故障发展时间:
对于和序列X之间的距离Di小于阈值TD的序列Yi,采用以下公式计算故 障发展时间Δtbi:
Δtbi=tybi-tyNi (7);
将符合条件的所有故障发展时间归算到和与序列X相同的时间尺度下再求 取平均值,以得到设备的预测故障发展时间Δtb:
式中,C为所有距离条件的序列Yi的故障发展时间Δtbi的集合,Nc为C中 的元素个数,dtyi为序列Yi的采样时间间隔,dtx为序列X的采样时间间隔。预 测故障发展时间Δtb反映了设备从当前高危状态转化为故障状态的预期时间长度。
步骤4.3,若lmax小于0.6,将设备的状态标记为健康状态,并计算设备的 健康得分。
其中,计算设备的健康得分的步骤具体包括:
对于每一类确定故障类型j,已知数据点x与其邻近度lcj(x,k),将邻近度转 化为设备与这一故障类型相关的健康得分,设定100为满分,则设备在某个故 障类别下的健康得分Fj(t)的公式为:
Fj(t)=100·(1-max(1,lcj(x,k))) (9)
对设备在所有故障类别下的故障得分进行加权,得到设备的最终将健康状 态得分:
式中,Pj为j类故障对应的权重,故障对设备健康影响程度越高时权重设 置越大,具体的权重设定可根据实际设备情况修改,优选的,权重可以设置为 P1=0.3,P2=0.4,P3=0.3。
根据本实施例提供的断路器状态评价方法,采用基于聚类和时间序列分析 的技术方案,计算设备和故障历史数据的相对邻近度,以此为判据划分设备状 态至健康状态、潜伏故障状态和故障状态三个类别,在此基础上对三个类别的 设备分别处理,根据最邻近原则判定故障及潜伏故障设备的故障类别,能够准 确判断潜伏故障状态和故障状态设备的故障类型,实现断路器状态的分类和精 准监控,基于故障类型加权设定了设备健康得分评价指标,能够直观地反映设 备的健康状况,为设备的运维、检修安排提供参考;基于时间序列相似性分析 方法,对状态类别为潜伏故障的设备,能够较准确地预测其向故障状态转化的 时间,可在故障发生前发现设备的隐藏风险,有利于及早发现和解决设备隐患。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认 为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机 可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处 理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统) 使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计 算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令 执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或 多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取 存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM 或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外, 计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因 为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时 以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机 存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。 在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执 行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方 式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有 用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合 逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列 (FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、 “具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、 结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中, 对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具 体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适 的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解: 在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、 替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种断路器状态评价方法,其特征在于,包括:
步骤1,根据断路器的合闸电流实验,提取待测数据x,待测数据x是含有六个维度信息的特征向量,六个维度信息分别为合闸电流曲线上6个特征时间点的值;
步骤2,获取包含铁心卡涩F1、线圈电压过低F2、铁心空行程F3这三种故障类型的故障断路器的历史数据,所述历史数据包含与步骤1中待测数据x相同的六个维度数据,根据故障类型,将所述历史数据分为三个故障簇C1,C2,C3;
步骤3,计算待测数据x和三个故障簇间的相对邻近度lc1(x,k)、lc2(x,k)、lc3(x,k),其中k为选定的用来计算相对临近度的临近数据点个数,计算出三个相对邻近度中的最大值为lmax;
步骤4,根据最大值lmax的大小,判定断路器所属状态并进行相应的后续处理,其中,若lmax大于0.8,将设备的状态标记为故障状态,且该设备的故障类别为此邻近的故障数据簇的故障类别;若lmax处于区间[0.6,0.8],将设备的状态标记为潜伏故障状态,并进一步判断设备向故障状态转化的速度和趋势;若lmax小于0.6,将设备的状态标记为健康状态,并计算设备的健康得分。
2.根据权利要求1所述的断路器状态评价方法,其特征在于,所述步骤1中,合闸电流曲线上6个特征时间点的值分别为t0-t5,其中,t0为合闸信号到来,电流上升的时刻;t1为电流第一次上升到达极大值的时刻;t2为铁心接触操作动机构时刻,电流下降到达第一次极小值;t3为电流上升到达第二次极大值时刻;t4为搭扣分开,电流再次开始下降时刻;t5为电流下降至0时刻。
3.根据权利要求1所述的断路器状态评价方法,其特征在于,所述步骤3中,采用以下方法计算三个相对邻近度中的最大值为lmax:
记故障类型编号为j的簇为Cj,采用以下公式计算数据点x与数据簇Cj的邻近度lj(x,k):
其中,Cj(x,k)是数据点x的在簇Cj当中k个最近邻点的集合,y是簇中的一个x的最近邻点,d(x,y)是x和y之间的欧式距离;
将Cj内部数据点作为待测数据点,并以此计算出簇内邻近度,对所有内部数据点的簇内邻近度取平均值,得到Cj的基准邻近度ljref;
数据点x和簇Cj的邻近程度由相对邻近度lcj(x,k)表示:
最大邻近度lmax由下式计算出:
lmax=max(lc1(x,k),lc2(x,k),lc3(x,k))。
4.根据权利要求3所述的断路器状态评价方法,其特征在于,所述欧式距离d(x,y)由以下公式计算:
其中,m为数据维数,xi代表数据点x在维度i上的坐标,yi代表数据点y在维度i上的坐标,λi为维度i上的归一系数。
5.根据权利要求4所述的断路器状态评价方法,其特征在于,所述步骤4中,判断设备向故障状态转化的速度和趋势的步骤具体包括:
步骤a,采集待测断路器在预设时间内的合闸电流曲线,用不同时间的数据x构成时间序列X,具体包括以下步骤:
(1)设定序列X的长度N;
(2)确定末数据点时标txN:将数据点x的采集时刻设定为txN;
(3)计算相对邻近度:设定序列X的最大搜寻时间txmax;计算t∈[txs-txmax,txmax]范围内的数据点x(t)和故障数据簇Cj的相对邻近度lcj(x(t),k);
(4)确定初数据点时标tx1:从txN开始向前搜索第一个相对邻近度lcj(x(t),k)=0.5±εx的数据点x(t),εx为搜索允许误差,如果有符合要求的数据点,将对应数据采集时刻设定为tx1;若无符合要求的数据点,将txN-txmax设定为tx1;
(5)获取时间序列:以dtx=Δtx/(N-2)为抽样间隔,从tx1开始按照时间次序抽取N个数据点,得到最终的时间序列X={x(tx1),x(tx2),…,x(txN)};
步骤b,对与x最近邻的故障数据簇Cj中和数据点x最靠近的k个故障数据点yi(i=1,2,…,k)提取对应的时间序列,标记为yi(i=1,2,…,k);
步骤c,计算序列X和序列Y1,Y2,…,Yk的动态时间弯曲距离Ddtw1,Ddtw2,…,Ddtwk;
其中,时间序列X={x(tx1),x(tx2),…,x(txN)}和时间序列Y={y(ty1),y(ty2),…,y(tyN)}之间的动态时间弯曲距离通过以下公式计算获得:
式中,d(x(tx1),y(ty1))=||x(tx1)-y(ty1)||;R(X)={x(tx2),x(tx3),…,x(txN)};R(Y)={y(ty2),y(ty3),…,y(tyN)};
步骤d,计算序列X和序列Y1,Y2,…,Yk的归一距离D1,D2,…,Dk;
其中,归一距离D(X,Y)通过以下公式计算:
D(X,Y)=Ddtw(X,Y)/N
式中,N为序列X和序列Y的长度;
步骤e,计算断路器的预期故障发展时间:
对于和序列X之间的距离Di小于阈值TD的序列Yi,采用以下公式计算故障发展时间Δtbi:
Δtbi=tybi-tyNi;
将符合条件的所有故障发展时间归算到和与序列X相同的时间尺度下再求取平均值,以得到设备的预测故障发展时间Δtb:
式中,C为所有距离条件的序列Yi的故障发展时间Δtbi的集合,Nc为C中的元素个数,dtyi为序列Yi的采样时间间隔,dtx为序列X的采样时间间隔。
6.根据权利要求5所述的断路器状态评价方法,其特征在于,所述步骤4中,计算设备的健康得分的步骤具体包括:
对于每一类确定故障类型j,已知数据点x与其邻近度lcj(x,k),将邻近度转化为设备与这一故障类型相关的健康得分,设定100为满分,则设备在某个故障类别下的健康得分Fj(t)的公式为:
Fj(t)=100·(1-max(1,lcj(x,k)))
对设备在所有故障类别下的故障得分进行加权,得到设备的最终将健康状态得分:
式中,Pj为j类故障对应的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347902.0A CN108828438B (zh) | 2018-04-18 | 2018-04-18 | 断路器状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347902.0A CN108828438B (zh) | 2018-04-18 | 2018-04-18 | 断路器状态评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108828438A true CN108828438A (zh) | 2018-11-16 |
CN108828438B CN108828438B (zh) | 2021-03-02 |
Family
ID=64155093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810347902.0A Active CN108828438B (zh) | 2018-04-18 | 2018-04-18 | 断路器状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828438B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682620A (zh) * | 2018-12-06 | 2019-04-26 | 郭思 | 一种家用空调器制冷效率的评估方法 |
CN109975633A (zh) * | 2019-03-01 | 2019-07-05 | 国网浙江杭州市富阳区供电有限公司 | 一种电网设备状态监测方法 |
CN110646200A (zh) * | 2019-09-04 | 2020-01-03 | 天津工业大学 | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 |
CN112733391A (zh) * | 2021-04-06 | 2021-04-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于距离幂次反比法的断路器合闸时间预估方法 |
CN116953413A (zh) * | 2023-08-28 | 2023-10-27 | 建能电气股份有限公司 | 基于开关柜内部元器件的故障诊断系统 |
CN116953413B (zh) * | 2023-08-28 | 2024-05-31 | 建能电气股份有限公司 | 基于开关柜内部元器件的故障诊断系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636740A (zh) * | 2012-04-18 | 2012-08-15 | 南京航空航天大学 | 一种基于frm-rvm的电力电子电路故障预测方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
CN105372591A (zh) * | 2015-09-28 | 2016-03-02 | 国家电网公司 | 一种基于暂态过程的水电机组健康状态量化评价方法 |
EP2328250B1 (en) * | 2009-11-30 | 2016-03-30 | General Electric Company | Circuit breaker control |
CN106526465A (zh) * | 2016-06-21 | 2017-03-22 | 江苏镇安电力设备有限公司 | 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 |
CN107579846A (zh) * | 2017-08-23 | 2018-01-12 | 昆明理工大学 | 一种云计算故障数据检测方法及系统 |
KR101823067B1 (ko) * | 2016-07-27 | 2018-01-30 | 주식회사 세화 | 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법 |
-
2018
- 2018-04-18 CN CN201810347902.0A patent/CN108828438B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328250B1 (en) * | 2009-11-30 | 2016-03-30 | General Electric Company | Circuit breaker control |
CN102636740A (zh) * | 2012-04-18 | 2012-08-15 | 南京航空航天大学 | 一种基于frm-rvm的电力电子电路故障预测方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
CN105372591A (zh) * | 2015-09-28 | 2016-03-02 | 国家电网公司 | 一种基于暂态过程的水电机组健康状态量化评价方法 |
CN106526465A (zh) * | 2016-06-21 | 2017-03-22 | 江苏镇安电力设备有限公司 | 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 |
KR101823067B1 (ko) * | 2016-07-27 | 2018-01-30 | 주식회사 세화 | 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법 |
CN107579846A (zh) * | 2017-08-23 | 2018-01-12 | 昆明理工大学 | 一种云计算故障数据检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
白亮 等: "基于时间序列相似性挖掘的水电机组振动故障诊断研究", 《水力发电学报》 * |
钟锦源 等: "基于时间序列相似性匹配的输电系统故障诊断方法", 《电力系统自动化》 * |
陈园园: "基于密度的聚类算法研究及其在电信客户细分中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682620A (zh) * | 2018-12-06 | 2019-04-26 | 郭思 | 一种家用空调器制冷效率的评估方法 |
CN109682620B (zh) * | 2018-12-06 | 2020-10-27 | 郭思 | 一种家用空调器制冷效率的评估方法 |
CN109975633A (zh) * | 2019-03-01 | 2019-07-05 | 国网浙江杭州市富阳区供电有限公司 | 一种电网设备状态监测方法 |
CN110646200A (zh) * | 2019-09-04 | 2020-01-03 | 天津工业大学 | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 |
CN110646200B (zh) * | 2019-09-04 | 2021-10-22 | 天津工业大学 | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 |
CN112733391A (zh) * | 2021-04-06 | 2021-04-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于距离幂次反比法的断路器合闸时间预估方法 |
CN116953413A (zh) * | 2023-08-28 | 2023-10-27 | 建能电气股份有限公司 | 基于开关柜内部元器件的故障诊断系统 |
CN116953413B (zh) * | 2023-08-28 | 2024-05-31 | 建能电气股份有限公司 | 基于开关柜内部元器件的故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108828438B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108828438A (zh) | 断路器状态评价方法 | |
US9864008B2 (en) | Electric power system circuit breaker trip diagnostic | |
US8200372B2 (en) | Methods and processes for managing distributed resources in electricity power generation and distribution networks | |
US10422833B2 (en) | Systems and methods for classifying power line events | |
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
US8588984B2 (en) | Rotor angle stability prediction using post disturbance voltage trajectories | |
CN109102171A (zh) | 一种基于大数据的变电站设备状态智能化评价系统及方法 | |
CN103698698A (zh) | 一种基于模糊理论的高压断路器电寿命诊断方法 | |
CN105759173A (zh) | 含分布式电源的配电网的自适应故障区段定位方法 | |
CN105445657B (zh) | 基于灰色关联度分析的断路器操作机构状态诊断方法 | |
CN101688892A (zh) | 用于在时域中预测电力系统的状态的方法和设备 | |
CN111060813A (zh) | 高压断路器操作机构的故障诊断方法及装置、电子设备 | |
CN109933953A (zh) | 基于概率图模型的配电网开关状态辨识方法 | |
CN110426624A (zh) | 断路器状态的评估方法及装置 | |
CN110601155B (zh) | 一种多端柔性特高压直流输电系统的保护方法 | |
CN114626827B (zh) | 一种基于数字孪生的配电自动化防误操作方法 | |
CN112684329A (zh) | 一种高压断路器机械故障智能诊断方法 | |
CN106153183A (zh) | 变压器有载分接开关机械状态的在线监测方法 | |
CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
CN108845074A (zh) | 油浸式变压器状态评价方法 | |
CN109239489A (zh) | 一种用于储能系统的健康状态在线分析方法、装置及介质 | |
CN113515723B (zh) | 一种断路器最低动作电压综合评估方法 | |
CN111240306A (zh) | 一种自适应配电变压器故障诊断系统及其诊断方法 | |
CN109888746A (zh) | 一种基于继电保护信息的电网故障区域识别方法 | |
Geng et al. | State estimation of 500 kV sulphur hexafluoride high‐voltage CBs based on Bayesian probability and neural network |
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 |