CN108957304A - 断路器载流故障预测方法 - Google Patents
断路器载流故障预测方法 Download PDFInfo
- Publication number
- CN108957304A CN108957304A CN201810311831.9A CN201810311831A CN108957304A CN 108957304 A CN108957304 A CN 108957304A CN 201810311831 A CN201810311831 A CN 201810311831A CN 108957304 A CN108957304 A CN 108957304A
- Authority
- CN
- China
- Prior art keywords
- temperature
- day
- monitoring
- value
- contact
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种断路器载流故障预测方法,步骤包括:1)采集相关数据,各个监测从机通过采集相对应的断路器触头上的温度信号、电流信号和从机电源电压信号,并通过433MHz无线传送给监测主机,监测主机收到各个监测从机发送来的采集数据之后,通过与监测主机上的温湿度传感器检测出来的温湿度值进行对比,形成温升值;2)采用动态阈值算法去除奇异点数据,若两次采样增速小于Δ,采用相似日法;若增速大于Δ,则采用等效电阻分析法预测温度发展趋势;即如果增速大于Δ,则进行即时故障预测;如果增速小于Δ,则进行长期故障预测。本发明的方法,精确度高。
Description
技术领域
本发明属于电力系统安全监测技术领域,涉及一种断路器载流故障预测方法。
背景技术
断路器是一种能够承载电力线路上的运行电流,并对其进行及时开断与关合的重要设备,安装在开关柜内对配电系统或者用户设备进行保护,或直接用于户外复杂的变电站环境中,比如10kV断路器属于高压断路器的一种。
断路器中触点之间的连接部位在长期的运行当中会因材料的老化或接触电阻增大而发热,这些发热部位由于大多都在电力设备的内部,目前的监测手段无法有效实现在线监测。同时,配电网络的复杂性,使测量点分布较广泛,且周围带有高压电,不便于人工测量;且断路器在运行过程中,经常会出现各种各样的故障。据相关部门统计,当断路器运行异常时,首先表现为热故障,热故障究其原因是设备连接件、触头连接不良或氧化使接触电阻增大,继而导致触点过热、烧融甚至短路,可以说,热故障与断路器本身寿命息息相关。
目前变电站采用的断路器温升在线监测系统,大多是采用固定阈值报警的方式,通过在线监测数值与预先设定的报警阈值相比较,若实时数据大于报警阈值,则电力系统工作异常;反之,工作正常。但是当监测值大于设定值时,有些故障已经恶化。但若把阈值设置过低,往往又会产生错报。
发明内容
本发明的目的是提供一种断路器载流故障预测方法,解决了现有技术固定阈值报警的方式,报警阈值难以平衡,存在监测不及时或误报警的问题。
本发明所采用的技术方案是,一种断路器载流故障预测方法,按照以下步骤实施:
步骤1、采集相关数据,
监测主机同时连接N个监测从机,各个监测从机通过采集相对应的断路器触头上的温度信号、电流信号和从机电源电压信号,并通过433MHz无线传送给监测主机,监测主机收到各个监测从机发送来的采集数据之后,通过与监测主机上的温湿度传感器检测出来的温湿度值进行对比,形成温升值,并在监测主机的LCD液晶屏上显示出来,还可通过RS485/GPRS长距离传输至上位机,实现远距离监控;
步骤2、采用动态阈值算法去除奇异点数据,
监测主机接收到各个监测从机输送来的数据之后,首先通过以贝塔分布为核心的动态阈值算法,通过算法处理,消除由同步偏差、传输错误和信道噪声等问题引起的奇异点,具体过程如下:
2.1)将一段时间内监测到的温度数据Xi进行归一化处理,
其中,Xi为监测到的温度数据,Xmin为监测数据中的最小值,Xmax为监测数据中的最大值;
2.2)计算监测数据趋势概率的贝塔分布,
其中,γ、η是形状参数,mi是监测数据落在第i个区间内的个数,n是监测数据的个数,hi是每个区间的半宽度,N是所有区间的个数;
2.3)利用最小二乘法求贝塔分布的形状参数γ,η;
2.4)计算双侧α分位数λ1及λ2,
λ1是下侧分位数,λ2是上侧分位数;
2.5)求正常温度数据区间[THreshoad1 THreshold2],α取0.05,
得到正常温度数据区间之后,剔除不在正常范围内的温度值,并通过前两个时刻的温度值预测剔除点所对应时刻的温度值;
2.6)用预测时刻的采样值,其中xt-1、xt-2分别为t-1、t-2时刻的温度值;连续剔除并替代两个奇异项之后,重新选择新的起始点xt-1和xt-2,并判断其是否满足下式:
其中,W为误差下限,W2为误差上限,K的数值视具体情况而定,优选K=5;如果该点数据满足上式,则不剔除该点而沿用原来的数据,但如果该点满足下式:
|xt-x′t|>W2, (6)
则认为是干扰点,继续用取代xt;一旦找到满足的点,就自动选择新的起点,否则一直重复步骤2.6,
若两次采样增速小于Δ,采用相似日法;
若增速大于Δ,则采用等效电阻分析法预测温度发展趋势;即如果增速大于Δ,则进行即时故障预测;如果增速小于Δ,则进行长期故障预测。
本发明的有益效果是,以实时监测断路器触头温升的情况,通过引进相应的智能监控、可靠的通信方式、完善的通信协议及高速的数据处理方法,不仅能在线监测触点温度的变化,还能精确定位出现故障或存在隐患的触点位置,具体包括以下方面:
1)在监测主机中加入了以贝塔分布为核心的动态阈值算法,对电力设备运行信号在传输过程中出现的同步偏差、传输错误和信道噪声等问题引起的奇异点进行消除。
2)在监测主机中加入了一种全新的热故障算法,通过触点处温度、电阻、负载之间的关系,运用等效电阻进行建模分析,实现对温度快速上升的即时故障预测。另外,通过相似日相关因素的量化、相似日的选择、权重系数的确定,实现对温度缓慢上升的长期故障预测。
3)监测主机通过对采集到的触头电流信号进行参考,对于正常情况下负荷增加引起的温升系统不进行即时故障预测,其余情况下将进行正常的即时故障预测和长期故障预测。
附图说明
图1是本发明方法用于实施例10kV断路器载流故障预测原理框图;
图2是本发明方法中的热传导模型框图;
图3是本发明方法中的暂态热路模型框图。
图中,1.监测从机,2.监测主机,3.上位机。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1,本发明断路器载流故障预测系统的结构是,包括多个监测从机1、监测主机2及上位机3三部分,每个监测从机1各自通过433MHz无线传送方式与监测主机2互联,监测主机2通过RS485/GPRS方式与上位机3互联;监测从机1用于对电力设备(实施例为10KV断路器)测温节点的温度信号、触头的电流信号、从机电源的电压信号进行采集,其中的控制芯片再将采集数据通过无线模块上传至监测主机2;监测主机2的主控连接有LCD液晶屏(用于数据显示)、报警指示灯(用于报警指示)和环境温湿度传感器(用于温湿度显示);监测主机2将收到的采集数据汇总显示并通过RS485/GPRS方式上传至上位机3(即远程监控中心),上位机3通过对数据进行处理,给出预测结论。在此本发明还创新了两种算法:1)以贝塔分布为核心的动态阈值算法,运用空间相关性分析法提取故障点数据,动态阈值算法消除运行过程的奇异点数据;2)有效的热故障预警方法,通过对采集到的触头电流值进行参考,建立等效电阻分析模型实现温度快速上升的即时故障预测,对最优相似日法改进后完成温度缓慢上升的长期故障预测,实现精确地预测即时故障及长期故障。
本发明断路器载流故障预测方法,按照以下步骤实施:
步骤1、采集相关数据,
如图1,监测主机2同时连接N个监测从机1,各个监测从机1通过采集相对应的断路器触头上的温度信号、电流信号和从机电源电压信号,并通过433MHz无线传送给监测主机2,监测主机2收到各个监测从机1发送来的采集数据之后,通过与监测主机2上的温湿度传感器检测出来的温湿度值进行对比,形成温升值,并在监测主机2的LCD液晶屏上显示出来,还可通过RS485/GPRS长距离传输至上位机3,实现远距离监控。
步骤2、采用动态阈值算法去除奇异点数据,
监测主机2接收到各个监测从机1输送来的数据之后,首先通过以贝塔分布为核心的动态阈值算法,通过算法处理,消除由同步偏差、传输错误和信道噪声等问题引起的奇异点,具体过程如下:
2.1)将一段时间内监测到的温度数据Xi进行归一化处理,
其中,Xi为监测到的温度数据,Xmin为监测数据中的最小值,Xmax为监测数据中的最大值;
2.2)计算监测数据趋势概率的贝塔分布,
其中,γ、η是形状参数,mi是监测数据落在第i个区间内的个数,n是监测数据的个数,hi是每个区间的半宽度,N是所有区间的个数;
2.3)利用最小二乘法求贝塔分布的形状参数γ,η;
2.4)计算双侧α分位数λ1及λ2,
λ1是下侧分位数,λ2是上侧分位数;
2.5)求正常温度数据区间[THreshoad1THreshold2],α取0.05,
得到正常温度数据区间之后,剔除不在正常范围内的温度值,并通过前两个时刻的温度值预测剔除点所对应时刻的温度值;
2.6)用预测时刻的采样值,其中xt-1、xt-2分别为t-1、t-2时刻的温度值;连续剔除并替代两个奇异项之后,重新选择新的起始点xt-1和xt-2,并判断其是否满足下式:
其中,W为误差下限,W2为误差上限,K的数值视具体情况而定,优选K=5;如果该点数据满足上式,则不剔除该点而沿用原来的数据,但如果该点满足下式:
|xt-x′t|>W2,(6)
则认为是干扰点,继续用取代xt;一旦找到满足的点,就自动选择新的起点,否则一直重复步骤2.6。
实际工程中,热故障分为即时故障与长期故障两种形态。即时故障,其特点是温度呈指数形式增长;长期故障,其特点是即时温度变化杂乱,短期数据无法有效表征其特征,但是温度增速不是太大。为此,若两次采样增速小于Δ,采用相似日法;若增速大于Δ,则采用等效电阻分析法预测温度发展趋势;即如果增速大于Δ,则进行步骤3进行即时故障预测;如果增速小于Δ,则进行步骤4进行长期故障预测,Δ值取决于设备类型和负载特点。
步骤3、预测即时故障,
在触点唯一确定的条件下,将故障触点看作集总热容系统,即温度仅仅是实际时间的函数而与空间位置坐标无关,由热力学第一定律推得,物体内能增加量=物体导入净热流量+物体内热源,则有:
其中,Q代表整个边界面传入触点的热流量;Qv代表内热源产生的热量;ρ为物体密度;v为物体体积;c物体比热容,T是触点的实时温度,τ是时间变量。
其中Q=δS(Tf-T),δ代表整个边界面上的平均换热系数,S为物体表面积,Tf代表环境温度;QV=I2R′,I为载流导体的电流,R′为触点电阻;
当设备处于热故障时触点处温度增加,则有:
进而得到触点的等效电阻模型为:
其中,ω1=ρcv,
由上式(9)可知,若能确定与触点对应的参数ω1、ω2,实时电流I及触点电阻R′,就能求出触点的实时温度T;但是在实际工程中要获得触点电阻具有一定困难,为此可将I2R′视为单位电流产生相同内能的等效电阻值。
参照图2,是本发明实施例的触点温度传导模型,在该模型中,Ri为各层导线之间的传导热阻,Ci为各层导线热容;根据电热类比理论,热力学中的温度差、热阻、热容与电路中的电压、电阻、电容一一对应,因此将以触点为热源区的径向热路分析模型转换为图3所示的结构,其中Re为导线与环境的对流热阻,Ce为环境热容。
根据热力学第二定律,内能高的物体会向内能低的物体转移热量,所以对故障触点来说,其他热源区不会向它传导热量。为了简化计算过程,本发明在计算时将图3等效为一阶电路,即把Ri、Ci等效为一个R和C。
由响应的初始状态、时间常数及最终状态,通过与电路中一阶电路全响应对应可得,任何时刻的响应量θxt见下式:
其中,θ(0+)为触点热源区初始温度,θ(∞)为最终温度,t为时间变量,τc为时间常数且τc=RC;
得出式(9)及式(10)之后,按照如下步骤进行即时故障预测:
3.1)利用空间分析法,提取故障初期的温度集合X0;
3.2)基于式(10),将温度集合X0中第一个元素作为θ(0+),最后一个元素作为θ(∞),求出温度集合中间时刻的温度Tmid;
3.3)以Tmid为基准,求出式(9)中的dT/dτ;
3.4)以温度集合X0及dT/dτ为参数,利用最小二乘法求出式(9)的等效电阻阻值;
3.5)求出各触点等效电阻阻值之比,并再次利用空间相关分析法,求出故障触点,得到即时故障的预测结果。
步骤4、预测长期故障,
长期故障具有引发时间长、发生时间短的特征。故本发明利用相似日(通过某种函数证明与预测日最有可能相关的若干日)的数据对长期故障进行预测。
首先对相关因素进行量化,使其具有数值上的可比性。但是传统量化数值,一般只凭经验量化,本发明采用专家判断、客观分析相结合的方法获取各相关因素客观权重,以保证相似日求取的合理性。相似日与预测日相似的程度不同,对预测日贡献也不同,为此本步骤将相似日赋予不同权重,具体过程如下:
步骤4.1)对相似日相关因素进行量化,
触点温度主要受电力负载影响,而电力负荷受气象、日循环等因素影响,且温度具有累计效应,为此本步骤主要考虑日类型、气象和日期差三个因素,
日类型包括日负荷类型、日天气类型;对于日负荷类型因素,休息日明显不同于工作日,周一会受到周日的影响,周六的到来也使得周五与周二至周四有所不同,故对周一和周五赋值0.7,周二至周四赋值0.8,周六赋值0.4,周日赋值0.3;日天气类型包括晴、多云、阴天、雨、雪,通过对EUNITE竞赛数据特性分析发现,晴与多云、阴与雨之间的负荷特性较接近,故设定映射值分别为0.9、0.7、0.5、0.3、0.1;在忽略其他因素的情况下,历史日距离预测日越近,温度特性往往越接近,即所谓的“近大远小”,故此将日期差量化为:
式中,D为日期差的量化值;k为历史日与待测日的相差天数;a为衰减系数,取值为0.9;b为量化的下限,取值为0.1,
但是求取相似日时若直接使用以上量化数值,求取结果容易受关联度大的点的影响,为此本发明利用熵权法进行改进,具体实现过程如下:
4.1.1)建立量化数值组成的评估指标矩阵:
Z=[zij]mn, (12)
其中,i为评价对象;j为评价指标;zij为第j个评价指标下第i个评价对象的评估值;m为评价对象个数;n为评价指标个数;
4.1.2)计算第j个评价指标下第i个评价对象的比重:
其中,rij为相似度;
4.1.3)计算每个评价指标的熵值:
其中,Y为评价指标的熵值;
4.1.4)计算各评价指标的权重:
其中,w为评价指标的权重;
步骤4.2)选择相似日,
由于过大的选择范围会延长选择时间,降低预测效率;而长期热故障短期数据无法有效表征其特征,因此,优选最近15天的日类型、气象和日期差以及整点时刻的温度数据作为预测样本集,设第i日量化后,由以上三个影响因素组成的向量为Hi=[hi1,hi2,hi3],设预测日第j日由以上三个影响因素组成的向量为Hj=[hj1,hj2,hj3],通过聚类分析法计算如下:
计算出历史日与预测日的相似度rij,使得抽象的相似度通过rij来量化其具体大小数值;
步骤4.3)确定权重系数的值,
各相似日的权重系数是本发明预测的关键,将直接影响预测精度,具体实现过程如下:
4.3.1)选取由聚类分析法求出的相似度最大的5日作为相似日,且其相似度具有顺序关系w1>w2>w3>w4>w5,w1w2w3w4w5均为权重;
4.3.2)求出专家关于评价指标的重要程度之比:
其中,r为专家关于评价指标的重要程度之比;
4.3.3)求分权重:
y1=r2*r3*r4*r5,y2=r3*r4*r5,y3=r4*r5,y4=r5, (18)
其中,y为分权重;
4.3.4)总权重导数:y-=r2*r3*r4*r5+r3*r4*r5+r4*r5+r5, (19)
其中,y-为总权重系数;
4.3.5)求出各相似日的序权重:
其中,w/为相似日的序权重,
求出各相似日的序权重后,根据式(20)求出的序权重即可求得待预测日各时刻温度,得到长期故障的预测结果。
Claims (4)
1.一种断路器载流故障预测方法,其特征在于,按照以下步骤实施:
步骤1、采集相关数据,
监测主机同时连接N个监测从机,各个监测从机通过采集相对应的断路器触头上的温度信号、电流信号和从机电源电压信号,并通过433MHz无线传送给监测主机,监测主机收到各个监测从机发送来的采集数据之后,通过与监测主机上的温湿度传感器检测出来的温湿度值进行对比,形成温升值,并在监测主机的LCD液晶屏上显示出来,还可通过RS485/GPRS长距离传输至上位机,实现远距离监控;
步骤2、采用动态阈值算法去除奇异点数据,
监测主机接收到各个监测从机输送来的数据之后,首先通过以贝塔分布为核心的动态阈值算法,通过算法处理,消除由同步偏差、传输错误和信道噪声等问题引起的奇异点,具体过程如下:
2.1)将一段时间内监测到的温度数据Xi进行归一化处理,
其中,Xi为监测到的温度数据,Xmin为监测数据中的最小值,Xmax为监测数据中的最大值;
2.2)计算监测数据趋势概率的贝塔分布,
其中,γ、η是形状参数,mi是监测数据落在第i个区间内的个数,n是监测数据的个数,hi是每个区间的半宽度,N是所有区间的个数;
2.3)利用最小二乘法求贝塔分布的形状参数γ,η;
2.4)计算双侧α分位数λ1及λ2,
λ1是下侧分位数,λ2是上侧分位数;
2.5)求正常温度数据区间[THreshoad1 THreshold2],α取0.05,
得到正常温度数据区间之后,剔除不在正常范围内的温度值,并通过前两个时刻的温度值预测剔除点所对应时刻的温度值;
2.6)用预测时刻的采样值,其中xt-1、xt-2分别为t-1、t-2时刻的温度值;连续剔除并替代两个奇异项之后,重新选择新的起始点xt-1和xt-2,并判断其是否满足下式:
其中,W为误差下限,W2为误差上限,K的数值视具体情况而定,优选K=5;如果该点数据满足上式,则不剔除该点而沿用原来的数据,但如果该点满足下式:
|xt-x′t|>W2, (6)
则认为是干扰点,继续用取代xt;一旦找到满足的点,就自动选择新的起点,否则一直重复步骤2.6,
若两次采样增速小于Δ,采用相似日法;
若增速大于Δ,则采用等效电阻分析法预测温度发展趋势;即如果增速大于Δ,则进行即时故障预测;如果增速小于Δ,则进行长期故障预测。
2.根据权利要求1所述的断路器载流故障预测方法,其特征在于,所述的即时故障预测过程如下:
在触点唯一确定的条件下,将故障触点看作集总热容系统,即温度仅仅是实际时间的函数而与空间位置坐标无关,由热力学第一定律推得,物体内能增加量=物体导入净热流量+物体内热源,则有:
其中,Q代表整个边界面传入触点的热流量;Qv代表内热源产生的热量;ρ为物体密度;v为物体体积;c物体比热容,T是触点的实时温度,τ是时间变量;
其中Q=δS(Tf-T),δ代表整个边界面上的平均换热系数,S为物体表面积,Tf代表环境温度;QV=I2R′,I为载流导体的电流,R′为触点电阻;
当设备处于热故障时触点处温度增加,则有:
进而得到触点的等效电阻模型为:
其中,ω1=ρcv,
若能确定与触点对应的参数ω1、ω2,实时电流I及触点电阻R′,就能求出触点的实时温度T,将I2R′视为单位电流产生相同内能的等效电阻值,
建立触点温度传导模型,在该模型中,Ri为各层导线之间的传导热阻,Ci为各层导线热容;根据电热类比理论,热力学中的温度差、热阻、热容与电路中的电压、电阻、电容一一对应,将以触点为热源区的径向热路分析模型转换结构,其中Re为导线与环境的对流热阻,Ce为环境热容,
根据热力学第二定律,内能高的物体会向内能低的物体转移热量,所以对故障触点来说,其他热源区不会向它传导热量,把Ri、Ci等效为一个R和C,
由响应的初始状态、时间常数及最终状态,通过与电路中一阶电路全响应对应可得,任何时刻的响应量θxt见下式:
其中,θ(0+)为触点热源区初始温度,θ(∞)为最终温度,t为时间变量,τc为时间常数且τc=RC;
得出式(9)及式(10)之后,按照如下步骤进行即时故障预测:
3.1)利用空间分析法,提取故障初期的温度集合X0;
3.2)基于式(10),将温度集合X0中第一个元素作为θ(0+),最后一个元素作为θ(∞),求出温度集合中间时刻的温度Tmid;
3.3)以Tmid为基准,求出式(9)中的dT/dτ;
3.4)以温度集合X0及dT/dτ为参数,利用最小二乘法求出式(9)的等效电阻阻值;
3.5)求出各触点等效电阻阻值之比,并再次利用空间相关分析法,求出故障触点,得到即时故障的预测结果。
3.根据权利要求1所述的断路器载流故障预测方法,其特征在于,所述的长期故障预测过程如下:
首先对相关因素进行量化,采用专家判断、客观分析相结合的方法获取各相关因素客观权重,将相似日赋予不同权重,具体过程如下:
步骤4.1)对相似日相关因素进行量化,
触点温度主要受电力负载影响,而电力负荷受气象、日循环等因素影响,且温度具有累计效应,为此本步骤主要考虑日类型、气象和日期差三个因素,
日类型包括日负荷类型、日天气类型;对于日负荷类型因素,对周一和周五赋值0.7,周二至周四赋值0.8,周六赋值0.4,周日赋值0.3;日天气类型包括晴、多云、阴天、雨、雪,故设定映射值分别为0.9、0.7、0.5、0.3、0.1;将日期差量化为:
式中,D为日期差的量化值;k为历史日与待测日的相差天数;a为衰减系数,取值为0.9;b为量化的下限,取值为0.1,
利用熵权法进行改进,具体实现过程如下:
4.1.1)建立量化数值组成的评估指标矩阵:
Z=[zij]mn, (12)
其中,i为评价对象;j为评价指标;zij为第j个评价指标下第i个评价对象的评估值;m为评价对象个数;n为评价指标个数;
4.1.2)计算第j个评价指标下第i个评价对象的比重:
其中,rij为相似度;
4.1.3)计算每个评价指标的熵值:
其中,Y为评价指标的熵值;
4.1.4)计算各评价指标的权重:
其中,w为评价指标的权重;
步骤4.2)选择相似日,
选最近15天的日类型、气象和日期差以及整点时刻的温度数据作为预测样本集,设第i日量化后,由以上三个影响因素组成的向量为Hi=[hi1,hi2,hi3],设预测日第j日由以上三个影响因素组成的向量为Hj=[hj1,hj2,hj3],通过聚类分析法计算如下:
计算出历史日与预测日的相似度rij,使得抽象的相似度通过rij来量化其具体大小数值;
步骤4.3)确定权重系数的值,
4.3.1)选取由聚类分析法求出的相似度最大的5日作为相似日,且其相似度具有顺序关系w1>w2>w3>w4>w5,w1w2w3w4w5均为权重;
4.3.2)求出专家关于评价指标的重要程度之比:
其中,r为专家关于评价指标的重要程度之比;
4.3.3)求分权重:
y1=r2*r3*r4*r5,y2=r3*r4*r5,y3=r4*r5,y4=r5, (18)
其中,y为分权重;
4.3.4)总权重导数:y-=r2*r3*r4*r5+r3*r4*r5+r4*r5+r5, (19)
其中,y-为总权重系数;
4.3.5)求出各相似日的序权重:
其中,w/为相似日的序权重,
求出各相似日的序权重后,根据式(20)求出的序权重即可求得待预测日各时刻温度,得到长期故障的预测结果。
4.根据权利要求1所述的断路器载流故障预测方法,其特征在于,该方法依赖于一种断路器载流故障预测系统,该系统的结构是,包括多个监测从机(1)、监测主机(2)及上位机(3),每个监测从机(1)各自通过433MHz无线传送方式与监测主机(2)互联,监测主机(2)通过RS485/GPRS方式与上位机(3)互联;监测从机(1)用于对电力设备测温节点的温度信号、触头的电流信号、从机电源的电压信号进行采集,其中的控制芯片再将采集数据通过无线模块上传至监测主机(2);监测主机(2)的主控连接有LCD液晶屏、报警指示灯和环境温湿度传感器;监测主机(2)将收到的采集数据汇总显示并通过RS485/GPRS方式上传至上位机(3),上位机(3)通过对数据进行处理,给出预测结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311831.9A CN108957304B (zh) | 2018-04-09 | 2018-04-09 | 断路器载流故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311831.9A CN108957304B (zh) | 2018-04-09 | 2018-04-09 | 断路器载流故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108957304A true CN108957304A (zh) | 2018-12-07 |
CN108957304B CN108957304B (zh) | 2020-09-22 |
Family
ID=64498817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810311831.9A Active CN108957304B (zh) | 2018-04-09 | 2018-04-09 | 断路器载流故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108957304B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919390A (zh) * | 2019-03-15 | 2019-06-21 | 西门子电力自动化有限公司 | 预测电力设备的接触点的温升的方法与装置 |
CN109932593A (zh) * | 2019-03-15 | 2019-06-25 | 西门子电力自动化有限公司 | 用于电力设备的故障检测的方法与装置 |
CN112332529A (zh) * | 2019-08-05 | 2021-02-05 | Abb瑞士股份有限公司 | 用于配电网的改进的电子保护装置 |
CN115372816A (zh) * | 2022-10-25 | 2022-11-22 | 华能辛店发电有限公司 | 基于数据分析的配电开关设备运行故障预测系统及方法 |
CN116111727A (zh) * | 2023-04-13 | 2023-05-12 | 盛锋电力科技有限公司 | 基于动态温度阈值的综合配电箱异常监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140034613A1 (en) * | 2012-08-02 | 2014-02-06 | Renewable Power Conversion, Inc. | Photovoltaic switchgear with sacrificial fuse |
CN104280526A (zh) * | 2014-10-23 | 2015-01-14 | 北京理工大学 | 水质自动在线监测设备测量误差的分析和估计方法 |
CN106059086A (zh) * | 2016-07-11 | 2016-10-26 | 西安工程大学 | 箱式变电站载流故障预测系统及其应用 |
CN106201829A (zh) * | 2016-07-18 | 2016-12-07 | 中国银联股份有限公司 | 监控阈值确定方法及装置、监控报警方法、装置及系统 |
-
2018
- 2018-04-09 CN CN201810311831.9A patent/CN108957304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140034613A1 (en) * | 2012-08-02 | 2014-02-06 | Renewable Power Conversion, Inc. | Photovoltaic switchgear with sacrificial fuse |
CN104280526A (zh) * | 2014-10-23 | 2015-01-14 | 北京理工大学 | 水质自动在线监测设备测量误差的分析和估计方法 |
CN106059086A (zh) * | 2016-07-11 | 2016-10-26 | 西安工程大学 | 箱式变电站载流故障预测系统及其应用 |
CN106201829A (zh) * | 2016-07-18 | 2016-12-07 | 中国银联股份有限公司 | 监控阈值确定方法及装置、监控报警方法、装置及系统 |
Non-Patent Citations (6)
Title |
---|
张慧源等: "基于最小二乘支持向量机的载流故障趋势预测", 《电力系统保护与控制》 * |
张明等: "基于动态自学习阈值和趋势滤波的机械故障智能预警方法", 《振动与冲击》 * |
杨锡运等: "组合权重相似日选取方法及光伏输出功率预测", 《电力自动化设备》 * |
王伟等: "基于综合评价体系的五轴数控机床加工性能评价和误差溯源方法", 《机械工程学报》 * |
胡少迪等: "基于空间相关性分析的载流故障预警", 《中国科技论文》 * |
胡少迪等: "基于等效电阻分析的载流故障早期预警法", 《仪器仪表学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919390A (zh) * | 2019-03-15 | 2019-06-21 | 西门子电力自动化有限公司 | 预测电力设备的接触点的温升的方法与装置 |
CN109932593A (zh) * | 2019-03-15 | 2019-06-25 | 西门子电力自动化有限公司 | 用于电力设备的故障检测的方法与装置 |
CN109932593B (zh) * | 2019-03-15 | 2021-08-10 | 西门子电力自动化有限公司 | 用于电力设备的故障检测的方法与装置 |
CN112332529A (zh) * | 2019-08-05 | 2021-02-05 | Abb瑞士股份有限公司 | 用于配电网的改进的电子保护装置 |
CN112332529B (zh) * | 2019-08-05 | 2023-04-07 | Abb瑞士股份有限公司 | 用于配电网的改进的电子保护装置 |
US11682890B2 (en) | 2019-08-05 | 2023-06-20 | Abb Schweiz Ag | Electronic protection device for electric power distribution grids |
CN115372816A (zh) * | 2022-10-25 | 2022-11-22 | 华能辛店发电有限公司 | 基于数据分析的配电开关设备运行故障预测系统及方法 |
CN115372816B (zh) * | 2022-10-25 | 2023-01-24 | 华能辛店发电有限公司 | 基于数据分析的配电开关设备运行故障预测系统及方法 |
CN116111727A (zh) * | 2023-04-13 | 2023-05-12 | 盛锋电力科技有限公司 | 基于动态温度阈值的综合配电箱异常监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108957304B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957304A (zh) | 断路器载流故障预测方法 | |
CN106651200A (zh) | 一种工业企业聚合用户电力负荷管理方法和系统 | |
CN111461922A (zh) | 一种基于极限学习机的变压器热点温度实时预测方法 | |
CN109035067A (zh) | 基于rf和arma算法的建筑能耗处理方法及装置 | |
CN111401657B (zh) | 一种基于支持向量回归算法的变压器热点温度时序预测方法 | |
CN105093047B (zh) | 电力线路载流量监测预警系统 | |
CN105629031A (zh) | 基于物联网信息集成的便携式环网柜数据巡检采集方法 | |
Haase et al. | The IOT mediated built environment: A brief survey | |
CN115423301B (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 | |
CN105320097A (zh) | 用于实现家电智能调控的方法、云平台和系统 | |
CN106096116B (zh) | 一种用于为涂敷电力复合脂的端子板建立温升预测模型的方法及系统 | |
CN110991686A (zh) | 一种供热系统物联网云数据的智慧管理平台 | |
CN112396098A (zh) | 非嵌入式公寓电器负荷识别分析方法、系统及应用 | |
Lai et al. | An intercommunication home energy management system with appliance recognition in home network | |
CN116455081A (zh) | 一种基于边缘分析的智慧小区电力监测管理方法及系统 | |
CN106228033B (zh) | 基于rbf神经网络的三芯电缆导体温度实时计算方法 | |
Sung et al. | Creating Smart House via IoT and Intelligent Computation | |
CN112034238B (zh) | 一种用电设备识别方法及系统 | |
CN111948534B (zh) | 发电机状态预警方法及系统 | |
CN113890024A (zh) | 一种非侵入式负荷智能分解和优化控制方法 | |
Ding et al. | Individual nonparametric load estimation model for power distribution network planning | |
CN116633016B (zh) | 一种基于高频数据采集技术的电力管理系统和方法 | |
CN116520718A (zh) | 一种基于物联网技术的智能家居自适应控制方法和装置 | |
CN117118055A (zh) | 一种低压配电网安全保护检测控制方法及系统 | |
CN114992772B (zh) | 空调温控负荷集群可调节潜力评估方法、装置及存储介质 |
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 |