CN110068759B - 一种故障类型获得方法及装置 - Google Patents

一种故障类型获得方法及装置 Download PDF

Info

Publication number
CN110068759B
CN110068759B CN201910431869.4A CN201910431869A CN110068759B CN 110068759 B CN110068759 B CN 110068759B CN 201910431869 A CN201910431869 A CN 201910431869A CN 110068759 B CN110068759 B CN 110068759B
Authority
CN
China
Prior art keywords
fault
neural network
back propagation
propagation neural
network model
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
Application number
CN201910431869.4A
Other languages
English (en)
Other versions
CN110068759A (zh
Inventor
赵金
任俊文
赵莉华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huayan Intelligent Technology Group Co ltd
Original Assignee
Huayan Intelligent Technology Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huayan Intelligent Technology Group Co ltd filed Critical Huayan Intelligent Technology Group Co ltd
Priority to CN201910431869.4A priority Critical patent/CN110068759B/zh
Publication of CN110068759A publication Critical patent/CN110068759A/zh
Application granted granted Critical
Publication of CN110068759B publication Critical patent/CN110068759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本申请提供一种故障类型获得方法及装置，用于改善对高压隔离开关的故障分析的精确度较低的问题。该故障类型获得方法包括：使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，第一特征值用于表征隔离开关电机的故障特征；使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得隔离开关电机的第一故障类型。在上述的实现过程中，通过小波变换提取隔离开关电机的电流信号中的特征值，并使用预先训练的反向传播神经网络模型提高对该特征值处理的精确度，从而提高了获得隔离开关电机的故障类型的精确度。

Description

一种故障类型获得方法及装置
技术领域
本申请涉及隔离开关电机信号分析的技术领域，具体而言，涉及一种故障类型获得方法及装置。
背景技术
电力系统中的高压隔离开关是使用量最大的高压开关设备，隔离开关经常出现故障，常见的故障类型包括：安装调试不当或锈蚀问题引起的机构卡涩、隔离开关分合闸不到位、作力矩增大、机械传动部件强度下降、导电回路过热、绝缘子断裂、传动机构损坏变形等等。
目前，对隔离开关的诊断方法大都是通过人在现场勘查设备的运行状况，例如定时检修时使用辅助开关和现场摄像等手段，以分析隔离开关的故障类型，然而这些方法均存在着对高压隔离开关的故障分析的精确度较低的问题。
发明内容
本申请实施例的目的在于提供一种故障类型获得方法，用于改善对高压隔离开关的故障分析的精确度较低的问题。
本申请实施例提供了一种故障类型获得方法，包括：使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，所述第一特征值用于表征所述隔离开关电机的故障特征；使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得所述隔离开关电机的第一故障类型。在上述的实现过程中，通过小波变换提取隔离开关电机的电流信号中的特征值，并使用预先训练的反向传播神经网络模型提高对该特征值处理的精确度，从而提高了获得隔离开关电机的故障类型的精确度。
可选地，在本申请实施例中，所述使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，包括：对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数；根据所述多个尺度系数从所述电流波形中截取故障波形；对所述故障波形提取特征值，获得第一特征值。在上述的实现过程中，通过小波变换中的软阈值消噪法可快速求得信号的最优电流波形，并从分辨率更高的电流波形中提取了特征值，加快了获得隔离开关电机的故障类型的速度。
可选地，在本申请实施例中，所述对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数，包括：对隔离开关电机的电流信号进行噪声消除，获得无噪声信号；绘制所述无噪声信号的包络线，获得电流波形；对所述电流波形进行小波分解，并根据小波分解的结果提取尺度系数，获得多个尺度系数。在上述的实现过程中，通过小波变换中的软阈值消噪法可快速求得信号的最优电流波形，过滤掉了大部分的干扰波形，获得了分辨率更高的电流波形。
可选地，在本申请实施例中，所述根据所述多个尺度系数从所述电流波形中截取故障波形，包括：若所述尺度系数等于预设系数，则确定所述电流信号中所述尺度系数对应的突变点，获得多个突变点；根据所述多个突变点确定所述故障波形的起始点和所述故障波形的终止点；根据所述故障波形的起始点和所述故障波形的终止点对所述电流波形截取，获得所述故障波形。在上述的实现过程中，通过获得分辨率更高的电流波形中的特征值包含了隔离开关电机的电流信号中的突变点，有利于完全地反映信号特征。
可选地，在本申请实施例中，所述对所述故障波形提取特征值，获得第一特征值，包括：根据所述故障波形中的每个点的斜率与预设斜率比较，获得多个极值点；将所述多个极值点中幅值最大的电流幅值确定为第一特征值。在上述的实现过程中，通过小波变换中的软阈值消噪法可快速求得信号的最优电流波形，并从分辨率更高的电流波形中提取了特征值，加快了获得隔离开关电机的故障类型的速度。
可选地，在本申请实施例中，所述使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得所述隔离开关电机的第一故障类型，包括：使用反向传播神经网络模型将该第一特征值与多个类型的预设特征值进行对比，获得多个概率值，每个概率值对应一个故障类型；将所述多个概率值中最大的概率值对应的故障类型，确定为所述隔离开关电机的第一故障类型。在上述的实现过程中，通过获得分辨率更高的电流波形中的特征值包含了隔离开关电机的电流信号中的突变点，有利于完全地反映信号特征。
可选地，在本申请实施例中，还包括：获得多个第二特征值，以及多个第二故障类型，所述第二特征值是使用小波变换将故障信号进行特征提取获得的，所述故障信号是与所述第二故障类型对应的电流信号；以多个所述第二特征值为输入数据，以多个所述第二故障类型为输入标签，对反向传播神经网络进行训练，获得所述反向传播神经网络模型。在上述的实现过程中，通过对反向传播神经网络进行训练，获得反向传播神经网络模型，并使用训练后的反向传播神经网络对特征值进行处理，加快了获得故障类型的速度。
可选地，在本申请实施例中，该方法还包括：将多个所述第二特征值输入包括待调整权重的所述反向传播神经网络模型，获得多个第三故障类型，所述第二特征值是与所述第三故障类型对应的；获得多个所述第二故障类型和多个所述第三故障类型的多个误差平方和；计算每个所述误差平方和对所述反向传播神经网络模型的权重微分的雅可比矩阵；根据所述雅可比矩阵调整所述反向传播神经网络模型的权重。在上述的实现过程中，通过对反向传播神经网络进行优化，获得优化后的反向传播神经网络模型，并使用优化后的反向传播神经网络对特征值进行处理，加快了获得故障类型的速度。
可选地，在本申请实施例中，所述根据所述雅可比矩阵调整所述反向传播神经网络模型的权重，包括：根据Δw＝(JTJ+μJ)-1JTe调整所述反向传播神经网络模型的权重；其中，Δw为所述反向传播神经网络模型的权重，J为所述雅可比矩阵，JT为所述雅可比矩阵的转置，μ为所述反向传播神经网络模型的学习速率，e为所述误差平方和。在上述的实现过程中，通过对反向传播神经网络进行优化，获得优化后的反向传播神经网络模型，并使用优化后的反向传播神经网络对特征值进行处理，加快了获得故障类型的速度。
本申请实施例还提供了一种故障类型获得装置，包括：第一获得模块，用于使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，所述第一特征值用于表征所述隔离开关电机的故障特征；第二获得模块，用于使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得所述隔离开关电机的第一故障类型。在上述的实现过程中，通过小波变换提取隔离开关电机的电流信号中的特征值，并使用预先训练的反向传播神经网络模型提高对该特征值处理的精确度，从而提高了获得隔离开关电机的故障类型的精确度。
可选地，在本申请实施例中，所述第一获得模块包括：第三获得模块，用于对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数；波形截取模块，用于根据所述多个尺度系数从所述电流波形中截取故障波形；第四获得模块，用于对所述故障波形提取特征值，获得第一特征值。
可选地，在本申请实施例中，所述第三获得模块包括：第五获得模块，用于对隔离开关电机的电流信号进行噪声消除，获得无噪声信号；第六获得模块，用于绘制所述无噪声信号的包络线，获得电流波形；第七获得模块，用于对所述电流波形进行小波分解，并根据小波分解的结果提取尺度系数，获得多个尺度系数。
可选地，在本申请实施例中，所述波形截取模块包括：第八获得模块，用于若所述尺度系数等于预设系数，则确定所述电流信号中所述尺度系数对应的突变点，获得多个突变点；第一确定模块，用于根据所述多个突变点确定所述故障波形的起始点和所述故障波形的终止点；第九获得模块，用于根据所述故障波形的起始点和所述故障波形的终止点对所述电流波形截取，获得所述故障波形。
可选地，在本申请实施例中，所述第四获得模块包括：第十获得模块，用于根据所述故障波形中的每个点的斜率与预设斜率比较，获得多个极值点；第二确定模块，用于将所述多个极值点中幅值最大的电流幅值确定为第一特征值。
可选地，在本申请实施例中，所述第二获得模块包括：第十一获得模块，用于使用反向传播神经网络模型将该第一特征值与多个类型的预设特征值进行对比，获得多个概率值，每个概率值对应一个故障类型；第三确定模块，用于将所述多个概率值中最大的概率值对应的故障类型，确定为所述隔离开关电机的第一故障类型。
可选地，在本申请实施例中，还包括：第十二获得模块，用于获得多个第二特征值，以及多个第二故障类型，所述第二特征值是使用小波变换将故障信号进行特征提取获得的，所述故障信号是与所述第二故障类型对应的电流信号；第十三获得模块，用于以多个所述第二特征值为输入数据，以多个所述第二故障类型为输入标签，对反向传播神经网络进行训练，获得所述反向传播神经网络模型。
可选地，在本申请实施例中，该装置还包括：第十四获得模块，用于将多个所述第二特征值输入包括待调整权重的所述反向传播神经网络模型，获得多个第三故障类型，所述第二特征值是与所述第三故障类型对应的；第十五获得模块，用于获得多个所述第二故障类型和多个所述第三故障类型的多个误差平方和；矩阵计算模块，用于计算每个所述误差平方和对所述反向传播神经网络模型的权重微分的雅可比矩阵；第一调整模块，用于根据所述雅可比矩阵调整所述反向传播神经网络模型的权重。
可选地，在本申请实施例中，所述第一调整模块包括：第二调整模块，用于根据Δw＝(JTJ+μJ)-1JTe调整所述反向传播神经网络模型的权重；其中，Δw为所述反向传播神经网络模型的权重，J为所述雅可比矩阵，JT为所述雅可比矩阵的转置，μ为所述反向传播神经网络模型的学习速率，e为所述误差平方和。
本申请实施例还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如上所述的方法。
本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的电子设备的结构示意图；
图2示出了本申请实施例提供的故障类型获得方法流程示意图；
图3示出了本申请实施例提供的绘制包络线的电流波形示意图；
图4示出了本申请实施例提供的电流信号经过消噪后绘制包络线的故障波形示意图；
图5示出了本申请实施例提供的故障类型获得装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。
请参见图1，图1示出了本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备101，包括：处理器102和存储器103，存储器103存储有处理器102可执行的机器可读指令，机器可读指令被处理器102执行时执行如下的方法。
请参见图1，本申请实施例还提供了一种存储介质104，该存储介质104上存储有计算机程序，该计算机程序被处理器102运行时执行如下的方法。
其中，存储介质104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
为了便于理解，在介绍本申请实施例的方案之前，先介绍本申请实施例中所涉及到的一些概念：
隔离开关，是指一种主要用于“隔离电源、倒闸操作、用以连通和切断小电流电路”，无灭弧的功能开关器件。隔离开关是在分位置时，触头间有符合规定要求的绝缘距离和明显的断开标志；在合位置时，能承载正常回路条件下的电流及在规定时间内异常条件(例如短路)下的电流的开关设备。
高压隔离开关，又称隔离开关电机，是指在高压工作状态下的上述隔离开关，也是发电厂和变电站电气系统中重要的开关电器，需与高压断路器配套使用。隔离开关适用于三相交流50Hz，额定电压12KV的户内装置。供高压设备的有电压而列负荷载的情况下接通，切断或转换线路之用。
傅里叶变换，是指能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。傅里叶变换可以处理周期性平稳的，统计特性不随时间变化的信号，例如上述的高压隔离开关周期性平稳的电流信号，但是如果上述的高压隔离开关周期性平稳的电流信号并不平稳，或者出现故障和异常情况，使用傅里叶变换处理不稳定的信号时效果则并不理想。
第一实施例
请参见图2，图2示出了本申请实施例提供的故障类型获得方法流程示意图。本申请实施例提供了一种故障类型获得方法，该方法包括：
步骤S100：使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值。
其中，这里的电流信号是指隔离开关电机的电流信号，第一特征值用于表征隔离开关电机的故障特征。当然，在提取电流信号的特征值之前，先要获得隔离开关电机的电流信号，这里的电流信号可以采用定制型号的霍尔传感器作为电流信号采集的传感器，这里的霍尔传感器是指根据霍尔效应制作的一种磁场传感器，具有线性度好和精度高等优点。
小波变换，是指一种将信号从时间域转换为频率域的分析方法，它具有多分辨分析的特点，而且在时域和频域都具有表征信号局部特征的能力，是一种固定的窗口大小，但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。即在低频部分具有较低的时间分辨率和较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于分析非平稳的信号和提取信号的局部特征。
在下面将介绍本申请实施例中使用小波变换提取隔离开关电机的电流信号特征值的详细过程，步骤S100的其中一种实施方式，可以包括：
步骤S110：对电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数。
其中，在通常情况下通过霍尔传感器采集到的电流信号都是具有一定的噪声的，大多数情况下这种噪声被认为是高斯白噪声，因此，本申请实施例需要先对电流信号进行噪声消除，采用小波变换中的软阈值消噪法得到的小波系数整体连续性较好，估计信号不会产生附加震荡，故本申请实施例中采用小波变换中的软阈值消噪法。
下面介绍对电流信号进行噪声消除的详细过程，在本申请实施例中，步骤S110的其中一种实施方式，可以包括：
步骤S111：对隔离开关电机的电流信号进行噪声消除，获得无噪声信号。
由上面的描述可知，傅里叶变换是将信号分解成一系列不同频率的正余弦函数的叠加，同样小波变换是将信号分解为一系列的小波函数的叠加，或者说不同尺度、时间的小波函数拟合，而这些小波函数都是一个母小波经过平移和尺度伸缩得来的，具体表示为如下的公式：
Figure BDA0002068734430000091
其中，t表示时间域，x(t)表示在时间域上的电流信号，WTx表示将时间域上的电流信号进行小波变换，τ为位移阈值，a为尺度阈值，又称尺度因子，
Figure BDA0002068734430000092
表示设置阈值后的小波函数。
这里位移阈值的作用是伸长或缩短基本小波函数
Figure BDA0002068734430000093
这里的基本小波函数又称小波基，而这里的尺度阈值的作用是让基本小波函数
Figure BDA0002068734430000094
发生位移，尺度阈值可以为正，也可以为负，基本小波函数随着尺度阈值的正负向着不同的方向进行移动。
由于硬阈值函数去噪声所得到的峰值信噪比(Peak Signal to Noise Ratio，PSNR)较高，但是有局部抖动的现象；软阈值函数去噪所得到的PSNR不如硬阈值函数去噪，但是结果看起来很平滑，其原因是软阈值函数对小波系数进行了较大的改造，所以小波系数改变很大。因此，小波变换中选择基本小波函数和阈值都是十分重要的，基本小波函数的选择将在下面进行具体的描述。下面将详细介绍阈值的选择过程，由于启发式阈值估计消噪法消噪比较彻底，所以本申请实施例采用启发式阈值函数，函数表达式如下：
Figure BDA0002068734430000101
其中，N为小波系数的个数或层数，Sj为小波系数。基本小波函数需要分解的层数可以根据实际情况进行选择，但阈值的选择步骤为：当eta小于crit时，则选择固定阈值λ，固定阈值的函数表达式为：
Figure BDA0002068734430000102
当eta大于或等于crit时，则选择crit作为本申请实施例的选择。当然，在具体的实施过程中，也可以根据实际情况选择固定阈值λ和crit中较小的一个作为阈值。
步骤S112：绘制无噪声信号的包络线，获得电流波形。
请参见图3，图3示出了本申请实施例提供的绘制包络线的电流波形示意图。在该电流波形示意图中，可以看出横坐标为时间向量，纵坐标为电流向量，在横坐标上的该电流波形的开始时间点记为t0，该电流波形的结束时间点记为tf，通过分析这些特征参数，可以获知隔离开关的运行情况，从而根据隔离开关的运行情况判断是否出现故障。
步骤S113：对电流波形进行小波分解，并根据小波分解的结果提取尺度系数，获得多个尺度系数。
正如上面所描述的，小波变换中选择基本小波函数和阈值都是十分重要的，上面描述了阈值的选择，本申请实施例中的基本小波函数可以使用Daubechies2小波基函数，当然在具体的实施过程中，也可以使用其它的小波基，例如：Haar小波、Symlet小波、Coiflet小波、Biorthogonal小波、ReverseBior小波、Meyer小波、Dmeyer小波或Gaussian小波等。这里的小波变换中的小波分解层数和尺度系数提取的表达式可以为：
[c,l]＝wavedec(x,N,'db2')；d＝detcoef(c,l,number)；
其中，c为小波分解层数，l为各层分解系数的长度，x为消噪处理之后的信号，N为小波分解层数，db2为Daubechies2小波，wavedec表示多尺度一维小波分解函数；d为第number层分解结果的尺度系数(0<number<N)。详细的例子如：C是由各个小波分解层数组成的列向量，其中存储的是各层小波分解后得到的细节系数标记为CDi和最后一层的近似系数。这里以5层分解为例子，它们的存储结构是，C＝[CA5；CD5；CD4；CD3；CD2；CD1]。L也是列向量，其中存储的是C中各组系数的长度，以5层分解为例，L＝[len5；len5；len4；len4；len2；len1]。
在上述的实现过程中，通过小波变换中的软阈值消噪法可快速求得信号的最优电流波形，过滤掉了大部分的干扰波形，获得了分辨率更高的电流波形。
步骤S120：根据多个尺度系数从电流波形中截取故障波形。
如上面所说的，通过小波变换可以获得第number层分解结果的尺度系数，从而获得多个尺度系数，根据多个尺度系数是否为预设系数获得多个突变点，再从多个突变点对应的电流波形中截取故障波形，详细的过程如下：
在本申请实施例中，步骤S120的其中一种实施方式，可以包括：
步骤S121：若尺度系数等于预设系数，则确定电流信号中尺度系数对应的突变点，获得多个突变点。
这里的预设系数可以为1，当然也可以为2，也可以为5等等。这里以该预设系数为1为例进行说明，当上述的尺度系数等于1时，可以判断该时间点对应的电流信号中的点是否为突变点，从而获得多个突变点。
步骤S122：根据多个突变点确定故障波形的起始点和故障波形的终止点。
在上述的多个突变点中，可以将多个突变点的第一个突变点确定为故障波形的起始点，可以将多个突变点的最后一个突变点确定为故障波形的终止点。当然，在具体的实施过程中，也可以采用其它的方式确定故障波形的起始点和故障波形的终止点，例如：可以将多个突变点的第二个突变点确定为故障波形的起始点，可以将多个突变点的最后二个突变点确定为故障波形的终止点。
步骤S123：根据故障波形的起始点和故障波形的终止点对电流波形截取，获得故障波形。
在上述的实现过程中，通过获得分辨率更高的电流波形中的特征值包含了隔离开关电机的电流信号中的突变点，有利于完全地反映信号特征。
步骤S130：对故障波形提取特征值，获得第一特征值。
请参见图4，图4示出了本申请实施例提供的电流信号经过消噪后绘制包络线的故障波形示意图。从该图中的电流波形可以发现，故障波形中的几个特征点刚好是波形的极值点，因此，在本申请实施例中，对于这种表达式未知的电流波形可以采用斜率法提取特征值，获得第一特征值。
下面介绍采用斜率法提取特征值的详细过程，在本申请实施例中，步骤S130的其中一种实施方式，可以包括：
步骤S131：根据故障波形中的每个点的斜率与预设斜率比较，获得多个极值点。
可以理解的是，由于采样间隔足够小，信号在采样点处的导数值可以用相邻两点的斜率来代替，每个点的斜率表达式例如为：
Figure BDA0002068734430000131
其中，x为时间横坐标，y为电流信号纵坐标。因此，只要判断相邻的两个坐标点的斜率符号，找到过零点即为极值点。当然，在找极值点的过程中，由于干扰导致的信号波动，有时会出现连续间断好多个过零点的情况，所以对检测到的零点还需要进行分组处理，幅值波动很小的极值点是属于正常的情况；如果出现图4所示的幅值波动较大的极值点，则可能是存在故障。
步骤S132：将多个极值点中幅值最大的电流幅值确定为第一特征值。
当然，在具体的实施过程中，可以将多个极值点中幅值最大的电流幅值确定为第一特征值；也将上面获得的极值点行分类；将同一故障类型的电机电流信号的特征值进行对比，提取同一故障的共通特征或者相似特征，确定为第一特征值。因此，可以理解的是，通过对大量不同故障类型的电流信号特征值的提取，可以获得多个第一特征值。
在上述的实现过程中，通过小波变换中的软阈值消噪法可快速求得信号的最优电流波形，并从分辨率更高的电流波形中提取了特征值，加快了获得隔离开关电机的故障类型的速度。
步骤S200：使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得隔离开关电机的第一故障类型。
反向传播算法，又称BP(BackPropagation)神经网络算法，又称反向传播神经网络，是指多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP神经网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一个有限域的连续映射，这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。
下面将介绍使用反向传播神经网络模型根据第一特征值，获得隔离开关电机的第一故障类型的过程，在本申请实施例中，步骤S200的其中一种实施方式，可以包括：
步骤S210：使用反向传播神经网络模型将该第一特征值与多个类型的预设特征值进行对比，获得多个概率值。
其中，反向传播神经网络模型可以是一个分类模型，具体的可以是一个多分类模型，将第一特征值输入反向传播神经网络模型后，获得多个分类的概率值，每个概率值对应一个故障类型，即多个故障类型对应的概率值，则获得多个概率值。
需要说明的是，这里反向传播神经网络模型是将反向传播神经网络进行训练获得的，在本申请实施例中，将经过训练的神经网络记为某网络，将未经过训练的神经网络记为某网络模型。在下面的描述过程中，在没有特别说明的情况下均按照此约定进行描述。
步骤S220：将多个概率值中最大的概率值对应的故障类型，确定为隔离开关电机的第一故障类型。
正如上面所说，每个故障类型对应一个概率值，即获得多个故障类型对应的概率值，则可以将多个概率值中最大的概率值对应的故障类型，确定为隔离开关电机的第一故障类型。
上述的实现过程，通过小波变换提取隔离开关电机的电流信号中的特征值，并使用预先训练的反向传播神经网络模型提高对该特征值处理的精确度，从而提高了获得隔离开关电机的故障类型的精确度。
上面介绍本申请实施例中的特征值获取过程，以及反向传播神经网络模型的应用过程，当然可以理解的是，在网络模型的应用之前，还需要对网络模型进行训练，因此，该方法还包括如下训练方法：
步骤S310：获得多个第二特征值，以及多个第二故障类型。
其中，这里获得多个第二特征值中，获得单个第二特征值的过程与上述获得第一特征值的过程类似，可以参见上述的第一特征值的过程，因此在这里不再赘述。可以理解的，这里的多个第二故障类型都是已知的故障类型，这里的第二特征值是使用小波变换将故障信号进行特征提取获得的，故障信号是与第二故障类型对应的电流信号，因此，这里的第二特征值与该第二故障类型是一一对应的。
步骤S320：以多个第二特征值为输入数据，以多个第二故障类型为输入标签，对反向传播神经网络进行训练，获得反向传播神经网络模型。
其中，将多个第二特征值输入到反向传播神经网络中，通过不断的训练得到训练后的反向传播神经网络模型。在训练的过程中，将第二特征值输入到反向传播神经网络后，获得第三特征类型，可以通过第二故障类型和第三故障类型计算反向传播神经网络模型的误差指标，其反向传播神经网络模型的误差指标函数表达式如下：
Figure BDA0002068734430000151
其中，Yi为第二故障类型；Yi’为第三特征类型；P为第二特征值或第二特征类型的数量；w为反向传播神经网络模型的权值和阈值所组成的向量；ei(w)为反向传播神经网络模型的误差。
在上述的实现过程中，通过对反向传播神经网络进行训练，获得反向传播神经网络模型，并使用训练后的反向传播神经网络对特征值进行处理，加快了获得故障类型的速度。
在对反向传播神经网络进行训练的过程中，反向传播学习算法是通过网络模型输出误差的反向传播，调整和修改网络的连接权重的值，使得误差达到最小。为了更好的反向传播神经网络进行训练，可以采用一定方法对网络进行训练的过程进行优化，在本申请实施例中，采用LM优化算法对模型的训练进行优化，下面将介绍模型优化的涉及到的一些概念：
列文伯格-马夸尔特(Levenberg-Marquardt)优化，简称LM优化，是最优化算法中的一种，最优化是指寻找使得函数值最小的参数向量。LM优化使用最广泛的非线性最小二乘算法，中文为列文伯格-马夸尔特法。它是利用梯度求最大(小)值的算法，形象的说，同时具有梯度法和牛顿法的优点。当λ非常小时，步长等于牛顿法步长，当λ很大时，步长约等于梯度下降法的步长。
雅可比矩阵，在向量微积分中，雅可比矩阵是一阶偏导数以一定方式排列成的矩阵，其行列式称为雅可比行列式。雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近，雅可比矩阵类似于多元函数的导数。
海森矩阵(Hessian matrix)，是指一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵，其行列式称为海森行列式。
在本申请实施例中，选用LM优化BP神经网络算法来求解非线性最小化的数值解问题。LM算法是在BP神经网络算法的基础上用雅可比矩阵代替海森矩阵的计算，借由执行时修改参数达到结合高斯-牛顿法与梯度下降法优点，既具有梯度下降法的全局特性，又具有高斯-牛顿法的局部特性。采用这种方式提高了模型训练的效率，减少了模型训练的运行步数，避免了平坦区的出现，同时避免不会陷入局部误差，提高了模型分类的正确率。
下面将详细介绍在本申请实施例中提供的LM优化方法，该方法还包括：
步骤S410：将多个第二特征值输入包括待调整权重的反向传播神经网络模型，获得多个第三故障类型，第二特征值是与第三故障类型对应的。
待调整权重，是指反向传播神经网络模型中的各个神经网络层的权重，各个神经网络层例如：隐藏层和输出层，这里的待调整权重是反向传播神经网络模型在训练中需要修改的参数。
步骤S420：获得多个第二故障类型和多个第三故障类型的多个误差平方和。
其中，误差平方和是通过误差反向传播函数计算获得的，误差反向传播函数的表达式例如：
Figure BDA0002068734430000171
其中，w为反向传播神经网络模型的待调整权重，E(w)为误差平方和，P为第二故障类型的个数或第三故障类型的个数，Yi为第i个第二故障类型，Yi'为第k个第三故障类型，ei(w)为均方根误差。
步骤S430：计算每个误差平方和对反向传播神经网络模型的权重微分的雅可比矩阵。
其中，反向传播神经网络模型的权重微分的雅可比矩阵可以为如下：
Figure BDA0002068734430000172
其中，w为反向传播神经网络模型的待调整权重，J(w)为雅可比矩阵，
Figure BDA0002068734430000173
为对第n个均方根误差计算一阶偏导数。
步骤S440：根据雅可比矩阵调整反向传播神经网络模型的权重。
在本申请实施例中，步骤S440的其中一种实施方式，可以包括：
根据Δw＝(JTJ+μJ)-1JTe调整反向传播神经网络模型的权重；
其中，Δw为反向传播神经网络模型的权重，J为雅可比矩阵，JT为雅可比矩阵的转置，μ为反向传播神经网络模型的学习速率，e为误差平方和。
在上述的实现过程中，通过对反向传播神经网络进行优化，获得优化后的反向传播神经网络模型，并使用优化后的反向传播神经网络对特征值进行处理，加快了获得故障类型的速度。
第二实施例
请参见图5，图5示出了本申请实施例提供的故障类型获得装置结构示意图。本申请实施例提供了一种故障类型获得装置100，包括：
第一获得模块110，用于使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，第一特征值用于表征隔离开关电机的故障特征。
第二获得模块120，用于使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得隔离开关电机的第一故障类型。
在上述的实现过程中，通过小波变换提取隔离开关电机的电流信号中的特征值，并使用预先训练的反向传播神经网络模型提高对该特征值处理的精确度，从而提高了获得隔离开关电机的故障类型的精确度。
可选地，在本申请实施例中，第一获得模块包括：
第三获得模块，用于对电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数。
波形截取模块，用于根据多个尺度系数从电流波形中截取故障波形。
第四获得模块，用于对故障波形提取特征值，获得第一特征值。
可选地，在本申请实施例中，第三获得模块包括：
第五获得模块，用于对隔离开关电机的电流信号进行噪声消除，获得无噪声信号。
第六获得模块，用于绘制无噪声信号的包络线，获得电流波形。
第七获得模块，用于对电流波形进行小波分解，并根据小波分解的结果提取尺度系数，获得多个尺度系数。
可选地，在本申请实施例中，波形截取模块包括：
第八获得模块，用于若尺度系数等于预设系数，则确定电流信号中尺度系数对应的突变点，获得多个突变点。
第一确定模块，用于根据多个突变点确定故障波形的起始点和故障波形的终止点。
第九获得模块，用于根据故障波形的起始点和故障波形的终止点对电流波形截取，获得故障波形。
可选地，在本申请实施例中，第四获得模块包括：
第十获得模块，用于根据故障波形中的每个点的斜率与预设斜率比较，获得多个极值点。
第二确定模块，用于将多个极值点中幅值最大的电流幅值确定为第一特征值。
可选地，在本申请实施例中，第二获得模块包括：
第十一获得模块，用于使用反向传播神经网络模型将该第一特征值与多个类型的预设特征值进行对比，获得多个概率值，每个概率值对应一个故障类型。
第三确定模块，用于将多个概率值中最大的概率值对应的故障类型，确定为隔离开关电机的第一故障类型。
可选地，在本申请实施例中，还包括：
第十二获得模块，用于获得多个第二特征值，以及多个第二故障类型，第二特征值是使用小波变换将故障信号进行特征提取获得的，故障信号是与第二故障类型对应的电流信号。
第十三获得模块，用于以多个第二特征值为输入数据，以多个第二故障类型为输入标签，对反向传播神经网络进行训练，获得反向传播神经网络模型。
可选地，在本申请实施例中，该装置还包括：
第十四获得模块，用于将多个第二特征值输入包括待调整权重的反向传播神经网络模型，获得多个第三故障类型，第二特征值是与第三故障类型对应的。
第十五获得模块，用于获得多个第二故障类型和多个第三故障类型的多个误差平方和。
矩阵计算模块，用于计算每个误差平方和对反向传播神经网络模型的权重微分的雅可比矩阵。
第一调整模块，用于根据雅可比矩阵调整反向传播神经网络模型的权重。
可选地，在本申请实施例中，第一调整模块包括：
第二调整模块，用于根据Δw＝(JTJ+μJ)-1JTe调整反向传播神经网络模型的权重；其中，Δw为反向传播神经网络模型的权重，J为雅可比矩阵，JT为雅可比矩阵的转置，μ为反向传播神经网络模型的学习速率，e为误差平方和。
以上，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (5)

1.一种故障类型获得方法，其特征在于，包括：
使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，所述第一特征值用于表征所述隔离开关电机的故障特征；
使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得所述隔离开关电机的第一故障类型；
所述方法还包括：获得多个第二特征值，以及多个第二故障类型，所述第二特征值是使用小波变换将故障信号进行特征提取获得的，所述故障信号是与所述第二故障类型对应的电流信号；以多个所述第二特征值为输入数据，以多个所述第二故障类型为输入标签，对反向传播神经网络进行训练，获得所述反向传播神经网络模型；其中，在所述对反向传播神经网络进行训练的过程中，使用列文伯格-马夸尔特优化所述反向传播神经网络模型，包括：将多个所述第二特征值输入到包含待调整权重的所述反向传播神经网络模型，获得多个第三故障类型，所述第二特征值是与所述第三故障类型对应的；获得多个所述第二故障类型和多个所述第三故障类型的多个误差平方和；计算每个所述误差平方和对所述反向传播神经网络模型的权重微分的雅可比矩阵；根据所述雅可比矩阵调整所述反向传播神经网络模型的权重；
其中，所述使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，包括：对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数；根据所述多个尺度系数从所述电流波形中截取故障波形；对所述故障波形提取特征值，获得第一特征值；
所述对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数，包括：将Daubechies2小波基函数确定为小波变换的基本小波函数，并根据所述基本小波函数和启发式阈值函数确定的阈值对隔离开关电机的电流信号进行噪声消除，获得无噪声信号；绘制所述无噪声信号的包络线，获得电流波形；使用公式[c,l]＝wavedec(x,N,db2)；d＝detcoef(c,l,number)对所述电流波形进行小波分解，并根据小波分解的结果提取尺度系数，获得多个尺度系数，c为小波分解层数，l为各层分解系数的长度，x为消噪处理之后的信号，N为小波分解层数，db2为所述Daubechies2小波基函数，wavedec表示多尺度一维小波分解函数；d为第number层分解结果的尺度系数；
所述对所述故障波形提取特征值，获得第一特征值，包括：根据所述故障波形中的每个点的斜率与预设斜率比较，获得多个极值点；将所述多个极值点中幅值最大的电流幅值确定为第一特征值。
2.如权利要求1所述的方法，其特征在于，所述根据所述多个尺度系数从所述电流波形中截取故障波形，包括：
若所述尺度系数等于预设系数，则确定所述电流信号中所述尺度系数对应的突变点，获得多个突变点；
根据所述多个突变点确定所述故障波形的起始点和所述故障波形的终止点；
根据所述故障波形的起始点和所述故障波形的终止点对所述电流波形截取，获得所述故障波形。
3.如权利要求1所述的方法，其特征在于，所述使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得所述隔离开关电机的第一故障类型，包括：
使用反向传播神经网络模型将该第一特征值与多个类型的预设特征值进行对比，获得多个概率值，每个概率值对应一个故障类型；
将所述多个概率值中最大的概率值对应的故障类型，确定为所述隔离开关电机的第一故障类型。
4.如权利要求1所述的方法，其特征在于，所述根据所述雅可比矩阵调整所述反向传播神经网络模型的权重，包括：
根据Δw＝(JTJ+μJ)-1JTe调整所述反向传播神经网络模型的权重；其中，Δw为所述反向传播神经网络模型的权重，J为所述雅可比矩阵，JT为所述雅可比矩阵的转置，μ为所述反向传播神经网络模型的学习速率，e为所述误差平方和。
5.一种故障类型获得装置，其特征在于，包括：
第一获得模块，用于使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，所述第一特征值用于表征所述隔离开关电机的故障特征；
第二获得模块，用于使用反向传播神经网络模型将该第一特征值与预设特征值进行对比，获得所述隔离开关电机的第一故障类型；
所述装置还包括：第十二获得模块，用于获得多个第二特征值，以及多个第二故障类型，所述第二特征值是使用小波变换将故障信号进行特征提取获得的，所述故障信号是与所述第二故障类型对应的电流信号；第十三获得模块，用于以多个所述第二特征值为输入数据，以多个所述第二故障类型为输入标签，对反向传播神经网络进行训练，获得所述反向传播神经网络模型；其中，在所述对反向传播神经网络进行训练的过程中，使用列文伯格-马夸尔特优化所述反向传播神经网络模型，包括：将多个所述第二特征值输入到包含待调整权重的所述反向传播神经网络模型，获得多个第三故障类型，所述第二特征值是与所述第三故障类型对应的；获得多个所述第二故障类型和多个所述第三故障类型的多个误差平方和；计算每个所述误差平方和对所述反向传播神经网络模型的权重微分的雅可比矩阵；根据所述雅可比矩阵调整所述反向传播神经网络模型的权重；
其中，所述使用小波变换对隔离开关电机的电流信号进行特征提取，获得第一特征值，包括：对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数；根据所述多个尺度系数从所述电流波形中截取故障波形；对所述故障波形提取特征值，获得第一特征值；
所述对所述电流信号进行噪声消除、包络线绘制和尺度系数提取，获得电流波形和多个尺度系数，包括：将Daubechies2小波基函数确定为小波变换的基本小波函数，并根据所述基本小波函数和启发式阈值函数确定的阈值对隔离开关电机的电流信号进行噪声消除，获得无噪声信号；绘制所述无噪声信号的包络线，获得电流波形；使用公式[c,l]＝wavedec(x,N,db2)；d＝detcoef(c,l,number)对所述电流波形进行小波分解，并根据小波分解的结果提取尺度系数，获得多个尺度系数，c为小波分解层数，l为各层分解系数的长度，x为消噪处理之后的信号，N为小波分解层数，db2为所述Daubechies2小波基函数，wavedec表示多尺度一维小波分解函数；d为第number层分解结果的尺度系数；
所述对所述故障波形提取特征值，获得第一特征值，包括：根据所述故障波形中的每个点的斜率与预设斜率比较，获得多个极值点；将所述多个极值点中幅值最大的电流幅值确定为第一特征值。
CN201910431869.4A 2019-05-22 2019-05-22 一种故障类型获得方法及装置 Active CN110068759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910431869.4A CN110068759B (zh) 2019-05-22 2019-05-22 一种故障类型获得方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910431869.4A CN110068759B (zh) 2019-05-22 2019-05-22 一种故障类型获得方法及装置

Publications (2)

Publication Number Publication Date
CN110068759A CN110068759A (zh) 2019-07-30
CN110068759B true CN110068759B (zh) 2021-11-09

Family

ID=67371277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910431869.4A Active CN110068759B (zh) 2019-05-22 2019-05-22 一种故障类型获得方法及装置

Country Status (1)

Country Link
CN (1) CN110068759B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110493054B (zh) * 2019-08-23 2020-12-29 广东电网有限责任公司 一种基于频域特征的电力通信网设备故障预测方法
CN110516744A (zh) * 2019-08-28 2019-11-29 北京工业大学 基于多种算法的道岔转换设备的故障检测方法及系统
CN110971488A (zh) * 2019-11-27 2020-04-07 软通动力信息技术有限公司 一种数据处理方法、装置、服务器和存储介质
CN111830934A (zh) * 2020-07-17 2020-10-27 中车大连电力牵引研发中心有限公司 一种电力机车故障源定位方法及装置
CN111795070A (zh) * 2020-07-24 2020-10-20 广州狸园科技有限公司 一种基于5g大数据的电动滑轨行程控制系统
CN111948531A (zh) * 2020-09-14 2020-11-17 山东电工电气集团有限公司 基于多参量提取的有载分接开关带电检测方法
CN113281700B (zh) * 2021-04-20 2023-10-31 宜宾学院 一种无线电磁定位系统及方法
CN113640659A (zh) * 2021-07-14 2021-11-12 北京智芯微电子科技有限公司 用于确定开关故障类型的方法、装置、处理器及配电设备
NL2032669B1 (en) * 2022-08-03 2023-05-23 Honghe Power Supply Bureau Of Yunnan Power Grid Co Ltd Intelligent method for diagnosing mechanical fault of high-voltage isolating switch based on transfer learning
CN117312965A (zh) * 2023-11-30 2023-12-29 国网辽宁省电力有限公司 一种gis高压隔离开关未知故障自学习方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567783A (zh) * 2012-02-10 2012-07-11 广西电网公司电力科学研究院 并联混合型电能质量调节器专家故障分析与诊断方法
CN102636577A (zh) * 2012-03-23 2012-08-15 南京航空航天大学 一种基于小波变换提取轮辋超声波探伤信号的方法
CN104586381A (zh) * 2015-01-19 2015-05-06 成都信息工程学院 一种基于物联网的心电监护系统
CN106680700A (zh) * 2016-11-25 2017-05-17 云南电网有限责任公司电力科学研究院 一种隔离开关智能诊断系统与方法
CN106771999A (zh) * 2016-11-24 2017-05-31 云南电网有限责任公司电力科学研究院 一种高压隔离开关机械故障检测装置及检测方法
CN108182490A (zh) * 2017-12-27 2018-06-19 南京工程学院 一种大数据环境下的短期负荷预测方法
CN108318810A (zh) * 2017-12-27 2018-07-24 国网北京市电力公司 高压隔离开关故障确定方法和装置
CN108771534A (zh) * 2018-06-29 2018-11-09 北京理工大学 一种基于多小波变换融合下的脉搏信号特征提取方法
CN109540523A (zh) * 2018-11-27 2019-03-29 中国舰船研究设计中心 一种艇用离心泵滚动轴承故障诊断方法
CN109595087A (zh) * 2019-01-29 2019-04-09 吉林大学 一种基于学习算法的喷油量波动补偿控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792246A (zh) * 2014-02-20 2014-05-14 北京农业质量标准与检测技术研究中心 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法
CN106896724B (zh) * 2017-04-10 2020-08-04 中国科学院合肥物质科学研究院 用于太阳跟踪器的跟踪系统及跟踪方法
CN107730031B (zh) * 2017-09-25 2022-08-09 中国电力科学研究院有限公司 一种超短期高峰负荷预测方法及其系统
CN108632778A (zh) * 2018-05-11 2018-10-09 淮阴工学院 一种基于mdg-sc算法的桥梁在线监测系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567783A (zh) * 2012-02-10 2012-07-11 广西电网公司电力科学研究院 并联混合型电能质量调节器专家故障分析与诊断方法
CN102636577A (zh) * 2012-03-23 2012-08-15 南京航空航天大学 一种基于小波变换提取轮辋超声波探伤信号的方法
CN104586381A (zh) * 2015-01-19 2015-05-06 成都信息工程学院 一种基于物联网的心电监护系统
CN106771999A (zh) * 2016-11-24 2017-05-31 云南电网有限责任公司电力科学研究院 一种高压隔离开关机械故障检测装置及检测方法
CN106680700A (zh) * 2016-11-25 2017-05-17 云南电网有限责任公司电力科学研究院 一种隔离开关智能诊断系统与方法
CN108182490A (zh) * 2017-12-27 2018-06-19 南京工程学院 一种大数据环境下的短期负荷预测方法
CN108318810A (zh) * 2017-12-27 2018-07-24 国网北京市电力公司 高压隔离开关故障确定方法和装置
CN108771534A (zh) * 2018-06-29 2018-11-09 北京理工大学 一种基于多小波变换融合下的脉搏信号特征提取方法
CN109540523A (zh) * 2018-11-27 2019-03-29 中国舰船研究设计中心 一种艇用离心泵滚动轴承故障诊断方法
CN109595087A (zh) * 2019-01-29 2019-04-09 吉林大学 一种基于学习算法的喷油量波动补偿控制方法

Also Published As

Publication number Publication date
CN110068759A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110068759B (zh) 一种故障类型获得方法及装置
Shafiullah et al. Wavelet‐based extreme learning machine for distribution grid fault location
Telford et al. Diagnosis of series DC arc faults—A machine learning approach
Samantaray Ensemble decision trees for high impedance fault detection in power distribution network
Kim et al. A novel fault-detection technique of high-impedance arcing faults in transmission lines using the wavelet transform
Gangwar et al. A novel $ k $-means clustering and weighted $ k $-NN-regression-based fast transmission line protection
Mishra et al. A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition
CN109581270B (zh) 基于小波多尺度变换快速辨识cvt故障的方法
Farshad et al. Transmission line fault location using hybrid wavelet-Prony method and relief algorithm
Biswal et al. Nonstationary power signal time series data classification using LVQ classifier
Zhao et al. Fault diagnosis of circuit breaker energy storage mechanism based on current-vibration entropy weight characteristic and grey wolf optimization–support vector machine
CN111007364A (zh) 一种电缆早期自恢复故障的识别方法
CN117390408B (zh) 一种电力变压器运行故障检测方法及系统
CN114609475A (zh) 一种交流故障电弧检测方法和系统
CN112289329A (zh) 一种基于gwo-kfcm的高压断路器故障诊断方法
Mosavi et al. Wavelet and neural network-based fault location in power systems using statistical analysis of traveling wave
CN109635430B (zh) 电网输电线路暂态信号监测方法和系统
Yang et al. Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform
Bhuiyan et al. A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems
Chowdhury et al. Fault classification using Kohonen feature mapping
Ankar et al. A novel approach to estimate fault location in current source converter–based HVDC transmission line by Gaussian process regression
Lavanya et al. A deep learning technique for detecting high impedance faults in medium voltage distribution networks
Akmaz Approximate‐derivative‐based signal‐processing method to segment power‐quality disturbances
Mosavi et al. Stability comparison of fault location techniques against faulty GPS time tagging for three-terminal lines
KR100367155B1 (ko) 신경회로망을 이용한 송전선로의 재폐로방법

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 No. 219 Tianfu Software Park C District 10 Building 16 layer

Applicant after: Huayan Intelligent Technology (Group) Co., Ltd

Address before: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 No. 219 Tianfu Software Park C District 10 Building 16 layer

Applicant before: Sichuan Whayer Information Industry Co., Ltd.

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and device for obtaining fault type

Effective date of registration: 20220524

Granted publication date: 20211109

Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd.

Pledgor: Huayan Intelligent Technology (Group) Co.,Ltd.

Registration number: Y2022980006186