CN110320468A - 一种基于向量机的开关柜过热故障诊断方法 - Google Patents
一种基于向量机的开关柜过热故障诊断方法 Download PDFInfo
- Publication number
- CN110320468A CN110320468A CN201910548283.6A CN201910548283A CN110320468A CN 110320468 A CN110320468 A CN 110320468A CN 201910548283 A CN201910548283 A CN 201910548283A CN 110320468 A CN110320468 A CN 110320468A
- Authority
- CN
- China
- Prior art keywords
- switchgear
- vector machine
- support vector
- fault
- function
- 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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于向量机的开关柜过热故障诊断方法,明涉及开关柜过热故障监测领域,在开关柜的内部及柜体表面布置温度传感器获取温度数据;建立开关柜电‑磁‑流体耦合仿真模型,根据采集的测温度数据修正该仿真模型;通过修正后的开关柜电‑磁‑流体耦合仿真模型分别对多种开关柜过热故障类型进行模拟得到训练样本;根据已有的故障类型数据库或模拟得到的大量样本对粒子群算法优化多分类支持向量机识别算法进行训练、测试和验证得到支持向量机分类器;采用支持向量机分类器对开关柜过热故障识别,将识别的结果进行汇总对比。从而通过柜体温度间接准确诊断开关柜内部温度及可能存在的故障类型,为开关柜内部绝缘状态的诊断奠定了理论基础。
Description
技术领域
本发明涉及开关柜过热故障监测领域,尤其涉及一种基于向量机的开关柜过热故障诊断方法。
背景技术
在电力安全生产中,开关柜发热问题一直是研究者关注的热点问题之一。当开关柜处于运行状态时,内部导电回路中长时间通过大电流,导体发热会使得柜内温度上升。正常工作情况下,电流产生的热量会使得内部部件及元器件温度升高,但不会使得其温度超过最高允许工作温度。但是,如果开关柜内部出现故障,则柜内温度过高会导致极大安全隐患。因此,如何准确监测开关柜的温度也是研究者关注的重点。
目前,准确监测开关柜内部温度主要通过在内部安装温度传感器来实现,具体可分为非直接接触式和直接接触式两种。非直接接触式是通过光纤传感器进行测温,并利用光纤将信号传入后台,但是由于光纤极易折断,且成本极高,尚处于实验研究阶段。直接接触式是通过热电阻等热敏元件产生信号,通过导线传输或者无线传输的方式将信号传入后台,但是供电局发现该方法容易导致悬浮电极放电问题,会危害电网安全。
因此,直接在开关柜内部安装传感器对其温度进行监测较为准确,但是该方法对开关柜安全稳定运行存在潜在威胁。因此,在不影响开关柜稳定运行的前提下,如何通过检测柜体温度来定量准确诊断内部是否过热,是未来需要解决的重要问题。
基于此,本发明拟通过温度场数值模拟及实验测量,系统研究柜内温度与柜体温度之间的物理规律。在此基础上,通过人工智能算法对该规律进行深度学习,最终实现通过柜体温度间接准确诊断开关柜内部温度及可能存在的故障类型。
发明内容
本发明的目的在于提供一种基于向量机的开关柜过热故障诊断方法,从而解决了现有现有开关柜内部过热故障诊断及在线监测通过直接在开关柜内部安装传感器对其温度进行监测较为准确,但是该方法对开关柜安全稳定运行存在潜在威胁的缺点。
为实现上述目的,本发明提供了一种基于向量机的开关柜过热故障诊断方法,包括以下步骤:
S1、在开关柜的内部及柜体表面布置温度传感器,通过所述温度传感器获取所述开关柜在故障及正常运行时内部及柜体表面的温度数据;
S2、根据所述开关柜的具体参数及运行的物理过程,通过计算流体力学软件建立开关柜电-磁-流体耦合仿真模型,并将S1采集到的测温度数据与带入所述开关柜电-磁-流体耦合仿真模型进行仿真,并将仿真结果与S1采集到的测温度数据进行对比,进一步修正开关柜电-磁-流体耦合仿真模型;
S3、通过修正后的开关柜电-磁-流体耦合仿真模型分别对多种开关柜过热故障类型进行模拟得到训练样本;
S4、根据已有的故障类型数据库或S3模拟得到的大量样本对粒子群算法优化多分类支持向量机识别算法进行训练、测试和验证得到支持向量机分类器;
S5、采用所述支持向量机分类器对开关柜过热故障识别,将识别的结果进行汇总对比,进而确定故障的类型并进行存储。
进一步的,所述开关柜过热故障类型包括:负荷过大、接触不良及故障电弧。
进一步的,所述训练样本包括:开关柜柜体内部温度、开关柜所处的环境温湿度、开关柜的运行模式、开关柜负荷、日照时间及风速。
进一步的,所述S4包括以下步骤:
S41、将所述训练样本划分为测试集和训练集;
S42、计算支持向量机的核函数,根据所述核函数计算最优分类面得到分类判别函数;
S43、根据S42的分类判别函数构建相应的支持向量机分类器;
S44、通过所述训练集对S43得到的支持向量机的参数优化;
S45、将所述测试集带入所述S44得到支持向量机的进行测试,根据测试结果判断所述支持向量机是否可行,若可行则能够进行S5,否则重新获取训练样本进行计算。
进一步的,所述核函数采用高斯径向基核函数。
进一步的,采用高斯径向基核函数计算最优分类面得到分类判别函数包括以下步骤:
S421、采用高斯径向基核函数计算最优分类面的公式为:
式(1)中,为定样本集,xi∈Rn为输入向量,N为样本个数,yi∈{±1}为类标号,σ为核函数参数,高斯径向基核函数k(xi,yj);
S422、根据KKT条件得到b*:
式(5)中,ξi为松弛因子,w为超平面的法向量,b为偏移量,φ(x)为输入向量在高维空间F中对应的向量,αi,βi为拉格朗日乘子;
S423、根据S422得到最优分类面f(x)=(w*·φ(x))+b*,其中w=w*,b=b*;
S443、根据所述最优分类面可以得到分类判别函数为:
与现有的技术相比,本发明具有如下有益效果:
本发明所提供的一种基于向量机的开关柜过热故障诊断方法,在开关柜的内部及柜体表面布置温度传感器获取开关柜在故障及正常运行时内部及柜体表面的温度数据;根据开关柜的具体参数及运行的物理过程建立开关柜电-磁-流体耦合仿真模型,并将采集到的测温度数据修正开关柜电-磁-流体耦合仿真模型;通过修正后的开关柜电-磁-流体耦合仿真模型分别对多种开关柜过热故障类型进行模拟得到训练样本;根据已有的故障类型数据库或模拟得到的大量样本对粒子群算法优化多分类支持向量机识别算法进行训练、测试和验证得到支持向量机分类器;采用支持向量机分类器对开关柜过热故障识别,将识别的结果进行汇总对比,进而确定故障的类型并进行存储。从而通过柜体温度间接准确诊断开关柜内部温度及可能存在的故障类型,为开关柜内部绝缘状态的诊断奠定了理论基础。本发明较为复杂但识别精度高,其识别过程类似于黑匣子,不适用与现场快速人工识别,但适合用于计算机自动化识别。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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个实施例,对于本领域普通技术人员来说,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的附图。
图1是本发明一种基于向量机的开关柜过热故障诊断方法的流程图;
图2是本发明的多分类支持向量机的结构示意图;
图3是本发明的优化过程中所得的适应度曲线图。
具体实施方式
下面结合本发明实施例中的附图,对本发明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作出创造性劳动的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。
如图1所示,本发明所提供的基于向量机的开关柜过热故障诊断方法包括以下步骤:
S1、通过在开关柜的内部及柜体表面布置温度传感器,从而对开关柜在故障及正常运行时内部及柜体表面温度进行采集,为后续开关柜电-磁-流体耦合仿真模型建立的准确性提供可靠的实验数据来源;
S2、根据实际的开关柜内热对流、热传导及热辐射等物理过程,通过计算流体力学软件Fluent建立开关柜电-磁-流体耦合仿真模型,并将S1采集到的测温度数据带入开关柜电-磁-流体耦合仿真模型进行仿真,并将开关柜电-磁-流体耦合仿真模型温度仿真结果与S1采集到的测温度数据进行对比,进一步修正开关柜电-磁-流体耦合仿真模型;
S3、通过修正后的开关柜电-磁-流体耦合仿真模型分别对负荷过大、接触不良及故障电弧三种开关柜过热故障类型进行温度、开关柜运行方式等参量模拟得到大量训练样本;训练样本包括:开关柜柜体内部温度、开关柜所处的环境温湿度、开关柜的运行模式、开关柜负荷、日照时间及风速等的大量数据;
S4、已有的故障类型数据库或S3模拟得到的大量样本对粒子群算法优化多分类支持向量机识别算法进行训练、测试和验证,以提高智能识别算法的性能;
S5、采用粒子群算法优化多分类支持向量机识别算法对开关柜过热故障识别,将识别的结果进行汇总对比,进而确定故障的类型并进行存储。
粒子群算法优化多分类支持向量机识别算法,需要明确两个参数,即惩罚因子C和核函数参数σ,C和σ值对SVM的识别性能影响很大,本发明通过粒子群优化(Particle SwarmOptimization,PSO)算法对来选择最优的C和σ,使得SVM的分类性能最佳。
S4、根据已有的故障类型数据库或S3模拟得到的大量样本对粒子群算法优化多分类支持向量机识别算法进行训练、测试和验证具体包括以下步骤:
S41、将训练样本划分为测试集和训练集。
S42、计算支持向量机的核函数,根据核函数计算最优分类面得到分类判别函数。
假定样本集xi∈Rn为输入向量,N表示样本个数,yi∈{±1}为类标号,输入向量在高维空间F中对应的向量为φ(x),在F空间中构造超平面其中w为超平面的法向量,b为偏移量。假设存在某个超平面,将两类样本分得最开,这个超平面即为最优分类面,此时w=w*,b=b*。求解最优分类面f(x)=(w*·φ(x))+b*的问题实际上是一个最优化问题,如式(1)所示。
式(1)中,ξi为松弛因子,C>0称为惩罚因子,最优化问题为具有线性约束的二次规划问题,可以通过拉格朗日乘子法求解,即:
式(2)中,αi,βi为拉格朗日乘子,将上式转化为其对偶问题可得:
由式(2)式可以求出αi以及w*,其中K(xi,xj)=φ(xi)·φ(xj)称为核函数。支持向量机有多种核函数,主要包括高斯径向基核函数、Sigmoid核函数以及多项式核函数等,核函数的选择对支持向量机性能影响很大,特征空间及映射函数与核函数是相对应的,一旦核函数被选定,就相当于同时确定了映射函数和特征空间,改变核函数实质上也等同于改变了映射函数,相应的特征子空间的复杂程度也就改变了,同时也决定了子空间中线性分类面能达到的最小经验误差以及特征子空间中所能构造的线性分类面的最大VC维。每个特征子空间只有唯一的推广能力最好的分类超平面,如果特征子空间维数很低,那么得到的最优分类面就会过于简单,其置信范围虽然较小,但是经验风险大,相反,如果特征子空间位数很高,则得到的最优分类面就会比较复杂,经验风险小但置信范围大,这两种条件下得到的支持向量机的推广能力都会很差,所以选择合适的核函数对提高支持向量机的性能是非常重要的。
本发明采用高斯径向基核函数实现最优分类面,其表达式为:
式(1)中,为定样本集,xi∈Rn为输入向量,N为样本个数,yi∈{±1}为类标号,σ为核函数参数,高斯径向基核函数k(xi,yj);
同时由KKT条件可以得到下式,从中可以求得b*:
式(5)中,ξi为松弛因子,w为超平面的法向量,b为偏移量,φ(x)为输入向量在高维空间F中对应的向量,αi,βi为拉格朗日乘子;
最终可以求得最优分类面f(x)=(w*·φ(x))+b*,根据最优分类面可以得到分类判别函数为:
S43、根据S42的分类判别函数构建相应的支持向量机(SVM)分类器。
由SVM的原理可以看出,SVM只能用于二分类的问题,若需要解决多分类问题,则必须构造多个SVM分类器,目前常用的构造多分类器的方法有一对一、一对多和二叉树等算法。本发明构造多分类器采用一对一的方法,其基本思想为:在任意两类之间构造一个SVM分类器,如果样本有k类,则需构造k(k-1)/2个分类器,当对样本进行分类时,将样本同时输入这k(k-1)/2个分类器,然后统计分类结果,将结果中得票最多类别作为样本所属的类。
开关柜过热故障类型共有三类,分别为负荷过大(Overload)、内部元件接触不良(Poor Contact)、故障电弧(Arc)等,需要构造3个SVM二分类器,如图2所示,图2中SVMOP是用来对负荷过大(Overload)和元件接触不良两类绝缘缺陷进行分类的支持向量机,SVMOA是用来对负荷过大(Overload)和故障电弧两类绝缘缺陷进行分类的支持向量机,SVMAP是用来对故障电弧和元件接触不良两类绝缘缺陷进行分类的支持向量机。
需要注意的是,利用训练集对构建的支持向量机分类器进行训练,采用k-fold交叉验证来衡量分类器的性能,根据样本的大小选择合理的k值,即将训练样本等分为k组,包括训练集用于训练分类器和测试集用于测试分类器的分类正确率的组别,然后更换测试集和训练集所对应的数据组,如此循环,直到每一组数据都曾被作为测试集。
S44、对S43得到的支持向量机的参数优化。
从S53构建的支持向量机可以看出,有两个参数需要事先确定,即惩罚因子C和核函数参数σ,C和σ值对SVM的识别性能影响很大,如果选择不当,将大大降低SVM的分类正确率,本发明通过粒子群优化(Particle Swarm Optimization,PSO)算法对来选择最优的C和σ,使得SVM的分类性能最佳。PSO的基本原理如下所述:设空间中有n个粒子在飞行,搜索空间为D维,每个粒子在搜索空间中的位置可表示为向量Xi=(xi1,xi2,...,xiD),每个位置就代表空间中一个可能的解,将位置向量代入适应度函数就可以得到该位置对应的适应度,根据适应度就可以评价位置的优劣,设第i个粒子过去所处的最优位置为Pi=(pi1,pi2,...,piD),其中第g个粒子的过去最优位置Pg为所有Pi(i=1,...,n)中的最优,第i个粒子的飞行速度为向量Vi=(vi1,vi2,...,viD),在搜寻最优位置的过程中,每个粒子根据自己所发现的最好位置和整个群体已找到的最好位置来更新当前的飞行速度和位置,粒子的位置和速度更新公式为:
vid(t+1)=w×vid(t)+c1×r1×[pid(t)-xid(t)]+c2×r2×[pgd(t)-xid(t)]
xid(t+1)=xid(t)+vid(t+1),1≤i≤n 1≤d≤D
式中,r1,r2为[0,1]之间的随机数;c1,c2称为加速因子,为正的常数;w称惯性因子,当w较大时,适用于对解空间进行大范围探查,较小的w适于进行小范围开挖。第d(1≤d≤D)维的位置变化范围为[-Xdmax,Xdmax],速度变化范围为[-Vdmax,Vdmax],迭代时若粒子的位置和速度超过所设定的边界范围则取边界值,粒子群初始速度和位置随机产生,然后按粒子的位置和速度进行迭代,直至找到满意的解。
S55、将需要测试的样本通过S45的安排的SVM分类器进行识别,将识别的结果进行汇总对比,进而确定故障的类型并进行存储。
对本发明基于向量机的开关柜过热故障诊断方法的实施例进行详细说明,以使本领域技术人员更了解本发明:
通过修正后的开关柜电-磁-流体耦合仿真模型进行了三种过热故障下的温度模拟,在每种过热故障下获取开关柜内外部温度数据,每种缺陷下采集72组数据,共得到了216组温度数据。选用开关柜内外温度作为输入特征量,将其中108组数据用于分类器训练,另外108组用于测试分类器性能,数据集的构成如表1所示。
表1训练和测试样本
利用训练集对构建的支持向量机分类器进行训练,采用k-fold交叉验证来衡量分类器的性能,根据样本的大小,本文取k=3,即将训练样本等分为三组,其中两组作为训练集用于训练分类器,另外一组作为测试集用于测试分类器的分类正确率,然后更换测试集和训练集所对应的数据组,如此循环三次,直到每一组数据都曾被作为测试集。
训练分类器时,利用POS算法对支持向量机的惩罚因子C和核函数参数σ进行优化,将(C,σ)作为搜索空间,C的搜索范围取[0.1,100],σ的搜索范围取[0.01,100],适应度函数选择为3-fold交叉验证所得到的分类正确率,将每组(C,σ)下,交叉验证中三次测试所得到的最高正确率作为最佳适应度,所得到的三次正确率的平均值作为平均适应度,惯性因子w=1,加速因子c1、c2分别取为1.5和1.7,种群数量n=20,迭代次数t=200,优化过程中所得的适应度曲线如图3所示,最终优化结果为(C,σ)=(73.68,44.36),此时对应的最佳适应度为89%。
利用108个测试样本,对上述所得到的SVM分类器进行测试,测试结果如表所示,可以看到整体分类正确率达到97.72%,这表明,利用本发明对开关柜故障进行识别可以达到良好的识别效果。
表2分类结果
以上所揭露的仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于向量机的开关柜过热故障诊断方法,其特征在于:包括以下步骤:
S1、在开关柜的内部及柜体表面布置温度传感器,通过所述温度传感器获取所述开关柜在故障及正常运行时内部及柜体表面的温度数据;
S2、根据所述开关柜的具体参数及运行的物理过程,通过计算流体力学软件建立开关柜电-磁-流体耦合仿真模型,并将S1采集到的测温度数据与带入所述开关柜电-磁-流体耦合仿真模型进行仿真,并将仿真结果与S1采集到的测温度数据进行对比,进一步修正开关柜电-磁-流体耦合仿真模型;
S3、通过修正后的开关柜电-磁-流体耦合仿真模型分别对多种开关柜过热故障类型进行模拟得到训练样本;
S4、根据已有的故障类型数据库或S3模拟得到的大量样本对粒子群算法优化多分类支持向量机识别算法进行训练、测试和验证得到支持向量机分类器;
S5、采用所述支持向量机分类器对开关柜过热故障识别,将识别的结果进行汇总对比,进而确定故障的类型并进行存储。
2.根据权利要求1所述的基于向量机的开关柜过热故障诊断方法,其特征在于:所述开关柜过热故障类型包括:负荷过大、接触不良及故障电弧。
3.根据权利要求1所述的基于向量机的开关柜过热故障诊断方法,其特征在于:所述训练样本包括:开关柜柜体内部温度、开关柜所处的环境温湿度、开关柜的运行模式、开关柜负荷、日照时间及风速。
4.根据权利要求1所述的基于向量机的开关柜过热故障诊断方法,其特征在于:所述S4包括以下步骤:
S41、将所述训练样本划分为测试集和训练集;
S42、计算支持向量机的核函数,根据所述核函数计算最优分类面得到分类判别函数;
S43、根据S42的分类判别函数构建相应的支持向量机分类器;
S44、通过所述训练集对S43得到的支持向量机的参数优化;
S45、将所述测试集带入所述S44得到支持向量机的进行测试,根据测试结果判断所述支持向量机是否可行,若可行则能够进行S5,否则重新获取训练样本进行计算。
5.根据权利要求1所述的基于向量机的开关柜过热故障诊断方法,其特征在于:所述核函数采用高斯径向基核函数。
6.根据权利要求1所述的基于向量机的开关柜过热故障诊断方法,其特征在于:采用高斯径向基核函数计算最优分类面得到分类判别函数包括以下步骤:
S421、采用高斯径向基核函数计算最优分类面的公式为:
式(1)中,为定样本集,xi∈Rn为输入向量,N为样本个数,yi∈{±1}为类标号,σ为核函数参数,高斯径向基核函数k(xi,yj);
S422、根据KKT条件得到b*:
式(5)中,ξi为松弛因子,w为超平面的法向量,b为偏移量,φ(x)为输入向量在高维空间F中对应的向量,αi,βi为拉格朗日乘子;
S423、根据S422得到最优分类面f(x)=(w*·φ(x))+b*,其中w=w*,b=b*;
S443、根据所述最优分类面可以得到分类判别函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548283.6A CN110320468B (zh) | 2019-06-24 | 2019-06-24 | 一种基于向量机的开关柜过热故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548283.6A CN110320468B (zh) | 2019-06-24 | 2019-06-24 | 一种基于向量机的开关柜过热故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320468A true CN110320468A (zh) | 2019-10-11 |
CN110320468B CN110320468B (zh) | 2022-04-12 |
Family
ID=68121081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548283.6A Active CN110320468B (zh) | 2019-06-24 | 2019-06-24 | 一种基于向量机的开关柜过热故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320468B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927528A (zh) * | 2019-12-12 | 2020-03-27 | 广西电网有限责任公司电力科学研究院 | 一种输电线路故障模拟试验装置 |
CN111121971A (zh) * | 2019-12-18 | 2020-05-08 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
CN111948503A (zh) * | 2020-07-27 | 2020-11-17 | 国网江苏省电力有限公司电力科学研究院 | 一种用于现场耐压试验的谐振补偿容量提升方法与装置 |
CN113219330A (zh) * | 2021-05-26 | 2021-08-06 | 广西电网有限责任公司电力科学研究院 | 一种隔离开关状态检测方法及系统 |
CN113720724A (zh) * | 2021-08-31 | 2021-11-30 | 广西电网有限责任公司南宁供电局 | 一种空气型开关柜用伴生物预警检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120304008A1 (en) * | 2009-09-17 | 2012-11-29 | Holger Hackstein | Supervised fault learning using rule-generated samples for machine condition monitoring |
CN106203500A (zh) * | 2016-06-30 | 2016-12-07 | 浙江群力电气有限公司 | 一种基于改进的模糊支持向量机的故障分类方法 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN109556759A (zh) * | 2018-11-14 | 2019-04-02 | 广东电网有限责任公司惠州供电局 | 一种探究开关柜温升规律的实验方法 |
CN109781268A (zh) * | 2019-03-16 | 2019-05-21 | 福州大学 | 一种基于低成本红外热视技术的开关柜内重点部位温度监测系统 |
-
2019
- 2019-06-24 CN CN201910548283.6A patent/CN110320468B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120304008A1 (en) * | 2009-09-17 | 2012-11-29 | Holger Hackstein | Supervised fault learning using rule-generated samples for machine condition monitoring |
CN106203500A (zh) * | 2016-06-30 | 2016-12-07 | 浙江群力电气有限公司 | 一种基于改进的模糊支持向量机的故障分类方法 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN109556759A (zh) * | 2018-11-14 | 2019-04-02 | 广东电网有限责任公司惠州供电局 | 一种探究开关柜温升规律的实验方法 |
CN109781268A (zh) * | 2019-03-16 | 2019-05-21 | 福州大学 | 一种基于低成本红外热视技术的开关柜内重点部位温度监测系统 |
Non-Patent Citations (1)
Title |
---|
许傲然: "《变电站运行与维护》", 28 February 2018 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927528A (zh) * | 2019-12-12 | 2020-03-27 | 广西电网有限责任公司电力科学研究院 | 一种输电线路故障模拟试验装置 |
CN111121971A (zh) * | 2019-12-18 | 2020-05-08 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
CN111121971B (zh) * | 2019-12-18 | 2021-09-03 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
CN111948503A (zh) * | 2020-07-27 | 2020-11-17 | 国网江苏省电力有限公司电力科学研究院 | 一种用于现场耐压试验的谐振补偿容量提升方法与装置 |
CN113219330A (zh) * | 2021-05-26 | 2021-08-06 | 广西电网有限责任公司电力科学研究院 | 一种隔离开关状态检测方法及系统 |
CN113219330B (zh) * | 2021-05-26 | 2022-08-16 | 广西电网有限责任公司电力科学研究院 | 一种隔离开关状态检测方法及系统 |
CN113720724A (zh) * | 2021-08-31 | 2021-11-30 | 广西电网有限责任公司南宁供电局 | 一种空气型开关柜用伴生物预警检测方法 |
CN113720724B (zh) * | 2021-08-31 | 2024-04-02 | 广西电网有限责任公司南宁供电局 | 一种空气型开关柜用伴生物预警检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110320468B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320468A (zh) | 一种基于向量机的开关柜过热故障诊断方法 | |
CN106529090B (zh) | 一种航天电子类产品可靠性评估方法 | |
Baltas et al. | A comparative analysis of decision trees, support vector machines and artificial neural networks for on-line transient stability assessment | |
CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN110220602B (zh) | 一种开关柜过热故障识别方法 | |
CN105678253B (zh) | 半监督人脸年龄估计装置及半监督人脸年龄估计方法 | |
Mohammadi et al. | PMU based voltage security assessment of power systems exploiting principal component analysis and decision trees | |
CN107346286A (zh) | 一种基于核主成分分析和极限学习机的软件缺陷预测方法 | |
Hu et al. | Understanding electricity-theft behavior via multi-source data | |
CN109670255B (zh) | 一种时序参数聚类的典型仿真条件推荐方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN109165819A (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN109918720A (zh) | 基于磷虾群优化支持向量机的变压器故障诊断方法 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
Dinesh et al. | Incorporating time-of-day usage patterns into non-intrusive load monitoring | |
Doroudi et al. | Two novel static and dynamic voltage stability based indexes for power system contingency ranking | |
Ruan et al. | On vulnerability of renewable energy forecasting: Adversarial learning attacks | |
Batic et al. | Improving knowledge distillation for non-intrusive load monitoring through explainability guided learning | |
Jiao et al. | An on-line anomaly identifying method for calibration devices in an automatic verification system for electricity smart meters | |
CN114678962B (zh) | 基于电力物联网的分布式阵列测温异常数据传输监控系统 | |
US11042132B2 (en) | Transformative remedial action scheme tool (TRAST) | |
Da-Peng et al. | Intelligent Fault Classification and Identification of Heat Exchange Station Based on Time-Series Analysis | |
CN105930613A (zh) | 一种分布式发电系统等值建模方法 | |
JP6712870B2 (ja) | 分類装置、分類方法および分類プログラム |
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 |