CN110333440A - 断路器的检测方法、检测装置、计算机设备以及存储介质 - Google Patents
断路器的检测方法、检测装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN110333440A CN110333440A CN201910599341.8A CN201910599341A CN110333440A CN 110333440 A CN110333440 A CN 110333440A CN 201910599341 A CN201910599341 A CN 201910599341A CN 110333440 A CN110333440 A CN 110333440A
- Authority
- CN
- China
- Prior art keywords
- breaker
- moment
- coil
- machine performance
- performance characteristic
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 28
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000010338 mechanical breakdown Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004804 winding 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Driving Mechanisms And Operating Circuits Of Arc-Extinguishing High-Tension Switches (AREA)
Abstract
本申请涉及断路器的检测方法、检测装置、计算机设备以及计算机可读存储介质，一种断路器的检测方法，断路器包括分合闸线圈，上述方法包括：获取所述断路器分合闸线圈的电流信号；基于所述电流信号计算所述断路器的机械状态特征数据；对所述机械状态特征数据进行算法识别；根据算法识别的结果确定所述断路器的故障类型。上述断路器的检测方法，通过断路器中分合闸线圈的电流信号计算出断路器的机械状态特征数据，再对得到的机械状态特征数据进行算法识别，从而能够准确地确定断路器的故障类型，实现了断路器机械状态的精确检测。
Description
技术领域
本发明涉及电路检测的技术领域，特别是涉及一种断路器的检测方法、检测装置、计算机设备以及计算机可读存储介质。
背景技术
断路器是电网中的重要设备，主要用于切合电流，对电力系统起保护作用。断路器在运行过程中，断路器的铁芯运动可能会出现卡涩、脱扣、拒分合等故障。因此为保证电力系统的安全性需要对断路器的机械故障进行检测。
传统的断路器检测方法一般是通过检测人员对断路器的电流波形进行人工对比识别，这样的检测方法受检测人员的经验和主观标准的影响比较大，武能得到准确的量化结果，无法对断路器的机械状态得到准确判断。
发明内容
基于此，有必要针对上述技术问题，提供一种断路器的检测方法、检测装置、计算机设备以及计算机可读存储介质，可以准确判断断路器的机械状态。
一种断路器的检测方法，所述断路器包括分合闸线圈，所述方法包括：
获取所述断路器分合闸线圈的电流信号；
基于所述电流信号计算所述断路器的机械状态特征数据；
对所述机械状态特征数据进行算法识别；
根据算法识别的结果确定所述断路器的故障类型。
上述断路器的检测方法，通过断路器中分合闸线圈的电流信号计算出断路器的机械状态特征数据，再对得到的机械状态特征数据进行算法识别，从而能够准确地确定断路器的故障类型，实现了断路器机械状态的精确检测。
在其中一个实施例中，所述获取所述断路器分合闸线圈的电流信号包括：
通过罗氏线圈对所述分合闸线圈进行测量；
通过示波器采集所述罗氏线圈测量的所述电流信号。
在其中一个实施例中，所述机械状态特征数据包括时间特征量和/或电流幅值特征量。
在其中一个实施例中，所述断路器还包括铁芯，分合闸动作起始的时间为第一时刻，所述铁芯开始运动的时间为第二时刻，所述铁芯停止运动的时间为第三时刻，所述断路器切断的时间为第四时刻，分合闸动作停止的时间为第五时刻；所述基于所述电流信号计算所述断路器的机械状态特征数据包括：
基于所述第一时刻、所述第二时刻、所述第三时刻、所述第四时刻以及所述第五时刻计算所述时间特征量；
基于所述第二时刻时分合闸线圈的电流值、所述第三时刻时分合闸线圈的电流值以及所述第四时刻时分合闸线圈的电流值计算所述电流幅值特征量。
在其中一个实施例中，所述对所述机械状态特征数据进行算法识别包括：
基于所述机械状态特征数据获取机械状态特征数据矩阵；
通过神经网络和/或支持向量机对所述机械状态特征数据矩阵进行识别。
一种断路器的检测装置，所述断路器包括分合闸线圈，所述检测装置包括：
信号获取模块，用于获取所述断路器分合闸线圈的电流信号；
特征计算模块，用于基于所述电流信号计算所述分合闸的机械状态特征数据；
算法识别模块，用于对所述机械状态特征数据进行算法识别；
故障确定模块，用于根据算法识别的结果确定所述断路器的故障类型。
上述断路器的检测装置，通过断路器中分合闸线圈的电流信号计算出断路器的机械状态特征数据，再对得到的机械状态特征数据进行算法识别，从而能够准确地确定断路器的故障类型，实现了断路器机械状态的精确检测。
在其中一个实施例中，所述信号获取模块包括：
测量单元，用于通过罗氏线圈对所述分合闸线圈进行测量；
采集单元，用于通过示波器采集所述罗氏线圈测量的所述电流信号。
在其中一个实施例中，所述算法识别模块包括：
矩阵单元，用于基于所述机械状态特征数据获取机械状态特征数据矩阵；
识别单元，用于通过神经网络和/或支持向量机对所述机械状态特征数据矩阵进行识别。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
附图说明
图1为一个实施例中断路器的检测方法的流程示意图；
图2为一个实施例中获取所述断路器分合闸线圈的电流信号的流程示意图；
图3为一个实施例中断路器分合闸线圈的电流信号示意图；
图4为一个实施例中对所述机械状态特征数据进行算法识别的流程示意图；
图5为一个实施例中断路器的检测装置的结构示意图；
图6为另一个实施例中信号获取模块的结构示意图；
图7为一个实施例中算法识别模块的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中断路器的检测方法的流程示意图，如图1所示，在一个实施例中，断路器包括分合闸线圈，一种断路器的检测方法包括，包括：
步骤S120：获取断路器分合闸线圈的电流信号。
步骤S140：基于电流信号计算断路器的机械状态特征数据。
步骤S160：对机械状态特征数据进行算法识别。
步骤S180：根据算法识别的结果确定断路器的故障类型。
具体地，断路器中的操作机构的运动会造成分合闸线圈上电流的变化，当断路器中发生机械故障时，例如当断路器铁芯的运动发生卡涩、脱扣或拒分合等故障时，分合闸线圈上的电流信息都会出现相应的反应。因此测试断路器机械故障时，首先需要获取断路器的分合闸线圈的电流信号。电流信号的采集可以在分合闸线圈上设置电流传感器等电流测量仪器，在断路器进行分合闸动作时，电流测量仪器会实时测量并记录分合闸线圈上的电流随时间变化曲线，并将该电流-时间曲线作为电流信号。
获得断路器分合闸线圈的电流信号后，需要计算其特征数据，该机械状态特征数据为表示分合闸线圈上电流随时间变化的特征参数，若断路器内部操作机构发生机械故障，断路器进行分合闸动作时，分合闸线圈的电流相对于正常状态下会发生变化，且不同类型的机械故障一般都对应有特有的电流变化情况。因此根据获取到的不同的机械状态特征数据，可以对应特有的断路器机械故障类型，通过对机械状态特征数据进行分析处理，即可确定断路器发生机械故障的类型。
对于机械状态特征数据的处理具体可以采用算法识别等方式实现，例如采用神经网络算法或支持向量机算法等，这些算法可以有效建立不同的机械状态特征数据与机械故障类型之间的的对应关系，从而在根据分合闸电流信息获取机械状态特征数据后，即可将机械状态信息数据输入到算法中，经过识别处理后确定断路器所发生的具体机械故障类型。
上述断路器的检测方法，通过断路器中分合闸线圈的电流信号计算出断路器的机械状态特征数据，再对得到的机械状态特征数据进行算法识别，从而能够准确地确定断路器的故障类型，实现了断路器机械状态的精确检测。
图2为一个实施例中步骤S120的流程示意图，如图1所示，步骤S120具体可以包括：
步骤S122：通过罗氏线圈对分合闸线圈进行测量。
步骤S124：通过示波器采集罗氏线圈测量的电流信号。
具体的，对于分合闸线圈电流信号的获取，具体可以通过罗氏线圈和示波器实现。罗氏线圈即电流测量线圈、微分电流传感器，为均匀缠绕在非铁磁性材料上的环形线圈。输出信号是电流对时间的微分，通过对输出的电压信号进行积分的电路，就可以真实还原输入电流。罗氏线圈具又测量范围宽，精度高，稳定可靠，响应频带宽等优点，适合进行断路器分合闸线圈的电流测量。罗氏线圈与示波器通信连接，罗氏线圈测量的电流信号输入示波器进行采集，从而实现对分合闸线圈电流信号的获取。获取电流信号后，示波器可以将电流信号发送给处理装置进行后续处理。
图3为一个实施例中断路器分合闸线圈的电流信号示意图，如图3所示，在一个实施例中，断路器还包括铁芯，分合闸动作起始的时间为第一时刻，铁芯开始运动的时间为第二时刻，铁芯停止运动的时间为第三时刻，断路器切断的时间为第四时刻，分合闸动作停止的时间为第五时刻；
步骤S140具体可以包括：基于第一时刻、第二时刻、第三时刻、第四时刻以及第五时刻计算时间特征量；基于第二时刻时分合闸线圈的电流值、第三时刻时分合闸线圈的电流值以及第四时刻时分合闸线圈的电流值计算电流幅值特征量。
具体的，断路器的操作机构中设置有断路器铁芯，在断路器进行分合闸动作时，铁芯会进行移动，从而断开断路器中的触点，实现断路器的分合闸动作。图3中曲线表示断路器的分合闸线圈从开始分合闸动作到分合闸动作结束的电流变化过程，其中，第一时刻t1为分合闸动作的起始点，t1时刻分合闸线圈上的电流为0。第二时刻t2为断路器操作机构中的铁芯开始运动的时刻，t2时刻分合闸线圈上的电流为i1。第三时刻t3为断路器操作机构中的铁芯停止运动的时刻，t3时刻分合闸线圈上的电流为i2。第四时刻t4为断路器中的触点切断的时刻，t4时刻分合闸线圈上的电流为i3。第五时刻t5为分合闸动作结束的时刻，t5时刻分合闸线圈上的电流又归为0。从断路器的铁芯开始运动到分合闸动作停止的时间t＝t5-t2。
断路器的机械状态特征数据包括时间特征量和/或电流幅值特征量。根据上述获取的时刻和电流信息，即可以分别计算得到时间特征量以及电流幅值特征量。其中，时间特征量的数量为4个，分别可以为：V1＝(t2-t1)/t；V2＝(t3-t2)/t；V3＝(t4-t3)/t；V4＝(t2-t1)/t。电流幅值特征量的数量为3个，分别可以为：V5＝i2/i3；V6＝i1/i3；V7＝i1/i2。从而得到7个特征量即为断路器的机械状态特征数据，根据该7个特征量即可进行算法识别，从而确定断路器的机械故障类型。
图4为一个实施例中步骤S160的流程示意图，如图4所示，步骤S160具体可以包括：
步骤S162：基于机械状态特征数据获取机械状态特征数据矩阵。
步骤S164：通过神经网络和/或支持向量机对机械状态特征数据矩阵进行识别。
具体地，在获取包括时间特征量以及电流幅值特征量等机械状态特征数据后，可以将这些特征量构建成特征量矩阵，特征量矩阵表明了断路器操作机构运动过程中分合闸线圈电流曲线的特征。由于不同类型的断路器机械故障具有不同的特征量矩阵，将获取到的特征量矩阵进行算法识别，即可确定该特征量矩阵所对应的断路器机械故障类型。识别算法具体可以采用例如神经网络算法或支持向量机算法等通用智能算法。
例如获取不同种类的断路器机械故障以及对应的特征量矩阵作为训练数据，通过训练数据训练相应的神经网络，将特征量矩阵作为神经网络的输入，将对应的机械故障类型作为期望的输出，对神经网络进行反向传播训练，当神经网络的损失函数达到预设的收敛条件的情况下，确定神经网络的参数以得到训练完毕的神经网络模型。后续即可将检测到的特征量矩阵作为该神经网络模型的输入，神经网络模型即可输出准确的断路器机械故障类型，从而实现对断路器机械故障的判断。
图5为一个实施例中断路器的检测装置的结构示意图，如图5所示，在一个实施例中，断路器包括分合闸线圈，检测装置500包括：信号获取模块520，用于获取断路器分合闸线圈的电流信号；特征计算模块540，用于基于电流信号计算分合闸的机械状态特征数据；算法识别模块560，用于对机械状态特征数据进行算法识别；故障确定模块580，用于根据算法识别的结果确定断路器的故障类型。
具体地，在断路器的检测装置500中，信号获取模块520通过电流传感器等电流测量仪器对断路器的分合闸线圈电流进行测量和采集，得到电流信号后将其发送给特征计算模块540。特征计算模块540根据接收的电流信息计算断路器的机械状态特征数据，该机械状态特征数据可以为表示分合闸线圈上电流随时间变化的特征参数，特征计算模块540计算得到机械状态特征数据后将其发送给算法识别模块560。算法识别模块560将接收到的机械状态特征参数输入到识别算法中，并将识别结果输出给故障确定模块580。故障确定模块580接收算法输出的结果后，根据算法结果确定断路器的机械故障类型。
上述断路器的检测装置500，通过断路器中分合闸线圈的电流信号计算出断路器的机械状态特征数据，再对得到的机械状态特征数据进行算法识别，从而能够准确地确定断路器的故障类型，实现了断路器机械状态的精确检测。
图6为一个实施例中上述信息获取模块的结构示意图，如图6所示，在一个实施例中，上述信号获取模块520包括：测量单元522，用于通过罗氏线圈对分合闸线圈进行测量；采集单元524，用于通过示波器采集罗氏线圈测量的电流信号。
具体地，在信号获取模块50中，测量单元522控制罗氏线圈对分合闸线圈的电流进行测量，并将测量的电流信号发送给采集单元524中的示波器。采集单元524中的示波器对电流型号进行采集和记录，从而实现对分合闸线圈电流信号的获取并将得到的电流信号发送给特征计算模块540以进行断路器机械状态特征数据的计算。
图7为一个实施例中算法识别的结构示意图，如图7所示，在一个实施例中，上述算法识别模块560包括：矩阵单元562，用于基于机械状态特征数据获取机械状态特征数据矩阵；识别单元564，用于通过神经网络和/或支持向量机对机械状态特征数据矩阵进行识别。
具体地，在算法识别模块560中，矩阵单元562接收特征计算模块540发送的机械状态特征数据，该机械状态特征数据具体可以包括时间特征量以及电流幅值特征量等，矩阵单元562将这些特征量构建成表明分合闸线圈电流曲特征的特征量矩阵，并将特征量矩阵发送给识别单元564。识别单元564中存储有识别算法，例如识别单元564可以通过神经网络算法进行断路器机械故障类型的识别。识别单元564获取不同种类的断路器机械故障以及对应的特征量矩阵作为训练数据，对神经网络进行反向传播训练以得到符合识别精度需求的神经网络模型。识别单元564可以将接收到的特征量矩阵作为该神经网络模型的输入，神经网络模型即可输出准确的断路器机械故障类型，从而实现对断路器机械故障的判断。
在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可以在处理器上运行的计算机程序，处理器执行该程序时可以执行如下步骤：获取断路器分合闸线圈的电流信号；基于电流信号计算断路器的机械状态特征数据；对机械状态特征数据进行算法识别；根据算法识别的结果确定断路器的故障类型。
在一个实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时可以使得处理器执行如下步骤：获取断路器分合闸线圈的电流信号；基于电流信号计算断路器的机械状态特征数据；对机械状态特征数据进行算法识别；根据算法识别的结果确定断路器的故障类型。
上述对于计算机可读存存储介质及计算机设备的限定可以参见上文中对于方法的具体限定，在此不再赘述。
需要说明的是，本领域普通技术人员可以理解实现上述方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一计算机可读取存储介质中；上述的程序在执行时，可包括如上述各方法的实施例的流程。其中，上述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，简称ROM)或随机存储记忆体(Random Access Memory，简称RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种断路器的检测方法，所述断路器包括分合闸线圈，其特征在于，所述方法包括：
获取所述断路器分合闸线圈的电流信号；
基于所述电流信号计算所述断路器的机械状态特征数据；
对所述机械状态特征数据进行算法识别；
根据算法识别的结果确定所述断路器的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述获取所述断路器分合闸线圈的电流信号包括：
通过罗氏线圈对所述分合闸线圈进行测量；
通过示波器采集所述罗氏线圈测量的所述电流信号。
3.根据权利要求1所述的方法，其特征在于，所述机械状态特征数据包括时间特征量和/或电流幅值特征量。
4.根据权利要求3所述的方法，其特征在于，所述断路器还包括铁芯，分合闸动作起始的时间为第一时刻，所述铁芯开始运动的时间为第二时刻，所述铁芯停止运动的时间为第三时刻，所述断路器切断的时间为第四时刻，分合闸动作停止的时间为第五时刻；所述基于所述电流信号计算所述断路器的机械状态特征数据包括：
基于所述第一时刻、所述第二时刻、所述第三时刻、所述第四时刻以及所述第五时刻计算所述时间特征量；
基于所述第二时刻时分合闸线圈的电流值、所述第三时刻时分合闸线圈的电流值以及所述第四时刻时分合闸线圈的电流值计算所述电流幅值特征量。
5.根据权利要求1所述的方法，其特征在于，所述对所述机械状态特征数据进行算法识别包括：
基于所述机械状态特征数据获取机械状态特征数据矩阵；
通过神经网络和/或支持向量机对所述机械状态特征数据矩阵进行识别。
6.一种断路器的检测装置，所述断路器包括分合闸线圈，其特征在于，所述检测装置包括：
信号获取模块，用于获取所述断路器分合闸线圈的电流信号；
特征计算模块，用于基于所述电流信号计算所述分合闸的机械状态特征数据；
算法识别模块，用于对所述机械状态特征数据进行算法识别；
故障确定模块，用于根据算法识别的结果确定所述断路器的故障类型。
7.根据权利要求6所述的检测装置，其特征在于，所述信号获取模块包括：
测量单元，用于通过罗氏线圈对所述分合闸线圈进行测量；
采集单元，用于通过示波器采集所述罗氏线圈测量的所述电流信号。
8.根据权利要求6所述的检测装置，其特征在于，所述算法识别模块包括：
矩阵单元，用于基于所述机械状态特征数据获取机械状态特征数据矩阵；
识别单元，用于通过神经网络和/或支持向量机对所述机械状态特征数据矩阵进行识别。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910599341.8A CN110333440A (zh) | 2019-07-04 | 2019-07-04 | 断路器的检测方法、检测装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910599341.8A CN110333440A (zh) | 2019-07-04 | 2019-07-04 | 断路器的检测方法、检测装置、计算机设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110333440A true CN110333440A (zh) | 2019-10-15 |
Family
ID=68143085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910599341.8A Pending CN110333440A (zh) | 2019-07-04 | 2019-07-04 | 断路器的检测方法、检测装置、计算机设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110333440A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474471A (zh) * | 2020-05-29 | 2020-07-31 | 国网安徽省电力有限公司电力科学研究院 | 一种用于高压交流断路器分合闸线圈电流特征参数提取方法 |
| CN112858902A (zh) * | 2021-02-02 | 2021-05-28 | 南方电网数字电网研究院有限公司 | 微型断路器监测方法、装置、计算机设备和存储介质 |
| CN115061037A (zh) * | 2022-06-22 | 2022-09-16 | 云南电网有限责任公司电力科学研究院 | 继电器绕组的状态确定方法及系统、设备及存储介质 |
| CN115184785A (zh) * | 2022-06-23 | 2022-10-14 | 苏州西门子电器有限公司 | 测试方法、测试系统以及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103954910A (zh) * | 2014-04-29 | 2014-07-30 | 国家电网公司 | 一种永磁操作机构电流信号的故障诊断装置及方法 |
| CN104267343A (zh) * | 2014-10-17 | 2015-01-07 | 广东电网有限责任公司佛山供电局 | 断路器故障状态诊断方法和断路器故障状态诊断装置 |
| CN104360262A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于特征点的断路器操作机构分合闸线圈电流比对方法 |
| CN104793134A (zh) * | 2015-04-29 | 2015-07-22 | 中国电力科学研究院 | 基于最小二乘支持向量机的断路器操作机构故障诊断方法 |
| CN106291351A (zh) * | 2016-09-20 | 2017-01-04 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
| CN106707153A (zh) * | 2016-12-27 | 2017-05-24 | 北京合纵科技股份有限公司 | 一种基于foa‑rbf的高压断路器故障诊断方法 |
| CN107179502A (zh) * | 2017-07-11 | 2017-09-19 | 平顶山学院 | 一种高压断路器机械状态的故障诊断方法 |
-
2019
- 2019-07-04 CN CN201910599341.8A patent/CN110333440A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103954910A (zh) * | 2014-04-29 | 2014-07-30 | 国家电网公司 | 一种永磁操作机构电流信号的故障诊断装置及方法 |
| CN104267343A (zh) * | 2014-10-17 | 2015-01-07 | 广东电网有限责任公司佛山供电局 | 断路器故障状态诊断方法和断路器故障状态诊断装置 |
| CN104360262A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于特征点的断路器操作机构分合闸线圈电流比对方法 |
| CN104793134A (zh) * | 2015-04-29 | 2015-07-22 | 中国电力科学研究院 | 基于最小二乘支持向量机的断路器操作机构故障诊断方法 |
| CN106291351A (zh) * | 2016-09-20 | 2017-01-04 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
| CN106707153A (zh) * | 2016-12-27 | 2017-05-24 | 北京合纵科技股份有限公司 | 一种基于foa‑rbf的高压断路器故障诊断方法 |
| CN107179502A (zh) * | 2017-07-11 | 2017-09-19 | 平顶山学院 | 一种高压断路器机械状态的故障诊断方法 |
Non-Patent Citations (9)
| Title |
|---|
| 姜海龙: "基于PSO-LSSVM的真空断路器操动机构故障诊断研究", 《第十三届沈阳科学学术年会论文集》 * |
| 孙银山: "高压断路器分合闸线圈电流信号特征提取与故障判别方法研究", 《高压电器》 * |
| 张卫正: "基于最小二乘支持向量机的高压断路器故障诊断", 《高压电器》 * |
| 李聪: "基于分合闸线圈电流特征的高压断路器机械故障诊断", 《浙江电力》 * |
| 王娜: "基于神经网络专家系统的高压断路器故障诊断研究", 《济源职业技术学院学报》 * |
| 罗小安: "基于RBF神经网络在高压断路器故障诊断的研究", 《电气应用》 * |
| 罗小安: "基于正交算法的RBF网络在高压断路器故障诊断中的应用研究", 《电力科学与工程》 * |
| 袁金丽: "基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断", 《高压电器》 * |
| 陈莉: "基于BP和RBF神经网络在高压断路器故障诊断中的应用", 《煤矿机电》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474471A (zh) * | 2020-05-29 | 2020-07-31 | 国网安徽省电力有限公司电力科学研究院 | 一种用于高压交流断路器分合闸线圈电流特征参数提取方法 |
| CN112858902A (zh) * | 2021-02-02 | 2021-05-28 | 南方电网数字电网研究院有限公司 | 微型断路器监测方法、装置、计算机设备和存储介质 |
| CN115061037A (zh) * | 2022-06-22 | 2022-09-16 | 云南电网有限责任公司电力科学研究院 | 继电器绕组的状态确定方法及系统、设备及存储介质 |
| CN115184785A (zh) * | 2022-06-23 | 2022-10-14 | 苏州西门子电器有限公司 | 测试方法、测试系统以及电子设备 |
| CN115184785B (zh) * | 2022-06-23 | 2024-05-07 | 苏州西门子电器有限公司 | 测试方法、测试系统以及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110333440A (zh) | 断路器的检测方法、检测装置、计算机设备以及存储介质 | |
| CN104360262B (zh) | 基于特征点的断路器操作机构分合闸线圈电流比对方法 | |
| CN101688892B (zh) | 用于在时域中预测电力系统的状态的方法和设备 | |
| CN110470951B (zh) | 基于PMU信息和Petri网的有源配电网故障诊断方法 | |
| CN112986810A (zh) | 一种适用于断路器及高压开关的机械特性分析方法、装置及系统 | |
| CN105242199B (zh) | 一种高压断路器分合闸线圈状态的实时诊断方法及装置 | |
| EP0358483B1 (en) | An automatic field ground detector and locator | |
| CN104360263A (zh) | 基于分合闸线圈电流的断路器操作机构故障诊断专家系统 | |
| CN105445657A (zh) | 基于灰色关联度分析的断路器操作机构状态诊断方法 | |
| CN113777478A (zh) | 一种自动测试仪的全面自检方法 | |
| JP6821495B2 (ja) | 部分放電計測システム及び部分放電計測方法 | |
| US11249137B2 (en) | Diagnostic method of switchgear and device thereof | |
| CN111190098A (zh) | 继电器故障检测方法以及检测系统 | |
| CN115097296A (zh) | 继电器可靠性评估方法及装置 | |
| CN116611670A (zh) | 一种半导体器件制造生产线的故障诊断方法及系统 | |
| US20140095087A1 (en) | Method for generating a fault signal | |
| US20200278397A1 (en) | Method for monitoring circuit breaker and apparatus and internet of things using the same | |
| Hsu et al. | Vacuum circuit breaker closing time key moments detection via vibration monitoring: A run-to-failure study | |
| Kane et al. | Advantages of continuous monitoring of partial discharges in rotating equipment and switchgear | |
| JP7488352B2 (ja) | 送電線の監視区域内での電気的故障の検出 | |
| Bell et al. | Model-based analysis of protection system performance | |
| CN114142605B (zh) | 纵联保护方法、装置和存储介质 | |
| CN113567805A (zh) | 一种基于数据相关性的配电网故障诊断方法及装置 | |
| JPH11354341A (ja) | 負荷時タップ切換器の監視装置 | |
| CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |