CN110737996B - 一种高压断路器分合闸线圈电流识别方法 - Google Patents
一种高压断路器分合闸线圈电流识别方法 Download PDFInfo
- Publication number
- CN110737996B CN110737996B CN201911031141.9A CN201911031141A CN110737996B CN 110737996 B CN110737996 B CN 110737996B CN 201911031141 A CN201911031141 A CN 201911031141A CN 110737996 B CN110737996 B CN 110737996B
- Authority
- CN
- China
- Prior art keywords
- current
- characteristic
- modeling
- standard deviation
- breaker
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
一种高压断路器分合闸线圈电流识别方法,属于电力领域,通过多次采集各种故障情况下的高压断路器分合闸线圈电流曲线,并提取建模特征点,利用二维单高斯概率密度函数描述各建模特征点的分布,求解其最大似然估计并得到各类故障建模特征点的标准差椭圆,以标准差椭圆为基础建立断路器故障模式库,在采集被测断路器分合闸线圈电流的电流曲线与对应特征点后与模式库进行匹配分析,从而判断被测断路器的故障状态。同现有技术所采用的分合闸线圈电流识别方法相比,采用了特征点及标准差椭圆的方法,能够非常明确地判断各类故障,排列各种潜在或混合故障的可能性;采用了对被测特征点的降维方法,实现了特征点故障严重程度的衡量。
Description
技术领域
本发明属于电力领域,尤其涉及一种高压断路器分合闸线圈电流识别方法。
背景技术
在电力系统中,高压断路器是不可替代的重要一次设备。高压断路器基本都以分合闸电磁铁作为第一级控制元件。分合闸线圈控制电磁铁的动铁心运动,并进一步使传动、提升机构动作,实现断路器分合闸。基于分合闸线圈电流的高压断路器故障识别是近几年兴起的检测手段,能够反映二次回路、电磁铁及部分操动机构故障。
无论发电出口断路器或者变电站断路器,一旦出现故障则造成非常严重的后果。根据国内外统计,60-70%的断路器缺陷或故障为机械引发。传统的断路器机械特性测试方法获取的断路器参数有限,对断路器的故障判断有一定局限性。新兴的神经网络故障判断法对输入数据非常敏感,实际应用时有发生异常的可能。
实际上,随着分合闸线圈故障的严重程度不同,被测电流曲线中各被测特征点坐标不仅具有分散性,且对于部分故障类型,被测特征点坐标的变化有着明显的方向性,单纯依靠被测特征点与聚类中心距离的判断方法不利于故障的识别。此外,现场故障可能为多种原因导致的混合型故障,对故障识别算法有更高的要求。
发明内容
本发明旨在解决上述问题,提供一种高压断路器分合闸线圈电流识别方法。
本发明所述一种高压断路器分合闸线圈电流识别方法,在实验室环境下采集建模断路器分合闸线圈电流的电流曲线,所述建模断路器分合闸线圈电流包括n类特征电流,其中包括1类正常状态下的分合闸电流和n-1类不同故障状态下的分合闸电流,对每类特征电流各采集N条电流曲线,并在电流曲线上提取建模特征点并建立建模特征点样本集,求解各建模特征点样本集概率密度函数的最大似然估计,并建立断路器故障模式库;
采集被测断路器分合闸线圈电流的电流曲线,并在电流曲线上提取被测特征点;将被测特征点带入前述断路器故障模式库进行匹配判断被测断路器分合闸线圈电流曲线所属特征电流;
最后依据被测断路器分合闸线圈电流曲线所属特征电流判断被测断路器故障。
本发明所述一种高压断路器分合闸线圈电流识别方法,所述提取建模特征点并建立建模特征点样本集的步骤包括,提取每类特征电流各N条电流曲线的建模特征点,每个建模特征点由分合闸线圈电流及其对应的时刻组成;
每条电流曲线共提取5个建模特征点,第x类特征电流的第s个特征点各产生N个采样点,其中x∈{1,2,3,…,n},s∈{1,2,3,4,5};产生该特定情况下的样本集为Xx,s={(tx,s,1,Ix,s,1)T,(tx,s,2,Ix,s,2)T…(tx,s,N,Ix,s,N)T},令有k∈{1,2,3,…,N}。
本发明所述一种高压断路器分合闸线圈电流识别方法,所述求解各建模特征点样本集概率密度函数的最大似然估计,并建立断路器故障模式库的具体步骤包括:首先求解最大似然估计的期望、协方差矩阵与特征向量;利用二维单高斯概率密度函数描述各建模特征点的分布:
其中V=(t,I)T为二维向量,I为特定建模特征点的电流,t为特定建模特征点的时刻;
因此对于特定样本集Xx,s,对应的二维单高斯概率密度函数为:
其似然函数为:
可知最大似然估计的期望与协方差矩阵:
第x类特征电流第s个建模特征点概率密度函数最大似然估计的期望:
第x类特征电流第s个建模特征点概率密度函数最大似然估计的协方差矩阵:
对于第x类特征电流第s个建模特征点概率密度函数最大似然估计的协方差矩阵,其特征值为λx,s,特征向量为Zx,s,有下式:
可得ZLx,s、ZSx,s、λLx,s及λSx,s;其中ZLx,s为标准差椭圆长轴对应的特征向量,其中ZSx,s为标准差椭圆短轴对应的特征向量;λLx,s为标准差椭圆长轴对应的特征值;λSx,s为标准差椭圆短轴对应的特征值;
接着,求解n类特征电流各5个建模特征点的标准差椭圆的一般方程;
易通过ZLx,s得到t轴逆时针旋转至椭圆长轴的角度为θx,s;
设标准差椭圆的一般方程为:
Ax,st2+Bx,stI+Cx,sI2+Dx,st+Ex,sI+Fx,s=0
其中:
本发明所述一种高压断路器分合闸线圈电流识别方法,所述采集被测断路器分合闸线圈电流的电流曲线,并在电流曲线上提取被测特征点的步骤包括:采集被测断路器分合闸线圈电流曲线数据并滤波,提取电流曲线的5个被测特征点cs=(ts,Is)T向量S=[(t1,I1)T,(t2,I2)T,(t3,I3)T,(t4,I4)T,(t5,I5)T];
首先判断被测断路器分合闸电流曲线五个被测特征点与n类特征电流各5个建模特征点对应的99%置信区间的标准差椭圆的位置关系,此时椭圆方程中f=f99%=9.21;
将向量S中5个被测特征点逐个带入n类特征电流第s个建模特征点概率密度函数最大似然估计的标准差椭圆方程中:
Ax,st2+Bx,stI+Cx,sI2+Dx,st+Ex,sI+Fx,s=0
当该式左侧小于零使方程左右两侧不等时,说明被测特征点位于标准差椭圆内部;
当该式左侧大于零使方程左右两侧不等时,说明被测特征点位于标准差椭圆外部;
当该式左侧等于零使方程左右两侧相等时,说明被测特征点位于标准差椭圆上;
将判断结果汇总为被测特征点布尔矩阵Y:
被测特征点布尔矩阵中的元素ax,s代表被测断路器分合闸线圈电流曲线的第s个被测特征点是否属于第x类特征电流的第s个建模特征点;
当被测特征点位于对于标准差椭圆上或者内部时,ax,s为1;反之为0。
本发明所述一种高压断路器分合闸线圈电流识别方法,所述将被测特征点带入前述断路器故障模式库进行匹配判断被测断路器分合闸线圈电流曲线所属特征电流的步骤为:当被测断路器电流曲线各被测特征点符合第x类特征电流各建模特征点时,认为被测电流曲线具备该类特征电流的全部特征:
从而判断被测断路器分合闸线圈电流是否正常或存在某类故障;
故障的严重程度与被测特征点坐标有着直接关系,此时利用标准差椭圆长轴表征数据分布的方向,以长轴端点为基准点,以长轴为基准坐标系,将二维被测特征点降至一维,使用一维特征点与基准点间的距离衡量被测特征点故障严重程度。
本发明所述一种高压断路器分合闸线圈电流识别方法,所述衡量被测特征点故障严重程度的步骤为:
99%标准差椭圆的长轴直线方程为:
因此被测特征点与近交点的距离向量为:
处理99%标准差椭圆长轴对应的特征向量ZLx,s,得到单位化并由近交点指向远交点的坐标轴基准向量:
通过下式将ZCdistx,s降维,得到ZCdistx,s在ZLex,s上的一维投影长度:
对于已经确定的第x类故障第s个被测特征点,Distx,s越小,说明越接近标准差椭圆近交点,故障类型越轻微,反之则越严重。
本发明所述一种高压断路器分合闸线圈电流识别方法,所述依据被测断路器分合闸线圈电流曲线所属特征电流判断被测断路器故障的步骤为:当被测断路器分合闸电流曲线不完全具备所有n类特征电流中某任意一条的全部特征时,认为该断路器不属于正常状态,也不确切地存在某类单一故障,进入断路器潜在或混合故障类型的判断过程;
被测断路器分合闸电流曲线对于第x类特征电流各建模特征点的符合数量为bx,bx∈{0,1,2,3,4};
对全部bx(x∈{1,2,3,…,n})由大到小排序,即得到被测曲线对各类故障特征点的符合数量的排序。对于多个bx相等的情况,则并列排序;
该排序结果代表各类潜在或混合故障的可能性。
本发明所述一种高压断路器分合闸线圈电流识别方法,通过多次采集各种故障情况下的高压断路器分合闸线圈电流曲线,并提取建模特征点,利用二维单高斯概率密度函数描述各建模特征点的分布,求解其最大似然估计并得到各类故障建模特征点的标准差椭圆,以标准差椭圆为基础建立断路器故障模式库,在采集被测断路器分合闸线圈电流的电流曲线与对应特征点后与模式库进行匹配分析,从而判断被测断路器的故障状态。同现有技术所采用的分合闸线圈电流识别方法相比,采用了特征点及标准差椭圆的方法,能够非常明确地判断各类故障,排列各种潜在或混合故障的可能性;采用了对被测特征点的降维方法,实现了特征点故障严重程度的衡量。
附图说明
图1是典型断路器分合闸电流波形及特征点示意图;
图2是典型断路器分合闸电流波形及简化后的特征点示意图;
图3是典型断路器分闸电流波形及辅助开关接触不良时电流波形的对比示意图;
图4是典型断路器分闸电流波形及分闸电压低时电流波形的对比示意图。
具体实施方式
下面通过实施例对本发明所述一种高压断路器分合闸线圈电流识别方法进行详细说明。
本实施例所述一种高压断路器分合闸线圈电流识别方法包括如下步骤:
第一步,建立断路器故障模式库;包括如下具体步骤:
1.分合闸电流曲线的采集;
在实验室环境下采集断路器的n类特征电流,包括正常的的分合闸电流1类及n-1类不同故障状态下的分合闸电流,对每类电流各采集N条电流曲线。
2.建模特征点的提取;
对所有电流曲线进行滤波,排除干扰;
提取每类特征电流各N条电流曲线的建模特征点,每个建模特征点由分合闸线圈电流及其对应的时刻组成。
每条电流曲线共提取5个建模特征点,第x类特征电流的第s个特征点各产生N个采样点,其中x∈{1,2,3,…,n},s∈{1,2,3,4,5};产生该特定情况下的样本集为Xx,s={(tx,s,1,Ix,s,1)T,(tx,s,2,Ix,s,2)T…(tx,s,N,Ix,s,N)T},令有k∈{1,2,3,…,N}。
3.求解各建模特征点样本集概率密度函数最大似然估计的期望、协方差矩阵与特征向量;
利用二维单高斯概率密度函数描述各建模特征点的分布:
其中V=(t,I)T为二维向量,I为特定建模特征点的电流,t为特定建模特征点的时刻;
因此对于特定样本集Xx,s,对应的二维单高斯概率密度函数为:
其似然函数为:
可知最大似然估计的期望与协方差矩阵:
第x类特征电流第s个建模特征点概率密度函数最大似然估计的期望:
第x类特征电流第s个建模特征点概率密度函数最大似然估计的协方差矩阵:
对于第x类特征电流第s个建模特征点概率密度函数最大似然估计的协方差矩阵,其特征值为λx,s,特征向量为Zx,s,有下式:
可得ZLx,s、ZSx,s、λLx,s及λSx,s;其中ZLx,s为标准差椭圆长轴对应的特征向量,其中ZSx,s为标准差椭圆短轴对应的特征向量;λLx,s为标准差椭圆长轴对应的特征值;λSx,s为标准差椭圆短轴对应的特征值。
接着,求解n类特征电流各5个建模特征点的标准差椭圆的一般方程;易通过ZLx,s得到t轴逆时针旋转至椭圆长轴的角度为θx,s;
其中,标准椭圆参数f为置信水平参数,查询卡方分布表可以得知,自由度为2的情况下,99%置信水平f99%=9.21,95%置信水平f95%=5.99,75%置信水平f95%=2.77。更改f将改变标准差椭圆内含的建模故障特征点数量,即标准差椭圆的大小,从而改变判断特征点的标准。
设标准差椭圆的一般方程为:
Ax,st2+Bx,stI+Cx,sI2+Dx,st+Ex,sI+Fx,s=0
其中:
第二步,断路器分合闸线圈电流的采集与处理,包括如下具体步骤:
1.采集被测断路器分合闸线圈电流曲线数据并滤波,提取电流曲线的5个被测特征点cs=(ts,Is)T向量S=[(t1,I1)T,(t2,I2)T,(t3,I3)T,(t4,I4)T,(t5,I5)T];
如图1所示,断路器分合闸过程中的分合闸线圈电流分为如下5个阶段,本实施例所述5个被测特征点(t1,I1),(t2,I2),(t3,I3),(t4,I4),(t5,I5),各被测特征点能够区分电流的各阶段:
1)t0~t1,t0为断路器分合闸线圈带电时刻,当t1时电流达到最大值I1,动铁心在电流作用下开始动作。该阶段反映电源电压及线圈电阻;
2)t1~t2,动铁心运动过程中,电流逐渐下降至t2时刻的I2。该阶段反映动铁心运动过程中自身及机械负载的情况;
3)t2~t3,t2时动铁心运动停止,电流重新上升至t3时刻的I3,断路器操动机构开始带动断路器动触头运动。该阶段反映操动机构异常;
4)t3~t4,电流I3~I4基本不变,能够反映线圈直阻信息;
5)t4~t5,辅助触头断开,触头间拉弧并逐渐熄灭,电流从t4时刻的I4逐渐降至t5时刻的0。
部分型号断路器分合闸线圈电流t3-t4段时间间距极小,如图2所示,可使t3=t4、I3=I4。
2.判断被测断路器分合闸电流曲线五个被测特征点与n类特征电流各5个建模特征点对应的99%置信区间标准差椭圆的位置关系,此时椭圆方程中f=f99%=9.21;
将向量S中5个被测特征点逐个带入n类特征电流第s个建模特征点概率密度函数最大似然估计的标准差椭圆方程中:
Ax,st2+Bx,stI+Cx,sI2+Dx,st+Ex,sI+Fx,s=0
当该式左侧小于零使方程左右两侧不等时,说明被测特征点位于标准差椭圆内部;
当该式左侧大于零使方程左右两侧不等时,说明被测特征点位于标准差椭圆外部;
当该式左侧等于零使方程左右两侧相等时,说明被测特征点位于标准差椭圆上。
将判断结果汇总为被测特征点布尔矩阵Y:
被测特征点布尔矩阵中的元素ax,s代表被测断路器分合闸线圈电流曲线的第s个被测特征点是否属于第x类特征电流的第s个建模特征点。
当被测特征点位于对于标准差椭圆上或者内部时,ax,s为1;反之为0。
第三步,判断被测电流曲线所属的特征电流;当被测断路器电流曲线各被测特征点符合第x类特征电流各建模特征点时,认为被测电流曲线具备该类特征电流的全部特征:
从而判断被测断路器分合闸线圈电流是否正常或存在某类故障。
分合闸线圈各种故障波形都有其典型特征。如图3所示,曲线1为正常分闸电流曲线,曲线2为被测辅助开关接触不良时的电流曲线。辅助开关发生接触不良情况时的5个建模特征点标准差椭圆分别为E1、E2、E3、E4、E5。曲线2的5个波形特征点(tx1,Ix1),(tx2,Ix2),(tx3,Ix3),(tx4,Ix4),(tx5,Ix5)与曲线1的5个波形特征点(t1,I1),(t2,I2),(t3,I3),(t4,I4),(t5,I5)相比,仅t3-t5出现异常峰值(tx4,Ix4)。判断故障时,(tx1,Ix1),(tx2,Ix2),(tx3,Ix3),(tx4,Ix4),(tx5,Ix5)分别位于E1、E2、E3、E4、E5内,被测曲线2具备辅助开关接触不良情况的全部特征,从而判断故障类型。
实施例二
实施例二在实施例一的基础上,进行故障严重程度的判断;步骤一到步骤三与实施例一相同;
使用标准差椭圆长轴作为参考坐标轴衡量被测特征点故障严重程度的步骤为:
99%标准差椭圆的长轴直线方程为:
因此被测特征点与近交点的距离向量为:
处理99%标准差椭圆长轴对应的特征向量ZLx,s,得到单位化并由近交点指向远交点的坐标轴基准向量:
通过下式将ZCdistx,s降维,得到ZCdistx,s在ZLex,s上的一维投影长度:
对于已经确定的第x类故障第s个被测特征点,Distx,s越小,说明越接近标准差椭圆近交点,故障类型越轻微,反之则越严重。
如图4所示,该图包括一条110kV GIS断路器正常电流曲线、低电压分闸电流曲线A、低电压分闸电流曲线B及低电压分闸故障第1特征点的99%标准差椭圆。电流曲线B对应合闸电压低于电流曲线A。随着合闸电压的降低,动铁心运动速度下降,各特征点位置产生了明显的位移。
正常电流曲线第一个建模特征点为c1,1(t1,I1),曲线A第一个被测特征点为c1A(t1A,I1A),曲线B第一个被测特征点为c1B(t1B,I1B),99%标准差椭圆与其长轴的近交点AC2,1(tC2,1,IC2,1)。99%标准差椭圆单位化长轴基准向量为ZLe2,1。
根据第四步步骤,利用c1A(t1A,I1A)与AC2,1(tC2,1,IC2,1)计算得到两者距离向量AZCdist2,1,利用c1B(t1B,I1B)与AC2,1(tC2,1,IC2,1)计算得到两者距离向量BZCdist2,1。
利用AZCdist2,1与ZLe2,1计算得到一维投影ADist2,1,利用BZCdist2,1与ZLe2,1计算得到一维投影BDist2,1。
显然,ADist2,1<BDist2,1,说明对于低电压合闸故障的第一个特征点,被测特征点B的严重程度高于被测特征点A。
实施例三
实施例三在实施例一的基础上,进行被测电流曲线的潜在故障类型的判断;步骤一到步骤三与实施例一相同;
判断被测电流曲线的潜在故障类型;当被测断路器分合闸电流曲线不完全具备所有n类特征电流中某任意一条的全部特征时,认为该断路器操作机构不属于正常状态,也不确切地存在某类单一故障,进入断路器类潜在或混合故障类型的排序过程。
被测断路器分合闸电流曲线对于第x类特征电流各建模特征点的符合数量为bx,bx∈{0,1,2,3,4};
对全部bx(x∈{1,2,3,…,n})由大到小排序,即得到被测曲线对各类故障特征点的符合数量的排序。对于多个bx相等的情况,则并列排序;
该排序结果代表各类潜在或混合故障的可能性。
以上所述,仅是本发明的较佳实施例,并非对本发明技术方案的任何限制,凡是根据本发明所述技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化。例如当f改变时,如标准差椭圆99%置信区间改为95%置信区间;或更变原本为椭圆长轴近交点的基准点,均仍属于本发明所述技术方案的保护范围内。
Claims (5)
1.一种高压断路器分合闸线圈电流识别方法,其特征在于:实验室环境下采集建模断路器分合闸线圈电流的电流曲线;所述建模断路器分合闸线圈电流包括n类特征电流,其中包括1类正常状态下的分合闸电流和n-1类不同故障状态下的分合闸电流,对每类特征电流各采集N条电流曲线,并在电流曲线上提取建模特征点并建立建模特征点样本集,求解各建模特征点样本集概率密度函数的最大似然估计,并建立断路器故障模式库;
采集被测断路器分合闸线圈电流的电流曲线,并在电流曲线上提取被测特征点;
将被测特征点带入前述断路器故障模式库进行匹配判断被测断路器分合闸线圈电流曲线所属特征电流;
最后依据被测断路器分合闸线圈电流曲线所属特征电流判断被测断路器故障;
所述提取建模特征点并建立建模特征点样本集的步骤包括,提取每类特征电流各N条电流曲线的建模特征点,每个建模特征点由分合闸线圈电流及其对应的时刻组成;
每条电流曲线共提取5个建模特征点,第x类特征电流的第s个特征点各产生N个采样点,其中x∈{1,2,3,…,n},s∈{1,2,3,4,5};产生该特定情况下的样本集为Xx,s={(tx,s,1,Ix,s,1)T,(tx,s,2,Ix,s,2)T…(tx,s,N,Ix,s,N)T},令有k∈{1,2,3,…,N};
所述求解各建模特征点样本集概率密度函数的最大似然估计,并建立断路器故障模式库的具体步骤包括:首先求解最大似然估计的期望、协方差矩阵与特征向量;
利用二维单高斯概率密度函数描述各建模特征点的分布:
其中V=(t,I)T为二维向量,I为特定建模特征点的电流,t为特定建模特征点的时刻;
因此对于特定样本集Xx,s,对应的二维单高斯概率密度函数为:
其似然函数为:
可知最大似然估计的期望与协方差矩阵:
第x类特征电流第s个建模特征点概率密度函数最大似然估计的期望:
对于第x类特征电流第s个建模特征点概率密度函数最大似然估计的协方差矩阵,其特征值为λx,s,特征向量为Zx,s,有下式:
可得ZLx,s、ZSx,s、λLx,s及λSx,s;其中ZLx,s为标准差椭圆长轴对应的特征向量,其中ZSx,s为标准差椭圆短轴对应的特征向量;λLx,s为标准差椭圆长轴对应的特征值;λSx,s为标准差椭圆短轴对应的特征值;
接着,求解n类特征电流各5个建模特征点的标准差椭圆的一般方程;
易通过ZLx,s得到t轴逆时针旋转至椭圆长轴的角度为θx,s;
设标准差椭圆的一般方程为:
Ax,st2+Bx,stI+Cx,sI2+Dx,st+Ex,sI+Fx,s=0
其中:
2.根据权利要求1所述高压断路器分合闸线圈电流识别方法,其特征在于:所述采集被测断路器分合闸线圈电流的电流曲线,并在电流曲线上提取被测特征点的步骤包括:采集被测断路器分合闸线圈电流曲线数据并滤波,提取电流曲线的5个被测特征点cs=(ts,Is)T向量S=[(t1,I1)T,(t2,I2)T,(t3,I3)T,(t4,I4)T,(t5,I5)T];首先判断被测断路器分合闸电流曲线五个被测特征点与n类特征电流各5个建模特征点对应的99%置信区间的标准差椭圆的位置关系,此时椭圆方程中f=f99%=9.21;
将向量S中5个被测特征点逐个带入n类特征电流第s个建模特征点概率密度函数最大似然估计的标准差椭圆方程中:
Ax,st2+Bx,stI+Cx,sI2+Dx,st+Ex,sI+Fx,s=0
当该式左侧小于零使方程左右两侧不等时,说明被测特征点位于标准差椭圆内部;当该式左侧大于零使方程左右两侧不等时,说明被测特征点位于标准差椭圆外部;当该式左侧等于零使方程左右两侧相等时,说明被测特征点位于标准差椭圆上;将判断结果汇总为被测特征点布尔矩阵Y:
被测特征点布尔矩阵中的元素ax,s代表被测断路器分合闸线圈电流曲线的第s个被测特征点是否属于第x类特征电流的第s个建模特征点;
当被测特征点位于对于标准差椭圆上或者内部时,ax,s为1;反之为0。
4.根据权利要求3所述高压断路器分合闸线圈电流识别方法,其特征值在于:所述衡量被测特征点故障严重程度的步骤为:
99%标准差椭圆的长轴直线方程为:
因此被测特征点与近交点的距离向量为:
处理99%标准差椭圆长轴对应的特征向量ZLx,s,得到单位化并由近交点指向远交点的坐标轴基准向量:
通过下式将ZCdistx,s降维,得到ZCdistx,s在ZLex,s的一维投影长度:
对于已经确定的第x类故障第s个被测特征点,Distx,s越小,说明越接近标准差椭圆近交点,故障类型越轻微,反之则越严重。
5.根据权利要求4所述高压断路器分合闸线圈电流识别方法,其特征在于:所述依据被测断路器分合闸线圈电流曲线所属特征电流判断被测断路器故障的步骤为:当被测断路器分合闸电流曲线不完全具备所有n类特征电流中某任意一条的全部特征时,认为该断路器不属于正常状态,进入断路器潜在或混合故障类型的排序过程;
被测断路器分合闸电流曲线对于第x类特征电流各建模特征点的符合数量为bx,bx∈{0,1,2,3,4};
对全部bx(x∈{1,2,3,···,n})由大到小排序,即得到被测曲线对各类故障特征点的符合数量的排序;对于多个bx相等的情况,则并列排序;
该排序结果代表潜在或混合故障的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031141.9A CN110737996B (zh) | 2019-10-28 | 2019-10-28 | 一种高压断路器分合闸线圈电流识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031141.9A CN110737996B (zh) | 2019-10-28 | 2019-10-28 | 一种高压断路器分合闸线圈电流识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110737996A CN110737996A (zh) | 2020-01-31 |
CN110737996B true CN110737996B (zh) | 2023-05-26 |
Family
ID=69271743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911031141.9A Active CN110737996B (zh) | 2019-10-28 | 2019-10-28 | 一种高压断路器分合闸线圈电流识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110737996B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379661A (zh) * | 2020-04-02 | 2021-02-19 | 张瑞华 | 应用于物联网的智能家居故障状态追溯方法及中控中心 |
CN113191192A (zh) * | 2021-03-25 | 2021-07-30 | 云南电网有限责任公司玉溪供电局 | 基于小波分析与模糊神经网络算法的断路器故障检测方法 |
CN112733391B (zh) * | 2021-04-06 | 2021-08-06 | 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 |
CN113740588B (zh) * | 2021-09-02 | 2024-03-15 | 广东华智科技有限公司 | 一种工业机器人智能预警方法及系统 |
CN113536610B (zh) * | 2021-09-16 | 2022-02-11 | 北京慧智神光科技有限公司 | 一种断路器操动机构综合评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
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 |
EP3133406A1 (en) * | 2014-03-13 | 2017-02-22 | Saburo Saito | Device and method for estimating operation states of individual electrical devices |
WO2017114001A1 (zh) * | 2015-12-28 | 2017-07-06 | 中南大学 | 基于预测控制的矩阵变换器开关开路故障诊断方法 |
-
2019
- 2019-10-28 CN CN201911031141.9A patent/CN110737996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
EP3133406A1 (en) * | 2014-03-13 | 2017-02-22 | Saburo Saito | Device and method for estimating operation states of individual electrical devices |
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 |
WO2017114001A1 (zh) * | 2015-12-28 | 2017-07-06 | 中南大学 | 基于预测控制的矩阵变换器开关开路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于PCA和聚类的断路器分合闸线圈电流研究;李春锋等;《电力与能源》(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110737996A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110737996B (zh) | 一种高压断路器分合闸线圈电流识别方法 | |
Patel et al. | Design and development of fault classification algorithm based on relevance vector machine for power transformer | |
Rezaei et al. | A novel hybrid machine learning classifier-based digital differential protection scheme for intertie zone of large-scale centralized DFIG-based wind farms | |
CN108345906A (zh) | 一种基于Boost模型的非侵入式用电器识别方法 | |
CN110888025B (zh) | 一种基于机器学习的gis设备故障判断方法 | |
CN113419168B (zh) | 直流系统中断路器暂态特性分析方法及装置 | |
CN107807328B (zh) | 基于Mapreduce计算框架的SF6高压断路器故障诊断方法 | |
Cheim | Machine learning tools in support of transformer diagnostics | |
CN104778348A (zh) | 低压脱扣器的电压暂降动作特性建模方法 | |
CN104034997A (zh) | 功率变流器及其短路检测装置与短路检测方法 | |
Ni et al. | Faulty feeder detection of single phase-to-ground fault for distribution networks based on improved K-means power angle clustering analysis | |
CN109901064A (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
Chen et al. | Computer vision-based detection and state recognition for disconnecting switch in substation automation | |
CN110376489A (zh) | 一种智能配电网故障电弧检测系统 | |
Chu et al. | TDV-LSTM: A new methodology for series arc fault detection in low power AC systems | |
Djordjevic et al. | Nonintrusive identification and type recognition of household appliances based on the harmonic analysis of the steady-state current | |
CN107728002B (zh) | 一种考虑分布式电源接入的配电网故障在线定位方法 | |
Liu et al. | Recognition of dissolved gas in transformer oil by ant colony optimization support vector machine | |
Pramudya et al. | Modelling and evaluation of low voltage DC circuit breaker for the protection of DC microgrid | |
Wang et al. | Fault Location Algorithm for Power Grid Based on Protection Status Infor-mation and Aggregation Hierarchical Clustering | |
Shutenko et al. | Method of fault‐type recognition based on the dissolved gas analysis using a set of diagnostic criteria | |
CN106569083B (zh) | 三相电力仪表接线异常识别方法 | |
Yang et al. | An Indicator Reduction Method for Contactor’s Performance Evaluation | |
CN116796213B (zh) | 一种基于聚类算法的配电网线变关系辨识方法 | |
Liwei et al. | An Identification Method of Fault Type Based on GWO-SVM for Distribution 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 |