CN111060813B - 高压断路器操作机构的故障诊断方法及装置、电子设备 - Google Patents

高压断路器操作机构的故障诊断方法及装置、电子设备 Download PDF

Info

Publication number
CN111060813B
CN111060813B CN201911252345.5A CN201911252345A CN111060813B CN 111060813 B CN111060813 B CN 111060813B CN 201911252345 A CN201911252345 A CN 201911252345A CN 111060813 B CN111060813 B CN 111060813B
Authority
CN
China
Prior art keywords
current
importance
circuit breaker
voltage circuit
fault diagnosis
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
CN201911252345.5A
Other languages
English (en)
Other versions
CN111060813A (zh
Inventor
齐伟强
李邦彦
桂媛
任志刚
张苗苗
姚玉海
张玉佳
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911252345.5A priority Critical patent/CN111060813B/zh
Publication of CN111060813A publication Critical patent/CN111060813A/zh
Application granted granted Critical
Publication of CN111060813B publication Critical patent/CN111060813B/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
    • 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
    • G01R31/3272—Apparatus, systems or circuits therefor
    • G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Arc-Extinguishing Devices That Are Switches (AREA)

Abstract

本发明公开了一种高压断路器操作机构的故障诊断方法及装置、电子设备。其中，该方法包括：采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据；基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合；基于第一样本集合和第一特征集合，建立故障样本集合；计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和；基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集；利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。

Description

高压断路器操作机构的故障诊断方法及装置、电子设备
技术领域
本发明涉及电气设备故障诊断技术领域，具体而言，涉及一种高压断路器操作机构的故障诊断方法及装置、电子设备。
背景技术
相关技术中，高压断路器是电力网中重要的控制和保护设备，在电力系统正常运行及出现故障的情况下实现多种操作，包括承载、关合额定电流及关断规定的短路电流。高压断路器的运行性能直接影响着电力系统的安全、稳定、可靠运行。据统计，高压断路器绝大部分严重故障均由操作机构故障导致，故可知高压断路器的操作机构及其控制回路工作状态很大程度上决定着高压断路器运行可靠性。快速、准确的诊断识别高压断路器操作机构状态，判断操作机构中存在的故障类型，有利于及时维护与消除操作机构故障以避免重大事故发生。
通常，电磁铁是高压断路器中用来控制操作机构动作的第一元件。当电磁铁线圈通过电流，磁场作用下产生电磁力驱动铁芯动作碰撞脱扣杆，从而实现断路器分闸或合闸操作。当分合闸线圈状态出现异常时，不仅会影响线圈电流大小，进而影响断路器的机械特性，因此可认为分合闸线圈电流中包含诊断高压断路器操作机构故障的有效信息。以往基于分合闸线圈电流的高压断路器故障诊断方法，主要选取5种时间值和3种电流值，忽略了其他潜在的重要特征；此外单一的特征选择方法存在偏向性，导致诊断模型复杂及存在冗余特征，进而导致诊断精度降低；而特征提取方法，如主成分分析方法，不仅会出现整体信息的损失，同时降维后的特征难以解释。因此，建立精简、准确、便捷的诊断高压断路器操作机构潜在故障的模型，及时掌握高压断路器操作机构的工作状态,避免不必要的检修,为运行调度和检修人员提供准确的高压断路器实时运行状况具有非常重要的意义。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种高压断路器操作机构的故障诊断方法及装置、电子设备，以至少解决相关技术中诊断高压断路器的操作机构是否发生故障的准确度较低，导致高压断路器故障频发，影响电网线路正常运行的技术问题。
根据本发明实施例的一个方面，提供了一种高压断路器操作机构的故障诊断方法，包括：采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据；基于所述分合闸线圈的电流信号建立第一样本集合，并基于所述电流特征数据建立第一特征集合；基于所述第一样本集合和所述第一特征集合，建立故障样本集合；计算所述第一特征集合中每个特征数据的重要度，并统计所述重要度小于预设重要度阈值的特征数据，得到目标特征子集和；基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，所述第一特征集合划分为训练集和测试集，所述训练集用于在构建所述故障诊断模型后训练所述故障诊断模型，所述测试集用于测试训练后的所述故障诊断模型是否合格；利用所述故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
可选地，采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据的步骤，包括：控制所述高压断路器上安装的预设传感模块采集所述高压断路器在不同操作状态下的分合闸线圈的电流曲线，其中，所述电流曲线中包含时间信息和电流信号；获取所述电流曲线中的电流信号，并提取电流信号中的电流特征值，得到所述电流特征数据。
可选地，基于所述分合闸线圈的电流信号建立第一样本集合，并基于所述电流特征数据建立第一特征集合的步骤，包括：提取多个所述分合闸线圈的电流曲线中的电流信号，得到所述第一样本集合；确定所述电流曲线中的时间特征参量和电流特征参量；基于所述时间特征参量构建时间差特征参量，并基于电流特征参量构建电流变化率特征参量；基于所述时间特征参量、所述电流特征参量、时间差特征参量和所述电流变化率特征参量，构建所述第一特征集合。
可选地，基于所述第一样本集合和所述第一特征集合，建立故障样本集合的步骤，包括：从所述第一样本集合中提取所述第一特征集合中的特征值，并利用所述特征值构建所述故障样本集合。
可选地，计算所述第一特征集合中每个特征数据的重要度，并统计所述重要度小于预设重要度阈值的特征数据，得到目标特征子集和的步骤，包括：使用多个特征选取方式计算所述故障样本集合中各个特征数据的重要度；按照特征选取方式，对所有的重要度进行排序，得到重要度排序结果；基于所述重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度；统计综合重要度小于预设重要度阈值的特征数据，得到所述目标特征子集和。
可选地，基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型的步骤，包括：通过预设的K最邻近算法计算所述目标特征子集合中待测样本与已知类别的训练样本之间的欧式距离，并基于所述欧式距离查询与所述待测样本最近的K个邻居数据；基于所述K个邻居数据和预设判断函数，构建高压断路器操作机构的故障诊断模型。
可选地，在基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型之前，所述故障诊断方法还包括：对所述故障样本集合中每个特征数据采用极值公式进行归一化处理；将归一化处理后的所述故障样本集合按照预设比例划分为训练集和测试集。
根据本发明实施例的另一方面，还提供了一种高压断路器操作机构的故障诊断装置，包括：采集单元，用于采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据；第一建立单元，用于基于所述分合闸线圈的电流信号建立第一样本集合，并基于所述电流特征数据建立第一特征集合；第二建立单元，用于基于所述第一样本集合和所述第一特征集合，建立故障样本集合；计算单元，用于计算所述第一特征集合中每个特征数据的重要度，并统计所述重要度小于预设重要度阈值的特征数据，得到目标特征子集和；模型构建单元，用于基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，所述第一特征集合划分为训练集和测试集，所述训练集用于在构建所述故障诊断模型后训练所述故障诊断模型，所述测试集用于测试训练后的所述故障诊断模型是否合格；诊断单元，用于利用所述故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
可选地，所述采集单元包括：第一控制模块，用于控制所述高压断路器上安装的预设传感模块采集所述高压断路器在不同操作状态下的分合闸线圈的电流曲线，其中，所述电流曲线中包含时间信息和电流信号；第一获取模块，用于获取所述电流曲线中的电流信号，并提取电流信号中的电流特征值，得到所述电流特征数据。
可选地，所述第一建立单元包括：第一提取模块，用于提取多个所述分合闸线圈的电流曲线中的电流信号，得到所述第一样本集合；第一确定模块，用于确定所述电流曲线中的时间特征参量和电流特征参量；第一构建模块，用于基于所述时间特征参量构建时间差特征参量，并基于电流特征参量构建电流变化率特征参量；第二构建模块，用于基于所述时间特征参量、所述电流特征参量、时间差特征参量和所述电流变化率特征参量，构建所述第一特征集合。
可选地，所述第二建立单元包括：第二提取模块，用于从所述第一样本集合中提取所述第一特征集合中的特征值，并利用所述特征值构建所述故障样本集合。
可选地，所述计算单元包括：第一计算模块，用于使用多个特征选取方式计算所述故障样本集合中各个特征数据的重要度；第一排序模块，用于按照特征选取方式，对所有的重要度进行排序，得到重要度排序结果；第二计算模块，用于基于所述重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度；第一统计模块，用于统计综合重要度小于预设重要度阈值的特征数据，得到所述目标特征子集和。
可选地，所述模型构建单元包括：第三计算模块，用于通过预设的K最邻近算法计算所述目标特征子集合中待测样本与已知类别的训练样本之间的欧式距离，并基于所述欧式距离查询与所述待测样本最近的K个邻居数据；第三构建模块，用于基于所述K个邻居数据和预设判断函数，构建高压断路器操作机构的故障诊断模型。
可选地，所述高压断路器操作机构的故障诊断装置还包括：归一化单元，用于在基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型之前，对所述故障样本集合中每个特征数据采用极值公式进行归一化处理；划分单元，用于将归一化处理后的所述故障样本集合按照预设比例划分为训练集和测试集。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的高压断路器操作机构的故障诊断方法。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的高压断路器操作机构的故障诊断方法。
在本发明实施例中，采用采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据，然后可基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合，之后可以基于第一样本集合和第一特征集合，建立故障样本集合，然后计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和，之后可基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格，最后利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。在该实施例中，可以采用多个基于不同评价准则的特征选择方法，能更全面的评价特征重要度，筛选出更为稳定的特征子集，有助于建立更准确、稳定的故障诊断模型，通过故障诊断模型提高高压断路器操作机构发生故障的诊断准确度，从而解决相关技术中诊断高压断路器的操作机构是否发生故障的准确度较低，导致高压断路器故障频发，影响电网线路正常运行的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的高压断路器操作机构的故障诊断方法的流程图；
图2是根据本发明实施例的一种可选的采集分合闸线圈电流曲线的示意图；
图3是根据本发明实施例的一种可选的高压断路器操作机构的故障诊断装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例，可应用于输变电设备、电网高压断路器故障诊断等环境中。下述各实施例提出基于多特征选择和最近邻算法(例如KNN)的高压断路器操作机构故障诊断方法，通过在高压断路器上安装分合闸线圈电流传感器(例如，霍尔传感器)，采集分合闸线圈电流信号，模拟高压断路器操作机构故障，采集分合闸线圈电流信号，从分合闸线圈电流信号中提取特征数据，建立故障样本集D1；采用多个特征，并对所提取的特征进行重要度排序，之后累加重要度求和，获得综合重要度排序，设定重要度阈值，保留满足阈值条件的特征，建立特征子集S1；基于特征子集S1建立故障样本数据集D2，建立并训练基于支持向量机的故障诊断模型；使用训练后的故障诊断测试未知的分合闸线圈电流样本，输出故障类型。本发明实施例提出的高压断路器故障诊断方法，能获得准确判断断路器的故障类型。本发明将多特征选择方法和支持向量机运用于高压断路器的操作机构故障诊断，诊断模型简单、诊断速度快，能更准确判断断路器的故障类型，对迅速诊断故障类型、制定针对性检修计划及检修重点具有指导意义。
实施例一
根据本发明实施例，提供了一种高压断路器操作机构的故障诊断方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的高压断路器操作机构的故障诊断方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据；
步骤S104，基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合；
步骤S106，基于第一样本集合和第一特征集合，建立故障样本集合；
步骤S108，计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和；
步骤S110，基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格；
步骤S112，利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
通过上述步骤，可以先采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据，然后可基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合，之后可以基于第一样本集合和第一特征集合，建立故障样本集合，然后计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和，之后可基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格，最后利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。在该实施例中，可以采用多个基于不同评价准则的特征选择方法，能更全面的评价特征重要度，筛选出更为稳定的特征子集，有助于建立更准确、稳定的故障诊断模型，通过故障诊断模型提高高压断路器操作机构发生故障的诊断准确度，从而解决相关技术中诊断高压断路器的操作机构是否发生故障的准确度较低，导致高压断路器故障频发，影响电网线路正常运行的技术问题。
该实施例可通过对高压断路器分合闸线圈电流进行特征提取与特征选择来诊断高压断路器操作机构故障类型。
下面结合各步骤详细说明本发明实施例。
步骤S102，采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据。
作为本发明可选的实施例，采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据的步骤，包括：控制高压断路器上安装的预设传感模块采集高压断路器在不同操作状态下的分合闸线圈的电流曲线，其中，电流曲线中包含时间信息和电流信号；获取电流曲线中的电流信号，并提取电流信号中的电流特征值，得到电流特征数据。
上述的预设传感模块包括但不限于：霍尔传感器。
根据高压断路器分合闸线圈电流，通过霍尔传感器获得分合闸线圈电流曲线。在采集高压断路器在不同操作状态下的分合闸线圈的电流曲线时，主要针对的是不同分合闸动作状态，该动作状态包括但不限于：合闸线圈通电、动铁芯开始动作、动铁芯运动到位，储能机构释放储能，高压断路器动触头开始动作、铁芯撞杆与触发器相连、电流切断阶段。高压断路器的机械特性曲线可用来反映操作机构工作状态，其中，分合闸线圈电流曲线反映了分合闸电磁铁的工作状态和本体机构的部分工作状态，因此能准确地判断操作机构中存在的故障类型。
图2是根据本发明实施例的一种可选的采集分合闸线圈电流曲线的示意图，如图2所示，可将分合闸电磁的动作过程分为5个阶段，分别是：
第1阶段(t0-t1)：t0时刻合闸线圈通电；此时电流较小，故所产生的电磁力较小而无法使铁芯动作。当电流增大到第1个峰值i1时，电磁吸力大于电磁铁反力，铁芯开始动作，进入阶段2；在第1阶段铁芯不动、线圈电感为常数、电流按指数规律上升。通常来说，第1阶段持续时间与线圈电压、回路电阻、铁芯工作气隙及铁芯是否卡滞等因素有关。
第2阶段(t1-t2)：t1时刻，动铁芯开始动作。随着铁芯运动，动静铁芯之间气隙减小、线圈电感增大，电流下降。t2时刻，铁芯运动速度达到最大，运动到位，撞杆撞击合闸触发器并停止运动。如果该运动过程中存在异常，铁芯运动过程将改变，使电流波形偏离正常波形，且出现不连续的拐点或持续时间增大等现象，表征铁芯存在卡涩、撞杆变形或脱口失灵等故障。
第3阶段(t2-t3)：t2时刻，动铁芯运动已经到位，储能机构释放储能，高压断路器动触头开始动作。此阶段铁芯不动，气隙不变，电感是常数且达最大值。线圈电流呈指数规律上升，经过暂态过程后不再增加，进入第4阶段。
第4阶段(t3-t4)：此阶段是第3阶段的延续，此阶段铁芯撞杆与触发器相连。t3时刻断路器动触头开始动作，在辅助触头断开线圈电源前，线圈电流处于近似稳态。线圈电压及回路电阻影响电流i3、i4的大小。在第4阶段如果线圈电流出现波动，表明本该静止的铁芯由于非正常原因发生运动，开关本体传动机构出现异常。如果辅助触头无法正常转换，线圈电源未能切除，则第4阶段将一直持续且可能导致长线圈严重发热而烧坏。
第5阶段(t4-t5):为电流切断阶段。t4时刻，断路器辅助触头切断线圈回路直流电源，在辅助触头之间产生电弧并被迅速拉长，电弧电压升高，使电流减小，直到电弧熄灭，线圈电流减小为零。
线圈电流波形反映了电磁系统及开关本体传动系统的运行状况，可通过对分合闸线圈电流波形的分析和研究，确定操作机构电磁系统及开关本体机械部分的性能及变化趋势。
除了常规特征，例如线圈电流峰值点、铁芯及操作机构动作关键时刻点之外，本发明实施例充分考虑线圈电流变化率、不同动作时间点间差值等特征，更充分、全面的提取分合闸线圈电流蕴含的特征数据。
在本发明实施例可设置机构正常(ZC)、操作电压过低(CDD)、分合闸铁芯开始阶段卡涩(TKS)、操作机构卡涩(CKS)、铁芯空行程过大(TKD)和辅助开关接触不良(FKJ)等多种类型的操作机构状态。通过重复测试并提取电流样本曲线，建立第一样本集合D1。
通过下述表1示意说明以某高压断路器为试验样机的故障序号和故障类型数据，
表1故障序号及故障类型
Figure BDA0002309380810000091
步骤S104，基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合。
作为本发明可选的实施例，基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合的步骤，包括：提取多个分合闸线圈的电流曲线中的电流信号，得到第一样本集合；确定电流曲线中的时间特征参量和电流特征参量；基于时间特征参量构建时间差特征参量，并基于电流特征参量构建电流变化率特征参量；基于时间特征参量、电流特征参量、时间差特征参量和电流变化率特征参量，构建第一特征集合。
其中，在提取电流信号，可以通过设置多种类型故障，从而建立分合闸线圈电流曲线第一样本集合D1。依据曲线特性建立相应的第一特征集合FS1。
步骤S106，基于第一样本集合和第一特征集合，建立故障样本集合。
在本发明实施例中，基于第一样本集合和第一特征集合，建立故障样本集合的步骤，包括：从第一样本集合中提取第一特征集合中的特征值，并利用特征值构建故障样本集合。
如图1所示，分合闸线圈典型电流曲线，其中t0为通电起始点，选择电流值i1、i2、i3、i4和i5作为电流特征参量，时间t1、t2和t3作为时间特征参量；此外，构建电流变化率特征参量△i1＝i1/(t1-t0)、△i2＝|(i1-i2)/(t2-t1)|、△i3＝|(i3-i2)/(t3-t2)|和△i4＝|i3/(t5-(t4+t3)/2)|，构建时间差特征参量△t1＝|t2-t1|、△t2＝|t3-t2|、△t3＝|t4-t3|和△t4＝|t5-t4|，共计16个特征。基于该16个特征构建特征集合FS1；从第一样本集合D1中提取FS1所含特征值，构建故障样本集合D2。
上述步骤，采集高压断路器分合闸线圈电流，通过霍尔传感器获得分合闸线圈电流曲线，通过设置多种类型故障，从而建立分合闸线圈电流曲线第一样本集合D1；依据曲线特性建立相应的第一特征集合FS1；基于分合闸线圈电流曲线样本集合D1和特征集合FS1建立故障样本集合D2。
步骤S108，计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和。
作为本发明可选的实施例，计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和的步骤，包括：使用多个特征选取方式计算故障样本集合中各个特征数据的重要度；按照特征选取方式，对所有的重要度进行排序，得到重要度排序结果；基于重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度；统计综合重要度小于预设重要度阈值的特征数据，得到目标特征子集和。
对于上述多个特征选取方式，在本发明实施例示意说明了三种，包括：采用ReliefF、Fisher Score、Laplacian Score3个特征选择方式，在通过这些特征选取方式得到各个特征数据的重要度后，对所提取的特征进行重要度排序。
对于上述基于重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度，可以是通过使用线性互补融合方法求解各特征的综合重要度，保留综合重要度满足阈值要求的特征建立特征子集和FS2。
在本发明可选的实施例中，在基于目标特征子集合构建高压断路器操作机构的故障诊断模型之前，故障诊断方法还包括：对故障样本集合中每个特征数据采用极值公式进行归一化处理；将归一化处理后的故障样本集合按照预设比例划分为训练集和测试集。
针对所建立的样本集合D2，为了消除不同样本之间的量纲不一致性，对原始故障数据集数据采用极值标准化公式开展归一化处理：
Figure BDA0002309380810000101
其中，xik为故障数据集第i行第k列数据，而xikmax和xikmin分别表示第k列参数的最大值与最小值。
在进行归一化处理后，可针对所建立的样本集合D2，使用3种不同的特征选择方法(分别为Fisher Score、Relief F和Laplacian Score等)计算15种特征的重要度，并按照重要度排序，依次排序获得各方法的重要度排序O1、O2和O3；为了确定各特征最终重要度，使用线性互补融合方法计算各特征的综合重要度。其中，综合重要度CS的计算公式如下：
Figure BDA0002309380810000111
预设特征综合重要度阈值Sthreshold，当特征i的综合重要度Si小于阈值时，则保留该特征，构建特征子集FS2；否则作为不重要特征剔除。
由于不同特征选择方法采用的特征重要度评价准则不同，因此单一的特征选择方法结果中不可避免的出现片面性、局限性；本发明采用多个基于不同评价准则的特征选择方法，能更全面的评价特征重要度，筛选出更为稳定的特征子集，有助于建立更准确、稳定的故障诊断模型。
步骤S110，基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格；
作为本发明可选的实施例，基于目标特征子集合构建高压断路器操作机构的故障诊断模型的步骤，包括：通过预设的K最邻近算法计算目标特征子集合中待测样本与已知类别的训练样本之间的欧式距离，并基于欧式距离查询与待测样本最近的K个邻居数据；基于K个邻居数据和预设判断函数，构建高压断路器操作机构的故障诊断模型。
本发明实施例中使用KNN算法作为K最邻近算法，KNN算法通过计算待测样本与计算待测样本与已知类别的训练样本的欧氏距离，寻找距离该待测样本最近的K个邻居，K个已知类别样本中，多数样本所属的类别即为待测样本的类别。假设待测样本为Xi＝(x1,x2Lxn)，训练集中样本为Rj＝(r1,r2L rn)。则二者之间的欧式距离为：
Figure BDA0002309380810000112
式中：xk，rk为待测样本和训练样本的特征属性；n为样本特征属性的个数。
k个近邻分布于C个类中数目用ki表示。设k近邻的判断函数为：gi(x)＝ki,i＝1,2,L,c
则决策规则为：如果
Figure BDA0002309380810000121
那么决策为x∈Cs。
基于上述归一化后的分合闸线圈电流样本集合作为故障诊断模型数据集；将样本集合中的第一部分(例如占用80％)数据用作训练集，第二部分(例如占用20％)数据作为测试集。之后，可以将上述建立的特征子集和作为故障诊断模型的输入特征，确定训练集和测试集后建立模型；在确定高压断路器操作机构的故障诊断模型后，将未知测试样本输入该模型并决定最终故障类型。
步骤S112，利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
本发明上述实施例，可以基于多特征选择和K最近邻算法的高压断路器操作机构故障诊断方法，能更全面的提取特征信息，选择更为稳定的特征子集，所建立的故障诊断模型更精简、更准确、更可靠，更有效的指导高压断路器设备的维护与检修工作。
实施例二
图3是根据本发明实施例的一种可选的高压断路器操作机构的故障诊断装置的示意图，如图3所示，该故障诊断装置可以包括：采集单元31、第一建立单元32、第二建立单元33、计算单元34、模型构建单元35、诊断单元36，其中，
采集单元31，用于采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据；
第一建立单元32，用于基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合；
第二建立单元33，用于基于第一样本集合和第一特征集合，建立故障样本集合；
计算单元34，用于计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和；
模型构建单元35，用于基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格；
诊断单元36，用于利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
上述故障诊断装置，可以通过采集单元31采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据，然后可通过第一建立单元32基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合，之后可以通过第二建立单元33基于第一样本集合和第一特征集合，建立故障样本集合，然后通过计算单元34计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和，之后可通过模型构建单元35基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格，最后通过诊断单元36利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。在该实施例中，可以采用多个基于不同评价准则的特征选择方法，能更全面的评价特征重要度，筛选出更为稳定的特征子集，有助于建立更准确、稳定的故障诊断模型，通过故障诊断模型提高高压断路器操作机构发生故障的诊断准确度，从而解决相关技术中诊断高压断路器的操作机构是否发生故障的准确度较低，导致高压断路器故障频发，影响电网线路正常运行的技术问题。
可选的，采集单元包括：第一控制模块，用于控制高压断路器上安装的预设传感模块采集高压断路器在不同操作状态下的分合闸线圈的电流曲线，其中，电流曲线中包含时间信息和电流信号；第一获取模块，用于获取电流曲线中的电流信号，并提取电流信号中的电流特征值，得到电流特征数据。
在本发明实施例中，第一建立单元包括：第一提取模块，用于提取多个分合闸线圈的电流曲线中的电流信号，得到第一样本集合；第一确定模块，用于确定电流曲线中的时间特征参量和电流特征参量；第一构建模块，用于基于时间特征参量构建时间差特征参量，并基于电流特征参量构建电流变化率特征参量；第二构建模块，用于基于时间特征参量、电流特征参量、时间差特征参量和电流变化率特征参量，构建第一特征集合。
作为本发明可选的实施例，第二建立单元包括：第二提取模块，用于从第一样本集合中提取第一特征集合中的特征值，并利用特征值构建故障样本集合。
另一种可选的，计算单元包括：第一计算模块，用于使用多个特征选取方式计算故障样本集合中各个特征数据的重要度；第一排序模块，用于按照特征选取方式，对所有的重要度进行排序，得到重要度排序结果；第二计算模块，用于基于重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度；第一统计模块，用于统计综合重要度小于预设重要度阈值的特征数据，得到目标特征子集和。
可选的，模型构建单元包括：第三计算模块，用于通过预设的K最邻近算法计算目标特征子集合中待测样本与已知类别的训练样本之间的欧式距离，并基于欧式距离查询与待测样本最近的K个邻居数据；第三构建模块，用于基于K个邻居数据和预设判断函数，构建高压断路器操作机构的故障诊断模型。
另一种可选的，高压断路器操作机构的故障诊断装置还包括：归一化单元，用于在基于目标特征子集合构建高压断路器操作机构的故障诊断模型之前，对故障样本集合中每个特征数据采用极值公式进行归一化处理；划分单元，用于将归一化处理后的故障样本集合按照预设比例划分为训练集和测试集。
上述的高压断路器操作机构的故障诊断装置还可以包括处理器和存储器，上述采集单元31、第一建立单元32、第二建立单元33、计算单元34、模型构建单元35、诊断单元36等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的高压断路器操作机构的故障诊断方法。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的高压断路器操作机构的故障诊断方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：采集高压断路器上的分合闸线圈的电流信号，并从分合闸线圈的电流信号中提取电流特征数据；基于分合闸线圈的电流信号建立第一样本集合，并基于电流特征数据建立第一特征集合；基于第一样本集合和第一特征集合，建立故障样本集合；计算第一特征集合中每个特征数据的重要度，并统计重要度小于预设重要度阈值的特征数据，得到目标特征子集和；基于目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，第一特征集合划分为训练集和测试集，训练集用于在构建故障诊断模型后训练故障诊断模型，测试集用于测试训练后的故障诊断模型是否合格；利用故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种高压断路器操作机构的故障诊断方法，其特征在于，包括：
采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据；
基于所述分合闸线圈的电流信号建立第一样本集合，并基于所述电流特征数据建立第一特征集合；
基于所述第一样本集合和所述第一特征集合，建立故障样本集合；
计算所述第一特征集合中每个特征数据的重要度，并统计所述重要度小于预设重要度阈值的特征数据，得到目标特征子集合，其中，计算所述第一特征集合中每个特征数据的重要度，并统计所述重要度小于预设重要度阈值的特征数据，得到目标特征子集合的步骤，包括：使用多个特征选取方式计算所述故障样本集合中各个特征数据的重要度；按照特征选取方式，对所有的重要度进行排序，得到重要度排序结果；基于所述重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度，其中，综合重要度的计算公式为：
Figure FDA0003524974750000011
CSi为综合重要度，Oij为重要度排序，i为特征，j为特征选取方式；统计综合重要度小于预设重要度阈值的特征数据，得到所述目标特征子集合；
基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，所述第一特征集合划分为训练集和测试集，所述训练集用于在构建所述故障诊断模型后训练所述故障诊断模型，所述测试集用于测试训练后的所述故障诊断模型是否合格；
利用所述故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型。
2.根据权利要求1所述的故障诊断方法，其特征在于，采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据的步骤，包括：
控制所述高压断路器上安装的预设传感模块采集所述高压断路器在不同操作状态下的分合闸线圈的电流曲线，其中，所述电流曲线中包含时间信息和电流信号；
获取所述电流曲线中的电流信号，并提取电流信号中的电流特征值，得到所述电流特征数据。
3.根据权利要求2所述的故障诊断方法，其特征在于，基于所述分合闸线圈的电流信号建立第一样本集合，并基于所述电流特征数据建立第一特征集合的步骤，包括：
提取多个所述分合闸线圈的电流曲线中的电流信号，得到所述第一样本集合；
确定所述电流曲线中的时间特征参量和电流特征参量；
基于所述时间特征参量构建时间差特征参量，并基于电流特征参量构建电流变化率特征参量；
基于所述时间特征参量、所述电流特征参量、时间差特征参量和所述电流变化率特征参量，构建所述第一特征集合。
4.根据权利要求3所述的故障诊断方法，其特征在于，基于所述第一样本集合和所述第一特征集合，建立故障样本集合的步骤，包括：
从所述第一样本集合中提取所述第一特征集合中的特征值，并利用所述特征值构建所述故障样本集合。
5.根据权利要求1所述的故障诊断方法，其特征在于，基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型的步骤，包括：
通过预设的K最邻近算法计算所述目标特征子集合中待测样本与已知类别的训练样本之间的欧式距离，并基于所述欧式距离查询与所述待测样本最近的K个邻居数据；
基于所述K个邻居数据和预设判断函数，构建高压断路器操作机构的故障诊断模型。
6.根据权利要求1所述的故障诊断方法，其特征在于，在基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型之前，所述故障诊断方法还包括：
对所述故障样本集合中每个特征数据采用极值公式进行归一化处理；
将归一化处理后的所述故障样本集合按照预设比例划分为训练集和测试集。
7.一种高压断路器操作机构的故障诊断装置，其特征在于，包括：
采集单元，用于采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据；
第一建立单元，用于基于所述分合闸线圈的电流信号建立第一样本集合，并基于所述电流特征数据建立第一特征集合；
第二建立单元，用于基于所述第一样本集合和所述第一特征集合，建立故障样本集合；
计算单元，用于计算所述第一特征集合中每个特征数据的重要度，并统计所述重要度小于预设重要度阈值的特征数据，得到目标特征子集合；
模型构建单元，用于基于所述目标特征子集合构建高压断路器操作机构的故障诊断模型，其中，所述第一特征集合划分为训练集和测试集，所述训练集用于在构建所述故障诊断模型后训练所述故障诊断模型，所述测试集用于测试训练后的所述故障诊断模型是否合格；
诊断单元，用于利用所述故障诊断模型测试新电流测试样本，输出高压断路器操作机构发生故障的故障类型，
所述计算单元包括：第一计算模块，用于使用多个特征选取方式计算所述故障样本集合中各个特征数据的重要度；第一排序模块，用于按照特征选取方式，对所有的重要度进行排序，得到重要度排序结果；第二计算模块，用于基于所述重要度排序结果，使用预设的线性互补融合算法计算每个特征数据的综合重要度，其中，综合重要度的计算公式为：
Figure FDA0003524974750000031
CSi为综合重要度，Oij为重要度排序，i为特征，j为特征选取方式；第一统计模块，用于统计综合重要度小于预设重要度阈值的特征数据，得到所述目标特征子集合。
8.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任意一项所述的高压断路器操作机构的故障诊断方法。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的高压断路器操作机构的故障诊断方法。
CN201911252345.5A 2019-12-09 2019-12-09 高压断路器操作机构的故障诊断方法及装置、电子设备 Active CN111060813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911252345.5A CN111060813B (zh) 2019-12-09 2019-12-09 高压断路器操作机构的故障诊断方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911252345.5A CN111060813B (zh) 2019-12-09 2019-12-09 高压断路器操作机构的故障诊断方法及装置、电子设备

Publications (2)

Publication Number Publication Date
CN111060813A CN111060813A (zh) 2020-04-24
CN111060813B true CN111060813B (zh) 2022-05-10

Family

ID=70300231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911252345.5A Active CN111060813B (zh) 2019-12-09 2019-12-09 高压断路器操作机构的故障诊断方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN111060813B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474471B (zh) * 2020-05-29 2022-10-11 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
CN112147494A (zh) * 2020-07-10 2020-12-29 国网河北省电力有限公司雄安新区供电公司 一种高压真空断路器机械故障检测方法
CN111913103B (zh) * 2020-08-06 2022-11-08 国网福建省电力有限公司 一种弹簧储能操动结构断路器的故障检测方法
CN112485664B (zh) * 2020-11-27 2022-08-09 国网宁夏电力有限公司电力科学研究院 高压断路器诊断系统、方法、电子终端及存储介质
CN112731131A (zh) * 2020-12-22 2021-04-30 珠海万谱科技有限公司 一种电动直流隔离开关的故障诊断方法及装置
CN112782512A (zh) * 2021-01-15 2021-05-11 中国神华能源股份有限公司国华电力分公司 一种电气设备状态判断及故障诊断方法和装置
CN113533950B (zh) * 2021-06-11 2023-12-26 国网浙江省电力有限公司嘉兴供电公司 一种基于BiLSTM的高压断路器操作电压采样方法
CN113740643B (zh) * 2021-08-25 2024-06-11 许昌许继软件技术有限公司 一种开关柜手车的异常诊断方法和系统及设备和介质
CN115144742A (zh) * 2022-07-06 2022-10-04 云南电网有限责任公司电力科学研究院 断路器储能系统机械状态的判别方法和装置
CN116754934B (zh) * 2023-05-22 2024-02-23 杭州轨物科技有限公司 一种高压断路器机械特性故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874838A (zh) * 2016-12-30 2017-06-20 中国科学院自动化研究所 融合互补特征的视觉人体行为识别方法
CN110084773A (zh) * 2019-03-25 2019-08-02 西北工业大学 一种基于深度卷积自编码网络的图像融合方法
CN110378427A (zh) * 2019-07-23 2019-10-25 上海电气风电集团有限公司 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324132B2 (en) * 2010-06-07 2019-06-18 Abb Inc. Systems and methods for power line event zone identification
CN103336243B (zh) * 2013-07-01 2016-02-10 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
WO2015162509A1 (en) * 2014-04-25 2015-10-29 Circuit Breaker Industries Ltd Circuit breaker
CN104237777A (zh) * 2014-08-14 2014-12-24 国家电网公司 基于核主元分析的支持向量机高压断路器故障诊断方法
CN105868770B (zh) * 2016-03-23 2019-09-10 国网山东省电力公司电力科学研究院 一种基于非监督学习模型的高压断路器故障诊断方法
CN105956665B (zh) * 2016-04-29 2017-06-06 北京清睿智能科技有限公司 一种基于动态不确定因果图的启发式检测系统异常原因的方法
CN106897821B (zh) * 2017-01-24 2023-07-21 中国电力科学研究院 一种暂态评估特征选择方法及装置
CN107462832A (zh) * 2017-08-21 2017-12-12 国网上海市电力公司 一种基于cca‑som的断路器操作机构故障诊断方法
CN109002762A (zh) * 2018-06-14 2018-12-14 南方电网科学研究院有限责任公司 一种分合闸线圈故障电流波形识别方法和系统
CN109086817B (zh) * 2018-07-25 2022-04-26 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法
CN109975697A (zh) * 2019-03-04 2019-07-05 河南理工大学 一种基于原子稀疏分解的高压断路器机械故障诊断方法
CN110207647B (zh) * 2019-05-08 2021-11-09 诺百爱（杭州）科技有限责任公司 一种基于互补卡尔曼滤波器的臂环姿态角计算方法
CN110516757A (zh) * 2019-09-02 2019-11-29 广东工业大学 一种变压器故障检测方法及相关装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874838A (zh) * 2016-12-30 2017-06-20 中国科学院自动化研究所 融合互补特征的视觉人体行为识别方法
CN110084773A (zh) * 2019-03-25 2019-08-02 西北工业大学 一种基于深度卷积自编码网络的图像融合方法
CN110378427A (zh) * 2019-07-23 2019-10-25 上海电气风电集团有限公司 风电叶片的叶根螺栓的故障检测方法、系统、设备及介质

Also Published As

Publication number Publication date
CN111060813A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111060813B (zh) 高压断路器操作机构的故障诊断方法及装置、电子设备
Strachan et al. Providing decision support for the condition-based maintenance of circuit breakers through data mining of trip coil current signatures
CN106019131B (zh) 一种基于分合闸线圈电流的高压断路器操作机构状态综合评估方法
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
CN105259495A (zh) 一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法
CN106019138A (zh) 一种高压断路器机械故障的在线诊断方法
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
CN108919104B (zh) 一种基于Fisher判别分类法的断路器故障诊断方法
CN109036964B (zh) 触点防粘连的控制方法、存储介质、控制装置以及继电器
CN110146269A (zh) 基于eemd的多尺度模糊熵的oltc故障诊断方法
CN112684329A (zh) 一种高压断路器机械故障智能诊断方法
CN114757110B (zh) 一种基于滑窗检测提取电流信号的断路器故障诊断方法
CN109936113B (zh) 一种基于随机森林算法的保护动作智能诊断方法及系统
CN110426624A (zh) 断路器状态的评估方法及装置
CN110737996A (zh) 一种高压断路器分合闸线圈电流识别方法
CN116243155A (zh) 断路器故障诊断方法、装置、设备以及存储介质
CN112147494A (zh) 一种高压真空断路器机械故障检测方法
CN113515723B (zh) 一种断路器最低动作电压综合评估方法
CN106772009B (zh) 基于分合闸线圈电流波形的断路器机械特性分析方法
CN111079647A (zh) 一种断路器缺陷识别方法
CN107067024B (zh) 高压断路器机械状态识别方法
CN115113038B (zh) 基于电流信号相空间重构的断路器故障诊断方法
CN115932564A (zh) 高压断路器故障评估方法、装置、设备及可读存储介质
CN113721142B (zh) 断路器的拒动风险的评价方法及其评价装置
CN115438744A (zh) 一种交流接触器运行状态分类可视化方法

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