CN111121971B - 一种通过高压开关柜表面温度变化判断故障类型的方法 - Google Patents
一种通过高压开关柜表面温度变化判断故障类型的方法 Download PDFInfo
- Publication number
- CN111121971B CN111121971B CN201911312448.6A CN201911312448A CN111121971B CN 111121971 B CN111121971 B CN 111121971B CN 201911312448 A CN201911312448 A CN 201911312448A CN 111121971 B CN111121971 B CN 111121971B
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- voltage switch
- temperature
- data
- cabinet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010438 heat treatment Methods 0.000 claims abstract description 38
- 238000009529 body temperature measurement Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 22
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 16
- 239000000523 sample Substances 0.000 description 12
- 238000004088 simulation Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- 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
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种通过高压开关柜表面温度变化判断故障类型的方法，涉及高压开关柜安全运行技术领域，通过红外测温设备获取高压开关柜的柜体表面温度数据；然后定时对柜体表面温度数据进行采集，将柜体表面温度数据与高压开关柜的柜体表面位置进行关联，识别出高温的温度数据，将高温的温度数据与相应的高压开关柜的柜体表面位置进行关联，并记录相应的时间数据；再将得到的高温的温度数据与相应的时间数据、开关柜运行数据和环境数据输入故障判别功能模块，通过故障判别功能模块输出相应的高压开关柜发热的原因；最后将得到的高温的温度值对应的高温位置和高压开关柜发热的原因进行关联，得到高压开关柜的柜内发热部件及发热故障类型。
Description
技术领域
本发明涉及高压开关柜安全运行技术领域，尤其涉及一种通过高压开关柜表面温度变化判断故障类型的方法。
背景技术
高压开关柜是由断路器、负荷开关、接触器、熔断器和各类开关、各类互感器，以及控制、测量、保护、调节装置等组合而成的成套配电装置。主要功能是根据供电要求合理准确地分配电能。
高压开关柜中的断路器触点和母排连接点等部位在运行过程中会因老化或接触电阻过大而发热。且现有高压开关柜均为金属封闭式结构，一旦柜内热量快速聚集极易引发火灾事故。电网用电负荷不断增加，且伴随开关柜小型化趋势，导致高压开关柜内设备的发热问题愈发突出，因柜内温度过高而引发的绝缘失效事故也频繁发生。
为了及时掌握高压开关柜发热状况，国内外常用人工定时测温和在线测温技术来获得开关柜内外温度数据。测量温度的主要技术手段分为非接触测温(如红外测温法)，和接触式测温(光栅光纤测温、半导体数字测温、热敏电阻测温和声表面测温等)。非接触式测温的特点是无需向柜内布置大量探头和测量线，安全性较高，方便快捷，但不能够直接指示出柜内发热部件和发热类型。接触式测温的特点是准确度高，传感器直接接触被测物体表面，可精确测量柜内部件温度变化；而缺点是对开关柜改造工程量巨大，测温探头、测量线和供电电源大量分布于原开关柜部件间，对柜内绝缘水平产生影响。
因此，本着减少开关柜测温改造工程量的目的，在红外测温手段的基础上，开发出一套基于柜体表面温度变化判别开关柜部件发热故障类型的方法，对现运行高压开关柜的检修维护工作具有重要意义。
发明内容
本发明的目的在于提供一种通过高压开关柜表面温度变化判断故障类型的方法，从而克服了现有非接触式测温不能够直接指示出柜内发热部件和发热类型的缺点。
为实现上述目的，本发明提供了一种通过高压开关柜表面温度变化判断故障类型的方法，包括以下步骤：
步骤1、通过红外测温设备获取高压开关柜的柜体表面温度数据；
步骤2、定时对所述柜体表面温度数据进行采集，将所述柜体表面温度数据与高压开关柜的柜体表面位置进行关联，对实时采集的柜体表面温度数据识别出高温的温度数据，将高温的温度数据与相应的高压开关柜的柜体表面位置进行关联，并记录相应的时间数据；
步骤3、将所述步骤2得到的高温的温度数据与相应的时间数据、开关柜运行数据和环境数据输入故障判别功能模块，通过故障判别功能模块输出相应的高压开关柜发热的原因；
步骤4：将所述步骤2得到的高温的温度值对应的高温位置和相应的高压开关柜发热的原因进行关联，得到高压开关柜的柜内发热部件及发热故障类型。
进一步的，所述步骤1包括以下步骤：
步骤11、在高压开关柜外选择合适的位置放置红外测温设备，并使所述红外测温设备保持长时间测量工作状态；
步骤12：通过所述红外测温设备获取高压开关柜的柜体表面温度数据，并传输给温度数据处理系统。
进一步的，所述高压开关柜外合适的位置为红外测温设备能够将开关柜全部柜体纳入测量范围的位置。
进一步的，所述红外测温设备为获取高压开关柜可见光图像和红外图像混叠效果的设备，且设有独立供电电源和测温数据输出接口。
进一步的，所述步骤2包括以下步骤：
步骤21、温度数据处理系统设置采样时间间隔，定时获取柜体表面温度数据，并记录获取数据的时间；
步骤22、温度数据处理系统根据高压开关柜的柜体结构，将高压开关柜的柜体表面预先划分出若干区域，每个区域对应高压开关柜柜内部件位置；
步骤23、温度数据处理系统识别出所述步骤21得到的实时柜体表面温度数据中的高温的温度值和对应的高温位置，将高温的温度值和对应的高温位置形成与预设柜面区域相关联的数据对，并传输给所述故障判别功能模块；
步骤24、温度数据处理系统沿时间序列记录步骤23识别出的高温的温度值的时间值，并传输给所述故障判别功能模块。
进一步的，步骤3包括以下步骤：
步骤31、所述故障判别功能模块从温度数据处理系统获取高温的温度值数据和时间数据；
步骤32、所述故障判别功能模块从监测高压开关柜的电压、电流传感器和环境数据传感器获取与所述步骤31时间数据对应的高压开关柜运行的电压值、负荷电流值以及环境温度、湿度值；
步骤33、将所述步骤31和步骤32获得的数据作为故障判别功能模块输入参数，通过经过训练的人工智能算法的故障判别功能模块输出高压开关柜发热的原因。
进一步的，所述高压开关柜发热的原因包括：负荷过大、接触不良及故障电弧。
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通过高压开关柜表面温度变化判断故障类型的方法，首先通过红外测温设备获取高压开关柜的柜体表面温度数据；然后定时对柜体表面温度数据进行采集，将柜体表面温度数据与高压开关柜的柜体表面位置进行关联，对实时采集的柜体表面温度数据识别出高温的温度数据，将高温的温度数据与相应的高压开关柜的柜体表面位置进行关联，并记录相应的时间数据；其次，将得到的高温的温度数据与相应的时间数据、开关柜运行数据和环境数据输入故障判别功能模块，通过故障判别功能模块输出相应的高压开关柜发热的原因；最后将得到的高温的温度值对应的高温位置和高压开关柜发热的原因进行关联，得到高压开关柜的柜内发热部件及发热故障类型，利用人工智能算法判别柜内的故障类型，使高压开关柜测温改造成本和工作量大幅减少，也将提高检修维护工作效率。
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是本发明一种通过高压开关柜表面温度变化判断故障类型的方法的流程图；
图2是本发明故障判别功能模块的结构示意图；
图3是本发明路器触头接触不良时柜体温度和电流的变化的波形图；
图4是本发明负荷过大时柜体温度和电流的变化的波形图；
图5是本发明故障电弧时柜体温度变化的波形图。
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，本发明所提供的一种通过高压开关柜表面温度变化判断故障类型的方法包括以下步骤：
步骤1、通过红外测温设备获取高压开关柜的柜体表面温度数据，包括以下步骤：
步骤11、在高压开关柜外选择合适的位置放置红外测温设备，并使红外测温设备保持长时间测量工作状态；高压开关柜外合适的位置为红外测温设备能够将开关柜全部柜体纳入测量范围的设备位置；
步骤12：从红外测温设备获取高压开关柜的柜体表面温度数据，并传输给温度数据处理系统。
红外测温设备为获取高压开关柜可见光图像和红外图像混叠效果的设备，有独立供电电源不受开关柜运行状态影响，可长时间工作。红外测温设备具有测温数据输出接口。
步骤2、定时对柜体表面温度数据进行采集，将柜体表面温度数据与高压开关柜的柜体表面位置进行关联，对实时采集的柜体表面温度数据识别出高温的温度数据，将高温的温度数据与相应的高压开关柜的柜体表面位置进行关联，并记录相应的时间数据。步骤2包括以下步骤：
步骤21、温度数据处理系统设置采样时间间隔，定时获取柜体表面温度数据，并记录获取数据的时间(t1…)；
步骤22、温度数据处理系统根据高压开关柜的柜体结构，将高压开关柜的柜体表面预先划分出若干区域(A1、A2…)，每个区域对应高压开关柜柜内部件位置；
步骤23、温度数据处理系统识别出步骤21得到的实时柜体表面温度数据中的高温的温度值T和对应的高温位置，将高温的温度值T和对应的高温位置形成与预设柜面区域相关联的数据对(T1-A1、T2-A2…)，并传输给故障判别功能模块。
步骤24、温度数据处理系统沿时间序列记录步骤23识别出的高温的温度值(T1、T2…)和时间值，并传输给故障判别功能模块。
步骤3、将步骤2得到的高温的温度数据与相应的时间数据、开关柜运行数据和环境数据输入故障判别功能模块，通过故障判别功能模块输出相应的高压开关柜发热的原因。
故障判别功能模块为通过故障样本训练得到的人工智能神经网络模型。模型输入参数和输出结果间不存在明显函数关系，需通过样本训练人工智能算法来建立输入和输出间的联系。故障判别功能模块根据高压开关柜故障仿真结果和故障试验测量数据获得N个故障训练样本，即有N个输入、输出对，IN为输入参数向量，TN为输出参数向量。输入参数向量IN包含p个输入参数：IN＝(iN1, iN2,…iNp)T，目标输出参数向量TN包含q个输出参数(实际值)：TN＝(tN1, tN2,…tNq)T，网络模型输出参数向量ON包含q个输出参数(理论值)：ON＝(oN1,oN2,…oNq)T。故障训练样本的输出参数实际值与网络模型输出理论值存在误差。 Wij是从输入向量第i个分量到输出向量第j个分量的权重数。神经网络训练就是不断比较理论值和实际值的差别，并根据极小原则不断修改权重矩阵W，使理论值与实际值的误差平方和达到最小
进而完成训练。一旦人工智能神经网络模型训练完成，权重矩阵W确定，则可根据新输入的参数，推算出输出结果。故障判别功能模块的输入参数包括：温度数据、时间数据、运行数据集环境数据等；故障判别功能模块的输出参数包括：负荷过大、接触不良及故障电弧。
步骤3包括以下步骤：
步骤31、故障判别功能模块从温度数据处理系统获取高温的温度值数据和时间数据；
步骤32、故障判别功能模块从监测高压开关柜的电压、电流传感器和环境数据传感器获取与步骤31时间数据对应的高压开关柜运行的电压值、负荷电流值以及环境温度、湿度值；
步骤33、如图2所示，将步骤31和步骤32获得的数据作为故障判别功能模块输入参数，通过经过训练的人工智能算法的故障判别功能模块输出高压开关柜发热的原因，高压开关柜发热的原因包括：R1负荷过大、R2接触不良、 R3故障电弧。
步骤4、将步骤2得到的高温的温度值对应的高温位置和高压开关柜发热的原因进行关联，得到高压开关柜的柜内发热部件及发热故障类型。
对本发明通过高压开关柜表面温度变化判断故障类型的方法的操作方法进行详细说明，以使本领域技术人员更了解本发明：
步骤1、通过红外测温设备获取高压开关柜表面实时温度数据。
步骤21、温度数据处理系统设置的采样时间间隔△t为1s或10s，则每隔 1s或10s获取一次柜体表面温度的原始数据，后一次获取的温度数据是前一次温度数据1s或10s后的数据。获取数据的时间要准确记录，用以后续步骤中的温度随时间变化分析。
步骤22、根据高压开关柜的柜体结构，开关柜母排布置在高压开关柜的上部靠左位置，则该位置在高压开关柜的柜体表面上的投影区域划为区域A1；断路器布置在高压开关柜的中部位置，则该位置在高压开关柜的柜体表面上的投影区域划为区域A2等。
步骤23、温度数据处理系统通过步骤1得到图像识别出高温数据和对应的高温位置在开关柜中部，所对应的预设区域为A2，温度值为T2，则形成关联数据对T2-A2。
步骤24、开关柜预设区域A2为高温位置，温度值为T2。则每一个数据采样时刻t获得一个T2值，T2形成一个数据组，采样时刻t也形成一个数据组； T2数据组和t数据组相对应，并将两组数据组传输给故障判别模块。
步骤3、故障判别功能模块从温度数据处理系统接收T2数据组和t数据组，同时也接收与柜面温度采样时刻t一致的高压开关柜运行的电压数据V、负荷电流数据I、环境温度数据Te和湿度数据He。负荷电流数据I影响柜内导体发热，环境温度数据Te和湿度数据He影响柜体散热，这些数据参数都对柜表面温度T随时间t的变化产生影响。
故障判别功能模块利用人工智能算法，通过输入参数(P1、P2…；P3、P4…； Tm…；tn…)获得输出参数(R1、R2、R3)，得到T2数据组的高压开关柜发热的原因。
例如，开关柜温度T与负荷电流I随时间t变化的曲线形态，可作为人工智能算法训练基础。沿时间序列将曲线分割为M段子曲线，每一段子曲线具有参数：起始温度T1、结束温度T2、起始电流I1、结束电流I2、时刻t和时间步长dt，进而可获得计算参数：平均温度TA、电流一次变化率dI/dt、温度一次变化率dT/dt和温度二次变化率dT/dt2。这些参数都可作为人工智能算法输入参数。单个样本的故障判别功能模块输入参数向量IN可表示为 (P1,P2,P3,P4…,TA1,…TAm,dI1/dt,…dIm/dt,dT1/dt,…dTm/dt,dT1/dt2,…dTm/dt2, t1,…tm)T。不同故障类型所体现出的柜体温度变化有明显差异，参数变化也有规律可循。
图3所示的曲线可表示为断路器触头接触不良时(故障判别功能模块输出为R2)，柜体温度和电流的变化形态。负荷电流I没有明显变化，即dI/dt≈0。而触头在发生接触故障前温度较低，反映在柜体表面特定区域温度T也较稳定，一旦发生接触故障，触头接触电阻加大，焦耳热增加，柜体表面温度T也会上升，直至达到一个新的热平衡，T不再剧烈变化，即dT/dt前期约等于0，发生接触故障时dT/dt逐渐增大而后逐渐减小，达到新热平衡时dT/dt又约等于0。 dT/dt2的变化则更容易识别，即dT/dt2先是正值，又变负值。图4所示的曲线可表示为负荷过大时(故障判别功能模块输出为R1)，柜体温度和电流的变化形态。负荷电流I逐步上升，即dI/dt>0。负荷电流产生的焦耳热也随负荷电流逐步增大，柜体表面特定区域温度T的变化形态与负荷电流I保持一致，即dT/dt> 0。图5所示的曲线可表示为存在故障电弧时(故障判别功能模块输出为R3)，柜体温度变化形态。当柜内发生故障电弧甚至飘弧时，被电弧烧熔的金属残渣会溅射到柜体内表面或电弧直接接触柜体，引发柜体表面特定区域温度T的急剧增大，即dT/dt数值特别高。
为发热故障判别人工智能算法提供训练样本的手段有两种：仿真与实验。在高压开关柜电、热联合有限元仿真和带电流负荷发热试验中，设置接触不良、负荷增大等故障条件(R1、R2…)，获得一系列仿真计算条件参数(P1、P2…) 下的柜体温度数值(T1、T2…)，和一系列试验条件参数(P1、P2…)下的柜体红外测温温度数值(Ta、Tb…)作为人工智能算法的训练样本。
以母排接触不良故障类型(R2)的一个仿真样本为例，建立开关柜和柜内主要部件三维模型，设置开关柜运行电压V、负荷电流I、环境温度Te、湿度 He、母排接触电阻r为仿真计算条件参数，进行瞬态热电联合仿真，提取柜体表面最高温度与时间变化计算曲线C。将曲线C分割为M段子曲线，并获得仿真结果参数：时刻t、时间步长dt、平均温度TA、电流一次变化率dI/dt、温度一次变化率dT/dt和温度二次变化率dT/dt2。进而获得故障判别模块人工智能算法训练样本的输入参数向量IN＝(V,I,Te,He,r,TA1,…TAm,dI1/dt,…dIm/dt,dT1/dt,…dTm/dt,dT1/dt2,…dTm/dt2,t1,…tm)T，并与作为预设输出参数的故障类型 (R2)一同加入人工智能神经网络进行样本训练。同理，以负荷过大故障类型(R1)的一个试验样本为例，设置试验开关柜的试验电压V、试验电流I、环境温度Te、湿度He、母排接触电阻r，进行大负荷电流试验。通过红外热像仪提取柜体表面最高温度，绘制温度与时间变化计算曲线C。将曲线C分割为M 段子曲线，获得试验测温结果参数：时刻t、时间步长dt、平均温度TA、电流一次变化率dI/dt、温度一次变化率dT/dt和温度二次变化率dT/dt2。进而获得故障判别模块人工智能算法训练样本的输入参数向量IN＝(V,I,Te,He,r, TA1,…TAm,dI1/dt,…dIm/dt,dT1/dt,…dTm/dt,dT1/dt2,…dTm/dt2,t1,…tm)T，并与作为预设输出参数的故障类型(R1)一同加入人工智能神经网络进行样本训练。通过改变不同的仿真计算条件或试验参数：运行电压V、负荷电流I、环境温度 Te、湿度He、母排接触电阻r等，来获取不同的仿真结果或试验参数：时刻t、时间步长dt、平均温度TA、电流一次变化率dI/dt、温度一次变化率dT/dt和温度二次变化率dT/dt2，形成多个故障判别功能模块人工智能神经网络训练样本。
完成样本训练的故障判别功能模块，可从温度数据处理系统接收T2数据组和t数据组，同时也接收与柜面温度采样时刻t一致的高压开关柜运行的电压数据V、负荷电流数据I、环境温度数据Te和湿度数据He，利用人工智能神经网络算法，通过输入参数(P1、P2…；P3、P4…；Tm…；tn…)获得输出参数(R1、 R2、R3)。
步骤4、根据T2数据组关联出柜体预设区域A2对应的柜内发热部件为断路器，因此，故障判别功能模块输出的发热原因为R2接触不良，则开关柜发热故障为断路器接触不良。
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)
1.一种通过高压开关柜表面温度变化判断故障类型的方法，其特征在于：包括以下步骤：
步骤1、通过红外测温设备获取高压开关柜的柜体表面温度数据；
步骤2、定时对所述柜体表面温度数据进行采集，将所述柜体表面温度数据与高压开关柜的柜体表面位置进行关联，对实时采集的柜体表面温度数据识别出高温的温度数据，将高温的温度数据与相应的高压开关柜的柜体表面位置进行关联，并记录相应的时间数据；
所述步骤2包括以下步骤：
步骤21、温度数据处理系统设置采样时间间隔，定时获取柜体表面温度数据，并记录获取数据的时间；
步骤22、温度数据处理系统根据高压开关柜的柜体结构，将高压开关柜的柜体表面预先划分出若干区域，每个区域对应高压开关柜柜内部件位置；
步骤23、温度数据处理系统识别出所述步骤21得到的实时柜体表面温度数据中的高温的温度值和对应的高温位置，将高温的温度值和对应的高温位置形成与预设柜面区域相关联的数据对，并传输给故障判别功能模块；
步骤24、温度数据处理系统沿时间序列记录步骤23识别出的高温的温度值的时间值，并传输给所述故障判别功能模块；
步骤3、将所述步骤2得到的高温的温度数据与相应的时间数据、开关柜运行数据和环境数据输入故障判别功能模块，通过故障判别功能模块输出相应的高压开关柜发热的原因；
步骤4：将所述步骤2得到的高温的温度值对应的高温位置和相应的高压开关柜发热的原因进行关联，得到高压开关柜的柜内发热部件及发热故障类型。
2.根据权利要求1所述的通过高压开关柜表面温度变化判断故障类型的方法，其特征在于：所述步骤1包括以下步骤：
步骤11、在高压开关柜外选择合适的位置放置红外测温设备，并使所述红外测温设备保持长时间测量工作状态；
步骤12：通过所述红外测温设备获取高压开关柜的柜体表面温度数据，并传输给温度数据处理系统。
3.根据权利要求2所述的通过高压开关柜表面温度变化判断故障类型的方法，其特征在于：所述高压开关柜外合适的位置为红外测温设备能够将开关柜全部柜体纳入测量范围的位置。
4.根据权利要求2所述的通过高压开关柜表面温度变化判断故障类型的方法，其特征在于：所述红外测温设备为获取高压开关柜可见光图像和红外图像混叠效果的设备，且设有独立供电电源和测温数据输出接口。
5.根据权利要求1所述的通过高压开关柜表面温度变化判断故障类型的方法，其特征在于：步骤3包括以下步骤：
步骤31、所述故障判别功能模块从温度数据处理系统获取高温的温度值数据和时间数据；
步骤32、所述故障判别功能模块从监测高压开关柜的电压、电流传感器和环境数据传感器获取与所述步骤31时间数据对应的高压开关柜运行的电压值、负荷电流值以及环境温度、湿度值；
步骤33、将所述步骤31和步骤32获得的数据作为故障判别功能模块输入参数，通过经过训练的人工智能算法的故障判别功能模块输出高压开关柜发热的原因。
6.根据权利要求1所述的通过高压开关柜表面温度变化判断故障类型的方法，其特征在于：所述高压开关柜发热的原因包括：负荷过大、接触不良及故障电弧。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911312448.6A CN111121971B (zh) | 2019-12-18 | 2019-12-18 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911312448.6A CN111121971B (zh) | 2019-12-18 | 2019-12-18 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111121971A CN111121971A (zh) | 2020-05-08 |
| CN111121971B true CN111121971B (zh) | 2021-09-03 |
Family
ID=70499878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911312448.6A Active CN111121971B (zh) | 2019-12-18 | 2019-12-18 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111121971B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067133A (zh) * | 2020-07-26 | 2020-12-11 | 广西电网有限责任公司电力科学研究院 | 基于开关柜体外壳温度分布的内部状态监测系统及方法 |
| CN112650200B (zh) * | 2020-12-25 | 2022-08-30 | 中能融安(北京)科技有限公司 | 一种厂站设备故障的诊断方法及诊断装置 |
| CN113566974B (zh) * | 2021-07-28 | 2023-10-27 | 福建中电合创电力科技有限公司 | 一种开关柜的视频温度成像分析方法及平台端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105699808A (zh) * | 2016-01-27 | 2016-06-22 | 杨志强 | 基于在线间接测温方式的开关柜故障诊断方法 |
| CN106197681A (zh) * | 2016-08-02 | 2016-12-07 | 北京殷图网联科技股份有限公司 | 高压开关柜在线测温装置、方法以及系统 |
| CN108287288A (zh) * | 2018-02-06 | 2018-07-17 | 李宏仁 | 一种开关柜热缺陷监测系统及分析方法及综合测控装置 |
| CN109000803A (zh) * | 2018-07-30 | 2018-12-14 | 袁茂银 | 一种高压开关柜热成像监测装置 |
| CN110220602A (zh) * | 2019-06-24 | 2019-09-10 | 广西电网有限责任公司电力科学研究院 | 一种开关柜过热故障识别方法 |
| CN110320468A (zh) * | 2019-06-24 | 2019-10-11 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002024806A (ja) * | 2000-07-06 | 2002-01-25 | Central Res Inst Of Electric Power Ind | 配電柱の柱上機材の画像抽出方法および装置並びに抽出プログラムを記録したコンピュータ読み取り可能な記録媒体、これを利用する異常検出方法および装置並びに異常検出プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| CN103630244B (zh) * | 2013-12-18 | 2016-03-09 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
| CN110411580B (zh) * | 2019-08-05 | 2021-03-16 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断系统 |
-
2019
- 2019-12-18 CN CN201911312448.6A patent/CN111121971B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105699808A (zh) * | 2016-01-27 | 2016-06-22 | 杨志强 | 基于在线间接测温方式的开关柜故障诊断方法 |
| CN106197681A (zh) * | 2016-08-02 | 2016-12-07 | 北京殷图网联科技股份有限公司 | 高压开关柜在线测温装置、方法以及系统 |
| CN108287288A (zh) * | 2018-02-06 | 2018-07-17 | 李宏仁 | 一种开关柜热缺陷监测系统及分析方法及综合测控装置 |
| CN109000803A (zh) * | 2018-07-30 | 2018-12-14 | 袁茂银 | 一种高压开关柜热成像监测装置 |
| CN110220602A (zh) * | 2019-06-24 | 2019-09-10 | 广西电网有限责任公司电力科学研究院 | 一种开关柜过热故障识别方法 |
| CN110320468A (zh) * | 2019-06-24 | 2019-10-11 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111121971A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Farajollahi et al. | Locating the source of events in power distribution systems using micro-PMU data | |
| CN111121971B (zh) | 一种通过高压开关柜表面温度变化判断故障类型的方法 | |
| Bastidas-Rodríguez et al. | Model-based degradation analysis of photovoltaic modules through series resistance estimation | |
| CN102520288B (zh) | 基于一次升流的电流差动保护同步性能测试系统及测试方法 | |
| CN105092058A (zh) | 一种高压开关柜的温度在线监测系统及其监测方法 | |
| CN110907064A (zh) | 一种gis隔离开关触头温度预测方法、装置及可读存储介质 | |
| CN105021132A (zh) | 激光非接触式中置柜手车触头行程测试仪 | |
| CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
| KR100576511B1 (ko) | 시계열 데이터를 이용한 전력계통 실시간 전압안정도위험지수 계산 시스템 및 방법 | |
| US12009160B2 (en) | Monitoring method for an electric power transmission device | |
| CN112580232B (zh) | 一种中压开关柜内多关键接触点的接触电阻在线监测方法 | |
| CN103163396A (zh) | 核电站小型熔断器检测方法 | |
| CN204881871U (zh) | 一种高压开关柜的温度在线监测系统 | |
| CN117852773B (zh) | 一种配电网路故障定位系统 | |
| CN113269941A (zh) | 一种基于多信息融合判断的电气火灾报警装置及控制方法 | |
| KR102309979B1 (ko) | 전력설비의 자산관리 방법 | |
| CN113919198A (zh) | 一种基于生成对抗网络的电气火灾监测预警方法 | |
| CN109000823A (zh) | 冷缩电缆中间接头的导体温度测量方法及系统 | |
| CN106124089A (zh) | 基于灰色理论的高压开关柜在线测温方法 | |
| Wu et al. | Model for variable-length electrical arc plasmas under AC conditions | |
| CN116540038A (zh) | 一种电容器组的绝缘状态监测方法和装置 | |
| US11315083B2 (en) | Asset management method for substation | |
| CN112084662B (zh) | 一种断路器电寿命的检测方法和装置 | |
| Qiao et al. | Temperature Rise Prediction of GIS Electrical Contact Using an Improved Kalman Filter | |
| CN118435063A (zh) | 对电气设备的状态分析 |
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 |