CN111222255A - 一种用于电气故障辨识的大数据模拟系统及模拟方法 - Google Patents
一种用于电气故障辨识的大数据模拟系统及模拟方法 Download PDFInfo
- Publication number
- CN111222255A CN111222255A CN202010116380.0A CN202010116380A CN111222255A CN 111222255 A CN111222255 A CN 111222255A CN 202010116380 A CN202010116380 A CN 202010116380A CN 111222255 A CN111222255 A CN 111222255A
- Authority
- CN
- China
- Prior art keywords
- data
- control switch
- power
- scene
- phase
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于电气故障辨识的大数据模拟系统,包括双电源控制开关、负荷装置、采集终端、控制器,电网与双电源控制开关的进线端连接,双电源控制开关出线端的N相电源线与A、B、C相电源线之间均并接多个负荷装置,所述采集终端采集数据并传送到控制器,控制器连接负荷装置。本发明的训练系统综合模拟各种环境,可随时增加或减少各种负荷进行特征识别,并且可模拟各种短路、断路现象,方便进行大数据采集与分析。
Description
技术领域
本发明涉及电气故障检测领域,特别涉及一种用于电气故障辨识的大数据模拟系统及模拟方法。
背景技术
目前,随着社会的发展,电气设备和家用电器已经深入到了人们工作生活的各个方面。它们一方面带来了便捷的生活,另一方面也存在巨大的安全隐患。近几年,由于暴雨、乱搭乱建、误操作造成的触电伤亡事故屡见不鲜,其中电气故障引起的火灾更是占到了火灾总数的30%。特别是近些年,随着住房楼层的不断升高,触电和火灾对家庭的影响也越来越大,人们对安全隐患的担忧程度越来越高。提升用电安全,特别是在电线浸水、线路老化、绝缘破损和操作失误等恶劣情况下,依然能够保证人身安全,减少财产损失,是低压配电网需要解决的一个重要课题。
目前广泛用于解决这类事故的方法是在电源处使用剩余电流保护装置。该装置能够检测到剩余电流的变化,当大于设定阈值后,则认为故障发生,会立刻跳闸。该装置最关键的参数是其阈值的设定,但传统保护中该值是根据人们的经验值进行设置的。实际中不同类型的故障其保护限值是不同的,同时该值又会受到外部环境的影响,因此传统剩余电流保护装置往往无法正确动作。
对故障进行准确的分类和识别,是提升电气故障保护装置准确性的有效方法。随着大数据分析和人工智能技术的发展,新型电气故障辨识终端能够采集故障电压、电流波形,并基于大数据训练和人工智能识别出混杂其中的故障特征波形,实现对电气故障的发生有效感知和准确分类。其准确度和抗干扰能力都远优于传统保护装置。
新型电气故障辨识终端的核心技术是进行大量故障波形的训练,但故障波形的自动产生、故障波形的自动获取和波形的自动训练却是当前的难题。按照传统大数据模拟方法,故障由人员产生并录波,数据由人员进行手工收集和预处理,训练也由人员手工操作完成,这整个过程都是由人员纯手工处理的,效率非常低。即使进行一个小规模的算法训练,也需要耗费大量的人力和时间。如果要提高电气故障识别的精确度,就需要加大样本的数量,但随之带来的人力成本和时间的消耗,是任何一个公司都无法承受的。
发明内容
为了解决上述技术问题,本发明提供一种结构简单的用于电气故障辨识的大数据模拟系统,并提供一种大数据模拟方法。
本发明解决上述问题的技术方案是:一种用于电气故障辨识的大数据模拟系统,包括双电源控制开关、负荷装置、采集终端、控制器,电网与双电源控制开关的进线端连接,双电源控制开关出线端的N相电源线与A、B、C相电源线之间均并接多个负荷装置,所述采集终端采集各相电源线之间的电压电流及负荷装置的各种数据并传送到控制器,控制器连接负荷装置。
上述用于电气故障辨识的大数据模拟系统,还包括对地故障发生装置,对地故障发生装置包括遥控开关Ⅰ、触电箱、可调电阻,双电源控制开关出线端的A、B、C、N相电源线连接触电箱,A、B、C、N相电源线与触电箱之间均设有遥控开关Ⅰ和可调电阻,遥控开关Ⅰ连接控制器。
上述用于电气故障辨识的大数据模拟系统,所述双电源控制开关带有漏电保护器,所述双电源控制开关内部通过开关选择不同的电源进行供电,电源分为两种,一种为市电,正常供电电源,即电网直接与双电源控制开关进线端连接;另一种是电网通过监控装置与双电源控制开关进线端连接。
上述用于电气故障辨识的大数据模拟系统,所述负荷装置包括负载、指示灯、遥控开关Ⅱ,负载、指示灯、遥控开关Ⅱ依次串接后并接在A、B、C相电源线与N相电源线之间,遥控开关Ⅱ连接控制器。
上述用于电气故障辨识的大数据模拟系统,所述负载包括插座、电机。
上述用于电气故障辨识的大数据模拟系统,所述N相电源线与A、B、C相电源线之间还设有电弧发生装置。
上述用于电气故障辨识的大数据模拟系统,所述双电源控制开关进线端和出线端设有灯泡,通过灯泡的亮/灭来指示当前线路是否供电。
一种用于电气故障辨识的大数据模拟方法,包括以下步骤:
1)数据采集:通过采集终端采集数据;
2)数据预处理:将采集数据的规格和格式进行统一化;
3)模型训练:建立回归模型和分类模型,并对回归模型和分类模型进行训练;
4)模型转化:模型训练结束以后,转化成辨识终端指定C语言代码。
上述用于电气故障辨识的大数据模拟方法,所述步骤1)中,采集的数据分为暂态数据和稳态数据,稳态数据的采样频率根据被采集电气设备的特定波形数据的特性进行设定,暂态数据设定的采样频率为单个周波256个采样点。
上述用于电气故障辨识的大数据模拟方法,所述步骤3)中,回归模型的训练过程包括如下步骤:
3-1-1)采集故障场景和正常场景下1000条相电压电路数据;
3-1-2)每条数据对应于正常场景或故障场景,为每条数据对应的场景进行编码,即为每条数据创建一个标签来表明它发生于哪种场景下,正常场景:0,故障场景:1;
3-1-3)随机提取60%的相电压相电路数据作为训练集,其余40%的数据作为测试集,用训练集来训练相关算法。用测试集来测试分类模型的有效性;
3-1-4)将训练集的数据联合对应的标签,输入到python中的Logistic回归算法中,通过算法训练得到一个回归模型,回归模型为一个估计函数,估计函数对没有见过的数据给出一个新的估计;通过测试集对训练后的回归模型进行测试;
分类模型的训练过程包括如下步骤:
3-2-1)采集故障场景和正常场景下1000条相电压电路数据;
3-2-2)每条数据对应于正常场景或故障场景,为每条数据对应的场景进行one-hot编码,即为每条数据创建一个标签来表明它发生于哪种场景下,正常场景:[1,0],故障场景:[0,1];
3-2-3)随机提取60%的相电压相电路数据作为训练集,其余40%的数据作为测试集;
3-2-4)将训练集的数据联合对应的标签,输入python中XGBoost算法中,通过算法训练得到一个分类模型,通过测试集对训练后的分类模型进行测试。
本发明的有益效果在于:本发明能够在训练系统中综合模拟各种环境,可随时增加或减少各种负荷进行特征识别,并且可模拟各种短路、断路现象,方便进行大数据采集与分析。
附图说明
图1为本发明训练系统的结构框图。
图2为本发明训练系统的电路图。
图3为本发明训练方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1、图2所示,一种用于电气故障辨识的大数据模拟系统,包括双电源控制开关、负荷装置、采集终端、对地故障发生装置、控制器,电网与双电源控制开关的进线端连接,双电源控制开关出线端的N相电源线与A、B、C相电源线之间均并接多个负荷装置,所述采集终端采集训练系统各相电源线之间的电压电流及负荷装置的各种实时数据及状态并并传送到控制器,控制器连接负荷装置。
对地故障发生装置包括遥控开关ⅠS1、触电箱、可调电阻,双电源控制开关出线端的A、B、C、N相电源线连接触电箱,A、B、C、N相电源线与触电箱之间均设有遥控开关ⅠS1和可调电阻,遥控开关ⅠS1连接控制器。对地故障发生装置中,通过控制器对遥控开关ⅠS1分、合闸控制,对可调电阻进行供电,并且通过对可调电阻阻值的调节,利用导线与N线的短接实现对地故障现象的实现。如果需要进行短路试验,如A相与N线进行短接形成短路现象,只需要在触电箱中把A相电源线与N相电源线进行连接。
所述双电源控制开关带有漏电保护器,所述双电源控制开关内部通过开关选择不同的电源进行供电,电源分为两种,一种为市电,正常供电电源,即电网直接与双电源控制开关进线端连接;另一种是电网通过监控装置与双电源控制开关进线端连接。
所述负荷装置可接入任意实验所需的负荷,用于负荷特征识别及大数据训练,负荷装置包括负载、指示灯、遥控开关ⅡS2,负载、指示灯、遥控开关ⅡS2依次串接后并接在A、B、C相电源线与N相电源线之间,遥控开关ⅡS2连接控制器。所述负载包括插座、电机,通过插座来对系统增加各种负荷,方便大数据模拟系统对负荷的特征进行识别。遥控开关ⅠS1和遥控开关ⅡS2是可以通过485通信远程控制各开关的分、合闸动作。
所述N相电源线与A、B、C相电源线之间还设有电火花发生器,电火花发生器可通过自动拉近电弧发生器内两金属之间的距离产生电火花。
所述双电源控制开关进线端和出线端设有灯泡L1,通过进线端灯泡的亮/灭来指示当前线路是否供电,通过出线端灯泡的亮/灭来指示是否正常电源输出。通过控开关Ⅰ、遥控开关ⅡS2和灯泡模拟路灯环境,对控开关Ⅰ和遥控开关ⅡS2的控制来模拟该线路路灯是否出现故障。
如图3所示,一种用于电气故障辨识的大数据模拟方法,包括以下步骤:
1)数据采集:通过采集终端采集数据。
目前所采集的数据大致上可分为暂态数据和稳态数据,稳态数据的采样频率根据被采集电气设备的特定波形数据的特性进行设定,暂态数据目前设定的采样频率为单个周波256个采样点。
2)数据预处理:将采集数据的规格和格式进行统一化。
采集终端中各设备上传的数据存在规格和格式的不统一,需要将所有的数据进行统一化。目前采用1个周波256个采样节点的数据规格,统一存入数据库中,以便后期访问;对于后期是类别识别功能,在数据预处理的过程中,还需要自动对数据打标签,方便后期分类模型的直接训练。
3)模型训练:建立回归模型和分类模型,并对回归模型和分类模型进行训练;对于这两种模型的区别主要体现在后期开发者植入的算法上,但都是基于处理后的数据来进行训练的。
回归模型的训练过程包括如下步骤:
3-1-1)采集故障场景和正常场景下1000条相电压电路数据;
3-1-2)每条数据对应于正常场景或故障场景,为每条数据对应的场景进行编码,即为每条数据创建一个标签来表明它发生于哪种场景下,正常场景:0,故障场景:1;
3-1-3)随机提取60%的相电压相电路数据作为训练集,其余40%的数据作为测试集;
3-1-4)将训练集的数据联合对应的标签,输入到python中的Logistic回归算法中,通过算法训练得到一个回归模型,回归模型为一个估计函数,估计函数对没有见过的数据给出一个新的估计;通过测试集对训练后的回归模型进行测试,测试回归模型的有效性。
分类模型的训练过程包括如下步骤:
3-2-1)采集故障场景和正常场景下1000条相电压电路数据;
3-2-2)每条数据对应于正常场景或故障场景,为每条数据对应的场景进行one-hot编码,即为每条数据创建一个标签来表明它发生于哪种场景下,正常场景:[1,0],故障场景:[0,1];
3-2-3)随机提取60%的相电压相电路数据作为训练集,其余40%的数据作为测试集;
3-2-4)将训练集的数据联合对应的标签,输入python中XGBoost算法中,通过算法训练得到一个分类模型。
4)模型转化:模型训练结束以后,转化成辨识终端指定C语言代码。
Claims (10)
1.一种用于电气故障辨识的大数据模拟系统,其特征在于:包括双电源控制开关、负荷装置、采集终端、控制器,电网与双电源控制开关的进线端连接,双电源控制开关出线端的N相电源线与A、B、C相电源线之间均并接多个负荷装置,所述采集终端采集各相电源线之间的电压电流及负荷装置的各种数据并传送到控制器,控制器连接负荷装置。
2.根据权利要求1所述的用于电气故障辨识的大数据模拟系统,其特征在于:还包括对地故障发生装置,对地故障发生装置包括遥控开关Ⅰ、触电箱、可调电阻,双电源控制开关出线端的A、B、C、N相电源线连接触电箱,A、B、C、N相电源线与触电箱之间均设有遥控开关Ⅰ和可调电阻,遥控开关Ⅰ连接控制器。
3.根据权利要求1所述的用于电气故障辨识的大数据模拟系统,其特征在于:所述双电源控制开关带有漏电保护器,所述双电源控制开关内部通过开关选择不同的电源进行供电,电源分为两种,一种为市电,正常供电电源,即电网直接与双电源控制开关进线端连接;另一种是电网通过监控装置与双电源控制开关进线端连接。
4.根据权利要求1所述的用于电气故障辨识的大数据模拟系统,其特征在于:所述负荷装置包括负载、指示灯、遥控开关Ⅱ,负载、指示灯、遥控开关Ⅱ依次串接后并接在A、B、C相电源线与N相电源线之间,遥控开关Ⅱ连接控制器。
5.根据权利要求4所述的用于电气故障辨识的大数据模拟系统,其特征在于:所述负载包括插座、电机。
6.根据权利要求1所述的用于电气故障辨识的大数据模拟系统,其特征在于:所述N相电源线与A、B、C相电源线之间还设有电弧发生装置。
7.根据权利要求1所述的用于电气故障辨识的大数据模拟系统,其特征在于:所述双电源控制开关进线端和出线端设有灯泡,通过灯泡的亮/灭来指示当前线路是否供电。
8.一种基于权利要求1-7中任一项所述的大数据模拟系统的用于电气故障辨识的大数据模拟方法,包括以下步骤:
1)数据采集:通过采集终端采集数据;
2)数据预处理:将采集数据的规格和格式进行统一化;
3)模型训练:建立回归模型和分类模型,并对回归模型和分类模型进行训练;
4)模型转化:模型训练结束以后,转化成辨识终端指定C语言代码。
9.根据权利要求8所述的用于电气故障辨识的大数据模拟方法,其特征在于,所述步骤1)中,采集的数据为暂态数据,暂态数据设定的采样频率为单个周波256个采样点。
10.根据权利要求8所述的用于电气故障辨识的大数据模拟方法,其特征在于,所述步骤3)中,回归模型的训练过程包括如下步骤:
3-1-1)采集故障场景和正常场景下1000条相电压电路数据;
3-1-2)每条数据对应于正常场景或故障场景,为每条数据对应的场景进行编码,即为每条数据创建一个标签来表明它发生于哪种场景下,正常场景:0,故障场景:1;
3-1-3)随机提取60%的相电压相电路数据作为训练集,其余40%的数据作为测试集;
3-1-4)将训练集的数据联合对应的标签,输入到python中的Logistic回归算法中,通过算法训练得到一个回归模型,回归模型为一个估计函数,估计函数对没有见过的数据给出一个新的估计;通过测试集对训练后的回归模型进行测试;
分类模型的训练过程包括如下步骤:
3-2-1)采集故障场景和正常场景下1000条相电压电路数据;
3-2-2)每条数据对应于正常场景或故障场景,为每条数据对应的场景进行one-hot编码,即为每条数据创建一个标签来表明它发生于哪种场景下,正常场景:[1,0],故障场景:[0,1];
3-2-3)随机提取60%的相电压相电路数据作为训练集,其余40%的数据作为测试集;
3-2-4)将训练集的数据联合对应的标签,输入python中XGBoost算法中,通过算法训练得到一个分类模型,通过测试集对训练后的分类模型进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116380.0A CN111222255A (zh) | 2020-02-25 | 2020-02-25 | 一种用于电气故障辨识的大数据模拟系统及模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116380.0A CN111222255A (zh) | 2020-02-25 | 2020-02-25 | 一种用于电气故障辨识的大数据模拟系统及模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222255A true CN111222255A (zh) | 2020-06-02 |
Family
ID=70826852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116380.0A Pending CN111222255A (zh) | 2020-02-25 | 2020-02-25 | 一种用于电气故障辨识的大数据模拟系统及模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222255A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093668A (zh) * | 2016-08-15 | 2016-11-09 | 国家电网公司 | 一种配电网故障模拟装置及方法 |
CN106251747A (zh) * | 2016-10-08 | 2016-12-21 | 国家电网公司 | 一种配电网模拟系统 |
CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN110376497A (zh) * | 2019-08-12 | 2019-10-25 | 国网四川电力服务有限公司 | 基于全相位深度学习的低压配电系统串联故障电弧识别法 |
CN110675714A (zh) * | 2019-10-18 | 2020-01-10 | 国网四川省电力公司南充供电公司 | 一种模拟配电系统低压漏电故障的查找培训平台及方法 |
-
2020
- 2020-02-25 CN CN202010116380.0A patent/CN111222255A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093668A (zh) * | 2016-08-15 | 2016-11-09 | 国家电网公司 | 一种配电网故障模拟装置及方法 |
CN106251747A (zh) * | 2016-10-08 | 2016-12-21 | 国家电网公司 | 一种配电网模拟系统 |
CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN110376497A (zh) * | 2019-08-12 | 2019-10-25 | 国网四川电力服务有限公司 | 基于全相位深度学习的低压配电系统串联故障电弧识别法 |
CN110675714A (zh) * | 2019-10-18 | 2020-01-10 | 国网四川省电力公司南充供电公司 | 一种模拟配电系统低压漏电故障的查找培训平台及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103105550B (zh) | 一种智能化继电保护装置检测方法及系统 | |
CN202230150U (zh) | 一种光纤供电的电力避雷器在线监测智能终端 | |
CN111694288B (zh) | 就地式馈线自动化功能闭环自动测试平台 | |
CN109697912B (zh) | 一种配电网运维实训系统 | |
CN108983006A (zh) | 就地型馈线自动化开关终端现场不停电全自动测试方法 | |
CN111711274B (zh) | 一种馈线终端的测试工装 | |
CN101895153A (zh) | 智能变电站计算机监控防误操作系统 | |
CN102508155B (zh) | 智能电能表内置负荷开关试验电路 | |
CN202057756U (zh) | 一种基于故障指示器的配网故障定位系统 | |
CN111222255A (zh) | 一种用于电气故障辨识的大数据模拟系统及模拟方法 | |
CN204287418U (zh) | 一种断路器开关状态检测装置 | |
CN105866592A (zh) | 动态无功补偿响应波形采集系统及采集方法 | |
CN210466822U (zh) | 一种全能型综合实训系统 | |
CN112213592A (zh) | 一种分布式终端双环网自愈转供检测系统及其方法 | |
CN111813824A (zh) | 一种10kV线路出线停电事件漏报自动检验方法及系统 | |
CN107132439B (zh) | 电力数据模拟显示电路 | |
CN115514092A (zh) | 一种实现低压配电故障快速分析处理的方法 | |
CN102608457B (zh) | 一种用于绝缘子污秽试验中的自动控制与智能分析系统及方法 | |
CN205786889U (zh) | 动态无功补偿响应波形采集系统 | |
CN115331497A (zh) | 一种配电网设备综合不停电施工模块化仿真培训模拟系统 | |
CN111813825B (zh) | 一种配变出口停电事件漏报自动检验方法及系统 | |
CN101763758B (zh) | 继电保护接线综合操作培训系统 | |
CN110401264B (zh) | 智能隔离断路器 | |
CN208094283U (zh) | 一种电压时间型保护的环网柜配电自动化终端 | |
CN203871923U (zh) | 智能变电站的全站智能终端模拟装置 |
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 |