CN112352165B - 用于监测断路器的方法以及使用该方法的装置和物联网 - Google Patents
用于监测断路器的方法以及使用该方法的装置和物联网 Download PDFInfo
- Publication number
- CN112352165B CN112352165B CN201880095123.4A CN201880095123A CN112352165B CN 112352165 B CN112352165 B CN 112352165B CN 201880095123 A CN201880095123 A CN 201880095123A CN 112352165 B CN112352165 B CN 112352165B
- Authority
- CN
- China
- Prior art keywords
- cluster
- circuit breaker
- signal
- condition
- clusters
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000002950 deficient Effects 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013107 unsupervised machine learning method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- 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)
- Arc-Extinguishing Devices That Are Switches (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
提供了用于监测断路器机群的状况的方法以及使用该方法的系统和物联网。该方法包括:(a)针对相应断路器在该相应断路器的操作期间测量至少一种类型的操作状况相关信号;(b)获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果;(c)基于相似度阈值来对特征数据集合执行聚类分析;以及(d)基于由步骤(c)得到的簇数目,来生成指示断路器机群的状况的信号。该方法不是将表示操作状况相关信号的测量结果的数据与基于CB的正常数据而构建的参考模型进行比较,而是对表示操作状况相关信号的相应测量结果的特征数据集合应用聚类分析,该方法无需参考“正常”数据库进行比较。
Description
技术领域
本发明涉及断路器领域,更具体地,涉及监测断路器机群的健康状况。
背景技术
断路器(CB)为变电站中最关键部件中的一个部件,其安全性和可靠性对整个电网至关重要。近年来,尤其是随着全球对数字产品的关注日益增加,智能断路器市场正在迅速增长。因此,市场需要一种智能断路器,该智能断路器能够在演变成实际故障之前,实时监测其缺陷和严重性,即,在实际故障发生之前监测其健康状况。
机器状况监测的目的是尽早检测故障,以避免进一步损坏机器。传统上讲,物理模型用于描述测量机器性能的传感器之间的关系。违反那些物理关系可能指示故障。然而,准确的物理模型通常难以获取。
使用物理模型的备选方案是使用基于机器学习技术的统计模型。近几十年来,这种途径获得了越来越多的关注。与假设已知传感器关系的物理模型相反,统计模型根据历史数据学习传感器之间的关系。统计模型的特点就是个很大的优势,因为相同的通用模型可以应用于不同的机器。专利公开CN 107 085 183 A中公开了一种基于非线性回归以对断路器的状况进行监测的机器学习算法。该算法的概念是基于CB自身的正常数据来构建CB的数据驱动模型,并且如果新出现的数据偏离参考模型,则它表示CB正在变得异常。为了能够将统计模型用于机器状况监测,必须基于带有状况印记的历史数据来训练模型。在基于分类的模型中,数据点印记可以是“正常”(表示良好数据)或“异常”(表示指示故障的数据)。
然而,该途径存在至少一个缺点。它必须基于处于“正常”状况和/或“异常”状况下的状况印记历史数据来训练算法模型。这会花费相对较长的时段来收集与机群中的新CB有关的那些种类的数据或一年期间偶尔触发的数据,这使得模型训练过程既费时又难处理。
发明内容
根据本发明的一个方面,提供了用于监测断路器机群的状况的方法,该方法包括以下步骤:(a)针对相应断路器在该相应断路器的操作期间测量至少一种类型的操作状况相关信号;(b)获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果;(c)基于相似度阈值来对特征数据集合执行聚类分析;以及(d)基于由步骤(c)产生的簇数目,来生成指示断路器机群的状况的信号。
根据本发明的另一方面,提供了用于监测断路器机群的状况的系统,该系统包括:至少一个传感器,该至少一个传感器被配置为针对相应断路器在该相应断路器的操作期间测量至少一种类型的操作状况相关信号;以及控制器,该控制器被配置为:获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果;基于相似度阈值来对特征数据集合执行聚类分析;以及基于由聚类分析的执行产生的簇数目,来生成指示断路器机群的状况的信号
根据本发明的另一方面,其提供了物联网,该物联网包括:断路器机群;用于监测断路器机群的状况的系统;以及服务器,该服务器被配置为接收指示断路器机群的状况的信号。
根据本发明的实施例不是将表示操作状况相关信号的测量结果的数据与基于CB的正常数据而构建的参考模型进行比较,而是对表示操作状况相关信号的相应测量结果的特征数据集合应用聚类分析。聚类分析或聚类是对对象集合进行分组使得同一组(被称为簇)中的对象彼此(在某种意义上)比其他组(簇)中的对象更相似的任务。聚类分析使用包括以下各项的算法中的一个算法:基于连接性的聚类、基于质心的聚类、基于分布的聚类、以及基于密度的聚类。通过利用无监督机器学习方法来通过将机群的数据与其邻居的数据进行比较来标识该机群中操作异常的CB,行为与邻居不同的CB可以被标识为缺陷CB。该方法无需参考“正常”数据库进行比较。
优选地,以下准则可适于监测断路器机群的状况,其中该信号被认为在簇数目大于一的情况下指示断路器机群的异常状况。优选地,信号对异常状况的指示包括:在表示断路器的操作状况相关信号的特征数据被分组在比其余簇中的至少一个簇具有更少数目的特征数据的簇中的情况下,将该断路器标识为异常。
优选地,至少一种类型的操作状况相关信号选自以下各项:断路器的行程曲线信号、断路器的振动信号、断路器的线圈电流信号、断路器的电动机电流信号、以及断路器的PD信号。
优选地,测量基本上同步执行。
优选地,对特征数据进行处理,以便移除该特征数据的没有显著地表示断路器的异常状况的分量。
优选地,相似度阈值根据断路器机群的历史简档计算并获得。
优选地,针对一些断路器中的每个断路器,生成指示正常状况水平的信号,这些断路器中的每个断路器的特征数据基于其与同一簇中的断路器中的其余断路器的相似度而被分组在簇中的其余簇中。这有助于评估新样本与正常簇的偏离程度。最简单的想法是计算被测试的特征数据与正常簇的中心之间的欧几里得距离。
附图说明
以下文本参考附图中图示的优选示例性实施例对本发明的主题进行更详细地描述,其中
图1图示了可以通过根据本发明的实施例的方法在线监测的机群的示例性断路器;
图2图示了施加在如图1所示的断路器的连杆机构上的力;
图3示出了根据本发明的实施例的用于监测CB机群的状况的系统;
图3A和图3B是机群中相应CB在断开操作和闭合操作中的行程曲线的图,其中x轴线指示时间并且y线轴图示行程;
图4A和图4B是机群中相应CB在断开操作和闭合操作中的振动信号曲线的图;
图5A和图5B是CB的行程曲线的特征分量在断开操作和闭合操作中的示例性轨迹的图;
图6A和图6B是CB的振动信号曲线的特征分量在断开操作和闭合操作中的示例性轨迹的图;
图7A示出了正常CB和缺陷CB的特征分量;
图7B示出了具有特征分量的最差情况的示例,其中正常样本的特征分量与缺陷样本的特征分量重叠;
图8A、图8B和图8C是示出了特征数据与簇的关系的不同场景的示例的图;
图9示出了被测试的特征数据与正常簇的中心之间的欧几里得距离的示例;
图10示出了根据本发明的实施例的图9的偏差到健康得分范围的映射;
图11示出了根据本发明的实施例的示例的正常样本的分布;以及
图12示出了根据本发明的一个实施例的方法的流程图。
具体实施方式
在以下描述中,出于解释而非限制的目的,对具体细节进行了阐述,诸如特定电路、电路部件、接口、技术等,以便提供对本发明的透彻理解。然而,对于本领域的技术人员而言,显而易见的是,可以在脱离这些具体细节的其他实施例中实践本发明。在其他实例中,省略了对公知方法和编程过程、设备和电路的详细描述,以免不必要细节使本发明的描述晦涩难懂。
虽然本发明易于获得各种修改和备选形式,但是附图中通过示例示出了本发明的特定实施例,并且本文中将对其进行详细描述。然而,应当理解,附图及其具体实施方式并非旨在将本发明限制为所公开的特定形式,而是相反,其意图是覆盖如所附权利要求书所定义的落入本发明精神和范围内的所有修改、等同物和备选物。注意,标题仅用于组织目的,并非意味着要用于限制或解释本说明书或权利要求。更进一步地,注意,在通篇本申请中,单词“可以”以准许意义(即,有可能、能够)而非强制意义(即,必须)使用。术语“包括”及其派生词意指“包括但不限于”。术语“连接”意指“直接连接或间接连接”,术语“耦合”意指“直接连接或间接连接”。
图1图示了可以通过根据本发明的实施例的方法在线监测的机群的示例性断路器。图1所示的断路器是真空断路器,该真空断路器包括围合在绝缘极1中的固定触点和可动触点(未示出)、以及用于致动可动触点的闭合动作和断开动作的致动机构2。致动机构2具有多个元件,该多个元件包括连杆机构和弹簧。连杆机构用于将驱动力从有源元件(例如,电动机或弹簧致动器)传递到可动触点。如图1所示,例如,连杆机构可以是四杆式连杆(four-bar linage),该四杆式连杆包括依次彼此枢转地连接的第一杠杆21、第二杠杆22、第三杠杆23。第一杠杆21连接到由有源元件驱动的驱动轴20,并且第三杠杆23可枢转地连接到断路器的底座上的固定点25。例如,固定点25可以是连杆机构的支点中的一个支点。推杆24的一端在与第三杠杆23和固定点25之间的枢轴点相距一定距离处枢转地连接到可动触点。推杆24的另一端连接到绝缘极中的可动触点。通过经由电动机26或弹簧驱动正在旋转的驱动轴20,可动触点可以通过来自第一杠杆21、第二杠杆22、第三杠杆23和推杆24的力传递而在极1中沿纵向方向上下移动,以便与固定触点接触或分离,从而闭合或断开电路。如图1所示的断路器可以包括磁性致动器装置(图1中未示出),该磁性致动器装置包括电磁线圈、用于向线圈供应线圈电流的供电器件、能够在线圈的影响下在磁性致动器内的第一极限位置与第二极限位置之间移动的用于确保断路器的门闭合的闩锁、以及用于对线圈进行励磁和去励磁的电子开关器件。
图2图示了施加在如图1所示的断路器的连杆机构上的力。在断路器的平衡闭合状态下,可动触点在来自连杆机构的力下与固定触点邻接。在这种情况下,固定触点可能在可动触点上施加反作用力F2(其还被称为接触力),该反作用力F2继而通过推杆24传导到第三杠杆23。一旦可动触点在断开时段中与固定触点分离,则可动触点、推杆24和第三杠杆23上的反作用力F2会急剧减小,甚至变为零。同样,在断路器的闭合时段期间,固定触点施加在可动触点上的反作用力F2会从零显着增加到相对较高的值。
断路器的操作状况相关信号包括以下类型中的至少一种:
a.CB的可动触点的行程曲线信号;
b.用于断开/闭合CB的可动触点的振动信号;
c.CB的断开/闭合线圈电流信号;
d.CB的电动机电流信号;以及
e.CB的PD信号。
可动触点的行程是指从可动触点开始移动直到其到达电弧触点按照设计相遇的位置为止的距离。该位置被称为“行程”,并且从完全闭合的位置而被测量。
可动触点的振动是指在从可动触点与固定触点之间的第一接触到建立的最终可靠接触(或反之亦然)的时段期间发生的一系列回弹。
断路器的断开/闭合线圈电流。如图1所示的断路器可以包括磁性致动器装置,该磁性致动器装置包括电磁线圈、用于向线圈供应线圈电流的供电器件、能够在线圈的影响下在电磁致动器内的第一极限位置与第二极限位置之间移动的用于确保断路器的门闭合的闩锁、以及用于对线圈进行励磁和去励磁的电子开关器件。
CB的电动机电流信号。图1的致动机构2具有多个元件,该多个元件包括连杆机构和弹簧。连杆机构用于将驱动力从有源元件(例如,电动机或弹簧致动器)传递到可动触点。电动机电流驱动电动机,该电动机继而为连杆机构提供驱动力。
CB的PD信号是指CB的局部放电,该局部放电可能发生在如固体绝缘材料的表面或内部之类的地方或处于电应力下的任何金属部中。局部放电(PD)为固态或流体电绝缘系统在高电压应力下的一小部分的局部介电击穿(DB),该局部DB不会桥接两个导体之间的空间。
具有缺陷的断路器仍可以操作,但最终会发展为故障。缺陷阶段发生在正常阶段与故障阶段之间。CB的缺陷产生那些操作状况相关信号的异常。因而,为了提高断路器的健康状态的诊断的可靠性和准确性,可以监测操作状况中的至少一种操作状况。本发明使用CB在其操作期间的那些操作状况相关参数来提供高灵敏度和高精度的异常诊断解决方案。此后,对使用操作状况相关参数中的一个操作状况相关参数(例如,CB的可动触点的行程曲线信号)的第一实施例进行描述,以用于解释本发明。作为一种备选方案,根据第二实施例,考虑用于断开/闭合CB的可动触点的振动信号,以用于监测CB机群的状况。本领域技术人员应当理解,操作状况相关参数中的任一个或多个操作状况相关参数可以用于诊断CB机群的健康状况。
图3示出了根据本发明的第一实施例的用于监测CB 320、330、340…、3x0机群的状况的系统310。该系统包括连接到机群中的CB320、330、340中的相应CB的至少一个传感器,诸如传感器321A、321B、331A、331B、341A、341B…、3x1A、3x1B。传感器可以为例如用于测量可动触点的行程的行程传感器321A、331A、341A…、3x1A,用于测量CB的可动触点的断开/闭合的振动信号的振动传感器321B、331B、341B…、3x1B、用于测量CB的断开/闭合线圈电流信号的电流传感器,用于测量CB的电动机电流信号的电流传感器,用于测量CB的PD信号的PD传感器,或测量CB或过程的操作状况相关信号的任何传感器。传感器测量因为它们以可预测方式相关而被选择的状况,这些状况反映了CB机群中的正常操作状况的存在与否。用于CB的传感器的数目视多少种操作状况相关参数类型用于诊断CB机群的健康状况而定。
传感器321A、321B、331A、331B、341A、341B…、3x1A、3x1B通过数据网络35连接到CB状况监测系统310中的数据接口318。控制器316从数据接口318接收传感器数据并且执行本发明的监测方法。控制器316连接到存储单元312,以用于存储计算机可读指令,该计算机可读指令当被执行时,执行监测方法。存储单元312还可以存储从传感器321A、321B、331A、331B、341A、341B…、3x1A、3x1B接收的数据。提供了用户接口314,用于将结果传达到用户并且从用户接收指令。例如,控制器316和存储单元312及其软件可以在云平台中实现,优选地,数据接口318和用户接口314也可以在云平台中实现。基于系统配置,可以实现物联网,该物联网包括断路器320、330、340…、3x0机群、系统310、以及服务器,该服务器被配置为接收指示断路器机群的状况的信号。
例如,在其中使用CB的可动触点的行程曲线信号的第一实施例中,行程传感器321A、331A、341A…、3x1A测量相应CB 320、330、340…、3x0的可动触点的行程,并且表示相应CB 320、330、340…、3x0在断开操作中的行程曲线的数据321C、331C、341C…、3x1C以及表示相应CB 320、330、340…、3x0在闭合操作中的行程曲线的数据321D、331D、341D…、3x1D被存储在存储单元312中。图3A和图3B是机群中的相应CB在断开操作和闭合操作中的行程曲线的图,其中x轴线指示时间并且y轴线说明行程。如图3A所示,在断开操作中,CB 320、330、340…、3x0的行程曲线由相应的附图标记321C、331C、341C…、3x1C指示。如图3B所示,在闭合操作中,CB 320、330、340…、3x0的行程曲线由相应的附图标记321D、331D、341D…、3x1D指示。
作为备选方案,在其中使用CB的可动触点的振动信号的第二实施例中,振动传感器321B、331B、341B…、3x1B测量相应CB 320、330、340…、3x0的可动触点在断开操作和闭合操作中的振动信号,并且表示相应CB 320、330、340…、3x0在断开操作中的振动曲线的数据321E、331E、341E…、3x1E和表示相应CB 320、330、340…3x0在闭合操作中的行程曲线的数据321F、331F、341F…、3x1F被存储在存储单元312中。图4A和图4B是机群中的相应CB在断开操作和闭合操作中的振动信号曲线图。如图4A所示,在断开操作中,CB 320、330、340…、3x0的振动曲线由相应附图标记321E、331E、341E…、3x1E指示。如图4B所示,在闭合操作中,CB320、330、340…、3x0的振动曲线由相应附图标记321F、331F、341F…、3x1F指示。
例如,根据第一实施例,可动触点为CB中的关键机构,并且编码器安装在CB 320、330、340…、3x0中的每个CB的可动触点轴上。通过CB 320、330、340…、3x0的每个操作,无论断开还是闭合,都可以使用编码器测量时域角度波形,该时域角度波形指示了可动触点在操作期间如何移动。该波形还被转换为可动触点的线性位移波形,即,行程曲线321C、331C、341C…、3x1C和行程曲线321D、331D、341D…、3x1D,如图3A和图3B所示,每个图描绘了CB320、330、340…、3x0的行程曲线的集合。显然,行程曲线波形不仅不一致,而且还相当分散且不确定。因此,难以通过对照标准行程曲线进行目视检查来告知行程曲线是否正常。
图5A和图5B是CB的行程曲线的特征分量在断开操作和闭合操作中的示例性轨迹的图。图5A和图5B的图包括指示时间的x轴线和说明行程的y轴线。优选地,CB行程曲线的低频分量包括以下各项中的至少一项:断路器的可动触点的断开/闭合速度、可动触点的总行程、断开/闭合的定时、可动触点的行程、以及可动触点的超行程(over travel)。在如由速度计算区定义的行程曲线上两点之间计算断路器的可动触点的断开/闭合速度。速度计算区为断路器类型特定默认设置的一部分,并且与用于离线定时的点匹配。可动触点的总行程是指从最小位置行进到最大位置的距离,因此它包括可动触点的超行程。断开/闭合的定时是指在如由速度计算区定义的行程曲线上两点之间计算的时间。可动触点的行程是指从可动触点开始移动直到其电弧触点按照设计相遇的位置为止的距离。该位置被称为“行程”,并且从完全闭合位置而被测量。操作周期涵盖断路器从闭合开始到断开或反之亦然的时段。
特别地,例如,所收集的行程曲线应当被参数化以降低数据维度。如图5A和图5B所示,对于在闭合操作中监测的行程曲线,在下表中提取特征数据,其中S1为行程曲线的最小值,S2为起点的值,S5为曲线终点的值,并且S6为最大值。在断开操作中测量行程曲线,除了与为闭合数据而提取的特征类似的5个特征之外,还标记了附加特征S7,如图5B中一样。对于某些类型的CB,在闭合行程曲线的末端可能会出现少许‘回弹’,并且某个缺陷可能会导致异常的回弹幅度。
分量 | 定义 |
特征分量1 | 闭合速度=(S4-S3)/(T4-T3) |
特征分量2 | 总冲程(stroke)=S6-S1 |
特征分量3 | 移动时间=T4-T3 |
特征分量4 | 接触冲程=S5-S2 |
特征分量5 | 超冲程=S6-S5 |
特征分量6 | S3=S2+(S3-S2)·5% |
特征分量7 | S3=S2+(S3-S2)·5% |
因此,在本实施例(第一实施例)中,对于断开操作中行程曲线321C、331C、341C…、3x1C中的每个行程曲线,控制器316可以获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果,数据321C、331C、341C…、3x1C表示断开操作中相应CB 320、330、340…、3x0的行程曲线。对于数据321C、331C、341C…、3x1C中的每个数据,可以获得特征数据集合,该特征数据集合涉及特征分量中的至少一个特征分量,即,断路器的可动触点的断开/闭合速度、可动触点的总行程、断开/闭合的定时、可动触点的行程、以及可动触点的超行程。另外,在本实施例(第一实施例)中,对于闭合操作中行程曲线321D、331D、341D…、3x1D中的每个行程曲线,控制器316可以获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果,数据321D、331D、341D…、3x1D表示闭合操作中相应CB 320、330、340…、3x0的行程曲线。对于数据321D、331D、341D…、3x1D中的每个数据,可以获得涉及特征分量中的至少一个特征分量的特征数据集合。
作为备选方案,可以根据第二实施例获得特征数据集合。振动传感器也广泛应用于CB监测。图6A和图6B是CB的振动信号曲线的特征分量在断开操作和闭合操作中的示例性轨迹的图。图6A和图6B的图包括指示时间的x轴线以及说明振动信号幅度的y轴线。如图6A和图6B所示,集体振动曲线的示例,在CB的断开和闭合操作期间存在一些脉冲,并且顺序和形状(峰值、阻尼)取决于机构移动和CB触点的影响,所以有益于检测机械缺陷。例如,可以使用表示CB的可动触点的振动的CB腔室的共振。通常,在处理之前对振动信号进行滤波,以便放大CB腔室的特点共振的幅度。图6A和图6B示出了小波db4所处理的断开操作波形和闭合操作波形,基于该断开操作波形和闭合操作波形,可以提取几何特征,如峰值-峰值、每个脉冲的出现时刻(每个脉冲可以由包络线分离)等。
因此,在本实施例(第二实施例)中,对于断开操作中振动曲线321E、331E、341E…、3x1E中的每个振动曲线,控制器316可以获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果,数据321E、331E、341E…、3x1E表示相应CB 320、330、340…、3x0在断开操作中的振动曲线。对于数据321E、331E、341E…、3x1E中的每个数据,可以获得特征数据集合,该特征数据集合涉及特征分量中的至少一个特征分量,该特征分量涉及每个脉冲的峰值-峰值和出现时刻。另外,在本实施例(第二实施例)中,对于闭合操作中振动曲线321F、331F、341F…、3x1F中的每个振动曲线,控制器316可以获得特征数据集合,该特征数据集合表示操作状况相关信号的相应测量结果,数据321F、331F、341F…、3x1F表示闭合操作中相应CB 320、330、340…、3x0的振动曲线。对于数据321F、331F、341F…、3x1F中的每个数据,可以获得特征数据集合,该特征数据集合涉及特征分量中的至少一个特征分量。
缺陷并非对特征数据的所有分量都敏感,并且不同特征数据分量其中的相关性可能很强但未知,这提供了很少的信息,但不必要地增加了数据大小。这可能导致训练数据稀疏并且易受噪声影响。因此,优选缩减特征数据维度。而且,该步骤还改善了数据的可视性。维度缩减可以基于领域知识或数字方法(如PCA(原理成分分析))来完成。以行程曲线为例。基于ABB VD4断路器的实验数据,我们发现特征分量4对缺陷发生非常敏感。如图7A所示,与其他特征分量相比,正常断路器和缺陷断路器可以通过该分量更清楚地区分。如图7B所示,该图给出了特征分量5的最差情况的示例,其中正常样本的特征与缺陷样本的特征重叠。
根据本发明的实施例不是将表示操作状况相关信号的测量结果的数据与基于CB的正常数据而构建的参考模型进行比较,而是对表示操作状况相关信号的相应测量结果的特征数据集合应用聚类分析。聚类分析或聚类是将对象集合进行分组使得同一组(被称为簇)中的对象彼此(在某种意义上)比其他组(簇)中的对象更相似的任务。聚类分析使用包括以下各项的算法中的一个算法:基于连接性的聚类、基于质心的聚类、基于分布的聚类、以及基于密度的聚类。通过利用无监督机器学习方法来通过将机群的数据与其邻居的数据进行比较来标识该机群中操作异常的CB,行为与邻居不同的CB可以被标识为缺陷CB。该方法无需参考“正常”数据库进行比较。
根据本发明的实施例,控制器316基于相似度阈值来对特征数据集合执行聚类分析,以便使用无监督机器学习方法来标识正常簇(大多数邻居)和离群值(远离正常簇的异常点)。存在用于检测所谓的“离群值”的许多数据挖掘方法,其包括参数化方法和数据驱动方法。
例如,在根据第一实施例的“行程曲线”情况下,行程曲线的特征数据高度满足“高斯分布”,并且该特征数据与操作点、温度等的相关性很小。因此,我们使用这种参数化方法对正常簇进行建模。假设维度缩减之后的样本为:
{x(1),x(2),...x(m)}
其中m为样本数目,x处于n维。
参数均值以及协方差矩阵通过最大似然法来获得:
可能结果中的一些可能结果在图8A、图8B和图8C中以图形方式示出。基于本发明的聚类途径,控制器316基于由执行聚类分析得到的簇数目来自生成指示CB 320、330、340…、3x0机群的状况的信号。
例如,如图8A所示,从表示相应CB 320、330、340…、3x0在断开操作中的行程曲线的数据321C、331C、341C…、3x1C或表示相应CB 320、330、340…、3x0在闭合操作中的行程曲线的数据321D、331D、341D…、3x1D提取的所有特征数据被归类为属于一个簇,由此可以导出机群中没有CB的行为与其邻居不同,然后控制器316生成信号,该信号指示其中没有CB异常的断路器机群的状况。例如,特征数据FD1、FD2、FD3…、FDm的集合包括m个单独特征数据,在断开/闭合操作实例中,m个单独特征数据中的每个特征数据与特定CB的操作状况相关联。因此,当特定CB在一个以上的断开操作实例中执行时(例如,它断开两次),将提取两个单独特征数据,这两个单独特征数据分别表示涉及两个断开操作实例的行程曲线。类似描述也适用于与涉及闭合操作实例的行程曲线相关联的特征数据。
图8B示出了例如在断开操作实例中涉及CB 331的数据331C的特征数据被归类为与涉及其余CB的特征数据321C、341C、351C…、3x1C所属的其他簇II不同的簇I,然后控制器316生成指示CB 331的状况异常的信号。
图8C示出了更多个特征数据(例如在断开操作实例中涉及CB331、341的数据331C、341C的两个特征数据)被归类为与涉及其余CB的特征数据321C、351C、361C…、3x1C所属的另一簇II不同的簇I,然后控制器316生成指示CB 331、341的状况异常的信号。总而言之,在簇数目大于一的情况下,该信号指示断路器机群的异常状况。
优选地,信号对异常状态的指示包括:在表示断路器的操作状况相关信号的特征数据被分组在比其余簇中的至少一个簇具有更少数目的特征数据的簇中的情况下,将断路器标识为异常。例如,如图8B所示,簇I中的CB 331被识别为异常,其中属于簇I的特征数据集合的数目“1”小于属于簇II的特征数据集合的数目“x-1”。可替代地,如图8C所示,簇I中的CB 331、341被识别为异常,其中属于簇I的特征数据集合的数目“2”小于属于簇II的特征数据集合的数目“x-2”。
优选地,测量结果由至少一个传感器基本上同步执行。
优选地,存储单元被配置为存储断路器机群的历史简档。并且,控制器还被配置为根据断路器机群的历史简档计算并获得相似度阈值。
优选地,控制器还被配置为针对一些断路器中的每个断路器,生成指示正常状况水平的信号,这些断路器中的每个断路器的特征数据基于其与同一簇中的断路器中的其余断路器的相似度而被分组在簇中的其余簇中。它用于评估新样本与正常簇的偏离程度。最简单的想法是计算被测试的特征数据与正常簇的中心之间的欧几里得距离。然而,维度缩减之后的3个分量之间仍然存在相关性,即,样本沿着数据空间中不同轴线的分布不均匀。参见图9,尽管样本A和B与中心相距的欧几里得距离相同,但是样本B明显比A更加异常,这是因为B附近存在的样本少得多,这意味着B更为稀少。
因此,我们提出使用马氏距离(Mahalanobis distance)(M距离)来表示偏差。然后,样本x与正常簇的中心之间的距离如下:
通过该定义,可以证明具有相同概率的样本均等偏离中心。马氏距离考虑了大多数正常簇的相关性和统计行为,并且与异常水平严格成比例。通过定义,在图9中,根据预期,样本B比A偏离中心要远。A的M距离为5,并且B的M距离为18。
最后,偏差应当映射到范围为0到100分的健康得分。这里,映射函数以分段方式定义,参见图10。在实验中,我们发现正常样本的M距离不高于25,而缺陷样本的M距离至少为100,参见图11中的正常样本的分布。按理来讲,在图10中,阈值D1被设置为50,并且D2被设置为200。这三条曲线分别表示正常区、过渡区和异常区。请注意,普通CB的得分不低于90。
该解决方案已通过实验数据验证。收集2000份正常样本和1100份缺陷样本以测试健康评估方法。图11示出了以下结果:正常样本的M距离显然比缺陷样本更靠近,并且得分不低于90。一些缺陷样本进入过渡区,并且其得分减小到60以下。大多数缺陷样本处于缺陷区。
图12示出了根据本发明的一个实施例的方法的流程图700。首先,我们聚集某种类型的传感器所收集的CB机群的若干个原始数据样本。信号类型可以为行程曲线、振动信号、电动机电流、线圈电流、以及PD等。然后,我们提取特点特征来表示复杂原始数据。在归一化之后,我们进行维度缩减,将数据的维度缩减到较低维度,通常为3。接下来,为了构建预测模型,我们使用数据挖掘或机器学习技术(例如,Kmeans、高斯分布、或离群值检测器等)将特征样本的正常簇与其余特征样本分离,基于此,我们计算每个样本与正常簇之间的偏差。最后,偏差被映射为得分,以指示CB的健康状态。
尽管已经基于一些优选实施例对本发明进行了描述,但是本领域技术人员应当领会,这些实施例决不应限制本发明的范围。在没有背离本发明的精神和概念的情况下,对实施例的任何变化和修改都应在本领域普通技术人员的理解范围内,因此落入所附权利要求所限定的本发明的范围内。
Claims (13)
1.一种监测断路器机群的状况的方法,包括:
(a)针对相应的断路器在相应的所述断路器的操作期间测量至少一种类型的操作状况相关信号;
(b)获得特征数据集合,所述特征数据集合表示操作状况相关信号的相应测量结果;
(c)基于相似度阈值来对所述特征数据集合执行聚类分析;以及
(d)基于从步骤(c)得到的簇数目,来生成指示所述断路器机群的状况的信号,
其中在步骤(a)中,所述测量基本上同步执行,
其中在步骤(d)中,在所述簇数目大于一的情况下,所述信号指示所述断路器机群的异常状况,并且
其中在步骤(d)中,所述信号对所述异常状况的指示包括:在表示所述断路器的操作状况相关信号的所述特征数据被分组在比所述簇中的其余簇中的至少一个簇具有更少数目的特征数据的簇中的情况下,将所述断路器标识为异常。
2.根据权利要求1所述的方法,其中:
所述至少一种类型的操作状况相关信号选自:所述断路器的行程曲线信号、振动信号、线圈电流信号、电动机电流信号以及PD信号。
3.根据权利要求1或2所述的方法,其中:
所述聚类分析使用包括以下各项的算法中的一个算法:基于连接性的聚类、基于质心的聚类、基于分布的聚类以及基于密度的聚类。
4.根据权利要求1或2所述的方法,其中:
步骤(b)还包括:对所述特征数据进行处理,以移除所述特征数据的、没有显著地表示所述断路器的所述异常状况的分量。
5.根据权利要求1或2所述的方法,还包括:
(e)根据所述断路器机群的历史简档计算并获得所述相似度阈值。
6.根据权利要求1或2所述的方法,还包括:
(f)针对一些断路器中的每个断路器,生成指示正常状况水平的信号,所述一些断路器中的每个断路器的特征数据基于其与同一簇中的断路器中的其余断路器的相似度而被分组在所述簇中的所述其余簇中。
7.一种监测断路器机群的状况的系统,包括:
至少一个传感器,被配置为针对相应的断路器在相应的所述断路器的操作期间测量至少一种类型的操作状况相关信号;以及
控制器,被配置为:
获得特征数据集合,所述特征数据集合表示操作状况相关信号的相应测量结果,其中所述测量由所述至少一个传感器基本上同步执行;
基于相似度阈值来对所述特征数据集合执行聚类分析;以及
基于从所述聚类分析的执行得到的簇数目,来生成指示所述断路器机群的状况的信号,
其中在所述簇数目大于一的情况下,所述信号指示所述断路器机群的异常状况,并且
其中所述信号对所述异常状况的指示包括:在表示所述断路器的操作状况相关信号的所述特征数据被分组在比所述簇中的其余簇中的至少一个簇具有更少数目的特征数据的簇的情况下,将所述断路器标识为异常。
8.根据权利要求7所述的系统,其中:
所述至少一种类型的操作状况相关信号选自:所述断路器的行程曲线信号、振动信号、线圈电流信号、电动机电流信号以及PD信号。
9.根据权利要求7所述的系统,其中:
所述聚类分析使用包括以下各项的算法中的一个算法:基于连接性的聚类、基于质心的聚类、基于分布的聚类以及基于密度的聚类。
10.根据权利要求7所述的系统,其中:
所述控制器还对所述特征数据进行处理,以移除所述特征数据的、没有显著地表示所述断路器的所述异常状况的分量。
11.根据权利要求7所述的系统,还包括:
存储单元,被配置为存储所述断路器机群的历史简档;
其中:
所述控制器还被配置为根据所述断路器机群的历史简档计算并获得所述相似度阈值。
12.根据权利要求7所述的系统,其中:
所述控制器还被配置为:针对一些断路器中的每个断路器,生成指示正常状况水平的信号,所述一些断路器中的每个断路器的特征数据基于其与同一簇中的断路器中的其余断路器的相似度而被分组在所述簇中的所述其余簇中。
13.一种物联网,包括:
断路器机群;
根据权利要求7至12中任一项所述的系统;以及
服务器,被配置为接收指示所述断路器机群的状况的所述信号。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/099534 WO2020029155A1 (en) | 2018-08-09 | 2018-08-09 | Method for monitoring circuit breaker and apparaus and internet of things using the same |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112352165A CN112352165A (zh) | 2021-02-09 |
CN112352165B true CN112352165B (zh) | 2024-03-26 |
Family
ID=69413663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880095123.4A Active CN112352165B (zh) | 2018-08-09 | 2018-08-09 | 用于监测断路器的方法以及使用该方法的装置和物联网 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11867763B2 (zh) |
EP (1) | EP3833992B1 (zh) |
CN (1) | CN112352165B (zh) |
WO (1) | WO2020029155A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020110534A1 (de) | 2020-04-17 | 2021-10-21 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Verfahren, Computerprogramm und Vorrichtung zur Überprüfung eines induktiven Bauteils |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4980844A (en) * | 1988-05-27 | 1990-12-25 | Victor Demjanenko | Method and apparatus for diagnosing the state of a machine |
US7275018B2 (en) * | 2006-02-10 | 2007-09-25 | Alstom Technology Ltd. | Method of condition monitoring |
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 |
CN103487749A (zh) * | 2013-09-18 | 2014-01-01 | 国家电网公司 | 高压断路器机械状态在线监测诊断系统及方法 |
CN104713714A (zh) * | 2015-02-09 | 2015-06-17 | 云南电网有限责任公司电力科学研究院 | 一种基于网格多密度聚类的高压断路器动作特性分析方法 |
CN106093771A (zh) * | 2016-08-16 | 2016-11-09 | 国网天津市电力公司 | 一种断路器分合闸线圈电流信号识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251151A (en) * | 1988-05-27 | 1993-10-05 | Research Foundation Of State Univ. Of N.Y. | Method and apparatus for diagnosing the state of a machine |
US8898525B2 (en) * | 2012-04-17 | 2014-11-25 | General Electric Company | Method and system for use in condition monitoring |
US9360908B2 (en) * | 2012-12-12 | 2016-06-07 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Sequential power up of devices in a computing cluster based on device function |
CN103064019A (zh) * | 2013-01-04 | 2013-04-24 | 河海大学常州校区 | 基于灰色关联模糊聚类的高压断路器故障诊断方法 |
CN104281899A (zh) * | 2013-07-03 | 2015-01-14 | 云南电力调度控制中心 | 一种新的基于信息融合的故障诊断方法 |
US20160358722A1 (en) * | 2015-02-05 | 2016-12-08 | Ramasamy Lakshmanan | Intelligent wireless and wired control of devices |
US20170047184A1 (en) * | 2015-08-13 | 2017-02-16 | Eaton Corporation | Electromechanical device for prognostic and diagnostic health assessment of a power circuit breaker's power transmission and distribution system in real time |
EP3273459A1 (de) * | 2016-07-22 | 2018-01-24 | Siemens Aktiengesellschaft | Einrichtung und verfahren zur überwachung einer unterbrechungseinheit in einem elektrischen energieversorgungsnetz sowie verteilerstation mit einer überwachten unterbrechungseinheit |
CN107085183A (zh) | 2017-04-27 | 2017-08-22 | 中国南方电网有限责任公司 | 一种基于小波包变换与正态分布规律的断路器异常判别方法 |
CN107525993A (zh) * | 2017-06-30 | 2017-12-29 | 昆明理工大学 | 一种基于层次聚类算法的单永故障判别方法 |
CN107358366B (zh) * | 2017-07-20 | 2020-11-06 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及系统 |
-
2018
- 2018-08-09 WO PCT/CN2018/099534 patent/WO2020029155A1/en unknown
- 2018-08-09 CN CN201880095123.4A patent/CN112352165B/zh active Active
- 2018-08-09 EP EP18929030.7A patent/EP3833992B1/en active Active
-
2020
- 2020-12-29 US US17/136,116 patent/US11867763B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4980844A (en) * | 1988-05-27 | 1990-12-25 | Victor Demjanenko | Method and apparatus for diagnosing the state of a machine |
US7275018B2 (en) * | 2006-02-10 | 2007-09-25 | Alstom Technology Ltd. | Method of condition monitoring |
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 |
CN103487749A (zh) * | 2013-09-18 | 2014-01-01 | 国家电网公司 | 高压断路器机械状态在线监测诊断系统及方法 |
CN104713714A (zh) * | 2015-02-09 | 2015-06-17 | 云南电网有限责任公司电力科学研究院 | 一种基于网格多密度聚类的高压断路器动作特性分析方法 |
CN106093771A (zh) * | 2016-08-16 | 2016-11-09 | 国网天津市电力公司 | 一种断路器分合闸线圈电流信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3833992A1 (en) | 2021-06-16 |
US20210116504A1 (en) | 2021-04-22 |
CN112352165A (zh) | 2021-02-09 |
US11867763B2 (en) | 2024-01-09 |
EP3833992A4 (en) | 2022-03-23 |
EP3833992B1 (en) | 2024-01-24 |
WO2020029155A1 (en) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200032B (zh) | 一种基于注意力机制的高压断路器机械状态在线监测方法 | |
CN110780191B (zh) | 基于多传感器的断路器机械特性在线监测方法及装置 | |
EP2905665A2 (en) | Information processing apparatus, diagnosis method, and program | |
CN113934982B (zh) | 基于振-电信号融合的断路器操作机构机械寿命预测方法 | |
Arabaci et al. | A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines | |
US11656279B2 (en) | Method for monitoring circuit breaker and apparatus and internet of things using the same | |
CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN112016238A (zh) | 基础继电器失效预测技术 | |
KR20220062547A (ko) | 센서 애그나스틱 기계적 기계 결함 식별 | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN112352165B (zh) | 用于监测断路器的方法以及使用该方法的装置和物联网 | |
van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
US20190348243A1 (en) | Method for monitoring circuit breaker and apparatus and internet of things using the same | |
CN111474476B (zh) | 一种电机故障预测方法 | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 | |
Arabacı et al. | Detection of induction motor broken rotor bar faults under no load condition by using support vector machines | |
Obarcanin et al. | Condition Assessment of Power Circuit Breakers Based on Machine Learning Algorithms | |
Eklund | Using synthetic data to train an accurate real-world fault detection system | |
Cordoni et al. | A deep learning unsupervised approach for fault diagnosis of household appliances | |
Fahimi et al. | Feature set evaluation and fusion for motor fault diagnosis | |
CN117192371B (zh) | 一种新能源汽车电机驱动器的测试方法及系统 | |
Li et al. | Health status centered mechanical feature extraction for high voltage circuit breakers | |
CN112906472A (zh) | 基于自助抽样法的断路器缺陷辨识方法 |
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 |