CN112698194A - 一种断路器操作机构状态综合评估方法及系统 - Google Patents
一种断路器操作机构状态综合评估方法及系统 Download PDFInfo
- Publication number
- CN112698194A CN112698194A CN202011435966.XA CN202011435966A CN112698194A CN 112698194 A CN112698194 A CN 112698194A CN 202011435966 A CN202011435966 A CN 202011435966A CN 112698194 A CN112698194 A CN 112698194A
- Authority
- CN
- China
- Prior art keywords
- operating mechanism
- circuit breaker
- stage
- state
- evaluation
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 77
- 238000011156 evaluation Methods 0.000 title claims abstract description 61
- 238000012706 support-vector machine Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明提供一种断路器操作机构状态综合评估方法及系统,评估方法包括:提取线圈电流特性特征量,建立BP神经网络模型,通过BP神经网络模型对线圈电流特性特征量进行分类,实现基于BP神经网络的高压断路器操作机构状态评估;提取触头行程‑时间特性特征量,利用PSO优化的SVM算法对触头行程‑时间特性特征量进行分类,实现基于SVM算法的高压断路器操作机构状态评估;综合分析两种评估结果,实现高压断路器操作机构状态的综合评估。本发明同时提供一种实现上述方法的评估系统。本发明能够实现对断路器操作机构机械状态的全面、综合、准确地评估。
Description
技术领域
本发明属于断路器领域,具体涉及一种断路器操作机构状态综合评估方法及系统。
背景技术
高压断路器作为保护和控制电网安全运行的重要基础设备,其安全可靠运行直接影响着电力系统的安全稳定性,操作机构作为高压断路器最重要也是故障率最高的机械结构,对其机械状态需要准确掌握,制定合理的检修计划,减少计划停电时间与事故停电时间,节省检修所需成本,使操作机构的故障与缺陷能够及时发现、及时排除。
发明内容
本发明的目的在于针对上述现有技术中断路器操作机构机械状态评估不够全面和准确的问题,提供一种断路器操作机构状态综合评估方法及系统,实现断路器操作机构机械状态的综合评估,使得高压断路器能够及时发现缺陷与故障,提高检修计划安排的合理性。
为了实现上述目的,本发明有如下的技术方案:
一种断路器操作机构状态综合评估方法,包括以下步骤:
提取线圈电流特性特征量,建立BP神经网络模型,通过BP神经网络模型对线圈电流特性特征量进行分类,实现基于BP神经网络的高压断路器操作机构状态评估;
提取触头行程-时间特性特征量,利用PSO优化的SVM算法对触头行程-时间特性特征量进行分类,实现基于SVM算法的高压断路器操作机构状态评估;
综合分析两种评估结果,实现高压断路器操作机构状态的综合评估。
优选的,提取线圈电流特性特征量时,对于典型线圈电流曲线分为以下四个阶段进行分析:
阶段1(t0~t1):电流按指数规律上升,此阶段反映电磁系统的运行性能;若阶段1持续时间超过阈值,判断是否出现线圈电压过低或者铁芯空行程太大;如果阶段1持续时间超过阈值且伴随峰值电流i1增大,则判断是否出现铁芯卡涩;
阶段2(t1~t2):电磁铁动作,电流逐渐下降;根据此阶段电流波形变化情况分析是否出现以下故障,包括铁芯是否存在卡涩、撞杆是否变形及脱口是否失灵;
阶段3(t2~t4):电磁铁动作到位,电流呈指数规律增加;根据此阶段的电流波形判断触发器或者机构本体方面是否出现故障;
阶段5(t4~t5):电流切断阶段,随着辅助开关的动作,电流逐渐减小为零;根据此阶段的电流波形判断辅助开关的状态。
优选的,提取触头行程-时间特性特征量时,对于典型触头行程-时间曲线分为以下三个阶段进行分析:
阶段Ⅰ(t′0~t′1):在t′0时刻断路器接到了分合闸操作的信号,在t′0~t′1阶段是电磁铁芯在运动,t′1时刻动触头开始动作;阶段Ⅰ是高压断路器操作机构动触头的固有动作时间,影响固有时间的因素包括分合闸线圈所加电压、分合闸线圈回路电阻以及锁扣装置阻力;
阶段Ⅱ(t′1~t′2):t′2为触头刚分或刚合时刻,这一阶段是动触头平稳运动的阶段,此阶段能够对动触头的运动速度进行反映,影响该阶段的因素包括储能弹簧的储能和动触头在运动过程中是否存在卡涩,如机构存在卡涩,则曲线不平滑、存在拐点;
阶段Ⅲ(t′2~t′3):在t′3时刻,断路器完成了分合闸动作,动触头已经停止;此阶段能够反映动触头速度情况,如动触头速度过大,则会产生许多波动。
优选的,使用求波形极值点法求得动触头固有动作时间t′1;由触头速度-时间曲线得到分闸最大速度Vmf、合闸最大速度Vmh、分闸平均速度Vfp、合闸平均速度Vhp以及触头行程-时间曲线上拐点的个数。
优选的,BP神经网络模型输入层、隐含层、输出层节点数的确定方式如下:
输入层节点数的选择根据输入特征向量来决定,包括线圈电流曲线时间量和电流量;
输出层节点数的选择根据操作机构的状态类型决定,包括正常、线圈电压降低、线圈回路电阻增大、铁芯卡涩、初始气隙增大、复位弹簧疲软六类;
优选的,利用PSO优化SVM算法的方法如下:
选择径向基核函数RBF作为SVM算法的核函数,确定基于RBF核函数的SVM算法的两个参数:P和σ,P表示对数据样本错误分类的容忍度,P值越大,表示越不允许出现错误分类,σ2是RBF核函数中的参数,决定着原始数据样本被映射到高维特征空间后的分布情况;经过PSO对SVM算法的两个参数寻优,得到两个参数的最优值。
本发明同时提供一种断路器操作机构状态综合评估系统,包括:
线圈电流特性特征量提取与评估模块,建立BP神经网络模型,通过BP神经网络模型对线圈电流特性特征量进行分类,实现基于BP神经网络的高压断路器操作机构状态评估;
触头行程-时间特性特征量提取与评估模块,利用PSO优化的SVM算法对触头行程-时间特性特征量进行分类,实现基于SVM算法的高压断路器操作机构状态评估;
评估结果综合分析模块,综合分析基于BP神经网络的高压断路器操作机构状态评估结果与基于SVM算法的高压断路器操作机构状态评估结果,实现综合评估。
相较于现有技术,本发明具有如下的有益效果:利用线圈电流与触头行程-时间特性两种诊断特性对断路器操作机构机械状态进行评估,使状态评估结果更为准确和全面。通过BP神经网络对线圈电流特性特征量进行分类,通过PSO优化后的SVM对触头行程-时间特性特征量进行分类,最终通过对两种分类评估结果进行综合分析,实现了断路器操作机构机械状态的综合评估,解决了单一诊断特性只能反映操作机构部分机械状态的问题,本发明对于高压断路器及时发现缺陷与故障、合理安排检修计划具有重要指导意义。
附图说明
图1为典型线圈电流特性波形图;
图2为典型的触头行程-时间曲线图:(a)分闸状态;(b)合闸状态;
图3为BP神经网络结构图;
图4为Bp神经网络算法流程图;
图5为粒子群算法的流程图;
图6为PSO算法适应度变化图;
图7为高压断路器操作机构状态评估流程图;
图8为BP神经网络训练结果图;
图9为SVM算法分类结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明提出了一种基于线圈电流与触头行程时间特性能准确全面评估断路器操作机构运行状态的方法,该方法主要包括以下步骤:
第一步、提取线圈电流特征量;
分合闸线圈电流特性能反映操作机构电磁系统、控制回路、辅助开关部分工作状态,如图1所示,为典型线圈电流曲线,其可分为以下四个阶段。
阶段1(t0~t1):电流按指数规律上升。
此阶段可以反映电磁系统的运行性能。若阶段1持续时间过长,可能是线圈电压过低、铁芯空行程太大等;如果阶段1持续时间长且伴随峰值电流i1增大,则可能是铁芯卡涩。
阶段2(t1~t2):电磁铁动作,电流逐渐下降。根据此阶段电流波形变化情况可分析铁芯是否存在卡涩、撞杆是否变形及脱口失灵等故障。
阶段3(t2~t4):电磁铁动作到位,电流呈指数规律增加。此阶段的电流波形可以反映触发器或者机构本体方面的故障。
阶段5(t4~t5):电流切断阶段,随着辅助开关的动作,电流逐渐减小为零。此阶段的电流波形可反映辅助开关的状态。
第二步、提取触头行程时间特性特征量;
参见图2(a),图2(b),典型的高压断路器操作机构触头行程-时间曲线分为3个阶段:
(1)阶段Ⅰ(t′0~t′1):在t′0时刻断路器接到了分合闸操作的信号,在t′0~t′1阶段是电磁铁芯在运动,t′1时刻动触头开始动作。阶段Ⅰ是高压断路器操作机构动触头的固有动作时间,影响固有时间的有分合闸线圈所加电压、分合闸线圈回路电阻以及锁扣装置阻力等。
(2)阶段Ⅱ(t′1~t′2):t′2为触头刚分或刚合时刻,这一阶段是动触头平稳运动的阶段,此阶段能够对动触头的运动速度进行反映。影响该阶段的主要有储能弹簧的储能和动触头在运动过程中是否存在卡涩,如机构存在卡涩,则曲线不平滑、存在拐点。
(3)阶段Ⅲ(t′2~t′3):在t′3时刻,断路器完成了分合闸动作,动触头已经停止。此阶段能够反映动触头速度情况,如动触头速度过大,则会产生许多波动。
使用求波形极值点法,求得动触头固有动作时间t′1;对触头速度-时间曲线进行相应的处理,得到分闸最大速度Vmf、合闸最大速度Vmh、分闸平均速度Vfp、合闸平均速度Vhp以及触头行程-时间曲线上拐点的个数。
第三步、基于BP神经网络与线圈电流的高压断路器操作机构状态评估;
如图3所示,一个典型的3层BP神经网络模型能实现对任意非线性函数的逼近。
Bp神经网络算法流程如图4所示,首先设置初始系数,然后给定输入/输出样本对,计算隐含层单元的输出,再计算输出层的输出,最后计算输出层单元的误差,判断误差是否满足要求,如果满足要求就结束,如果不满足要求则计算隐含层单元误差,求误差梯度,再进行权值调整,之后重新返回计算隐含层单元的输出,直至输出层单元的误差满足要求。
输入层、隐含层、输出层节点数的确定:
在断路器操作机构故障诊断中,输入层节点数的选择主要根据输入特征向量来决定的,本模型选择线圈电流曲线时间量t1、t2、t3、t4和电流量i1、i2、i3、i4作为输入特征向量。故输入层节点数确定为8个。
输出层节点数的选择主要根据操作机构的状态类型来决定。本发明实施例中操作机构状态类型分为正常、线圈电压降低/线圈回路电阻增大、铁芯卡涩、初始气隙增大、复位弹簧疲软6类。因此,该网络输出层的节点数确定为6个。
隐含层节点数通常根据经验公式(1)来确定。
其中,h为隐含层节点数,a为输入层节点数,b为输出层节点数,c为1~10之间的调节常数。经过多次试验,最终选定隐含层节点数为12个。
第四步、基于PSO-SVM和触头行程-时间曲线的操作机构状态评估;
PSO算法的流程如图5所示,首先进行粒子群位置和速度初始化,然后计算粒子的适应度值,再计算个体历史最优位置,之后计算种群历史最优位置和种群最优适应度值,更新粒子的速度和位置,判断是否满足终止条件,若是就终止,否则返回重新计算粒子的适应度值。
本发明选择径向基核函数RBF作为SVM算法的核函数,因为它能够将测试样本数据映射到任意维度的高维特征空间,且在数据样本较少时,可以对样本进行准确分类。而基于RBF 核函数的SVM算法需要确定两个参数:P和σ,P表示对数据样本错误分类的容忍度,P值越大,表示越不允许出现错误分类,σ2是RBF核函数中的参数,决定着原始数据样本被映射到高维特征空间后的分布情况。
PSO算法相关参数设置如下:种群粒子个数为50,最大迭代次数设置为100次,学习因子c1=1.5、c2=1.7,惩罚因子P∈[0,1000],核参数σ∈[0,10],惯性权值ω=1。
经过PSO对SVM算法的两个参数寻优后,得到了两个参数的最优值分别为:
P=12.592,σ2=0.017。
图6为PSO算法进行参数寻优时的适应度变化曲线图,从图中可以看出:群体的最佳适应度达到了100%,说明该模型具有很好的适应性,能够对所给数据进行很好的故障识别。
最后利用PSO优化的SVM算法对高压断路器操作机构进行状态评估,流程如图7所示,首先对触头行程-时间曲线数据进行小波去噪和中值滤波,然后基于求波形极值点进行特征量提取,最后基于PSO优化的SVM算法进行高压断路器操作机构状态评估,获得评估结果。
第五步、将同一台断路器操作机构的线圈电流特性与触头行程-时间特性经过上述步骤的状态评估后的结果进行综合分析,得到断路器操作机构状态的综合评估结果。
实施例
对252kV电压等级的高压断路器操作机构的线圈电流曲线畸形监测,选取了“A—正常”、“B—线圈电压降低/线圈回路电阻增大”、“C—铁芯运动前卡涩”、“D—铁芯运动过程中卡涩”、“E—初始气隙增大”、“F—复位弹簧疲软”6种类型的断路器操作机构状态样本数据各15组,从各状态类型样本数据中选取10组作为训练样本,5组作为测试样本,如表1所示。
运用BP神经网络进行训练,训练结果如图8所示。
表1
对252kV电压等级的高压断路器操作机构的触头-行程时间信号进行监测,获得了25组数据,表2为提取的触头行程-时间曲线的特征量及其状态分类,其中,“拐点个数”表示整条行程曲线上的拐点个数。“状态”这列的“1”表示正常情况,“2”表示分合闸固有时间增加;“3”表示传动机构存在卡涩;“4”表示动触头运动速度过大。
使用PSO算法对SVM的参数进行了寻优,得到了P,σ的最优值,该实施例中使用SVM算法对表2中的数据进行分类。将1~13组的数据作为训练样本,用来构建SVM模型;14~25组数据作为测试样本,对构建好的SVM模型进行测试,验证其准确性。
表2
SVM模型分类结果如图9所示。
本发明提出一种基于线圈电流与触头行程-时间特性的断路器操作机构状态综合评估方法,选取能反映电磁系统、控制回路、辅助开关状态的线圈电流特性与能反映传动机构状态的触头行程-时间特性对断路器操作机构进行综合状态评估,实现对断路器操作机构机械状态的全面、综合、准确地评估,解决了单一诊断特性只能反映操作机构部分机械状态的问题。
本发明的方法可以通过一种断路器操作机构状态综合评估系统实现,该系统包括:
线圈电流特性特征量提取与评估模块,建立BP神经网络模型,通过BP神经网络模型对线圈电流特性特征量进行分类,实现基于BP神经网络的高压断路器操作机构状态评估;
触头行程-时间特性特征量提取与评估模块,利用PSO优化的SVM算法对触头行程-时间特性特征量进行分类,实现基于SVM算法的高压断路器操作机构状态评估;
评估结果综合分析模块,综合分析基于BP神经网络的高压断路器操作机构状态评估结果与基于SVM算法的高压断路器操作机构状态评估结果,实现综合评估。
以上所述的仅仅是本发明的较佳实施例,并不用以对本发明的技术方案进行任何限制,本领域技术人员应当理解的是,在不脱离本发明精神和原则的前提下,该技术方案还可以进行若干简单的修改和替换,这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (7)
1.一种断路器操作机构状态综合评估方法,其特征在于,包括以下步骤:
提取线圈电流特性特征量,建立BP神经网络模型,通过BP神经网络模型对线圈电流特性特征量进行分类,实现基于BP神经网络的高压断路器操作机构状态评估;
提取触头行程-时间特性特征量,利用PSO优化的SVM算法对触头行程-时间特性特征量进行分类,实现基于SVM算法的高压断路器操作机构状态评估;
综合分析两种评估结果,实现高压断路器操作机构状态的综合评估。
2.根据权利要求1所述的断路器操作机构状态综合评估方法,其特征在于,提取线圈电流特性特征量时,对于典型线圈电流曲线分为以下四个阶段进行分析:
阶段1(t0~t1):电流按指数规律上升,此阶段反映电磁系统的运行性能;若阶段1持续时间超过阈值,判断是否出现线圈电压过低或者铁芯空行程太大;如果阶段1持续时间超过阈值且伴随峰值电流i1增大,则判断是否出现铁芯卡涩;
阶段2(t1~t2):电磁铁动作,电流逐渐下降;根据此阶段电流波形变化情况分析是否出现以下故障,包括铁芯是否存在卡涩、撞杆是否变形及脱口是否失灵;
阶段3(t2~t4):电磁铁动作到位,电流呈指数规律增加;根据此阶段的电流波形判断触发器或者机构本体方面是否出现故障;
阶段5(t4~t5):电流切断阶段,随着辅助开关的动作,电流逐渐减小为零;根据此阶段的电流波形判断辅助开关的状态。
3.根据权利要求1所述的断路器操作机构状态综合评估方法,其特征在于,提取触头行程-时间特性特征量时,对于典型触头行程-时间曲线分为以下三个阶段进行分析:
阶段Ⅰ(t′0~t′1):在t′0时刻断路器接到了分合闸操作的信号,在t′0~t′1阶段是电磁铁芯在运动,t′1时刻动触头开始动作;阶段Ⅰ是高压断路器操作机构动触头的固有动作时间,影响固有时间的因素包括分合闸线圈所加电压、分合闸线圈回路电阻以及锁扣装置阻力;
阶段Ⅱ(t′1~t′2):t′2为触头刚分或刚合时刻,这一阶段是动触头平稳运动的阶段,此阶段能够对动触头的运动速度进行反映,影响该阶段的因素包括储能弹簧的储能和动触头在运动过程中是否存在卡涩,如机构存在卡涩,则曲线不平滑、存在拐点;
阶段III(t′2~t′3):在t′3时刻,断路器完成了分合闸动作,动触头已经停止;此阶段能够反映动触头速度情况,如动触头速度过大,则会产生许多波动。
4.根据权利要求3所述的断路器操作机构状态综合评估方法,其特征在于,使用求波形极值点法求得动触头固有动作时间t′1;由触头速度-时间曲线得到分闸最大速度Vmf、合闸最大速度Vmh、分闸平均速度Vfp、合闸平均速度Vhp以及触头行程-时间曲线上拐点的个数。
6.根据权利要求1所述的断路器操作机构状态综合评估方法,其特征在于,利用PSO优化SVM算法的方法如下:选择径向基核函数RBF作为SVM算法的核函数,确定基于RBF核函数的SVM算法的两个参数:P和σ,P表示对数据样本错误分类的容忍度,P值越大,表示越不允许出现错误分类,σ2是RBF核函数中的参数,决定着原始数据样本被映射到高维特征空间后的分布情况;经过PSO对SVM算法的两个参数寻优,得到两个参数的最优值。
7.一种断路器操作机构状态综合评估系统,其特征在于,包括:
线圈电流特性特征量提取与评估模块,建立BP神经网络模型,通过BP神经网络模型对线圈电流特性特征量进行分类,实现基于BP神经网络的高压断路器操作机构状态评估;
触头行程-时间特性特征量提取与评估模块,利用PSO优化的SVM算法对触头行程-时间特性特征量进行分类,实现基于SVM算法的高压断路器操作机构状态评估;
评估结果综合分析模块,综合分析基于BP神经网络的高压断路器操作机构状态评估结果与基于SVM算法的高压断路器操作机构状态评估结果,实现综合评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435966.XA CN112698194A (zh) | 2020-12-10 | 2020-12-10 | 一种断路器操作机构状态综合评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435966.XA CN112698194A (zh) | 2020-12-10 | 2020-12-10 | 一种断路器操作机构状态综合评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112698194A true CN112698194A (zh) | 2021-04-23 |
Family
ID=75505825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011435966.XA Pending CN112698194A (zh) | 2020-12-10 | 2020-12-10 | 一种断路器操作机构状态综合评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698194A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707861A (zh) * | 2022-04-08 | 2022-07-05 | 国网山东省电力公司青岛供电公司 | 一种基于d-s证据融合多指标的断路器评价方法及系统 |
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891708A (zh) * | 2016-05-11 | 2016-08-24 | 四川大学 | 基于anfis的高压断路器操作机构状态评估 |
CN106019131A (zh) * | 2016-05-18 | 2016-10-12 | 四川大学 | 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 |
CN106199412A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
CN106934157A (zh) * | 2017-03-13 | 2017-07-07 | 国网江苏省电力公司电力科学研究院 | 基于支持向量机和多体动力学仿真的高压断路器识别方法 |
CN107067024A (zh) * | 2017-02-03 | 2017-08-18 | 国网江苏省电力公司电力科学研究院 | 高压断路器机械状态识别方法 |
CN109061462A (zh) * | 2018-09-14 | 2018-12-21 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器触头烧蚀故障评估方法 |
CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
-
2020
- 2020-12-10 CN CN202011435966.XA patent/CN112698194A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891708A (zh) * | 2016-05-11 | 2016-08-24 | 四川大学 | 基于anfis的高压断路器操作机构状态评估 |
CN106019131A (zh) * | 2016-05-18 | 2016-10-12 | 四川大学 | 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 |
CN106199412A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
CN107067024A (zh) * | 2017-02-03 | 2017-08-18 | 国网江苏省电力公司电力科学研究院 | 高压断路器机械状态识别方法 |
CN106934157A (zh) * | 2017-03-13 | 2017-07-07 | 国网江苏省电力公司电力科学研究院 | 基于支持向量机和多体动力学仿真的高压断路器识别方法 |
CN109061462A (zh) * | 2018-09-14 | 2018-12-21 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器触头烧蚀故障评估方法 |
CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
余锋 等: "基于BP神经网络的高压断路器故障诊断", 《真空科学与技术学报》, vol. 39, no. 3, 31 March 2019 (2019-03-31), pages 249 - 253 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707861A (zh) * | 2022-04-08 | 2022-07-05 | 国网山东省电力公司青岛供电公司 | 一种基于d-s证据融合多指标的断路器评价方法及系统 |
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112698194A (zh) | 一种断路器操作机构状态综合评估方法及系统 | |
CN106291351B (zh) | 基于卷积神经网络算法的高压断路器故障检测方法 | |
CN109270442B (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
CN103336243B (zh) | 基于分合闸线圈电流信号的断路器故障诊断方法 | |
CN110929763B (zh) | 基于多源数据融合的中压真空断路器机械故障诊断方法 | |
CN105259495B (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 | |
CN105891708B (zh) | 基于anfis的高压断路器操作机构状态评估 | |
CN110221200A (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN111060813A (zh) | 高压断路器操作机构的故障诊断方法及装置、电子设备 | |
CN109298330B (zh) | 基于ghpso-bp的高压断路器故障诊断方法 | |
CN111060815B (zh) | 基于GA-Bi-RNN的高压断路器故障诊断方法 | |
CN109284672A (zh) | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 | |
CN112629841A (zh) | 一种继电器寿命预测的方法 | |
CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
CN117056813B (zh) | 一种用于智能断路器数据采集的检测方法 | |
CN112147494A (zh) | 一种高压真空断路器机械故障检测方法 | |
Zhang et al. | Fault diagnosis of high voltage circuit breaker based on multi-classification relevance vector machine | |
CN116243155A (zh) | 断路器故障诊断方法、装置、设备以及存储介质 | |
CN113947011A (zh) | 一种低压直流接触器状态评估方法及装置 | |
CN113298124B (zh) | 一种基于参数匹配的多层次直流故障电弧检测方法 | |
CN114757110A (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 | |
CN111289892B (zh) | 一种基于pca-svm的高压断路器故障诊断方法 | |
CN116626479A (zh) | 一种电磁阀多故障耦合诊断方法 | |
CN113627279A (zh) | 一种基于支持向量机的高压断路器故障诊断方法 | |
CN107067024A (zh) | 高压断路器机械状态识别方法 |
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 |