CN112748331A - 一种基于ds证据融合的断路器机械故障识别方法及装置 - Google Patents
一种基于ds证据融合的断路器机械故障识别方法及装置 Download PDFInfo
- Publication number
- CN112748331A CN112748331A CN202011549840.5A CN202011549840A CN112748331A CN 112748331 A CN112748331 A CN 112748331A CN 202011549840 A CN202011549840 A CN 202011549840A CN 112748331 A CN112748331 A CN 112748331A
- Authority
- CN
- China
- Prior art keywords
- fault
- sub
- circuit breaker
- lstm
- evidence fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 60
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000013215 result calculation Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于DS证据融合的断路器机械故障识别方法及装置,包括训练样本抽样、LSTM网络训练、多诊断结果的DS证据融合三部分。首先通过拉丁超立方抽样方式得到差异化的训练样本集,其次构建相同网络结构的LSTM算法并训练得到差异化子故障诊断器,最后采用DS证据理论融合各个LSTM诊断结果得到最终的断路器操作机械故障识别结果。本发明能够进一步提高基于LSTM算法的断路器操作机构故障诊断的准确度,合理、可靠地诊断断路器操作机构故障。
Description
技术领域
本发明属于断路器机械故障识别技术领域,具体涉及一种基于DS证据融合的断路器机械故障识别方法,还涉及一种基于DS证据融合的断路器机械故障识别装置。
背景技术
高压断路器是电网重要的控制和保护设备,也是能够应对电力系统中最多种类任务和需求的开关装置,一旦发生故障,将会导致严重的电网运行事故。因此,如何及时准确地发现高压断路器的缺陷和故障,保障断路器的正常运行,成为电力系统的重大问题。
机械故障是高压断路器的主要故障类型,根据相关统计,在断路器的主要故障中机械原因占60%以上,且机械故障中绝大多数是操动机构的问题,因此对断路器运行状态尤其是机械状态进行监测和评估十分重要,通过合理评估断路器的运行状态,及时将老化的断路器退出运行有着至关重要的意义。
目前对断路器操作机构故障诊断的方法大多震动信号、线圈电流时间曲线等特征,利用神经网络、深度学习和向量机等技术对故障样本数据进行学习和辨识,从而判断断路器操作机构运行状态。一方面,针对任意单一故障识别算法来说,存在着泛化能力差、极度依赖训练样本特性,断路器故障诊断性能准确度较差,限制了相关诊断方法的进一步运用。另一方面,未考虑到相关诊断结果冲突,多组独立的分类算法识别结果无法较好的融合,进一步限制了机械故障识别精度的提升。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于DS证据融合的断路器机械故障识别方法及装置,采用深度学习长短期记忆网络LSTM对断路器机械故障特征数据进行识别和分类,并结合DS证据融合策略实现对断路器机械故障准确诊断,提高断路器运行状态识别的准确度,获得更高效、更准确的诊断结果。
为解决上述技术问题,本发明提供了一种基于DS证据融合的断路器机械故障识别方法,包括:
获取待诊断的断路器机械故障特征数据;
将故障特征数据同时输入到多个预先训练的LSTM子故障诊断器,得到每个子故障诊断器的诊断结果;其中所述多个LSTM子故障诊断器的训练过程为:
对每一类别故障抽取等量个数的样本作为一组训练样本数据集,共抽取K组训练样本数据集;
构建K个同质网络结构的LSTM子故障诊断器;
每一组训练样本集训练一个LSTM子故障诊断器,获得具有差异化分类性能的K个LSTM子故障诊断器;
基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值;
选取概率最大值对应的故障类别作为最终输出的故障诊断类别。
进一步的,所述断路器机械故障特征数据为分闸线圈电流曲线上提取的拐点发生时刻和电流值。
进一步的,所述LSTM子故障诊断器的个数为3。
进一步的,所述LSTM子故障诊断器为双向LSTM结构。
进一步的,所述故障类别包括正常状态、驱动电压减少、线圈阻抗增大、铁芯间隙增大、驱动电压增大的五个故障类别。
进一步的,所述一组训练样本数据集的样本数量为某一类具有最少样本数的样本量的80%。
进一步的,所述基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值,包括:
对各个子故障诊断器的诊断结果进行归一化处理;
将归一化后各个子故障诊断器的诊断结果指定为DS证据算法的mass基本概率函数,计算得到各个子故障诊断器在各种故障类别下的概率分配值;
采用两两结合的方式计算DS证据融合结果,得到各故障类别在DS证据融合策略下的概率值。
进一步的,所述对各个子故障诊断器的诊断结果进行归一化处理,包括:
计算各子故障诊断器Ck的置信度θk;
根据各个子故障诊断器的诊断结果Pki,按以下公式计算得到归一化值Rki:
其中,p′ki为中间变量,无意义,n为故障类别数,k为第k个子故障诊断器。
进一步的,所述采用两两结合的方式计算DS证据融合结果,包括:
DS证据融合结果计算公式如下:
其中,Y表示任意两个子故障诊断器在不同命题下的冲突因子;Ai,Bj表示任意两个故障类别,即第i,j类故障;k,r表示任意一个子故障诊断器,H表示任意两个诊断器指向同一类故障的命题;φ表示空。
相应的,本发明还提供了一种基于DS证据融合的断路器机械故障识别装置,包括:
数据获取模块,用于获取待诊断的断路器机械故障特征数据;
故障诊断模块,用于将故障特征数据同时输入到多个预先训练的LSTM子故障诊断器,得到每个子故障诊断器的诊断结果;其中所述多个LSTM子故障诊断器的训练过程为:
对每一类别故障抽取等量个数的样本作为一组训练样本数据集,共抽取K组训练样本数据集;
构建K个同质网络结构的LSTM子故障诊断器;
每一组训练样本集训练一个LSTM子故障诊断器,获得具有差异化分类性能的K个LSTM子故障诊断器;
诊断结果融合模块,用于基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值;
诊断故障模块,用于选取概率最大值对应的故障类别作为最终输出的故障诊断类别。
与现有技术相比,本发明所达到的有益效果是:
第一、本发明方法采用拉丁超立方抽样训练样本集,与断路器机械故障特征数据库的数据类别个数无关,通过训练获得的差异化单体LSTM分类器具有极高的故障分类泛化识别能力。
第二、本发明方法采用DS证据融合策略对各个单体LSTM分类器分类结果进行基本概率值融合,综合考虑了在多个不相关证据条件下的干扰和冲突,综合诊断结果准确率更好,故障诊断结果更可靠。
附图说明
图1是本发明方法的流程图;
图2是断路器分闸线圈电流曲线特征分布示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种基于DS证据融合的断路器机械故障识别方法,参见图1所示,包括以下过程:
步骤1、训练样本抽样:在断路器机械故障特征数据库X中对每一类别故障抽取等量个数的数据,作为一组训练样本数据集。
表1为断路器机械故障特征数据库X,其中包括正常状态、驱动电压减少、线圈阻抗增大、铁芯间隙增大、驱动电压增大的五个故障类别,每一类别的特征数据为9维向量,为分闸电流和时间参数。
故障特征数据是:根据曲线的拐点发生时刻和电流值,采用人工标定的方式在分闸线圈电流曲线上提取9维分闸线圈电流特征参数,如附图2所示,包括五项时间参数(t1,t2,t3,t4,t5)和四项电流数值参数(I1,I2,I3,I4)。
断路器机械故障特征数据库中实际的各个故障类别条数分别为:129、83、110、102、68。
在断路器机械故障特征数据库X中,每一类别故障Si(i=1,2,…,n)抽取Num等量个数的数据,作为训练样本数据集其中,n为故障类别数,本实施例中n=5。Num指定为断路器机械故障特征数据库X中某一类具有最少样本数的样本量的80%,本实施例中此处Num=68*0.8=54。测试样本为剩余20%样本。
进一步地,用拉丁超立方抽样方法在故障特征数据库X中的每一个类别中抽取54个样本用作训练样本,剩余14个样本用作测试样本。
表1某断路器机械故障特征数据库
步骤2、构建LSTM网络并训练差异化子故障诊断器:构建K个同质网络结构的LSTM子故障诊断器Ck(k=1,2,…,K),利用步骤1抽样得到K组训练样本集每一组训练样本集训练一个LSTM子故障诊断器Ck,获得具有差异化分类性能的K个LSTM子故障诊断器。
在本发明实施例中,构建K=3个具有相同网络结构的LSTM子故障诊断器Ck(k=1,2,3),利用步骤1可抽样得到3个训练样本集每一个训练样本集训练一个LSTM子故障诊断器Ck,获得具有差异化分类性能的3个LSTM子故障诊断器。用不同的训练样本训练同质网络LSTM,就会得到不同分类性能的分类器,即差异化分类性能。
具体地,LSTM子故障诊断器Ck为双向LSTM结构,包括序列输入层(sequenceInputLayer)、BiLSTM层(bilstmLayer)、全连接层(fullyConnectedLayer)、softmax层(softmaxLayer)。其中,序列输入层维度与断路器机械故障特征数据维度相同,此处为9;BiLSTM层的隐含层节点数为60,全连接层的节点数为故障类别数5。
利用得到的三个训练样本集分别训练三个LSTM子故障诊断器,得到三个具有故障识别性能差异化的诊断器。
步骤3、LSTM子故障诊断器诊断结果的DS证据融合。
首先将待诊断的断路器机械故障特征数据(9维)同时输入到三个LSTM子故障诊断器Ck(k=1,2,3),得到每个LSTM子故障诊断器Ck的诊断结果Yk,根据诊断结果Yk的准确率计算Ck的诊断置信度θk;其次,依据置信度θk和诊断结果Yk,归一化Ck诊断结果得到Rki;结合DS证据融合策略,计算各故障下的概率分配,计算多证据融合,得到最终的故障结果。
具体地,DS融合概率分配计算步骤如下:
步骤3.1:计算各个LSTM子故障诊断器Ck的诊断结果Pki。
将待诊断的断路器机械故障特征数据输入至各个LSTM子故障诊断器Ck,得到分类结果(诊断结果)Yk=(Pk1,Pk2,…,,Pki,…,Pkn),Pki为经由Ck计算得到故障i下的概率,如表2所示。
表2LSTM子故障诊断器输出
步骤3.2:对Pki归一化处理,得到归一化值Rki。
首先计算子故障诊断器Ck的置信度θk。Ck的诊断置信度θk为Ck故障诊断的准确率,由测试数据集计算获得,计算方法如下:
按以下公式得到归一化值Rki:
其中,p′ki为中间变量,无意义。
本发明实施例中,归一化Rki值结果如表3所示。
表3归一化Rki值结果
步骤3.3:结合DS证据融合策略,计算各个故障的概率分配。
Rki指定为DS证据算法的mass基本概率函数,表明第k个证据在识别第i类故障下的基本概率赋值mk(Ai)(k=1,2,…,K;i=1,2,…,n),Ai表示第i类故障的命题,空命题的概率赋值分配mk(Θ)由以下给出:
mk(Ai)=Rki
具体地,本发明实施例中故障概率分配如表4所示,mk(Ai)表示第k个诊断器给出在第i类类别故障的可信度,mk(Θ)表示诊断不出结果的概率,即空命题。
表4识别框架中的故障命题概率分配
诊断器 | m<sub>k</sub>(A<sub>1</sub>) | m<sub>k</sub>(A<sub>2</sub>) | m<sub>k</sub>(A<sub>3</sub>) | m<sub>k</sub>(A<sub>4</sub>) | m<sub>k</sub>(A<sub>5</sub>) | m<sub>k</sub>(Θ) |
C<sub>1</sub> | m<sub>1</sub>(A<sub>1</sub>)=0.0182 | m<sub>1</sub>(A<sub>2</sub>)=0.8477 | m<sub>1</sub>(A<sub>3</sub>)=0 | m<sub>1</sub>(A<sub>4</sub>)=0.0192 | m<sub>1</sub>(A<sub>5</sub>)=0.0049 | m<sub>1</sub>(Θ)=0.1100 |
C<sub>2</sub> | m<sub>2</sub>(A<sub>1</sub>)=0.3183 | m<sub>2</sub>(A<sub>2</sub>)=0.2026 | m<sub>2</sub>(A<sub>3</sub>)=0.0167 | m<sub>2</sub>(A<sub>4</sub>)=0.1324 | m<sub>2</sub>(A<sub>5</sub>)=0.0000 | m<sub>2</sub>(Θ)=0.3300 |
C<sub>3</sub> | m<sub>3</sub>(A<sub>1</sub>)=0.0000 | m<sub>3</sub>(A<sub>2</sub>)=0.7158 | m<sub>3</sub>(A<sub>3</sub>)=0.0028 | m<sub>3</sub>(A<sub>4</sub>)=0.0546 | m<sub>3</sub>(A<sub>5</sub>)=0.0167 | m<sub>3</sub>(Θ)=0.2101 |
步骤3.4:计算DS证据融合结果。
当存在多个证据和多个命题时,采用两两结合的方式计算融合结果,按下式计算所有的任意两个证据在不同命题下的冲突因子Y,并结合冲突因子Y计算命题H在DS融合策略下的概率值,DS融合结果概率最大值的命题指定为最终输出的故障诊断类别O(i)。
在本发明实施例中,故障诊断类别计算公式如下:
O(i)=H,m(H)=maxm(Ai)
其中,Y表示任意两个子故障诊断器在不同命题下的冲突因子;Ai,Bj表示任意两个故障类别,即第i,j类故障;i=1,2,…,5;j=1,2,…,5;k,r表示任意一个子故障诊断器,k=1,2,3;j=1,2,3;H表示任意两个诊断器指向同一类故障的命题;φ表示空。
在本发明实施例中,具体地,由表4可得冲突因子Y=0.8883,计算如下:
Y=m1(A1)×m2(A2)+m1(A1)×m2(A3)+…+m1(A1)×m2(A5)+m1(A2)×m2(A1)+m1(A2)×m2(A3)+…+m1(A2)×m2(A5)+…+m2(A5)×m3(A1)+m2(A5)×m3(A2)+…+m2(A5)×m3(A4)=0.8883
进一步地,可以算出在三组独立的子故障诊断器下给出的DS证据诊断融合结果,计算结果如表5所示,可知,DS证据融合后的故障命题中最大概率分配为m(A2),因此,最终的故障诊断结果为第二类故障,即断路器操作机构驱动线圈电压减少。
表5 DS证据融合结果
m(A<sub>1</sub>) | m(A<sub>2</sub>) | m(A<sub>3</sub>) | m(A<sub>4</sub>) | m(A<sub>5</sub>) | m(Θ) | |
DS融合结果 | 0.00579306 | 0.92354876 | 4.676e-05 | 0.01081944 | 8.183e-05 | 0.05971015 |
综上所述,本发明方法采用DS证据融合策略对各个单体LSTM分类器分类结果进行基本概率值融合,综合考虑了在多个不相关证据条件下的干扰和冲突,综合诊断结果准确率更好,故障诊断结果更可靠。
实施例2
相应的,本发明的一种基于DS证据融合的断路器机械故障识别装置,包括:
数据获取模块,用于获取待诊断的断路器机械故障特征数据;
故障诊断模块,用于将故障特征数据同时输入到多个预先训练的LSTM子故障诊断器,得到每个子故障诊断器的诊断结果;
诊断结果融合模块,用于基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值;
诊断故障模块,用于选取概率最大值对应的故障类别作为最终输出的故障诊断类别。
本发明装置中各模块的实现方案参见实施例1中方法的各步骤实现过程。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于DS证据融合的断路器机械故障识别方法,其特征是,包括:
获取待诊断的断路器机械故障特征数据;
将故障特征数据同时输入到多个预先训练的LSTM子故障诊断器,得到每个子故障诊断器的诊断结果;其中所述多个LSTM子故障诊断器的训练过程为:
对每一类别故障抽取等量个数的样本作为一组训练样本数据集,共抽取多组训练样本数据集;
构建多个同质网络结构的LSTM子故障诊断器;
每一组训练样本集训练一个LSTM子故障诊断器,获得具有差异化分类性能的多个LSTM子故障诊断器;
基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值;
选取概率最大值对应的故障类别作为最终输出的故障诊断类别。
2.根据权利要求1所述的一种基于DS证据融合的断路器机械故障识别方法,其特征是,所述断路器机械故障特征数据为分闸线圈电流曲线上提取的拐点发生时刻和电流值。
3.根据权利要求1所述的一种基于DS证据融合的断路器机械故障识别方法,其特征是,所述LSTM子故障诊断器的个数为3。
4.根据权利要求1所述的一种基于DS证据融合的断路器机械故障识别方法,其特征是,所述LSTM子故障诊断器为双向LSTM结构。
5.根据权利要求1所述的一种基于DS证据融合策略的集成LSTM断路器机械故障识别方法,其特征是,所述故障类别包括正常状态、驱动电压减少、线圈阻抗增大、铁芯间隙增大、驱动电压增大的五个故障类别。
6.根据权利要求1所述的一种基于DS证据融合的断路器机械故障识别方法,其特征是,所述一组训练样本数据集的样本数量为某一类具有最少样本数的样本量的80%。
7.根据权利要求1所述的一种基于DS证据融合的断路器机械故障识别方法,其特征是,所述基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值,包括:
对各个子故障诊断器的诊断结果进行归一化处理;
将归一化后各个子故障诊断器的诊断结果指定为DS证据算法的基本概率函数,计算得到各个子故障诊断器在各种故障类别下的概率分配值;
采用两两结合的方式计算DS证据融合结果,得到各故障类别在DS证据融合策略下的概率值。
10.一种基于DS证据融合的断路器机械故障识别装置,其特征是,包括:
数据获取模块,用于获取待诊断的断路器机械故障特征数据;
故障诊断模块,用于将故障特征数据同时输入到多个预先训练的LSTM子故障诊断器,得到每个子故障诊断器的诊断结果;其中所述多个LSTM子故障诊断器的训练过程为:
对每一类别故障抽取等量个数的样本作为一组训练样本数据集,共抽取多组训练样本数据集;
构建多个同质网络结构的LSTM子故障诊断器;
每一组训练样本集训练一个LSTM子故障诊断器,获得具有差异化分类性能的多个LSTM子故障诊断器;
诊断结果融合模块,用于基于各个子故障诊断器的诊断结果,结合DS证据融合策略,计算出各故障类别在DS证据融合策略下的概率值;
诊断故障模块,用于选取概率最大值对应的故障类别作为最终输出的故障诊断类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549840.5A CN112748331A (zh) | 2020-12-24 | 2020-12-24 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549840.5A CN112748331A (zh) | 2020-12-24 | 2020-12-24 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112748331A true CN112748331A (zh) | 2021-05-04 |
Family
ID=75647520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549840.5A Pending CN112748331A (zh) | 2020-12-24 | 2020-12-24 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112748331A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545355A (zh) * | 2022-11-30 | 2022-12-30 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
CN117113267A (zh) * | 2023-10-25 | 2023-11-24 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033984A (zh) * | 2010-11-12 | 2011-04-27 | 清华大学 | 一种基于区间型证据融合的旋转机械设备故障诊断方法 |
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 |
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 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
CN109523155A (zh) * | 2018-11-13 | 2019-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 |
CN110006645A (zh) * | 2019-05-10 | 2019-07-12 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
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 |
CN111950526A (zh) * | 2020-09-01 | 2020-11-17 | 国网河北省电力有限公司检修分公司 | 基于深度学习断路器储能机构故障诊断方法 |
-
2020
- 2020-12-24 CN CN202011549840.5A patent/CN112748331A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033984A (zh) * | 2010-11-12 | 2011-04-27 | 清华大学 | 一种基于区间型证据融合的旋转机械设备故障诊断方法 |
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 |
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 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学(保定) | 一种基于改进证据理论的断路器故障诊断方法 |
CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
CN109523155A (zh) * | 2018-11-13 | 2019-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 |
CN110006645A (zh) * | 2019-05-10 | 2019-07-12 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
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 |
CN111950526A (zh) * | 2020-09-01 | 2020-11-17 | 国网河北省电力有限公司检修分公司 | 基于深度学习断路器储能机构故障诊断方法 |
Non-Patent Citations (11)
Title |
---|
FUZHONG WANG 等: "Application of mechanical fault diagnosis of circuit breaker on evidence theory method", 《2011 INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND SERVICE SYSTEM (CSSS)》, 4 August 2011 (2011-08-04) * |
MIAO HONGXIA 等: "Research on fault diagnosis of High-voltage circuit breaker based on the improved D-S evidence theory", 《THE 2ND INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND ENGINEERING》 * |
MIAO HONGXIA 等: "Research on fault diagnosis of High-voltage circuit breaker based on the improved D-S evidence theory", 《THE 2ND INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND ENGINEERING》, 17 January 2011 (2011-01-17) * |
ZHAO KE 等: "A distributed ensemble bpnn used for status assessment of circuit breakers based on coil current characteristics", 《2019 14TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI)》 * |
ZHAO KE 等: "A distributed ensemble bpnn used for status assessment of circuit breakers based on coil current characteristics", 《2019 14TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI)》, 27 May 2020 (2020-05-27), pages 196 - 204 * |
刘明亮 等: "基于DS证据理论的SVM分类模糊域数据修正", 《电力自动化设备》 * |
刘明亮 等: "基于DS证据理论的SVM分类模糊域数据修正", 《电力自动化设备》, vol. 32, no. 3, 31 March 2012 (2012-03-31), pages 71 - 75 * |
吕震宙 等: "《大型调水工程安全信息感知、生成与利用》", vol. 1, 西北工业大学出版社, pages: 190 * |
张莲 等: "基于CAS优化的LSTM循环神经网络的高压断路器故障预测方法研究", 重庆理工大学学报(自然科学), vol. 34, no. 2, pages 185 * |
赵科 等: "基于信号特征融合与优化的高压断路器机械状态评估", 《高压电器》 * |
赵科 等: "基于信号特征融合与优化的高压断路器机械状态评估", 《高压电器》, vol. 54, no. 4, 16 April 2018 (2018-04-16), pages 14 - 19 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545355A (zh) * | 2022-11-30 | 2022-12-30 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
CN117113267A (zh) * | 2023-10-25 | 2023-11-24 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
CN117113267B (zh) * | 2023-10-25 | 2024-02-09 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664010A (zh) | 发电机组故障数据预测方法、装置和计算机设备 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN111325410B (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN111207067A (zh) | 一种基于模糊支持向量机的空压机故障诊断方法 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN105955214A (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN110703077A (zh) | 基于hpso-tsvm的高压断路器故障诊断方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN111414943A (zh) | 一种基于混合隐朴素贝叶斯模型的异常检测方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
WO2022162060A1 (de) | Big-data für fehlererkennung in batteriesystemen | |
CN115017978A (zh) | 一种基于加权概率神经网络的故障分类方法 | |
CN113705637A (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |
|
RJ01 | Rejection of invention patent application after publication |