CN113219329B - 一种高压断路器故障融合诊断方法 - Google Patents
一种高压断路器故障融合诊断方法 Download PDFInfo
- Publication number
- CN113219329B CN113219329B CN202110354596.5A CN202110354596A CN113219329B CN 113219329 B CN113219329 B CN 113219329B CN 202110354596 A CN202110354596 A CN 202110354596A CN 113219329 B CN113219329 B CN 113219329B
- Authority
- CN
- China
- Prior art keywords
- fault
- circuit breaker
- voltage circuit
- typical
- characteristic
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 103
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了一种高压断路器故障融合诊断方法,包括:基于电气特性诊断高压断路器故障;基于机械特性诊断高压断路器故障;根据电气特性以及机械特性的诊断结果对高压断路器进行融合诊断,本方法基于机械特性诊断高压断路器故障类型,将电气特性作为故障辅助判别依据,进而实现电气和机械特性融合的故障诊断,保证了高压断路器的故障诊断精度,为其状态评估提供了理论依据。
Description
技术领域
本发明属于电网控制技术领域,尤其涉及一种高压断路器故障融合诊断方法。
背景技术
随着电网规模的不断扩大,高压断路器广泛应用于35kV及以上电压等级电网。作为电力系统的核心设备,高压断路器主要承担着保护和控制的作用,其运行状态决定着电网的安全稳定运行。高压断路器开断电流大、承受电压高、操作较频繁,极易发生故障,可能引起局部电网故障,严重情况下会导致电网瘫痪。据国内外高压断路器故障类型统计,机械故障是高压断路器的主要故障类型,一般包括机构卡滞、弹簧变形、螺栓松动、锁扣失灵和连杆断裂等。一般情况下,在机械故障发生初期,高压断路器仍能正常工作,若能够及时发现故障并处理,将有效避免故障的进一步扩大,对提高电网可靠性具有重要意义。
目前,高压断路器故障诊断主要包括典型故障库建立、特征向量提取和故障判别匹配三个阶段,其中特征向量提取阶段一般采用傅里叶变换、小波包分解和短时能量分析等方法,而故障判别匹配阶段一般采用证据理论、专家系统、支持向量机等方法。但现有研究主要是基于机械或电气单一特征考虑,未将机械和电气特性融合;另外现有研究重点集中在如何提高高压断路器特征向量的提取精度和故障类型诊断精度,对典型故障库的建立研究较少。
发明内容
为了解决现有技术存在的问题,本发明提供一种高压断路器故障融合诊断方法,能够更准确诊断出高压断路器的故障。
本发明所要解决的技术问题是通过以下技术方案实现的:
一种高压断路器故障融合诊断方法,包括:
基于电气特性诊断高压断路器故障;
基于机械特性诊断高压断路器故障;
根据电气特性以及机械特性的诊断结果对高压断路器进行融合诊断。
进一步的,所述基于电气特性诊断高压断路器故障包括通过高压断路器分合闸线圈典型电流判断故障,具体为:
设t0、t1、t2、t3、t4、t5分别为高压断路器分合闸线圈的线圈开始通电时刻、铁芯开始动作时刻、触头开始动作时刻、线圈进入稳定状态时刻、线圈断电开始时刻以及线圈断电结束时刻,这6个时刻对应的分合闸线圈典型电流分别为0、i1、i2、i3、i3、0;选择(t1-t0)、(t2-t1)、(t3-t2)、(t4-t3)、(t5-t4)、i1、i2和i3作为分合闸线圈电流的特征值,以此构建特征向量;设任意一次分合闸线圈电流特征向量为Ix;
Ix=(t1x-t0x,t2x-t1x,t3x-t2x,t4x-t3x,t5x-t4x,ix1,ix2,ix3)=(Ix1,Ix2,Ix3,Ix4,Ix5,Ix6,Ix7,Ix8) (1)
根据式(2)对Ix进行归一化处理:
其中F(Ixl)表示Ix第l个特征值的归一化结果,C为归一化系数,max[Ixl]为Ix第l个特征值的历史最大值,min[Ixl]为Ix第l个特征值的历史最小值,MaxI、MinI为中间变量。
设分合闸线圈电流特征标准向量I0为
I0=(I01,I02,I03,I04,I05,I06,I07,I08) (3)
定义基于分合闸线圈电流的故障辨识度SD为
设高压断路器正常运行时,故障辨识度SD位于[Smin,Smax],当SD<Smin或SD>Smax,则表示高压断路器存在故障。
进一步的,所述基于机械特性诊断高压断路器故障包括:
基于机械特性的高压断路器特征向量提取;
基于机械特性建立高压断路器典型故障库;
基于机械特性的高压断路器故障诊断。
进一步的,所述基于机械特性的高压断路器特征向量提取包括:
在高压断路器的弹簧上装设应力传感器,在转轴上装设置行程传感器,在连杆上装设振动传感器,采用小波包分解法对各传感器采集得到的信号进行小波包分解,从而得到特征向量。
进一步的,所述基于机械特性建立高压断路器典型故障库包括:
初始化典型故障特征向量的特征指标权值
计算典型故障的特征向量;
更新典型故障特征向量的特征指标权值。
进一步的,所述初始化典型故障特征向量的特征指标权值具体为:
将高压断路器不同故障时的特征向量表示为:
Eij=(eij1,…eijk,…eijN) (5)
式中,Eij表示第i种典型故障第j次试验的特征向量;eijk表示第i种典型故障第j次试验的第k个特征指标;N表示故障特征指标数量;
初始化典型故障特征向量的特征指标权值为
wk=1(k=1…N) (6)
式中,wk表示第k个特征指标的权值。
进一步的,所述计算典型故障的特征向量具体为:
将第i种典型故障第ji0次试验对应的特征向量与该典型故障其他次试验的欧式距离D(ji0)为:
计算D(ji0)取得最小值时对应的试验数jimin:
则第i种典型故障第jimin次试验的特征向量为
计算第i种典型故障特征向量平均值为
计算与Ei0的相关性:
当R≥R0时,选择Ei0作为第i种典型故障的特征向量Eis;当R<R0时,选择作为第i种典型故障的特征向量Eis,即:
其中,R0表示强相关系数,M表示各类典型故障试验次数。
进一步的,所述更新典型故障特征向量的特征指标权值具体为:
定义第i种典型故障的最大特征向量和最小特征向量为
式中,Eismax表示第i种典型故障的最大特征向量,Eismin表示第i种典型故障的最小特征向量;
根据第i种典型故障的特征向量Eis来计算特征指标权值,将特征向量Eis表示为
Eis=(eis1,…eisk,…eisN) (14)
式中,eisk表示第i种典型故障特征向量的第k个特征指标值;
设断路器有H种典型故障,则第i种典型故障第k个特征指标的占比Pik为
计算Pik的均值uk和标准差σk:
计算第k个特征指标的离散系数Lk:
根据离散系数Lk计算第k个特征指标的权值:
当R取得最大值时,迭代计算结束,此时Eis即为第i种典型故障的特征向量,wk即为第k个特征指标的权值,否则更新典型故障特征向量的特征指标权值后,重新计算典型故障的特征向量,直到迭代结束。
进一步的,所述基于机械特性的高压断路器故障诊断具体为:
将高压断路器任意时刻的采样特征向量Ex可表示为
Ex=(ex1,…exk,…exN) (19)
式中,exk表示断路器任意时刻特征向量的第k个特征指标值;
定义特征向量Ex与特征向量Eis的正向距离Dpos为
定义特征向量Ex与特征向量Eismax和Eismin的负向距离Dneg为
式中,tik表示第i种典型故障第k个特征指标中间值;
根据Dpos和Dneg可得特征向量Ex与特征向量Eis的故障相似度SJi:
计算所有典型故障的相似度SJi的最大值,即SJ,若SJ>S1,且第i种典型故障的相似度取得最大值SJ则高压断路器存在第i种典型故障,当SJ≤S1时,认为高压断路器无故障;其中,S1表示正常情况下,基于机械特性的断路器故障相似度取得的最大值。
进一步的,所述根据电气特性以及机械特性的诊断结果对高压断路器进行融合诊断具体为:
当Smin≤SD≤Smax且SJ≤S1,表示高压断路器无故障;
当Smin≤SD≤Smax且SJ>S1,表示基于电气特性和机械特性诊断结果冲突,需结合高压断路器的实际状态来修改判别参数,当高压断路器无故障时,则增大S1,当高压断路器有故障时,则减小故障辨识度的判别范围,即增大Smin或减小Smax;
当SD≤Smin或SD≥Smax,且SJ≤S1,表示基于电气特性和机械特性诊断结果冲突,需结合高压断路器的实际状态来修改判别参数,当高压断路器无故障时,减小Smin或增大Smax,当高压断路器有故障时,减小S1;
当SD≤Smin或SD≥Smax,第i种典型故障的相似度取得最大值且S2<SJ,若还有其他典型故障的相似度大于等于SJ,表示高压断路器存在多种典型故障,否则表示高压断路器仅存在第i种典型故障;
其中,Smin表示正常情况下,基于电气特性的断路器故障辨识度取得的最小值,Smax表示正常情况下,基于电气特性的断路器故障辨识度取得的最大值,S2表示单一故障状态下,基于机械特性的断路器故障相似度取得的最大值。
本发明有益效果:本发明提供的一种高压断路器故障融合诊断方法,该方法利用机械特性判别高压断路器的故障类型,而电气特性则作为故障判别的辅助依据,以保证高压断路器的故障诊断精度。具有以下优点:1.基于最小欧式距离和相关性原理,建立基于机械特性的高压断路器典型故障库,保证了高压断路器典型故障库的准确性;2.采用电气和机械特性融合的诊断方法,有效提高了高压断路器的故障诊断精度。
附图说明
图1为本发明的流程图。
具体实施方式
为了进一步描述本发明的技术特点和效果,以下结合附图和具体实施方式对本发明做进一步描述。
本发明所提出的一种高压断路器故障融合诊断方法,包括以下步骤:
步骤1:基于电气特性诊断高压断路器故障状态。
高压断路器分合闸线圈典型电流一般包括6个典型时刻,设t0、t1、t2、t3、t4、t5分别为高压断路器分合闸线圈的线圈开始通电时刻、铁芯开始动作时刻、触头开始动作时刻、线圈进入稳定状态时刻、线圈断电开始时刻以及线圈断电结束时刻,这6个时刻对应的分合闸线圈典型电流分别为0、i1、i2、i3、i3、0。选择(t1-t0)、(t2-t1)、(t3-t2)、(t4-t3)、(t5-t4)、i1、i2和i3作为分合闸线圈电流的特征值,从而构建特征向量。设某次分合闸线圈电流特征向量Ix为:
Ix=(t1x-t0x,t2x-t1x,t3x-t2x,t4x-t3x,t5x-t4x,ix1,ix2,ix3)=(Ix1,Ix2,Ix3,Ix4,Ix5,Ix6,Ix7,Ix8)(1)
对分合闸线圈电流特征向量Ix进行归一化处理:
式中,F(Ixl)表示分合闸线圈电流特征向量Ix第l个特征值的归一化结果,C为归一化系数,max[Ixl]为第l个特征值的历史最大值,min[Ixl]为第l个特征值的历史最小值。
设分合闸线圈电流特征标准向量I0为
I0=(I01,I02,I03,I04,I05,I06,I07,I08) (3)
定义基于分合闸线圈电流的故障辨识度SD为
设高压断路器正常运行时,故障辨识度SD位于[Smin,Smax],当SD<Smin或SD>Smax,则表示高压断路器存在故障。
步骤2:基于机械特性诊断高压断路器故障类型。
步骤2.1:基于机械特性的高压断路器特征向量提取。
高压断路器机械结构复杂、部件繁多,主要包括活动部件和固定部件两类,其中活动部件一般包括弹簧、凸轮、连杆等,固定部件一般包括瓷套、螺栓、横梁等。当高压断路器进行分合闸操作时,不同部件的机械特性不同。为全面捕捉机械特性,在弹簧上装设应力传感器,在转轴上装设行程传感器,在连杆上装设振动传感器。在提取高压断路器特征向量时,采用小波包分解法对各传感器采集得到的信号进行小波包分解,从而得到特征向量。
步骤2.2:基于机械特性的高压断路器典型故障库建立。
步骤2.2.1:初始化典型故障特征向量的特征指标权值。
建立高压断路器的典型故障库,即确定典型故障的特征向量。考虑到高压断路器同一故障,在不同时刻对应的特征向量略有不同,故针对同一故障,进行多次分合闸试验,测量并提取对应的特征向量,设高压断路器不同故障时,特征向量可表示为
Eij=(eij1,…eijk,…eijN) (5)
式中,Eij表示第i种典型故障第j次试验的特征向量;eijk表示第i种典型故障第j次试验的第k个特征指标;N表示故障特征指标数量。
初始化典型故障特征向量的特征指标权值为
wk=1(k=1…N) (6)
式中,wk表示第k个特征指标的权值。
步骤2.2.2:计算典型故障的特征向量。
设M表示各类典型故障试验次数,则第i种典型故障第ji0次试验对应的特征向量与该典型故障其他次试验的欧式距离D(ji0)为
基于最小欧式距离,计算D(ji0)取得最小值时对应的试验数jimin:
则第i种典型故障第jimin次试验的特征向量为
计算第i种典型故障特征向量平均值为
计算与Ei0的相关性:
根据相关性原理,当相关性系数大于等于0.8时,两组数据呈强相关。当R≥R0时,选择Ei0作为第i种典型故障的特征向量Eis;当R<R0时,选择作为第i种典型故障的特征向量Eis,即:
其中,R表示与Ei0的相关性,R0表示强相关系数。
步骤2.2.3:更新典型故障特征向量的特征指标权值。
定义第i种典型故障的最大特征向量和最小特征向量为
式中,Eismax表示第i种典型故障的最大特征向量,Eismin表示第i种典型故障的最小特征向量。
根据第i种典型故障的特征向量Eis来计算特征指标权值,设特征向量Eis可表示为
Eis=(eis1,…eisk,…eisN) (14)
式中,eisk表示第i种典型故障特征向量的第k个特征指标值。
设断路器有H种典型故障,则第i种典型故障第k个特征指标的占比Pik为
计算Pik的均值uk和标准差σk:
计算第k个特征指标的离散系数Lk:
根据离散系数Lk计算第k个特征指标的权值:
当R取得最大值时(R由式(11)计算得到,而式(11)是由式(7)-(10)得到的,式(7)中包含了wk,由于wk在不断变化,则R将不断变化。R是增函数,随着wk的变化R将不断增加,当wk取得最优值时,R将不再增加,此时R取得最大值),迭代计算结束,此时Eis即为第i种典型故障的特征向量,wk即为第k个特征指标的权值,否则更新典型故障特征向量的特征指标权值后,回到步骤2.2.2进行重新计算,直到迭代结束。
步骤2.3:基于机械特性的高压断路器故障类型诊断。
设高压断路器任意时刻的采样特征向量Ex可表示为
Ex=(ex1,…exk,…exN) (19)
式中,exk表示断路器任意时刻特征向量的第k个特征指标值。
定义特征向量Ex与特征向量Eis的正向距离Dpos为
定义特征向量Ex与特征向量Eismax和Eismin的负向距离Dneg为
式中,tik表示第i种典型故障第k个特征指标中间值,可表示为
根据Dpos和Dneg可得,特征向量Ex与特征向量Eis的故障相似度SJi:
计算所有典型故障的相似度SJi的最大值,即为SJ(故障情况下)。利用典型故障的相似度SJi可判断高压断路器的故障类型,具体判断过程如下:设S1表示正常情况下,基于机械特性的断路器故障相似度取得的最大值,当SJ>S1且第i种典型故障的相似度取得最大值SJ,一般认为高压断路器存在第i种典型故障;当SJ≤S1时,认为高压断路器无故障。
步骤3:融合电气和机械特性诊断结果。
基于电气和机械特性融合诊断高压断路器故障类型,具体判别条件如下:
(1)当故障辨识度Smin≤SD≤Smax且故障相似度最大值SJ≤S1,表示高压断路器无故障;
Smin表示正常情况下,基于电气特性的断路器故障辨识度取得的最小值,Smax表示正常情况下,基于电气特性的断路器故障辨识度取得的最大值,S1表示正常情况下,基于机械特性的断路器故障相似度取得的最大值。
(2)当故障辨识度Smin≤SD≤Smax且故障相似度最大值SJ>S1,表示基于电气特性和机械特性诊断结果冲突,需结合高压断路器的实际状态来修改判别参数(判别参数包括Smin、Smax、S1),当高压断路器无故障时,应增大故障相似度SJ的判别阈值即S1,当高压断路器有故障时,应减小故障辨识度SD的判别范围,即增大Smin或减少Smax。
(3)当故障辨识度SD≤Smin或SD≥Smax且故障相似度最大值SJ≤S1,表示基于电气特性和机械特性诊断结果冲突,需结合高压断路器的实际状态来修改判别参数,当高压断路器无故障时,应增大故障辨识度SD的判别范围,即减小Smin或增大Smax当高压断路器有故障时,应减小故障相似度的判别阈值S1;
(4)当故障辨识度SD≤Smin或SD≥Smax,第i种典型故障的相似度取得最大值且S1<SJ≤S2,表示高压断路器存在第i种典型故障,其中S2表示单一故障状态下,基于机械特性的断路器故障相似度取得的最大值;
(5)当故障辨识度SD≤Smin或SD≥Smax,第i种典型故障的相似度取得最大值且S2<SJ,若还有其他典型故障的相似度大于等于SJ,表示高压断路器存在多种典型故障,否则表示高压断路器仅存在第i种典型故障。
上述实施例不以任何形式限定本发明,凡采取等同替换或等效变换的形式所获得的技术方案,均落在本发明的保护范围之内。
Claims (5)
1.一种高压断路器故障融合诊断方法,其特征在于,包括:
基于电气特性诊断高压断路器故障;
所述基于电气特性诊断高压断路器故障包括通过高压断路器分合闸线圈典型电流判断故障;
基于机械特性诊断高压断路器故障,包括:
基于机械特性的高压断路器特征向量提取;
基于机械特性建立高压断路器典型故障库,包括:
初始化典型故障特征向量的特征指标权值
计算典型故障的特征向量;
更新典型故障特征向量的特征指标权值;
基于机械特性的高压断路器故障诊断,具体为:
将高压断路器任意时刻的采样特征向量Ex可表示为
Ex=(ex1,…exk,…exN) (19)
式中,exk表示断路器任意时刻特征向量的第k个特征指标值;
定义特征向量Ex与第i种典型故障的特征向量Eis的正向距离Dpos为
定义特征向量Ex与第i种典型故障的最大特征向量Eismax和第i种典型故障的最小特征向量Eismin的负向距离Dneg为
式中,tik表示第i种典型故障第k个特征指标中间值;
根据Dpos和Dneg可得特征向量Ex与特征向量Eis的故障相似度SJi:
计算所有典型故障的相似度SJi的最大值,即SJ,若SJ>S1,且第i种典型故障的相似度取得最大值SJ则高压断路器存在第i种典型故障,当SJ≤S1时,认为高压断路器无故障;其中,S1表示正常情况下,基于机械特性的断路器故障相似度取得的最大值;
其中,wk表示第k个特征指标的权值,N表示故障特征指标数量,M表示各类典型故障试验次数,eijk表示第i种典型故障第j次试验的第k个特征指标,eisk表示第i种典型故障特征向量的第k个特征指标值;
根据电气特性以及机械特性的诊断结果对高压断路器进行融合诊断,具体为:
当Smin≤SD≤Smax且SJ≤S1,表示高压断路器无故障;
当Smin≤SD≤Smax且SJ>S1,表示基于电气特性和机械特性诊断结果冲突,需结合高压断路器的实际状态来修改判别参数,当高压断路器无故障时,则增大S1,当高压断路器有故障时,则减小故障辨识度的判别范围,即增大Smin或减小Smax;
当SD≤Smin或SD≥Smax,且SJ≤S1,表示基于电气特性和机械特性诊断结果冲突,需结合高压断路器的实际状态来修改判别参数,当高压断路器无故障时,减小Smin或增大Smax,当高压断路器有故障时,减小S1;
当SD≤Smin或SD≥Smax,第i种典型故障的相似度取得最大值且S2<SJ,若还有其他典型故障的相似度大于等于SJ,表示高压断路器存在多种典型故障,否则表示高压断路器仅存在第i种典型故障;
其中,SD表示基于分合闸线圈电流的故障辨识度,Smin表示正常情况下,基于电气特性的断路器故障辨识度取得的最小值,Smax表示正常情况下,基于电气特性的断路器故障辨识度取得的最大值,S2表示单一故障状态下,基于机械特性的断路器故障相似度取得的最大值。
2.根据权利要求1所述的一种高压断路器故障融合诊断方法,其特征在于,所述基于机械特性的高压断路器特征向量提取包括:
在高压断路器的弹簧上装设应力传感器,在转轴上装设置行程传感器,在连杆上装设振动传感器,采用小波包分解法对各传感器采集得到的信号进行小波包分解,从而得到特征向量。
3.根据权利要求1所述的一种高压断路器故障融合诊断方法,其特征在于:所述初始化典型故障特征向量的特征指标权值具体为:
将高压断路器不同故障时的特征向量表示为:
Eij=(eij1,…eijk,…eijN) (5)
式中,Eij表示第i种典型故障第j次试验的特征向量;eijk表示第i种典型故障第j次试验的第k个特征指标;N表示故障特征指标数量;
初始化典型故障特征向量的特征指标权值为
wk=1 (k=1…N) (6)
式中,wk表示第k个特征指标的权值。
4.根据权利要求3所述的一种高压断路器故障融合诊断方法,其特征在于,所述计算典型故障的特征向量具体为:
将第i种典型故障第ji0次试验对应的特征向量与该典型故障其他次试验的欧式距离D(ji0)为:
计算D(ji0)取得最小值时对应的试验数jimin:
则第i种典型故障第jimin次试验的特征向量为
计算第i种典型故障特征向量平均值为
计算与Ei0的相关性:
当R≥R0时,选择Ei0作为第i种典型故障的特征向量Eis;当R<R0时,选择作为第i种典型故障的特征向量Eis,即:
其中,R0表示强相关系数,R0≥0.8,M表示各类典型故障试验次数。
5.根据权利要求4所述的一种高压断路器故障融合诊断方法,其特征在于,所述更新典型故障特征向量的特征指标权值具体为:
定义第i种典型故障的最大特征向量和最小特征向量为
式中,Eismax表示第i种典型故障的最大特征向量,Eismin表示第i种典型故障的最小特征向量;
根据第i种典型故障的特征向量Eis来计算特征指标权值,将特征向量Eis表示为
Eis=(eis1,…eisk,…eisN) (14)
式中,eisk表示第i种典型故障特征向量的第k个特征指标值;
设断路器有H种典型故障,则第i种典型故障第k个特征指标的占比Pik为
计算Pik的均值uk和标准差σk:
计算第k个特征指标的离散系数Lk:
根据离散系数Lk计算第k个特征指标的权值:
当R取得最大值时,迭代计算结束,此时Eis即为第i种典型故障的特征向量,wk即为第k个特征指标的权值,否则更新典型故障特征向量的特征指标权值后,重新计算典型故障的特征向量,直到迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354596.5A CN113219329B (zh) | 2021-04-01 | 2021-04-01 | 一种高压断路器故障融合诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354596.5A CN113219329B (zh) | 2021-04-01 | 2021-04-01 | 一种高压断路器故障融合诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219329A CN113219329A (zh) | 2021-08-06 |
CN113219329B true CN113219329B (zh) | 2023-12-22 |
Family
ID=77086243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354596.5A Active CN113219329B (zh) | 2021-04-01 | 2021-04-01 | 一种高压断路器故障融合诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219329B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951263B (zh) * | 2023-03-13 | 2023-06-16 | 广东工业大学 | 一种牵引系统主回路接地故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181460A (zh) * | 2014-07-07 | 2014-12-03 | 沈阳工业大学 | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 |
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断系统 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3775946B1 (en) * | 2018-03-28 | 2024-05-08 | ABB Schweiz AG | Apparatus and method for fault diagnosis for circuit breaker |
-
2021
- 2021-04-01 CN CN202110354596.5A patent/CN113219329B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181460A (zh) * | 2014-07-07 | 2014-12-03 | 沈阳工业大学 | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 |
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断系统 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
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 |
Non-Patent Citations (5)
Title |
---|
Fault Diagnosis of Circuit Breaker Energy Storage Mechanism Based on Current-Vibration Entropy Weight Characteristic and Grey Wolf Optimization–Support Vector Machine;Shutao Zhao 等;《IEEE Access》;20190717;第7卷;86798-86809 * |
基于多信息智能融合理论的高压断路器故障诊断研究;陆禹丞;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200615(第06期);C042-445 * |
基于智能理论的高压断路器机械故障诊断;田涛 等;《江苏电机工程》;20141130;第33卷(第6期);12-15 * |
高压断路器在线监测与故障诊断系统研究;张弛;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20070615(第06期);C042-104 * |
高压断路器机械故障诊断专家系统设计;黄建 等;《电机与控制学报》;20111031;第15卷(第10期);43-49 * |
Also Published As
Publication number | Publication date |
---|---|
CN113219329A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN111598166B (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 | |
CN113049922A (zh) | 一种采用卷积神经网络的故障电弧信号检测方法 | |
CN111679158A (zh) | 基于同步量测数据相似度的配电网故障辨识方法 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
CN113219329B (zh) | 一种高压断路器故障融合诊断方法 | |
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 | |
CN105718958A (zh) | 基于线性判别分析和支持向量机的断路器故障诊断方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
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 | |
CN113219328B (zh) | 一种基于信息融合的断路器操作机构故障智能诊断方法 | |
CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
CN115980560A (zh) | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 | |
CN112800976A (zh) | 基于高压断路器振动信号的故障诊断方法 | |
CN106019043B (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
CN103954910B (zh) | 一种永磁操作机构电流信号的故障诊断装置及方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN108919041B (zh) | 一种基于聚类分析的变压器绕组状态在线监测方法 | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN109886063B (zh) | 基于小波时频图处理的有载调压开关振动故障诊断方法 | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
CN114611606B (zh) | 基于核混合空间投影的故障检测方法 | |
CN114280433B (zh) | 一种基于放大电路的变压器套管局部放电风险评估方法 |
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 |