CN113687222A - 一种sf6断路器弧触头状态评估方法及系统 - Google Patents
一种sf6断路器弧触头状态评估方法及系统 Download PDFInfo
- Publication number
- CN113687222A CN113687222A CN202110976506.6A CN202110976506A CN113687222A CN 113687222 A CN113687222 A CN 113687222A CN 202110976506 A CN202110976506 A CN 202110976506A CN 113687222 A CN113687222 A CN 113687222A
- Authority
- CN
- China
- Prior art keywords
- contact
- circuit breaker
- resistance
- state
- steps
- 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
- 229910018503 SF6 Inorganic materials 0.000 title claims description 28
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 title claims description 11
- 229960000909 sulfur hexafluoride Drugs 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 11
- 229910052751 metal Inorganic materials 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000002679 ablation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 239000000463 material Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000881 Cu alloy Inorganic materials 0.000 description 1
- 235000003332 Ilex aquifolium Nutrition 0.000 description 1
- 241000209027 Ilex aquifolium Species 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001595 contractor effect Effects 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- SBYXRAKIOMOBFF-UHFFFAOYSA-N copper tungsten Chemical compound [Cu].[W] SBYXRAKIOMOBFF-UHFFFAOYSA-N 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/08—Measuring resistance by measuring both voltage and current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Circuit Breakers (AREA)
Abstract
本公开提供了一种SF6断路器弧触头状态评估方法及系统，获取SF6断路器的运行状态数据；根据获取的运行状态数据，提取触头状态辨识特征值；根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态；本公开采用随机森林算法对触头状态进行辨识，在小样本的情境下具有较好的鲁棒性、分类效果和回归效果，极大的提高了SF6断路器弧触头状态评估的准确性。
Description
技术领域
本公开涉及断路器状态评估技术领域，特别涉及一种SF6断路器弧触头状态评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
SF6气体因其优良的灭弧性能，所以普遍应用在高压开断领域。SF6高压断路器在电力系统中承担着控制和保护的作用。触头是断路器的重要组成部件，在灭弧室内部被SF6气体包围，现有技术手段很难直接识别其健康状态。近些年，动态接触电阻测量法(DynamicResistance Measurement，DRM)受到了广泛的关注。该方法可以在不拆卸灭弧室的情况下，注入适当的直流电流，采用四线法测量断路器分闸过程中内部动、静触头之间的接触电阻，通过采集到的电阻数据和行程数据建立动态回路电阻—行程曲线。然后，综合分析电阻的变化趋势即可实现触头状态的辨识。
触头在工作中容易受到烧蚀、金属疲劳、应力松弛、弧后磨损等缺陷的影响，进而影响到触头的工作状态，严重故障甚至使得触头不能成功断开电弧，危害系统安全。因此，掌握触头的健康状态，对于保证供电可靠性有重要意义。
发明人发现，现有的SF6断路器弧触头大多采用以神经网络为代表的深度学习算法对烧蚀状态进行辨识，忽略了金属疲劳、应力松弛、磨损等机械缺陷，此外深度学习算法都需要进行降维操作，且不能实现小样本下的状态识别。
发明内容
为了解决现有技术的不足，本公开提供了一种SF6断路器弧触头状态评估方法及系统，采用随机森林算法对触头状态进行辨识，在小样本的情境下具有较好的鲁棒性、分类效果和回归效果，极大的提高了SF6断路器弧触头状态评估的准确性。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种SF6断路器弧触头状态评估方法。
一种SF6断路器弧触头状态评估方法，包括以下过程：
获取SF6断路器的运行状态数据；
根据获取的运行状态数据，提取触头状态辨识特征值；
根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态。
本公开第二方面提供了一种SF6断路器弧触头状态评估系统。
一种SF6断路器弧触头状态评估系统，包括：
数据获取模块，被配置为：获取SF6断路器的运行状态数据；
特征提取模块，被配置为：根据获取的运行状态数据，提取触头状态辨识特征值；
状态评估模块，被配置为：根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的SF6断路器弧触头状态评估方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的SF6断路器弧触头状态评估方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质或电子设备，采用随机森林算法对触头状态进行辨识，考虑了金属疲劳、应力松弛、磨损等机械缺陷，在小样本的情境下具有较好的鲁棒性、分类效果和回归效果，极大的提高了SF6断路器弧触头状态评估的准确性。
2、本公开所述的方法、系统、介质或电子设备，相比于以神经网络为代表的深度学习算法，采用随机森林算法无需降维，且在较小的样本集上可实现较好的识别效果，更适应于小样本下的状态辨识。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的SF6断路器弧触头状态评估方法的流程示意图。
图2为本公开实施例1提供的合闸阶段中的电阻、行程和时间的关系图。
图3为本公开实施例1提供的分闸阶段中的电阻、行程和时间的关系图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
本公开实施例1提供了一种SF6断路器弧触头状态评估方法，包括以下过程：
获取SF6断路器的运行状态数据；
根据获取的运行状态数据，提取触头状态辨识特征值；
根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态。
具体的，包括以下内容：
如图1所示，在高压断路器动作的同时，使用位移传感器对触头行程进行测量，同时四线法测量流经触头的测试电流值和触头两端的电压，分闸阶段的测试电流必须稳定在3000A，并计算出实测接触电阻值，结合触头行程得到触头的动态接触电阻曲线；
开展触头烧蚀实验，每间隔10次，采集到电弧烧蚀后的动态接触电阻曲线；将断路器保持在合闸状态；开展触头应力松弛实验，每间隔1个月，采集到应力松弛状态下的动态接触电阻曲线；开展断路器不带负荷的分合闸实验，每进行100次分合闸实验，采集到金属疲劳状态下的动态接触电阻曲线。
分别提取正常、烧蚀、应力松弛、金属疲劳等状态下动态接触电阻曲线下的特征值，随机选取其中80％作为训练样本集，其余20％作为识别样本集，通过训练样本集对随机森林分类器进行参数寻优和模型训练，然后使用识别样本集验证模型的有效性。
本实施例中，为了避免测试电流、动作速度对接触电阻曲线的干扰，要求测试电流稳定在3000A，分合闸速度之间相差不超过0.2m/s。
调整测试电流和动作速度，得到50组样本数据，对分闸阶段弧触头接触电阻求取平均值。选取40组样本作为训练数据，选用测试电流、动作速度作为自变量，接触电阻作为因变量，基于径向基核函数建立接触电阻的预测模型。使用剩余10组数据验证预测模型的有效性，比较预测值与测量值的误差。
在断路器动态回路电阻测量时，电阻由收缩电阻Rc，膜电阻Rf，触头的体电阻Rb组成，具体为：
R＝Rc+Rf+Rb
收缩电阻为接触面的电流收缩效应，膜电阻为接触表面附着的导电性较差的物质。
动态接触电阻曲线在合、分闸阶段中的电阻、行程和时间的关系如图2、图3所示。
断路器在合闸时，弧触头率先接触，然后是主触头，因此曲线首先进入弧触头阶段，再进入主触头阶段。分闸时，主触头率先分离，然后弧触头分离，因此曲线首先进入主触头阶段，再进入弧触头阶段。如图中分闸阶段曲线所示，由于主、弧触头的电阻值有显著的差异，因此可以轻易的将分闸阶段划分为主触头阶段和弧触头阶段。但是，对于合闸阶段，其曲线波动较大无法直接区分主、弧触头阶段。但是，主、弧触头的长度在合、分闸阶段并没有发生变化，因此可以利用分闸阶段的电阻曲线区分出主、弧触头阶段对应的行程，代入合闸阶段曲线即可得到主、弧触头阶段。基于上述方法，可以实现对主、弧触头阶段接触电阻曲线的统计。
根据触头的机械结构，弧触头承担着抵抗电弧烧蚀的作用。因为动、静触指之间的内外径存在差值，接触发生时，触指承受恒定形变的作用，其触指依靠自身形变产生的触指力，使动、静触头保持接触。
包含着巨大能量的电弧烧蚀在钨铜合金材料的弧触头上，熔点较低的铜因为高温熔化，在触头表面留下空洞，剩余的金属钨在分合闸冲击载荷的作用下，也会发生脱落。最终，烧蚀使得弧触头材料损失。
弧触头在合闸保持阶段承受恒定形变的作用，易引发应力松弛缺陷。弧触头触指发生应力松弛现象时，触头接触力下降，根据Holm电接触理论，H是材料硬度，F是接触力，ρ是材料电阻率，收缩电阻Rc可以表示为：
根据上式，接触力与收缩电阻成反比，接触力下降使得弧触头上的接触电阻升高。
触头在断路器多次动作时，会承受循环载荷的作用，易发金属疲劳缺陷。疲劳破坏指当材料或结构受到多次重复变化的荷载作用后，应力值虽然始终没有超过材料的强度极限，甚至比弹性极限还低的情况下就可能发生破坏，这种在交变载荷重复作用下材料或结构的破坏现象。
金属疲劳损伤分为三个阶段，分别是：早期力学性能退化；损伤的累积；失效断裂。对于触头，在断路器动作过程中会承受大量的冲击载荷，触指材料在载荷的长期作用下，内部开始出现位错、滑移带和微裂纹，此时属于力学性能退化阶段；接着微裂纹会成长为宏观裂纹，此时属于损伤累积阶段；随着宏观裂纹的延伸，直至发生疲劳断裂。
在疲劳损伤过程中，微观裂纹的发展会导致材料电阻率的升高，进而影响其电阻的变化。
随着摩擦次数的增加，触头表面磨损愈发严重，也伴随着接触对材料的相互转移，使得电接触由之前的稳态接触朝着劣化的方向不断发展，有效接触面积减小使得接触电阻升高。但是，有效接触面积并不是单调减小的，随着摩擦次数的进行，电接触首先达到劣化状态(此时电阻上升且达到一个峰值R1)，然后接触面在摩擦力的作用下重新趋于相对稳定的状态，电阻也随即下降，经过一段时间的摩擦后，又会达到另一个劣化状态(此时电阻到达新的峰值R2)。换而言之，在摩擦实验过程中，电接触状态从劣化—相对稳定—再次劣化的过程中循环往复，而阻值在劣化时达到峰值。且电阻的总体趋势是升高的。
犁沟特征的增加会减少接触面的真实接触面积，使得接触电阻升高。
随机森林是以决策树作为基本分类器的一个集成学习模型，利用Bootstrap重抽样方法从原始样本数据中获取一定数量的样本，然后对这些样本分别进行决策树建模，其最终预测结果是将多个决策树的预测结果进行组合评价得到。
随机森林是以决策树为基学习器，在得到训练数据集的划分后，会利用划分后的数据集生成决策树。为了增加随机性，随机森林会在决策树生成的过程中加入随机属性。具体来说，传统决策树在选择划分属性时是根据信息增益或者信息增益比来获得当前条件下的最优属性；在随机森林中每个基决策树的每个结点，其划分的数据集并不是包含所有的属性，而是随机地包含k个属性，然后再利用信息增益或者信息增益比在这个子集中找出最优的属性，并利用这个属性进行数据集的划分。
交叉验证法(Cross Validation，CV)将数据集D通过分层采样的方式得到k个大小相似且数据分布一致的互斥子集，即：
D＝D1∪D2∪…∪Dk，
在验证的时候，分别选取其中的一个子集为测试集，其他的数据集作为训练集，然后进行验证测试得到一个测试结果；依次循环k次，确保每一个子集都能作为测试集，其交叉验证的最终结果就是这k个测试结果的平均值。其评估结果与k值具有非常大的相关性，通常称为“k折交叉验证”(k-fold cross validation)。本发明通过5折交叉验证对学习器中的超参数进行寻优。
随机森林学习器在构建的过程中，特征数目值的选择尤为重要。一般来讲，适当增加特征数目的值能够提高模型的性能，因为在每个结点上，有更多的选择可以考虑；然而增大特征数目的值也会降低单个数的多样性，而这正是随机森林独有的特点，也会使算法的运算速率降低。
提取分闸阶段主触头平均电阻Rm、分闸阶段弧触头平均电阻Ra、分闸阶段弧触头超出主触头长度Rb和合闸阶段弧触头接触时的行程Ta作为触头状态辨识的特征值，构建训练样本集和识别样本集的特征矩阵。
相比于以神经网络为代表的深度学习算法，本实施例所述的随机森林算法无需降维，且在较小的样本集上可实现较好的识别效果，更适应于小样本下的状态辨识。
实施例2：
本公开实施例2提供了一种SF6断路器弧触头状态评估系统，包括：
数据获取模块，被配置为：获取SF6断路器的运行状态数据；
特征提取模块，被配置为：根据获取的运行状态数据，提取触头状态辨识特征值；
状态评估模块，被配置为：根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态。
所述系统的工作方法与实施例1提供的SF6断路器弧触头状态评估方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的SF6断路器弧触头状态评估方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的SF6断路器弧触头状态评估方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种SF6断路器弧触头状态评估方法，其特征在于：包括以下过程：
获取SF6断路器的运行状态数据；
根据获取的运行状态数据，提取触头状态辨识特征值；
根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态。
2.如权利要求1所述的SF6断路器弧触头状态评估方法，其特征在于：
运行状态数据至少包括断路器的行程信号和接触电阻值，根据得到的行程信号和接触电阻值得到动态接触电阻曲线，根据动态接触电阻曲线进行触头状态辨识特征值的提取。
3.如权利要求2所述的SF6断路器弧触头状态评估方法，其特征在于：
所述接触电阻为收缩电阻、膜电阻和触头的体电阻的加和。
4.如权利要求2所述的SF6断路器弧触头状态评估方法，其特征在于：
利用根据四线法获取的触头两端的电压和流过触头的测试电流值，得到接触电阻值。
5.如权利要求1所述的SF6断路器弧触头状态评估方法，其特征在于：
触头状态辨识特征值至少包括：分闸阶段主触头平均电阻、分闸阶段弧触头平均电阻、分闸阶段弧触头超出主触头长度以及合闸阶段弧触头接触时的行程。
6.如权利要求1所述的SF6断路器弧触头状态评估方法，其特征在于：
SF6断路器弧触头的状态至少包括正常、烧蚀、应力松弛和金属疲劳。
7.如权利要求1所述的SF6断路器弧触头状态评估方法，其特征在于：
随机森林算法中，以决策树作为基本分类器，利用Bootstrap重抽样方法从原始样本数据中获取一定数量的样本，对这些样本分别进行决策树建模，最终预测结果是将多个决策树的预测结果进行组合评价得到。
8.一种SF6断路器弧触头状态评估系统，其特征在于：包括：
数据获取模块，被配置为：获取SF6断路器的运行状态数据；
特征提取模块，被配置为：根据获取的运行状态数据，提取触头状态辨识特征值；
状态评估模块，被配置为：根据得到的状态辨识特征值以及预设随机森林算法，得到SF6断路器弧触头的状态。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的SF6断路器弧触头状态评估方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的SF6断路器弧触头状态评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110976506.6A CN113687222A (zh) | 2021-08-24 | 2021-08-24 | 一种sf6断路器弧触头状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110976506.6A CN113687222A (zh) | 2021-08-24 | 2021-08-24 | 一种sf6断路器弧触头状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113687222A true CN113687222A (zh) | 2021-11-23 |
Family
ID=78582061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110976506.6A Pending CN113687222A (zh) | 2021-08-24 | 2021-08-24 | 一种sf6断路器弧触头状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113687222A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680835A (zh) * | 2017-10-13 | 2018-02-09 | 中国电力科学研究院 | 一种基于神经网络的断路器弧触头烧蚀状态评估方法 |
| CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
| CN109948194A (zh) * | 2019-02-27 | 2019-06-28 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
| CN110210107A (zh) * | 2019-05-28 | 2019-09-06 | 浙江长兴笛卡尔科技有限公司 | 继电器触点燃弧强度状态检测方法、装置、设备及介质 |
| CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
| EP3745229A1 (de) * | 2019-05-28 | 2020-12-02 | Phoenix Contact GmbH & Co. KG | Verfahren und vorrichtung zur ausfallvorhersage von elementarrelais |
| CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及系统和装置 |
| CN112329809A (zh) * | 2020-09-25 | 2021-02-05 | 国网辽宁省电力有限公司大连供电公司 | 基于决策树算法的高压断路器故障诊断方法 |
| CN113627672A (zh) * | 2021-08-11 | 2021-11-09 | 青岛理工大学 | 基于偏最小二乘估计的断路器动态接触电阻预测方法 |
-
2021
- 2021-08-24 CN CN202110976506.6A patent/CN113687222A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680835A (zh) * | 2017-10-13 | 2018-02-09 | 中国电力科学研究院 | 一种基于神经网络的断路器弧触头烧蚀状态评估方法 |
| CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
| CN109948194A (zh) * | 2019-02-27 | 2019-06-28 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
| CN110210107A (zh) * | 2019-05-28 | 2019-09-06 | 浙江长兴笛卡尔科技有限公司 | 继电器触点燃弧强度状态检测方法、装置、设备及介质 |
| EP3745229A1 (de) * | 2019-05-28 | 2020-12-02 | Phoenix Contact GmbH & Co. KG | Verfahren und vorrichtung zur ausfallvorhersage von elementarrelais |
| CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
| CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及系统和装置 |
| CN112329809A (zh) * | 2020-09-25 | 2021-02-05 | 国网辽宁省电力有限公司大连供电公司 | 基于决策树算法的高压断路器故障诊断方法 |
| CN113627672A (zh) * | 2021-08-11 | 2021-11-09 | 青岛理工大学 | 基于偏最小二乘估计的断路器动态接触电阻预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YAKUI LIU: "Mechanical Condition Identification and Prediction of Spring Operating Mechanism of High Voltage Circuit Breaker", IEEE ACCESS, pages 210328 - 210337 * |
| 宋玉琴: "基于优化随机森林算法的高压断路器故障诊断", 电子测量技术, pages 95 - 98 * |
| 毛文奇: "126KVSF6断路器触头状态诊断方法研究", 水电能源科学, pages 190 - 192 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmed et al. | Multivariate online anomaly detection using kernel recursive least squares | |
| Yao et al. | Fault diagnosis model of adaptive miniature circuit breaker based on fractal theory and probabilistic neural network | |
| Ahmethodzic et al. | Linking a physical arc model with a black box arc model and verification | |
| CN107680835B (zh) | 一种基于神经网络的断路器弧触头烧蚀状态评估方法 | |
| Yang et al. | Intelligent fault types diagnostic system for dissolved gas analysis of oil-immersed power transformer | |
| CN105372528B (zh) | 一种电力变压器内部故障的状态检修方法 | |
| CN113627672A (zh) | 基于偏最小二乘估计的断路器动态接触电阻预测方法 | |
| CN108776017A (zh) | 一种改进chsmm的滚动轴承剩余寿命预测方法 | |
| CN113687222A (zh) | 一种sf6断路器弧触头状态评估方法及系统 | |
| Arshad et al. | Power transformer aging and life extension | |
| Wu et al. | Ablation state assessment of SF6 circuit breaker contacts based on BP neural network and mean impact value | |
| Pessoa et al. | Parameter estimation of DC black-Box arc models using genetic algorithms | |
| Liu et al. | Mechanical condition identification and prediction of spring operating mechanism of high voltage circuit breaker | |
| CN112329809A (zh) | 基于决策树算法的高压断路器故障诊断方法 | |
| CN115078618B (zh) | 一种变压器油色谱故障识别方法及相关装置 | |
| CN116028871A (zh) | 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 | |
| CN115859594A (zh) | 基于层次分析的变电设备的健康评估算法 | |
| CN112285546B (zh) | 一种基于多源数据和神经网络的触头寿命评估系统及方法 | |
| JP2023088210A (ja) | 製品性能の推定モデルの生成方法及び生成装置、製品性能の推定装置及び推定方法、並びにプログラム | |
| Orama-Exclusa et al. | Numerical arc model parameter extraction for SF6 circuit breaker simulations | |
| Ha et al. | Evaluation of interruption performance index of high voltage circuit breakers using numerical simulation and data analysis technique | |
| Mu et al. | Reliability analysis of vacuum circuit breaker with permanent magnet material actuator based on competitive failure model | |
| Yan et al. | Research on imbalanced data fault diagnosis of on-load tap changers based on IGWO-WELM | |
| Lu et al. | Simulation study on current-zero period phenomenon and analyse of high voltage gas circuit breaker | |
| Yaicharoen et al. | Effects of Dimensionality Reduction on Classifier Training Time and Quality |
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 |