CN113780401A - 基于主成分分析法的复合绝缘子故障检测方法及系统 - Google Patents
基于主成分分析法的复合绝缘子故障检测方法及系统 Download PDFInfo
- Publication number
- CN113780401A CN113780401A CN202111037732.4A CN202111037732A CN113780401A CN 113780401 A CN113780401 A CN 113780401A CN 202111037732 A CN202111037732 A CN 202111037732A CN 113780401 A CN113780401 A CN 113780401A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- principal component
- component analysis
- fault detection
- detected
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 132
- 239000002131 composite material Substances 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000012847 principal component analysis method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000007547 defect Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001931 thermography Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000005684 electric field Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 239000000725 suspension Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J1/44—Electric circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J1/44—Electric circuits
- G01J2001/4413—Type
- G01J2001/442—Single-photon detection or photon counting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供一种基于主成分分析法的复合绝缘子故障检测方法及系统,属于绝缘子性能评估技术领域,获取待检测的复合绝缘子的性能指标数据;基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。本发明可以根据现场条件,采集绝缘子不同物理特征值,通过主成分分析法进行分类,最终通过向量机对复合绝缘子状态进行判断,能够快速、准确地判断复合绝缘子状态,确定故障类型和准确率。
Description
技术领域
本发明涉及绝缘子故障检测技术领域,具体涉及一种基于主成分分析法的复合绝缘子故障检测方法及系统。
背景技术
为了保证高压输电网络输电安全性,网络中使用了大量绝缘子,复合绝缘子以其优良的绝缘性能、良好的机械性能、较低的生产成本等优点在输电网络中渐渐取代了其他材料的绝缘子。
但在长时间的挂网运行后,复合绝缘子在高压的电腐蚀、外部机械拉力和恶劣的环境因素的共同作用下,不可避免地会出现性能劣化,甚至会发生断裂,导致输电线与杆塔或者输电线之间发生接触,引发电网故障,严重威胁电力系统的安全运行以及人身财产安全,因此,对绝缘子进行快速准确的故障检测对电网系统安全运行具有重要的意义。
绝缘子外部的缺陷较容易发现,但对于硅橡胶下面芯棒的缺陷检测还不够成熟。现有常用的绝缘子故障检测方法为热成像法,以异常发热点作为故障依据,但实际使用时会发现存在漏检、误检现象,浪费大量人力物力。
发明内容
本发明的目的在于提供一种基于主成分分析法的复合绝缘子故障检测方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种基于主成分分析法的复合绝缘子故障检测方法,包括:
获取待检测的复合绝缘子的性能指标数据;
基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
优选的,所述性能指标数据包括:温度、电压、反射波时间差、电流、电磁波频率、光子数。
优选的,获取待检测的复合绝缘子的性能指标参数包括:采用红外热成像法采集温度,电场分布法采集电压,超声波法采集反射波时间差,泄露电流法采集电流,电磁波谱法采集电磁波频率,紫外成像法采集光子数。
优选的,计算待检测的复合绝缘子对应的不同状态的综合得分包括:对采集的数据进行标准化处理,得到标准化矩阵;根据标准化矩阵求出协方差矩阵;根据协方差矩阵求出特征值、主成分贡献率和累计方差贡献率,确定主成分个数;计算主成分载荷;计算主成分得分与对应的权重系数;根据主成分得分和对应的权重系数,计算综合得分。
优选的,训练所述故障检测模型包括:
分别采集正常复合绝缘子和具有不同类型缺陷的复合绝缘子的性能指标数据,获得原始数据,建立样本库;
采用主成分分析法,计算每一成分的得分与对应的指标权重系数,得到正常复合绝缘子和具有不同类型缺陷的复合绝缘子的综合得分;
建立基础神经网络,将计算得到的不同的综合得分结果作为输入,将复合绝缘子缺陷类别作为输出,训练所述基础神经网络,得到最终训练好的故障检测模型。
优选的,利用预先训练好的故障检测模型,将得到的待检测的复合绝缘子的综合得分作为输入,输出对应的复合绝缘子状态;若为故障绝缘子,则输出缺陷类型。
优选的,所述缺陷类型包括:外部伞裙缺陷、内部悬浮缺陷、内部导通缺陷和水汽入侵缺陷。
第二方面,本发明提供一种基于主成分分析法的复合绝缘子故障检测系统,包括:
获取模块,用于获取待检测的复合绝缘子的性能指标数据;
计算模块,用于基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
诊断模块,用于利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的基于主成分分析法的复合绝缘子故障检测方法。
第四方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的基于主成分分析法的复合绝缘子故障检测方法的指令。
本发明有益效果:可以根据现场条件,采集绝缘子不同物理特征值,通过主成分分析法进行分类,最终通过向量机对复合绝缘子状态进行判断,能够快速、准确地判断复合绝缘子状态,确定故障类型和准确率。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于主成分分析法的复合绝缘子故障检测方法流程示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供了一种基于主成分分析法的复合绝缘子故障检测系统,可以根据现场条件,采集绝缘子不同物理特征值,通过主成分分析法进行分类,最终通过向量机对复合绝缘子状态进行判断,能够快速、准确地判断复合绝缘子状态,若发生故障可以给出故障类型和准确率。
本实施例1中,所述的基于主成分分析法的复合绝缘子故障检测系统,主要包括以下功能模块:
获取模块,用于获取待检测的复合绝缘子的性能指标数据;
计算模块,用于基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
诊断模块,用于利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
在本实施例1中,利用上述的基于主成分分析法的复合绝缘子故障检测系统,实现了基于主成分分析法的复合绝缘子故障检测方法,该方法包括:
利用获取模块,获取待检测的复合绝缘子的性能指标数据;
利用计算模块,基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
使用判断模块,基于预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
本实施例1中,所述性能指标数据包括:温度、电压、反射波时间差、电流、电磁波频率、光子数。
获取待检测的复合绝缘子的性能指标参数包括:采用红外热成像法采集温度,电场分布法采集电压,超声波法采集反射波时间差,泄露电流法采集电流,电磁波谱法采集电磁波频率,紫外成像法采集光子数。
计算待检测的复合绝缘子对应的不同状态的综合得分包括:对采集的数据进行标准化处理,得到标准化矩阵;根据标准化矩阵求出协方差矩阵;根据协方差矩阵求出特征值、主成分贡献率和累计方差贡献率,确定主成分个数;计算主成分载荷;计算主成分得分与对应的权重系数;根据主成分得分和对应的权重系数,计算综合得分。
本实施例1中,训练所述故障检测模型包括:
分别采集正常复合绝缘子和具有不同类型缺陷的复合绝缘子的性能指标数据,获得原始数据,建立样本库;
采用主成分分析法,计算每一成分的得分与对应的指标权重系数,得到正常复合绝缘子和具有不同类型缺陷的复合绝缘子的综合得分;
建立基础神经网络,将计算得到的不同的综合得分结果作为输入,将复合绝缘子缺陷类别作为输出,训练所述基础神经网络,得到最终训练好的故障检测模型。
利用预先训练好的故障检测模型,将得到的待检测的复合绝缘子的综合得分作为输入,输出对应的复合绝缘子状态;若为故障绝缘子,则输出故障类型。所述缺陷类型包括:外部伞裙缺陷、内部悬浮缺陷、内部导通缺陷和水汽入侵缺陷。
实施例2
本发明实施例2提供了一种基于主成分分析法的复合绝缘子故障检测方法,该方法将多种数据采集方法相结合,采集了检测复合绝缘子的多种性能指标,减少了由于单一方法造成的漏检与误判,增加了可以检测到的故障类型;可以在现有模型基础上随意对检测方法进行增减,增加故障预测成功率;可以根据现场条件,人为选择停电检测或带电检测方法,更加灵活,减少了停电检测带来的麻烦。
如图1所示,本实施例2所述的复合绝缘子故障检测方法,主要包括以下流程步骤:
第一步:分别对完好复合绝缘子和不同类型缺陷的复合绝缘子进行多方法检测,采用红外热成像法采集温度,电场分布法采集电压,超声波法采集反射波时间差,泄露电流法采集电流,电磁波谱法采集电磁波频率,紫外成像法采集光子数等,获得原始数据,建立样本库;
其中缺陷类型包括外部伞裙缺陷、内部悬浮缺陷、内部导通缺陷和水汽入侵缺陷。
第二步:采用主成分分析法,计算每一成分的得分与对应的指标权重系数,得到被测复合绝缘子的最终综合得分。具体步骤如下:
对采集的数据进行标准化处理,得到标准化矩阵,标准化矩阵元素计算公式如下:
根据标准化矩阵求出协方差矩阵R,其元素计算公式为:
根据协方差矩阵求出特征值,主成分贡献率和累计方差贡献率,确定主成分个数。
主成分贡献率为:
累积贡献率为:
其中,p表示特征值的个数,m表示主成分的个数,λk表示第k个特征值。
选取特征值大于1且累积贡献率大于85%的特征值,计算主成分载荷为:
计算主成分得分与对应的权重系数,其中:
主成分得分为:
最终,计算综合得分为:
第三步:建立复合绝缘子故障诊断模型。将第二步得到的不同计算结果作为输入,对应不同类型的复合绝缘子缺陷类别作为输出,进行训练,得到训练好的故障诊断模型(即故障检测模型)
第四步:利用建立好的复合绝缘子故障诊断模型对被测绝缘子进行检测和诊断,得到此绝缘子的状态和相应准确率。缺陷诊断主要步骤如下:
1.根据现场条件,采用采用红外热成像法采集温度,电场分布法采集电压,超声波法采集反射波时间差,泄露电流法采集电流,电磁波谱法采集电磁波频率,紫外成像法采集光子数等,并收集数据。
2.采用第二步中的公式,计算每一成分的得分与对应的指标权重系数,得到被测复合绝缘子的最终综合得分。
3.将计算结果作为复合绝缘子故障诊断模型的输入,模型输出对应的复合绝缘子状态,如出现故障则输出故障类别。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的基于主成分分析法的复合绝缘子故障检测方法,该方法包括:
获取待检测的复合绝缘子的性能指标数据;
基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
实施例4
本发明实施例4提供一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的基于主成分分析法的复合绝缘子故障检测方法,该方法包括:
获取待检测的复合绝缘子的性能指标数据;
基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
实施例5
本发明实施例5提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的基于主成分分析法的复合绝缘子故障检测方法的指令,该方法包括:
获取待检测的复合绝缘子的性能指标数据;
基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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,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。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于主成分分析法的复合绝缘子故障检测方法,其特征在于,包括:
获取待检测的复合绝缘子的性能指标数据;
基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
2.根据权利要求1所述的基于主成分分析法的复合绝缘子故障检测方法,其特征在于,所述性能指标数据包括:温度、电压、反射波时间差、电流、电磁波频率、光子数。
3.根据权利要求2所述的基于主成分分析法的复合绝缘子故障检测方法,其特征在于,获取待检测的复合绝缘子的性能指标参数包括:采用红外热成像法采集温度,电场分布法采集电压,超声波法采集反射波时间差,泄露电流法采集电流,电磁波谱法采集电磁波频率,紫外成像法采集光子数。
4.根据权利要求1所述的基于主成分分析法的复合绝缘子故障检测方法,其特征在于,计算待检测的复合绝缘子对应的不同状态的综合得分包括:对采集的数据进行标准化处理,得到标准化矩阵;根据标准化矩阵求出协方差矩阵;根据协方差矩阵求出特征值、主成分贡献率和累计方差贡献率,确定主成分个数;计算主成分载荷;计算主成分得分与对应的权重系数;根据主成分得分和对应的权重系数,计算综合得分。
5.根据权利要求1所述的基于主成分分析法的复合绝缘子故障检测方法,其特征在于,训练所述故障检测模型包括:
分别采集正常复合绝缘子和具有不同类型缺陷的复合绝缘子的性能指标数据,获得原始数据,建立样本库;
采用主成分分析法,计算每一成分的得分与对应的指标权重系数,得到正常复合绝缘子和具有不同类型缺陷的复合绝缘子的综合得分;
建立基础神经网络,将计算得到的不同的综合得分结果作为输入,将复合绝缘子缺陷类别作为输出,训练所述基础神经网络,得到最终训练好的故障检测模型。
6.根据权利要求1所述的基于主成分分析法的复合绝缘子故障检测方法,其特征在于,利用预先训练好的故障检测模型,将得到的待检测的复合绝缘子的综合得分作为输入,输出对应的复合绝缘子状态;若为故障绝缘子,则输出缺陷类型。
7.根据权利要求6所述的基于主成分分析法的复合绝缘子故障检测方法,其特征在于,所述缺陷类型包括:外部伞裙缺陷、内部悬浮缺陷、内部导通缺陷和水汽入侵缺陷。
8.一种基于主成分分析法的复合绝缘子故障检测系统,其特征在于,包括:
获取模块,用于获取待检测的复合绝缘子的性能指标数据;
计算模块,用于基于性能指标数据,采用主成分分析法,计算待检测的复合绝缘子对应的不同状态的综合得分;
诊断模块,用于利用预先训练好的故障检测模型,对得到的待检测的复合绝缘子的综合得分进行处理,得到对应的复合绝缘子的状态。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-7任一项所述的基于主成分分析法的复合绝缘子故障检测方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-7任一项所述的基于主成分分析法的复合绝缘子故障检测方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111037732.4A CN113780401A (zh) | 2021-09-06 | 2021-09-06 | 基于主成分分析法的复合绝缘子故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111037732.4A CN113780401A (zh) | 2021-09-06 | 2021-09-06 | 基于主成分分析法的复合绝缘子故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780401A true CN113780401A (zh) | 2021-12-10 |
Family
ID=78841179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111037732.4A Pending CN113780401A (zh) | 2021-09-06 | 2021-09-06 | 基于主成分分析法的复合绝缘子故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780401A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518510A (zh) * | 2021-12-31 | 2022-05-20 | 湖南科技大学 | 一种绝缘子外部绝缘状态检测方法、系统及介质 |
CN116183621A (zh) * | 2022-09-16 | 2023-05-30 | 湖南海电电瓷电器有限公司 | 一种瓷绝缘子质量检测方法及系统 |
CN117310394A (zh) * | 2023-11-29 | 2023-12-29 | 天津市英环信诚科技有限公司 | 基于大数据的电力故障检测方法、装置及电子设备及介质 |
CN117347912A (zh) * | 2023-12-06 | 2024-01-05 | 清华大学深圳国际研究生院 | 光纤绝缘子界面性能测试装置以及界面性能评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124113A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
CN109344517A (zh) * | 2018-10-14 | 2019-02-15 | 毛述春 | 一种新能源汽车的高压绝缘故障诊断方法 |
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
CN110889435A (zh) * | 2019-11-04 | 2020-03-17 | 国网河北省电力有限公司检修分公司 | 基于红外图像的绝缘子评估分类方法及其装置 |
CN111126497A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 变压器固体绝缘材料老化状态评估方法 |
CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
CN112132226A (zh) * | 2020-09-29 | 2020-12-25 | 国网新疆电力有限公司电力科学研究院 | 一种±1100kV复合绝缘子缺陷诊断方法 |
CN113049606A (zh) * | 2021-03-11 | 2021-06-29 | 云南电网有限责任公司电力科学研究院 | 一种大面积高精度绝缘子污秽分布评估方法 |
CN113159162A (zh) * | 2021-04-19 | 2021-07-23 | 南京理工大学紫金学院 | 一种基于信息融合与灰色关联度的故障诊断方法及系统 |
-
2021
- 2021-09-06 CN CN202111037732.4A patent/CN113780401A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124113A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
CN109344517A (zh) * | 2018-10-14 | 2019-02-15 | 毛述春 | 一种新能源汽车的高压绝缘故障诊断方法 |
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
CN110889435A (zh) * | 2019-11-04 | 2020-03-17 | 国网河北省电力有限公司检修分公司 | 基于红外图像的绝缘子评估分类方法及其装置 |
CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
CN111126497A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 变压器固体绝缘材料老化状态评估方法 |
CN112132226A (zh) * | 2020-09-29 | 2020-12-25 | 国网新疆电力有限公司电力科学研究院 | 一种±1100kV复合绝缘子缺陷诊断方法 |
CN113049606A (zh) * | 2021-03-11 | 2021-06-29 | 云南电网有限责任公司电力科学研究院 | 一种大面积高精度绝缘子污秽分布评估方法 |
CN113159162A (zh) * | 2021-04-19 | 2021-07-23 | 南京理工大学紫金学院 | 一种基于信息融合与灰色关联度的故障诊断方法及系统 |
Non-Patent Citations (6)
Title |
---|
刘庆珍等: "基于降维技术与 K-means 聚类的油纸绝缘状态综合灰评估", 电力系统保护与控制, vol. 47, no. 8, pages 1 - 4 * |
常安;宋云海;张晗;刘亚东;邓红雷;: "考虑参量有效性的输电线路状态评估方法研究及应用", 高压电器, no. 06 * |
杨异婷: "节事旅游活动对环境的影响效应研究——以上海佘山国家旅游度假区为例", 中国优秀硕士学位论文全文数据库信息辑, no. 8 * |
袁斌: "颗粒群体形态特征量化及对弃碴堆积体剪切特性的影响", 中国优秀硕士学位论文全文数据库信息辑, no. 4 * |
高艳;于飞;: "一种用于综合评价的主成分分析改进方法", 西安文理学院学报(自然科学版), no. 01 * |
黎振强: "基于 PCA-GRA 分析法的生态农业综合效益评价研究", 云梦学刊, vol. 36, no. 6 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518510A (zh) * | 2021-12-31 | 2022-05-20 | 湖南科技大学 | 一种绝缘子外部绝缘状态检测方法、系统及介质 |
CN114518510B (zh) * | 2021-12-31 | 2024-06-07 | 湖南科技大学 | 一种绝缘子外部绝缘状态检测方法、系统及介质 |
CN116183621A (zh) * | 2022-09-16 | 2023-05-30 | 湖南海电电瓷电器有限公司 | 一种瓷绝缘子质量检测方法及系统 |
CN116183621B (zh) * | 2022-09-16 | 2024-03-08 | 湖南海电电瓷电器有限公司 | 一种瓷绝缘子质量检测方法及系统 |
CN117310394A (zh) * | 2023-11-29 | 2023-12-29 | 天津市英环信诚科技有限公司 | 基于大数据的电力故障检测方法、装置及电子设备及介质 |
CN117347912A (zh) * | 2023-12-06 | 2024-01-05 | 清华大学深圳国际研究生院 | 光纤绝缘子界面性能测试装置以及界面性能评价方法 |
CN117347912B (zh) * | 2023-12-06 | 2024-03-22 | 清华大学深圳国际研究生院 | 光纤绝缘子界面性能测试装置以及界面性能评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780401A (zh) | 基于主成分分析法的复合绝缘子故障检测方法及系统 | |
CN108376298B (zh) | 一种风电机组发动机温度故障预警诊断方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN112505549B (zh) | 基于孤立森林算法的新能源汽车电池异常检测方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN114169237B (zh) | 结合eemd-lstm及孤立森林算法的电力电缆接头温度异常预警方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
CN113780060A (zh) | 一种基于多模态深度学习的高压开关柜态势感知方法 | |
CN113125095A (zh) | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 | |
CN109921415A (zh) | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN114254818A (zh) | 一种基于风险评估模型的低压配电网连锁故障预警方法 | |
CN115511387A (zh) | 基于多源信息融合的油浸变压器状态评估方法及系统 | |
CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
CN116894165B (zh) | 一种基于数据分析的电缆老化状态评估方法 | |
CN113486291A (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN112926188A (zh) | 基于扩展德拜模型的冲击电容器参数辨识方法及绝缘诊断方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 |
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 |