CN114252731A - 一种基于多个参数的继电器动作特性评估方法及装置 - Google Patents
一种基于多个参数的继电器动作特性评估方法及装置 Download PDFInfo
- Publication number
- CN114252731A CN114252731A CN202111520248.7A CN202111520248A CN114252731A CN 114252731 A CN114252731 A CN 114252731A CN 202111520248 A CN202111520248 A CN 202111520248A CN 114252731 A CN114252731 A CN 114252731A
- Authority
- CN
- China
- Prior art keywords
- voltage
- relay
- parameters
- coil
- time
- 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.)
- Granted
Links
- 230000009471 action Effects 0.000 title claims abstract description 81
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000032683 aging Effects 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000013210 evaluation model Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 8
- 241000255588 Tephritidae Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000001052 transient effect 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开了一种基于多个参数的继电器动作特性评估方法及装置,包括:搭建继电器动作特性的测量回路;根据所述测量回路测量所述继电器的触点间电压、线圈电压以及线圈电流;基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;输入所述时间参数和电压参数的样本参数至评估模型中进行训练,所述评估模型为基于广义回归神经网络建立的模型;当所述训练完成后生成所述继电器动作特性的老化程度。通过选取多个时间和电压参数并且回归模型和自变量不存在选择依靠主观经验,提高了继电器动作特性评估的准确度。
Description
技术领域
本申请涉及电磁继电器可靠性评估技术领域,尤其涉及一种基于多个参数的继电器动作特性评估方法及装置。
背景技术
开关设备在电力系统中发挥着保护和控制的作用,既需要在系统正常运行时进行设备和线路的投切,也需要在有故障发生时,与继电器保护相配合迅速切断故障电流,将故障部分从电网中切除,防止故障范围进一步扩大。继电器是开关设备二次控制回路中的重要元件,在运行过程中,继电器的触点一方面受到高热、高湿、粉尘、恶劣电磁环境等严酷环境条件的影响,一方面在长期运行中受到电弧的烧蚀和动作时的机械应力的作用,触点不断磨损,造成超程减少,动作时间增加,触点接触压力降低,接触电阻上升,从而造成继电器动作可靠性的降低。
现有技术中,目前对于电磁继电器可靠性评估方法大部分为通过抽样实验评估、通过测量触头磨损量评估或者通过回归分析建立继电器性能参数与剩余寿命之间的函数关系来进行继电器可靠性评估,这些方式不仅实验周期长,耗费大量人力物力进行磨损量测量,并且回归模型和自变量存在选择依靠主观经验的缺点,这样最终得到的可靠性评估结果误差偏差大。
发明内容
本申请实施例提供了一种基于多个参数的继电器动作特性评估方法及装置,用于
本申请实施例第一方面提供了一种基于多个参数的继电器动作特性评估方法,包括:
搭建继电器动作特性的测量回路;
根据所述测量回路测量所述继电器的触点间电压、线圈电压以及线圈电流;
基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
输入所述时间参数和电压参数的样本参数至评估模型中进行训练,所述评估模型为基于广义回归神经网络建立的模型;
当所述训练完成后生成所述继电器动作特性的老化程度。
可选的,在所述输入所述时间参数和电压参数的样本参数至评估模型中进行训练之前,所述方法还包括:
将所述时间参数、电压参数作为输入参数以及所述继电器老化程作为输出构建广义回归神经网络。
可选的,所述输入所述时间参数和电压参数的样本参数至评估模型中进行训练,包括:
通过果绳优化算法优化所述广义回归神经网络的平滑因子;
输入所述时间参数和电压参数的样本参数至所述优化后的广义回归神经络的评估模型中进行训练。
可选的,所述基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数,包括:
采集触点间电压信号以及线圈两端的电压信号与电流信号;
基于所述触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数。
可选的,在所述当所述训练完成后生成所述继电器动作特性的老化程度之前,所述方法还包括:
验证所述广义回归神经网络的评估准确度。
可选的,所述触点间电压包括常开触点间电压和常闭触点间电压。
本申请实施例第二方面提供了基于多个参数的继电器动作特性评估装置,包括:
搭建单元,用于搭建继电器动作特性的测量回路;
测量单元,用于根据所述测量回路测量所述继电器的触点间电压、线圈电压以及线圈电流;
计算单元,用于基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
输入单元,用于输入所述时间参数和电压参数的样本参数至评估模型中进行训练,所述评估模型为基于广义回归神经网络建立的模型;
生成单元,用于当所述训练完成后生成所述继电器动作特性的老化程度。
可选的,在所述输入单元之前,所述装置还包括:
构建单元,用于将所述时间参数、电压参数作为输入参数以及所述继电器老化程作为输出构建广义回归神经网络。
可选的,所述输入单元包括:
优化模块,用于通过果绳优化算法优化所述广义回归神经网络的平滑因子;
输入模块,用于输入所述时间参数和电压参数的样本参数至所述优化后的广义回归神经络的评估模型中进行训练。
可选的,所述计算单元包括:
采集模块,用于采集触点间电压信号以及线圈两端的电压信号与电流信号;
计算模块,用于基于所述触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数。
可选的,在所述生成单元之前,所述装置还包括:
验证单元,用于验证所述广义回归神经网络的评估准确度。
本申请实施例第三方面提供了基于多个参数的继电器动作特性评估装置,包括:
处理器、存储器、输入输出单元、总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述处理器具体执行如下操作:
搭建继电器动作特性的测量回路;
根据所述测量回路测量所述继电器的触点间电压、线圈电压以及线圈电流;
基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
输入所述时间参数和电压参数的样本参数至评估模型中进行训练,所述评估模型为基于广义回归神经网络建立的模型;
当所述训练完成后生成所述继电器动作特性的老化程度。
可选的,所述处理器还用于执行第一方面中的任意可选方案的操作。
本申请实施例第四方面提供了基于多个参数的继电器动作特性评估方法的计算机可读存储介质,包括:
所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行前述基于多个参数的继电器动作特性评估方法。
从以上技术方案可以看出,本申请实施例具有以下优点:本申请中,搭建继电器动作特性测量回路,根据测量回路测量继电器的触点间电压、线圈电压以及线圈电流,基于继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数,将时间参数和电压参数的样本参数输入到基于广义回归神经网络建立的模型中进行训练,训练完成后生成继电器动作特性的老化程度,通过选取多个时间和电压参数并且回归模型和自变量不存在选择依靠主观经验,提高了继电器动作特性评估的准确度。
附图说明
图1为本申请实施例中基于多个参数的继电器动作特性评估方法一个实施例流程示意图;
图2为本申请实施例中基于多个参数的继电器动作特性评估方法另一个实施例流程示意图;
图3-1为本申请实施例中动作时间参数分析图;
图3-2为本申请实施例中电压参数分析图;
图4为本申请实施例中基于多个参数的继电器动作特性评估装置一个实施例结构示意图;
图5为本申请实施例中基于多个参数的继电器动作特性评估装置另一个实施例结构示意图。
具体实施方式
本申请实施例提供了一种基于多个参数的继电器动作特性评估方法及装置,用于通过选取多个时间和电压参数并且回归模型和自变量不存在选择依靠主观经验,提高了继电器动作特性评估的准确度。
请参阅图1,下面以本实施例中服务器为执行主体,本申请实施例基于多个参数的继电器动作特性评估方法一个实施例包括:
101、服务器搭建继电器动作特性的测量回路;
实际应用中,目前大部分利用神经网络训练测试继电器的动作特性评估,但存在误差较大,且对于回归模型和自变量选择依靠主观经验的缺点。神经网络算法具有优良的自学习适应能力、复杂的非线性映射能力与良好的泛化性能和抗干扰能力,能够建立网络输入量与输出量之间的准确映射关系,但各输入量与输出之间的权重通过算法对样本数据的学习过程获得,排除了人为因素的干扰,能够有效地利用数据获得准确的结果。
本实施例中神经网络基于多个参数训练,首先是服务器搭建继电器动作特性的测量回路,在获得基础参数的前提下通过广义回归神经网络对样本参数进行模型训练,最后通过训练结果判断继电器的动作特性评估精度。
102、服务器根据测量回路测量继电器的触点间电压、线圈电压以及线圈电流;
本实施例中,采用0~250V可调直流电压源作为继电器的控制信号,电源两极接在继电器线圈两端;采用两个6V直流电压源分别在继电器常开触点之间、常闭触点之间施加电压,回路中串入50Ω的保护电阻。使用可调直流电压源作为线圈的动作电压,设置可调直流电压源输出线圈额定电压,控制继电器动作,测量动作过程中的常开触点间电压、常闭触点间电压、线圈电压、线圈电流。
103、基于继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号服务器计算不同老化程度下继电器动作的时间参数和电压参数;
本实施例中,将可调直流电压源输出电压设置为规定不动作值,使用工业计算机控制电源按照5%额定电压每毫秒的速度逐渐升压,直到继电器触点动作。触点动作后保持电压值不变,持续一段时间T,然后再升压至额定电压值,持续一段时间T。随后降压到规定保持值,持续一段时间T,此时继电器触点应仍保持动作状态。随后按照5%额定电压每毫秒的速度逐渐降压,直至继电器触点释放。记录整个过程中的线圈电压并将记录下的数据绘制时间曲线,计算得到继电器动作电压和返回电压。
104、服务器输入时间参数和电压参数的样本参数至评估模型中进行训练,评估模型为基于广义回归神经网络建立的模型;
重复103步骤,得到不同老化状态下继电器的动作时间、释放时间、回跳时间、动作时间以及返回时间后将各参数组成样本数据库,从样本数据库中随机挑选80%的样本构成训练集,剩下的样本构成测试集,将训练集输入到模型中进行训练。
105、当训练完成后服务器生成继电器动作特性的老化程度。
训练完成后的广义回归神经网络即可对同型号的任意继电器的动作特性进行分析评估,获得继电器动作特性的老化程度,由于提出的基于多个继电器动作特性参数的继电器动作特性评估方法,评估过程清晰,循序渐进,采用果蝇算法优化平滑因子的广义回归神经网络处理数据,可深度挖掘动作特性参数与动作特性老化程度之间的映射关系,对电磁继电器动作特性评估有重要意义。
请参阅图2,本申请实施例中服务器为执行主体,本申请实施例中基于多个参数的继电器动作特性评估方法另一个实施例包括:
201、服务器搭建继电器动作特性的测量回路;
202、服务器根据测量回路测量继电器的触点间电压、线圈电压以及线圈电流;
本实施例中步骤201至202与前述实施例中步骤101至102类似,此处不做赘述。
203、服务器采集触点间电压信号以及线圈两端的电压信号与电流信号;
本实施例中服务器使用高速采集卡采集线圈两端电压信号,线圈电流信号,常开触点间电压信号,常闭触点间电压信号,并将采集到的信号传输至计算机进行绘制各信号随时间变化的曲线。
204、服务器基于触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数;
请参阅图3中的动作时间参数和电压参数分析图,图3-1中t0时刻线圈上施加额定电压,由于线圈的电流不能突变而是逐渐增加,因此线圈产生的磁力小于弹簧拉力,动触点仍未运动。t1时刻动触点与常闭触点分离,触点电压上升为开路电压6V,由于触点振动,电压在经历短暂的振荡之后稳定为6V。t2时刻动触点与常开触点接触,常开触点电压由开路电压下降为0,经历短暂振荡后在t3时刻稳定为0V。t4时刻线圈断电,电压下降为0,电流逐渐下降。t5时刻线圈磁力小于弹簧拉力,动触点与常开触点分离,触点电压上升为开路电压6V。t6时刻动触点与常闭触点接触,触点电压下降为0。因此可以计算出常闭触点动作时间t1-t0,常开触点动作时间t2-t0,触点回跳时间t3-t2,常开触点释放时间t5-t4,常闭触点动作时间t6-t4。
图3-2中,将继电器线圈控制信号电源电压值设置为规定不动作值,使用工业计算机控制电源按照5%额定电压每毫秒的速度逐渐升压,直到t1时刻继电器动作,记录下此时的电压,即为动作电压。触点动作后保持电压值不变,持续一段时间,然后再升压至额定电压值,持续一段时间。随后降压到规定保持值,持续一段时间,此时继电器触点应仍保持动作状态。随后按照5%额定电压每毫秒的速度逐渐降压,直至t2时刻继电器触点释放,记录此时的电压为返回电压。
205、服务器将时间参数、电压参数作为输入参数以及所述继电器老化程作为输出构建广义回归神经网络;
本实施例中的广义回归神经网络是径向基网络的一种用于回归领域的变形算法。其中神经网络以动作时间,释放时间,回跳时间,动作电压和返回电压为输入参数,继电器老化程度为输出,构建5输入,1输出的网络。神经网络利用概率密度函数进行非线性回归分析,而回归分析中求解预测值实际上就是在给定输入变量x后计算具有最大概率值y。作为径向基神经网络的一种,广义回归神经网络具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,适用于解决非线性问题,而且广义回归神经网络在非线性拟合能力和计算速度上较目前常用的BP神经网络有更强的优势。
206、服务器通过果绳优化算法优化广义回归神经网络的平滑因子;
使用果蝇优化算法对广义回归神经网络的平滑因子进行优化。其步骤为:设置果蝇的种群规模和最大迭代次数,随机生成果蝇的初始位置;随机设置果蝇的飞行方向和飞行距离;随后计算果蝇与原点的距离D和气味浓度判定值S;将S作为光滑因子代入气味浓度判定函数F(S);随后找出果蝇群体中气味浓度值最小的个体,记录此时的气味浓度值和果蝇个体的位置;不断迭代直到达到最大迭代次数,记录气味浓度值最小的个体,对应获得最优的平滑因子。其中
气味浓度判定值和气味浓度判定函数为:
S=1/D (1)
207、服务器输入时间参数和电压参数的样本参数至优化后的广义回归神经络的评估模型中进行训练;
服务器输入时间参数和电压参数的样本参数至使用204步骤训练集样本训练平滑因子优化后的广义回归神经网络的模型中进行训练,一直到训练完成。
208、服务器验证广义回归神经网络的评估准确度;
本实施例中,服务器将测试集样本输入训练好的广义回归神经网络,对网络的评估准确度进行验证,如果准确度满意则训练完成,如果不满意则返回训练模型中继续进行优化,重新对广义回归神经网络进行训练。
209、当训练完成后服务器生成继电器动作特性的老化程度;
本实施例中的步骤209与前述实施例中的步骤105类似,此处不做赘述。
请参阅图4,本申请实施例中基于多个参数的继电器动作特性评估装置一个实施例包括:
搭建单元401,用于搭建继电器动作特性的测量回路;
测量单元402,用于根据测量回路测量继电器的触点间电压、线圈电压以及线圈电流;
计算单元403,用于基于继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
构建单元404,用于将时间参数、电压参数作为输入参数以及继电器老化程作为输出构建广义回归神经网络;
输入单元405,用于输入时间参数和电压参数的样本参数至评估模型中进行训练,评估模型为基于广义回归神经网络建立的模型;
验证单元406,用于验证广义回归神经网络的评估准确度;
生成单元407,用于当训练完成后生成继电器动作特性的老化程度。
本实施例中,计算单元403包括采集模块4031和计算模块4032。
采集模块4031,用于采集触点间电压信号以及线圈两端的电压信号与电流信号;
计算模块4032,用于基于触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数。
本实施例中输入单元405包括优化模块4051和输入模块4052。
优化模块4051,用于通过果绳优化算法优化广义回归神经网络的平滑因子;
输入模块4052,用于输入时间参数和电压参数的样本参数至优化后的广义回归神经络的评估模型中进行训练。
本实施例中,在搭建单元401搭建继电器动作特性的测量回路后,测量单元402根据测量回路测量继电器的触点间电压、线圈电压以及线圈电流,计算单元403中的采集模块4031采集触点间电压信号以及线圈两端的电压信号与电流信号,计算模块4032,用于基于触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数,同时构建单元404将时间参数、电压参数作为输入参数以及继电器老化程作为输出构建广义回归神经网络,输入单元405基于构建的网络输入时间参数和电压参数的样本参数至评估模型中进行训练,在生成单元407生成继电器动作特性的老化程度之前验证单元406验证广义回归神经网络的评估准确度,如果准确率令人满意,则模型训练完成,如果不满意则继续使用果蝇算法再次优化后训练直到准确率符合要求。
请参阅图5,本申请实施例中基于多个参数的继电器动作特性评估装置另一个实施例包括:
处理器501、存储器502、输入输出单元503、总线504;
处理器501与存储器502、输入输出单元503以及总线504相连;
处理器501执行如下操作:
搭建继电器动作特性的测量回路;
根据测量回路测量继电器的触点间电压、线圈电压以及线圈电流;
基于继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
输入时间参数和电压参数的样本参数至评估模型中进行训练,评估模型为基于广义回归神经网络建立的模型;
当训练完成后生成继电器动作特性的老化程度。
可选的,处理器501的功能与前述图1至图2所示实施例中的步骤对应,此处不做赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于多个参数的继电器动作特性评估方法,其特征在于,包括:
搭建继电器动作特性的测量回路;
根据所述测量回路测量所述继电器的触点间电压、线圈电压以及线圈电流;
基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
输入所述时间参数和电压参数的样本参数至评估模型中进行训练,所述评估模型为基于广义回归神经网络建立的模型;
当所述训练完成后生成所述继电器动作特性的老化程度。
2.根据权利要求1所述的方法,其特征在于,在所述输入所述时间参数和电压参数的样本参数至评估模型中进行训练之前,所述方法还包括:
将所述时间参数、电压参数作为输入参数以及所述继电器老化程作为输出构建广义回归神经网络。
3.根据权利要求2所述的方法,其特征在于,所述输入所述时间参数和电压参数的样本参数至评估模型中进行训练,包括:
通过果绳优化算法优化所述广义回归神经网络的平滑因子;
输入所述时间参数和电压参数的样本参数至所述优化后的广义回归神经络的评估模型中进行训练。
4.根据权利要求1所述的方法,其特征在于,所述基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数,包括:
采集触点间电压信号以及线圈两端的电压信号与电流信号;
基于所述触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数。
5.根据权利要求1所述的方法,其特征在于,在所述当所述训练完成后生成所述继电器动作特性的老化程度之前,所述方法还包括:
验证所述广义回归神经网络的评估准确度。
6.根据权利要求1至5种任一项所述的方法,其特征在于,所述触点间电压包括常开触点间电压和常闭触点间电压。
7.一种基于多个参数的继电器动作特性评估装置,其特征在于,包括:
搭建单元,用于搭建继电器动作特性的测量回路;
测量单元,用于根据所述测量回路测量所述继电器的触点间电压、线圈电压以及线圈电流;
计算单元,用于基于所述继电器的触点间电压、线圈电压以及线圈电流对应的电压和电流信号计算不同老化程度下继电器动作的时间参数和电压参数;
输入单元,用于输入所述时间参数和电压参数的样本参数至评估模型中进行训练,所述评估模型为基于广义回归神经网络建立的模型;
生成单元,用于当所述训练完成后生成所述继电器动作特性的老化程度。
8.根据权利要求7所述的装置,其特征在于,在所述输入单元之前,所述装置还包括:
构建单元,用于将所述时间参数、电压参数作为输入参数以及所述继电器老化程作为输出构建广义回归神经网络。
9.根据权利要求8所述的装置,其特征在于,所述输入单元包括:
优化模块,用于通过果绳优化算法优化所述广义回归神经网络的平滑因子;
输入模块,用于输入所述时间参数和电压参数的样本参数至所述优化后的广义回归神经络的评估模型中进行训练。
10.根据权利要求7所述的装置,其特征在于,所述计算单元包括:
采集模块,用于采集触点间电压信号以及线圈两端的电压信号与电流信号;
计算模块,用于基于所述触点间电压信号以及线圈两端的电压信号与电流信号绘制各信号随时间变化曲线计算得到不同老化程度下继电器动作的时间参数和电压参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520248.7A CN114252731B (zh) | 2021-12-13 | 2021-12-13 | 一种基于多个参数的继电器动作特性评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520248.7A CN114252731B (zh) | 2021-12-13 | 2021-12-13 | 一种基于多个参数的继电器动作特性评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114252731A true CN114252731A (zh) | 2022-03-29 |
CN114252731B CN114252731B (zh) | 2024-04-05 |
Family
ID=80794885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520248.7A Active CN114252731B (zh) | 2021-12-13 | 2021-12-13 | 一种基于多个参数的继电器动作特性评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252731B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097296A (zh) * | 2022-06-22 | 2022-09-23 | 云南电网有限责任公司电力科学研究院 | 继电器可靠性评估方法及装置 |
CN117169709A (zh) * | 2023-10-09 | 2023-12-05 | 中国民航大学 | 一种航空继电器疲劳性能测试方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636748A (zh) * | 2012-05-07 | 2012-08-15 | 苏州热工研究院有限公司 | 电磁继电器老化状态多因子检测系统与老化状态评估方法 |
CN103942625A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于foa-grnn的水电站厂坝结构振动响应预测方法 |
CN104635155A (zh) * | 2015-03-11 | 2015-05-20 | 哈尔滨工业大学 | 基于Wiener过程的继电器可靠性评估方法 |
CN109188216A (zh) * | 2018-08-24 | 2019-01-11 | 西南交通大学 | 一种变压器绕组绝缘老化状态评估研究的实验方法 |
CN109188232A (zh) * | 2018-09-06 | 2019-01-11 | 河北工业大学 | 一种igbt模块状态评估与剩余寿命预测模型的构建方法 |
CN110795863A (zh) * | 2019-11-12 | 2020-02-14 | 哈尔滨工业大学 | 一种基于多维设计参数的继电器寿命预测方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN111596205A (zh) * | 2020-06-05 | 2020-08-28 | 国网天津市电力公司电力科学研究院 | 一种基于退化敏感参数变化趋势分析的继电器寿命预测测试系统 |
CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及系统 |
CN112330027A (zh) * | 2020-11-06 | 2021-02-05 | 燕山大学 | 一种基于搜索引擎指数的电力负荷预测方法 |
CN113326663A (zh) * | 2021-06-25 | 2021-08-31 | 沈阳工业大学 | 一种基于极限学习机的铁路继电器运行状态评估方法 |
-
2021
- 2021-12-13 CN CN202111520248.7A patent/CN114252731B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636748A (zh) * | 2012-05-07 | 2012-08-15 | 苏州热工研究院有限公司 | 电磁继电器老化状态多因子检测系统与老化状态评估方法 |
CN103942625A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于foa-grnn的水电站厂坝结构振动响应预测方法 |
CN104635155A (zh) * | 2015-03-11 | 2015-05-20 | 哈尔滨工业大学 | 基于Wiener过程的继电器可靠性评估方法 |
CN109188216A (zh) * | 2018-08-24 | 2019-01-11 | 西南交通大学 | 一种变压器绕组绝缘老化状态评估研究的实验方法 |
CN109188232A (zh) * | 2018-09-06 | 2019-01-11 | 河北工业大学 | 一种igbt模块状态评估与剩余寿命预测模型的构建方法 |
CN110795863A (zh) * | 2019-11-12 | 2020-02-14 | 哈尔滨工业大学 | 一种基于多维设计参数的继电器寿命预测方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN111596205A (zh) * | 2020-06-05 | 2020-08-28 | 国网天津市电力公司电力科学研究院 | 一种基于退化敏感参数变化趋势分析的继电器寿命预测测试系统 |
CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及系统 |
CN112330027A (zh) * | 2020-11-06 | 2021-02-05 | 燕山大学 | 一种基于搜索引擎指数的电力负荷预测方法 |
CN113326663A (zh) * | 2021-06-25 | 2021-08-31 | 沈阳工业大学 | 一种基于极限学习机的铁路继电器运行状态评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097296A (zh) * | 2022-06-22 | 2022-09-23 | 云南电网有限责任公司电力科学研究院 | 继电器可靠性评估方法及装置 |
CN117169709A (zh) * | 2023-10-09 | 2023-12-05 | 中国民航大学 | 一种航空继电器疲劳性能测试方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114252731B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
Guha et al. | Online estimation of the electrochemical impedance spectrum and remaining useful life of lithium-ion batteries | |
KR102646875B1 (ko) | 모의전지 구축 방법 및 모의전지 구축 장치 | |
CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
CN111060813B (zh) | 高压断路器操作机构的故障诊断方法及装置、电子设备 | |
KR20170085365A (ko) | 배터리의 상태 추정 장치 및 방법 | |
CN107315138A (zh) | 功率mosfet的故障预测和健康处理方法及测试系统 | |
CN107730127B (zh) | 基于输出特性初始分布的继电器贮存退化数据预测方法 | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
KR102297343B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
CN111399474A (zh) | 一种基于健康指标的均衡控制模块寿命预测方法及装置 | |
CN114252731A (zh) | 一种基于多个参数的继电器动作特性评估方法及装置 | |
CN112016238A (zh) | 基础继电器失效预测技术 | |
WO2021250280A1 (en) | Provision of currently unmeasurable state information about a switchgear device system | |
CN111273169A (zh) | 一种配电开关量化评估测试装置与方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN111475925A (zh) | 一种电力设备的状态评估方法、装置及存储介质 | |
CN114239394A (zh) | 基于触点接触电阻时间序列的继电器接触特性评估方法 | |
Lystianingrum et al. | State of health and life estimation methods for supercapacitors | |
KR20220021248A (ko) | 배터리 용량 추정 장치 및 방법 | |
CN115544803A (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
Winkel et al. | Run-to-failure relay dataset for predictive maintenance research with machine learning | |
Zhang et al. | A new battery modelling method based on simulation error minimization | |
Hu et al. | A fault prediction method based on IAALO-SVM and similarity measure | |
Jing et al. | Reliability Estimation for Relay Protection Devices with Long Short-Term Memory Recurrent Network |
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 |