CN114838923B - 有载分接开关的故障诊断模型建立方法及故障诊断方法 - Google Patents
有载分接开关的故障诊断模型建立方法及故障诊断方法 Download PDFInfo
- Publication number
- CN114838923B CN114838923B CN202210369840.XA CN202210369840A CN114838923B CN 114838923 B CN114838923 B CN 114838923B CN 202210369840 A CN202210369840 A CN 202210369840A CN 114838923 B CN114838923 B CN 114838923B
- Authority
- CN
- China
- Prior art keywords
- changer
- fault diagnosis
- load tap
- time
- fault
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
Abstract
本发明公开了一种有载分接开关的故障诊断模型建立方法及故障诊断方法,属于电力技术领域,包括:对已知故障类型的有载分接开关进行S(S为大于1的整数)路振动信号的同步测量,并通过SPWVD时频分析将各路振动信号转换为时频谱,连同对应的故障类型构成数据集;建立多通道卷积神经网络,包括S个通道、特征融合模块和故障诊断模块;S个通道分别用于对S路振动信号的时频谱进行特征提取,得到S个特征向量;特征融合模块用于对S个特征向量进行融合;故障诊断模块用于根据融合后的特征向量预测各类故障出现的概率;利用数据集对多通道卷积神经网络进行训练,得到有载分接开关故障诊断模型。本发明能够提高有载分接开关的故障诊断精度。
Description
技术领域
本发明属于电力技术领域,更具体地,涉及有载分接开关的故障诊断模型建立方法及故障诊断方法。
背景技术
随着国民经济的高速发展,电力用户对电量的需求和电能质量的要求日益增长,保障电网的安全稳定运行至关重要。在电力系统中,有载调压变压器中的有载分接开关(onload tap changer,OLTC)起到了稳定电压水平、调节无功潮流、增强电网灵活性的关键作用。然而,由于电力系统电压调控的需求,OLTC长期处于频繁切换状态,极易发生故障,并会引起变压器事故,一旦OLTC因故障而切换失败,将导致电压大幅波动、电力传输中断等严重后果。因此,通过准确高效的故障诊断方法识别OLTC发生的故障,确保其正常可靠地进行切换操作,对于保证电力系统的安全稳定运行具有十分重要的现实意义。
中国专利CN201611014853.6中公开了一种基于多参量的有载分接开关故障监测方法,该方法对有载分接开关振动信号进行分析,利用相空间重构技术,计算相点平均几何距离求取分布系数,并通过单通道下的模糊集隶属函数,实现有载分接开关故障种类的识别。中国专利CN201811587620.4公布了一种有载分接开关在线监测故障诊断方法,该方法通过K均值聚类算法对相空间中的相点进行聚类,并计算簇中心矢量和的模与矢量夹角来识别故障。上述有载分接开关的故障诊断方法均是对单路通道的振动信号进行处理和分析,不能全面反映有载分接开关的振动情况;且分析方法是基于混沌理论的相空间重构,其物理意义不明确。
中国专利CN202110541475.1中公开了一种基于时频特征的变压器有载分接开关故障识别方法,其建立分接开关振动信号的仿真模型,将分接开关振动信号分解为多个瞬时非平稳衰减的振动子波信号后进行稀疏重构和降噪;利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量,并基于该时频特征向量完成故障诊断。该方法虽然提取了振动信号的时频特征,但是由于其所采用的小波包时频提取的方式,仅适用于处理线性信号,而OLTC的振动信号具有非线性、非平稳的特性,故该方法所提取的时频特征并不能很好地反映OLTC的故障情况,基于该时频特征进行故障诊断的准确性,仍然有待进一步地提高。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种有载分接开关的故障诊断模型建立方法及故障诊断方法,其目的在于,提高有载分接开关的故障诊断精度。
为实现上述目的,按照本发明的一个方面,提供了一种有载分接开关故障诊断模型建立方法,包括:
对已知故障类型的有载分接开关进行S路振动信号的同步测量,并通过SPWVD时频分析将测量得到的每一路振动信号转换为时频谱,由时频谱和对应的故障类型构成数据集;S为大于1的整数;
建立多通道卷积神经网络;多通道卷积神经网络包括S个通道、特征融合模块和故障诊断模块;S个通道分别以S路振动信号的时频谱为输入,用于对各时频谱进行特征提取,得到S个特征向量;特征融合模块以S个通道输出的特征向量为输入,用于对S个特征向量进行融合,得到融合后的特征向量;故障诊断模块以特征融合模块输出的融合后的特征向量为输入,用于预测各类故障出现的概率;
以数据集中的时频谱为输入信息,以对应的故障类型为标签信息,利用数据集对多通道卷积神经网络进行训练,在训练结束后,得到有载分接开关故障诊断模型。
本发明通过SPWVD(Smooth Pseudo Wigner-Ville Distribution)时频分析的方式提取振动信号的时频谱,对于OLTC对于非线性、非平稳的振动信号,也能准确地获取到同时包含信号的时域分布和频域分布的时频特征,基于该时频特征进行故障诊断,能够有效提高有载分接开关故障诊断的精度;本发明同步测量有载分接开关的多路振动信号,提取各路振动信号的时频特征并融合,作为故障诊断的依据,由此可以利用多路振动信号的信息互补,更为完整地获取到有载分接开关的振动情况,有效提高故障诊断的精度。
进一步地,对于测量得到的任一一路振动信号,通过SPWVD时频分析将其转换为时频谱,包括:
以SPWVD时频分析的时间窗长度和频率窗长度为优化变量,以时频谱的时频聚集性最高为目标,利用预设的寻优算法求解得到最优的时间窗长度和频率窗长度;
按照最优的时间窗长度和频率窗长度计算振动信号的SPWVD时频谱。
本发明在计算振动信号的SPWVD时频谱之前,先通过寻优算法确定使得SPWVD时频谱的时频聚集性最高的最优时间窗长度和最优频率窗长度,再基于求解得到的最优时间窗长度和最优频率窗长度计算SPWVD时频谱,由此能够保证振动信号的时频特征具有较高的时频聚集性,使得模型能够更为准确地区分不同故障类型所对应的振动信号时频特征,进一步保证故障识别的精度。
进一步地,时频谱的时频聚集性通过归一化3阶Renyi熵进行度量。
进一步地,预设的寻优算法为粒子群算法。
进一步地,特征融合模块对S个特征向量进行融合,包括:
将各特征向量中相同位置的元素按照通道顺序拼接到一起,得到K个向量;K为特征向量的维度;
按照元素位置顺序将K个向量拼接到一起,得到融合后的特征向量。
本发明通过逐元素交替连接的方式实现了多路时频谱的特征向量的融合,能够使得各通道的特征信息能够充分融合。
进一步地,多通道卷积神经网络中,每个通道都包括多个卷积层和池化层。
进一步地,有载分接开关的S路振动信号为有载分接开关顶部的的S路振动信号;以有载分接开关顶部的多路振动信号作为故障诊断的依据,能够获得更好的诊断效果。
按照本发明的另一个方面,提供了一种有载分接开关故障诊断方法,包括:
对待诊断故障的有载分接开关进行S路振动信号的同步测量,并通过SPWVD时频分析将测量得到的每一路振动信号转换为时频谱;S为大于1的整数;
将S路振动信号的时频谱分别输入至由本发明提供的有载分接开关故障诊断模型建立方法建立得到的有载分接开关故障诊断模型中的S个通道;
将有载分接开关故障诊断模型的输出中,概率最大的故障类型确定为故障诊断结果。
按照本发明的又一个方面,提供了一种计算机可读存储介质,包括存储的计算机程序;计算机程序被处理器执行时,控制计算机可读存储介质所在设备执行本发明提供的有载分接开关故障诊断模型建立方法,和/或,本发明提供的有载分接开关故障诊断方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明基于时频分析和多通道卷积神经网络进行有载分接开关故障诊断,将不同故障的振动信号转换为SPWVD时频谱,作为多通道卷积神经网络的输入,训练出可对多个通道的时频谱同步进行特征提取、特征融合的多通道卷积神经网络,应用于实际故障诊断时,计算待诊断有载分接开关的多路振动信号的时频谱,输入至已训练好的多通道卷积神经网络中,输出概率最大值对应的故障类型即为待诊断的有载分接开关存在的故障;与基于单通道的故障诊断方法相比,本发明可融合多路通道的特征信息,实现信息的互补和最大化利用,并且可以更为准确地提取振动信号的时频特征,大幅度增强故障诊断方法的识别能力。
(2)本发明对SPWVD时频分析方法进行优化,通过寻优算法求解SPWVD时频谱的时频聚集性最优时对应的最优时间窗长度和最优频率窗长度,从而计算最优的SPWVD时频谱,使得时频谱的时频聚集性更好,有效避免了不同故障类型对应的时频特征发生交叉的情况,进一步提高了有载分接开关故障诊断的精度。
(3)本发明对卷积神经网络进行多通道改进,使得其可同步输入多个时频谱,且每个输入通道均可对时频谱进行特征提取,并将提取的特征进行融合,进而计算输出概率以判断故障类型,本发明的改进使得卷积神经网络具备了多通道信息融合的能力,识别能力大幅提升。
附图说明
图1为本发明实施例提供的振动加速度传感器在有载分接开关顶部的安装位置图;其中,CH0、CH1、CH2分别表示三路传感器;
图2为本发明实施例提供的有载分接开关故障诊断模型建立方法流程图;
图3为本发明实施例提供的多通道卷积神经网络的示意图;
图4为本发明实施例提供的有载分接开关的振动信号示意图;
图5为图4所示的振动信号的时频谱;其中,(a)为三维时频谱,x轴为时间、y轴为频率、z轴为能量,(b)为三维时频谱在时间-频率二维平面上的投影,以颜色度表示z轴的能量数值大小;
图6为本发明实施例提供的特征融合过程的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
为了解决现有的有载分接开关故障诊断方法因采用单一通道分析,导致获取开关设备信息不完整,使得有载分接开关故障识别性较差的问题,本发明提供了一种有载分接开关的故障诊断模型建立方法及故障诊断方法,其整体思路在于:对有载分接开关进行多路振动信号的同步测量,并将各路振动信号的时频特征融合后作为故障诊断的依据,以实现多路信号的信息互补和最大化利用,完整、全面捕捉到有载分接开关的振动情况,有效提高故障诊断的精度。
本发明中,可通过振动加速传感器获取有载分接开关的多路振动信号;具体地,每个振动加速度传感器测量得到的振动信号作为一路振动信号,将多个振动加速度传感器安装于有载分接开关的不同方位,即可同步测量得到多路振动信号;对比发现,同步测量有载分接开关顶部的多路振动信号时,可获得较好的故障诊断效果,故本发明优选将振动加速度传感器安装于有载分接开关的顶部。图1所示为其中一种安装方式,其中,CH0、CH1、CH2分别表示三路传感器;对有载分接开关切换时产生的振动信号进行测量,每个振动传感器采集到一路振动信号,共三路振动信号。在以下实施例中,有载分接开关的多路振动信号均通过图1所示的方式进行同步测量。应当说明的是,图1多路振动信号同步测量方式仅为本发明一种优选的实施方式,不应理解为对本发明的唯一限定。
以下为实施例。
实施例1:
一种有载分接开关故障诊断模型建立方法,参阅图2,包括:
对已知故障类型的有载分接开关进行S路振动信号的同步测量,并通过SPWVD时频分析将测量得到的每一路振动信号转换为时频谱,由时频谱和对应的故障类型构成数据集;S为大于1的整数,本实施例中,S=3;
建立多通道卷积神经网络;参阅图3,多通道卷积神经网络包括S个通道、特征融合模块和故障诊断模块;S个通道分别以S路振动信号的时频谱为输入,用于对各时频谱进行特征提取,得到S个特征向量;特征融合模块以S个通道输出的特征向量为输入,用于对S个特征向量进行融合,得到融合后的特征向量;故障诊断模块以特征融合模块输出的融合后的特征向量为输入,用于预测各类故障出现的概率;
以数据集中的时频谱为输入信息,以对应的故障类型为标签信息,利用数据集对多通道卷积神经网络进行训练,在训练结束后,得到有载分接开关故障诊断模型。
本实施例通过SPWVD(Smooth Pseudo Wigner-Ville Distribution)时频分析的方式提取振动信号的时频谱,对于OLTC对于非线性、非平稳的振动信号,也能准确地获取到同时包含信号的时域分布和频域分布的时频特征,基于该时频特征进行故障诊断,能够有效提高有载分接开关故障诊断的精度;为了进一步提高有载分接开关的故障诊断精度,本实施例对SPWVD时频谱的计算进行了优化,具体地,对于测量得到的任一一路振动信号,通过SPWVD时频分析将其转换为时频谱,包括:
以SPWVD时频分析的时间窗长度和频率窗长度为优化变量,以时频谱的时频聚集性最高为目标,利用预设的寻优算法求解得到最优的时间窗长度和频率窗长度;
按照最优的时间窗长度和频率窗长度计算振动信号的SPWVD时频谱;
SPWVD时频谱的计算公式为:
其中,x(t)为振动信号;x*(t)为信号x(t)的共轭;t和f分别为时间和频率;τ为信号时间差;h(τ)和g(u)分别为频率平滑窗函数和时间平滑窗函数,频率窗长度和时间窗长度分别是h(τ)和g(u)中的参数;
为了准确度量SPWVD时频谱的时频聚集性,作为一种优选的实施方式,本实施中,利用归一化3阶Renyi熵对时频谱的时频聚集性进行度量;归一化3阶Renyi熵为:
其中,Q表示信号的时频分布,本实施例中,Q即为通过SPWVD时频分析计算得到的时频谱;t和f分别为时频分布中的时间和频率的离散值;T和F分别表示时频谱的时间序列长度和频率序列长度;
对于每一个时间窗长度和频率窗长度,都可以利用上述公式计算对应的SPWVD时频谱,进一步可利用上述公式计算归一化3阶Renyi熵,通过寻优算法不断调整时间窗长度和频率窗长度,最终可使得归一化3阶Renyi熵最小化,即时频聚集性最大化。
利用归一化3阶Renyi熵RV3对时频谱的时频聚集性进行度量,采用不同的时频分析方法计算振动信号的时频谱,对应的时频聚集性如表1所示,其中,“最优SPWVD”表示本实施例中的优化后的SPWVD视频分析方法。
根据表1所示结果可知,本实施例在计算振动信号的SPWVD时频谱之前,先通过寻优算法确定使得SPWVD时频谱的时频聚集性最高的最优时间窗长度和最优频率窗长度,再基于求解得到的最优时间窗长度和最优频率窗长度计算SPWVD时频谱,由此能够保证振动信号的时频特征具有较高的时频聚集性,使得模型能够更为准确地区分不同故障类型所对应的振动信号时频特征,进一步保证故障识别的精度。
表1不同时频分析方法计算所得时频谱的时频聚集性
可选地,本实施例中,对SPWVD时频分析的时间窗长度和频率窗长度进行调整的寻优算法为粒子群算法。
图4所示为图1中振动加速度传感器CH0采集到的振动信号的时域波形,图5所示为利用上述SPWVD视频分析方法对图4所示的振动信号进行计算后得到的时频谱,其中,(a)为三维时频谱,x轴为时间、y轴为频率、z轴为能量,(b)为三维时频谱在时间-频率二维平面上的投影,以颜色度表示z轴的能量数值大小。
参阅图3和图6,为了使不同通道提取到的时频谱的特征进行充分地融合,作为一种优选的实施方式,本实施例采用了特征交叉的方式进行特征融合,具体地,特征融合模块对S个特征向量进行融合,包括:
将各特征向量中相同位置的元素按照通道顺序拼接到一起,得到K个向量;K为特征向量的维度;
按照元素位置顺序将K个向量拼接到一起,得到融合后的特征向量。
上述特征融合的方式可通过计算式表示为:
其中,表示第s个通道提取得到的特征向量,上标表示通道编号,下标表示元素的位置序号;/>表示融合后的特征向量,/>表示各通道特征向量交叉的操作;通过上述特征融合方式,通道1的第一个向量/>与通道2的第一个向量/>连接,/>再与通道3的第一个向量/>连接,依次连接下去,最终形成特征融合后的新向量;最终形成的融合后的特征向量可表示为:
参阅图3,本实施例中,多通道卷积神经网络中,每个通道都包括多个卷积层和池化层,容易理解的是,每个通道中的卷积层和池化层的数量及连接顺序可根据实际需要灵活调整;
本实施例中,各通道对输入的时频谱进行一系列的卷积操作和池化操作之后,得到尺寸为M×N的特征图像,之后采用全尺寸卷积核WMN对特征图像进行无偏置的卷积操作,计算公式为:
式中,xef为特征图像中的元素,wef为卷积核WEF中的权重,全尺寸卷积核WEF表示为:
式中,xmn为特征图像中的元素,wmn为卷积核WMN中的权重,全尺寸卷积核WMN表示为:
ck为单个特征图像卷积后得到的数值,一个通道特征图像的维度为K,各特征图像无偏置卷积后得到向量:
式中,s为对应的通道,共S个通道。
参阅图3,本实施例中,故障诊断模块包括依次连接的全连接层和Softmax函数层;经过特征提取和特征融合后,通过故障诊断模块中的全连接Softmax函数计算得到多个输出概率,每个输出概率对应一种故障类型。
总的来说,本实施例基于时频分析和多通道卷积神经网络,将有载分接开关不同故障的振动信号转换为时频谱,作为多通道卷积神经网络的输入,训练出可对多个通道的时频谱同步进行特征提取、特征融合的多通道卷积神经网络,应用于实际故障诊断时,计算待诊断有载分接开关的多路振动信号的时频谱,输入至已训练好的多通道卷积神经网络中,输出概率最大值对应的故障类型即为待诊断的有载分接开关存在的故障;与基于单通道的故障诊断方法相比,本实施例可融合多路通道的特征信息,实现信息的互补和最大化利用,大幅度增强故障诊断方法的识别能力,具有十分重要的工程实际意义,可广泛应用于各种变压器有载分接开关的故障诊断领域。
实施例2:
一种有载分接开关故障诊断方法,包括:
对待诊断故障的有载分接开关进行S路振动信号的同步测量,并通过SPWVD时频分析将测量得到的每一路振动信号转换为时频谱;S为大于1的整数,本实施例中,S=3;将振动信号转换为时频谱的具体实施方式,可参考上述实施例1中的描述;
将S路振动信号的时频谱分别输入至由上述实施例1提供的有载分接开关故障诊断模型建立方法建立得到的有载分接开关故障诊断模型中的S个通道;
将有载分接开关故障诊断模型的输出中,概率最大的故障类型确定为故障诊断结果。
实施例3:
一种计算机可读存储介质,包括存储的计算机程序;计算机程序被处理器执行时,控制计算机可读存储介质所在设备执行上述实施例1提供的有载分接开关故障诊断模型建立方法,和/或,上述实施例2提供的有载分接开关故障诊断方法。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种有载分接开关故障诊断模型建立方法,其特征在于,包括:
对已知故障类型的有载分接开关进行S路振动信号的同步测量,并通过SPWVD时频分析将测量得到的每一路振动信号转换为时频谱,由时频谱和对应的故障类型构成数据集;S为大于1的整数;
建立多通道卷积神经网络;所述多通道卷积神经网络包括S个通道、特征融合模块和故障诊断模块;所述S个通道分别以S路振动信号的时频谱为输入,用于对各时频谱进行特征提取,得到S个特征向量;所述特征融合模块以所述S个通道输出的特征向量为输入,用于对所述S个特征向量进行融合,得到融合后的特征向量;所述故障诊断模块以所述特征融合模块输出的融合后的特征向量为输入,用于预测各类故障出现的概率;
以所述数据集中的时频谱为输入信息,以对应的故障类型为标签信息,利用所述数据集对所述多通道卷积神经网络进行训练,在训练结束后,得到有载分接开关故障诊断模型;
其中,所述多通道卷积神经网络中,每个通道都包括多个卷积层和池化层。
2.如权利要求1所述的有载分接开关故障诊断模型建立方法,其特征在于,对于测量得到的任一一路振动信号,通过SPWVD时频分析将其转换为时频谱,包括:
以SPWVD时频分析的时间窗长度和频率窗长度为优化变量,以时频谱的时频聚集性最高为目标,利用预设的寻优算法求解得到最优的时间窗长度和频率窗长度;
按照最优的时间窗长度和频率窗长度计算振动信号的SPWVD时频谱。
3.如权利要求2所述的有载分接开关故障诊断模型建立方法,其特征在于,时频谱的时频聚集性通过归一化3阶Renyi熵进行度量。
4.如权利要求2所述的有载分接开关故障诊断模型建立方法,其特征在于,所述预设的寻优算法为粒子群算法。
5.如权利要求1~4任一项所述的有载分接开关故障诊断模型建立方法,其特征在于,所述特征融合模块对所述S个特征向量进行融合,包括:
将各特征向量中相同位置的元素按照通道顺序拼接到一起,得到K个向量;K为特征向量的维度;
按照元素位置顺序将K个向量拼接到一起,得到融合后的特征向量。
6.如权利要求1~4任一项所述的有载分接开关故障诊断模型建立方法,其特征在于,有载分接开关的S路振动信号为有载分接开关顶部的的S路振动信号。
7.一种有载分接开关故障诊断方法,其特征在于,包括:
对待诊断故障的有载分接开关进行S路振动信号的同步测量,并通过SPWVD时频分析将测量得到的每一路振动信号转换为时频谱;S为大于1的整数;
将S路振动信号的时频谱分别输入至由权利要求1~6任一项所述的有载分接开关故障诊断模型建立方法建立得到的有载分接开关故障诊断模型中的S个通道;
将所述有载分接开关故障诊断模型的输出中,概率最大的故障类型确定为故障诊断结果。
8.一种计算机可读存储介质,其特征在于,包括存储的计算机程序;所述计算机程序被处理器执行时,控制所述计算机可读存储介质所在设备执行权利要求1~6任一项所述的有载分接开关故障诊断模型建立方法,和/或,权利要求7所述的有载分接开关故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369840.XA CN114838923B (zh) | 2022-04-08 | 2022-04-08 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369840.XA CN114838923B (zh) | 2022-04-08 | 2022-04-08 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114838923A CN114838923A (zh) | 2022-08-02 |
CN114838923B true CN114838923B (zh) | 2023-07-04 |
Family
ID=82563977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210369840.XA Active CN114838923B (zh) | 2022-04-08 | 2022-04-08 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114838923B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436044A (zh) * | 2022-09-02 | 2022-12-06 | 湖南五凌电力科技有限公司 | 一种有载分接开关机械故障诊断方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140041982A (ko) * | 2012-09-25 | 2014-04-07 | 한국전력공사 | Oltc의 부동작 감시 장치 |
WO2021217364A1 (zh) * | 2020-04-27 | 2021-11-04 | 西门子股份公司 | 一种故障诊断方法及其装置 |
DE102020122450A1 (de) * | 2020-08-27 | 2022-03-03 | Maschinenfabrik Reinhausen Gmbh | Schaltmodul und Laststufenschalter mit Schaltmodul |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11354341A (ja) * | 1998-06-11 | 1999-12-24 | Toshiba Corp | 負荷時タップ切換器の監視装置 |
CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
CN111025139B (zh) * | 2019-12-19 | 2022-04-22 | 国网陕西省电力公司西咸新区供电公司 | 一种基于信息融合的有载分接开关状态监测方法及系统 |
CN112014047B (zh) * | 2020-08-27 | 2022-05-03 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN113268924B (zh) * | 2021-05-18 | 2023-01-31 | 国网福建省电力有限公司电力科学研究院 | 基于时频特征的变压器有载分接开关故障识别方法 |
CN113378778B (zh) * | 2021-06-30 | 2024-03-29 | 东南大学 | 一种基于自编码器的有载分接开关故障诊断方法 |
CN113642439B (zh) * | 2021-08-05 | 2023-04-18 | 国网江苏省电力有限公司电力科学研究院 | 一种有载分接开关的机械状态异常检测方法、装置及设备 |
-
2022
- 2022-04-08 CN CN202210369840.XA patent/CN114838923B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140041982A (ko) * | 2012-09-25 | 2014-04-07 | 한국전력공사 | Oltc의 부동작 감시 장치 |
WO2021217364A1 (zh) * | 2020-04-27 | 2021-11-04 | 西门子股份公司 | 一种故障诊断方法及其装置 |
DE102020122450A1 (de) * | 2020-08-27 | 2022-03-03 | Maschinenfabrik Reinhausen Gmbh | Schaltmodul und Laststufenschalter mit Schaltmodul |
Also Published As
Publication number | Publication date |
---|---|
CN114838923A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN105932774B (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN111537830A (zh) | 一种基于云边架构和小波神经网络的配电网故障诊断方法 | |
Yang et al. | State evaluation of power transformer based on digital twin | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN109635732B (zh) | 一种lcc-hvdc连续换相失败故障预警网络训练方法 | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN108489717A (zh) | 变压器有载分接开关机械状态监测方法及系统 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN105978145B (zh) | 智能变电站二次系统信息融合系统 | |
CN113611568A (zh) | 一种基于遗传卷积深度网络的真空断路器 | |
Chi et al. | A fault diagnosis method of double-layer LSTM for 10 kV single-core cable based on multiple observable electrical quantities | |
CN113962363A (zh) | 一种基于大数据学习的低压配电网电能质量监测指标数据压缩方法 | |
CN111025139B (zh) | 一种基于信息融合的有载分接开关状态监测方法及系统 | |
CN115051474B (zh) | 一种配电网线路开关状态识别方法及系统 | |
CN115758140A (zh) | 一种刀闸分合状态判别方法、装置、系统、设备及介质 | |
CN103018658A (zh) | 一种基于伏安特性曲线的线路板健康状态监测方法 | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
Chen et al. | A transformer vibration amplitude prediction method via fusion of multi-signals | |
Torabi et al. | Wavelet Based Fault Classification for Partially Observable Power Systems |
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 |