CN114994573A - 一种基于人工智能的金属氧化物避雷器故障诊断方法 - Google Patents
一种基于人工智能的金属氧化物避雷器故障诊断方法 Download PDFInfo
- Publication number
- CN114994573A CN114994573A CN202210624660.1A CN202210624660A CN114994573A CN 114994573 A CN114994573 A CN 114994573A CN 202210624660 A CN202210624660 A CN 202210624660A CN 114994573 A CN114994573 A CN 114994573A
- Authority
- CN
- China
- Prior art keywords
- formula
- current
- fundamental
- moa
- fault diagnosis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 229910044991 metal oxide Inorganic materials 0.000 title claims abstract description 26
- 150000004706 metal oxides Chemical class 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 208000025274 Lightning injury Diseases 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000013264 metal-organic assembly Substances 0.000 description 3
- 206010073131 oligoastrocytoma Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000011787 zinc oxide Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- 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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Power Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于人工智能的金属氧化物避雷器故障诊断方法,涉及氧化物避雷器故障智能诊断技术领域。该一种基于人工智能的金属氧化物避雷器故障诊断方法,可以对不同情况不同分析,提前判断出避雷器的故障发生时间,也就是寻找到它的寿命拐点。该基于人工智能的金属氧化物避雷器故障诊断方法以电阻电流的基波分量为特征量,通过基波分量的变化判断MOA的工作状态和绝缘性能。利用傅里叶变换从整个电流中分解出电阻电流的基波分量值,由加权KNN模型实现故障智能诊断,另外考虑了相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压这六个外界因素的影响,也可以结合雷击情况、空气质量、天气等因素实现多方面对MOA的故障进行诊断。
Description
技术领域
本发明涉及金属氧化物避雷器故障智能诊断技术领域,具体为一种基于人工智能的金属氧化物避雷器故障诊断方法。
背景技术
金属氧化物避雷器(MOA)是电网用于限制过电压的主要设备,为一些重要的电力设备提供了较低的保护等级和较宽的保护裕度[1-2],MOA的可靠运行关乎电网的安全稳定运行。MOA具有高通量性和优异的伏安特性[3],上世纪70年代以来,许多制造商对其进行了大量的深入研究。MOA的结构主要由具有非线性电阻的阀片串联构成[4],因此,其性能特征取决于氧化锌阀板。这种串联结构消除了避雷器的放电间隙,使外加电压作用于氧化锌阀片上,这一特性使MOA成为目前应用最广的避雷器[5]。
MOA具有以下特性:
(1)优越的保护性能[6],MOA阀板的非线性伏安特性强。当出现过电压时,阀板中的分子态溢出价电子,价电子相互碰撞产生电离,引起电子崩。随着电子崩的积累,阀片电阻急剧下降,导致形成MOA低电阻通路,继而将大电流引入大地并释放。当过电压通过对地释放消失时,电子崩也立即消失,载流粒子大大减少,阀板电阻立即恢复高阻状态,几乎接近绝缘状态,MOA恢复正常状态。
(2)强大的恢复能力[7]。MOA在结构上是由许多放电间隙串联连接。发生过电压时,将大电流引至地释放,在100微秒甚至更短的时间后,恢复至正常状态。MOA承受过电压的持续冲击仍是有效的,因此,可为电网设备提供有效保护。
(3)高通量性[8]。MOA遭受过电压后,由于其优异的非线性特性,过电压的影响非常小,基本上阻止了斩波电压的产生。
(4)重量轻且紧凑[9]。
随着MOA持续的运行,其绝缘性能在一定程度上有所下降,当MOA的工作电压通过阀板时会产生漏电流。持续的漏电流产生热效应,使氧化锌阀板发热,继而导致漏电流发生变化。MOA正常工作时,流过阀板的电流很小,视为小电流工作区。此时,流过阀板的漏电流只有基波分量和低频分量。作为电网中重要的保护设备,MOA整体运行良好、故障率较低,但也存在一些由外部或内部原因引起的故障,主要原因如下[10-11]:
(1)内部水分;
(2)阀板老化;
(3)环境污染的影响;
(4)运行状况异常等。因此,采用有效的故障诊断方法保证MOA的安全稳定运行是非常必要的。
目前,MOA常用的故障诊断方法有全电流法、基波法、补偿法、直流漏电测试法、红外检测法[12-15],但上述方法未考虑影响MOA的环境因素。例如,天气的温湿度会影响检测结果,导致无法准确的反映故障类型。目前,无线网络按通信距离可分为:无线个域网、无线局域网和无线广域网。这三种网络的组合可以形成一个完整的无线网络系统。短距离无线通信是一种小型无线网络,通过利用红外线或无线电代替原有的电缆,以其低廉的价格和低功耗在短距离内实现个人信息终端的互联互通,形成个人信息网络。MOA无线在线监测的关键就在于真实有效的采集数据以及无线传输。稳定的数据传输为监控系统提供强有力的技术支持。因此,硬件电路必须具有较高的监测灵敏度和良好的抗干扰能力。
由于涉及流量传输,MOA故障诊断主要依赖无线网络。因此,本发明主要关注无线网络,重点研究基于人工智能的MOA故障诊断。主要内容如下:
(1)基波电阻电流法是采用数字信号处理和离散傅里叶变换,实现对总漏电流中不同谐波分量的灵活分析,为MOA故障诊断提供依据;
(2)基于基波电阻电流的加权KNN方法用于诊断MOA故障。随着计算机技术和人工智能的发展,一些先进的智能算法,如遗传算法[16]、粒子群优化[17]、人工神经网络[18]、支持向量机[19]等,被应用于MOA故障诊断中。
文献[20]利用遗传算法获得最佳电容值,最大限度地减少支路电压和电流基本分量之间的相移,并提出了一种电阻电流提取算法,用于辅助MOA的在线监测。
文献[21]提出将粒子群优化和蚁群算法相结合,用以获取MOA模型参数。
文献[22]提出了一种改进的自适应粒子群优化算法,用于估计避雷器模型的最优参数集。
文献[23]提出了一种基于差分粒子群优化的支持向量机模型,用于监测MOA的状态。
文献[24]提出了一种利用人工神经网络计算MOA电场的新方法。
目前,已有许多新方法被提出用于MOA故障诊断。
文献[25]结合kNN和改进的Dempster-Shafer证据理论,提出了一种多信息融合的MOA故障诊断方法。
文献[26]提出了一种基于量子粒子群优化、多尺度置换熵和支持向量机的故障智能诊断方法,通过构建故障特征集,实现了滚动轴承的故障识别。
文献[27]提出了一种进化加权惰性朴素贝叶斯方法,利用差分进化算法优化参数。
文献[28]提出了一种基于信息融合理论的MOA故障诊断方法。
文献[29]以灵活检测为基础,依据工业4.0的电力设备检测系统的信息物理架构,开发了一种新型MOA通电测试仪。
文献[30]提出了一种基于集成多源异构数据的MOA运行状态评估模型。
文献[31]提出了一种基于证据理论的MOA故障诊断方法。
文献[32]提出了一种改进方法,即改进电容电流补偿方法。通过采用等效线性电阻对谐波电压产生的电阻电流部分补偿,减小谐波电压引起的误差。
其他常见的MOA监测方法还有:全电流法、电阻三次谐波电流法、电容电流补偿法、基于温度的测量法、电阻基波电流法。
实际上,以上方法具有一定局限性,不可避免地受到电网电压谐波和相位干扰的影响。消除或减少相间容性电流的干扰、谐波电压和电压互感器相移的干扰,可以使测得的阻性电流更真实地反映MOA的运行状态。根据实际场景选择合理、可靠的人工智能方法也是MOA故障诊断的主要内容。
于是,本申请人秉持多年该相关行业丰富的设计开发及实际制作的经验,针对现有的算法以研究改良,提供一种基于人工智能的金属氧化物避雷器故障诊断方法,可以对不同情况不同分析,提前判断出避雷器的故障发生时间,也就是寻找到它的寿命拐点。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于人工智能的金属氧化物避雷器故障诊断方法,解决了以下技术问题:
1、常用的故障诊断方法有全电流法、基波法、补偿法、直流漏电测试法、红外检测法,但上述方法未考虑影响MOA的环境因素;
2、现有金属氧化物避雷器故障诊断方法(如文献20~文献32中提到的方法)具有一定局限性,不可避免地受到电网电压谐波和相位干扰的影响;
3、对于现有技术的金属氧化物避雷器故障诊断方法方法,测试阶段往往无法对训练时未遇到的样本进行分类。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于人工智能的金属氧化物避雷器故障诊断方法,采用基波电流法对MOA的故障进行诊断,其特征在于:包括如下步骤:
电压互感器采集母线电压Ub,电流互感器采集全电流If,将通道A和通道B的两个信号通过模数转换器转换成数字信号,送入CPU,所述通道A测量的是避雷器的全电流,所述通道B测量的是母线电压;
然后,通过傅里叶变换分解电压和电流基波分量的幅值If_1和相位;
根据基波电流之间的矢量关系,计算出基波电阻电流Ifwr,即:
设定正弦信号的表达式公式二;
公式二:x(t)=Asin(2πft+φ),式中:A是幅度,f是频率,φ是初始相位角;
由于采样频率fs必须满足fs>2f,所以依据公式二采样时,每个周期的采样数ns满足Ns=fs/f,采样顺序如公式三;
公式三:x(n)=Asin(ωn+φ),式中:其中ω=2π/Ns;
通过在每个循环中采样Ns个代表值,扩展整个正弦函数的信息;
如果以Ns为周期,对公式三进行离散傅里叶变换(DFT),得到公式四;
公式四的逆DFT(IDFT)定义如公式五;
公式六:eix=cosx+i sin x,式中i是虚数单位;
由公式六和公式七,公式四可变化为公式八;
根据实际采样数据,公式八可简化为复数表达式公式九、公式十和公式十一;
理想条件下,电压信号频率为50Hz,电压正弦信号可定义为公式十二;
公式十二:u=AVsin(ωt+φV),式中:AV是从幅度信号中提取的谐波分量,φV是从电压信号中提取的谐波分量;
根据公式十二可得到公式十三;
公式十三:FV(k)=aV+ibV;
根据公式八、公式九、公式十和公式十三可得到电压信号的幅值和相位角如下;
同理,架设当前信号为为I=AI sin(ωt+φI)可得公式十五;
公式十五:FI(k)=aI+ibI;
则电流信号的幅值和相位角如下;
根据公式十五,从电压和电流信号中提取每个谐波分量值,将信号传送至滤波器以滤除每个谐波分量,得到基波电阻电流法所需的基波特征值,即;
所述包括加权kNN算法、原始训练集和测试样本,所述算法步骤如下:
所述原始训练集内包括影响MOA状态的参数以及参数对应的MOA的状态,并进行训练;
所述MOA的状态包括故障与不故障;
步骤一:评估基波电阻电流的权重:
每个基波电阻电流的权重比例通过基波电阻电流的重要性来计算,其计算公式为公式十八;
步骤二:对测试样本是否属于原始训练集进行判断,如果测试样本属于原始训练集则直接根据原始训练集对应的样本直接得出故障类别;
如测试样本不属于原始训练集,则进入步骤三;
步骤三:找出测试样本与原始训练集的所有样本之间的加权距离:
在测试过程中,如果测试样本不能准确匹配规则库中的规则,说明测试样本是一个从未被满足的新样本,此时,测试样本与训练集中所有样本之间的欧几里得距离计算为公式十八,加权得到最终距离,计算公式为公式十九;
公式十九:式中:m=1,2,…,Ns,n=1,2,…,N,Cmn是训练样本m的第n个条件基波电阻电流值,fwrcn是测试样品fwrc的第n个条件基波电阻电流值,wn是第n个条件基波电阻电流的权重,N是训练样本的数量,Ns是减少后的基波电阻电流的个数;
步骤四:根据公式十八得到与测试样本距离最小的k个训练样本,设置k:
由公式十八计算测试样本与原始训练集中所有样本的加权距离dm后,根据最小距离原则,选取训练样本中测试样本的k个最近邻;
步骤五:统计:
由上一步得到k个近邻数后,统计故障样本的出现次数,找到出现频率最高的故障类别,将测试样本的故障类别判断为该故障类别;
如果不同故障类别的样本出现的次数相同,并是k个近邻数中最大的,则返回上一步,继续寻找距离最小的训练样本;
当统计到的训练样本数最多的故障类别,测试样本会被判断为该故障类别。
优选的,所述原始训练集和测试样本中均包括相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压并建立六维样本输入和一维样本输出。
优选的,所述原始训练集和测试样本中均包括雷击次数α、雷电流大小β、连续雷击间隔γ、铁塔倾角δ,所述雷击次数α、雷电流大小β、连续雷击间隔γ、铁塔倾角δ的整合的计算公式为公式二十;
优选的,所述原始训练集和测试样本中均包括空气质量和天气,由处理后的样本数据构造一个新的模糊样本矩阵并输入加权kNN算法中进行优化。
优选的,所述对空气质量和天气进行模糊处理。
优选的,所述空气质量好时记为0,所述空气质量中等时记为0.4,空气质量不健康时记为0.7,空气质量危险时记为1。
优选的,所述天气为晴天记为0,所述天气为多云记为0.2,所述天气为风记为0.5,所述天气为雨记为0.8,所述天气为雪记为1。
优选的,以MOA的运行状态定义样本的类别标签,其中,MOA状态为故障发生时,标签为0;MOA正常运行时,标签为1。
(三)有益效果
本发明提供了一种基于人工智能的金属氧化物避雷器故障诊断方法。具备以下有益效果:
(1)、该基于人工智能的金属氧化物避雷器故障诊断方法以电阻电流的基波分量为特征量,通过基波分量的变化判断MOA的工作状态和绝缘性能。利用傅里叶变换从整个电流中分解出电阻电流的基波分量值,由加权KNN模型实现故障智能诊断。
(2)、该基于人工智能的金属氧化物避雷器故障诊断方法考虑了相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压这六个外界因素的影响。
(3)、该基于人工智能的金属氧化物避雷器故障诊断方法通过找出测试样本(未在原始训练集中)与原始训练集的所有样本之间的加权距离,由上一步得到k个近邻数后,统计故障样本的出现次数,找到出现频率最高的故障类别,将测试样本的故障类别判断为该故障类别。
附图说明
图1为基波电阻电流图;
图2为基波电流矢量关系;
图3为不同方法的分类时间对比;
图4为不同方法的精确率对比;
图5为不同方法的准确率对比;
图6为不同方法的召回率对比;
图7为不同方法的F1分数对比;
图8为加权kNN中的k值。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一、基波电阻电流法
本发明中将基波电流法用于MOA故障诊断,该方法不仅能减少甚至消除相间感应电压的影响,还能有效抑制电网电压的谐波干扰。同时,操作简单,诊断精度高。
基波电阻电流法的原理如图1所示。该方法以电阻电流的基波分量为特征,通过基波分量的变化判断MOA的运行状态和绝缘性能。其基本思想是:通过傅里叶变换从全电流中分解出电阻电流的基波分量。其工作原理是:电压互感器采集母线电压Ub,电流互感器采集全电流If。将通道A和通道B的两个信号通过模数转换器转换成数字信号,送入CPU。然后,通过傅里叶变换分解电压和电流基波分量的幅值和相位。最后,根据基波电流之间的矢量关系,计算出基波电阻电流Ifwr,即:
设正弦信号的数学表达式为
x(t)=Asin(2πft+φ) (2)
其中A是幅度,f是频率,φ是初始相位角。
由于采样频率fs必须满足fs>2f,所以依据上式采样时,每个周期的采样数ns满足Ns=fs/f,采样顺序如下
x(n)=Asin(ωn+φ) (3)
其中ω=2π/Ns。通过在每个循环中采样Ns个代表值,扩展整个正弦函数的信息。如果以Ns为周期,对式(3)进行离散傅里叶变换(DFT)[28],得到
式(4)的逆DFT(IDFT)定义如下
eix=cosx+i sin x (6)
其中,i是虚数单位。
因此,式(4)变换如下
根据实际采样数据,式(8)可简化为复数表达式,即
理想条件下,电压信号频率为50Hz,电压正弦信号定义如下
u=AV sin(ωt+φV) (12)
其中,AV是从幅度信号中提取的谐波分量,φV是从电压信号中提取的谐波分量,则
FV(k)=aV+ibV (13)
根据式(8)、(9)、(10)和(13),电压信号的幅值和相位角如下
同理,假设当前信号为I=AI sin(ωt+φI),即
FI(k)=aI+ibI (15)
则电流信号的幅值和相位角如下
根据式(15),从电压和电流信号中提取每个谐波分量值,将信号传送至滤波器以滤除每个谐波分量,得到基波电阻电流法所需的基波特征值。此时,基波电流值满足图2所示的基波电流矢量关系,即
基于上述分析,可以看出基波电阻电流法采用数字信号处理和离散傅里叶变换,处理速度快,可实现对总漏电流中不同谐波分量的灵活分析,为MOA的故障诊断提供依据。
二、加权kNN算法
本节中,首先对获取的基波电阻电流归一化,再对高维数据降维。降维后的数据作为加权k近邻模型的训练输入数据,以识别准确率为目标,对算法进行优化,得到故障诊断的最优解。对于一般方法,测试阶段往往无法对训练时未遇到的样本进行分类。因此,本发明提出了一种加权kNN算法,在没有规则匹配测试样本时的分类方法。具体步骤如下:
(1)评估基波电阻电流的权重
每个基波电阻电流的权重比例通过基波电阻电流的重要性来计算,如下
式中,Ns为基波电阻电流的个数,Imfwrc为基波电阻电流的重要性。
(2)找出测试样本与原始训练集的所有样本之间的加权距离
在测试过程中,如果测试样本不能准确匹配规则库中的规则,说明测试样本是一个从未被满足的新样本[29]。此时,测试样本与训练集中所有样本之间的欧几里得距离计算如式(18),加权得到最终距离。
其中,m=1,2,…,Ns,n=1,2,…,N,Cmn是训练样本m的第n个条件基波电阻电流值,fwrcn是测试样品fwrc的第n个条件基波电阻电流值,wn是第n个条件基波电阻电流的权重,N是训练样本的数量,Ns是减少后的基波电阻电流的个数。
(3)根据式(18)得到与测试样本距离最小的k个训练样本,设置k
由式(18)计算测试样本与训练集中所有样本的加权距离dm后,根据最小距离原则,选取训练样本中测试样本的k个最近邻。
(4)统计
由上一步得到k个近邻数后,统计故障样本的出现次数,找到出现频率最高的故障类别,将测试样本的故障类别判断为该故障类别。如果不同故障类别的样本出现的次数相同,并是k个近邻数中最大的,则返回上一步,继续寻找距离最小的训练样本。只有统计到的训练样本数最多的故障类别,测试样本才会被判断为该故障类别。
三、仿真分析
A.试验环境
工程实际中,MOA在线监测获取的漏电流一般会受温度、湿度、降雨量、系统电压等因素的影响。因此,在判断MOA是否发生故障时,应综合考虑多种环境因素。本发明故障诊断研究中,考虑了相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压六个相关因素,建立了六维样本输入和一维样本输出。
按相关规定测试MOA基波电阻电流时,在室温下以0.75倍直流电压为参考,正常MOA的A相漏电流不应大于50μA。然后,在系统电压下测试指定类别的MOA,由相关设备测量不同环境下MOA的输入样本。串联谐振不仅仅是一种电路特性,也是一种串联谐振测试装置。如果谐振频率等于电源频率,电感和电容上的电压可以超过电源电压的许多倍。只要符合频率要求,不需要很大的外界条件,就能达到升压的目的[35]。因此,通过手动调节串联谐振升压器,使其达到接近工频的状态以模拟系统电压。
以MOA的运行状态定义样本的类别标签,其中,MOA状态为故障发生时,标签为0,MOA正常运行时,标签为1。构建的实际训练样本和测试样本如表1、表2所示。为验证本发明提出的基于基波电阻电流与加权kNN的故障诊断方法,选取分类时间、精确率(P)、准确率(A)、召回率(R)和F1分数五个指标进行综合评价。其中,准确率是最常见的评价指标,即:正确分类的样本数除以所有样本数。一般的,准确率越高,分类效果越好。精度是准确度的衡量标准,即:真正的正例中实际上是正例的百分比。将最终的诊断结果与KNN-DS[25]、QPSO-MPE-SVM[26]、EWLNB[27]进行对比。
B.故障诊断结果
表1.训练样本数据
表2.测试样本数据
此外,还研究了雷击次数α、雷电流大小β、连续雷击间隔γ、铁塔倾角δ等因素对分析MOA故障诊断的影响。
表3.目标函数中的值
通过仿真分析表3中的数据,可以推断,当f(α,β,γ,δ,ε)满足大于200的雷击次数时,MOA容易发生故障,大于40kA的雷电流大小,连续雷击间隔大于0.2s,铁塔倾角大于5°。因此,为了安全起见,当MOA处于严重故障状态时,需要及时进行维修或保养,以免发生更大的事故。
对空气质量和天气进行模糊处理,空气质量好时记为0,空气质量中等时记为0.4,空气质量不健康时记为0.7,空气质量危险时记为1。晴天记为0,多云记为0.2,风记为0.5,雨记为0.8,雪记为1。由处理后的样本数据构造一个新的模糊样本矩阵。20组模糊训练样本输入kNN模型进行优化。
其中空气质量可以根据PM2.5的浓度进行区分,具体区分细节如下表:
由图3可知,随着迭代次数的增加,本发明所提方法的分类时间基本保持在50ms以内,反映了算法的稳定性。KNN-DS算法前70次迭代过程中表现良好,之后的迭代过程,分类时间呈指数增长。QPSO-MPE-SVM、EWLNB算法表现相对稳定,尤其是前50次迭代,虽然分类时间较长,但上升速度缓慢。分类时间是MOA故障诊断的一个关键评价指标。越少的诊断时间可以为工作人员及时处理MOA问题提供越有力的保障。
由图4-图7可知,本发明所提方法在准确率、精确率、召回率、F1分数上均表现良好,特别是是在准确率与精确率,当迭代次数增加到90-100时达到100%,结果非常满意。其他方法对应的上述四个指标值也比较满意。其中,EWLNB方法的准确率、精确率较好,而KNN-DS方法的召回率与F1分数较高。其对应的召回率与本方法相近,但始终低于本方法。本方法由启发式约简以获得规则,如果测试样本包含在训练样本集中,可以保证分类的正确性与较高的稳定性。
本发明所提算法中的k值是通过分析精度确定得。由图8可知,在30-90次迭代中,k=5时具有最高的平均精度。在20-100次迭代中,k值为6、7时,准确率最高。可以得出结论,本发明基波电阻电流分量的加权kNN模型,k值为5时算法精度最高,对MOA的故障诊断准确性最好。
综上所述,本发明以电阻电流的基波分量为特征量,通过基波分量的变化判断MOA的工作状态和绝缘性能。利用傅里叶变换从整个电流中分解出电阻电流的基波分量值,由加权KNN模型实现故障智能诊断。此外,还考虑了相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压这六个外界因素的影响。最后,仿真验证了本发明所提方法在MOA故障诊断的准确率与精确率。然而,本方法对于MOA故障诊断的性能仍有待提高,可以考虑在多种情况下适当的增加样本数量。随着电力系统自动化程度的不断提高,遥测、遥信、遥调、遥控、遥视等技术蓬勃发展,越来越多的新技术应用于MOA故障诊断中,如红外监测、视觉监测等。这些新方法获取的数据,同样可以作为kNN模型的特征输入进一步分析,以提高方法的诊断能力。
需要说明的是,在发明的描述中,术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示对本发明结构的说明,仅是为了便于描述本发明的简便,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
对于本技术方案中的“第一”和“第二”,仅为对相同或相似结构,或者起相似功能的对应结构的称谓区分,不是对这些结构重要性的排列,也没有排序、或比较大小、或其他含义。
另外,除非另有明确的规定和限定,术语“安装”、“连接”应做广义理解,例如,连接可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个结构内部的连通。对于本领域的普通技术人员而言,可以根据本发明的总体思路,联系本方案上下文具体情况理解上述术语在本发明中的具体含义。
本发明中的参考文献
[1]A.K.Das,D.Dey,B.Chatterjee,S.Dalai,A Transfer Learning Approach toSense the Degree of Surface Pollution for Metal Oxide Surge ArresterEmploying Infrared Thermal Imaging,IEEE SENSORS JOURNAL,2021,21(15):16961-16968.
[2]Y.Zhou,Y.Xie,D.Zhang,N.Dong,Y.Chen,Y.Jing,Response of 10-kV Metal-Oxide Surge Arresters Excited by Nanosecond-Level Transient ElectromagneticDisturbances,IEEE TRANSACTIONS ON ELECTROMAGNETIC COMPATIBILITY,2021,63(2):614-621.
[3]Q.Zhang,S.Wang,X.Dong,M.Liu,Q.Qu,F.Lv,Research of ZnO ArresterDeterioration Mechanism Based on Electrical Performance and Micro MaterialTest,ELECTRONICS,2021,10(21).https://doi.org/10.3390/electronics10212624.
[4]V.S.Brito,G.R.S.Lira,E.G.Costa,M.J.A.Maia,A Wide-Range Model forMetal-Oxide Surge Arrester,IEEE TRANSACTIONS ON POWER DELIVERY,2018,33(1):102-109.
[5]C.A.Christodoulou,V.Vita,V.Mladenov,L.Ekonomou,On the Computationof the Voltage Distribution along the Non-Linear Resistor of Gapless MetalOxide Surge Arresters,ENERGIES,2018,11(11).https://doi.org/10.3390/en11113046.
[6]A.Munir,Z.Abdul-Malek,U.Sultana,R.N.Arshad,A novel technique forcondition monitoring of metal oxide surge arrester based on fifth harmonicresistive current,ELECTRIC POWER SYSTEMS RESEARCH,2022,202.https://doi.org/10.1016/j.epsr.2021.107576,
[7]V.Voncina,J.Pihler,M.Milanovic,Extracting the Resistive CurrentComponent from a Surge Arrester's Leakage Current without Voltage Reference,SENSORS,2021,21(4).https://doi.org/10.3390/s21041257.
[8]K.E.Merrill,G.T.Heydt,The Calculation of Energy Dissipation inMetal Oxide Varistors for Power Distribution Applications,IEEE TRANSACTIONSON POWER SYSTEMS,2019,34(5):3967-3969.
[9]P.Bokoro,W.Doorsamy,Mapping Reliability Predictors of Low-VoltageMetal Oxide Surge Arresters Using Contour Plots,IEEE ACCESS,2020,8:164497-164503.
[10]B.Wei,Y.Zuo,Y.Liu,W.Luo,K.Wen,F.Deng,Novel MOA Fault DetectionTechnology Based on Small Sample Infrared Image,ELECTRONICS,2021,10(15).https://doi.org/10.3390/electronics10151748.
[11]J.Sun,F.Ding,Y.Lv,J.Ren,S.Song,T.Li,et al,Leakage currentcharacteristics and ageing assessment technology of roof arrester under ultraharmonics overvoltage,HIGH VOLTAGE,2021.https://doi.org/10.1049/hve2.12141.
[12]D.A.Da Silva,K.Lahti,R.C.Buontempo,J.Pissolato,Aspects ofmoisture ingress in polymer housed surge arresters,ELECTRIC POWER SYSTEMSRESEARCH,2017,148:162-170.
[13]Z.Xu,L.Zhao,A.Ding,F.Lu,A Current Orthogonality Method to ExtractResistive Leakage Current of MOSA,IEEE TRANSACTIONS ON POWER DELIVERY,2013,28(1):93-101.
[14]R.Li,H.Liu,J.Lou,Z.Wang,B.Li,L.Ji,Influence of ultra-high-voltagehybrid reactive power compensation on the interrupting characteristics of CBat out-of-phase faults,IET GENERATION TRANSMISSION&DISTRIBUTION,2017,11(5):1258-1264.
[15]M.Khodsuz,M.Mirzaie,Harmonics ratios of resistive leakage currentas metal oxide surge arresters diagnostic tools,MEASUREMENT,2015,70:148-155.
[16]G.Dobric,Z.Stojanovic,Z.Stojkovic,The application of geneticalgorithm in diagnostics of metal-oxide surge arrester,ELECTRIC POWER SYSTEMSRESEARCH,2015,116:76-82.
[17]H.Cao,Z.Yang,R.Hua,H.Yang,J.Ren,Study on Algorithm of ResistiveCurrent of MOA,Study on Algorithm of Resistive Current of MOA,2015,51(7):32-36.
[18]S.M.Seyyedbarzegrar,M.Mirzaie,ANFIS based model for power lossestimation of metal oxide surge arrester,JOURNAL OF INTELLIGENT&FUZZYSYSTEMS,2015,29(5):1779-1786.
[19]C.Chen,T.Hoang,M.Cho,Parameter optimisation of support vectormachine using mutant particle swarm optimisation for diagnosis of metal-oxidesurge arrester conditions,JOURNAL OF EXPERIMENTAL&THEORETICAL ARTIFICIALINTELLIGENCE,2019,31(1):163-175.
[20]W.Doorsamy,P.Bokoro,On-line Monitoring of Metal-oxide SurgeArresters using Improved Equivalent Model with Evolutionary OptimisationAlgorithm,2017 IEEE 26TH INTERNATIONAL SYMPOSIUM ON INDUSTRIAL ELECTRONICS(ISIE),2017:135-139.
[21]M.Nafar,G.B.Gharehpetian,T.Niknam,A New Parameter EstimationAlgorithm for Metal Oxide Surge Arrester,ELECTRIC POWER COMPONENTS ANDSYSTEMS,2011,39(7):696-712.
[22]H.Zeinoddini-Meymand,B.Vahidi,R.A.Naghizadeh,Optimal SurgeArrester Parameter Estimation Using a PSO-Based Multiobjective Approach,IEEETRANSACTIONS ON POWER DELIVERY,2013,28(3):1758-1769.
[23]T.Hoang,M.Cho,M.N.Alam,Q.Vu,A novel differential particle swarmoptimization for parameter selection of support vector machines formonitoring metal-oxide surge arrester conditions,SWARM AND EVOLUTIONARYCOMPUTATION,2018,38:120-126.
[24]V.Vita,C.A.Christodoulou,Comparison of ANN and finite elementanalysis simulation software for the calculation of the electric field aroundmetal oxide surge arresters,ELECTRIC POWER SYSTEMS RESEARCH,2016,133:87-92.
[25]Y.Liu,Y.Cheng,Z.Zhang,J.Wu,Multi-information Fusion FaultDiagnosis Based on KNN and Improved Evidence Theory,JOURNAL OF VIBRATIONENGINEERING&TECHNOLOGIES,2021.https://doi.org/10.1007/s42417-021-00413-8.
[26]Y.Wang,C.Xu,Y.Wang,X.Cheng,A Comprehensive Diagnosis Method ofRolling Bearing Fault Based on CEEMDAN-DFA-Improved Wavelet ThresholdFunction and QPSO-MPE-SVM,ENTROPY,2021,23(9).https://doi.org/10.3390/e23091142.
[27]Y.Bai,M.Bain,Optimizing weighted lazy learning and Naive Bayesclassification using differential evolution algorithm,JOURNAL OF AMBIENTINTELLIGENCE AND HUMANIZED COMPUTING,2021.https://doi.org/10.1007/s12652-021-03135-7.
[28]D.Wei,Y.Jiang,H.Peng,F.Xue,H.Li,J.Xie,Fault Diagnosis of MetalOxide Surge Arresters Based on Multi-source Data Fusion,2018 INTERNATIONALCONFERENCE ON POWER SYSTEM TECHNOLOGY (POWERCON),2018:3173-3179.
[29]M.Yu,M.Zhu,G.Chen,J.Zhou,S.Gao,Metal-Oxide Arrester FaultDiagnosis based on Flexible Detection System,PROCEEDINGS OF THE 2017 3RDINTERNATIONAL FORUM ON ENERGY,ENVIRONMENT SCIENCE AND MATERIALS(IFEESM 2017),2017,120:977-982.
[30]Z.Li,Y.Jiang,L.Sun,L.Tan,L.He,L.Lee,Comprehensive ConditionAssessment Model of Metal Oxide Surge Arresters Based on Fusion Cloud Theoryand Improved Evidence Theory,2018 International Conference on Power SystemTechnology(POWERCON),2018:3180-3186.
[31]A.Zhou,H.Song,Y.Fang,Z.Chang,Fault diagnosis of MOVA based onevidence theory,Applied Mechanics and Materials,2014,556-562:2685-2688.
[32]Z.Zhang,D.Zang,Study on the on-line monitoring method of metaloxide surge arrester,High Voltage Apparatus,2009,45(5):126-129.
[33]H.M.Moya-Cessa,F.Soto-Eguibar,Discrete fractional Fouriertransform:Vandermonde approach,IMA JOURNAL OF APPLIED MATHEMATICS,2018,83(6):908-916.
[34]L.Ma,M.Huang,S.Yang,R.Wang,X.Wang,An Adaptive Localized DecisionVariable Analysis Approach to Large-Scale Multiobjective and Many-ObjectiveOptimization,IEEE TRANSACTIONS ON CYBERNETICS,2021.https://doi.org/10.1109/TCYB.2020.3041212.D.Lu,J.Gu,H.Luo,Y.Xia,A study on stimulation of DC highvoltage power of[]series parallel resonant in projectile velocitymeasurement system,AOPC 2017:3D MEASUREMENT TECHNOLOGY FOR INTELLIGENTMANUFACTURING,2017,10458.https://doi.org/10.1117/12.2285368.
Claims (8)
1.一种基于人工智能的金属氧化物避雷器故障诊断方法,采用基波电流法对MOA的故障进行诊断,其特征在于:包括如下步骤:
电压互感器采集母线电压Ub,电流互感器采集全电流If,将通道A和通道B的两个信号通过模数转换器转换成数字信号,送入CPU,所述通道A测量的是避雷器的全电流,所述通道B测量的是母线电压;
然后,通过傅里叶变换分解电压和电流基波分量的幅值If_1和相位;
根据基波电流之间的矢量关系,计算出基波电阻电流Ifwr,即:
设定正弦信号的表达式公式二;
公式二:x(t)=Asin(2πft+φ),式中:A是幅度,f是频率,φ是初始相位角;
由于采样频率fs必须满足fs>2f,所以依据公式二采样时,每个周期的采样数ns满足Ns=fs/f,采样顺序如公式三;
公式三:x(n)=Asin(ωn+φ),式中:其中ω=2π/Ns;
通过在每个循环中采样Ns个代表值,扩展整个正弦函数的信息;
如果以Ns为周期,对公式三进行离散傅里叶变换(DFT),得到公式四;
公式四的逆DFT(IDFT)定义如公式五;
公式六:eix=cosx+isinx,式中i是虚数单位;
由公式六和公式七,公式四可变化为公式八;
根据实际采样数据,公式八可简化为复数表达式公式九、公式十和公式十一;
理想条件下,电压信号频率为50Hz,电压正弦信号可定义为公式十二;
公式十二:u=AVsin(ωt+φV),式中:AV是从幅度信号中提取的谐波分量,φV是从电压信号中提取的谐波分量;
根据公式十二可得到公式十三;
公式十三:FV(k)=aV+ibV;
根据公式八、公式九、公式十和公式十三可得到电压信号的幅值和相位角如下;
同理,架设当前信号为为I=AIsin(ωt+φI)可得公式十五;
公式十五:FI(k)=aI+ibI;
则电流信号的幅值和相位角如下;
根据公式十五,从电压和电流信号中提取每个谐波分量值,将信号传送至滤波器以滤除每个谐波分量,得到基波电阻电流法所需的基波特征值,即;
所述包括加权kNN算法、原始训练集和测试样本,所述算法步骤如下:
所述原始训练集内包括影响MOA状态的参数以及参数对应的MOA的状态,并进行训练;
所述MOA的状态包括故障与不故障;
步骤一:评估基波电阻电流的权重:
每个基波电阻电流的权重比例通过基波电阻电流的重要性来计算,其计算公式为公式十八;
步骤二:对测试样本是否属于原始训练集进行判断,如果测试样本属于原始训练集则直接根据原始训练集对应的样本直接得出故障类别;
如测试样本不属于原始训练集,则进入步骤三;
步骤三:找出测试样本与原始训练集的所有样本之间的加权距离:
在测试过程中,如果测试样本不能准确匹配规则库中的规则,说明测试样本是一个从未被满足的新样本,此时,测试样本与训练集中所有样本之间的欧几里得距离计算为公式十八,加权得到最终距离,计算公式为公式十九;
公式十九:式中:m=1,2,…,Ns,n=1,2,…,N,Cmn是训练样本m的第n个条件基波电阻电流值,fwrcn是测试样品fwrc的第n个条件基波电阻电流值,wn是第n个条件基波电阻电流的权重,N是训练样本的数量,Ns是减少后的基波电阻电流的个数;
步骤四:根据公式十八得到与测试样本距离最小的k个训练样本,设置k:
由公式十八计算测试样本与原始训练集中所有样本的加权距离dm后,根据最小距离原则,选取训练样本中测试样本的k个最近邻;
步骤五:统计:
由上一步得到k个近邻数后,统计故障样本的出现次数,找到出现频率最高的故障类别,将测试样本的故障类别判断为该故障类别;
如果不同故障类别的样本出现的次数相同,并是k个近邻数中最大的,则返回上一步,继续寻找距离最小的训练样本;
当统计到的训练样本数最多的故障类别,测试样本会被判断为该故障类别。
2.根据权利要求1所述的一种基于人工智能的金属氧化物避雷器故障诊断方法,其特征在于:所述原始训练集和测试样本中均包括相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压并建立六维样本输入和一维样本输出。
4.根据权利要求1所述的一种基于人工智能的金属氧化物避雷器故障诊断方法,其特征在于:所述原始训练集和测试样本中均包括空气质量和天气,由处理后的样本数据构造一个新的模糊样本矩阵并输入加权kNN算法中进行优化。
5.根据权利要求4所述的一种基于人工智能的金属氧化物避雷器故障诊断方法,其特征在于:所述对空气质量和天气进行模糊处理。
6.根据权利要求5所述的一种基于人工智能的金属氧化物避雷器故障诊断方法,其特征在于:所述空气质量好时记为0,所述空气质量中等时记为0.4,空气质量不健康时记为0.7,空气质量危险时记为1。
7.根据权利要求5所述的一种基于人工智能的金属氧化物避雷器故障诊断方法,其特征在于:所述天气为晴天记为0,所述天气为多云记为0.2,所述天气为风记为0.5,所述天气为雨记为0.8,所述天气为雪记为1。
8.根据权利要求1~7中任意一项权利要求所述的一种基于人工智能的金属氧化物避雷器故障诊断方法,其特征在于:以MOA的运行状态定义样本的类别标签,其中,MOA状态为故障发生时,标签为0;MOA正常运行时,标签为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210624660.1A CN114994573B (zh) | 2022-06-02 | 2022-06-02 | 一种基于人工智能的金属氧化物避雷器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210624660.1A CN114994573B (zh) | 2022-06-02 | 2022-06-02 | 一种基于人工智能的金属氧化物避雷器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994573A true CN114994573A (zh) | 2022-09-02 |
CN114994573B CN114994573B (zh) | 2024-06-25 |
Family
ID=83030449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210624660.1A Active CN114994573B (zh) | 2022-06-02 | 2022-06-02 | 一种基于人工智能的金属氧化物避雷器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994573B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901856A (zh) * | 2012-09-17 | 2013-01-30 | 吉林省电力有限公司长春供电公司 | 基于相位搜索的电缆线路避雷器阻性电流检测方法 |
WO2017016361A1 (zh) * | 2015-07-29 | 2017-02-02 | 王富元 | 金属氧化物压敏电阻型避雷器或浪涌保护器的阻性漏电流在线监测方法 |
CN107367673A (zh) * | 2017-08-16 | 2017-11-21 | 上海电力学院 | 一种避雷器阀片电阻运行状态诊断方法 |
CN108333457A (zh) * | 2018-05-08 | 2018-07-27 | 湖南长高思瑞自动化有限公司 | 基于物联网通信的避雷器在线监测方法及装置 |
CN108957097A (zh) * | 2015-05-19 | 2018-12-07 | 江苏理工学院 | 金属氧化物避雷器的阻性电流基波的测量方法 |
WO2019139973A1 (en) * | 2018-01-09 | 2019-07-18 | Rensselaer Polytechnic Institute | Temporary overvoltage and ground fault overvoltage protection based on arrester current measurement and analysis |
CN114002475A (zh) * | 2021-10-22 | 2022-02-01 | 深圳抛物线科技有限公司 | 一种避雷器阻性电流在线监测方法 |
-
2022
- 2022-06-02 CN CN202210624660.1A patent/CN114994573B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901856A (zh) * | 2012-09-17 | 2013-01-30 | 吉林省电力有限公司长春供电公司 | 基于相位搜索的电缆线路避雷器阻性电流检测方法 |
CN108957097A (zh) * | 2015-05-19 | 2018-12-07 | 江苏理工学院 | 金属氧化物避雷器的阻性电流基波的测量方法 |
WO2017016361A1 (zh) * | 2015-07-29 | 2017-02-02 | 王富元 | 金属氧化物压敏电阻型避雷器或浪涌保护器的阻性漏电流在线监测方法 |
CN107367673A (zh) * | 2017-08-16 | 2017-11-21 | 上海电力学院 | 一种避雷器阀片电阻运行状态诊断方法 |
WO2019139973A1 (en) * | 2018-01-09 | 2019-07-18 | Rensselaer Polytechnic Institute | Temporary overvoltage and ground fault overvoltage protection based on arrester current measurement and analysis |
CN108333457A (zh) * | 2018-05-08 | 2018-07-27 | 湖南长高思瑞自动化有限公司 | 基于物联网通信的避雷器在线监测方法及装置 |
CN114002475A (zh) * | 2021-10-22 | 2022-02-01 | 深圳抛物线科技有限公司 | 一种避雷器阻性电流在线监测方法 |
Non-Patent Citations (2)
Title |
---|
张昊;王睿;于灏;: "基于多层支持矢量机的金属氧化物避雷器在线监测系统", 电瓷避雷器, no. 01, 25 February 2020 (2020-02-25) * |
李虹山;史阳;: "金属氧化锌避雷器(MOA)的在线监测及故障诊断", 电力建设, no. 04, 1 April 2008 (2008-04-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN114994573B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Fault detection for photovoltaic systems based on multi-resolution signal decomposition and fuzzy inference systems | |
CN110336534A (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
Jalil et al. | An enhanced Cassie–Mayr-based approach for DC series arc modeling in PV systems | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
CN112255484A (zh) | 一种避雷器运行状态在线监测及评估方法和系统 | |
CN110865260A (zh) | 一种基于离群检测对mov实际状态监测评估的方法 | |
CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
CN116244279A (zh) | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 | |
CN111275295A (zh) | 一种基于反距离权重插值的分布式光伏故障诊断方法 | |
CN106952029A (zh) | 一种用于对变电设备状态监测装置进行评价的方法及系统 | |
CN109711687B (zh) | 一种基于改进熵值法的绝缘子状态模糊评估方法 | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN110689324A (zh) | 一种配电变压器检测结果的辅助评判方法 | |
CN112858813B (zh) | 一种计及高低温因素引起的避雷器特性畸变的评估方法 | |
CN114994573B (zh) | 一种基于人工智能的金属氧化物避雷器故障诊断方法 | |
CN117113243B (zh) | 一种光伏设备异常检测方法 | |
He et al. | AI-based MOA fault diagnosis mechanism in wireless networks | |
Jalil et al. | Development of nottingham arc model for DC series arc modeling in photovoltaic panels | |
CN113746132B (zh) | 一种基于云边协同的光伏电站及其控制方法 | |
CN107785875B (zh) | 一种计算单极接地故障时产生线路操作过电压的方法及系统 | |
CN112946525B (zh) | 一种金属氧化物避雷器表面污染在线检测方法 | |
Jalil et al. | Time-variant schwarz based model for dc series arc fault modeling in photovoltaic systems | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 | |
CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
Gil et al. | Estimating Substation Lightning Arrester Deterioration Guideline: A k-NN Algorithm with Leakage Current Measurement |
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 |