CN115048381A - 一种断路器分合闸线圈可靠性评估方法、系统及装置 - Google Patents

一种断路器分合闸线圈可靠性评估方法、系统及装置 Download PDF

Info

Publication number
CN115048381A
CN115048381A CN202210709346.3A CN202210709346A CN115048381A CN 115048381 A CN115048381 A CN 115048381A CN 202210709346 A CN202210709346 A CN 202210709346A CN 115048381 A CN115048381 A CN 115048381A
Authority
CN
China
Prior art keywords
fault
opening
factor
closing coil
reliability
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
Application number
CN202210709346.3A
Other languages
English (en)
Inventor
马宏明
杨昊
彭兆裕
钱国超
钱海
罗炜
周福升
高超
邱鹏锋
何顺
杨明昆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202210709346.3A priority Critical patent/CN115048381A/zh
Publication of CN115048381A publication Critical patent/CN115048381A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明涉及一种断路器分合闸线圈可靠性评估方法、系统及装置，该方法包括：获取并统计分合闸线圈历史运行过程中发生的故障类型；获取待测分合闸线圈运行时的工况数据，并根据所述工况数据建立包含故障类型与故障因素的故障树模型；根据所述故障树模型，建立模糊判断矩阵；根据所述模糊判断矩阵，计算每种故障因素的权重；读取预存的每种故障因素的发生概率；根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。因此，本发明提供的技术方案，能够简洁精确的求取权重，使得对断路器分合闸线圈的可靠性评估更加精准。

Description

一种断路器分合闸线圈可靠性评估方法、系统及装置
技术领域
本发明涉及电力系统技术领域，具体涉及一种断路器分合闸线圈可靠性评估方法及系统。
背景技术
在目前的断路器中，分合闸线圈为电动合闸部分的核心部件，起到了至关重要的作用。如果分合闸线圈发生损坏，则必然会导致断路器无法工作。并且，分合闸线圈也是故障多发部件，其中，机械故障是导致其失效出现故障的主要原因。
但是，目前对于断路器的研究还属于初级阶段，在求取权重值上面，没有更简洁更精准的方法去求取权重，导致对断路器分合闸线圈可靠性的评估精准度较低。
发明内容
有鉴于此，本发明的目的在于提供一种断路器分合闸线圈可靠性评估方法、系统及装置，以解决现有技术中断路器分合闸线圈可靠性的评估精准度较低的问题。
根据本发明实施例的第一方面，提供一种断路器分合闸线圈可靠性评估方法，包括：
获取并统计分合闸线圈历史运行过程中发生的故障类型；
获取待测分合闸线圈运行时的工况数据，并根据所述工况数据建立包含故障类型与故障因素的故障树模型；
根据所述故障树模型，建立模糊判断矩阵；
根据所述模糊判断矩阵，计算每种故障因素的权重；
读取预存的每种故障因素的发生概率；
根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。
优选的，所述根据所述工况数据建立包含故障类型与故障因素的故障树模型，包括：
建立故障树模型的上层事件为断路器分合闸线圈故障；
建立故障树模型的中层事件为分闸线圈故障和合闸线圈故障；
根据所述工况数据，建立包含导致中层事件发生的故障因素的故障树模型的底层事件。
优选的，所述建立模糊判断矩阵，包括：
判断所述故障因素Yi比另一种故障因素Yj对于相同的目标元素的相对重要程度Mij；
采用1～9标度法，表示所述相对重要程度Mij；
根据所述相对重要程度Mij，建立模糊判断矩阵R＝(Mij)n×n。
优选的，所述计算每种故障因素的权重，包括：
根据权重与相对重要程度的关系，将计算每种故障因素的权重转换为计算每种故障因素造成的严重度；
采用人工萤火虫优化算法，得出种故障因素造成的严重度。
优选的，所述采用人工萤火虫优化算法，得出种故障因素造成的严重度，包括：
初始化人工萤火虫优化算法的参数；
随机初始化第i(i＝1,2,3…n)个萤火虫在目标函数搜索范围内的位置；
计算萤火虫i在t时刻的荧光素值li(t)；
每只萤火虫在其动态决策域半径
Figure BDA0003707133300000021
内选择荧光素值li(t)比自己高的个体组成领域集Ni(t)，其中
Figure BDA0003707133300000031
rs为萤火虫个体的感知半径；
计算萤火虫i移向领域集Ni(t)内个体j的概率pij(t)；
利用轮盘赌算法，确定萤火虫i移向的个体j，移动所萤火虫i并更新位置及其动态决策域半径的值；
判断是否到达最大迭代次数或者预设精度；
若否，则重新选择选择荧光素值li(t)比自己高的个体组成领域集Ni(t)，进行迭代计算；
若是，则输出全局极值点和最优个体值，并计算得出故障因素造成的严重度。
优选的，所述得出所述断路器分合闸线圈的可靠度，包括：
将所述故障因素造成的严重度作为所述故障因素的权重；
根据每种故障因素的权重与每种故障因素的发生概率，计算得出待测分合闸线圈的总故障发生率以及可靠度。
优选的，所述计算得出待测分合闸线圈的总故障发生率以及可靠度，包括：
将所述每种故障因素的权重与每种故障因素的发生概率的乘积作为待测分合闸线圈的每种故障因素的风险系数；
将所述每种故障因素的风险系数进行累计求和，得出待测分合闸线圈的总故障发生率；
根据所述总故障发生率，计算得出所述待测分合闸线圈的可靠度。
根据本发明实施例的第二方面，提供一种断路器分合闸线圈可靠性评估系统，包括：
信息获取模块，用于获取并统计分合闸线圈历史运行过程中发生的故障类型，还用于获取待测分合闸线圈运行时的工况数据；
模型管理模块，用于根据所述工况数据建立包含故障类型与故障因素的故障树模型，还用于根据所述故障树模型，建立模糊判断矩阵；
计算模块，用于根据所述模糊判断矩阵，计算每种故障因素的权重；
可靠度生成模块，用于查阅获取每种故障因素的发生概率，还用于根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。
优选的，所述的系统，还包括：
与所述信息获取模块相连的参数传感器，所述参数传感器用于对所述待测分合闸线圈进行监测，采集所述工况数据。
根据本发明实施例的第三方面，提供一种断路器分合闸线圈可靠性评估装置，包括：
主控器，及与所述主控器相连的存储器；
所述存储器，其中存储有程序指令；
所述主控器用于执行存储器中存储的程序指令，执行上述任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
可以理解的是，本发明提供的技术方案，通过获取并统计分合闸线圈历史运行过程中发生的故障类型以及待测分合闸线圈运行时的工况数据，建立故障树模型，并且建立模糊判断矩阵，计算得出每种故障因素的权重，在根据每种故障因素的发生概率，最终计算得出所述断路器分合闸线圈的可靠度。因此，本发明提供的技术方案，能够简洁精确的求取权重，使得对断路器分合闸线圈的可靠性评估更加精准。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种断路器分合闸线圈可靠性评估方法步骤示意图；
图2是根据一示例性实施例示出的一种故障树模型示意图；
图3是根据一示例性实施例示出的一种断路器分合闸线圈可靠性评估系统示意框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例一
图1是根据一示例性实施例示出的一种断路器分合闸线圈可靠性评估方法步骤示意图，参见图1，提供一种断路器分合闸线圈可靠性评估方法，包括：
步骤S11、获取并统计分合闸线圈历史运行过程中发生的故障类型；
在具体实践中，首先需要获取并统计分合闸线圈历史运行过程中发生的故障类型，汇总出分合闸线圈能够发生的故障类型。
步骤S12、获取待测分合闸线圈运行时的工况数据，并根据所述工况数据建立包含故障类型与故障因素的故障树模型；
步骤S13、根据所述故障树模型，建立模糊判断矩阵；
步骤S14、根据所述模糊判断矩阵，计算每种故障因素的权重；
步骤S15、读取预存的每种故障因素的发生概率；
在具体实践中，预存有每种故障因素的发生概率，在计算得出每种故障因素后，查询读取预存的每种故障因素对应的发生概率，并进行计算。
步骤S16、根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。
可以理解的是，本实施例提供的技术方案，通过获取并统计分合闸线圈历史运行过程中发生的故障类型以及待测分合闸线圈运行时的工况数据，建立故障树模型，并且建立模糊判断矩阵，计算得出每种故障因素的权重，在根据每种故障因素的发生概率，最终计算得出所述断路器分合闸线圈的可靠度。因此，本实施例提供的技术方案，能够简洁精确的求取权重，使得对断路器分合闸线圈的可靠性评估更加精准。
需要说明的是，参见图2，所述根据所述工况数据建立包含故障类型与故障因素的故障树模型，包括：
建立故障树模型的上层事件为断路器分合闸线圈故障；
建立故障树模型的中层事件为分闸线圈故障和合闸线圈故障；
根据所述工况数据，建立包含导致中层事件发生的故障因素的故障树模型的底层事件。
需要说明的是，所述建立模糊判断矩阵，包括：
判断所述故障因素Yi比另一种故障因素Yj对于相同的目标元素的相对重要程度Mij；
采用1～9标度法，表示所述相对重要程度Mij；
根据所述相对重要程度Mij，建立模糊判断矩阵R＝(Mij)n×n。
在具体实践中，所述模糊判断矩阵的表现形式为
Figure BDA0003707133300000061
上式中，Mij用于表征故障因素Yi比故障因素Yj对于相同的目标元素的相对重要的程度，其值采用1～9标度法，取1～9之间的任意数值，Mij越大，表示Yi比Yj越重要。
可以理解的是，通过上述方式建立的模糊判断矩阵，能够清晰的表现出相对重要的程度，为后续计算提供计算基础。
需要说明的是，所述计算每种故障因素的权重，包括：
根据权重与相对重要程度的关系，将计算每种故障因素的权重转换为计算每种故障因素造成的严重度；
采用人工萤火虫优化算法，得出种故障因素造成的严重度。
在具体实践中，构建模糊判断矩阵R时会有以下3种情况：
Mii＝0.5i＝1,2,3……n，此时矩阵R被称为模糊矩阵；
Mij＝1-Mjii,j＝1,2,3……n，此时矩阵R被称为模糊互补矩阵；
Mij＝Mik-Mjk+0.5i,j,k＝1,2,3……n，此时矩阵R被称为模糊一致矩阵。
利用模糊层次分析法求解各故障因素权重时，能够将其转换成求取故障因素造成的严重度。
在研究权重ω和Mij的关系时发现，求解权重向量ω＝{ω1,ω2,ω3……ωn}，就等同于求解下式的约束规划问题：
Figure BDA0003707133300000071
式中，i＝1,2,3……n,ωi≥0，ωi表示故障因素i造成的严重度，即权重，n表示故障因素个数。
针对式上式，本发明采用人工萤火虫优化算法，可以快速准确地找到最佳权重值ωi。
可以理解的是，本实施例提供的技术方案，通过将求解各故障因素权重转换成求取故障因素造成的严重度，并通过人工萤火虫优化算法，使得求取到的权重更加精确。
需要说明的是，所述采用人工萤火虫优化算法，得出种故障因素造成的严重度，包括：
初始化人工萤火虫优化算法的参数；
随机初始化第i(i＝1,2,3…n)个萤火虫在目标函数搜索范围内的位置；
计算萤火虫i在t时刻的荧光素值li(t)；
每只萤火虫在其动态决策域半径
Figure BDA0003707133300000081
内选择荧光素值li(t)比自己高的个体组成领域集Ni(t)，其中
Figure BDA0003707133300000082
rs为萤火虫个体的感知半径；
计算萤火虫i移向领域集Ni(t)内个体j的概率pij(t)；
利用轮盘赌算法，确定萤火虫i移向的个体j，移动所萤火虫i并更新位置及其动态决策域半径的值；
判断是否到达最大迭代次数或者预设精度；
若否，则重新选择选择荧光素值li(t)比自己高的个体组成领域集Ni(t)，进行迭代计算；
若是，则输出全局极值点和最优个体值，并计算得出故障因素造成的严重度。
在具体实践中，在初始化人工萤火虫优化算法的参数后，在可行域中随机放置n个萤火虫，并赋予每个萤火虫的荧光素为l0，动态决策域为r0。初始化步长s，领域阈值nt，荧光素消失率ρ，荧光素更新率γ，动态决策域更新率β，萤火虫感知域rs，迭代次数M。
利用公式li(t)＝(1-ρ)li(t-1)+γJ(xi(t))更新萤火虫的荧光素，其中J(xi(t))表示萤火虫i在t时刻所在位置的目标函数值；li(t)表示萤火虫i在t时刻荧光素值。
利用公式
Figure BDA0003707133300000083
li(t)<li(t)}寻找萤火虫i的邻居，其中Ni(t)表示萤火虫i在t时刻邻居的集合；
Figure BDA0003707133300000084
表示萤火虫i在t时刻的动态决策域。
利用公式j＝max(pi)，确定萤火虫的动作移动方向，其中，
Figure BDA0003707133300000085
为转移概率。
利用公式
Figure BDA0003707133300000091
更新萤火虫的位置；
利用公式
Figure BDA0003707133300000092
更新萤火虫的动态决策域。
可以理解的是，本实施例提供的技术方案，通过采用人工萤火虫优化算法求取权重，能够使得断路器分合闸线圈的故障因素的权重值更加精准，使得最终得出的可靠性更加精准。
需要说明的是，所述得出所述断路器分合闸线圈的可靠度，包括：
将所述故障因素造成的严重度作为所述故障因素的权重；
根据每种故障因素的权重与每种故障因素的发生概率，计算得出待测分合闸线圈的总故障发生率以及可靠度。
可以理解的是，一个因素造成故障的风险不仅跟其发生率有关，而且跟其造成故障的严重程度有关，所述造成故障的严重程度即其相对于故障的权重，因此，根据每种故障因素的权重与每种故障因素的发生概率，计算得出待测分合闸线圈的总故障发生率以及可靠度，能够使得最终得出的可靠度更加精准。
需要说明的是，所述计算得出待测分合闸线圈的总故障发生率以及可靠度，包括：
将所述每种故障因素的权重与每种故障因素的发生概率的乘积作为待测分合闸线圈的每种故障因素的风险系数；
将所述每种故障因素的风险系数进行累计求和，得出待测分合闸线圈的总故障发生率；
根据所述总故障发生率，计算得出所述待测分合闸线圈的可靠度。
在具体实践中，某种故障因素的风险系数可以表示为：
Pi＝pi×ωi,(i＝1,2,…n)
式中：pi表示故障因素i的发生率，ωi表示故障因i素造成故障的严重度，即故障因素的权重，n表示故障原因个数。
综合求得每个故障因素的风险系数，可得到相关部件的整体状态或其发生故障的概率P以及其可靠度R，即：
Figure BDA0003707133300000101
R＝1-P
式中：Xi表示故障X的第i个因素，P表示故障X的发生概率，R表示可靠度。
实施例二
图3是根据一示例性实施例示出的一种断路器分合闸线圈可靠性评估系统示意框图，参见图3，一种断路器分合闸线圈可靠性评估系统，包括：
信息获取模块101，用于获取并统计分合闸线圈历史运行过程中发生的故障类型，还用于获取待测分合闸线圈运行时的工况数据；
模型管理模块102，用于根据所述工况数据建立包含故障类型与故障因素的故障树模型，还用于根据所述故障树模型，建立模糊判断矩阵；
计算模块103，用于根据所述模糊判断矩阵，计算每种故障因素的权重；
可靠度生成模块104，用于查阅获取每种故障因素的发生概率，还用于根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。
可以理解的是，本实施例提供的技术方案，通过信息获取模块101获取并统计分合闸线圈历史运行过程中发生的故障类型以及待测分合闸线圈运行时的工况数据，通过模型管理模块102建立故障树模型，并且建立模糊判断矩阵，通过计算模块103计算得出每种故障因素的权重，通过可靠度生成模块104根据每种故障因素的发生概率，最终计算得出所述断路器分合闸线圈的可靠度。因此，本实施例提供的技术方案，能够简洁精确的求取权重，使得对断路器分合闸线圈的可靠性评估更加精准。
需要说明的是，所述的系统，还包括：
与所述信息获取模块相连的参数传感器，所述参数传感器用于对所述待测分合闸线圈进行监测，采集所述工况数据。
在具体实践中，所述参数传感器，至少包括温湿度传感器、振动传感器和电流电压传感器，参数传感器采集到的数值保存到数据采集卡，电脑终端进行数据的分析，最终用上述的评估方法来对高压断路器分合闸线圈进行可靠性评估。
实施例三
提供一种断路器分合闸线圈可靠性评估装置，包括：
主控器，及与所述主控器相连的存储器；
所述存储器，其中存储有程序指令；
所述主控器用于执行存储器中存储的程序指令，执行上述任一项所述的方法。
可以理解的是，本实施例提供的技术方案，通过获取并统计分合闸线圈历史运行过程中发生的故障类型以及待测分合闸线圈运行时的工况数据，建立故障树模型，并且建立模糊判断矩阵，计算得出每种故障因素的权重，在根据每种故障因素的发生概率，最终计算得出所述断路器分合闸线圈的可靠度。因此，本实施例提供的技术方案，能够简洁精确的求取权重，使得对断路器分合闸线圈的可靠性评估更加精准。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种断路器分合闸线圈可靠性评估方法，其特征在于，包括：
获取并统计分合闸线圈历史运行过程中发生的故障类型；
获取待测分合闸线圈运行时的工况数据，并根据所述工况数据建立包含故障类型与故障因素的故障树模型；
根据所述故障树模型，建立模糊判断矩阵；
根据所述模糊判断矩阵，计算每种故障因素的权重；
读取预存的每种故障因素的发生概率；
根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述工况数据建立包含故障类型与故障因素的故障树模型，包括：
建立故障树模型的上层事件为断路器分合闸线圈故障；
建立故障树模型的中层事件为分闸线圈故障和合闸线圈故障；
根据所述工况数据，建立包含导致中层事件发生的故障因素的故障树模型的底层事件。
3.根据权利要求1所述的方法，其特征在于，所述建立模糊判断矩阵，包括：
判断所述故障因素Yi比另一种故障因素Yj对于相同的目标元素的相对重要程度Mij；
采用1～9标度法，表示所述相对重要程度Mij；
根据所述相对重要程度Mij，建立模糊判断矩阵R＝(Mij)n×n。
4.根据权利要求3所述的方法，其特征在于，所述计算每种故障因素的权重，包括：
根据权重与相对重要程度的关系，将计算每种故障因素的权重转换为计算每种故障因素造成的严重度；
采用人工萤火虫优化算法，得出种故障因素造成的严重度。
5.根据权利要求4所述的方法，其特征在于，所述采用人工萤火虫优化算法，得出种故障因素造成的严重度，包括：
初始化人工萤火虫优化算法的参数；
随机初始化第i(i＝1,2,3…n)个萤火虫在目标函数搜索范围内的位置；
计算萤火虫i在t时刻的荧光素值li(t)；
每只萤火虫在其动态决策域半径
Figure FDA0003707133290000021
内选择荧光素值li(t)比自己高的个体组成领域集Ni(t)，其中
Figure FDA0003707133290000022
rs为萤火虫个体的感知半径；
计算萤火虫i移向领域集Ni(t)内个体j的概率pij(t)；
利用轮盘赌算法，确定萤火虫i移向的个体j，移动所萤火虫i并更新位置及其动态决策域半径的值；
判断是否到达最大迭代次数或者预设精度；
若否，则重新选择选择荧光素值li(t)比自己高的个体组成领域集Ni(t)，进行迭代计算；
若是，则输出全局极值点和最优个体值，并计算得出故障因素造成的严重度。
6.根据权利要求5所述的方法，其特征在于，所述得出所述断路器分合闸线圈的可靠度，包括：
将所述故障因素造成的严重度作为所述故障因素的权重；
根据每种故障因素的权重与每种故障因素的发生概率，计算得出待测分合闸线圈的总故障发生率以及可靠度。
7.根据权利要求6所述的方法，其特征在于，所述计算得出待测分合闸线圈的总故障发生率以及可靠度，包括：
将所述每种故障因素的权重与每种故障因素的发生概率的乘积作为待测分合闸线圈的每种故障因素的风险系数；
将所述每种故障因素的风险系数进行累计求和，得出待测分合闸线圈的总故障发生率；
根据所述总故障发生率，计算得出所述待测分合闸线圈的可靠度。
8.一种断路器分合闸线圈可靠性评估系统，其特征在于，包括：
信息获取模块，用于获取并统计分合闸线圈历史运行过程中发生的故障类型，还用于获取待测分合闸线圈运行时的工况数据；
模型管理模块，用于根据所述工况数据建立包含故障类型与故障因素的故障树模型，还用于根据所述故障树模型，建立模糊判断矩阵；
计算模块，用于根据所述模糊判断矩阵，计算每种故障因素的权重；
可靠度生成模块，用于查阅获取每种故障因素的发生概率，还用于根据所述每种故障因素的发生概率与每种故障因素的权重，得出所述断路器分合闸线圈的可靠度。
9.根据权利要求8所述的系统，其特征在于，还包括：
与所述信息获取模块相连的参数传感器，所述参数传感器用于对所述待测分合闸线圈进行监测，采集所述工况数据。
10.一种断路器分合闸线圈可靠性评估装置，其特征在于，包括：
主控器，及与所述主控器相连的存储器；
所述存储器，其中存储有程序指令；
所述主控器用于执行存储器中存储的程序指令，执行如权利要求1～7任一项所述的方法。
CN202210709346.3A 2022-06-22 2022-06-22 一种断路器分合闸线圈可靠性评估方法、系统及装置 Pending CN115048381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210709346.3A CN115048381A (zh) 2022-06-22 2022-06-22 一种断路器分合闸线圈可靠性评估方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210709346.3A CN115048381A (zh) 2022-06-22 2022-06-22 一种断路器分合闸线圈可靠性评估方法、系统及装置

Publications (1)

Publication Number Publication Date
CN115048381A true CN115048381A (zh) 2022-09-13

Family

ID=83163194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210709346.3A Pending CN115048381A (zh) 2022-06-22 2022-06-22 一种断路器分合闸线圈可靠性评估方法、系统及装置

Country Status (1)

Country Link
CN (1) CN115048381A (zh)

Similar Documents

Publication Publication Date Title
KR102479755B1 (ko) 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법
CN107480028B (zh) 磁盘可使用的剩余时长的获取方法及装置
US20180365089A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
CN109145464B (zh) 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法
US8250006B2 (en) Inferential sensors developed using three-dimensional pareto-front genetic programming
CN113392914B (zh) 一种基于数据特征的权重来构建孤立森林的异常检测算法
CN108022058B (zh) 一种风力机状态可靠性评估方法
JP6615963B1 (ja) 異常予兆診断装置及び異常予兆診断方法
JP2019028565A (ja) 故障予知方法、故障予知装置および故障予知プログラム
US8130112B2 (en) Method of alarm mask generation and condition monitoring of wind turbines
CN109598052B (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
JP2018092445A5 (zh)
CN103399280A (zh) 基于nsdp-ar模型的锂离子电池循环寿命预测方法
CN118381197B (zh) 基于数字孪生的配电网故障监测方法及系统
CN117664218A (zh) 一种真空冷冻干燥机的校准方法
TW201621792A (zh) 品質管理裝置及其管理方法
CN117170980B (zh) 一种服务器硬件异常预警方法、装置、设备及存储介质
CN118249348A (zh) 电力负荷预测方法、装置、电子设备和介质
Lutska et al. Forecasting the efficiency of the control system of the technological object on the basis of neural networks
CN115048381A (zh) 一种断路器分合闸线圈可靠性评估方法、系统及装置
CN116736174B (zh) 电池剩余寿命预测方法、装置、计算机设备和存储介质
CN113268929A (zh) 短期负荷区间预测方法及装置
JP2020052460A (ja) 異常検出システム、及び異常検出プログラム
JP2018116700A (ja) 推定プログラム、推定方法および推定装置
CN116842811A (zh) 基于数字孪生的车间产线能耗分析方法、装置及存储介质

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