CN115326242A - 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统 - Google Patents

输电线路状态监测传感器的在线性能评估与故障诊断方法及系统 Download PDF

Info

Publication number
CN115326242A
CN115326242A CN202211108859.5A CN202211108859A CN115326242A CN 115326242 A CN115326242 A CN 115326242A CN 202211108859 A CN202211108859 A CN 202211108859A CN 115326242 A CN115326242 A CN 115326242A
Authority
CN
China
Prior art keywords
sensor
transmission line
value
fault diagnosis
performance evaluation
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
CN202211108859.5A
Other languages
English (en)
Inventor
江洪
张永
李丹煜
毛琳明
张勇
周啸宇
姜云土
葛黄徐
郭一凡
李响
曾东
张华杰
张昕
沈坚
陆丹
赵梦石
汉京善
罗林根
龚培林
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.)
Shanghai Jiaotong University
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Shanghai Jiaotong University
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power 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 Shanghai Jiaotong University, State Grid Zhejiang Electric Power Co Ltd, China Electric Power Research Institute Co Ltd CEPRI, Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202211108859.5A priority Critical patent/CN115326242A/zh
Publication of CN115326242A publication Critical patent/CN115326242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K15/00—Testing or calibrating of thermometers
    • G01K15/007—Testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供了一种输电线路状态监测传感器的在线性能评估与故障诊断方法，其包括步骤：采集传感器测得的测量值数据；对传感器测得的测量值数据进行预处理；将预处理后的前m个测量值数据输入神经网络，以得到下一时刻的传感器测量的预测值；计算预测值与与之对应的实际测量值的残差值；将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，则判断传感器产生了突变信号；若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。相应地，本发明还提供了一种输电线路状态监测传感器的在线性能评估与故障诊断系统以及计算机可读存储介质。

Description

输电线路状态监测传感器的在线性能评估与故障诊断方法及 系统
技术领域
本发明涉及一种传感器监测方法及系统，尤其涉及一种用于输电线路的传感器监测方法及系统。
背景技术
传感器作为输电线路在线监测系统的一个必不可少的组成环节，在电力系统中起着尤其重要的作用，它们每时每刻都监测着输电线路的运行状况，并为进一步的决策提供依据，所以其检测信息的准确性、传递信息的及时性、运行的可靠性至关重要，只有自身运行良好，才能对输电线路运行进行有效的监视与评估，为线路运行方案提供准确可靠的依据。所以，在输电线路系统的故障诊断中，首先应进行传感器的检验,对其运行状态进行有效的监视与评估。
随着输电线路在线监测系统的广泛应用，现有技术中对其进行故障评估的研究工作主要集中在输电线路或是整个监测系统的监测量进行评估，鲜有对传感器本身进行故障检测与准确性评估的技术。然而，本领域内技术人员均了解传感器性能监视与评估的重要性。
基于此，期望提供一种输电线路状态监测传感器的在线性能评估与故障诊断方法。
发明内容
本发明的目的之一在于提供一种输电线路状态监测传感器的在线性能评估与故障诊断方法，其旨在结合在线监测测量不确定度来实现对传感器性能的在线评估和故障诊断。
为了实现上述目的，本发明提供了一种输电线路状态监测传感器的在线性能评估与故障诊断方法，其包括步骤：
(1)采集传感器测得的测量值数据；
(2)将前m个测量值数据输入神经网络，以得到下一时刻的传感器测量的预测值；
(3)计算预测值与与之对应的实际测量值的残差值；
(4)将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，则判断传感器产生了突变信号。
本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法将时间序列预测方法和基于神经网络智能学习方法相结合。由于实际测量环境中通常存在着很多电磁干扰和随机干扰，使传感器测得的时间序列中不可避免地存在一些噪声，因此首先对传感器数据进行预处理，将预处理后的数据作为神经网络的输入。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法的步骤(4)中，若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法的步骤(1)中，对传感器数据进行冗余采样或正常采样。
优选地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法中，在步骤(1)和步骤(2)之间还包括步骤：对传感器测得的测量值数据进行预处理。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法中，所述预处理包括小波滤波，以滤除噪声，提升数据质量。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法中，所述小波滤波采用Daubechie小波、Coiflets小波、Symlets小波和双正交样条小波BiorSolines的其中至少一种。
在具体的实施方式中，可以选用Daubechie小波、Coiflets小波、Symlets小波和双正交样条小波BiorSolines等。除了选择合适的小波，本领域内技术人员还可以根据需要确定合适的分解尺度，滤波阈值。可以采用现有技术中的通用阈值法、极小化风险阈值法、或假设检验法确定阈值。
本技术方案根据确定的阈值，完成对小波系数的非线性处理，完成滤波处理。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法的步骤(2)中，所述神经网络包括BP神经网络。
更进一步地，所述BP神经网络包括输入层、隐含层和输出层。
本发明中的BP神经网络采用三层结构：输入层、隐含层和输出层，其中输入层输入的是传感器前m个时刻的测量结果，输出层只有一个节点，即预测传感器下一时刻的测量结果。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法的步骤(4)中，按照下述公式计算重复不确定度u(y)：
Figure BDA0003842400480000031
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
其中，对于在线传感器来说，n＝1，此时kn＝0.8。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法中，当传感器被判断为产生了突变信号时，提取突变信号的特征，并基于该突变信号的特征判断传感器是否发生了故障。
在本技术方案中，当传感器被判断为产生了突变信号时，本技术方案基于小波及小波包变换的频带技术，提取突变信号的特征，并基于其与突变原因之间的对应关系，判断传感器是否发生了故障。
表1列出了突变信号的特征与突变原因之间的对应关系。
表1
突变原因 传感器输出信号特征
给定输入 只有低频信号
过程扰动 只有低频信号
传感器故 低频信号+高频信号
被控对象 与传感器的输入带宽
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法中，当突变信号的特征为低频信号+高频信号时，判断传感器发生了故障。
本发明的另一目的在于提供一种输电线路状态监测传感器的在线性能评估与故障诊断系统，其能够结合在线监测测量不确定度来实现对传感器性能的在线评估和故障诊断。
基于上述目的，本发明相应地提供了一种输电线路状态监测传感器的在线性能评估与故障诊断系统，其包括：
数据采集模块，其采集传感器测得的测量值数据；
神经网络模块，将前m个测量值数据输入神经网络模块，以得到下一时刻的传感器测量的预测值；
评估和诊断模块，其计算预测值与与之对应的实际测量值的残差值；以及将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，判断传感器产生了突变信号。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述评估和诊断模块还被设置为：若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述数据采集模块对传感器数据进行冗余采样或正常采样。
进一步地，本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统还包括预处理模块，其对传感器测得的测量值数据进行预处理。
更进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述预处理包括小波滤波，以滤除噪声。
更进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述小波滤波采用Daubechie小波、Coiflets小波、Symlets小波和双正交样条小波BiorSolines的其中至少一种。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述神经网络模块包括BP神经网络。
更进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述BP神经网络包括输入层、隐含层和输出层。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述评估和诊断模块按照下述公式计算重复不确定度u(y)：
Figure BDA0003842400480000041
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
更进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，当n＝1时，表示传感器为在线传感器，此时kn＝0.8。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述评估和诊断模块还被设置为：当传感器被判断为产生了突变信号时，提取突变信号的特征，并基于该突变信号的特征判断传感器是否发生了故障。
进一步地，在本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统中，所述评估和诊断模块被设置为：当突变信号的特征为低频信号+高频信号时，判断传感器发生了故障。
本发明的又一目的在于提供一种计算机可读存储介质，其能够执行结合在线监测测量不确定度来实现对传感器性能的在线评估和故障诊断的计算机程序。
基于上述目的，本发明相应地提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法。
本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法可以针对于各种输电线路状态监测传感器，包括温度，电流、张力、振动、微风舞动传感器等。
本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法及系统以及计算机可读存储程序均具有以下有益效果：
其能够有效、准确、便捷地对传感器检测信息的准确性、传递信息的及时性、运行的可靠性进行监控，为进一步的决策提供依据，从而保障对输电线路运行的有效的监视与评估，为线路运行方案提供准确可靠的依据。
附图说明
图1为本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法在一种实施方式下的流程图示意图。
图2为本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法及系统在一种实施方式下采用的神经网络的架构示意图。
图3示例性地显示了在一种实施方式下正常采样的温度传感器输出的信号。
具体实施方式
下面将结合说明书附图和具体的实施例对本本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法在一种实施方式下的流程图示意图。
该实施方式以输电线路采集的导线温度数据为例，测试的传感器为PT-100温度传感器。该传感器的量程为100℃，感温元件为Cu50，其标称精度等级为1级。经测试，该传感器的实际重复不确定度为0.23℃，该数值可以与后续采用本技术方案获得的重复不确定度进行比对，以验证本案的实施效果。
在该实施方式下，采用本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法对该PT-100温度传感器进行在线性能评估与故障诊断包括步骤：
100：采集传感器测得的测量值数据：本实施例中采用了冗余采样，设置冗余采样周期为100ms(频率为10Hz，其为故障诊断和使用冗余采样频率法实时滤波而设置)。在其他实施方式中，当正常采样时，可以设置启采样周期为6.4s。
200：对传感器测得的测量值数据进行小波滤波：本实施例中采用了db4小波(即Daubechie小波)，数据窗长度N＝64，分解层数J＝4，滤波阈值选用了Birge-Massart策略产生的尺度相关阈值，阈值作用函数为软阈值形式。
300：将预处理后的前m个测量值数据输入神经网络，以得到下一时刻的传感器测量的预测值：在本实施方式中，由于温度值的采样周期较长，选择了10个输入节点的BP神经网络，以进行预测。
图2显示了本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法及系统在一种实施方式下采用的神经网络的架构示意图。
如图2所示，该BP神经网络采用三层结构：输入层、隐含层和输出层，其中输入层输入的是传感器前m个时刻的测量结果y(t)、y(t-1)、……y(t-m+1)，输出层只有一个节点，输出预测的传感器下一时刻的测量结果
Figure BDA0003842400480000071
400：计算预测值与与之对应的实际测量值的残差值。
500：将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，则判断传感器产生了突变信号；若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。在该实施例中，可以将阈值θ设置为1℃。
在本实施方式中，按照下述公式计算重复不确定度u(y)：
Figure BDA0003842400480000072
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
其中，对于在线传感器来说，n＝1，此时kn＝0.8。
当传感器被判断为产生了突变信号时，突变信号识别程序基于小波及小波包变换的频带技术提取突变信号的特征，基于该突变信号的特征判断传感器是否发生了故障。
在一种实施方式下，采用本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断系统对该PT-100温度传感器进行在线性能评估与故障诊断。该在线性能评估与故障诊断系统包括：数据采集模块、神经网络模块以及评估和诊断模块。
其中，数据采集模块采集传感器测得的测量值数据。例如在某些具体的实施例中可以采用冗余采样，设置冗余采样周期为100ms(频率为10Hz，其为故障诊断和使用冗余采样频率法实时滤波而设置)。在其他具体的实施例中，当正常采样时，可以设置启采样周期为6.4s。
神经网络模块用于基于输入其中的前m个测量值数据，得到下一时刻的传感器测量的预测值。在某些具体的实施例中，由于温度值的采样周期较长，选择了10个输入节点的BP神经网络，以进行预测。
在某些具体的实施例中，可以采用如图2所示的BP神经网络。该BP神经网络采用三层结构：输入层、隐含层和输出层，其中输入层输入的是传感器前m个时刻的测量结果y(t)、y(t-1)、……y(t-m+1)，输出层只有一个节点，输出预测的传感器下一时刻的测量结果
Figure BDA0003842400480000081
在该在线性能评估与故障诊断系统中，评估和诊断模块用于计算预测值与与之对应的实际测量值的残差值；以及评估和诊断模块将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，则判断传感器产生了突变信号；若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。在某些具体的实施例中，可以将阈值θ设置为1℃。
需要说明的是，作为一种优选的实施方式，该在线性能评估与故障诊断系统还可以包括预处理模块，该预处理模块对传感器测得的测量值数据进行预处理，然后将经过预处理的前m个测量值数据输入到下游的神经网络模块中。在某些实施例中，预处理可以包括小波滤波。在某些具体的实施例中，可以采用db4小波(即Daubechie小波)，数据窗长度N＝64，分解层数J＝4，滤波阈值可以选用Birge-Massart策略产生的尺度相关阈值，阈值作用函数为软阈值形式。
另外需要说明的是，在某些实施方式中，评估和诊断模块可以按照下述公式计算重复不确定度u(y)：
Figure BDA0003842400480000082
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
其中，对于在线传感器来说，n＝1，此时kn＝0.8。
当传感器被判断为产生了突变信号时，突变信号识别程序基于小波及小波包变换的频带技术提取突变信号的特征，评估和诊断模块基于该突变信号的特征判断传感器是否发生了故障。
本发明还提供了一种实施方式，在该实施方式下，计算机程序存储在计算机可读存储介质中，该计算机程序执行下述步骤：
100：采集传感器测得的测量值数据，例如可以采用冗余采样，设置冗余采样周期为100ms(频率为10Hz，其为故障诊断和使用冗余采样频率法实时滤波而设置)。或者在其他实施方式中，当正常采样时，可以设置启采样周期为6.4s。
200：对传感器测得的测量值数据进行小波滤波：例如在某些具体的实施例中采用了db4小波(即Daubechie小波)，数据窗长度N＝64，分解层数J＝4，滤波阈值选用了Birge-Massart策略产生的尺度相关阈值，阈值作用函数为软阈值形式。
300：将预处理后的前m个测量值数据输入神经网络，以得到下一时刻的传感器测量的预测值：在某些具体的实施方式中，由于温度值的采样周期较长，选择了10个输入节点的BP神经网络，以进行预测。
400：计算预测值与与之对应的实际测量值的残差值。
500：将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，则判断传感器产生了突变信号；若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。在该实施例中，可以将阈值θ设置为1℃。
在某些实施方式中，按照下述公式计算重复不确定度u(y)：
Figure BDA0003842400480000091
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
其中，对于在线传感器来说，n＝1，此时kn＝0.8。
当传感器被判断为产生了突变信号时，突变信号识别程序基于小波及小波包变换的频带技术提取突变信号的特征，基于该突变信号的特征判断传感器是否发生了故障。
图3示例性地显示了在一种实施方式下正常采样的温度传感器输出的信号。
本实施例对上述传感器连续进行了10次评估，每次评估的点数为100点，10次评估的平均重复不确定度列于表2。
表2.温度传感器10次评估的平均重复不确定度
序号 1 2 3 4 5 6 7 8 9 10
重复不确定度 0.216 0.217 0.218 0.217 0.213 0.213 0.210 0.207 0.206 0.207
从表2可以看出，单次测量的重复不确定度存在较大的分散性，但采用平均值作为一个处理周期内的重复不确定度时，与前文所列的实际值0.23相当接近，这显示了本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法及系统的有效性。
另外，采用本发明所述的输电线路状态监测传感器的在线性能评估与故障诊断方法及系统将发现的信号发生突变的传感器，确定为传感器故障，也与实际相符合。
需要说明是，计算获得的重复不确定度的值越低表征着该传感器的可靠性越好。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。

Claims (25)

1.一种输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，包括步骤：
(1)采集传感器测得的测量值数据；
(2)将前m个测量值数据输入神经网络，以得到下一时刻的传感器测量的预测值；
(3)计算预测值与与之对应的实际测量值的残差值；
(4)将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，判断传感器产生了突变信号。
2.如权利要求1所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，在步骤(4)中，若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。
3.如权利要求1所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，在步骤(1)中，对传感器数据进行冗余采样或正常采样。
4.如权利要求1所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，在步骤(1)和步骤(2)之间还包括步骤：对传感器测得的测量值数据进行预处理。
5.如权利要求4所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，所述预处理包括小波滤波，以滤除噪声。
6.如权利要求5所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，所述小波滤波采用Daubechie小波、Coiflets小波、Symlets小波和双正交样条小波BiorSolines的其中至少一种。
7.如权利要求1所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，在步骤(2)中，所述神经网络包括BP神经网络。
8.如权利要求7所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，所述BP神经网络包括输入层、隐含层和输出层。
9.如权利要求2所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，所述评估和诊断模块按照下述公式计算重复不确定度u(y)：
Figure FDA0003842400470000021
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
10.如权利要求9所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，当n＝1时，表示传感器为在线传感器，此时kn＝0.8。
11.如权利要求1所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，当传感器被判断为产生了突变信号时，提取突变信号的特征，并基于该突变信号的特征判断传感器是否发生了故障。
12.如权利要求11所述的输电线路状态监测传感器的在线性能评估与故障诊断方法，其特征在于，当突变信号的特征为低频信号+高频信号时，判断传感器发生了故障。
13.一种输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，包括：
数据采集模块，用于采集传感器测得的测量值数据；
神经网络模块，用于将前m个测量值数据输入神经网络模块，以得到下一时刻的传感器测量的预测值；
评估和诊断模块，用于计算预测值与与之对应的实际测量值的残差值；以及将残差值与设定的阈值进行比较，若残差值连续超过所述阈值的次数大于设定的正整数D时，判断传感器产生了突变信号。
14.如权利要求13所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述评估和诊断模块还被设置为：若残差值未超过所述阈值，则对该实际测量值的重复不确定度进行计算，以评估数据可靠性。
15.如权利要求13所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述数据采集模块对传感器数据进行冗余采样或正常采样。
16.如权利要求13所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，还包括预处理模块，其对传感器测得的测量值数据进行预处理。
17.如权利要求16所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述预处理包括小波滤波，以滤除噪声。
18.如权利要求17所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述小波滤波采用Daubechie小波、Coiflets小波、Symlets小波和双正交样条小波BiorSolines的其中至少一种。
19.如权利要求13所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述神经网络模块包括BP神经网络。
20.如权利要求19所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述BP神经网络包括输入层、隐含层和输出层。
21.如权利要求14所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，在步骤(4)中，按照下述公式计算重复不确定度u(y)：
Figure FDA0003842400470000031
其中，n表示测量次数，kn表示与测量次数相关的系数，|δi|max表示传感器单次测量的残差值。
22.如权利要求13所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，当n＝1时，表示传感器为在线传感器，此时kn＝0.8。
23.如权利要求13所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述评估和诊断模块还被设置为：当传感器被判断为产生了突变信号时，提取突变信号的特征，并基于该突变信号的特征判断传感器是否发生了故障。
24.如权利要求23所述的输电线路状态监测传感器的在线性能评估与故障诊断系统，其特征在于，所述评估和诊断模块被设置为：当突变信号的特征为低频信号+高频信号时，判断传感器发生了故障。
25.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序执行如权利要求1-12中任意一项所述的输电线路状态监测传感器的在线性能评估与故障诊断方法。
CN202211108859.5A 2022-09-13 2022-09-13 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统 Pending CN115326242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211108859.5A CN115326242A (zh) 2022-09-13 2022-09-13 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211108859.5A CN115326242A (zh) 2022-09-13 2022-09-13 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN115326242A true CN115326242A (zh) 2022-11-11

Family

ID=83930768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211108859.5A Pending CN115326242A (zh) 2022-09-13 2022-09-13 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115326242A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553840A (zh) * 2024-01-11 2024-02-13 深圳汉光电子技术有限公司 一种基于智能化管理的仪表及其系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553840A (zh) * 2024-01-11 2024-02-13 深圳汉光电子技术有限公司 一种基于智能化管理的仪表及其系统

Similar Documents

Publication Publication Date Title
CN109186813B (zh) 一种温度传感器自检装置及方法
CN111460392B (zh) 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统
KR101891175B1 (ko) 동특성 변화를 이용한 건물 구조물의 안전도 평가방법 및 시스템
JP2006105142A (ja) 装置の障害検出方法および障害検出／切離しシステム
CN111337767B (zh) 一种谐振波减速器故障分析方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN110717472B (zh) 基于改进的小波阈值去噪的故障诊断方法及系统
CN115326242A (zh) 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统
CN117668684B (zh) 基于大数据分析的电网电能数据异常检测方法
US12045047B2 (en) Fault diagnostics systems and methods
JP2008108250A (ja) 移動体の異常検出システム、及び移動体の異常検出方法
CN114372344B (zh) 一种次同步振荡阻尼特性影响因素的量化辨识方法
CN115081331A (zh) 一种基于状态参数重构误差的风电机组运行状态异常检测方法
CN114881157A (zh) 换流阀工作状态的检测方法、装置、设备和存储介质
CN114595721A (zh) 一种基于路况识别的车辆零部件应变载荷预测方法
CN116627116B (zh) 一种流程工业故障定位方法、系统及电子设备
CN117491813A (zh) 新能源汽车动力电池系统绝缘异常检测方法
CN116641941A (zh) 一种基于典型变量分析的液压系统早期故障动态检测方法
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及系统
CN112816122B (zh) 基于深度学习和压电主动传感的螺栓松紧程度监测方法
Yanez-Borjas et al. Methodology based on statistical features and linear discriminant analysis for damage detection in a truss-type bridge
CN115358294A (zh) 一种高速列车牵引系统的微小故障检测方法
CN114266013A (zh) 基于深度学习虚拟感知网络的传动系统振动解耦方法
Dai et al. Bearing fault diagnosis based on reinforcement learning and kurtosis
Hiranaka et al. VAE Deviation for Detecting Bearing Anomalies

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