CN115355942A - 适用于kyn开关柜的健康管理方法 - Google Patents

适用于kyn开关柜的健康管理方法 Download PDF

Info

Publication number
CN115355942A
CN115355942A CN202210979478.8A CN202210979478A CN115355942A CN 115355942 A CN115355942 A CN 115355942A CN 202210979478 A CN202210979478 A CN 202210979478A CN 115355942 A CN115355942 A CN 115355942A
Authority
CN
China
Prior art keywords
switch cabinet
data
kyn
state
kyn switch
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
Application number
CN202210979478.8A
Other languages
English (en)
Other versions
CN115355942B (zh
Inventor
侯春光
张宇飞
王化润
杨丹
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.)
Hualong Shenyang Intelligent Electric Co ltd
Original Assignee
Hualong Shenyang Intelligent Electric 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 Hualong Shenyang Intelligent Electric Co ltd filed Critical Hualong Shenyang Intelligent Electric Co ltd
Priority to CN202210979478.8A priority Critical patent/CN115355942B/zh
Publication of CN115355942A publication Critical patent/CN115355942A/zh
Application granted granted Critical
Publication of CN115355942B publication Critical patent/CN115355942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属电力系统监测技术领域，尤其涉及一种适用于KYN开关柜的健康管理方法，包括监测KYN开关柜的绝缘状态、机械状态及温湿度状态；过滤出符合定义规则的问题数据；通过MQTT协议将所采集的状态数据传输至数据管理中心；对KYN开关柜的绝缘状态、机械状态及温湿度状态进行诊断分析；对KYN开关柜剩余电寿命与机械寿命进行预测；将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据以及健康状态数据进行统一管理。本发明监测量通信协议统一，可实现开关柜实时在线联合监测，并可对开关柜健康状态进行诊断、评估、预测，对运行状态异常信息进行分析。

Description

适用于KYN开关柜的健康管理方法
技术领域
本发明属电力系统监测技术领域，尤其涉及一种适用于KYN开关柜的健康管理方法。
背景技术
开关柜设备是配电网中的关键设备之一，其运行可靠性影响整个配电系统的安全运行，因此，对开关柜进行健康管理是很重要的。
中国专利文献(CN211046571U)上公开的“一种中压开关柜实时状态监测与管理系统”，该系统包括前端采集单元、智能控制单元、网络传输单元、应用服务器、与所述应用服务器连接的用户管理终端，所述前端采集单元包括安装在所述开关柜柜体内相应位置的多个检测装置，用于采集所述开关柜相应位置的各类基础监测数据信号，所述智能控制单元接收所述基础监测数据信号并通过所述网络传输单元与所述应用服务器传输所述开关柜的各类监测量信号；多个所述检测装置包括位移传感器、电流传感器组、局放传感器、温度传感器、互感器，所述位移传感器、电流传感器组、局放传感器、温度传感器、互感器的感应信号输出端口分别连接至所述智能控制单元的各个数据采集端口。该系统通过采集开关柜内部的各类基础数据，经过监测数据的汇集和初步处理、多个独立、常规的数据模型服务器的分析，将中压开关柜的健康状态以数据可视化的形式传输至用户终端实时进行管理。但是上述方案监测量少，不同监测量通信协议不统一，并且未能实现多传感器的联合监测，监测数据仅仅提供原始数据的直接上传和简单判断，未实现开关柜的剩余电寿命与机械寿命的诊断与剩余寿命预测，也没有对运行状态异常信息的分析，实现全生命周期管理。
发明内容
本发明旨在克服现有技术的不足之处而提供一种能够通过各种感知元件获得开关柜运行参数信息，监测量通信协议统一，可实现开关柜实时在线联合监测，并可对开关柜健康状态进行诊断、评估、预测，对运行状态异常信息进行分析的适用于KYN开关柜的健康管理方法。
为解决上述技术问题，本发明是这样实现的：
一种适用于KYN开关柜的健康管理方法，包括如下步骤：
S1：通过在KYN开关柜中设置状态监测传感器，分别监测KYN开关柜的绝缘状态、机械状态及温湿度状态；
S2：根据设置的清洗规则，过滤出符合定义规则的问题数据；
S3：通过MQTT协议将所采集的状态数据传输至数据管理中心；
S4：利用所采集的状态数据，借助机器学习算法，对KYN开关柜的绝缘状态、机械状态及温湿度状态进行诊断分析；
S5：利用所采集的状态数据以及历史数据，采用机器学习算法，对KYN开关柜剩余电寿命与机械寿命进行预测；
S6：将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据以及健康状态数据进行统一管理，以实现KYN开关柜设备的全生命周期管理。
进一步地，所述步骤S1中，通过TEV传感器和AE传感器采集KYN开关柜局部放电数据；通过电压传感器、电流传感器采集KYN开关柜机械状态数据；通过温度传感器采集KYN开关柜关键点温度以及环境温度；通过湿度传感器采集环境湿度。
进一步地，本发明以STM32F103RCT6作为核心处理单元，STM32核心为Cortex-M3，系统时钟晶振频率为8MHz，将所采集的信息经微控制器处理后送入平台应用层。
进一步地，所述步骤S3中，状态数据传输步骤如下：
S301：确定MQTT主题，后台服务器订阅此主题；
S302：单片机将定义好的数据发布到S301所述主题；
S303：后台服务器接收到数据，将数据存储到数据库中；
S304：后台服务器对数据进行分析，将分析结果以Http协议形式传输到客户端显示。
进一步地，所述步骤S4中，对KYN开关柜的绝缘状态进行诊断分析步骤如下：
S401A：采集开关柜检测点的TEV、AE的幅值；
S401B：计算幅值偏差量；
S401C：计算离散度；
S401D：计算平均距离百分比；
S401E：计算集中度，反映开关柜局部放电的严重程度；
S401F：计算最大波动率，反映开关柜局部放电程度的波动情况；
S401G：将计算所得的数据以及环境温度及湿度特征参数作为特征向量；
S401H：将采集到的数据样本对应的特征向量赋予标签；
S401I：构建BP神经网络结构；
S401J：采用梯度下降方法对BP神经网络进行训练；
S401K：进行诊断分析。
进一步地，所述步骤S4中，对KYN开关柜的机械状态进行诊断分析步骤如下：
S402A：利用支持向量机算法对机械特性故障进行诊断；
S402B：采集KYN开关柜机械状态数据；
S402C：利用分合闸线圈电流波形、储能电机电流波形中提取极值点的方法确定特征量；将提取的特征参数作为特征向量；
S402D：将采集到的数据样本对应的特征向量赋予故障标签；
S402E：对所有的样本特征向量进行归一化处理；
S402F：寻取最优参数核函数带宽和惩罚因子；
S402G：确定适应度函数，即故障诊断的准确率作为适应度函数；
S402H：计算适应度函数值，并进行更新，比较个体适应度函数值和群体适应度函数值；
S402I：若达到最优解，则将最优解代入到诊断模型进行故障诊断，否则执行步骤S402G；
S402J：对诊断模型进行训练；
S402K：进行诊断分析。
进一步地，所述步骤S5中，KYN开关柜机械寿命预测步骤如下：
S501A：确定以触头超行程、平均分闸时间、平均合闸时间和储能电机平均电流作为KYN开关柜寿命预测的特征向量；
S501B：采集KYN开关柜用于寿命预测数据；
S501C：确定BP神经网络结构；
S501D：训练BP神经网络；
S501E：预测KYN开关柜剩余机械寿命。
进一步地，所述步骤S5中，KYN开关柜剩余电寿命预测步骤如下：
S502A：确定以开断电流、开断次数、使用年数、刚分速度、刚合速度作为KYN开关柜电寿命预测的特征向量；
S502B：采集KYN开关柜用于寿命预测数据；
S502C：确定BP神经网络结构；
S502D：训练BP神经网络；
S502E：预测KYN开关柜剩余电寿命。
进一步地，所述步骤S6中，全生命周期管理包括设备信息管理模块、订阅信息管理模块、数据管理模块以及健康状态管理模块；其中，设备信息管理模块包括设备名称、设备运行年限、设备添加时间、设备所在位置信息；订阅信息模块包括此系统中当前已添加的订阅和未订阅的MQTT主题信息；数据管理模块为KYN开关柜从投入使用到报废所有的运行状态数据；健康状态管理模块包括每一时间段KYN开关柜绝缘性能的评估数据、KYN开关柜机械状态故障诊断数据、KYN开关柜剩余电寿命和机械寿命预测数据。
本发明能够通过各种感知元件获得开关柜运行参数信息，监测量通信协议统一，可实现开关柜实时在线联合监测，并可对开关柜健康状态进行诊断、评估、预测，对运行状态异常信息进行分析。
本发明构建一种适用于KYN开关柜的健康管理系统，能够通过各种感知元件获得开关柜运行参数信息，实现对开关柜实时在线监测。采用多种传感器监测开关柜内参数信息，数据采集模式多样化。利用数据信息对开关柜健康状态进行评估，具有较高的实用价值。本发明数据传输统一使用MQTT协议和Http协议，在web端和手机APP端可对开关柜健康状态实现可视化。本发明可统筹兼顾所有的监测指标对开关柜状态的影响,利用机器学习综合评估出开关柜的绝缘性能、机械性能状态。通过对所采集数据的分析，提取相关的特征向量，利用神经网络算法，对KYN开关柜的机械寿命和电寿命进行预测。本发明可对KYN开关柜开始投入使用直到报废的运行数据、健康状态数据统一管理，实现KYN开关柜的全生命周期管理。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。
图1为本发明健康管理方法流程框图；
图2为本发明传感器采集过程原理框图；
图3为本发明状态数据传输流程框图；
图4为本发明柜绝缘状态进行诊断分析BP神经网络示意结构；
图5为本发明机械性能进行诊断分析流程框图；
图6为本发明剩余机械寿命预测BP神经网络示意结构；
图7为本发明剩余电寿命预测BP神经网络示意结构；
图8为本发明全生命周期管理模块原理框图；
图9为本发明设备信息模块原理框图；
图10为本发明订阅信息模块原理框图。
具体实施方式
如图所示，适用于KYN开关柜的健康管理方法，包括如下步骤：
S1：在KYN开关柜中安装而温度传感器监测断路器三相温度，安装TEV、AE传感器监测开关柜局部放电，安装机械特性传感器监测KYN开关柜机械特性，同时安装温度传感器和湿度传感器监测环境温湿度；
S2：根据设置的清洗规则，过滤出符合定义规则的问题数据；
S3：针对多类型的参数采集传感器，信息采集装置采用RS485技术获得传感器采集的数据。并通过MQTT协议将每个采集的信息传输至数据管理中心；
S4：利用采集的状态数据，借助机器学习算法，对KYN开关柜绝缘状态、机械性能进行诊断分析；
S5：利用采集的状态数据以及历史数据，采用机器学习算法，对KYN开关柜剩余电寿命与机械寿命进行预测；
S6：将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据、以及健康状态数据进行统一管理，并提供查阅功能，实现KYN开关柜设备的全生命周期管理；
参见图2所示，所述步骤S1中通过传感器采集数据，包括如下步骤：
S101：通过TEV传感器和AE传感器采集开关柜局部放电数据，通过电压传感器、电流传感器采集开关柜机械特性数据，通过温度传感器采集开关柜关键点温度以及环境温度，通过湿度传感器采集环境湿度；
S102：选用STM32F103RCT6作为核心处理单元，STM32核心为Cortex-M3，系统时钟晶振频率为8MHz；采集到的信息经微控制器处理后送入平台应用层。
所述步骤S3中通过MQTT协议将数据传输至数据管理中心，包括如下步骤：
S301：传感器数据传输到后台服务器采用MQTT协议。确定MQTT主题为oc/devices/sys/properties/reportdata，后台服务器订阅此主题。
S302：单片机将定义好的JSON格式数据发布到此主题。
S303：后台服务器接收到数据，将数据存储到MongDB数据库中。
S304：后台服务器对数据进行分析，将分析结果以Http协议将数据传输到客户端显示，客户端以图或表展示数据。
所述步骤S4中对KYN开关柜绝缘状态进行诊断分析，包括如下步骤：
S401A：采集开关柜前上、中、下和后上、中、下共6个检测点的TEV、AE的幅值；
S401B：计算幅值偏差量；
计算TEV幅值偏差量：
Figure BDA0003799846280000071
式中：
Figure BDA0003799846280000072
为开关柜第i(i＝1，2，...，6)个检测点的TEV幅值；TB为TEV的背景值；Ti为TEV的幅值偏差量。
计算超声(AE)的幅值偏差量：
Figure BDA0003799846280000073
式中：
Figure BDA0003799846280000074
为开关柜第i(i＝1，2，...，6)个检测点的TEV幅值；SB为TEV的背景值；Si为TEV的幅值偏差量。
S401C：计算离散度。
TEV离散度公式：
Figure BDA0003799846280000081
式中：m为数据点的数量；Ti为TEV幅值偏差量；
Figure BDA0003799846280000082
为开关柜所有检测点偏差量均值；DT为开关柜TEV检测数据偏差量的离散度。
同理AE离散度公式：
Figure BDA0003799846280000083
式中：m为数据点的数量；Si为AE幅值偏差量；
Figure BDA0003799846280000084
为开关柜所有检测点偏差量均值；DS为开关柜AE检测数据偏差量的离散度。
S401D：计算平均距离百分比。
Figure BDA0003799846280000085
Figure BDA0003799846280000086
式中：AT为开关柜TEV检测数据偏差量的平均距离百分比；AS为开关柜超声检测数据偏差量的平均距离百分比；
S401E：计算集中度，反映开关柜局部放电的严重程度。
Figure BDA0003799846280000087
Figure BDA0003799846280000088
式中：Med{Ti|i＝1，2，...，n}和Med{Si|i＝1，2，...，n}分别为开关柜TEV和超声幅值的中值；Mo{Ti|i＝1，2，...，n}和Mo{Si|i＝1，2，...，n}分别为开关柜TEV和超声幅值的中位数。
S401F：计算最大波动率，反映开关柜局部放电程度的波动情况。
Figure BDA0003799846280000091
Figure BDA0003799846280000092
式中：Ti和Tj为开关柜任意两个检测点的TEV幅值偏差量；MT为开关柜TEV检测数据偏差量的最大波动率；Si和S为开关柜任意两个检测点的超声幅值偏差量；MS为开关柜TEV检测数据偏差量的最大波动率；
S401G：将上述计算得出的TEV和超声波检测数据的离散度DT、DS，平均距离百分比AT、AS，集中度FT、FS，最大波动率MT、MS以及环境温度C、湿度H共10个特征参数作为10维特征向量。
S401H：将采集到的数据样本对应的特征向量赋予标签，对应标签为：优秀0；良好1；差2。
S401I：构建BP神经网络结构。采用三层BP神经网络，其中输入节点个数为10，输出节点个数为1，隐藏层神经元个数根据如下公式确定，隐藏层神经元个数确定为7个，BP神经网络结构图如图4所示。
Figure BDA0003799846280000093
式中：M为中间层单元数，L为输入层单元数，N为输出层单元数，a为1到10之间的整数。
S401J：将样本数据的80％作为训练样本，设置训练次数为10000次，学习速率为0.001，训练最小误差为10-5，采用梯度下降方法对BP神经网络进行训练。
S401K：将训练好的模型对剩下的20％特征向量样本进行诊断，将特征向量作为输入，当输出Y为0时，代表开关柜绝缘性能非常好，开关柜内部无局部放电；输出Y为1时，代表开关柜绝缘性能一般，开关柜内部有轻微局部放电；输出Y为2时，代表开关柜绝缘性能非常差，开关柜内部存在严重局部放电，应立即检修。
参见图5，所述步骤S4中对KYN开关柜机械性能进行诊断分析，包括如下步骤：
S402A：利用支持向量机算法(SVM)对机械特性故障进行诊断，确定支持向量机和函数为径向基(RBF)核函数K(xi·x),则SVM最终分类表达式为：
Figure BDA0003799846280000101
式中：n为样本集总数，x为训练样本集，b为阈值，xi为训练集横坐标，yi为训练集纵坐标，αi为拉格朗日乘子。
S402B：通过大量实验，并采集KYN开关柜机械特性充足的数据，其步骤如S101所述。
S402C：利用分合闸线圈电流波形、储能电机电流波形中提取极值点的方法确定9个特征量铁芯启动时间T1、脱扣完成时间T2、辅助开关切换时间T3、线圈带电时长T4、线圈稳态电流值Iw、储能时长Ts以及储能电机平均电流Iav、分合闸时间T和行程S。将提取的9个特征参数作为9维特征向量。
S402D：将采集到的数据样本对应的特征向量赋予故障标签，故障类型的对应标签为：正常工作0；线圈老化1；铁芯空行程不足2；铁芯卡涩3；传动机构卡涩4；弹簧疲劳5；
S402E：对所有的样本特征向量进行归一化处理。
S402F：寻取最优参数核函数带宽g和惩罚因子c，本发明采用粒子群算法(PSO)寻取最优参数。设置粒子群算法初始种群的规模、迭代次数，2个待优化值g和c的初始值和范围。
S402G：确定适应度函数，即故障诊断的准确率作为适应度函数。
S402H：计算适应度函数值，并进行更新，比较个体适应度函数值和群体适应度函数值。
S402I：若达到最优解，则将最优解代入到SVM诊断模型进行故障诊断，否则执行步骤S402G。
S402J：将样本数据的80％作为训练样本，设置训练次数为10000次，对SVM诊断模型进行训练。
S402K：将训练好的模型对剩下的20％特征向量样本进行诊断，将特征向量作为输入，输出为故障类型的对应标签。
参见图6及图7，所述S5中对KYN开关柜剩余机械寿命进行预测，包括如下步骤：
S501A：提取开关柜机械寿命预测特征向量，确定以触头超行程Sc、平均分闸时间Tv、平均合闸时间Th和储能电机平均电流Iav作为KYN开关柜寿命预测的特征向量。
S501B：通过大量实验，并采集KYN开关柜用于寿命预测数据，其步骤如S101所述。
S501C：确定BP神经网络结构。本发明采用3层BP神经网络。输入节点个数4，输出层节点个数为1，隐藏层神经元个数根据如下公式确定，隐藏层神经元个数确定为5个，BP神经网络结构图如图6所示。
Figure BDA0003799846280000111
式中：M为中间层单元数，L为输入层单元数，N为输出层单元数，a为1到10之间的整数。
S501D：训练BP神经网络。将特征向量样本80％作为训练集，设置训练次数为5000次，学习速率为0.0065，训练最小误差为10-5，采用梯度下降方法进行训练。
S501E：预测KYN开关柜剩余机械寿命。将特征向量样本20％作为验证集，将特征向量作为输入，KYN开关柜剩余机械寿命以百分比形式输出。
所述S5中对KYN开关柜剩余电寿命进行预测，包括如下步骤：
S502A：提取开关柜电寿命预测特征向量，确定以开断电流Ic、开断次数S、使用年数Ny、刚分速度Vf、刚合速度Vh作为KYN开关柜电寿命预测的特征向量。
S502B：通过大量实验，并采集KYN开关柜用于寿命预测数据，其步骤如S101所述。
S502C：确定BP神经网络结构。本发明采用3层BP神经网络。输入节点个数5，输出层节点个数为1，隐藏层神经元个数根据如下公式确定，隐藏层神经元个数确定为6个，BP神经网络结构图如图7所示。
Figure BDA0003799846280000121
式中：M为中间层单元数，L为输入层单元数，N为输出层单元数，a为1到10之间的整数。
S502D：训练BP神经网络。将特征向量样本80％作为训练集，设置训练次数为7000次，学习速率为0.005，训练最小误差为10-5，采用梯度下降方法进行训练。
S502E：预测KYN开关柜剩余电寿命。将特征向量样本20％作为验证集，将特征向量作为输入，KYN开关柜剩余电寿命以百分比形式输出。
参见图8，所述步骤S6中对KYN开关柜进行全生命周期管理包括5大管理模块，包括如下步骤：
S601：参见图9，设备信息模块包括设备名称、设备运行年限、设备添加时间、设备所在位置等信息，上述所有设备信息保存在后台服务器数据库中，当用户进入系统，此模块向后台服务器发送GET请求，获取到设备信息，并以表格形式呈现给用户。
S602：参见图10，订阅信息模块包括此系统中当前已添加的订阅和未订阅的MQTT主题信息。包括订阅主机号、端口号、主题名、订阅状态。上述所有订阅信息保存在后台服务器数据库中，当用户进入系统，此模块向后台服务器发送GET请求，获取到订阅信息，并以表格形式呈现给用户。
S603：数据管理模块为KYN开关柜从投入使用到报废所有的运行状态数据，并提供历史数据查阅功能。
S604：健康状态管理模块包括每一时间段KYN开关柜绝缘性能的评估数据，KYN开关柜机械特性故障诊断数据，KYN开关柜电寿命和机械寿命预测数据。所有数据存储在后台服务器数据库，并提供查阅功能。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种适用于KYN开关柜的健康管理方法，其特征在于，包括如下步骤：
S1：通过在KYN开关柜中设置状态监测传感器，分别监测KYN开关柜的绝缘状态、机械状态及温湿度状态；
S2：根据设置的清洗规则，过滤出符合定义规则的问题数据；
S3：通过MQTT协议将所采集的状态数据传输至数据管理中心；
S4：利用所采集的状态数据，借助机器学习算法，对KYN开关柜的绝缘状态、机械状态及温湿度状态进行诊断分析；
S5：利用所采集的状态数据以及历史数据，采用机器学习算法，对KYN开关柜剩余电寿命与机械寿命进行预测；
S6：将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据以及健康状态数据进行统一管理，以实现KYN开关柜设备的全生命周期管理。
2.根据权利要求1所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S1中，通过TEV传感器和AE传感器采集KYN开关柜局部放电数据；通过电压传感器、电流传感器采集KYN开关柜机械状态数据；通过温度传感器采集KYN开关柜关键点温度以及环境温度；通过湿度传感器采集环境湿度。
3.根据权利要求2所述适用于KYN开关柜的健康管理方法，其特征在于：以STM32F103RCT6作为核心处理单元，STM32核心为 Cortex-M3，系统时钟晶振频率为8MHz，将所采集的信息经微控制器处理后送入平台应用层。
4.根据权利要求3所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S3中，状态数据传输步骤如下：
S301：确定MQTT主题，后台服务器订阅此主题；
S302：单片机将定义好的数据发布到S301所述主题；
S303：后台服务器接收到数据，将数据存储到数据库中；
S304：后台服务器对数据进行分析，将分析结果以Http协议形式传输到客户端显示。
5.根据权利要求4所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S4中，对KYN开关柜的绝缘状态进行诊断分析步骤如下：
S401A：采集开关柜检测点的TEV、AE的幅值；
S401B：计算幅值偏差量；
S401C：计算离散度；
S401D：计算平均距离百分比；
S401E：计算集中度，反映开关柜局部放电的严重程度；
S401F：计算最大波动率，反映开关柜局部放电程度的波动情况；
S401G：将计算所得的数据以及环境温度及湿度特征参数作为特征向量；
S401H：将采集到的数据样本对应的特征向量赋予标签；
S401I：构建BP神经网络结构；
S401J：采用梯度下降方法对BP神经网络进行训练；
S401K：进行诊断分析。
6.根据权利要求5所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S4中，对KYN开关柜的机械状态进行诊断分析步骤如下：
S402A：利用支持向量机算法对机械特性故障进行诊断；
S402B：采集KYN开关柜机械状态数据；
S402C：利用分合闸线圈电流波形、储能电机电流波形中提取极值点的方法确定特征量；将提取的特征参数作为特征向量；
S402D：将采集到的数据样本对应的特征向量赋予故障标签；
S402E：对所有的样本特征向量进行归一化处理；
S402F：寻取最优参数核函数带宽和惩罚因子；
S402G：确定适应度函数，即故障诊断的准确率作为适应度函数；
S402H：计算适应度函数值，并进行更新，比较个体适应度函数值和群体适应度函数值；
S402I：若达到最优解，则将最优解代入到诊断模型进行故障诊断，否则执行步骤S402G；
S402J：对诊断模型进行训练；
S402K：进行诊断分析。
7.根据权利要求6所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S5中，KYN开关柜机械寿命预测步骤如下：
S501A：确定以触头超行程、平均分闸时间、平均合闸时间和储能电机平均电流作为KYN开关柜寿命预测的特征向量；
S501B：采集KYN开关柜用于寿命预测数据；
S501C：确定BP神经网络结构；
S501D：训练BP神经网络；
S501E：预测KYN开关柜剩余机械寿命。
8.根据权利要求7所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S5中，KYN开关柜剩余电寿命预测步骤如下：
S502A：确定以开断电流、开断次数、使用年数、刚分速度、刚合速度作为KYN开关柜电寿命预测的特征向量；
S502B：采集KYN开关柜用于寿命预测数据；
S502C：确定BP神经网络结构；
S502D：训练BP神经网络；
S502E：预测KYN开关柜剩余电寿命。
9.根据权利要求8所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S6中，全生命周期管理包括设备信息管理模块、订阅信息管理模块、数据管理模块以及健康状态管理模块；其中，设备信息管理模块包括设备名称、设备运行年限、设备添加时间、设备所在位置信息；订阅信息模块包括此系统中当前已添加的订阅和未订阅的MQTT主题信息；数据管理模块为KYN开关柜从投入使用到报废所有的运行状态数据；健康状态管理模块包括每一时间段KYN开关柜绝缘性能的评估数据、KYN开关柜机械状态故障诊断数据、KYN开关柜剩余电寿命和机械寿命预测数据。
CN202210979478.8A 2022-08-16 2022-08-16 适用于kyn开关柜的健康管理方法 Active CN115355942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210979478.8A CN115355942B (zh) 2022-08-16 2022-08-16 适用于kyn开关柜的健康管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210979478.8A CN115355942B (zh) 2022-08-16 2022-08-16 适用于kyn开关柜的健康管理方法

Publications (2)

Publication Number Publication Date
CN115355942A true CN115355942A (zh) 2022-11-18
CN115355942B CN115355942B (zh) 2023-07-18

Family

ID=84000974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210979478.8A Active CN115355942B (zh) 2022-08-16 2022-08-16 适用于kyn开关柜的健康管理方法

Country Status (1)

Country Link
CN (1) CN115355942B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628633A (zh) * 2023-07-26 2023-08-22 青岛中微创芯电子有限公司 一种igbt实时监测与使用寿命预测评估方法
TWI838184B (zh) 2023-03-23 2024-04-01 神通資訊科技股份有限公司 智慧型機櫃的空調控制與風險評估系統及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202206189U (zh) * 2011-09-13 2012-04-25 珠海赛迪生电气设备有限公司 一种电力高压设备综合监测与智能管理装置
CN108181580A (zh) * 2018-01-25 2018-06-19 江苏德春电力科技股份有限公司 固体绝缘开关设备智能诊断装置及寿命评估方法
CN111537853A (zh) * 2020-06-29 2020-08-14 国网山东省电力公司菏泽供电公司 基于多源异构数据分析的开关柜局部放电智能检测方法
CN111913081A (zh) * 2020-07-14 2020-11-10 上海电力大学 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法
US20210256400A1 (en) * 2020-02-19 2021-08-19 Vyber Power Systems, Inc. Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices
CN114201983A (zh) * 2020-08-27 2022-03-18 厦门华电开关有限公司 开关柜的健康状态诊断方法和系统
CN114282434A (zh) * 2021-12-16 2022-04-05 成都航天科工大数据研究院有限公司 一种工业设备健康管理系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202206189U (zh) * 2011-09-13 2012-04-25 珠海赛迪生电气设备有限公司 一种电力高压设备综合监测与智能管理装置
CN108181580A (zh) * 2018-01-25 2018-06-19 江苏德春电力科技股份有限公司 固体绝缘开关设备智能诊断装置及寿命评估方法
US20210256400A1 (en) * 2020-02-19 2021-08-19 Vyber Power Systems, Inc. Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices
CN111537853A (zh) * 2020-06-29 2020-08-14 国网山东省电力公司菏泽供电公司 基于多源异构数据分析的开关柜局部放电智能检测方法
CN111913081A (zh) * 2020-07-14 2020-11-10 上海电力大学 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法
CN114201983A (zh) * 2020-08-27 2022-03-18 厦门华电开关有限公司 开关柜的健康状态诊断方法和系统
CN114282434A (zh) * 2021-12-16 2022-04-05 成都航天科工大数据研究院有限公司 一种工业设备健康管理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI838184B (zh) 2023-03-23 2024-04-01 神通資訊科技股份有限公司 智慧型機櫃的空調控制與風險評估系統及其方法
CN116628633A (zh) * 2023-07-26 2023-08-22 青岛中微创芯电子有限公司 一种igbt实时监测与使用寿命预测评估方法

Also Published As

Publication number Publication date
CN115355942B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
CN112700032A (zh) 一种用于低压直流配用电系统的故障预测系统及方法
CN104081301B (zh) 电力系统中的一次装置的监测
CN103245911A (zh) 一种基于贝叶斯网络的断路器故障诊断方法
CN106680672A (zh) 便携式开关柜局部放电巡检系统
CN115355942B (zh) 适用于kyn开关柜的健康管理方法
CN113763667B (zh) 一种基于5g边缘计算的火灾预警及状态监测装置及方法
CN116070802B (zh) 一种基于数据孪生的智能监控运维方法和系统
CN114660399B (zh) 一种环网柜设备状态监测及故障诊断方法
CN110222765A (zh) 一种永磁同步电机健康状态监测方法及系统
CN116029699A (zh) 一种基于数据孪生的电力信息系统及运维方法
CN117375237A (zh) 基于数字孪生技术变电站运维方法及系统
CN116050888A (zh) 应用于智能高压开关柜传感器健康状态评估的方法
CN116796261B (zh) 一种基于人工智能的封闭开关设备机械特性预测方法
CN117491872A (zh) 一种可重构电池模组故障多级诊断方法
CN111143835B (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN117630672A (zh) 借助变换器模型预测诊断技术设备的设备电池的方法和设备
CN110533300B (zh) 基于博弈集对云的变压器智能决策系统
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN116031508A (zh) 一种基于深度学习的锂离子电池管理系统及方法
KR20230089652A (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
CN114114001A (zh) 一种gis设备隔离开关机械状态监测方法及系统
CN111637926A (zh) 一种开关柜监测系统和方法
Gong et al. State detection method of secondary equipment in smart substation based on deep belief network and trend prediction
CN117394409B (zh) 储能电站设备状态的智能评估方法及系统

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