CN115728628A - 一种断路器控制回路故障在线监测预警方法及装置 - Google Patents
一种断路器控制回路故障在线监测预警方法及装置 Download PDFInfo
- Publication number
- CN115728628A CN115728628A CN202211279812.5A CN202211279812A CN115728628A CN 115728628 A CN115728628 A CN 115728628A CN 202211279812 A CN202211279812 A CN 202211279812A CN 115728628 A CN115728628 A CN 115728628A
- Authority
- CN
- China
- Prior art keywords
- fault
- early warning
- circuit breaker
- line monitoring
- monitoring
- 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
Links
Images
Landscapes
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了一种断路器控制回路故障在线监测预警方法及装置,涉及电路断路器测试技术领域;方法包括监测预警,装置包括监测预警模块,采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级;通过监测预警的步骤,实现了断路器控制回路故障在线监测预警。
Description
技术领域
本发明涉及电路断路器测试技术领域,尤其涉及一种断路器控制回路故障在线监测预警方法及装置。
背景技术
变电站是指电力系统中对电压和电流进行变换,接受电能及分配电能的场所,在发电厂内的变电站是升压变电站,其作用是将发电机发出的电能升压后馈送到高压电网中。
断路器是指能关合、承载、开断正常回路条件下的电流;在规定的时间内承载规定的过电流,并能关合和开断在异常回路条件(如各种短路条件)下的电流的机械开关装置。
断路器是用来连接电网、控制电网设备与线路通断,送出或断开负荷电流,切除故障的重要设备,其控制回路尤为重要。断路器控制回路是连接一次设备和二次设备的桥梁,通过其可实现二次设备对一次设备的操控,实现低压设备对高压设备的控制。断路器控制回路故障属于紧急缺陷,有可能导致断路器拒动和误动,严重影响电网运行,需要尽快消除。
断路器控制回路的基本要求之一:断路器的跳、合闸电路只允许直流回路短时接通,操作完毕后应立即自动地切断。
由于断路器操作机构的合闸线圈与跳闸线圈均按短时220伏直流通电设计,在操作过程中若控制回路中的直流线圈匝间绝缘故障造成操动机构拒动,造成通电时间延长,可能会烧毁合闸线圈或跳闸线圈,造成严重后果。目前,针对上述情况的技术措施缺失,造成重大安全隐患。
检索式为TACD_ALL:(断路器AND线圈AND电流AND时间AND特征AND小波AND导数AND极值),获得较为接近的现有技术方案如下。
申请公布号为CN109188258A,名称为基于振电结合的高压断路器特征提取及分类方法,以下简称对比文件1。包括步骤:1)数据采集;2)特征向量提取;包括分合闸线圈电流信号特征提取和振动信号特征提取;3)模式识别;提取每种状态m组数据,作为训练样本;剩余数据作为测试样本;采用SVM进行分类识别,通过对训练集样本进行训练得到训练模型,将测试集数据输入训练模型中进行计算,得到分类结果。本技术方案通过线圈电流曲线与振动信号相结合的方式,能够准确而全面地反映操作机构的运行状况,并快速准确的判断操作机构的故障类型。
发明人认真研读对比文件1后认识到:该技术方案将振动和电流信号的时间参数作为特征向量,利用支持向量机SVM对断路器故障类型进行分类。能够较全面的反应断路器状态,SVM对于振电信号具有较好的分类效果,对于高压断路器的机械故障识别具有有效性和实用性。
授权公告号为CN107219457B,名称为基于操作附件电流的框架式断路器故障诊断及程度评估方法,以下简称对比文件2。该方法首先判断待诊断及评估断路器的工作阶段,所述工作阶段包括储能阶段、合闸阶段和分闸阶段,然后利用储能电机电流对储能阶段进行故障诊断、利用合闸线圈电流对合闸阶段进行故障诊断及程度评估和利用分闸线圈电流对分闸阶段进行故障诊断及程度评估;分别检测框架式断路器在储能阶段中的储能电机电流信号、合闸阶段中的合闸线圈电流信号以及分闸阶段中的分闸线圈电流信号,同时结合多核支持向量机进行故障诊断,在当诊断出故障需要进行故障程度评估时,通过故障程度特性曲线能够准确的进行故障程度的判定。
发明人认真研读对比文件2后认识到:该技术方案基于操作附件的交流电信号的处理方式,与传统的直流分析方式不同,操作附件交流信号为电信号,稳定性更好,能更加准确的反映操作附件产生的任何细微变化,且不易受外界干扰,特征提取方式多样化,由于现有对于断路器的故障诊断都是针对于高压断路器,其操作附件中各种线圈均使用直流供电,其中研究对象框架式断路器为低压断路器,为交流电压供电;故障诊断方式选择利用基于遗传算法的多核支持向量机,有效解决了传统单核支持向量机的核函数选择问题,故障诊断可靠性较高,具有较强的工程实用性;提出了故障程度定量评估方法,而不是单纯的判断故障有无以及故障定位,同时克服了现有的故障程度定性分析不准确的问题。
其突出的实质性特点是:针对框架式断路器故障诊断及程度评估的实际需要,构建了完整的基于操作附件电流的断路器故障诊断及程度评估方式。采用非侵入式的测量方式对断路器状态变化敏感的操作附件电流进行检测,可方便快捷地利用断路器信号采集系统;在对电流信号进行处理时,采用交流电信号的方式,特征提取方式多样化,将局部特征与全局特征相结合有效避免了现有对直流信号处理中故障特征不足的问题;利用基于遗传算法的多核支持向量机进行故障诊断,有效的解决了单核支持向量机的核函数选择以及参数确定问题;针对断路器储能、合闸和分闸阶段中在已诊断出故障的基础上需要继续进行故障程度评估的问题,对不同的故障构造了不同的故障程度特性曲线,依据此故障程度特性曲线,可以完成对应故障的定量评估,不仅解决了故障诊断技术中只能进行故障定位的问题,还解决了现有的故障程度研究不能定量分析的问题。其基于操作附件电流的框架式断路器故障诊断及程度评估方法的显著进步是:不仅对断路器故障类型进行识别,还对断路器发生的故障程度进行定量评估分析,能够帮助检修人员更好的掌握断路器的机械故障损伤程度,有效指导设备维护。以断路器动作过程中包含丰富机械特性信息的电流信号作为数据来源,将断路器的储能电机以及分合闸线圈的电气连接线穿过电流传感器即可完成对电流信号的测量,不需要破坏断路器本体结构,实现了对框架式断路器非侵入式的状态检测。所用的电流信号均为交流信号,不仅可以进行时域分析,还可以进行时频域特征分析,即完成时域内电流信号关键时间、幅值的故障特征提取,体现了电流信号的局部特征,同时进行时频域内能量矩特征提取,体现了电流信号的全局特征,将局部特征与全局特征相结合,能够更好的反映电流信号的微弱变化。采用基于遗传算法确定权值系数的多核支持向量机对断路器的工作状态进行识别,解决了单核支持向量机中当样本规模很大、样本特征包含异构信息、样本不平坦分布等时不能取得良好的识别效果的问题,提高了智能诊断算法的准确性。在故障程度特性曲线构造的过程中,每个故障下不同的故障程度都需要建立故障程度评估指标来进行描述,故障程度评估指标也是通过对不同故障程度下电流信号进行特征提取获得,统一将能量矩相对熵作为故障程度评估指标,该故障程度评估指标能够反映两信号能谱值的概率分布之间的差异。通过对故障程度与故障程度特征指标之间的关系建立故障程度特性曲线,该故障程度特性曲线能够对故障程度评估范围内的任意程度的故障进行评估分析,相较于目前故障程度研究中仅对特定的故障程度进行有序识别来说,由定性转为定量,故障程度评估准确性有了显著的提升。
结合上述两篇专利文献和现有的技术方案,发明人希望找到一种新的技术路线实现断路器控制回路故障在线监测预警,以便拥有自主知识产权。
现有技术问题及思考:
如何解决断路器控制回路故障在线监测预警的技术问题。
发明内容
本发明所要解决的技术问题是提供一种断路器控制回路故障在线监测预警方法及装置,解决断路器控制回路故障在线监测预警的技术问题。
为解决上述技术问题,本发明所采取的技术方案是:一种断路器控制回路故障在线监测预警方法包括监测预警的步骤,采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
进一步的技术方案在于:还包括升级的步骤,采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。
进一步的技术方案在于:在升级的步骤中,所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。
进一步的技术方案在于:在升级的步骤中,MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。
一种断路器控制回路故障在线监测预警装置包括监测预警模块,用于采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
进一步的技术方案在于:还包括升级模块,用于采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。
进一步的技术方案在于:升级模块,还用于所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。
进一步的技术方案在于:在升级模块中,MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。
一种断路器控制回路故障在线监测预警装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现上述相应的步骤。
一种断路器控制回路故障在线监测预警装置包括计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述相应的步骤。
采用上述技术方案所产生的有益效果在于:
第一,一种断路器控制回路故障在线监测预警方法包括监测预警的步骤,采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
该技术方案,基于中值滤波与阈值分割相结合的数据检测算法,通过计算轮廓面积来判断是否存在故障风险,并统计该曲线上故障点的个数和特征,最后通过与典型故障信息进行对比分析,判断是否存在故障风险及风险等级,实现了断路器控制回路故障在线监测预警。
第二,还包括升级的步骤,采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。由于每个高压断路器开关特性曲线存在一定的差异性,随着产品的老化特性曲线也会发生一些变化,所以对每台设备故障分析对均有一个自学习过程,采用卷积神经网络算法对每次开关曲线进行自学习,不断更新故障样板,故障判断会更准确。
第三,在升级的步骤中,所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。该技术方案,采用特征金字塔,在不同尺度的特征图上进行预测,故障判断会更准确。
第四,在升级的步骤中,MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。该技术方案,为了兼顾检测速度和精度,采用了改进的基于MobileNet_SSD网络的数据检测算法,将VGG_SSD网络结构中的VGG网络替换为更轻量化的MobileNet网络,提高计算效率的同时,还维持了较高的识别准确率。
第五,一种断路器控制回路故障在线监测预警装置包括监测预警模块,用于采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。该技术方案,其通过监测预警模块,实现了断路器控制回路故障在线监测预警。
详见具体实施方式部分描述。
附图说明
图1是本发明实施例1的流程图;
图2是本发明实施例2的原理框图;
图3是本发明实施例3的原理框图;
图4是本发明实施例4的原理框图;
图5是电流曲线图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,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,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
实施例1:
如图1所示,本发明公开了一种断路器控制回路故障在线监测预警方法包括如下步骤:
S1监测预警
采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
S2升级
采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。
其中,中值滤波方法、阈值分割算法、数据曲线的轮廓面积计算方法、特征金字塔、MobileNet网络和SSD网络本身为现有技术在此不再赘述。
实施例2:
如图2所示,本发明公开了一种断路器控制回路故障在线监测预警装置包括如下程序模块:
监测预警模块,用于采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
升级模块,用于采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。
实施例3:
如图3所示,本发明公开了一种断路器控制回路故障在线监测预警装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现实施例1的步骤。
实施例4:
如图4所示,本发明公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1中的步骤。
本申请的构思:
本申请的技术方案属于电气故障诊断,用于各电压等级变电站断路器控制回路故障的前期诊断、预警。
所要解决的技术问题:解决断路器控制回路故障原因排查繁琐的问题,本装置实时监测断路器控制回路运行状态,记录断路器控制回路的实时电流值,为断路器控制回路,特别是直流控制线圈匝间绝缘故障提供实时数据。
目前检测线圈及操作机构好坏的方法:
1、离线检测法:将高压开关拆回实验室进行形式实验。
2、出现故障后进行更换。
目前没有相关技术和设备。本发明采用在线方式,通过在线监测分合闸线圈电流,通过对线圈电流进行特征提取,依据电流特征信号对高压断路器的故障进行判断。
本发明特点:
1、实时在线监测,不用断电,减少检修对供电的影响。
2、根据电流信号,可提前预警设备可能存在隐患,避免出现故障后进行维修,影响正常供电。
3、不仅能判断线圈的故障,还能判断操作机构的状态信息,如螺丝松动、铁芯卡涩等。
本发明旨在对断路器控制回路进行在线监测,实时记录开关动作的电气状态,预判断路器拒动造成断路器损坏、线圈烧毁等故障的发生,防止发生严重危急缺陷,影响电网运行。
本发明能够弥补断路器控制回路特别是直流控制线圈内部绝缘缺陷的在线监测空白,为断路器控制回路故障提供实时数据。
技术方案说明:
高压断路器作为保护电网的重要设备,其运行的可靠性十分重要。
高压断路器的故障主要是:操作机构故障和控制线圈故障。
操作机构故障主要表现为:振动、动触头行程。线圈故障主要表现为电磁铁和辅助开关。
如图5所示,为电流曲线图,横轴代表时间,纵轴代表电流安培。
0-t1:在零时刻,线圈开始通电。
电流I呈指数上升,在此过程中,电流产生的电磁力逐渐增强,到t1时电流达到第一个波峰,此时电流产生的电磁力大于铁心所受的外界阻力,在t1之前,铁心一直处于静止状态。
t1-t2:t1时铁心开始运动,此时线圈电流开始减小,到t2时电流达到最小值,在此过程中铁心的速度急剧降低,到t2时铁心撞击锁扣/脱扣装置,然后停止运动。
t2-t3:t2时铁心停止运动,传动机构的锁扣被打开,此阶段电流持续上升,动触头开始动作,分闸弹簧开始分闸,到t3时电流达到峰值。
t3-t4:t3时动静触头完全分离,辅助开关断开,切断线圈电源,触头间产生电弧,电弧电压在短时间内急剧增大,这直接导致电流急剧减小,到t4时刻减小到0。
通过对电流特征波形进行分析发现,分合闸线圈电流可以反映电磁铁本体、弹簧操作机构、传动机构以及辅助开关等工作状态。
0-t1阶段:在t1之前,铁心一直处于静止状态,t1的值受多种因素影响,包括线圈电阻R、电源、铁心以及复位弹簧等。
所以该阶段可以反映线圈电压、回路电阻以及铁心是否卡滞等多种工作状态。
t1-t2阶段:t2在一定程度上反映了锁扣/脱扣装置的阻力大小。
此阶段可以反映铁心运动卡涩情况和脱扣失灵等故障。
t2-t3阶段:此阶段可以反映传动机构的运动状态。
t3-t4阶段:此阶段可以反映辅助开关是否存在故障。
国内外众多学者对高压断路器的特性进行了研究:
采用小波分析与时域求极值点相结合的方法来获取高压断路器分合闸线圈电流信号特征值,并根据该特征值对断路器的故障进行判断。
基于多次样条插值和近似导数法的电流信号特征提取方法,以电流曲线极值点对应的电流和时间参数作为特征向量,用多次样条插值方法对曲线进行光滑处理,然后采用近似导数法取得可能的极值点,通过分组处理得到信号的特征向量。
本申请内部运行一段时间后,现场技术人员反馈的有益之处在于:
1、采用一种基于中值滤波与阈值分割相结合的数据检测算法。
首先采用中值滤波的方式对采集的数据进行预处理操作,抑制噪点干扰信息;然后通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算轮廓面积来判断是否存在故障风险,并统计该曲线上故障点的个数和特征;最后通过与典型故障信息进行对比分析,判断是否存在故障风险及风险等级。
2、由于每个高压断路器开关特性曲线存在一定的差异性,随着产品的老化特性曲线也会发生一些变化,所以对每台设备故障分析对均有一个自学习过程,采用卷积神经网络算法对每次开关曲线进行自学习,不断更新故障样板。
3、为了兼顾检测速度和精度,采用了改进的基于MobileNet_SSD网络的数据检测算法。
该算法采用特征金字塔,在不同尺度的特征图上进行预测;同时将VGG_SSD网络结构中的VGG网络替换为更轻量化的MobileNet网络,提高计算效率的同时,还维持了较高的识别准确率。
在发明人牵头下,项目组对改进后的技术方案进行了研讨,认为:
第一,采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。其基于中值滤波与阈值分割相结合的数据检测算法,通过计算轮廓面积来判断是否存在故障风险,并统计该曲线上故障点的个数和特征,最后通过与典型故障信息进行对比分析,判断是否存在故障风险及风险等级,实现了断路器控制回路故障在线监测预警。
第二,采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。由于每个高压断路器开关特性曲线存在一定的差异性,随着产品的老化特性曲线也会发生一些变化,所以对每台设备故障分析对均有一个自学习过程,采用卷积神经网络算法对每次开关曲线进行自学习,不断更新故障样板,故障判断会更准确。
第三,卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。采用特征金字塔,在不同尺度的特征图上进行预测,故障判断会更准确。
第四,MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络,为了兼顾检测速度和精度,采用了改进的基于MobileNet_SSD网络的数据检测算法,将VGG_SSD网络结构中的VGG网络替换为更轻量化的MobileNet网络,提高计算效率的同时,还维持了较高的识别准确率。
第五,监测预警模块,用于采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级,其通过监测预警模块,实现了断路器控制回路故障在线监测预警。
撰写思路:
本申请的技术贡献在于采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
为了获得较为合理的保护范围,撰写人采用方法、程序模块、存储有改进程序模块的存储装置的思路进行撰写,充分保护发明点。
目前,本发明的技术方案已经进行了中试,即产品在大规模量产前的较小规模试验;中试完成后,在小范围内开展了用户使用调研,调研结果表明用户满意度较高;现在已开始着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。
Claims (10)
1.一种断路器控制回路故障在线监测预警方法,其特征在于:包括监测预警的步骤,采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
2.根据权利要求1所述的一种断路器控制回路故障在线监测预警方法,其特征在于:还包括升级的步骤,采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。
3.根据权利要求2所述的一种断路器控制回路故障在线监测预警方法,其特征在于:在升级的步骤中,所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。
4.根据权利要求3所述的一种断路器控制回路故障在线监测预警方法及装置,其特征在于:在升级的步骤中,MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。
5.一种断路器控制回路故障在线监测预警装置,其特征在于:包括监测预警模块,用于采用中值滤波方法对获得的断路器电流数据进行预处理,获得中值滤波后的数据曲线,通过阈值分割算法对中值滤波后的数据曲线进行分割,通过计算中值滤波后的数据曲线的轮廓面积来判断是否存在故障风险并统计该曲线上故障点的个数和特征,然后与典型故障信息进行对比并判断风险等级。
6.根据权利要求5所述的一种断路器控制回路故障在线监测预警装置,其特征在于:还包括升级模块,用于采用卷积神经网络算法对数据曲线进行自学习,不断更新故障样板。
7.根据权利要求6所述的一种断路器控制回路故障在线监测预警装置,其特征在于:升级模块,还用于所述卷积神经网络算法为MobileNet_SSD网络的数据检测算法,采用特征金字塔,在特征图上进行预测。
8.根据权利要求7所述的一种断路器控制回路故障在线监测预警装置,其特征在于:在升级模块中,MobileNet_SSD网络包括相互连接的MobileNet网络和SSD网络。
9.一种断路器控制回路故障在线监测预警装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,其特征在于:所述处理器执行计算机程序时实现权利要求1~4中任意一项相应的步骤。
10.一种断路器控制回路故障在线监测预警装置包括计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求~4中任意一项相应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279812.5A CN115728628A (zh) | 2022-10-19 | 2022-10-19 | 一种断路器控制回路故障在线监测预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279812.5A CN115728628A (zh) | 2022-10-19 | 2022-10-19 | 一种断路器控制回路故障在线监测预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115728628A true CN115728628A (zh) | 2023-03-03 |
Family
ID=85293679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211279812.5A Pending CN115728628A (zh) | 2022-10-19 | 2022-10-19 | 一种断路器控制回路故障在线监测预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115728628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
-
2022
- 2022-10-19 CN CN202211279812.5A patent/CN115728628A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450017B (zh) | 一种开关设备缺陷智能检测系统 | |
US11489490B2 (en) | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation | |
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN109724792A (zh) | 一种高压开关柜断路器机械特性检测方法 | |
CN109670242B (zh) | 基于椭圆包络线的变压器绕组变形无监督在线监测方法 | |
CN105703258B (zh) | Gis开关设备动作状态监测系统及其使用方法 | |
CN106199412A (zh) | 一种永磁机构高压真空断路器故障模式识别方法 | |
CN109443190B (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
CN205622133U (zh) | Gis开关设备动作状态监测系统 | |
CN113934982B (zh) | 基于振-电信号融合的断路器操作机构机械寿命预测方法 | |
CN104237777A (zh) | 基于核主元分析的支持向量机高压断路器故障诊断方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN111474470A (zh) | 用于变电站的智能断路器在线监测方法 | |
CN112924861A (zh) | 一种电容器投切断路器状态监测方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
CN115327363A (zh) | 一种高压断路器机械特性带电监测及状态识别方法 | |
CN117992896A (zh) | 煤矿区高压供电故障定位选线系统 | |
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 | |
CN113567845A (zh) | 一种基于深度置信网络的高压断路器生命周期智能评估方法 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN115792442A (zh) | 基于数据驱动的轨道交通用直流开关柜综合故障诊断方法 | |
CN113949618B (zh) | 基于大数据的通信故障预警系统 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 |
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 |