CN115879040A - 电容器的故障预测方法、装置、电子设备及存储介质 - Google Patents
电容器的故障预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115879040A CN115879040A CN202211405250.4A CN202211405250A CN115879040A CN 115879040 A CN115879040 A CN 115879040A CN 202211405250 A CN202211405250 A CN 202211405250A CN 115879040 A CN115879040 A CN 115879040A
- Authority
- CN
- China
- Prior art keywords
- model
- capacitance characteristic
- characteristic value
- capacitor
- preset
- 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
Abstract
本发明实施例公开了一种电容器的故障预测方法、装置、电子设备及存储介质。方法包括:获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值;通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。本发明实施例提高了电容器故障预测的准确度。
Description
技术领域
本发明涉及一种故障检测技术领域,尤其涉及一种电容器的故障预测方法、装置、电子设备及存储介质。
背景技术
由于电容器性能退化会影响到电网系统的安全,因此电容器在线参数标识及其故障检测技术备受关注。在线参数标识时评估器件健康状态的有效手段之一。在实时监测和计算部件性能的特征指标,以在性能衰退前及时采取相应的保护措施。若在补偿电容出现严重故障之前对器件进行更换,可以避免出现更大的损失。
当前,对电容器的在线状态监测与故障预测的技术,主要有传感器法、注入法等。由于传感器法是在电容器的两端加装高精度的电压电流传感器,通过传感器直接监测电容器两端的电压和流过的电流,进而计算出电容器的等效串联电阻ESR。缺点是需要额外安装高精度的电压和电流传感器。注入法对电容器特征参数在线监测,其主要思路是主动向电容器注入受控电压或者特定频率电流,并采集电容器输出侧电压和电流,从而推算电容器特征参数ESR值。注入法的缺点为,需要主动注入电压或电流,对于系统极容易造成过载、干扰等影响。
因此,需要一种电容器的故障预测方法以解决上述的技术问题。
发明内容
本发明实施例提供了一种电容器的故障预测方法、装置、电子设备及存储介质,以解决上述的技术问题。
第一方面,本发明实施例提供了一种电容器的故障预测方法,包括:
获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;
通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到各预测时刻的预测电容特征值;
通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
第二方面,本发明实施例还提供了一种电容器的故障预测装置,包括:
特征值获取模块,用于获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;
预测值获取模块,用于通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值;
预测结果获取模块,用于通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例中的电容器的故障预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任一实施例中的电容器的故障预测方法。
本发明实施例的技术方案,通过获取待测电容器的若干个历史电容特征值,通过训练获得的目标模型,对各历史电容特征值进行计算,得到预测时刻的预测电容特征值,通过预定的电容特征值与故障预测结果之间的对应关系,以及预测电容特征值,得到预测时刻的目标故障预测结果。本发明实施例的技术方案实现了对预测时刻的目标预测电容特征值的预测,并基于目标预测电容特征值得到目标故障预测结果。本发明实施例的技术方案可以在不损坏电容器的情况下,对电容器的故障进行预测,并且本发明实施例的技术方案提高了电容器故障预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中电容器的故障预测方法的流程示意图;
图2为另一个实施例中的电容器的等效电路图示意图;
图3为另一个实施例中的电容器的故障预测装置的结构示意图;
图4为另一个实施例中的电子设备的结构示意图。
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作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。
在一本发明实施例中,提供了一种电容器的故障预测方法。如图1所示,本发明实施例的电容器的故障预测方法可以实现对无功补偿电容器的故障预测的情况,本发明实施例的方法可以由电容器的故障预测装置来执行,该装置可以由软件和/或硬件的形式来实现。
如图1所示,本发明实施例的电容器的故障预测方法包括如下步骤:
S110、获取待测电容器的若干个历史电容特征值。
其中,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率。需要说明的是,本发明实施例中的电容器可以是指无功补偿电容器,也即待测电容器、下述实施例中的样本电容器等都是无功补偿的电容器。
具体的,通过获取待测电容器的若干历史电容特征值,为后续对待测电容器的未来时刻的目预测电容特征值的确认做准备工作。
可选地,电容特征值可以是指电容器的串联等效电阻值R4,参见图2,为电容器的等效电路图。应当理解,电容器是指无功补偿电容器。图中R1为电抗器等效直流阻抗,L为电抗器等效电感,R2为电容器的待合并等效串联电阻,C为电容器等效电容,R3为电容器漏电流的等效电阻,将R2和R3一起转换为电容器的等效串联电阻R4,也即电容器特征值。
由于电抗器的故障率低,L和R1发生变化的概率低,本发明实施例中忽略二者的故障,仅考虑R2的变化,和/或出现较大漏电流导致的电容器的故障,也即基于R4的变化,对电容器故障进行预测。
计算R4的过程如下:
获取电容器输入端的输入电压U以及输入电流I等输入参数,
电容器的输出电压为:
其中,u(t)为电容器的输出电压,uC(t)为t时刻的电容器的输出电压,uR4(t)为串联等效电阻的电压,iC为电容器的输出电流,C为电容器的等效电容,R4为等效串联电阻阻值,t表示采样时刻。uC(0)为0时刻的电容器的输出电压。
其中,T为采样周期,U为输入电压。
S120、通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到各预测时刻的预测电容特征值。
其中,目标模型用于基于待测电容器的历史电容特征值得到未来时刻的预测电容特征值,以便后续得到故障预测结果。
本发明实施例中,通过训练获得的目标模型,对多个历史电容特征值进行计算,得到各个预测时刻的预测电容特征值,可选地,历史电容特征值对应的历史时刻是指相同时间间隔的各个时刻,预测时刻也可以是指相同时间间隔的未来时刻。
S130、通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
其中,故障预测结果是指电容器是否出现故障的预测结果。比如,故障预测结果为电容器出现故障。预先设置电容特征值与故障预测结果之间的对应关系,以便根据目标预测电容特征值和对应关系可以得到电容器的目标故障预测结果。示例性的,由于每个电容器的型号,尺寸,额定电容、额定电阻以及额定电压等信息可能不同,因此,每个电容器可以单独设置电容特征值与故障预测结果之间的对应关系。当然,也可以是指通用的电容特征值与故障预测结果之间的对应关系。预测时刻是指未来的时刻。
具体的,通过预定的电容特征值与故障预测结果之间的对应关系,以及预测电容特征值,来判定预测时刻的故障预测结果。可选地,可以通过预测电容特征值与预定的电容特征值之间的差值,确定最小差值对应的电容特征值,将该电容特征值对应的故障预测结果作为预测时刻的目标故障预测结果。
示例性的,可以设置每个电容器的预定的电容特征值与故障预测结果之间的对应关系。电容器A出厂时的初始电阻值为B,当预测电容特征值,也即等效串联电阻值达到初始电阻值的2倍时,则说明电容器A出现故障。将预定的电容特征值与故障预测结果设置为:电容特征值为2B,对应的故障预测结果为出现故障。
本发明实施例的技术方案,通过获取待测电容器的若干个历史电容特征值,通过训练获得的目标模型,对各历史电容特征值进行计算,得到预测时刻的预测电容特征值,通过预定的电容特征值与故障预测结果之间的对应关系,以及预测电容特征值,得到预测时刻的目标故障预测结果。本发明实施例的技术方案实现了对预测时刻的目标预测电容特征值的预测,并基于目标预测电容特征值得到目标故障预测结果。本发明实施例的技术方案提高了电容器故障预测的准确度。
在另一本发明实施例中,所述通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值,包括:通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到各所述历史电容特征值相同时间间隔的预测时刻的预设电容特征值。
本发明实施例中,通过训练得到目标模型,对各个历史电容特征值进行计算,得到各个历史电容特征值相同时间间隔的预测时刻的预设电容特征值。由于历史电容特征值以相同时间间隔获取的,本发明实施例可以获取与历史电容特征值相同时间间隔的预测时刻的预设电容特征值,比如,历史电容特征值对应的的历史时刻包括2022.10.1 7:00:00,2022.10.3 7:00:00,2022.10.5 7:00:00,相同时间间隔的预测时刻可以是2022.10.7 7:00:00,这个时刻是指未来时刻。这样,可以根据历史电容特征值,预测未来时刻的预测电容特征值。
在另一本发明实施例中,所述方法还包括:获取所述目标模型,包括:获取若干样本电容器在正常运行状态下的不同时刻的样本电容特征值;通过预设调参模型对待处理模型以及若干个所述样本电容特征值进行计算,得到所述待处理模型的待确认参数;将所述待确认参数代入所述待处理模型,得到待确认模型;基于待确认模型对各个所述样本电容特征值进行计算,得到初始预测结果;在初始预测结果符合预设条件的情况下,确认所述待确认模型为目标模型;在所述初始预测结果不符合预设条件的情况下,调整所述预设调参模型的模型参数,并基于新的预设调参模型对待处理模型以及各个所述样本电容特征值进行计算。
本发明实施例中,在通过训练获得的目标模型对各历史电容特征值进行计算之前,还包括:获取目标模型,首先获取若干个电容器在正常运行状态下的不同时刻的样本电容特征值,通过预测调参模型对待处理模型以及若干个样本电容特征值进行计算,得到待处理模型的待确认参数。将待确认参数代入到待处理模型中,得到待确认模型。基于待确认参数对至少一个样本电容特征值进行计算,得到初始预测结果,若是初始预测结果符合预测条件,将待确认模型作为目标模型,若是不符合预测条件,则调整预设调参模型的模型参数,并基于新的模型参数得到新的预设调参模型对待处理模型和若干个样本电容特征值进行计算,直到得到优化的待确认参数,使得基于确认参数得到待确认模型对样本电容特征值进行计算,得到的计算结果符合预设条件。
可选的,在输入到预测调参模型中的数据包括待处理模型、样本电容特征值以及每个电容特征值相对应的采集时刻。这里的待处理模型可以是一个函数公式,只是函数公式的参数不是最优的,比如,待处理模型为回归函数模型,也即回归函数公式,公式中的参数需要通过预测调参模型进行优化。
本发明实施例可以通过预设调参模型对待处理模型、样本电容特征值以及每个样本电容特征值对应的采集时刻,得到待确认参数,进而达到对待处理模型进行参数调整,进而得到目标模型。
在另一本发明实施例中,所述初始预测结果包括与每个样本电容特征值对应的初始预测子结果;所述在初始预测结果符合预设条件的情况下,确认所述待确认模型为目标模型,包括:针对每个初始预测子结果,计算所述初始预测子结果与相对应的样本电容特征值的误差,当误差值小于预设阈值时,确定所述待确认模型为目标模型。
本发明实施例中,初始预测子结果是指根据待确认模型得到的待确认电容特征值,将待确认电容特征值与相对应的样本电容特征值进行误差计算,得到多个误差值,当误差值小于预设阈值的数量达到了预设数量,则确认待确认模型为目标模型。
在另一本发明实施例中,所述预设调参模型包括最小二乘支持向量机模型;所述调整所述预设调参模型的模型参数,并基于新的预设调参模型对待处理模型以及各个所述样本电容特征值进行计算,包括:调整所述最小二乘支持向量机模型的核函数和核参数,基于新的最小二乘支持向量机模型对待处理模型以及若干所述样本电容特征值进行计算。
具体的,通过调整最小二乘支持向量机模型的核函数、核参数以及最小二乘支持向量机的其他参数等,来优化最小二乘支持向量机模型,使得基于优化的最小二乘支持向量机模型对待处理模型以及样本电容特征值,可以得到优化的待确认参数,这样,在不断优化最小二乘支持向量机模型,来获得优化的待确认参数。
可选的,所述待确认模型包括回归函数模型;
其中,y为初始预测子结果,ti表示采集时刻,i表示采集次数,i=1,2,3……n,ri表示ti采集时刻对应的样本电容特征值,ai表示回归函数模型的第一参数值,b表示回归函数模型的第二参数值。
应当理解,上述公式只是回归函数模型的一种体现形式,对于回归函数模型而言,包括线性函数模型、非线性函数模型等。每种回归函数模型具有各自待确认参数,而通过最小二乘支持向量机模型可以得到待确认参数。在本发明实施例中,待确认参数包括第一参数值ai和第二参数值b的待确认值。当得到的待确认参数达到最优时,则得到第一参数值ai和第二参数值b的确认值。
在另一本发明实施例中,所述通过预设调参模型对待处理模型以及若干个所述样本电容特征值进行计算,得到所述待处理模型的待确认参数,包括:通过预设调参模型对回归函数模型以及若干个所述样本电容特征值进行计算,得到所述回归函数模型的第一参数值ai和第二参数值b的待确认值。
本发明实施例中,通过预设调参模型对回归函数模型以及若干个样本电容特征值进行计算,得到第一参数值ai和第二参数值b的待确认值,当基于第一参数值ai和第二参数值b的待确认值得到的待确认模型,对若干个样本电容特征值进行计算,得到多个初始预测子结果,并每个初始预测子结果与对应的样本电容特征值的误差。误差小于预设阈值的个数达到预设数量,则待确认模型为目标模型,第一参数值ai和第二参数值b的待确认值为目标值。
在另一本发明实施例中,误差可以通过方均根误差值进行计算,方均根误差公式如下所示:
在另一本发明实施例中,提供了一种电容器的故障预测装置,如图3所示,本发明实施例的电容器的故障预测装置可以实现本发明任一实施例所提供的电容器的故障预测方法。其中,与上述实施例中相同或者相似的技术术语将不再赘述。本发明实施例的电容器的故障预测装置包括特征值获取模块410、预测值获取模块420和预测结果获取模块430,其中:
特征值获取模块410,用于获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;预测值获取模块420,用于通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值;预测结果获取模块430,用于通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
进一步的,在本发明实施例中,装置还包括:
模型获取模块,用于:获取所述目标模型,
模型获取模块,还用于:获取若干样本电容器在正常运行状态下的不同时刻的样本电容特征值;通过预设调参模型对待处理模型以及若干个所述样本电容特征值进行计算,得到所述待处理模型的待确认参数;将所述待确认参数代入所述待处理模型,得到待确认模型;基于待确认模型对各个所述样本电容特征值进行计算,得到初始预测结果;在初始预测结果符合预设条件的情况下,确认所述待确认模型为目标模型;在所述初始预测结果不符合预设条件的情况下,调整所述预设调参模型的模型参数,并基于新的预设调参模型对待处理模型以及各个所述样本电容特征值进行计算。
进一步的,在本发明实施例中,所述初始预测结果包括与每个样本电容特征值对应的初始预测子结果;
模型获取模块,还用于:针对每个初始预测子结果,计算所述初始预测子结果与相对应的样本电容特征值的误差,当误差值小于预设阈值的数量达到预设数量时,确定所述待确认模型为目标模型。
进一步的,本发明实施例中,所述预设调参模型包括最小二乘支持向量机模型;
模型获取模块,还用于:调整所述最小二乘支持向量机模型的核函数和核参数,基于新的最小二乘支持向量机模型对待处理模型以及若干所述样本电容特征值进行计算。
进一步的,本发明实施例中,所述待确认模型包括回归函数模型;
其中,L(x)为初始预测子结果,ti表示采集时刻,i表示采集次数,i=1,2,3……n,ri表示ti采集时刻对应的样本电容特征值,ai表示回归函数模型的第一参数值,b表示回归函数模型的第二参数值。
进一步的,本发明实施例中,模型获取模块,还用于:
通过预设调参模型对回归函数模型以及若干个所述样本电容特征值进行计算,得到所述回归函数模型的第一参数值ai和第二参数值b的待确认值。
进一步的,本发明实施例中,预测值获取模块420,还用于:
通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到各所述历史电容特征值相同时间间隔的预测时刻的预设电容特征值。
本发明实施例的技术方案,通过获取待测电容器的若干个历史电容特征值,通过训练获得的目标模型,对各历史电容特征值进行计算,得到预测时刻的预测电容特征值,通过预定的电容特征值与故障预测结果之间的对应关系,以及预测电容特征值,得到预测时刻的目标故障预测结果。本发明实施例的技术方案实现了对预测时刻的目标预测电容特征值的预测,并基于目标预测电容特征值得到目标故障预测结果。本发明实施例的技术方案提高了电容器故障预测的准确度。
值得注意的是,上述装置所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
在另一本发明实施例中,提供了一种电子设备,图4为本发明实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图4显示的电子设备50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该电子设备50交互的设备通信,和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,电子设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与电子设备50的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的电容器的故障预测方法。
在另一本发明实施例中,还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种电容器的故障预测方法,所述方法包括:
获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值;通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种电容器的故障预测方法,其特征在于,包括:
获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;
通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值;
通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标模型,包括:
获取若干样本电容器在正常运行状态下的不同时刻的样本电容特征值;
通过预设调参模型对待处理模型以及若干个所述样本电容特征值进行计算,得到所述待处理模型的待确认参数;
将所述待确认参数代入所述待处理模型,得到待确认模型;
基于待确认模型对各个所述样本电容特征值进行计算,得到初始预测结果;
在初始预测结果符合预设条件的情况下,确认所述待确认模型为目标模型;
在所述初始预测结果不符合预设条件的情况下,调整所述预设调参模型的模型参数,并基于新的预设调参模型对待处理模型以及各个所述样本电容特征值进行计算。
3.根据权利要求2所述的方法,其特征在于,所述初始预测结果包括与每个样本电容特征值对应的初始预测子结果;
所述在初始预测结果符合预设条件的情况下,确认所述待确认模型为目标模型,包括:
针对每个初始预测子结果,计算所述初始预测子结果与相对应的样本电容特征值的误差,当误差值小于预设阈值的数量达到预设数量时,确定所述待确认模型为目标模型。
4.根据权利要求2所述的方法,其特征在于,所述预设调参模型包括最小二乘支持向量机模型;
所述调整所述预设调参模型的模型参数,并基于新的预设调参模型对待处理模型以及各个所述样本电容特征值进行计算,包括:
调整所述最小二乘支持向量机模型的核函数和核参数,基于新的最小二乘支持向量机模型对待处理模型以及若干所述样本电容特征值进行计算。
6.根据权利要求5所述的方法,其特征在于,所述通过预设调参模型对待处理模型以及若干个所述样本电容特征值进行计算,得到所述待处理模型的待确认参数,包括:
通过预设调参模型对回归函数模型以及若干个所述样本电容特征值进行计算,得到所述回归函数模型的第一参数值ai和第二参数值b的待确认值。
7.根据权利要求1所述的方法,其特征在于,所述通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值,包括:
通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到各所述历史电容特征值相同时间间隔的预测时刻的预设电容特征值。
8.一种电容器的故障预测装置,其特征在于,包括:
特征值获取模块,用于获取待测电容器的若干个历史电容特征值,各所述历史电容特征值是基于所述待测电容器在相同时间间隔获取的各输入参数得到的,所述输入参数包括输入电压、输入电流、有功功率以及输入电流频率;
预测值获取模块,用于通过训练获得的目标模型,对各所述历史电容特征值进行计算,得到预测时刻的预测电容特征值;
预测结果获取模块,用于通过预定的电容特征值与故障预测结果之间的对应关系,以及所述预测电容特征值,得到预测时刻的目标故障预测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的电容器的故障预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的电容器的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211405250.4A CN115879040A (zh) | 2022-11-10 | 2022-11-10 | 电容器的故障预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211405250.4A CN115879040A (zh) | 2022-11-10 | 2022-11-10 | 电容器的故障预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879040A true CN115879040A (zh) | 2023-03-31 |
Family
ID=85759592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211405250.4A Pending CN115879040A (zh) | 2022-11-10 | 2022-11-10 | 电容器的故障预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879040A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
-
2022
- 2022-11-10 CN CN202211405250.4A patent/CN115879040A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113125851B (zh) | 一种用电量统计方法、装置、设备及存储介质 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN115840184B (zh) | 一种电压互感器运行误差分析方法、介质及终端 | |
CN115879040A (zh) | 电容器的故障预测方法、装置、电子设备及存储介质 | |
CN116256661A (zh) | 电池故障检测方法、装置、电子设备和存储介质 | |
CN117031182B (zh) | 配电站所终端遥测值异常检测方法及系统 | |
CN112989587A (zh) | 一种电容式电压互感器劣化成因在线分析方法及系统 | |
CN104598361A (zh) | 一种性能监控方法和装置 | |
CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
US20190025357A1 (en) | Frequency regulation method and apparatus | |
CN112834891B (zh) | 检测相控整流电路中失效晶闸管的方法、装置及终端设备 | |
CN111929630B (zh) | 一种电流互感器饱和度的检测方法及检测装置 | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
CN113702780B (zh) | 基于bp神经网络的高压电容在线监测方法和装置 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN111654023B (zh) | 一种电网运行状态的确定方法、装置、设备及介质 | |
CN114322917B (zh) | 一种变压器绕组检测方法、装置、电子设备及存储介质 | |
CN113514686B (zh) | 电压基波幅值的检测方法、装置、设备和存储介质 | |
CN115290798B (zh) | 变压器油色谱在线监测装置的稳定性能监测方法及终端 | |
JPH06276700A (ja) | 誤りデータの利用方法および装置 | |
CN117110976B (zh) | 电表异常检测方法、装置、电子设备和存储介质 | |
CN110545516B (zh) | 一种线圈类设备故障的检测方法及检测装置 | |
CN114899938A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN116500361A (zh) | 一种基于bto算法的避雷器老化在线监测方法、装置、设备及介质 | |
CN113268388A (zh) | 储能系统的故障检测方法、装置、电子设备和存储介质 |
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 |