CN116049721A - 一种基于人工智能的变换器运行故障预测系统 - Google Patents
一种基于人工智能的变换器运行故障预测系统 Download PDFInfo
- Publication number
- CN116049721A CN116049721A CN202310066607.9A CN202310066607A CN116049721A CN 116049721 A CN116049721 A CN 116049721A CN 202310066607 A CN202310066607 A CN 202310066607A CN 116049721 A CN116049721 A CN 116049721A
- Authority
- CN
- China
- Prior art keywords
- analysis
- fault
- parameter
- analysis object
- floating
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M3/00—Conversion of dc power input into dc power output
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于人工智能的变换器运行故障预测系统,涉及变换器运行故障预测技术领域,解决了现有技术中,DC‑DC变换器在运行过程中,不能够针对变换器的不同类型故障进行针对性预测的技术问题,将对应分析对象进行参数分析预测,从而分析对象的实时运行进行提前预警,防止分析对象的参数性故障产生造成分析对象的运行效率降低,同时影响分析对象内部元件的正常使用寿命,造成不必要的元件磨损;将分析对象内部元件进行分析,根据内部元件分析判断分析对象的结构性故障产生风险,并及时作出预测,有利于及时降低分析对象的结构性故障概率,能够最大程度地降低结构性故障带来的影响,防止受到结构性故障带来的影响。
Description
技术领域
本发明涉及变换器运行故障预测技术领域,具体为一种基于人工智能的变换器运行故障预测系统。
背景技术
变换器,是将信源发出的信息按一定的目的进行变换。和传统的变换器相比,它具有如下优点:不需要中间直流储能环节;能够四象限运行;具有优良的输入电流波形和输出电压波形;可自由控制的功率因数;其中,DC-DC变换器是构建其他许多类型电能变换器的基本组成部分。为了有效实地现各种电能变换功能,并使系统安全、平稳地运行,直流-直流变换器必须与其他功能模块相互配合,组成一个控制系统,共同完成电能的变换和调节。
但是在现有技术中,DC-DC变换器在运行过程中,不能够针对变换器的不同类型故障进行针对性预测,以至于变换器的故障预测准确性降低,同时在进行参数性故障预测时不能够将实时运行状态的影响进行分析,以至于参数性故障预测效率低且准确性差;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的就在于为了解决上述提出的问题,而提出一种基于人工智能的变换器运行故障预测系统,对变换器的故障类型进行分析,根据变换器的历史运行过程分析对其进行故障类型划分,以便于针对不同故障类型进行不同方式的故障预测,提高了变换器的故障预测准确性,有利于提高了变换器的工作稳定性,及时能够进行故障管控,降低了变换器故障带来的影响。
本发明的目的可以通过以下技术方案实现:
一种基于人工智能的变换器运行故障预测系统,包括服务器,服务器通讯连接有:
故障类型分析单元,用于对变换器的故障类型进行分析,根据变换器的历史运行过程分析对其进行故障类型划分,将变换器标记为分析对象,设置标号i,i为大于1的自然数,获取到分析对象的历史运行时间段,并根据历史运行时间段对分析对象进行故障类型分析,采集到历史运行时间段内分析对象的故障时间段,其中故障时间段表示为分析对象故障产生时刻至故障完成维护时刻之间的时间段,通过分析将故障类型划分为结构性故障和参数性故障,并将其对应名称发送至服务器;
运行影响分析单元,用于对分析对象的实时运行过程进行分析,通过分析获取到实时运行过程中分析对象的运行状态分析系数,根据运行状态分析系数比较生成高成本信号、低效率运行信号以及运行合格信号,并将其发送至服务器;
参数预测分析单元,用于对分析对象进行参数分析预测,对分析对象的内部电路进行分析,内部电路中通过导线相连的元件标记为关键点部位,通过关键点部位分析生成参数性故障高风险信号或者参数性故障低风险信号,并将其发送至服务器;
元件划分分析单元,用于对分析对象内部元件进行分析,根据内部元件分析进行结构性故障预测,对分析对象内部元件进行分析,若内部元件的运行状态改变时,对应内部元件所在电路的运行参数随之改变,则将对应内部元件标记为控制性元件;若内部元件的运行状态改变且对应内部元件所在电路的运行参数无改变,则将对应内部元件标记为承载性元件;根据分析对象内部元件的所处位置,将同一电路内的控制性元件和承载性元件标记为串联元件组,将非同一电路内的控制性元件和承载性元件标记为并联元件组通过分析生成结构性故障高风险信号或者结构性故障低风险信号,并将其发送至服务器。
作为本发明的一种优选实施方式,故障类型分析单元的运行过程如下:
获取到分析对象故障时间段起始时刻对应运行参数的浮动跨度以及对应运行参数浮动过程中运行参数的浮动持续时长,并将其分别与参数浮动跨度阈值和参数浮动持续时长阈值进行比较:
若分析对象故障时间段起始时刻对应运行参数的浮动跨度超过参数浮动跨度阈值,或者对应运行参数浮动过程中运行参数的浮动持续时长未超过参数浮动持续时长阈值,则判定分析对象故障发生速度快,将对应故障类型标记为结构性故障;若分析对象故障时间段起始时刻对应运行参数的浮动跨度未超过参数浮动跨度阈值,且对应运行参数浮动过程中运行参数的浮动持续时长超过参数浮动持续时长阈值,则判定分析对象故障发生速度慢,将对应故障类型标记为参数性故障;
并将结构性故障和参数性故障对应类型名称一同发送至服务器。
作为本发明的一种优选实施方式,运行影响分析单元的运行过程如下:
采集到实时运行过程中分析对象内部电源走线长度以及内部电源走线的平均直径;采集到实时运行过程中分析对象内部产生的噪音分贝值;通过分析获取到实时运行过程中分析对象的运行状态分析系数;
将实时运行过程中分析对象的运行状态分析系数与运行状态分析系数阈值范围进行比较:
若实时运行过程中分析对象的运行状态分析系数超过运行状态分析系数阈值范围,则生成高成本信号并将高成本信号发送至服务器;
若实时运行过程中分析对象的运行状态分析系数未超过运行状态分析系数阈值范围,则生成低效率运行信号并将低效率运行发送至服务器;若实时运行过程中分析对象的运行状态分析系数处于运行状态分析系数阈值范围,则生成运行合格信号并将运行合格信号发送至服务器。
作为本发明的一种优选实施方式,参数预测分析单元的运行过程如下:
采集到实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度以及分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差,并将其分别与差值浮动速度阈值和电流最大数值差阈值进行比较:
若实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度超过差值浮动速度阈值,或者分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差超过电流最大数值差阈值,则判定实时运行过程中分析对象的参数预测分析不合格,生成参数性故障高风险信号并将参数性故障高风险信号发送至服务器;
若实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度未超过差值浮动速度阈值,且分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差未超过电流最大数值差阈值,则判定实时运行过程中分析对象的参数预测分析合格,生成参数性故障低风险信号并将参数性故障低风险信号发送至服务器。
作为本发明的一种优选实施方式,元件划分分析单元的运行过程如下:
采集到串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值以及并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量,并将其分别与控制量偏差值阈值和参数浮动量阈值进行比较:
若串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值超过控制量偏差值阈值,或者并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量超过参数浮动量阈值,则判定分析对象的结构性故障风险高,生成结构性故障高风险信号并将结构性故障高风险信号发送至服务器;
若串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值未超过控制量偏差值阈值,且并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量未超过参数浮动量阈值,则判定分析对象的结构性故障风险低,生成结构性故障低风险信号并将结构性故障低风险信号发送至服务器。
与现有技术相比,本发明的有益效果是:
1、本发明中,对变换器的故障类型进行分析,根据变换器的历史运行过程分析对其进行故障类型划分,以便于针对不同故障类型进行不同方式的故障预测,提高了变换器的故障预测准确性,有利于提高了变换器的工作稳定性,及时能够进行故障管控,降低了变换器故障带来的影响;对分析对象的实时运行过程进行分析,判断分析对象的实时运行状态且根据实时运行状态进行针对性参数分析,防止运行状态异常或者运行状态效率低,导致分析对象的运行合格性降低,以至于分析对象的故障预测效率低,无法准确进行参数分析,不利于降低参数性故障的发生概率;
2、本发明中,对分析对象进行参数分析预测,从而分析对象的实时运行进行提前预警,防止分析对象的参数性故障产生造成分析对象的运行效率降低,同时影响分析对象内部元件的正常使用寿命,造成不必要的元件磨损;对分析对象内部元件进行分析,根据内部元件分析判断分析对象的结构性故障产生风险,并及时作出预测,有利于及时降低分析对象的结构性故障概率,能够最大程度地降低结构性故障带来的影响,大大提高了分析对象内部元件的使用寿命,防止受到结构性故障带来的影响。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明一种基于人工智能的变换器运行故障预测系统的原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1所示,一种基于人工智能的变换器运行故障预测系统,包括服务器,服务器通讯连接有故障类型分析单元、运行影响分析单元、参数预测分析单元以及元件划分分析单元,其中,服务器与故障类型分析单元、运行影响分析单元、参数预测分析单元以及元件划分分析单元均为双向通讯连接;本申请中以DC-DC变换器为主体进行预测;DC-DC变换器是一类将某种直流电压源变换为负载所需直流电压源的电源变换装置;
服务器生成故障类型分析信号并将故障类型分析信号发送至故障类型分析单元,故障类型分析单元接收到故障类型分析信号后,对变换器的故障类型进行分析,根据变换器的历史运行过程分析对其进行故障类型划分,以便于针对不同故障类型进行不同方式的故障预测,提高了变换器的故障预测准确性,有利于提高了变换器的工作稳定性,及时能够进行故障管控,降低了变换器故障带来的影响;
将变换器标记为分析对象,设置标号i,i为大于1的自然数,获取到分析对象的历史运行时间段,并根据历史运行时间段对分析对象进行故障类型分析,采集到历史运行时间段内分析对象的故障时间段,其中故障时间段表示为分析对象故障产生时刻至故障完成维护时刻之间的时间段,同时获取到分析对象故障时间段起始时刻对应运行参数的浮动跨度以及对应运行参数浮动过程中运行参数的浮动持续时长,并将分析对象故障时间段起始时刻对应运行参数的浮动跨度以及对应运行参数浮动过程中运行参数的浮动持续时长分别与参数浮动跨度阈值和参数浮动持续时长阈值进行比较:其中,运行参数表示为变换器内电流、电压等参数;
若分析对象故障时间段起始时刻对应运行参数的浮动跨度超过参数浮动跨度阈值,或者对应运行参数浮动过程中运行参数的浮动持续时长未超过参数浮动持续时长阈值,则判定分析对象故障发生速度快,将对应故障类型标记为结构性故障;若分析对象故障时间段起始时刻对应运行参数的浮动跨度未超过参数浮动跨度阈值,且对应运行参数浮动过程中运行参数的浮动持续时长超过参数浮动持续时长阈值,则判定分析对象故障发生速度慢,将对应故障类型标记为参数性故障;
并将结构性故障和参数性故障对应类型名称一同发送至服务器;可以理解的是,在DC-DC变换器内部电路中,元件结构出现故障后则电路参数会立刻出现浮动;
服务器接收到故障类型名称后,在针对参数性故障时,生成运行影响分析信号并将运行影响分析信号发送至运行影响分析单元,运行影响分析单元接收到运行影响分析信号后,对分析对象的实时运行过程进行分析,判断分析对象的实时运行状态且根据实时运行状态进行针对性参数分析,防止运行状态异常或者运行状态效率低,导致分析对象的运行合格性降低,以至于分析对象的故障预测效率低,无法准确进行参数分析,不利于降低参数性故障的发生概率;
采集到实时运行过程中分析对象内部电源走线长度以及内部电源走线的平均直径,并将实时运行过程中分析对象内部电源走线长度以及内部电源走线的平均直径分别标记为CDi和ZJi;采集到实时运行过程中分析对象内部产生的噪音分贝值,并将实时运行过程中分析对象内部产生的噪音分贝值标记为FBi;
将实时运行过程中分析对象的运行状态分析系数G i与运行状态分析系数阈值范围进行比较:
若实时运行过程中分析对象的运行状态分析系数G i超过运行状态分析系数阈值范围,则判定分析对象的设备成本投入高,生成高成本信号并将高成本信号发送至服务器,服务器接收到高成本信号后,将对应分析对象在不影响运行质量的前提进行元件调控,控制元件的投入成本;
若实时运行过程中分析对象的运行状态分析系数G i未超过运行状态分析系数阈值范围,则判定分析对象的运行效率低,生成低效率运行信号并将低效率运行发送至服务器,服务器接收到低效率运行信号后,将对应分析对象进行元件更换,提高运行的合格性;
若实时运行过程中分析对象的运行状态分析系数Gi处于运行状态分析系数阈值范围,则判定分析对象的运行状态分析合格,生成运行合格信号并将运行合格信号发送至服务器;
服务器接收到运行合格信号后,生成参数预测分析信号并将参数预测分析信号发送至参数预测分析单元,参数预测分析单元接收到参数预测分析信号后,对分析对象进行参数分析预测,从而分析对象的实时运行进行提前预警,防止分析对象的参数性故障产生造成分析对象的运行效率降低,同时影响分析对象内部元件的正常使用寿命,造成不必要的元件磨损;
对分析对象的内部电路进行分析,内部电路中通过导线相连的元件标记为关键点部位,采集到实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度以及分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差,并将实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度以及分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差分别与差值浮动速度阈值和电流最大数值差阈值进行比较:
若实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度超过差值浮动速度阈值,或者分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差超过电流最大数值差阈值,则判定实时运行过程中分析对象的参数预测分析不合格,生成参数性故障高风险信号并将参数性故障高风险信号发送至服务器;服务器接收到参数性故障高风险信号后,将分析对象内部元件进行维护并在维护后进行实时参数监测,如出现参数浮动则将其进行更换;
若实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度未超过差值浮动速度阈值,且分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差未超过电流最大数值差阈值,则判定实时运行过程中分析对象的参数预测分析合格,生成参数性故障低风险信号并将参数性故障低风险信号发送至服务器;
服务器接收到故障类型名称后,在针对结构性故障时,生成元件划分分析信号并将元件划分分析信号发送至元件划分分析单元,元件划分分析单元接收到元件划分分析信号后,对分析对象内部元件进行分析,根据内部元件分析判断分析对象的结构性故障产生风险,并及时作出预测,有利于及时降低分析对象的结构性故障概率,能够最大程度地降低结构性故障带来的影响,大大提高了分析对象内部元件的使用寿命,防止受到结构性故障带来的影响;
对分析对象内部元件进行分析,若内部元件的运行状态改变时,对应内部元件所在电路的运行参数随之改变,则将对应内部元件标记为控制性元件,如开关;若内部元件的运行状态改变且对应内部元件所在电路的运行参数无改变,则将对应内部元件标记为承载性元件,如用电设备;根据分析对象内部元件的所处位置,将同一电路内的控制性元件和承载性元件标记为串联元件组,将非同一电路内的控制性元件和承载性元件标记为并联元件组;
采集到串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值以及并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量,并将串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值以及并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量分别与控制量偏差值阈值和参数浮动量阈值进行比较:
若串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值超过控制量偏差值阈值,或者并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量超过参数浮动量阈值,则判定分析对象的结构性故障风险高,生成结构性故障高风险信号并将结构性故障高风险信号发送至服务器,服务器接收到结构性故障高风险信号后,将对应元件以及元件组进行性能检测以及元件连接维护,并在无法满足运行需求时进行元件更换;
若串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值未超过控制量偏差值阈值,且并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量未超过参数浮动量阈值,则判定分析对象的结构性故障风险低,生成结构性故障低风险信号并将结构性故障低风险信号发送至服务器。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;
本发明在使用时,通过故障类型分析单元对变换器的故障类型进行分析,根据变换器的历史运行过程分析对其进行故障类型划分,将变换器标记为分析对象,通过分析将故障类型划分为结构性故障和参数性故障,并将其对应名称发送至服务器;通过运行影响分析单元对分析对象的实时运行过程进行分析,通过分析获取到实时运行过程中分析对象的运行状态分析系数,根据运行状态分析系数比较生成高成本信号、低效率运行信号以及运行合格信号,并将其发送至服务器;通过参数预测分析单元对分析对象进行参数分析预测,对分析对象的内部电路进行分析,内部电路中通过导线相连的元件标记为关键点部位,通过关键点部位分析生成参数性故障高风险信号或者参数性故障低风险信号,并将其发送至服务器;通过元件划分分析单元对分析对象内部元件进行分析,根据内部元件分析进行结构性故障预测,对分析对象内部元件进行分析,通过分析生成结构性故障高风险信号或者结构性故障低风险信号,并将其发送至服务器。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于人工智能的变换器运行故障预测系统,其特征在于,包括服务器,服务器通讯连接有:
故障类型分析单元,用于将变换器的故障类型进行分析,根据变换器的历史运行过程分析对其进行故障类型划分,将变换器标记为分析对象,设置标号i,i为大于1的自然数,获取到分析对象的历史运行时间段,并根据历史运行时间段对分析对象进行故障类型分析,采集到历史运行时间段内分析对象的故障时间段,其中故障时间段表示为分析对象故障产生时刻至故障完成维护时刻之间的时间段,通过分析将故障类型划分为结构性故障和参数性故障,并将其对应名称发送至服务器;
运行影响分析单元,用于将分析对象的实时运行过程进行分析,通过分析获取到实时运行过程中分析对象的运行状态分析系数,根据运行状态分析系数比较生成高成本信号、低效率运行信号以及运行合格信号,并将其发送至服务器;
参数预测分析单元,用于将对应分析对象进行参数分析预测,将分析对象的内部电路进行分析,内部电路中通过导线相连的元件标记为关键点部位,通过关键点部位分析生成参数性故障高风险信号或者参数性故障低风险信号,并将其发送至服务器;
元件划分分析单元,用于将分析对象内部元件进行分析,根据内部元件分析进行结构性故障预测,将分析对象内部元件进行分析,若内部元件的运行状态改变时,对应内部元件所在电路的运行参数随之改变,则将对应内部元件标记为控制性元件;若内部元件的运行状态改变且对应内部元件所在电路的运行参数无改变,则将对应内部元件标记为承载性元件;根据分析对象内部元件的所处位置,将同一电路内的控制性元件和承载性元件标记为串联元件组,将非同一电路内的控制性元件和承载性元件标记为并联元件组通过分析生成结构性故障高风险信号或者结构性故障低风险信号,并将其发送至服务器。
2.根据权利要求1所述的一种基于人工智能的变换器运行故障预测系统,其特征在于,故障类型分析单元的运行过程如下:
获取到分析对象故障时间段起始时刻对应运行参数的浮动跨度以及对应运行参数浮动过程中运行参数的浮动持续时长,并将其分别与参数浮动跨度阈值和参数浮动持续时长阈值进行比较:
若分析对象故障时间段起始时刻对应运行参数的浮动跨度超过参数浮动跨度阈值,或者对应运行参数浮动过程中运行参数的浮动持续时长未超过参数浮动持续时长阈值,则判定分析对象故障发生速度快,将对应故障类型标记为结构性故障;若分析对象故障时间段起始时刻对应运行参数的浮动跨度未超过参数浮动跨度阈值,且对应运行参数浮动过程中运行参数的浮动持续时长超过参数浮动持续时长阈值,则判定分析对象故障发生速度慢,将对应故障类型标记为参数性故障;
并将结构性故障和参数性故障对应类型名称一同发送至服务器。
3.根据权利要求1所述的一种基于人工智能的变换器运行故障预测系统,其特征在于,运行影响分析单元的运行过程如下:
采集到实时运行过程中分析对象内部电源走线长度以及内部电源走线的平均直径;采集到实时运行过程中分析对象内部产生的噪音分贝值;通过分析获取到实时运行过程中分析对象的运行状态分析系数;
将实时运行过程中分析对象的运行状态分析系数与运行状态分析系数阈值范围进行比较:
若实时运行过程中分析对象的运行状态分析系数超过运行状态分析系数阈值范围,则生成高成本信号并将高成本信号发送至服务器;
若实时运行过程中分析对象的运行状态分析系数未超过运行状态分析系数阈值范围,则生成低效率运行信号并将低效率运行发送至服务器;若实时运行过程中分析对象的运行状态分析系数处于运行状态分析系数阈值范围,则生成运行合格信号并将运行合格信号发送至服务器。
4.根据权利要求1所述的一种基于人工智能的变换器运行故障预测系统,其特征在于,参数预测分析单元的运行过程如下:
采集到实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度以及分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差,并将其分别与差值浮动速度阈值和电流最大数值差阈值进行比较:
若实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度超过差值浮动速度阈值,或者分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差超过电流最大数值差阈值,则判定实时运行过程中分析对象的参数预测分析不合格,生成参数性故障高风险信号并将参数性故障高风险信号发送至服务器;
若实时运行过程中分析对象内部关键点部位两端电压差值的浮动速度未超过差值浮动速度阈值,且分析对象内部关键点部位通过的瞬时电流与稳时电流最大数值差未超过电流最大数值差阈值,则判定实时运行过程中分析对象的参数预测分析合格,生成参数性故障低风险信号并将参数性故障低风险信号发送至服务器。
5.根据权利要求1所述的一种基于人工智能的变换器运行故障预测系统,其特征在于,元件划分分析单元的运行过程如下:
采集到串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值以及并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量,并将其分别与控制量偏差值阈值和参数浮动量阈值进行比较:
若串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值超过控制量偏差值阈值,或者并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量超过参数浮动量阈值,则判定分析对象的结构性故障风险高,生成结构性故障高风险信号并将结构性故障高风险信号发送至服务器;
若串联元件组内控制性元件预先参数控制量与承载性元件实际参数控制量的偏差值未超过控制量偏差值阈值,且并联元件组内控制性元件的运行状态改变后对应承载性元件的运行参数浮动量未超过参数浮动量阈值,则判定分析对象的结构性故障风险低,生成结构性故障低风险信号并将结构性故障低风险信号发送至服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066607.9A CN116049721A (zh) | 2023-02-06 | 2023-02-06 | 一种基于人工智能的变换器运行故障预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066607.9A CN116049721A (zh) | 2023-02-06 | 2023-02-06 | 一种基于人工智能的变换器运行故障预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116049721A true CN116049721A (zh) | 2023-05-02 |
Family
ID=86132933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310066607.9A Withdrawn CN116049721A (zh) | 2023-02-06 | 2023-02-06 | 一种基于人工智能的变换器运行故障预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116049721A (zh) |
-
2023
- 2023-02-06 CN CN202310066607.9A patent/CN116049721A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844628B (zh) | 一种大型海上风电场集电系统冗余度优化方法 | |
CN117013606B (zh) | 一种基于人工智能的光伏发电智能储能控制系统 | |
CN116128241A (zh) | 一种智能供电系统 | |
CN104793067A (zh) | 用于风电场功率调节和电能质量的评估系统及其评估方法 | |
CN116914940A (zh) | 一种基于建筑工程的光伏变电站的高低压控制监测系统 | |
CN115977855A (zh) | 一种基于人工智能的水电站故障诊断系统 | |
CN117474319A (zh) | 一种用于电力系统的风险评估方法及其系统 | |
CN106971239B (zh) | 一种改进的参考电网评价方法 | |
US9979199B2 (en) | Multiple input single output hybrid power system | |
CN117498555A (zh) | 一种基于云边融合的储能电站智能运维系统 | |
CN116565402A (zh) | 储能电池冷却系统及控制方法 | |
CN116050667B (zh) | 面向分布式光伏的智能电网负荷预测管理系统及管理方法 | |
CN116049721A (zh) | 一种基于人工智能的变换器运行故障预测系统 | |
CN117526344A (zh) | 一种配电网无功电压控制优化方法及系统 | |
WO2017199462A1 (ja) | 電流電圧制御装置 | |
CN110365024B (zh) | 一种抑制直流换相失败引起送端风机脱网的紧急控制方法 | |
CN109687428B (zh) | 多能互补分布式能源微网运行优化控制系统的控制方法 | |
CN116667537A (zh) | 一种电能质量监测装置 | |
US20210388815A1 (en) | Method of controlling a wind turbine | |
CN109667713B (zh) | 一种风力发电机组增功控制方法及装置 | |
CN117970009B (zh) | 填谷电路的电力采集终端及电能表 | |
CN117540330B (zh) | 基于自学习功能的配电柜系统 | |
CN117895034B (zh) | 一种燃料电池电堆稳压控制方法、设备及系统 | |
CN111075648B (zh) | 一种混合励磁海上风力发电系统 | |
CN114294637B (zh) | 一种基于机器学习的低温省煤器状态监测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230502 |
|
WW01 | Invention patent application withdrawn after publication |