CN116609651A - 一种光伏用多功能断路器的检测方法 - Google Patents
一种光伏用多功能断路器的检测方法 Download PDFInfo
- Publication number
- CN116609651A CN116609651A CN202310889926.XA CN202310889926A CN116609651A CN 116609651 A CN116609651 A CN 116609651A CN 202310889926 A CN202310889926 A CN 202310889926A CN 116609651 A CN116609651 A CN 116609651A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- breaker
- data set
- evaluation value
- state
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 65
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000001404 mediated effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010292 electrical insulation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011990 functional testing Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
Abstract
本发明公开了一种光伏用多功能断路器的检测方法，涉及设备检测技术领域，包括如下步骤：将断路器置于搭建的状态检测平台内，在状态检测平台中模拟实际运行环境，并采集运行状态下断路器的相关数据，建立断路器参数数据集；在断路器处于持续工作状态下，获取相关数据集，关联形成断路器状态评估值Mcb；其技术要点为：判断相同时间节点下的差值来确定断路器的状态信息，可提前对断路器的运行状态做出判断，考虑到天气因素、设备自身因素以及损耗因素带来的影响，为后续故障诊断提供参考，将对断路器的状态检测和故障诊断相结合，即可实现对断路器进行更加清晰准确的检测。
Description
技术领域
本发明涉及设备检测技术领域，具体为一种光伏用多功能断路器的检测方法。
背景技术
在对应用于光伏设备的断路器进行检测时，检测方式一般可以包括以下几种：
1、检查外观：首先需要检查断路器的外观是否完好，是否有破损、变形现象，这有助于了解断路器的实际使用情况；
2、检查运行参数：使用断路器自身的监测装置或非接触式装置，检查断路器的运行参数，如电流、温度以及压力是否正常；
3、检查操作机构：检查断路器的操作机构是否灵活，是否存在卡滞现象，是否顺畅；
4、检查电气绝缘：使用绝缘测试仪设备，对断路器的电气绝缘进行测试，以了解绝缘性能是否满足预期要求；
5、化学分析：对断路器内部的油池进行采样，并通过实验室分析确定油的品质、污染程度以及工作状态信息，从而间接判断断路器的工作状态；
6、功能测试：对断路器进行功能测试，通过电流以及电压信号模拟实际使用环境并进行断路器的开合操作和表征，以检验断路器的正常工作状态；以上步骤需要有专业的技术人员操作，根据不同的断路器类型和使用环境情况，具体的检测操作流程可能会略有不同。
但以上这些传统的检测方法对于断路器的运行及工作状态无法形成预测效果，不能提前对断路器的运行状态做出判断，为后续故障诊断提供参考。
为此，本发明提供了一种光伏用多功能断路器的检测方法。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种光伏用多功能断路器的检测方法，判断相同时间节点下的差值来确定断路器的状态信息，可提前对断路器的运行状态做出判断，考虑到天气因素、设备自身因素以及损耗因素带来的影响，为后续故障诊断提供参考，将对断路器的状态检测和故障诊断相结合，即可实现对断路器进行更加清晰准确的检测，从而解决了背景技术中提出的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种光伏用多功能断路器的检测方法，包括如下步骤：
将断路器置于搭建的状态检测平台内，在状态检测平台中模拟实际运行环境，并采集运行状态下断路器的相关数据，建立断路器参数数据集的同时对断路器参数数据集进行预处理，分类为设备自身数据集、天气状况数据集以及连接损耗数据集，在对断路器进行检测时考虑到天气因素、设备自身因素以及损耗因素，其中的天气因素对应天气状况数据集中的平均气温C、平均风速V以及平均湿度H；设备自身因素对应设备自身数据集中的断路器的实际输出电流I和实际输出电压U；损耗因素对应连接损耗数据集中断路器内置各个零部件的损耗系数；
在断路器处于持续工作状态下，获取预处理后形成的设备自身数据集、天气状况数据集以及连接损耗数据集，关联形成断路器状态评估值Mcb，在等间隔的时间节点中得到断路器状态评估值Mcb的变化趋势；
使用机器学习技术对同类型多功能断路器的历史数据进行处理，在天气状况数据集不变时，建立多功能断路器数字孪生模型，经过测试和训练后，将多功能断路器数字孪生模型输出，以等间隔的时间节点，对多功能断路器状态评估值Myc的变化趋势进行预测，获取预测结果，本申请中使用到的机器学习是一种人工智能的分支，它主要是利用算法和模型对数据进行分析和预测，具体可使用深度学习：深度学习是一种特殊的机器学习技术，主要是通过多层神经网络对数据进行特征抽取和表示学习；
也可根据实际需求选择监督学习：监督学习通过给模型提供带有标注的数据，让模型学习从输入到输出的映射关系，进而对未知数据进行预测，常见的监督学习算法有决策树、支持向量机（SVM）、多层感知机（MLP）和神经网络；无监督学习：无监督学习是指对没有标注的数据进行学习，目标是发现数据的内在规律和结构，常见的无监督学习算法有聚类、异常检测和降维；半监督学习：半监督学习是介于监督学习和无监督学习之间的学习方式，通过同时使用带标注和无标注的数据进行学习；
建立趋势对比模型，将断路器状态评估值Mcb的变化趋势与预测断路器状态评估值Myc的变化趋势进行比对，在同一时间节点下，若是断路器状态评估值Mcb与预测断路器状态评估值Myc之间的差值大于等于报警阈值，则表示断路器运行状态不稳定，后续在触发判断模块的同时也触发了预警模块，完成对用户的预警，具体可通过无线端连接手机APP进行实时预警，该处的报警阈值表示的为：断路器状态评估值Mcb与预测断路器状态评估值Myc之间在同一时间节点上所能够产生最大的差值；
若是断路器状态评估值Mcb与预测断路器状态评估值Myc之间的差值小于报警阈值，则表示断路器运行状态稳定。
进一步的，在状态检测平台中模拟实际运行环境时，将断路器与光伏板连接后置于密闭环境，通过接收天气预报来获取每周的平均气温C、平均风速V以及平均湿度H，且平均气温C、平均风速V以及平均湿度H均归属于天气状况数据集，该处的平均气温C、平均风速V以及平均湿度H，通过在状态检测平台中安装常规的加热器、风扇组件以及加湿器即可实现对气温、风速以及湿度的调控处理；
使用时，平均气温C、平均风速V以及平均湿度H的获取方式均可以通过天气预报进行直接获取，也可根据需要获取一周内的平均气温C，例如：计第一天平均温度为，第二天平均温度为/>直至得到第七天平均温度为/>，通过如下公式：
即可得到一周内的平均气温C；
针对上述的平均风速V和平均湿度H也采用相同的原理；
其中，实际输出电流I和实际输出电压U可通过在断路器内安装电流传感器和电压传感器直接获取，损耗系数Z则是通过如下公式：
所述断路器的损耗系数Z的获取方式如下：
其中，权重系数的取值如下：，/>，/>，/>，/>，，/>，/>。
其中，触头系统对应的损耗系数计为：S1，灭弧系统对应的损耗系数计为：S2，操作机构对应的损耗系数计为：S3，脱扣器对应的损耗系数计为：S4，断路器的损耗系数，在上述步骤中也有提及，对于其他小微零部件的损耗系数则可忽略不计。
进一步的，在对断路器参数数据集进行预处理时的步骤为：
对数据进行清洗，至少包含：去除重复数据、填充缺失值以及处理异常值；
具体的，使用SELECT DISTINCT语句去除重复数据；利用pandas库中的fillna()方法或插值法来填充数据中的缺失值，比如使用中位数或均值对缺失值进行填充；
处理异常值时，可以使用可视化工具，如散点图或直方图，查看数据的分布情况，通过该可视化工具发现异常值，也可根据实际需要使用异常检测算法或改进的离群点检测算法，这些检测算法都可以通过对数据点进行聚类或建立异常检测模型来识别和处理异常值；
对数据进行标记分类，得到分类后的设备自身数据集、天气状况数据集以及连接损耗数据集，其中的设备自身数据集包含：断路器的实际输出电流I和实际输出电压U；连接损耗数据集包含断路器内置各个零部件的损耗系数。
进一步的，通过对同型号多功能断路器采用实验测试法，获取多功能断路器内部各个零部件的损耗系数；在断路器运行时，为获取断路器内的各个零部件的损耗系数，采用油中介阻击放电试验，通过累加各个零部件的损耗系数的方式，即可获取断路器的损耗系数Z。
进一步的，断路器内的各个零部件包含：触头系统、灭弧系统、操作机构以及脱扣器；其中，触头系统对应的损耗系数计为：S1，灭弧系统对应的损耗系数计为：S2，操作机构对应的损耗系数计为：S3，脱扣器对应的损耗系数计为：S4，断路器的损耗系数Z=S1+S2+S3+S4。
进一步的，获取平均气温C、平均风速V、平均湿度H、实际输出电流I、实际输出电压U以及损耗系数Z，进行无量纲处理后，关联形成断路器状态评估值Mcb；
断路器状态评估值Mcb的获取公式为：
其中，参数的意义及取值为：，/>，a＞b＞0，为权重，其具体值由用户调整设置，/>为常数修正系数。
进一步的，在等间隔的时间节点中得到断路器状态评估值Mcb的变化趋势时，相邻两个时间节点的间隔为7天。
进一步的，建立断路器数字孪生模型后，在获取预测断路器状态评估值Myc时采用与断路器状态评估值Mcb相同的方式，其中的平均气温C、平均风速V以及平均湿度H不变，将实际输出电流I、实际输出电压U以及损耗系数Z作为自变量，预测断路器状态评估值Myc为因变量；
具体的，在断路器数字孪生模型内得到的预测断路器状态评估值Myc由于与断路器状态评估值Mcb采用相同的方式，在预测时会产生实际上数值的偏差，通过对该偏差数值进行判断即可完成对断路器运行状态稳定程度的判断，其中若是偏差数值越小，则代表断路器运行状态越稳定。
进一步的，在建立趋势对比模型中得到断路器运行状态不稳定的结果后，触发判断模块，若断路器运行状态不稳定对应的相邻时间节点数量≥2，则判定为断路器故障，切换进入神经网络完成故障诊断；若断路器运行状态不稳定对应的相邻时间节点数量＜2，则通过记录模块记录对应的时间节点；上述判定为断路器故障，切换进入神经网络完成故障诊断的同时通过记录模块记录对应的时间节点，并作出标记，记录模块采用云存储的方式记录；
上述判断模块设计目的为：避免因偶然性的故障而影响对断路器运行状态的判断，只有当断路器运行状态不稳定对应的相邻时间节点数量≥2时，才能够保证其确实存在故障问题，对于断路器运行状态不稳定对应的相邻时间节点数量＜2，即功能断路器运行状态不稳定对应的相邻时间节点数量=1时，可判定其为上述说明的偶然性的故障，虽然其是偶然性的，但还是会进行记录，以供后续工作人员进行查验或监测。
（三）有益效果
本发明提供了一种光伏用多功能断路器的检测方法，具备以下有益效果：
1、建立趋势对比模型，将断路器状态评估值Mcb的变化趋势与预测断路器状态评估值Myc的变化趋势进行比对，通过判断相同时间节点下的差值来确定断路器的状态信息，避免直接进行故障诊断，可提前对断路器的运行状态做出判断，考虑到天气因素、设备自身因素以及损耗因素带来的影响，为后续故障诊断提供参考；
2、将对断路器的状态检测和故障诊断相结合，即可实现对断路器进行更加清晰准确的检测；同时，该检测方法还预测了故障发生的时间节点，以完成对设备故障的有效监控，也方便工作人员进行后续的查验。
附图说明
图1为本发明光伏用断路器的检测方法具体流程示意图。
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，都属于本发明保护的范围。
实施例：请参阅图1，本发明提供一种光伏用多功能断路器的检测方法，包括如下步骤：
步骤一、将断路器置于搭建的状态检测平台内，在状态检测平台中模拟实际运行环境，并采集运行状态下断路器的相关数据，建立断路器参数数据集的同时对断路器参数数据集进行预处理，分类为设备自身数据集、天气状况数据集以及连接损耗数据集；
状态检测平台具体为一种具有密封空腔的箱体结构，该空腔供待检测的断路器放入，通过在状态检测平台中安装常规的加热器、风扇组件以及加湿器即可实现对空腔内气温、风速以及湿度的调控处理，以达到模拟断路器实际运行环境的目的。
所述步骤一包括如下内容：
步骤101、在状态检测平台中模拟实际运行环境时，将断路器与光伏板连接后置于密闭环境，通过接收天气预报来获取每周的平均气温C、平均风速V以及平均湿度H，且平均气温C、平均风速V以及平均湿度H均归属于天气状况数据集；
步骤102、在对断路器参数数据集进行预处理时的步骤为：
对数据进行清洗，至少包含：去除重复数据、填充缺失值以及处理异常值；
其中，使用SELECT DISTINCT语句去除重复数据；利用pandas库中的fillna()方法或插值法来填充数据中的缺失值，比如使用中位数或均值对缺失值进行填充；
处理异常值时，可以使用可视化工具，如散点图或直方图，查看数据的分布情况，通过该可视化工具发现异常值，也可根据实际需要使用异常检测算法或改进的离群点检测算法，这些检测算法都可以通过对数据点进行聚类或建立异常检测模型来识别和处理异常值。
对数据进行标记分类，得到分类后的设备自身数据集、天气状况数据集以及连接损耗数据集，其中的设备自身数据集包含：断路器的实际输出电流I和实际输出电压U；连接损耗数据集包含断路器内置各个零部件的损耗系数；
步骤103、通过对同型号多功能断路器采用实验测试法，获取多功能断路器内部各个零部件的损耗系数；
在断路器运行时，为获取断路器内的各个零部件的损耗系数，采用油中介阻击放电试验，通过累加各个零部件的损耗系数的方式，即可获取断路器的损耗系数Z；具体的，断路器内的各个零部件包含：触头系统、灭弧系统、操作机构以及脱扣器；
上述平均气温C、平均风速V以及平均湿度H均可以通过天气预报进行直接获取，根据需要获取一周内的平均气温C，例如：计第一天平均温度为，第二天平均温度为/>直至得到第七天平均温度为/>，通过如下公式：
即可得到一周内的平均气温C；
针对上述的平均风速V和平均湿度H也采用相同的原理。
其中，实际输出电流I和实际输出电压U可通过在断路器内安装电流传感器和电压传感器直接获取，所述断路器的损耗系数Z的获取方式如下：
其中，权重系数的取值如下：，/>，/>，/>，，/> ，/>；
其中，触头系统对应的损耗系数计为：S1，灭弧系统对应的损耗系数计为：S2，操作机构对应的损耗系数计为：S3，脱扣器对应的损耗系数计为：S4，断路器的损耗系数，在上述步骤中也有提及，对于其他小微零部件的损耗系数则可忽略不计；使用时，结合步骤101至103中的内容：
在对断路器进行检测时考虑到了天气因素、设备自身因素以及损耗因素，其中的天气因素对应天气状况数据集中的平均气温C、平均风速V以及平均湿度H；
设备自身因素对应设备自身数据集中的断路器的实际输出电流I和实际输出电压U；
损耗因素对应连接损耗数据集中断路器内置各个零部件的损耗系数。
步骤二、在断路器处于持续工作状态下，获取预处理后形成的设备自身数据集、天气状况数据集以及连接损耗数据集，关联形成断路器状态评估值Mcb，在等间隔的时间节点中得到断路器状态评估值Mcb的变化趋势；
所述步骤二包括如下内容：
步骤201、获取平均气温C、平均风速V、平均湿度H、实际输出电流I、实际输出电压U以及损耗系数Z，进行无量纲处理后，关联形成断路器状态评估值Mcb；
断路器状态评估值Mcb的获取公式为：
其中，参数的意义及取值为：，/>，a＞b＞0，为权重，其具体值由用户调整设置，/>为常数修正系数。
步骤202、在等间隔的时间节点中得到断路器状态评估值Mcb的变化趋势时，相邻两个时间节点的间隔为7天；
需要说明的是，断路器状态评估值Mcb的变化趋势的获取方式为：
选取一段时间，以时间节点作为X轴，断路器状态评估值Mcb作为Y轴，试验计算得到每个时间节点下对应的断路器状态评估值Mcb，按照时间轴的顺序，依次连接各个断路器状态评估值Mcb，即可得到表示断路器状态评估值Mcb变化趋势的曲线图。
使用时，结合步骤201至202中的内容：
可获取得到断路器状态评估值Mcb的精确数据值，方便进行后续对断路器进行状态评估处理。
步骤三、使用机器学习技术对同类型多功能断路器的历史数据进行处理，在天气状况数据集不变时，建立多功能断路器数字孪生模型，经过测试和训练后，将多功能断路器数字孪生模型输出，以等间隔的时间节点，对多功能断路器状态评估值Myc的变化趋势进行预测，获取预测结果；
本申请中使用到的机器学习是一种人工智能的分支，它主要是利用算法和模型对数据进行分析和预测，具体可使用深度学习：深度学习是一种特殊的机器学习技术，主要是通过多层神经网络对数据进行特征抽取和表示学习；也可根据实际需求选择监督学习：监督学习通过给模型提供带有标注的数据，让模型学习从输入到输出的映射关系，进而对未知数据进行预测，常见的监督学习算法有决策树、支持向量机（SVM）、多层感知机（MLP）和神经网络；无监督学习：无监督学习是指对没有标注的数据进行学习，目标是发现数据的内在规律和结构，常见的无监督学习算法有聚类、异常检测和降维；半监督学习：半监督学习是介于监督学习和无监督学习之间的学习方式，通过同时使用带标注和无标注的数据进行学习。
所述步骤三包括如下内容：
在建立断路器数字孪生模型后，在获取预测断路器状态评估值Myc时采用与断路器状态评估值Mcb相同的方式，其中的平均气温C、平均风速V以及平均湿度H不变，将实际输出电流I、实际输出电压U以及损耗系数Z作为自变量，预测断路器状态评估值Myc为因变量；
使用时，在断路器数字孪生模型内得到的预测断路器状态评估值Myc由于与断路器状态评估值Mcb采用相同的方式，在预测时会产生实际上数值的偏差，通过对该偏差数值进行判断即可完成对断路器运行状态稳定程度的判断，其中，若是偏差数值越小，则代表断路器运行状态越稳定。
步骤四、建立趋势对比模型，将断路器状态评估值Mcb的变化趋势与预测断路器状态评估值Myc的变化趋势进行比对，在同一时间节点下，若是断路器状态评估值Mcb与预测断路器状态评估值Myc之间的差值大于等于报警阈值，则表示断路器运行状态不稳定，在触发判断模块的同时也触发了预警模块，完成对用户的预警；
具体可通过无线端连接手机APP进行实时预警，该处的报警阈值表示的为：断路器状态评估值Mcb与预测断路器状态评估值Myc之间在同一时间节点上所能够产生最大的差值；
若是断路器状态评估值Mcb与预测断路器状态评估值Myc之间的差值小于报警阈值，则表示断路器运行状态稳定。
所述步骤四包括如下内容：
步骤401、在建立趋势对比模型中得到断路器运行状态不稳定的结果后，触发判断模块，若断路器运行状态不稳定对应的相邻时间节点数量≥2，则判定为断路器故障，切换进入神经网络完成故障诊断；若断路器运行状态不稳定对应的相邻时间节点数量＜2，则通过记录模块记录对应的时间节点；
上述判断模块设计目的为：避免因偶然性的故障而影响对断路器运行状态的判断，只有当断路器运行状态不稳定对应的相邻时间节点数量≥2时，才能够保证其确实存在故障问题，对于断路器运行状态不稳定对应的相邻时间节点数量＜2，即功能断路器运行状态不稳定对应的相邻时间节点数量=1时，可判定其为上述说明的偶然性的故障，虽然其是偶然性的，但还是会进行记录，以供后续工作人员进行查验或监测。
步骤402、判定为断路器故障，切换进入神经网络完成故障诊断的同时通过记录模块记录对应的时间节点，并作出标记，记录模块采用云存储的方式记录。
使用时，结合步骤401至402中的内容：
建立趋势对比模型，将断路器状态评估值Mcb的变化趋势与预测断路器状态评估值Myc的变化趋势进行比对，通过判断相同时间节点下的差值来确定断路器的状态信息，避免直接进行故障诊断，可提前对断路器的运行状态做出判断，考虑到天气因素、设备自身因素以及损耗因素带来的影响，为后续故障诊断提供参考，将对断路器的状态检测和故障诊断相结合，即可实现对断路器进行更加清晰准确的检测；同时，该检测方法还预测了故障发生的时间节点，以完成对设备故障的有效监控，也方便工作人员进行后续的查验。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种光伏用多功能断路器的检测方法，其特征在于：包括如下步骤：
将断路器置于搭建的状态检测平台内，在状态检测平台中模拟实际运行环境，并采集运行状态下断路器的相关数据，建立断路器参数数据集的同时对断路器参数数据集进行预处理，分类为设备自身数据集、天气状况数据集以及连接损耗数据集；
在断路器处于持续工作状态下，获取预处理后形成的设备自身数据集、天气状况数据集以及连接损耗数据集，关联形成断路器状态评估值Mcb，在等间隔的时间节点中得到断路器状态评估值Mcb的变化趋势；
使用机器学习技术对同类型多功能断路器的历史数据进行处理，在天气状况数据集不变时，建立多功能断路器数字孪生模型，经过测试和训练后，将多功能断路器数字孪生模型输出，以等间隔的时间节点，对多功能断路器状态评估值Myc的变化趋势进行预测，获取预测结果；
建立趋势对比模型，将断路器状态评估值Mcb的变化趋势与预测断路器状态评估值Myc的变化趋势进行比对，在同一时间节点下，若是断路器状态评估值Mcb与预测断路器状态评估值Myc之间的差值大于等于报警阈值，则表示断路器运行状态不稳定；
若是断路器状态评估值Mcb与预测断路器状态评估值Myc之间的差值小于报警阈值，则表示断路器运行状态稳定。
2.根据权利要求1所述的一种光伏用多功能断路器的检测方法，其特征在于：在状态检测平台中模拟实际运行环境时，将断路器与光伏板连接后置于密闭环境，通过接收天气预报来获取每周的平均气温C、平均风速V以及平均湿度H，且平均气温C、平均风速V以及平均湿度H均归属于天气状况数据集。
3.根据权利要求2所述的一种光伏用多功能断路器的检测方法，其特征在于：在对断路器参数数据集进行预处理时的步骤为：
对数据进行清洗，至少包含：去除重复数据、填充缺失值以及处理异常值；
对数据进行标记分类，得到分类后的设备自身数据集、天气状况数据集以及连接损耗数据集，其中的设备自身数据集包含：断路器的实际输出电流I和实际输出电压U；连接损耗数据集包含断路器内置各个零部件的损耗系数。
4.根据权利要求3所述的一种光伏用多功能断路器的检测方法，其特征在于：通过对同型号多功能断路器采用实验测试法，获取多功能断路器内部各个零部件的损耗系数；
在断路器运行时，为获取断路器内的各个零部件的损耗系数，采用油中介阻击放电试验，通过累加各个零部件的损耗系数的方式，即可获取断路器的损耗系数Z。
5.根据权利要求4所述的一种光伏用多功能断路器的检测方法，其特征在于：断路器内的各个零部件包含：触头系统、灭弧系统、操作机构以及脱扣器；
其中，触头系统对应的损耗系数计为：S1，灭弧系统对应的损耗系数计为：S2，操作机构对应的损耗系数计为：S3，脱扣器对应的损耗系数计为：S4；所述断路器的损耗系数Z的获取方式如下：
其中，权重系数的取值如下：，/>，/>，/>，/>，，/>，/>。
6.根据权利要求4所述的一种光伏用多功能断路器的检测方法，其特征在于：获取平均气温C、平均风速V、平均湿度H、实际输出电流I、实际输出电压U以及损耗系数Z，进行无量纲处理后，关联形成断路器状态评估值Mcb；
断路器状态评估值Mcb的获取公式为：
其中，参数的意义及取值为：，/>，a＞b＞0，/>为权重，其具体值由用户调整设置，/>为常数修正系数。
7.根据权利要求1所述的一种光伏用多功能断路器的检测方法，其特征在于：在等间隔的时间节点中得到断路器状态评估值Mcb的变化趋势时，相邻两个时间节点的间隔为7天。
8.根据权利要求1所述的一种光伏用多功能断路器的检测方法，其特征在于：建立断路器数字孪生模型后，在获取预测断路器状态评估值Myc时采用与断路器状态评估值Mcb相同的方式，其中的平均气温C、平均风速V以及平均湿度H不变，将实际输出电流I、实际输出电压U以及损耗系数Z作为自变量，预测断路器状态评估值Myc为因变量。
9.根据权利要求1所述的一种光伏用多功能断路器的检测方法，其特征在于：在建立趋势对比模型中得到断路器运行状态不稳定的结果后，触发判断模块，若断路器运行状态不稳定对应的相邻时间节点数量≥2，则判定为断路器故障，切换进入神经网络完成故障诊断；若断路器运行状态不稳定对应的相邻时间节点数量＜2，则通过记录模块记录对应的时间节点。
10.根据权利要求9所述的一种光伏用多功能断路器的检测方法，其特征在于：判定为断路器故障，切换进入神经网络完成故障诊断的同时通过记录模块记录对应的时间节点，并作出标记，记录模块采用云存储的方式记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889926.XA CN116609651A (zh) | 2023-07-20 | 2023-07-20 | 一种光伏用多功能断路器的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889926.XA CN116609651A (zh) | 2023-07-20 | 2023-07-20 | 一种光伏用多功能断路器的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116609651A true CN116609651A (zh) | 2023-08-18 |
Family
ID=87682222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310889926.XA Pending CN116609651A (zh) | 2023-07-20 | 2023-07-20 | 一种光伏用多功能断路器的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609651A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116799965A (zh) * | 2023-08-24 | 2023-09-22 | 西安前进电器实业有限公司 | 一种真空断路器功耗智能控制方法及系统 |
| CN117648554A (zh) * | 2024-01-29 | 2024-03-05 | 山东德源电力科技股份有限公司 | 一种用于光伏多功能断路器的智能数据采集方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102721921A (zh) * | 2012-06-29 | 2012-10-10 | 沈阳工业大学 | 一种断路器剩余使用寿命预测装置及方法 |
| CN105334453A (zh) * | 2015-07-22 | 2016-02-17 | 深圳供电局有限公司 | 一种sf6高压断路器状态评估方法及装置 |
| CN106711961A (zh) * | 2017-01-05 | 2017-05-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 多维度评估交流滤波器小组断路器运行状态的方法 |
| CN106969894A (zh) * | 2017-02-09 | 2017-07-21 | 中广核核电运营有限公司 | 电动头接触器故障模拟检测系统 |
| CN107102259A (zh) * | 2017-04-25 | 2017-08-29 | 国电南瑞科技股份有限公司 | 一种多信息融合的断路器状态监测方法和系统 |
| CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
| CN107886171A (zh) * | 2017-09-28 | 2018-04-06 | 国网辽宁省电力有限公司 | 一种基于pmu数据的断路器状态在线诊断方法及系统 |
| CN111398823A (zh) * | 2020-05-14 | 2020-07-10 | 中国水利水电科学研究院 | 基于效率及损耗的水电机组发电机故障诊断方法 |
| CN111856379A (zh) * | 2020-06-24 | 2020-10-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 低温环境中电流互感器运行特性模拟试验平台及监控系统 |
| CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
| CN113702823A (zh) * | 2021-09-16 | 2021-11-26 | 安徽建筑大学 | 一种塑壳断路器自动化检测系统 |
| CN114297948A (zh) * | 2022-03-07 | 2022-04-08 | 广东电网有限责任公司佛山供电局 | 一种柱上断路器状态评价方法及系统 |
| CN216646755U (zh) * | 2021-12-21 | 2022-05-31 | 北元电器(株洲)有限公司 | 一种模拟户外环境的断路器综合试验台 |
| CN114733584A (zh) * | 2022-05-09 | 2022-07-12 | 西安交通大学 | 一种针对高压开关操动机构的极端气候模拟实验装置及方法 |
| CN115656681A (zh) * | 2022-11-03 | 2023-01-31 | 华能陇东能源有限责任公司正宁电厂 | 基于复杂环境的机电设备综合模拟试验装置及试验方法 |
-
2023
- 2023-07-20 CN CN202310889926.XA patent/CN116609651A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102721921A (zh) * | 2012-06-29 | 2012-10-10 | 沈阳工业大学 | 一种断路器剩余使用寿命预测装置及方法 |
| CN105334453A (zh) * | 2015-07-22 | 2016-02-17 | 深圳供电局有限公司 | 一种sf6高压断路器状态评估方法及装置 |
| CN106711961A (zh) * | 2017-01-05 | 2017-05-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 多维度评估交流滤波器小组断路器运行状态的方法 |
| CN106969894A (zh) * | 2017-02-09 | 2017-07-21 | 中广核核电运营有限公司 | 电动头接触器故障模拟检测系统 |
| CN107102259A (zh) * | 2017-04-25 | 2017-08-29 | 国电南瑞科技股份有限公司 | 一种多信息融合的断路器状态监测方法和系统 |
| CN107886171A (zh) * | 2017-09-28 | 2018-04-06 | 国网辽宁省电力有限公司 | 一种基于pmu数据的断路器状态在线诊断方法及系统 |
| CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
| CN111398823A (zh) * | 2020-05-14 | 2020-07-10 | 中国水利水电科学研究院 | 基于效率及损耗的水电机组发电机故障诊断方法 |
| CN111856379A (zh) * | 2020-06-24 | 2020-10-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 低温环境中电流互感器运行特性模拟试验平台及监控系统 |
| CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
| CN113702823A (zh) * | 2021-09-16 | 2021-11-26 | 安徽建筑大学 | 一种塑壳断路器自动化检测系统 |
| CN216646755U (zh) * | 2021-12-21 | 2022-05-31 | 北元电器(株洲)有限公司 | 一种模拟户外环境的断路器综合试验台 |
| CN114297948A (zh) * | 2022-03-07 | 2022-04-08 | 广东电网有限责任公司佛山供电局 | 一种柱上断路器状态评价方法及系统 |
| CN114733584A (zh) * | 2022-05-09 | 2022-07-12 | 西安交通大学 | 一种针对高压开关操动机构的极端气候模拟实验装置及方法 |
| CN115656681A (zh) * | 2022-11-03 | 2023-01-31 | 华能陇东能源有限责任公司正宁电厂 | 基于复杂环境的机电设备综合模拟试验装置及试验方法 |
Non-Patent Citations (2)
| Title |
|---|
| 关建平;: "真空断路器触头电磨损的在线监测算法", 内蒙古石油化工, no. 11 * |
| 韩富春;张海龙;: "高压断路器运行状态的多级模糊综合评估", 电力系统保护与控制, no. 17 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116799965A (zh) * | 2023-08-24 | 2023-09-22 | 西安前进电器实业有限公司 | 一种真空断路器功耗智能控制方法及系统 |
| CN116799965B (zh) * | 2023-08-24 | 2023-11-21 | 西安前进电器实业有限公司 | 一种真空断路器功耗智能控制方法及系统 |
| CN117648554A (zh) * | 2024-01-29 | 2024-03-05 | 山东德源电力科技股份有限公司 | 一种用于光伏多功能断路器的智能数据采集方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116609651A (zh) | 一种光伏用多功能断路器的检测方法 | |
| CN108518804A (zh) | 一种机房温湿度环境预测方法及系统 | |
| 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 | |
| CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
| CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
| KR20170078387A (ko) | 센서 관리 장치 및 방법 | |
| GB2476246A (en) | Diagnosing an operation mode of a machine | |
| CN115372816B (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
| CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| US20230118175A1 (en) | Event analysis in an electric power system | |
| CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN115979349A (zh) | 一种电力站空间环境监测方法及系统 | |
| Li et al. | Data-driven thermal anomaly detection for batteries using unsupervised shape clustering | |
| CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 | |
| CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
| CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| TWI780434B (zh) | 異常診斷裝置及方法 | |
| KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN106646106A (zh) | 基于变点探测技术的电网故障检测方法 | |
| CN114152290B (zh) | 换流站交流滤波器开关诊断方法 | |
| Benninger et al. | Anomaly detection by comparing photovoltaic systems with machine learning methods | |
| CN117350548B (zh) | 一种配电设备安全隐患排查方法 | |
| KR102388973B1 (ko) | 내진 시설을 구비한 주배선반 시스템 | |
| CN116681423A (zh) | 变电站变压器劣化趋势的预测装置 |
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 |