CN116864343A - 一种一体化下三工位开关及其智能化监测方法 - Google Patents
一种一体化下三工位开关及其智能化监测方法 Download PDFInfo
- Publication number
- CN116864343A CN116864343A CN202310914621.XA CN202310914621A CN116864343A CN 116864343 A CN116864343 A CN 116864343A CN 202310914621 A CN202310914621 A CN 202310914621A CN 116864343 A CN116864343 A CN 116864343A
- Authority
- CN
- China
- Prior art keywords
- switch
- extinguishing chamber
- main shaft
- station
- signal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000000712 assembly Effects 0.000 claims abstract description 10
- 238000000429 assembly Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract 2
- 230000007246 mechanism Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 27
- 238000012806 monitoring device Methods 0.000 claims description 25
- 238000013526 transfer learning Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004880 explosion Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000149 penetrating effect Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 229910052573 porcelain Inorganic materials 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H33/00—High-tension or heavy-current switches with arc-extinguishing or arc-preventing means
- H01H33/60—Switches wherein the means for extinguishing or preventing the arc do not include separate means for obtaining or increasing flow of arc-extinguishing fluid
- H01H33/66—Vacuum switches
- H01H33/666—Operating arrangements
- H01H33/6661—Combination with other type of switch, e.g. for load break switches
-
- 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
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H33/00—High-tension or heavy-current switches with arc-extinguishing or arc-preventing means
- H01H33/60—Switches wherein the means for extinguishing or preventing the arc do not include separate means for obtaining or increasing flow of arc-extinguishing fluid
- H01H33/66—Vacuum switches
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H33/00—High-tension or heavy-current switches with arc-extinguishing or arc-preventing means
- H01H33/60—Switches wherein the means for extinguishing or preventing the arc do not include separate means for obtaining or increasing flow of arc-extinguishing fluid
- H01H33/66—Vacuum switches
- H01H33/664—Contacts; Arc-extinguishing means, e.g. arcing rings
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H9/00—Details of switching devices, not covered by groups H01H1/00 - H01H7/00
- H01H9/16—Indicators for switching condition, e.g. "on" or "off"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Gas-Insulated Switchgears (AREA)
Abstract
本发明提供了一种一体化下三工位开关及其智能化监测方法,外框架包括连接板、绝缘夹板和下三工位开关,所述绝缘夹板之间对称设有灭弧室组件,所述灭弧室组件一端延伸出绝缘夹板外并与之固定连接;所述开关固定板上设有六角主轴,所述六角主轴上设有屏蔽罩组件,所述六角主轴一端固定在开关固定板上,另一端延伸至绝缘夹板之间,并与灭弧室组件转动连接;所述下三工位开关支架之间的内部还设有隔离开关主轴,所述隔离开关主轴的两端与下三工位开关支架相抵,通过设置一体化的下三工位开关,内部结构紧凑、一体化设计不仅降低了成本,缩小了操作机构的体积,更方便了在环网柜体中的安装使用,提高了高压配电系统运行的稳定性和安全性。
Description
技术领域
本发明涉及环网柜开关机构及智能化监测技术领域,尤其涉及一种一体化下三工位开关及其智能化监测方法。
背景技术
当前,在国内外电力系统使用的环网柜体中,对于高压主回路的切合隔离,一般单独使用上三工位隔离开关操作机构或下三工位隔离开关操作机构。但是,现有的下三工位开关操作机构结构复杂、传动不可靠,占地面积大,生成成本高,并且大大占用了环网柜体的内部空间,同时对配电系统的安全运行带来极大的威胁。
此外,下三工位开关在监测状态方面存在一定的困难。传统的监测方法可能存在误判或漏判的问题,无法准确地监测开关的状态。因此,需要解决下三工位开关监测方面的技术问题,提高监测的准确性和可靠性。
为此提供一种能够结构简单、操作可靠的又能够实现自检测的三工位操作机构,对于降低成本和操作空间以及实现配电系统的安全运行就显得尤为重要。
发明内容
为了克服现有技术的不足,本发明提供了一种一体化下三工位开关及其智能化监测方法。
本发明采用如下技术方案实现:
一种一体化下三工位开关,包括外框架,所述外框架包括下三工位开关支架,所述下三工位开关支架设有两个,并且两者左右相对设立;
连接板,所述连接板设有两个,所述连接板设置在所述下三工位开关支架的前后侧之间,所述连接板和下三工位开关支架卡合连接;
绝缘夹板,所述绝缘夹板设有两个,所述绝缘夹板设置在所述下三工位开关支架的上部的前后两面,所述绝缘夹板和下三工位开关支架通过螺栓固定连接;
开关固定板,所述开关固定板设置在绝缘夹板的左侧,所述开关固定板与绝缘夹板之间通过螺栓固定连接;
所述连接板、绝缘夹板和下三工位开关支架之间组合成外框架;
所述绝缘夹板之间对称设有灭弧室组件,所述灭弧室组件一端延伸出绝缘夹板外并与之固定连接;
所述开关固定板上设有六角主轴,所述六角主轴上设有屏蔽罩组件,所述六角主轴一端固定在开关固定板上,另一端延伸至绝缘夹板之间,并与灭弧室组件转动连接;
所述下三工位开关支架之间的内部还设有隔离开关主轴,所述隔离开关主轴的两端与下三工位开关支架相抵;
还包括在各个工位上安装的位置传感器,用于准确检测开关的位置,以及和位置传感器相连接的监测装置,监测装置根据信号处理后的结果进行智能化状态判定,从而实现断路器开关的状态,包括开、关或中间位置。
所述灭弧室组件设有三个,所述灭弧室组件沿轴向等距布置,所述屏蔽罩组件的数量与灭弧室组件一致;
所述灭弧室组件包括凸轮支架,所述凸轮支架穿设在六角主轴上,所述六角主轴可在凸轮支架上自由转动;
凸轮,所述凸轮设置在凸轮支架上,所述凸轮在可在凸轮支架上转动,所述凸轮上设有“L”字形的槽;
触头压簧,所述触头压簧的顶部设有滑块,所述滑块设置在凸轮的“L”字形槽上,所述触头压簧通过滑块与凸轮相连接;
软连接,所述软连接设置在触头压簧的底部,与触头压簧固定连接,所述软连接的底部设有连杆;
真空灭弧室,所述真空灭弧室设置在软连接的下端,所述真空灭弧室的顶部设有连杆,所述软连接底部的连杆与真空灭弧室顶部的连杆之间固定连接,所述真空灭弧室的外周壁上设有灭弧室支撑板;
所述真空灭弧室的底部设有灭弧室固定座,所述灭弧室固定座通过螺栓与真空灭弧室固定连接。
所述真空灭弧室包括外壳,所述外壳包括动盖板、静盖板和瓷壳,所述动盖板、静盖板和瓷壳之间依次固定连接组成外壳;
所述外壳顶部设有导向套,所述导向套嵌合在动盖板上端,所述导向套内穿设有动导电杆;
所述动导电杆的底部设有动触头,所述动导电杆的下端设有静导电杆,所述静导电杆的顶端设有静触头,所述动触头和静触头的外部套设有屏蔽筒;
所述动导电杆的上半部分的外周设有波纹管,所述波纹管套设在动导电杆上,所述波纹管的下端设有波纹管屏蔽罩。
所述隔离开关主轴与右侧下三工位开关支架连接的外壁上设有动密封。
所述绝缘夹板下端设有多组均压环组件,所述均压环组件固定在绝缘夹板上,所述均压环组件的数量与灭弧室组件的数量一致。
本发明的一种一体化下三工位开关的监测方法,包括以下步骤:
步骤1,在下三工位开关本体的各个工位上安装位置传感器,用于准确检测开关的位置,根据下三工位开关的设计,每个工位上安装一个传感器,以实时监测开关的位置;
步骤2,监测装置接收位置传感器输出的信号,并进行信号处理,信号处理包括滤波、放大、数字转换,以确保监测信号的稳定性和准确性;
步骤3,监测装置根据信号处理后的结果进行状态判定,通过设定迁移学习算法准确地确定真空灭弧室内的动触头与静触头接触或者分离,从而实现断路器开关的状态,包括开、关或中间位置;
收集数据,包括开关在不同位置下的传感器信号和相应的状态标签,对传感器信号进行预处理,归一化;将传感器信号序列作为输入序列,以时间步为单位组织数据;每个时间步的输入包括传感器信号的特征向量;将开关状态标签序列作为输出序列,以时间步为单位组织数据,每个时间步的输出是开关的状态标签:开、关或中间位置;
对传感器信号进行预处理和特征提取输入到迁移学习网络模型中,使用卷积神经网络来提取传感器信号:
输入层:将预处理后的传感器信号作为输入,可以通过设置时间步长T和传感器信号的通道数C来定义输入张量的形状;
卷积层:用卷积核对输入信号进行卷积,提取不同尺度的特征,使用大小为6的卷积核,输出通道数为M,填充为1,步长为1,可以捕捉局部的时序模式;
池化层:对卷积后的特征进行池化操作;池化窗口大小为3,步长为3;
激活函数:在卷积层后应用ReLU激活函数;
扁平化:将池化层输出的特征图展平为一维向量,以便传递给后续的全连接层。
输出特征:最终得到的输出特征是经过卷积和池化操作后的高维向量,表示传感器信号的抽象特征;
构建迁移学习模型:
自注意力机制:自注意力机制通过计算注意力权重来对输入序列的不同位置进行交互,推导自注意力机制的公式如下:
输入特征表示:假设输入序列为X=[x1, x2, ..., xn],其中xi是输入序列的第i个特征向量;查询Q、键K和值V的线性变换:通过线性变换将输入序列映射到查询Q、键K和值V向量空间,得到Q=[q1, q2, ..., qn]、K=[k1, k2, ..., kn]和V=[v1, v2, ..., vn];
注意力权重计算:计算注意力权重矩阵A,其中每个元素aij表示第i个位置对第j个位置的注意力权重,注意力权重计算公式如下:
aij = softmax(Qi * Kj^T / sqrt(d_k))
上下文向量计算:将注意力权重矩阵A与值向量V相乘,得到上下文向量C=[c1,c2, ..., cn],其中ci是第i个位置的上下文向量;
本发明的迁移学习网络层数:L层,多头注意力机制中的头数:H个,注意力机制中的隐藏单元数:d_model / H,其中d_model是输入特征的维度;前馈神经网络中的隐藏单元数:d_ff;注意力机制中的dropout率:dropout_rate;
解码器的每个位置通过注意力机制对编码器的输出进行交互,以获取全局信息,最后一个解码器层的输出经过线性变换和Softmax函数,映射为开关状态的概率分布,使用适当的损失函数来衡量模型预测结果与实际标签之间的差异,使用标注数据对迁移学习模型进行训练。将训练好的迁移学习模型应用于实际的监测装置中,将输入序列传入模型,获取预测的开关状态;
步骤4,监测装置将开关的状态信息输出为监测信号,监测信号可以是数字信号、模拟信号或其他形式的信号,以满足需求。
本发明相对于现有技术通过设置一体化的下三工位开关,内部结构紧凑、一体化设计不仅降低了成本,缩小了操作机构的体积,更方便了在环网柜体中的安装使用,提高了高压配电系统运行的稳定性和安全性;
通过迁移学习网络的智能监测方法,设计改进的Transformer模型,增加或调整层的数量、调整注意力机制或引入新的组件,能够准确监测开关的状态,避免了开关监测中的误判或漏判问题,采用位置传感器和信号处理技术,确保监测信号的稳定性和准确性,提高了开关的稳定性和可靠性,监测信号的输出形式可以根据实际需求进行定制,适用于不同类型的应用场景;
通过准确监测开关的状态,有助于避免因开关状态错误引发的故障或意外情况,提高设备或系统的稳定性和安全性。
附图说明
图1是本发明整体三维结构示意图;
图2是本发明左侧面结构示意图;
图3是本发明灭弧室组件结构示意图;
图4是本发明正面结构示意图;
图5是本发明真空灭弧室内部结构示意图;
图中:1、屏蔽罩组件;2、六角主轴;3、开关固定板;4、灭弧室组件;41、凸轮支架;42、触头压簧;43、灭弧室固定座;44、真空灭弧室;441、动导电杆;4411、动触头;4412、连杆;442、导向套;443、动盖板;444、波纹管屏蔽罩;445、屏蔽筒;446、静导电杆;4461、静触头;447、静盖板;448、瓷壳;449、波纹管;45、灭弧室支撑板;46、软连接;47、凸轮;5、隔离开关主轴;6、绝缘夹板;7、下三工位开关支架;71、动密封;8、均压环组件;9、连接板。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
以下结合附图对本发明作进一步说明,
如图1-5所示,一种一体化下三工位开关,包括外框架,所述外框架包括下三工位开关支架7,所述下三工位开关支架7设有两个,并且两者左右相对设立;
连接板9,所述连接板9设有两个,所述连接板9设置在所述下三工位开关支架7的前后侧之间,所述连接板9和下三工位开关支架7卡合连接;
绝缘夹板6,所述绝缘夹板6设有两个,所述绝缘夹板6设置在所述下三工位开关支架7的上部的前后两面,所述绝缘夹板6和下三工位开关支架7通过螺栓固定连接;
开关固定板3,所述开关固定板3设置在绝缘夹板6的左侧,所述开关固定板3与绝缘夹板6之间通过螺栓固定连接;
所述连接板9、绝缘夹板6和下三工位开关之间组合成外框架;
所述绝缘夹板6之间对称设有灭弧室组件4,所述灭弧室组件4一端延伸出绝缘夹板6外并与之固定连接;
所述开关固定板3上设有六角主轴2,所述六角主轴2上设有屏蔽罩组件1,屏蔽罩采用铝合金,屏蔽效果好,散热功能强,所述六角主轴2一端固定在开关固定板3上,另一端延伸至绝缘夹板6之间,并与灭弧室组件4转动连接;
所述下三工位开关支架7之间的内部还设有隔离开关主轴5,所述隔离开关主轴5的两端与下三工位开关支架7相抵,开关采用全金属屏蔽原理来达到绝缘效果,且隔离开关主轴5是一体化设计,直接驱动刀片做分合运动,刚性好,驱动动能传递效率高,可靠性更高。
还包括在各个工位上安装的位置传感器,用于准确检测开关的位置,以及和位置传感器相连接的监测装置,监测装置根据信号处理后的结果进行智能化状态判定,从而实现断路器开关的状态,包括开、关或中间位置。
所述灭弧室组件4设有三个,所述灭弧室组件4沿轴向等距布置,所述屏蔽罩组件1的数量与灭弧室组件4一致;
所述灭弧室组件4包括凸轮支架41,所述凸轮支架41穿设在六角主轴2上,所述六角主轴2可在凸轮支架41上自由转动;
凸轮47,所述凸轮47设置在凸轮支架41上,所述凸轮47在可在凸轮支架41上转动,所述凸轮47上设有“L”字形的槽;
触头压簧42,所述触头压簧42的顶部设有滑块,所述滑块设置在凸轮47的“L”字形槽上,所述触头压簧42通过滑块与凸轮47相连接;
软连接46,所述软连接46设置在触头压簧42的底部,与触头压簧42固定连接,所述软连接46的底部设有连杆4412;
真空灭弧室44,所述真空灭弧室44设置在软连接46的下端,所述真空灭弧室44的顶部设有连杆4412,所述软连接46底部的连杆4412与真空灭弧室44顶部的连杆4412之间固定连接,所述真空灭弧室44的外周壁上设有灭弧室支撑板45;
所述真空灭弧室44的底部设有灭弧室固定座43,所述灭弧室固定座43通过螺栓与真空灭弧室44固定连接。
所述真空灭弧室44包括外壳,所述外壳包括动盖板443、静盖板447和瓷壳448,所述动盖板443、静盖板447和瓷壳448之间依次固定连接组成外壳;
所述外壳顶部设有导向套442,所述导向套442嵌合在动盖板443上端,所述导向套442内穿设有动导电杆441;
所述动导电杆441的底部设有动触头4411,所述动导电杆441的下端设有静导电杆446,所述静导电杆446的顶端设有静触头4461,所述动触头4411和静触头4461的外部套设有屏蔽筒445;
所述动导电杆441的上半部分的外周设有波纹管449,所述波纹管449套设在动导电杆441上,所述波纹管449的下端设有波纹管屏蔽罩444。
所述隔离开关主轴5与右侧下三工位开关支架7连接的外壁上设有动密封71,动密封71的设置可有效改善和降低了六角主轴2在运动过程中漏气的问题,保证隔离开关内部的密封,进而保证内部的绝缘性能,保证装置的稳定运行。
所述绝缘夹板6下端设有多组均压环组件8,所述均压环组件8固定在绝缘夹板6上,所述均压环组件8的数量与灭弧室组件4的数量一致,多组均压环组件8是为了电场均衡,用于屏蔽一些高能电场,保证装置的稳定运行。
本发明的使用原理是:使用时,分合闸通过六角主轴2转动,六角主轴2转动带动三相灭弧室组件4上的凸轮47转动,凸轮47转动带动触头4411压簧做上下运动,由于触头弹簧下端的软连接46是弹性的,可上下运动,因而带动真空灭弧室44动端做上下运动,真空灭弧室44内的动触头4411与静触头4461接触或者分离,从而实现断路器开关的分、合动作。
设置一体化的下三工位开关,内部结构紧凑、一体化设计不仅降低了成本,缩小了操作机构的体积,更方便了在环网柜体中的安装使用,提高了高压配电系统运行的稳定性和安全性;断路器开关中,开关固定板上设有六角主轴,所述六角主轴上设有屏蔽罩组件,所述六角主轴一端固定在开关固定板上,另一端延伸至绝缘夹板之间,并与灭弧室组件转动连接来达到绝缘效果,屏蔽件采用铝合金,屏蔽效果好,散热功能强;所述下三工位开关支架之间的内部还设有隔离开关主轴,所述隔离开关主轴的两端与下三工位开关支架相抵,所述隔离开关主轴与右侧下三工位开关支架连接的外壁上设有动密封,上述结构特征中,隔离开关主轴是一体化设计,直接驱动刀片做分合运动,刚性好,驱动动能传递效率高,可靠性更高。
本发明的监测方法包括以下步骤:
步骤1,在开关本体的各个工位上安装位置传感器,用于准确检测开关的位置,位置传感器采用光电传感器,根据下三工位开关的设计,每个工位上安装一个传感器,以实时监测开关的位置;
具体过程为:将每个传感器与监测装置相连,通过电缆、导线或无线通信等方式实现,确保连接可靠,并进行必要的电气连接或编程设置,监测装置接收传感器输出的信号并进行信号处理和状态判定。状态判定通过设定适当的判定条件和算法来确定开关的位置状态。监测装置将开关的位置状态信息输出为监测信号。可以根据具体应用需求选择数字信号、模拟信号或其他形式的信号输出。完成安装和连接后,进行测试和调试,以确保位置传感器能够准确检测开关的位置,并且监测装置能够正确输出相应的监测信号。
步骤2,监测装置接收位置传感器输出的信号,并进行信号处理,信号处理包括滤波、放大、数字转换等步骤,以确保监测信号的稳定性和准确性;
监测装置接收来自位置传感器的信号。通过电缆、导线或无线通信等方式实现。确保传感器信号能够准确地传递给监测装置。应用滤波技术对接收到的信号进行滤波处理。滤波的目的是去除噪声、干扰或不必要的频率成分,以提高信号的质量和稳定性。常用的滤波方法包括低通滤波、高通滤波、带通滤波,为了增强传感器信号的幅度和稳定性,使用信号放大器对信号进行放大处理。放大器通过增加信号的幅度,使其更易于处理和判定。放大器的增益和参数设置应根据传感器信号的幅度范围和应用需求来确定。如果需要将信号从模拟形式转换为数字形式进行处理或存储,通过模数转换器ADC来实现,将连续的模拟信号转换为相应的数字形式。数字转换的精度和采样率应根据具体应用需求来确定。在进行信号处理之前,需要进行信号校准以确保信号的准确性和一致性。校准过程涉及校准标准和方法的设定,以及与已知参考值进行比较和调整,以消除任何偏差或误差。经过信号处理后,监测装置能够获得稳定且准确的监测信号。这些信号可以实时监测开关的位置状态,并进行相应的判定和控制。
步骤3,监测装置根据信号处理后的结果进行状态判定,通过设定迁移学习算法准确地确定真空灭弧室44内的动触头4411与静触头4461接触或者分离,从而实现断路器开关的状态,包括开、关或中间位置;
收集数据,包括开关在不同位置下的传感器信号和相应的状态标签。对传感器信号进行预处理,归一化。将传感器信号序列作为输入序列,以时间步为单位组织数据。每个时间步的输入包括传感器信号的特征向量。将开关状态标签序列作为输出序列,以时间步为单位组织数据。每个时间步的输出是开关的状态标签:如开、关或中间位置。
对传感器信号进行预处理和特征提取输入到迁移学习网络模型中。可以使用卷积神经网络来提取传感器信号:
输入层:将预处理后的传感器信号作为输入。可以通过设置时间步长(time step)和传感器信号的通道数来定义输入张量的形状。
卷积层:用卷积核对输入信号进行卷积,提取不同尺度的特征。可以设置多个卷积核来捕捉不同的特征模式。例如,使用大小为6的卷积核可以捕捉局部的时序模式。
池化层:对卷积后的特征进行池化操作,减少特征的维度。常用的池化操作包括最大池化或平均池化。池化操作可以提取更高层次的抽象特征。
激活函数:在卷积层后应用激活函数,增加非线性能力。常用的激活函数包括ReLU、sigmoid和tanh等。
扁平化:将池化层输出的特征图展平为一维向量,以便传递给后续的全连接层。
参数实施例:以下是一个具体的参数实施例,仅供参考。实际参数设置可能需要根据具体问题和数据特征进行调整。
输入形状:时间步长为T,传感器信号的通道数为C。
卷积层:使用大小为6的卷积核,输出通道数为M,填充为1,步长为1。
池化层:池化窗口大小:3,步长:3。
激活函数:ReLU激活函数。
输出特征:最终得到的输出特征是经过卷积和池化操作后的高维向量,表示传感器信号的抽象特征。
构建迁移学习模型:
自注意力机制:自注意力机制通过计算注意力权重来对输入序列的不同位置进行交互,推导自注意力机制的公式如下:
输入特征表示:假设输入序列为X=[x1, x2, ..., xn],其中xi是输入序列的第i个特征向量。
查询Q、键K和值V的线性变换:通过线性变换将输入序列映射到查询Q、键K和值V向量空间,得到Q=[q1, q2, ..., qn]、K=[k1, k2, ..., kn]和V=[v1, v2, ..., vn]。
注意力权重计算:计算注意力权重矩阵A,其中每个元素aij表示第i个位置对第j个位置的注意力权重。注意力权重计算公式如下:
aij = softmax(Qi * Kj^T / sqrt(d_k))
上下文向量计算:将注意力权重矩阵A与值向量V相乘,得到上下文向量C=[c1,c2, ..., cn],其中ci是第i个位置的上下文向量。
通过多个注意力头,分别计算多个上下文向量,并将它们连接起来得到最终的编码器输出。每个编码器层还包括一个前馈神经网络,用于对上下文向量进行非线性变换和特征提取。解码器也由多个相同的层堆叠而成。每个层包括三个子层:1)多头自注意力机制;2)编码器-解码器注意力机制;3)前馈神经网络。
作为本发明的实施例,迁移学习网络层数:L层。
多头注意力机制中的头数:H个。
注意力机制中的隐藏单元数:d_model / H,其中d_model是输入特征的维度,实施例为8个。
前馈神经网络中的隐藏单元数:d_ff,实施例为10个。
注意力机制中的dropout率:dropout_rate。
具体实施过程:
输入编码:对传感器信号进行编码,将其转换为初始特征表示。可以使用嵌入层或全连接层来将传感器信号映射为初始特征向量。
堆叠的迁移学习网络层:根据所选择的层数L(为12层),堆叠多个迁移学习网络层。每个迁移学习网络层由多头注意力机制和前馈神经网络组成。
注意力机制:设置注意力头数H(30个)和隐藏单元数(注意力头的维度)。通过将多个注意力头的输出连接在一起,形成最终的注意力表示。
前馈神经网络:在每个迁移学习网络层中,通过前馈神经网络对注意力表示进行非线性变换和建模。前馈神经网络通常由两个全连接层组成,之间经过激活函数。
层归一化:在每个迁移学习网络层内,进行层归一化操作。
残差连接:在每个迁移学习网络层内,添加残差连接,将输入特征与经过注意力和前馈神经网络处理后的特征相加。这有助于保留原始特征的信息。
最终输出:最后一个迁移学习网络层的输出经过池化或全局平均池化,得到整体特征表示。可以通过全连接层或其他分类器层进行最终的状态判定。
解码器的每个位置通过注意力机制对编码器的输出进行交互,以获取全局信息。最后一个解码器层的输出经过线性变换和Softmax函数,映射为开关状态的概率分布。使用适当的损失函数(如交叉熵损失)来衡量模型预测结果与实际标签之间的差异。使用标注数据对迁移学习模型进行训练。将训练好的迁移学习模型应用于实际的监测装置中。将输入序列传入模型,获取预测的开关状态。
步骤4,监测装置将开关的状态信息输出为监测信号,监测信号可以是数字信号、模拟信号或其他形式的信号,以满足具体应用的需求。
根据具体应用的需求和系统要求,确定监测信号的类型,可以是数字信号、模拟信号或其他形式的信号。考虑到传输距离、抗干扰能力和接收设备的兼容性等因素,选择最适合的信号类型。根据确定的监测信号类型,进行信号转换和处理。如果需要输出数字信号,使用数字信号处理器(DSP)或微控制器进行信号转换和编码。根据实际需求,对输出信号进行调整和放大。这可以通过电路设计和放大器电路实现。调整和放大信号的目的是确保输出信号的幅度和范围符合接收设备的要求,并提供足够的信号强度。根据系统的连接需求和接口标准,设计适当的输出接口。这可能包括电缆连接、插头插座、无线通信等方式。确保输出接口与接收设备兼容,并提供稳定可靠的连接。考虑到系统的稳定性和安全性,可以添加信号保护和隔离电路,以防止信号干扰或传输中的干扰。这可以包括滤波器、隔离器、电流限制器等。在完成输出信号的设计和调整后,进行测试和验证。验证输出信号的准确性、稳定性和符合性,确保输出信号能够准确地传输和反映开关的状态。将输出信号传输到接收设备或系统中,并进行相应的应用。接收设备可以是显示器、数据记录器、控制器等。根据具体应用需求,进行接收信号的解码、处理和应用。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (6)
1.一种一体化下三工位开关,包括外框架,其特征在于:所述外框架包括下三工位开关支架(7),所述下三工位开关支架(7)设有两个,并且两者左右相对设立;
连接板(9),所述连接板(9)设有两个,所述连接板(9)设置在所述下三工位开关支架(7)的前后侧之间,所述连接板(9)和下三工位开关支架(7)卡合连接;
绝缘夹板(6),所述绝缘夹板(6)设有两个,所述绝缘夹板(6)设置在所述下三工位开关支架(7)的上部的前后两面,所述绝缘夹板(6)和下三工位开关支架(7)通过螺栓固定连接;
开关固定板(3),所述开关固定板(3)设置在绝缘夹板(6)的左侧,所述开关固定板(3)与绝缘夹板(6)之间通过螺栓固定连接;
所述连接板(9)、绝缘夹板(6)和下三工位开关支架(7)之间组合成外框架;
所述绝缘夹板(6)之间对称设有灭弧室组件(4),所述灭弧室组件(4)一端延伸出绝缘夹板(6)外并与之固定连接;
所述开关固定板(3)上设有六角主轴(2),所述六角主轴(2)上设有屏蔽罩组件(1),所述六角主轴(2)一端固定在开关固定板(3)上,另一端延伸至绝缘夹板(6)之间,并与灭弧室组件(4)转动连接;
所述下三工位开关支架(7)之间的内部还设有隔离开关主轴(5),所述隔离开关主轴(5)的两端与下三工位开关支架(7)相抵;
还包括在各个工位上安装的位置传感器,用于准确检测开关的位置,以及和位置传感器相连接的监测装置,监测装置根据信号处理后的结果进行智能化状态判定,从而实现断路器开关的状态,包括开、关或中间位置。
2.根据权利要求1所述的一种一体化下三工位开关,其特征在于:所述灭弧室组件(4)设有三个,所述灭弧室组件(4)沿轴向等距布置,所述屏蔽罩组件(1)的数量与灭弧室组件(4)一致;
所述灭弧室组件(4)包括凸轮支架(41),所述凸轮支架(41)穿设在六角主轴(2)上,所述六角主轴可在凸轮支架(41)上自由转动;
凸轮(47),所述凸轮(47)设置在凸轮支架(41)上,所述凸轮(47)在可在凸轮支架(41)上转动,所述凸轮(47)上设有“L”字形的槽;
触头压簧(42),所述触头压簧(42)的顶部设有滑块,所述滑块设置在凸轮(47)的“L”字形槽上,所述触头压簧(42)通过滑块与凸轮(47)相连接;
软连接(46),所述软连接(46)设置在触头压簧(42)的底部,与触头压簧(42)固定连接,所述软连接(46)的底部设有连杆(4412);
真空灭弧室(44),所述真空灭弧室(44)设置在软连接(46)的下端,所述真空灭弧室(44)的顶部设有连杆(4412),所述软连接(46)底部的连杆(4412)与真空灭弧室(44)顶部的连杆(4412)之间固定连接,所述真空灭弧室(44)的外周壁上设有灭弧室支撑板(45);
所述真空灭弧室(44)的底部设有灭弧室固定座(43),所述灭弧室固定座(43)通过螺栓与真空灭弧室(44)固定连接。
3.根据权利要求2所述的一种一体化下三工位开关,其特征在于:所述真空灭弧室(44)包括外壳,所述外壳包括动盖板(443)、静盖板(447)和瓷壳(448),所述动盖板(443)、静盖板(447)和瓷壳(448)之间依次固定连接组成外壳;
所述外壳顶部设有导向套(442),所述导向套(442)嵌合在动盖板(443)上端,所述导向套(442)内穿设有动导电杆(441);
所述动导电杆(441)的底部设有动触头(4411),所述动导电杆(441)的下端设有静导电杆(446),所述静导电杆(446)的顶端设有静触头(4461),所述动触头(4411)和静触头(4461)的外部套设有屏蔽筒(445);
所述动导电杆(441)的上半部分的外周设有波纹管(449),所述波纹管(449)套设在动导电杆(441)上,所述波纹管(449)的下端设有波纹管屏蔽罩(444)。
4.根据权利要求3所述的一种一体化下三工位开关,其特征在于:所述隔离开关主轴(5)与右侧下三工位开关支架(7)连接的外壁上设有动密封(71)。
5.根据权利要求4所述的一种一体化下三工位开关,其特征在于:所述绝缘夹板(6)下端设有多组均压环组件(8),所述均压环组件(8)固定在绝缘夹板(6)上,所述均压环组件(8)的数量与灭弧室组件(4)的数量一致。
6.根据权利要求5所述的一种一体化下三工位开关的监测方法,其特征在于,包括以下步骤:
步骤1,在下三工位开关本体的各个工位上安装位置传感器,用于准确检测开关的位置,根据下三工位开关的设计,每个工位上安装一个传感器,以实时监测开关的位置;
步骤2,监测装置接收位置传感器输出的信号,并进行信号处理,信号处理包括滤波、放大、数字转换,以确保监测信号的稳定性和准确性;
步骤3,监测装置根据信号处理后的结果进行状态判定,通过设定迁移学习算法准确地确定真空灭弧室(44)内的动触头(4411)与静触头(4461)接触或者分离,从而实现断路器开关的状态,包括开、关或中间位置;
收集数据,包括开关在不同位置下的传感器信号和相应的状态标签,对传感器信号进行预处理,归一化;将传感器信号序列作为输入序列,以时间步为单位组织数据;每个时间步的输入包括传感器信号的特征向量;将开关状态标签序列作为输出序列,以时间步为单位组织数据,每个时间步的输出是开关的状态标签:开、关或中间位置;
对传感器信号进行预处理和特征提取输入到迁移学习网络模型中,使用卷积神经网络来提取传感器信号:
输入层:将预处理后的传感器信号作为输入,可以通过设置时间步长T和传感器信号的通道数C来定义输入张量的形状;
卷积层:用卷积核对输入信号进行卷积,提取不同尺度的特征,使用大小为6的卷积核,输出通道数为M,填充为1,步长为1,可以捕捉局部的时序模式;
池化层:对卷积后的特征进行池化操作;池化窗口大小为3,步长为3;
激活函数:在卷积层后应用ReLU激活函数;
扁平化:将池化层输出的特征图展平为一维向量,以便传递给后续的全连接层;
输出特征:最终得到的输出特征是经过卷积和池化操作后的高维向量,表示传感器信号的抽象特征;
构建迁移学习模型:
自注意力机制:自注意力机制通过计算注意力权重来对输入序列的不同位置进行交互,推导自注意力机制的公式如下:
输入特征表示:假设输入序列为X=[x1, x2, ..., xn],其中xi是输入序列的第i个特征向量;查询Q、键K和值V的线性变换:通过线性变换将输入序列映射到查询Q、键K和值V向量空间,得到Q=[q1, q2, ..., qn]、K=[k1, k2, ..., kn]和V=[v1, v2, ..., vn];
注意力权重计算:计算注意力权重矩阵A,其中每个元素aij表示第i个位置对第j个位置的注意力权重,注意力权重计算公式如下:
aij = softmax(Qi * Kj^T / sqrt(d_k))
上下文向量计算:将注意力权重矩阵A与值向量V相乘,得到上下文向量C=[c1, c2,..., cn],其中ci是第i个位置的上下文向量;
本发明的迁移学习网络层数:L层,多头注意力机制中的头数:H个,注意力机制中的隐藏单元数:d_model / H,其中d_model是输入特征的维度;前馈神经网络中的隐藏单元数:d_ff;注意力机制中的dropout率:dropout_rate;
解码器的每个位置通过注意力机制对编码器的输出进行交互,以获取全局信息,最后一个解码器层的输出经过线性变换和Softmax函数,映射为开关状态的概率分布,使用适当的损失函数来衡量模型预测结果与实际标签之间的差异,使用标注数据对迁移学习模型进行训练;
将训练好的迁移学习模型应用于实际的监测装置中,将输入序列传入模型,获取预测的开关状态;
步骤4,监测装置将开关的状态信息输出为监测信号,监测信号可以是数字信号、模拟信号或其他形式的信号,以满足需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310914621.XA CN116864343A (zh) | 2023-07-25 | 2023-07-25 | 一种一体化下三工位开关及其智能化监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310914621.XA CN116864343A (zh) | 2023-07-25 | 2023-07-25 | 一种一体化下三工位开关及其智能化监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116864343A true CN116864343A (zh) | 2023-10-10 |
Family
ID=88221468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310914621.XA Pending CN116864343A (zh) | 2023-07-25 | 2023-07-25 | 一种一体化下三工位开关及其智能化监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116864343A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789328A (zh) * | 2010-03-25 | 2010-07-28 | 北京双杰电气股份有限公司 | 全固体开关柜专用三工位真空灭弧室 |
CN101819904A (zh) * | 2010-04-21 | 2010-09-01 | 山东晨鸿电气有限公司 | 隔离接地用三工位真空灭弧室 |
CN110444437A (zh) * | 2019-07-12 | 2019-11-12 | 大连理工大学 | 一种高电位驱动的高压真空断路器智能模块 |
CN110932159A (zh) * | 2019-12-05 | 2020-03-27 | 珠海康晋电气股份有限公司 | 气体绝缘开关柜 |
CN112964469A (zh) * | 2021-02-28 | 2021-06-15 | 哈尔滨理工大学 | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 |
CN115936058A (zh) * | 2022-12-09 | 2023-04-07 | 大连理工大学 | 一种基于图注意力网络的多智能体迁移强化学习方法 |
-
2023
- 2023-07-25 CN CN202310914621.XA patent/CN116864343A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789328A (zh) * | 2010-03-25 | 2010-07-28 | 北京双杰电气股份有限公司 | 全固体开关柜专用三工位真空灭弧室 |
CN101819904A (zh) * | 2010-04-21 | 2010-09-01 | 山东晨鸿电气有限公司 | 隔离接地用三工位真空灭弧室 |
CN110444437A (zh) * | 2019-07-12 | 2019-11-12 | 大连理工大学 | 一种高电位驱动的高压真空断路器智能模块 |
CN110932159A (zh) * | 2019-12-05 | 2020-03-27 | 珠海康晋电气股份有限公司 | 气体绝缘开关柜 |
CN112964469A (zh) * | 2021-02-28 | 2021-06-15 | 哈尔滨理工大学 | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 |
CN115936058A (zh) * | 2022-12-09 | 2023-04-07 | 大连理工大学 | 一种基于图注意力网络的多智能体迁移强化学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650451B (zh) | 一种换流变故障原因辨识方法及系统 | |
CN107831436B (zh) | 一种折臂式隔离开关分合闸到位监测装置和方法 | |
CN103744018A (zh) | 一种针对高压断路器的在线监测系统 | |
CN211927197U (zh) | 具有密封性能自检的气体密度继电器及气体密度监测装置 | |
EP2685575A2 (en) | Cubicle type gas insulated switchgear monitoring and diagnosis system | |
CN111443283A (zh) | 一种气体密度继电器在线校验装置及其在线校验方法 | |
CN110048336B (zh) | 一种全电机驱动的gis开关设备 | |
WO2024021375A1 (zh) | 一种开关柜老化在线监测方法及系统 | |
CN109120062B (zh) | 一种即插即用的采集单元、智能gis系统及传感器识别方法 | |
CN116244279A (zh) | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 | |
CN116864343A (zh) | 一种一体化下三工位开关及其智能化监测方法 | |
CN107085162A (zh) | 基于外设辅助触点的保护出口压板状态监测方法及系统 | |
CN111446112A (zh) | 一种具有在线自校验功能的气体密度继电器及其校验方法 | |
CN109886063B (zh) | 基于小波时频图处理的有载调压开关振动故障诊断方法 | |
CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
CN116298844B (zh) | 基于半动态布置的变电站高压断路器状态监测系统及方法 | |
CN113917294A (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN104819744A (zh) | 一种高压断路器在线监测方法 | |
CN204421964U (zh) | 基于声表面波的gis开关柜在线检测系统 | |
CN210323288U (zh) | 一种智能测力断路器使用绝缘拉杆 | |
CN112505539A (zh) | 基于非电量特征的有载分接油开关状态监测方法及系统 | |
CN211179416U (zh) | 一种具有在线自校验功能的气体密度继电器及监测装置 | |
CN110514996A (zh) | 一种气体密度继电器的改造方法 | |
CN110429005A (zh) | 一种在线监测气体微水含量的气体密度继电器及监测系统 | |
CN210572215U (zh) | 一种换流站六氟化硫气体密度在线监测管理系统 |
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 |