CN116879663B - 基于多参数监测的spd在线寿命预测系统与预测方法 - Google Patents
基于多参数监测的spd在线寿命预测系统与预测方法 Download PDFInfo
- Publication number
- CN116879663B CN116879663B CN202311141934.2A CN202311141934A CN116879663B CN 116879663 B CN116879663 B CN 116879663B CN 202311141934 A CN202311141934 A CN 202311141934A CN 116879663 B CN116879663 B CN 116879663B
- Authority
- CN
- China
- Prior art keywords
- spd
- data
- leakage current
- value
- life
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000015556 catabolic process Effects 0.000 claims abstract description 27
- 238000006731 degradation reaction Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 44
- 238000013145 classification model Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 208000025274 Lightning injury Diseases 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000009529 body temperature measurement Methods 0.000 claims description 12
- 238000011088 calibration curve Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 230000001012 protector Effects 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000012806 monitoring device Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/16—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements
- G01K7/22—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements the element being a non-linear resistance, e.g. thermistor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于多参数监测的SPD在线寿命预测系统与预测方法,属于电涌保护器技术领域,该预测系统包括微处理器单元、数据采集单元、无线通信单元、电源管理单元、状态指示单元和云平台。其中,数据采集单元用于实时检测浪涌电流、泄漏电流、温度以及脱扣状态等参数,无线通信单元用于实现监测装置与云平台的数据传输与指令交互,电源管理单元用于SPD内部各单元装置供电,状态指示单元指示SPD工作状态、SPD劣化程度以及剩余寿命值,云平台用于数据汇总、存储、分析和控制。本发明所提出的基于SVM和BO‑LSTM融合的SPD的寿命预测方法,实现了对不同类型SPD设备的剩余寿命值的精准预测。
Description
技术领域
本发明涉及低压电源系统的电涌保护器技术领域,具体为一种基于多参数监测的SPD在线寿命预测系统与预测方法。
背景技术
电涌保护器(SPD)作为建筑电力系统的防雷产品,对抑制线路上的雷电过电压、过电流有着非常重要的作用。然而,当遭受多次雷击或雷击过大,引发SPD失效的情况,无法起到应有的保护作用,尤其SPD失效后导致温度升高乃至引发火灾、爆炸等安全事故。
随着人力成本的增加和工业、民用电力系统的复杂化,人力定期维护监测施工效率低,不能准确判别SPD状态,无法避免火灾、触电等安全事故的发生。传统SPD虽实现电涌保护以及雷电防护,但一般通过将SPD设备取下,通过离线方式根据其漏电流变化预测SPD是否损坏,存在判断参数单一,施工效率低下的缺陷,难以满足当下雷电防护的需求。
此外,目前传统型电涌保护器从单个参数角度监测SPD的运行状态,无法准确有效分析预测SPD的劣化程度与剩余寿命值,无法准确提供警示报警。
发明内容
本发明所要解决的技术问题在于提供一种基于多参数监测的SPD在线寿命预测系统与预测方法,该方法根据在线监测参数实时预测SPD的剩余寿命,准确地反映SPD的实际工作状态,可方便快捷地对SPD进行运营维护
本发明是这样实现的,
一种基于多参数监测的SPD在线寿命预测系统,该预测系统包括:微处理器单元、数据采集单元、状态指示单元、电源管理单元、无线通信单元和云平台;其中,
所述数据采集单元,为分布SPD在内部的各参数实时监测单元,包括浪涌电流检测模块、泄漏电流检测模块、温度检测模块和脱扣检测模块;
所述浪涌电流检测模块,采用电流互感线圈,实时获取SPD的浪涌电流;
所述泄漏电流检测模块,在16V电压升压至400V的电压下分别测量四通路压敏电阻的泄漏电流,通过云平台控制各通路电磁继电器的工作状态,将各通路压敏电阻接入泄漏电流检测模块中测量各通路泄漏电流,并利用采样电阻两端的电压,根据调理电路将总泄漏电流转化为阻性电流,传输至微处理器单元;
所述温度检测模块,采用NTC热敏电阻,该NTC热敏电阻的触头以表面贴的方式,贴合SPD的压敏电阻,测量SPD各通路压敏电阻表面的温度,以及测量SPD设备所处环境温度;并通过微处理器单元计算被测压敏电阻表面的温度值T和温度变化率/>;
所述脱扣检测模块,通过火线端子和零线端子接入电力系统中,根据火线脱扣点和零线脱扣点检测各通路压敏电阻脱扣所产生的电压信号判断脱扣状态;脱扣检测模块的输出端则与微处理器单元相连接;
所述状态指示单元,利用LED灯和液晶屏实时显示SPD的工作状态和剩余寿命值;
所述电源管理单元,将220V电压转换为16V电压,并进一步转换为400V、5V和3.3V电压,对SPD内部各单元装置供电;
所述无线通信单元,将SPD所处位置及SPD的物理参数上传至云平台;
所述云平台,与微处理器单元进行指令交互,控制各电磁继电器工作状态,对各通路的泄漏电流进行监测,并基于SVM和BO-LSTM融合的SPD剩余寿命预测模型,预测SPD的剩余寿命值。
进一步地,所述云平台根据得到的各个参数,首先执行数据预处理,在下列情况下,寿命直接判定为0:
a)云平台实时获取SPD的各个参数信息,进行脱扣状态的判断,若SPD已发生脱扣,则直接判定SPD已经损坏;
b)进行漏电流测量时,云平台发送电磁继电器打开指令,将SPD接入泄漏电流检测模块,获取SPD的泄漏电流,将其与同等条件下上一次漏电流测量值/>作差值,得到漏电流变化率/>,即/>,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中/>为漏电流处于临界劣化的电流值,/>为漏电流变化率的最大值;
c)云平台实时获取SPD表面温度,环境温度/>,获取表面温度变化率/>,其中的计算为/>,其中/>为上一次SPD表面温度测量值,/>为上一次环境温度测量值,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中,/>为漏电流处于临界劣化的温度差值,/>为漏电流变化率的最大值,针对不同型号的SPD,/>与/>值根据同一类型SPD初始状态与劣化状态下的多次大量重复温度监测实验获得。
进一步地,所述SVM和BO-LSTM融合的SPD剩余寿命预测模型包括:SVM分类模型和BO-LSTM的时间序列剩余寿命预测模型,所述SVM分类模型用于将数据分为损坏的数据和未损坏的数据,根据预处理后的数据将损坏点出现之前采集的数据表明压敏电阻未损坏,其标签为“0”; 损坏点出现之后的数据,包括损坏点处采集的数据标签为“1”,将数据按比例分为训练集和测试集,并将训练集送入SVM分类模型中进行训练,通过训练后的SVM分类模型根据采集的数据判断SPD是否损坏;
所述BO-LSTM的时间序列剩余寿命预测模型,对SVM分类模型判断未损坏的SPD,同时未发生脱扣的SPD进行寿命值的预测。
进一步地,所述BO-LSTM的时间序列剩余寿命预测模型预测SPD寿命包括:
1)SPD寿命值标定,包括:
根据浪涌电流值判断SPD是否遭受雷击,当满足条件/>时,判定为一次有效雷击事件,其中/>为SPD遭受雷击时的临界值,实际可根据用电系统产生的最大浪涌电流来确定;
根据SPD的剩余寿命标定曲线:进行标定,其中k值为不同雷击次数下,综合了,,/>,/>四个参数的影响因数;
2)根据步骤1)得到的SPD寿命值标定的数据,将单列的剩余寿命标定值为输入变量,将前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量,最后一列作为目标输出,重新组合数据,将重新组合数据再次进行预测,直至迭代结束。
一种基于多参数监测的SPD在线寿命预测方法,该方法包括:采集SPD的浪涌电流、泄漏电流/>、泄漏电流变化率/>、环境温度/>、表面温度/>、表面温度变化率/>、脱扣状态/>和SPD所处的位置信息;
执行数据预处理,在下列情况下,寿命直接判定为0:
a)进行脱扣状态的判断,若SPD已发生脱扣,则直接判定SPD已经损坏;
b)进行漏电流测量时,获取SPD的泄漏电流,将其与同等条件下上一次漏电流测量值/>作差值,得到漏电流变化率/>,即/>,当满足条件/>或时,则直接判定SPD已经损坏,寿命为0,其中/>为漏电流处于临界劣化的电流值,/>为漏电流变化率的最大值;
c)获取SPD表面温度,环境温度/>,获取表面温度变化率/>,其中/>的计算为/>,其中/>为上一次SPD表面温度测量值,/>为上一次环境温度测量值,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中,/>为漏电流处于临界劣化的温度差值,/>为漏电流变化率的最大值,针对不同型号的SPD,/>与/>值根据同一类型SPD初始状态与劣化状态下的多次大量重复温度监测实验获得;
将数据分为损坏的数据和未损坏的数据,根据预处理后的数据将损坏点出现之前采集的数据表明压敏电阻未损坏,其标签为“0”; 损坏点出现之后的数据,包括损坏点处采集的数据标签为“1”,将数据按比例分为训练集和测试集,并将训练集送入SVM分类模型中进行训练,通过训练后的SVM分类模型根据采集的数据判断SPD是否损坏;
对SVM分类模型判断未损坏的SPD,同时未发生脱扣的SPD进行寿命值的预测。
进一步地,寿命值的预测包括:
1)SPD寿命值标定,包括:
根据浪涌电流值判断SPD是否遭受雷击,当满足条件/>时,判定为一次有效雷击事件,其中/>为SPD遭受雷击时的临界值,实际可根据用电系统产生的最大浪涌电流来确定;
根据SPD的剩余寿命标定曲线:进行标定,其中k值为不同雷击次数下,综合了/>,/>,/>,/>四个参数的影响因数;
2)根据步骤1)得到的SPD寿命值标定的数据,将单列的剩余寿命标定值为输入变量,将前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量,最后一列作为目标输出,重新组合数据,将重新组合数据再次进行预测,直至迭代结束。
进一步地,所述BO-LSTM的时间序列剩余寿命预测模型通过贝叶斯优化LSTM神经网络的隐藏层节点数、初始学习率以及正则化系数。
本发明与现有技术相比,有益效果在于:本发明可获得当前SPD寿命预测值,实现SPD的劣化程度的数值化表征,实时观测当前SPD的剩余寿命,方便施工人员及时对所处位置SPD进行更换。针对不同型号的SPD设备,只需根据该类型SPD的各个物理参数重新训练该模型,即可自适应预测不同类型SPD设备的剩余寿命值。
附图说明
图1:为本发明的在线实时检测SPD寿命系统的整体结构框图;
图2:为本发明的系统泄漏电流检测单元的工作原理示意图;
图3:为本发明的系统温度检测单元采样电路的结构示意图;
图4:为本发明的系统脱扣检测单元电路原理示意图;
图5:为本发明的BC20无线通信单元工作流程图;
图6:为本发明的基于BO-LSTM的时间序列预测模型构建流程图;
图7:为本发明的(a)SPD劣化趋势以及(b)剩余寿命值标定趋势图;
图8:为本发明的基于BO-LSTM的时间序列预测模型结构框图;
图9:为基于BO-LSTM的时间序列预测模型预测SPD剩余寿命的模型结果分析图(a)RMSE=0.0019392,(b)RMSE=0.0013403。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明针对传统的电涌保护器在线实时检测难度大和单个参数角度预测作用性差的问题,提出了一种基于多参数监测的SPD在线寿命预测系统与预测方法,解决了人力定期维护监测效率低、成本高、更换不及时导致的安全事故等问题。
结合图1,一种基于多参数监测的SPD在线寿命预测系统,包括:微处理器单元11、数据采集单元12,状态指示单元13,电源管理单元14,无线通信单元15和云平台2。微处理器单元11、数据采集单元12,状态指示单元13,电源管理单元14与无线通信单元15组成参数监测装置。
微处理器单元采用STM32, 实时采集浪涌电流、表面温度/>、表面温度变化率以及脱扣状态/>等参数。无线通信模块采用BC20无线通信模块,其带有GPS定位和远距离无线传输功能,将上述参数实时传输至云平台。
所述数据采集单元12为分布SPD内部的各参数实时监测单元,包括浪涌电流检测模块121、泄漏电流检测模块122、温度检测模块123和脱扣检测模块124。其中,
所述浪涌电流检测模块采用电流互感线圈,实时获取SPD的浪涌电流。
根据压敏电阻伏安特性原理,所述泄漏电流检测模块在16V电压升压至400V的电压下分别测量四通路压敏电阻的泄漏电流。通过云平台控制各通路电磁继电器的工作状态,将各通路压敏电阻接入泄漏电流检测模块中测量各通路泄漏电流。利用采样电阻两端的电压,进一步根据调理电路将总泄漏电流转化为阻性电流,传输至微处理器单元进行分析处理。
所述温度检测模块采用NTC热敏电阻,该热敏电阻触头以表面贴的方式,严密贴合SPD的压敏电阻,测量SPD各通路压敏电阻表面的温度。NTC传感器输出的为模拟信号,通过微处理器单元内部12位数模转换器(ADC)转换为数字信号,经实验,其分辨率可达到,传输至微处理器单元11进行分析,进一步计算被测压敏电阻表面的温度值T和温度变化率/>。此外,根据该温度检测模块测量SPD设备所处环境温度/>。
所述脱扣检测模块124通过火线端子和零线端子接入电力系统中,根据火线脱扣点和零线脱扣点检测各通路压敏电阻脱扣所产生的电压信号判断脱扣状态。脱扣检测模块的输出端则与微处理器单元相连接,当各通路压敏电阻的脱扣发生时,脱扣检测模块中的脱口采样电路无法通过阻容降压获取电源,光电耦合器无法得到信号输入,该模块输出端无法输出有效的高电平信号,从而监测SPD脱扣状态。
所述状态指示单元利用LED灯和液晶屏实时显示SPD的工作状态和剩余寿命值。
所述电源管理单元通过高性能AC-DC转换电路将220V电压转换为16V电压,进一步转换为400V、5V和3.3V电压,对SPD内部各单元装置供电。
所述无线通信单元采用BC20无线通信模块与云平台的OneNET服务器连接,BC2无线通信模块自带GNSS信息,因此可以将SPD所处位置及SPD的物理参数上传至云平台并存储在数据库22。
所述云平台与参数监测装置进行指令交互,控制参数监测装置的电磁继电器工作状态,对各通路的泄漏电流进行监测,进一步通过基于SVM和BO-LSTM融合的SPD剩余寿命预测模型21,预测SPD的剩余寿命值。
结合图2,所述泄漏电流检测模块122对SPD内部各通路压敏电阻的泄漏电流进行检测。一般正常情况下,压敏电阻接入电力系统中。当需要进行漏电流测量时,云平台下发指令控制MCU打开电磁继电器(1227、1229、12211、12213),将压敏电阻(1222、1228、12210、12212)与采样电阻(1223、1224、1225、1226)串联,并利用升压模块将16V电压升至400V,调理电路对采样电阻(1223、1224、1225、1226)的两端电压进行检测,从而推算出压敏电阻两端的泄漏电流,进一步获取泄漏电流变化率/>。优选地,采样电阻阻值设置为1kΩ,400V电压下,实际测试漏电流值约在几μA至几十μA, 因此,采样电压在mV级别,微处理器单元自带12位AD,参考电压设置为3.3V, 其最小电压分辨率为0.8mV, 满足测量需求。
将其与同等条件下上一次漏电流测量值作差值,得到漏电流变化率/>,即,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中/>为漏电流处于临界劣化的电流值,/>为漏电流变化率的最大值。针对不同型号的SPD,/>和/>可根据GB/T18802.11—2020标准《低压电源系统的电涌保护器性能要求和试验方法》中的SPD劣化实验获得。测量完毕后,控制器自动控制电磁继电器将压敏电阻接入电力系统中。
结合图3,所述的温度检测模块123对SPD内部各通路压敏电阻表面温度以及环境温度进行检测,优选地,温度检测模块采用响应时间快,灵敏度高的NTC热敏电阻,且传感器设计为表面贴封装,严密贴合在SPD表面,测量SPD的表面温度T。
NTC温度采样电路包括NTC热敏电阻RT1234、分压电阻RN1231、电阻R91232、电阻R101235以及运算放大器U1A1233,通过配置调理电路。 使得NTC的温度分辨率达到,另外设置一路NTC,用来测量环境温度/>,据此,可计算温度变化率/>,其中,,其中/>为上一次SPD表面温度测量值,/>为上一次环境温度测量值。当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中,/>为漏电流处于临界劣化的温度差值,/>为漏电流变化率的最大值,针对不同型号的SPD,/>与/>值可根据同一类型SPD初始状态与劣化状态下的多次大量重复温度监测实验获得。
结合图4,所述脱扣检测模块124通过火线端子1241、零线端子1242接入电力系统中,根据火线脱扣点1247和零线脱扣点1248检测各通路压敏电阻脱扣所产生的电压信号判断脱扣状态。脱扣检测模块124的输出端则与微处理器单元11相连接,当各通路压敏电阻的脱扣发生时,脱口采样电路无法通过阻容降压获取电源,光电耦合器(12414、12415)无法得到输入,那么该模块的输出端无法输出有效的高电平,从而表征SPD脱扣状态。
结合图5,所述无线通信单元15通过BC20无线通信单元实现数据的实时传输与设备的实时定位。其工作步骤为:
首先,配置BC20无线通信模块为NB-IoT网络的连接状态;BC20无线通信模块会尝试连接到可用的移动网络,例如2G、3G、4G或NB-IoT网络。它通过向网络提供商发送注册请求来获取一个有效的网络连接。
MQTT通讯协议初始化,当BC20无线通信模块成功注册到网络,即可进行数据传输。控制器将浪涌电流、泄漏电流/>、表面温度/>以及脱扣状态/>等数据发送给BC20无线通信模块,并通过网络发送给OneNET服务器或云平台。
结合图6,云平台首先根据上传的参数进行判断,针对同一类型的SPD,在SPD未发生脱扣且满足,/>时,构建寿命预测模型。
构建SVM分类模型用于判断SPD是否损坏的识别。通过上传的SPD的参数数据,作为划分SPD是否损坏的依据,损坏点出现之前采集的数据表明压敏电阻未损坏,其标签为“0”;损坏点出现之后的数据(包括损坏点处采集的数据) 标签为“1”。将数据按比例分为训练集和测试集,并将训练集送入SVM分类模型中进行训练,通过训练好的SVM分类模型对采集的SPD进行分类,划分SPD是否损坏。
对SVM分类模型判断未损坏的SPD,同时未发生脱扣的SPD进行寿命值的预测。
寿命值的预测包括:
1)SPD寿命值标定,包括:
根据浪涌电流值判断SPD是否遭受雷击,当满足条件/>时,判定为一次有效雷击事件;其中/>为SPD遭受雷击时的临界值,实际可根据用电系统产生的最大浪涌电流来确定。
根据SPD的剩余寿命标定曲线:进行标定,其中k值为不同雷击次数下,综合了/>,/>,/>,/>四个参数的影响因数;
SPD的剩余寿命标定曲线通过采集的数据拟合得到,具体包括:
采集的数据利用进行归一化处理,其中x为,利用归一化的数据对泄漏电流/>、泄漏电流变化率/>、SPD表面温度/>、表面温度变化率/>进行主成分分析来拟合压敏电阻劣化曲线。得到剩余寿命变化趋势,实现压敏电阻在经受不同冲击次数后的剩余寿命值的标定。本发明得到SPD的剩余寿命标定曲线为:/>,其中k值为不同雷击次数下,综合了,/>,/>,/>四个参数的影响因数。通过SPD的剩余寿命标定曲线对经受不同冲击次数后的剩余寿命值的标定。
其中,主成分分析方法是常用降维多元统计方法。通过构建原始变量的线性组合形成新变量,使新变量在相互不相关的前提下尽量反应原始变量信息。
本发明采用主成分分析方法对SPD各个参数进行降维,降低指标之间相关性,采用代表原始信息量最多的少数指标代替多个变量。
具体步骤如下:
(1)数据收集:首先,收集一系列与压敏电阻劣化相关的数据。这些数据可以包括时间t、雷击次数n、泄漏电流、泄漏电流变化率/>、SPD表面温度/>、表面温度变化率/>等信息。确保数据样本足够多,并覆盖不同的工作条件和时间跨度。
(2)中心标准化处理:首先,进行数据预处理,例如,去除异常值、填补缺失值、标准化等。这有助于消除数据中的噪声和非线性关系。由于各变量之间量纲不一致,直接计算会对结果产生影响。为消除量纲影响,进一步对原始变量进行中心标准化处理。
(3)PCA模型建立:
从预处理的数据中提取特征,建立相关系数矩阵,并求解其特征值和单位特征向量,使用提取的特征数据来建立PCA模型。PCA可以将原始数据降维到较低的维度空间,并保留数据的主要信息。通过计算协方差矩阵、特征向量和特征值,可以确定主成分的数量。
(4)模型训练和评估:将提取的特征数据输入PCA模型进行训练。使用训练好的模型对新的SPD的各个参数进行预测和评估,使用贡献度方差或均方误差等指标来评估模型的性能。
(5)曲线拟合和预测:根据PCA模型的结果,拟合压敏电阻的劣化曲线。根据新主成分的数量,预测未来的电阻变化趋势(参见图7)。
结合图8,构建BO-LSTM的时间序列剩余寿命预测模型,包括:
i. 数据集处理
搭建LSTM时间序列预测模型,通过压敏电阻所受冲击的各个参数或者其损耗程度来间接反映。输入变量为单列的剩余寿命标定值,将前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量(例如:当四个参数的影响因素达到变量1-5,或者4-9,任意取的5个连续值),最后一列作为目标输出,再将重新组合的数据集带入基于LSTM的预测模型进行寿命预测,实现利用历史数据信息来预测当前SPD寿命值。
ii. 贝叶斯优化
长短期记忆网络的隐藏层结点数、初始学习率是网络模型训练中的重要参数,影响网络的训练效果和收敛速度,选择合适的正则化系数可以使得模型有效避免过拟合现象,通过贝叶斯优化来确定LSTM网络中最佳的隐藏层节点数、初始学习率和正则化系数,参数空间如表1所示。
iii. BO-LSTM的时间序列剩余寿命预测模型
根据贝叶斯优化网络确定最佳超参数,在搭建网络模型的过程中,首先就要对模型的参数进行设置。例如:网络的隐藏层结点数、初始学习率和正则化系数等,参数的设置决定该模型最终的预测效果。因此需要不断调整网络参数来优化模型。人为地去寻找网络的最佳参数是一个难题,消耗大量精力也不一定能够达到我们的预期效果。本发明采用贝叶斯算法就可以结合模型寻找最优参数,通过先验知识来判断下一步如何调参,用于执行涉及计算密集型黑盒函数的优化,其算法公式为:
,其中f代表目标函数,表示已观察的集合,/>表示决策向量,表示观测值,/>表示观测误差; />给定代理模型,观测y的分布情况; />这个计算结果被称为“后验概率”,即给定观察数据之后对代理模型进行更新。贝叶斯的优化的流程为:
根据当前采样数据(SPD的当前各个参数值) 更新概率模型的均值和方差;
根据的均值和方差来计算采集函数;
通过是采集函数最大化得到下一个“潜力”评估点:;
评估目标函数值;
整合数据:,修正先验更新代理模型,得到更新的最佳超参数。
这里是通过上一步的贝叶斯网络优化的网络参数,代入LSTM中训练。
利用过去5个(建议该参数>3)寿命标定值来预测当前值,将序列的输入层的大小设置为5,LSTM层的隐藏的节点数、初始学习率和正则化系数采用贝叶斯网络计算出的最佳参数。在网络的参数设置中,使用RMSE作为损失函数并使用adam算法进行优化,设置最大训练回合数为300,将学习率策略设置为分段学习率,学习率下降因子设置为0.1,学习率下降周期为250。
通过压敏电阻所受冲击次数或者其损耗程度来间接反映。输入变量为单列的剩余寿命标定值,将前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量,最后一列作为目标输出,再将重新组合的数据集带入基于LSTM的时间序列剩余寿命预测模型进行寿命预测,实现利用历史数据信息来预测当前SPD寿命值。
BO-LSTM的时间序列剩余寿命预测模型嵌入到云平台,云平台实时采集各个参数,将采集到的参数值代入对应类型的SPD寿命预测模型,这里是由于当前市场上存在各种不同类型的SPD,其不同的SPD类型的电气参数不同,主要电气参数可以包括以下几项:
额定电压(Rated Voltage):SPD能够正常操作的最高电压值。
额定电流(Rated Current):SPD设计的最大额定电流,通常以安培(A)为单位。
最大电流容量(Maximum Current Capacity):SPD能够承受的最大电流值,超过该值可能导致SPD损坏。
额定放电电流(Rated Discharge Current):SPD能够安全处理的最大浪涌电流值。
阻抗(Impedance):SPD对不同频率电流的响应特性,通常以欧姆(Ω)为单位。
动作时间(Response Time):SPD从检测到电压过高开始响应的时间。
耐压(Withstand Voltage):SPD能够承受的最大工作电压,通常以伏特(V)为单位。
绝缘电阻(Insulation Resistance):SPD内部电路的绝缘性能。
耐雷电冲击能力(Lightning Impulse Current Withstand Capability):SPD能够安全承受的雷电冲击电流。
耗能能力(Energy Dissipation Capability):SPD对浪涌电流的耗能能力,通常以焦耳(J)为单位。
电压保护等级(Voltage Protection Level):SPD在工作时输出端的电压不会超过该值,用于描述其抑制过电压的能力。
由于上述参数的不同,利用本发明采集的泄漏电流、泄漏电流变化率/>、SPD表面温度/>、表面温度变化率/>等多个参数大小也不同,因此,针对不同类型的SPD,其寿命预测方法的步骤可以统一采用本发明,构建不同的寿命预测标定标准,利用对应的网络模型预测即可。
本发明实现SPD的劣化程度的数值化表征,进一步将该值下发至参数监测系统,使得参数监测系统和云平台都可实时观测当前SPD的剩余寿命。
结合图9,基于BO-LSTM的时间序列预测模型的预测值与真实标定值之间的均方根误差仅为0.0013,说明经过训练后的基于BO-LSTM的时间序列预测模型可以有效地预测SPD的剩余寿命。
SPD剩余寿命预测系统将上述预测模型嵌入到云平台,云平台实时采集各个参数,将采集到的参数值代入对应类型的SPD寿命预测模型,即可获得当前SPD寿命预测值,实现SPD的劣化程度的数值化表征,进一步将该值下发至监测系统,使得监测系统和云平台都可实时观测当前SPD的剩余寿命,方便施工人员及时对所处位置SPD进行更换。
针对不同型号的SPD设备,只需根据该类型SPD的各个物理参数重新训练该模型,即可自适应预测不同类型SPD设备的剩余寿命值。
本发明基于上述的预测系统,提供一种预测方法:
该方法包括:采集SPD的浪涌电流、泄漏电流/>、泄漏电流变化率/>、环境温度/>、表面温度/>、表面温度变化率/>、脱扣状态/>和SPD所处的位置信息;
执行数据预处理,在下列情况下,寿命直接判定为0:
a)进行脱扣状态的判断,若SPD已发生脱扣,则直接判定SPD已经损坏;/>
b)进行漏电流测量时,获取SPD的泄漏电流,将其与同等条件下上一次漏电流测量值/>作差值,得到漏电流变化率/>,即/>,当满足条件/>或时,则直接判定SPD已经损坏,寿命为0,其中/>为漏电流处于临界劣化的电流值,/>为漏电流变化率的最大值;
c)获取SPD表面温度,环境温度/>,获取表面温度变化率/>,其中/>的计算为/>,其中/>为上一次SPD表面温度测量值,/>为上一次环境温度测量值,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中,/>为漏电流处于临界劣化的温度差值,/>为漏电流变化率的最大值,针对不同型号的SPD,/>与/>值根据同一类型SPD初始状态与劣化状态下的多次大量重复温度监测实验获得;
将数据分为损坏的数据和未损坏的数据,根据预处理后的数据将损坏点出现之前采集的数据表明压敏电阻未损坏,其标签为“0”; 损坏点出现之后的数据,包括损坏点处采集的数据标签为“1”,将数据按比例分为训练集和测试集,并将训练集送入SVM分类模型中进行训练,通过训练后的SVM分类模型根据采集的数据判断SPD是否损坏;
对SVM分类模型判断未损坏的SPD,同时未发生脱扣的SPD进行寿命值的预测。
寿命值的预测包括:
1)SPD寿命值标定,包括:
根据浪涌电流值判断SPD是否遭受雷击,当满足条件/>时,判定为一次有效雷击事件;
根据SPD的剩余寿命标定曲线:进行标定,其中k值为不同雷击次数下,综合了/>,/>,/>,/>四个参数的影响因数;
2)根据步骤1)得到的SPD寿命值标定的数据,将单列的剩余寿命标定值为输入变量,将前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量,最后一列作为目标输出,再将重新组合的数据集带入BO-LSTM的时间序列剩余寿命预测模型进行寿命预测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多参数监测的SPD在线寿命预测系统,其特征在于,该预测系统包括:微处理器单元、数据采集单元、状态指示单元、电源管理单元、无线通信单元和云平台;其中,
所述数据采集单元,为分布SPD在内部的各参数实时监测单元,包括浪涌电流检测模块、泄漏电流检测模块、温度检测模块和脱扣检测模块;
所述浪涌电流检测模块,采用电流互感线圈,实时获取SPD的浪涌电流;
所述泄漏电流检测模块,在16V电压升压至400V的电压下分别测量四通路压敏电阻的泄漏电流,通过云平台控制各通路电磁继电器的工作状态,将各通路压敏电阻接入泄漏电流检测模块中测量各通路泄漏电流,并利用采样电阻两端的电压,根据调理电路将总泄漏电流转化为阻性电流,传输至微处理器单元;
所述温度检测模块,采用NTC热敏电阻,所述NTC热敏电阻的触头以表面贴的方式,贴合SPD的压敏电阻,测量SPD各通路压敏电阻表面的温度,以及测量SPD设备所处环境温度;并通过微处理器单元计算被测压敏电阻表面的温度/>和温度变化率/>;
所述脱扣检测模块,通过火线端子和零线端子接入电力系统中,根据火线脱扣点和零线脱扣点检测各通路压敏电阻脱扣所产生的电压信号判断脱扣状态;脱扣检测模块的输出端则与微处理器单元相连接;
所述状态指示单元,利用LED灯和液晶屏实时显示SPD的工作状态和剩余寿命值;
所述电源管理单元,将220V电压转换为16V电压,并进一步转换为400V、5V和3.3V电压,对SPD内部各单元供电;
所述无线通信单元,将SPD所处位置及SPD的各参数信息上传至云平台;
所述云平台,与微处理器单元进行指令交互,控制各电磁继电器工作状态,对各通路的泄漏电流进行监测,并基于SVM和BO-LSTM融合的SPD剩余寿命预测模型,预测SPD的剩余寿命值;
所述云平台将得到的各个参数信息进行数据预处理,并在下列情况下,寿命直接判定为0:
a)云平台实时获取SPD的各个参数信息后,进行脱扣状态的判断,若SPD已发生脱扣,则直接判定SPD已经损坏;
b)进行漏电流测量时,云平台发送电磁继电器打开指令,将SPD接入泄漏电流检测模块,获取SPD的泄漏电流,将其与同等条件下上一次漏电流测量值/>作差值,得到漏电流变化率/>,即/>,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中/>为漏电流处于临界劣化的电流值,/>为漏电流变化率的最大值;
c)云平台根据实时获取的SPD表面温度,环境温度/>,获取表面温度变化率/>,其中/>的计算为/>,其中/>为上一次SPD表面温度测量值,/>为上一次环境温度测量值,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中,/>为漏电流处于临界劣化的温度差值,/>为漏电流变化率的最大值,针对不同型号的SPD,/>与/>值根据同一类型SPD初始状态与劣化状态下的多次重复温度监测实验获得;
所述SVM和BO-LSTM融合的SPD剩余寿命预测模型包括:SVM分类模型和BO-LSTM的时间序列剩余寿命预测模型,所述SVM分类模型用于将数据分为损坏的数据和未损坏的数据,具体包括:根据预处理后的数据,将损坏点出现之前采集的数据表明压敏电阻未损坏,其标签记为“0”; 损坏点出现之后的数据,包括损坏点处采集的数据标签记为“1”,将数据按比例分为训练集和测试集,并将训练集送入SVM分类模型中进行训练,采集的数据通过训练后的SVM分类模型判断SPD是否损坏;
所述BO-LSTM的时间序列剩余寿命预测模型,对SVM分类模型判断未损坏的SPD,同时未发生脱扣的SPD进行寿命值的预测;
BO-LSTM的时间序列剩余寿命预测模型预测SPD寿命包括:
1)SPD寿命值标定:
根据浪涌电流值判断SPD是否遭受雷击,当满足条件/>时,判定为一次有效雷击事件,其中/>为SPD遭受雷击时的临界值,实际可根据用电系统产生的最大浪涌电流来确定;
根据SPD的剩余寿命标定曲线:进行标定,其中k值为不同雷击次数下,综合了/>,/>,/>,/>四个参数的影响因数;
2)根据步骤1)得到的SPD寿命值标定的数据,将单列的剩余寿命标定值为输入变量,用前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量,最后一列作为目标输出,重新组合数据,将重新组合数据再次进行预测,直至迭代结束。
2.根据权利要求1所述的一种基于多参数监测的SPD在线寿命预测系统,其特征在于,所述BO-LSTM的时间序列剩余寿命预测模型通过贝叶斯优化LSTM神经网络的隐藏层节点数、初始学习率以及正则化系数。
3.一种采用权利要求1所述的一种基于多参数监测的SPD在线寿命预测系统的一种基于多参数监测的SPD在线寿命预测方法,其特征在于,该方法包括:采集SPD的浪涌电流、泄漏电流/>、泄漏电流变化率/>、环境温度/>、表面温度/>、表面温度变化率/>、脱扣状态/>和SPD所处的位置信息;
执行数据预处理,在下列情况下,寿命直接判定为0:
a)进行脱扣状态的判断,若SPD已发生脱扣,则直接判定SPD已经损坏;
b)进行漏电流测量时,获取SPD的泄漏电流,将其与同等条件下上一次漏电流测量值作差值,得到漏电流变化率/>,即/>,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中/>为漏电流处于临界劣化的电流值,/>为漏电流变化率的最大值;
c)获取SPD表面温度,环境温度/>,获取表面温度变化率/>,其中/>的计算为,其中/>为上一次SPD表面温度测量值,/>为上一次环境温度测量值,当满足条件/>或/>时,则直接判定SPD已经损坏,寿命为0,其中,/>为漏电流处于临界劣化的温度差值,/>为漏电流变化率的最大值,针对不同型号的SPD,/>与/>值根据同一类型SPD初始状态与劣化状态下的多次大量重复温度监测实验获得;
将数据分为损坏的数据和未损坏的数据,根据预处理后的数据将损坏点出现之前采集的数据表明压敏电阻未损坏,其标签为“0”; 损坏点出现之后的数据,包括损坏点处采集的数据标签为“1”,将数据按比例分为训练集和测试集,并将训练集送入SVM分类模型中进行训练,通过训练后的SVM分类模型根据采集的数据判断SPD是否损坏;
对SVM分类模型判断未损坏的SPD,同时未发生脱扣的SPD进行寿命值的预测;
寿命值的预测包括:
1)SPD寿命值标定,包括:
根据浪涌电流值判断SPD是否遭受雷击,当满足条件/>时,判定为一次有效雷击事件,其中/>为SPD遭受雷击时的临界值,实际可根据用电系统产生的最大浪涌电流来确定;
根据SPD的剩余寿命标定曲线:进行标定,其中k值为不同雷击次数下,综合了/>,/>,/>,/>四个参数的影响因数;
2)根据步骤1)得到的SPD寿命值标定的数据,将单列的剩余寿命标定值为输入变量,将前五次的寿命标定值来预测后一次的剩余寿命值,依次类推,前五列作为输入变量,最后一列作为目标输出,重新组合数据,将重新组合数据再次进行预测,直至迭代结束。
4.根据权利要求3所述的一种基于多参数监测的SPD在线寿命预测方法,其特征在于,
所述BO-LSTM的时间序列剩余寿命预测模型通过贝叶斯优化LSTM神经网络的隐藏层节点数、初始学习率以及正则化系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141934.2A CN116879663B (zh) | 2023-09-06 | 2023-09-06 | 基于多参数监测的spd在线寿命预测系统与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141934.2A CN116879663B (zh) | 2023-09-06 | 2023-09-06 | 基于多参数监测的spd在线寿命预测系统与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116879663A CN116879663A (zh) | 2023-10-13 |
CN116879663B true CN116879663B (zh) | 2023-12-15 |
Family
ID=88263067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141934.2A Active CN116879663B (zh) | 2023-09-06 | 2023-09-06 | 基于多参数监测的spd在线寿命预测系统与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879663B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101002073B1 (ko) * | 2010-05-18 | 2010-12-17 | 여인식 | 서지 보호 장치 |
CN104808050A (zh) * | 2015-05-26 | 2015-07-29 | 南京信息工程大学 | 一种限压型电涌保护器阻性电流在线监测方法和装置 |
CN105785164A (zh) * | 2016-01-29 | 2016-07-20 | 上海雷迅防雷技术有限公司 | 电涌保护器预期寿命的判断方法及系统 |
CN107462789A (zh) * | 2017-07-17 | 2017-12-12 | 南京宁普防雷设备制造有限公司 | 一种在线分析电涌保护器寿命和失效的方法 |
CN108281948A (zh) * | 2017-12-28 | 2018-07-13 | 施耐德万高(天津)电气设备有限公司 | 一种浪涌保护器探测器及其控制方法 |
CN215986247U (zh) * | 2021-09-16 | 2022-03-08 | 南京中科睿通智能科技有限公司 | 铁路货运系统智慧化综合雷电防护在线监控系统平台 |
CN115494330A (zh) * | 2022-09-23 | 2022-12-20 | 北京Abb低压电器有限公司 | 用于在线预估电涌保护器的剩余寿命的方法、电涌保护器和电子设备 |
CN116184265A (zh) * | 2023-03-07 | 2023-05-30 | 国网山东省电力公司东营市垦利区供电公司 | 一种基于多分类svm的避雷器泄漏电流检测方法和系统 |
CN116611271A (zh) * | 2023-07-20 | 2023-08-18 | 中国汽车技术研究中心有限公司 | 一种汽车碰撞假人头部皮肤使用寿命的预测方法 |
-
2023
- 2023-09-06 CN CN202311141934.2A patent/CN116879663B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101002073B1 (ko) * | 2010-05-18 | 2010-12-17 | 여인식 | 서지 보호 장치 |
CN104808050A (zh) * | 2015-05-26 | 2015-07-29 | 南京信息工程大学 | 一种限压型电涌保护器阻性电流在线监测方法和装置 |
CN105785164A (zh) * | 2016-01-29 | 2016-07-20 | 上海雷迅防雷技术有限公司 | 电涌保护器预期寿命的判断方法及系统 |
CN107462789A (zh) * | 2017-07-17 | 2017-12-12 | 南京宁普防雷设备制造有限公司 | 一种在线分析电涌保护器寿命和失效的方法 |
CN108281948A (zh) * | 2017-12-28 | 2018-07-13 | 施耐德万高(天津)电气设备有限公司 | 一种浪涌保护器探测器及其控制方法 |
CN215986247U (zh) * | 2021-09-16 | 2022-03-08 | 南京中科睿通智能科技有限公司 | 铁路货运系统智慧化综合雷电防护在线监控系统平台 |
CN115494330A (zh) * | 2022-09-23 | 2022-12-20 | 北京Abb低压电器有限公司 | 用于在线预估电涌保护器的剩余寿命的方法、电涌保护器和电子设备 |
CN116184265A (zh) * | 2023-03-07 | 2023-05-30 | 国网山东省电力公司东营市垦利区供电公司 | 一种基于多分类svm的避雷器泄漏电流检测方法和系统 |
CN116611271A (zh) * | 2023-07-20 | 2023-08-18 | 中国汽车技术研究中心有限公司 | 一种汽车碰撞假人头部皮肤使用寿命的预测方法 |
Non-Patent Citations (2)
Title |
---|
基于物联网技术的SPD智能监管预警系统简析;易秀成;《建筑电气》;57-60 * |
防雷设施智能监测在云湛高速公路中的应用;车现法;陈波;王光博;饶辉新;;广东公路交通(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116879663A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2430457C2 (ru) | Оценка параметров тепловой модели линии электропитания | |
CN114184229A (zh) | 一种开关柜运行环境监测系统 | |
EP3009801A1 (en) | Failure sign diagnosis system of electrical power grid and method thereof | |
CN105074598A (zh) | 用于输电和配电资产状态预测和诊断的系统和方法 | |
CN109781268A (zh) | 一种基于低成本红外热视技术的开关柜内重点部位温度监测系统 | |
CN116069079B (zh) | 一种智能开关柜的散热智能控制方法及系统 | |
US20130096853A1 (en) | Systems and methods for monitoring electrical contacts | |
CN108957304B (zh) | 断路器载流故障预测方法 | |
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 | |
CN105738724B (zh) | 电涌保护器的检测分析方法及系统 | |
CN115986918B (zh) | 一种输电线智能监测系统 | |
CN110363404A (zh) | 一种干式空心电抗器状态数据分析方法 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
KR102397894B1 (ko) | 캘리브레이션이 가능한 전기 안전 IoT 장치 및 시스템 | |
KR20180031454A (ko) | 애자련 상태 감시장치 및 방법 | |
US20220043040A1 (en) | Method and system for monitoring the operating state of an energy supply network | |
CN117350548B (zh) | 一种配电设备安全隐患排查方法 | |
CN116879663B (zh) | 基于多参数监测的spd在线寿命预测系统与预测方法 | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
CN114812833A (zh) | 一种配网开关温度在线监测与预测系统及方法 | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN117408108A (zh) | 一种基于有限元及实时监测的健康监测方法 | |
CN117330948A (zh) | 一种断路器机械特性在线监测方法及系统 | |
CN113812053A (zh) | 用于监控能量供应网络的高压设备的运行状态的方法和系统 | |
CN113572161B (zh) | 一种抗灾保底电网的储能系统在线状态监测和评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |