CN117349710A - 一种真空灭弧室开断能力的预测方法、电子设备及介质 - Google Patents
一种真空灭弧室开断能力的预测方法、电子设备及介质 Download PDFInfo
- Publication number
- CN117349710A CN117349710A CN202311639249.2A CN202311639249A CN117349710A CN 117349710 A CN117349710 A CN 117349710A CN 202311639249 A CN202311639249 A CN 202311639249A CN 117349710 A CN117349710 A CN 117349710A
- Authority
- CN
- China
- Prior art keywords
- extinguishing chamber
- historical
- breaking capacity
- vacuum arc
- feature vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 109
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种真空灭弧室开断能力的预测方法、电子设备及介质,利用已知真空灭弧室的历史技术参数信息和运行参量信息,根据其历史技术参数信息将对历史真空灭弧室进行分类,将运行参量信息拼接成特征向量,基于故障分断历史真空灭弧室对应的特征向量,采用SMOTE算法进行样本扩充,得到近邻扩充运行参量信息并作为样本数据集;采用非线性支持向量机构建真空灭弧室开断能力预测模型,通过样本数据集对真空灭弧室开断能力预测模型中的待优化参数进行寻优,得到训练好的真空灭弧室开断能力预测模型;通过在线获取目标真空灭弧室的目标运行参量信息,得到目标真空灭弧室的分断能力预测结果,提升对目标真空灭弧室分断能力上的预测表现。
Description
技术领域
本发明涉及真空断路器技术领域,具体涉及一种真空灭弧室开断能力的预测方法、电子设备及介质。
背景技术
真空灭弧室是利用真空作为绝缘介质和熄灭电弧的介质,用于真空开关电器之中,其有交流电流开断能力的电真空器件,也称为真空开关管、真空泡等。
近年来随着社会发展,经济水平进一步提高,对电力系统的可靠性和稳定性要求越来越高。真空断路器是电力系统中常用的保护和控制装置,常见于工矿企业、发电厂和变电站中,虽然真空断路器的发生故障的概率较小,但是一旦发生故障将造成严重的经济损失。
虽然真空断路器灭弧室在出厂时要求真空度不低于1.33×10-3Pa,在使用时压强不低于6.6×10-2Pa,同时在出厂时也对真空灭弧室的接触电阻作了检测,但是真空灭弧室经过一定的使用年限,尤其是在分断频率较高的场合,真空灭弧室内触头的磨损使得触头间压力降低。现有影响真空灭弧室开断能力下降的单项因素分别独立进行评价,缺少影响因素耦合作用对真空灭弧室开断能力的判断,导致对真空灭弧室开断能力的评价存在盲区,使真空灭弧室所在应用场景存在安全隐患。
发明内容
为解决上述问题,本发明提供的技术方案为:
一种真空灭弧室开断能力的预测方法,其特征在于,包括:
获取历史真空灭弧室的历史技术参数信息和历史运行参量信息,根据所述历史技术参数信息将所述历史真空灭弧室进行分类;所述历史运行参量信息至少包括真空度信息、触头信息和接触电阻信息;
基于分类结果提取所述历史真空灭弧室在故障分断时对应的故障运行参量信息,采用SMOTE算法对所述故障运行参量信息进行边缘采样,获得近邻扩充运行参量信息并作为样本数据集;
建立真空灭弧室开断能力预测模型,采用所述样本数据集对所述真空灭弧室开断能力预测模型进行训练,得到训练后的真空灭弧室开断能力预测模型;
获取目标真空灭弧室的目标技术参数信息、目标真空度信息、目标触头信息和目标接触电阻信息;
根据所述目标技术参数信息选取对应的真空灭弧室开断能力预测模型;将所述目标真空度信息、所述目标触头信息和所述目标接触电阻信息进行预处理后输入到对应的真空灭弧室开断能力预测模型,以生成分断能力预测结果。
本发明进一步设置为将所述历史运行参量信息中的所述真空度信息、所述触头信息和所述接触电阻信息分别转化为子特征向量,将所述子特征向量进行拼接得到历史特征向量;
将所述故障运行参量信息对应的所述历史特征向量定义为标准采样向量Fstandard,历遍所述历史特征向量与所述标准采样向量Fstandard的欧氏距离,根据预设的第一欧式距离Ed1,筛选出所述历史特征向量中与所述标准采样向量Fstandard的预筛历史特征向量,得到预筛历史特征向量样本集。
本发明进一步设置为根据历史真空灭弧室是否为故障分断将所述预筛历史特征向量样本集分为第一预筛历史特征向量样本集P1和第二预筛历史特征向量样本集P2,所述第一预筛历史特征向量样本集P1为历史真空灭弧室正常分断对应的特征向量,所述第二预筛历史特征向量样本集P2为历史真空灭弧室故障分断对应的特征向量。
本发明进一步设置为以预设的第二欧式距离Ed2为标准,分别历遍所述第一预筛历史特征向量样本集P1和所述第二预筛历史特征向量样本集P2中的每一个预筛历史特征向量与剩余预筛历史特征向量之间的欧氏距离,得到k1近邻和k2近邻;
根据预设采样倍率分别对所述第一预筛历史特征向量样本集P1和所述第二预筛历史特征向量样本集P2中的每一个筛历史特征向量从k1近邻和k2近邻中随机选择j个样本,得到邻域历史特征向量o1和邻域历史特征向量o2;
基于预筛历史特征向量和邻域历史特征向量o1/o2进行样本扩充,得到样本数据集,
,
,
将扩充后的onew1和onew1合并,作为样本数据集。
本发明进一步设置为采用非线性支持向量机构建所述真空灭弧室开断能力预测模型,
,
将真空灭弧室开断能力预测模型优化问题转换为对偶问题,
,
本发明进一步设置为定义所述真空灭弧室开断能力预测模型的核函数,
,
根据核函数进行求解,
,
本发明进一步设置为将所述样本数据集输入到所述真空灭弧室开断能力预测模型中得到所述真空灭弧室开断能力预测模型的结果预测准确度,将结果预测准确度设置为适应度函数,采用粒子群算法对待优化参数进行自适应寻优,所述待优化参数为所述非线性支持向量机模型中的惩罚因子和核函数的宽度;将寻优后的惩罚因子和核函数的宽度更新为所述真空灭弧室开断能力预测模型中新的惩罚因子和新的核函数的宽度,得到所述训练好的真空灭弧室开断能力预测模型。
本发明进一步设置为所述核函数选取为高斯径向基函数或拉普拉斯核函数。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的真空灭弧室开断能力的预测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的真空灭弧室开断能力的预测方法。
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
本技术方案真空灭弧室开断能力的预测方法是利用已知真空灭弧室的历史技术参数信息和运行参量信息,根据其历史技术参数信息将对历史真空灭弧室进行分类,对于分类好的每一类真空灭弧室,将其运行参量信息的重要参数拼接成特征向量,基于故障分断历史真空灭弧室对应的特征向量,采用SMOTE算法进行样本扩充,得到近邻扩充运行参量信息并作为样本数据集;采用非线性支持向量机构建真空灭弧室开断能力预测模型,通过样本数据集对真空灭弧室开断能力预测模型中的待优化参数进行寻优,得到训练好的真空灭弧室开断能力预测模型;通过在线获取目标真空灭弧室的目标技术参数信息、目标真空度信息、目标触头信息和目标接触电阻信息,根据目标技术参数信息选取对应的真空灭弧室开断能力预测模型;将目标真空度信息、目标触头信息和目标接触电阻信息进行向量拼接后输入到对应的真空灭弧室开断能力预测模型,得到目标真空灭弧室的分断能力预测结果。
本发明真空灭弧室开断能力的预测方法对于真空灭弧室运行年限较长的、本身故障分断监测信息较少的数据,采用SMOTE算法在已知的真空灭弧室运行参量信息中随机生成故障分断真空灭弧室附近的运行参量信息以扩充样本数据集,为真空灭弧室开断能力预测模型的模型训练提供充分且高质量的训练数据,在少数样本信息下,能有效提升真空灭弧室开断能力预测模型对目标真空灭弧室分断能力上的预测表现,扫除现有对真空灭弧室开断能力评价的盲区,提高真空灭弧室所应用场景的运行安全。
附图说明
图1为本发明实施例真空灭弧室开断能力的预测方法流程图。
图2为本发明实施例电子设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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1
结合附图1,本发明技术方案是一种真空灭弧室开断能力的预测方法,包括:
S100,获取历史真空灭弧室的历史技术参数信息和历史运行参量信息,根据所述历史技术参数信息将所述历史真空灭弧室进行分类;所述历史运行参量信息至少包括真空度信息、触头信息和接触电阻信息;
S200,基于分类结果提取所述历史真空灭弧室在故障分断时对应的故障运行参量信息,采用SMOTE算法对所述故障运行参量信息进行边缘采样,获得近邻扩充运行参量信息并作为样本数据集;
S300,建立真空灭弧室开断能力预测模型,采用所述样本数据集对所述真空灭弧室开断能力预测模型进行训练,得到训练后的真空灭弧室开断能力预测模型;
S400,获取目标真空灭弧室的目标技术参数信息、目标真空度信息、目标触头信息和目标接触电阻信息;
S500,根据所述目标技术参数信息选取对应的真空灭弧室开断能力预测模型;将所述目标真空度信息、所述目标触头信息和所述目标接触电阻信息进行预处理后输入到对应的真空灭弧室开断能力预测模型,以生成分断能力预测结果。
本发明利用已知真空灭弧室的历史技术参数信息和运行参量信息,根据其历史技术参数信息将对历史真空灭弧室进行分类,对于分类好的每一类真空灭弧室,将其运行参量信息的重要参数拼接成特征向量,基于故障分断历史真空灭弧室对应的特征向量,采用SMOTE算法进行样本扩充,得到近邻扩充运行参量信息并作为样本数据集;采用非线性支持向量机构建真空灭弧室开断能力预测模型,通过样本数据集对真空灭弧室开断能力预测模型中的待优化参数进行寻优,得到训练好的真空灭弧室开断能力预测模型;通过在线获取目标真空灭弧室的目标技术参数信息、目标真空度信息、目标触头信息和目标接触电阻信息,根据目标技术参数信息选取对应的真空灭弧室开断能力预测模型;将目标真空度信息、目标触头信息和目标接触电阻信息进行向量拼接后输入到对应的真空灭弧室开断能力预测模型,得到目标真空灭弧室的分断能力预测结果。
在上述实施例中,所述历史真空灭弧室为进行测试或实际监测的真空灭弧室,其历史技术参数信息包括额定电压、额定电流、额定频率、额定工频短时耐受电压、雷电冲击耐压、额定短路开断电流、短时耐受电流等等;优选地,根据额定电压或额定电流的大小对历史真空灭弧室进行分类。
在上述实施例中,所述历史运行参量信息包括真空度信息、触头信息和接触电阻信息,其中真空度可以通过真空灭弧室真空度测量装置监测获得(如公开号为CN112992599A的中国专利),触头信息具体指实际动静触头之间的触头压力,接触电阻信息指动静触头闭合后的实际阻值。
在上述实施例中,对历史真空灭弧室进行分类后,对每一类历史真空灭弧室均进行真空灭弧室开断能力预测模型的训练,避免不同类型的真空灭弧室分断能力与影响因素的关联程度不同导致真空灭弧室开断能力预测模型的泛化能力变差。
在上述实施例中,所述目标真空灭弧室的目标真空度信息、目标触头信息和目标接触电阻信息是在线实时检测的,其预处理包括向量转化和向量拼接。
在本实施例中,将所述历史运行参量信息中的所述真空度信息、所述触头信息和所述接触电阻信息分别转化为子特征向量,将所述子特征向量进行拼接得到历史特征向量;
将所述故障运行参量信息对应的所述历史特征向量定义为标准采样向量Fstandard,历遍所述历史特征向量与所述标准采样向量Fstandard的欧氏距离,根据预设的第一欧式距离Ed1,筛选出所述历史特征向量中与所述标准采样向量Fstandard的预筛历史特征向量,得到预筛历史特征向量样本集。
在上述实施例中,拼接得到的历史特征向量中涵盖所述历史运行参量信息中的所述真空度信息、所述触头信息和所述接触电阻信息。在提取历史真空灭弧室在故障分断时对应的故障运行参量信息后,将故障运行参量信息对应的历史特征向量定义为标准采样向量Fstandard,通过第一欧式距离Ed1筛选标准采样向量Fstandard近似的历史特征向量,这一步大大滤除了大量正常运行参量信息,减少模型训练的非必要数据。
在上述实施例中,若同一类别中存在多个故障运行参量信息,则对每个故障运行参量信息对应的历史特征向量都作预筛选处理,并在预筛历史特征向量样本集中删除重复的历史特征向量。
在本实施例中,根据历史真空灭弧室是否为故障分断将所述预筛历史特征向量样本集分为第一预筛历史特征向量样本集P1和第二预筛历史特征向量样本集P2,所述第一预筛历史特征向量样本集P1为历史真空灭弧室正常分断对应的特征向量,所述第二预筛历史特征向量样本集P2为历史真空灭弧室故障分断对应的特征向量。
在上述实施例中,在进行样本扩容时,先对预筛历史特征向量样本集进行分类,避免故障分断和正常分断的真空灭弧室之间特征向量混乱影响生成的扩容样本。
在本实施例中,以预设的第二欧式距离Ed2为标准,分别历遍所述第一预筛历史特征向量样本集P1和所述第二预筛历史特征向量样本集P2中的每一个预筛历史特征向量与剩余预筛历史特征向量之间的欧氏距离,得到k1近邻和k2近邻;
根据预设采样倍率分别对所述第一预筛历史特征向量样本集P1和所述第二预筛历史特征向量样本集P2中的每一个筛历史特征向量从k1近邻和k2近邻中随机选择j个样本,得到邻域历史特征向量o1和邻域历史特征向量o2;
基于预筛历史特征向量和邻域历史特征向量o1/o2进行样本扩充,得到样本数据集,如下式(1)和下式(2),
,式(1),
,式(2),
将扩充后的onew1和onew1合并,作为样本数据集,式中x为第一预筛历史特征向量样本集P1或第二预筛历史特征向量样本集P2中的一个样本,rand(0,1)为0~1中任意数值。
在上述实施例中,onew1和onew1均为SMOTE过采样生成的新样本。
在本实施例中,采用非线性支持向量机构建所述真空灭弧室开断能力预测模型,如下式(3),
,式(3),
将式(3)中真空灭弧室开断能力预测模型优化问题转换为对偶问题,如下式(4),
,式(4)。
在上述实施例中,对于真空灭弧室分断能力涉及多影响因素的作用,因此非线性分类问题是通过利用非线性模型才能很好地进行分类,因此采用非线性支持向量机构建所述真空灭弧室开断能力预测模型。
在本实施例中,定义所述真空灭弧室开断能力预测模型的核函数,如下式(5),
,式(5),
根据式(5)对式(4)进行求解,得到式(6),
,式(6)。
在上述实施例中,将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分。当原始空间是有限维(即属性数是有限的),那么一定存在一个高维特征空间使样本可分。但由于特征空间维数可能很高,设置可能是无穷维,因此直接计算通常是困难的,为了避开这个障碍,可以设置一个核函数。
在本实施例中,将所述样本数据集输入到所述真空灭弧室开断能力预测模型中得到所述真空灭弧室开断能力预测模型的结果预测准确度,将结果预测准确度设置为适应度函数,采用粒子群算法对待优化参数进行自适应寻优,所述待优化参数为所述非线性支持向量机模型中的惩罚因子和核函数的宽度;将寻优后的惩罚因子和核函数的宽度更新为所述真空灭弧室开断能力预测模型中新的惩罚因子和新的核函数的宽度,得到所述训练好的真空灭弧室开断能力预测模型。
在本实施例中,所述核函数选取为高斯径向基函数或拉普拉斯核函数。
本发明真空灭弧室开断能力的预测方法对于真空灭弧室运行年限较长的、本身故障分断监测信息较少的数据,采用SMOTE算法在已知的真空灭弧室运行参量信息中随机生成故障分断真空灭弧室附近的运行参量信息以扩充样本数据集,为真空灭弧室开断能力预测模型的模型训练提供充分且高质量的训练数据,在少数样本信息下,能有效提升真空灭弧室开断能力预测模型对目标真空灭弧室分断能力上的预测表现,扫除现有对真空灭弧室开断能力评价的盲区,提高真空灭弧室所应用场景的运行安全。
实施例2
结合附图2,本发明技术方案是一种电子设备,包括存储器20和处理器10,所述存储器20存储有计算机程序,存储器20和所述处理器10通过总线30通信连接,所述处理器10执行所述计算机程序时实现实施例1所述的真空灭弧室开断能力的预测方法。
实施例3
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的真空灭弧室开断能力的预测方法。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种真空灭弧室开断能力的预测方法,其特征在于,包括:
获取历史真空灭弧室的历史技术参数信息和历史运行参量信息,根据所述历史技术参数信息将所述历史真空灭弧室进行分类;所述历史运行参量信息至少包括真空度信息、触头信息和接触电阻信息;
基于分类结果提取所述历史真空灭弧室在故障分断时对应的故障运行参量信息,采用SMOTE算法对所述故障运行参量信息进行边缘采样,获得近邻扩充运行参量信息并作为样本数据集;
建立真空灭弧室开断能力预测模型,采用所述样本数据集对所述真空灭弧室开断能力预测模型进行训练,得到训练后的真空灭弧室开断能力预测模型;
获取目标真空灭弧室的目标技术参数信息、目标真空度信息、目标触头信息和目标接触电阻信息;
根据所述目标技术参数信息选取对应的真空灭弧室开断能力预测模型;将所述目标真空度信息、所述目标触头信息和所述目标接触电阻信息进行预处理后输入到对应的真空灭弧室开断能力预测模型,以生成分断能力预测结果。
2.根据权利要求1所述的一种真空灭弧室开断能力的预测方法,其特征在于,将所述历史运行参量信息中的所述真空度信息、所述触头信息和所述接触电阻信息分别转化为子特征向量,将所述子特征向量进行拼接得到历史特征向量;
将所述故障运行参量信息对应的所述历史特征向量定义为标准采样向量Fstandard,历遍所述历史特征向量与所述标准采样向量Fstandard的欧氏距离,根据预设的第一欧式距离Ed1,筛选出所述历史特征向量中与所述标准采样向量Fstandard的预筛历史特征向量,得到预筛历史特征向量样本集。
3.根据权利要求2所述的一种真空灭弧室开断能力的预测方法,其特征在于,根据历史真空灭弧室是否为故障分断将所述预筛历史特征向量样本集分为第一预筛历史特征向量样本集P1和第二预筛历史特征向量样本集P2,所述第一预筛历史特征向量样本集P1为历史真空灭弧室正常分断对应的特征向量,所述第二预筛历史特征向量样本集P2为历史真空灭弧室故障分断对应的特征向量。
4.根据权利要求3所述的一种真空灭弧室开断能力的预测方法,其特征在于,以预设的第二欧式距离Ed2为标准,分别历遍所述第一预筛历史特征向量样本集P1和所述第二预筛历史特征向量样本集P2中的每一个预筛历史特征向量与剩余预筛历史特征向量之间的欧氏距离,得到k1近邻和k2近邻;
根据预设采样倍率分别对所述第一预筛历史特征向量样本集P1和所述第二预筛历史特征向量样本集P2中的每一个筛历史特征向量从k1近邻和k2近邻中随机选择j个样本,得到邻域历史特征向量o1和邻域历史特征向量o2;
基于预筛历史特征向量和邻域历史特征向量o1/o2进行样本扩充,得到样本数据集,如下式(1)和下式(2),
,式(1),
,式(2),
将扩充后的onew1和onew1合并,作为样本数据集。
5.根据权利要求4所述的一种真空灭弧室开断能力的预测方法,其特征在于,采用非线性支持向量机构建所述真空灭弧室开断能力预测模型,如下式(3),
,式(3),
将式(3)中真空灭弧室开断能力预测模型优化问题转换为对偶问题,如下式(4),
,式(4)。
6.根据权利要求5所述的一种真空灭弧室开断能力的预测方法,其特征在于,定义所述真空灭弧室开断能力预测模型的核函数,如下式(5),
,式(5),
根据式(5)对式(4)进行求解,得到式(6),
,式(6)。
7.根据权利要求6所述的一种真空灭弧室开断能力的预测方法,其特征在于,将所述样本数据集输入到所述真空灭弧室开断能力预测模型中得到所述真空灭弧室开断能力预测模型的结果预测准确度,将结果预测准确度设置为适应度函数,采用粒子群算法对待优化参数进行自适应寻优,所述待优化参数为所述非线性支持向量机模型中的惩罚因子和核函数的宽度;将寻优后的惩罚因子和核函数的宽度更新为所述真空灭弧室开断能力预测模型中新的惩罚因子和新的核函数的宽度,得到所述训练好的真空灭弧室开断能力预测模型。
8.根据权利要求6或7所述的一种真空灭弧室开断能力的预测方法,其特征在于,所述核函数选取为高斯径向基函数或拉普拉斯核函数。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任意一项所述的真空灭弧室开断能力的预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任意一项所述的真空灭弧室开断能力的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639249.2A CN117349710B (zh) | 2023-12-04 | 2023-12-04 | 一种真空灭弧室开断能力的预测方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639249.2A CN117349710B (zh) | 2023-12-04 | 2023-12-04 | 一种真空灭弧室开断能力的预测方法、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349710A true CN117349710A (zh) | 2024-01-05 |
CN117349710B CN117349710B (zh) | 2024-03-22 |
Family
ID=89363499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639249.2A Active CN117349710B (zh) | 2023-12-04 | 2023-12-04 | 一种真空灭弧室开断能力的预测方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349710B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661570A (zh) * | 2009-09-24 | 2010-03-03 | 河北工业大学 | 真空灭弧室真空度测量及寿命管理专家系统和使用方法 |
CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
CN113745049A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种真空灭弧室内真空度监测方法及系统 |
CN113806913A (zh) * | 2021-08-17 | 2021-12-17 | 国网河北省电力有限公司雄安新区供电公司 | 基于电弧能量的sf6断路器灭弧室寿命预测方法 |
WO2022027877A1 (zh) * | 2020-08-07 | 2022-02-10 | 天津平高智能电气有限公司 | 一种真空开关触头的运动速度检测方法及装置 |
WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
CN219350079U (zh) * | 2022-10-28 | 2023-07-14 | 七七七电气科技有限公司 | 一种断路器用真空灭弧室 |
-
2023
- 2023-12-04 CN CN202311639249.2A patent/CN117349710B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661570A (zh) * | 2009-09-24 | 2010-03-03 | 河北工业大学 | 真空灭弧室真空度测量及寿命管理专家系统和使用方法 |
WO2022027877A1 (zh) * | 2020-08-07 | 2022-02-10 | 天津平高智能电气有限公司 | 一种真空开关触头的运动速度检测方法及装置 |
WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
CN113806913A (zh) * | 2021-08-17 | 2021-12-17 | 国网河北省电力有限公司雄安新区供电公司 | 基于电弧能量的sf6断路器灭弧室寿命预测方法 |
CN113745049A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种真空灭弧室内真空度监测方法及系统 |
CN219350079U (zh) * | 2022-10-28 | 2023-07-14 | 七七七电气科技有限公司 | 一种断路器用真空灭弧室 |
Non-Patent Citations (10)
Title |
---|
FANGSHUAI ZHAO; SHIBAI LIU; (...); HUAJUN DONG: ""Simulation Research on Breaking Performance of 12KV Vacuum Interrupter"", 《2021 IEEE INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND MECHATRONICS TECHNOLOGY (ICEEMT)》 * |
刘志远;程少勇;王季梅;何广丽;王荃;毕冬丽: "杯状纵磁真空灭弧室开断能力与触头直径和触头开距关系的试验比对", 《高压电器》, no. 04 * |
刘顺新;丛吉远;廖敏夫;董华军: "真空灭弧室发展分析", 《电气制造》, no. 11 * |
张毅: "真空断路器灭弧室寿命特征参数分析", 《电气开关》, no. 05 * |
张煦松: ""真空断路器永磁斥力机构机械特性监测与故障识别研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, pages 042 - 540 * |
时宝朋;侯春光;曹云东;徐晓刚;蒋幸伟: ""12 kV开关柜载流回路热分析与温度预测"", 《电器与能效管理技术》, no. 08 * |
李震彪,邹积岩,何俊佳,程礼椿: "真空开关触头材料分断能力理论判据研究", 《电工技术学报》, no. 01 * |
臧艺娜;石晶;陈红坤: "直流真空断路器换流频率对开断特性影响研究", 《真空科学与技术学报》, no. 05 * |
袁欢;宋立冬;刘平;王小华;刘定新;杨爱军;丁洪斌;荣命哲: "基于激光诱导击穿光谱的真空灭弧室真空度在线检测实验研究", 《高压电器》, no. 03 * |
陈占清;程显;焦连曜: "CO_2气体灭弧室串联真空灭弧室开断大电流仿真", 《河南电力技术》, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349710B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shah et al. | Fault discrimination scheme for power transformer using random forest technique | |
Perez et al. | High-speed non-unit transmission line protection using single-phase measurements and an adaptive wavelet: zone detection and fault classification | |
Costa et al. | Robust coordination of directional overcurrent relays using a matheuristic algorithm | |
CN108020781B (zh) | 一种断路器故障诊断方法 | |
CN113448763B (zh) | 全生命周期管理的可动态扩展分组告警服务方法 | |
Jamali et al. | Identification of faulted line section in microgrids using data mining method based on feature discretisation | |
CN107292512B (zh) | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 | |
Patel et al. | Relevance vector machine based transformer protection | |
CN117349710B (zh) | 一种真空灭弧室开断能力的预测方法、电子设备及介质 | |
Balan et al. | Detection and Analysis of Faults in Transformer using Machine Learning | |
Tejeswara Rao et al. | Prevention of maloperation of distance relay under severe stressed conditions for series compensated transmission line considering optimal placement of phasor measurement units | |
KR102599139B1 (ko) | 인공 신경망 예측기를 이용한 전기차 충전소 수배전 시스템 이상 진단 기준신호 생성 방법 및 장치 | |
CN113805050B (zh) | 选相合闸角监测方法及装置、计算机设备和存储介质 | |
Ankar et al. | A novel approach to estimate fault location in current source converter–based HVDC transmission line by Gaussian process regression | |
CN117501140A (zh) | 使用机器学习的电弧故障检测 | |
KR102357611B1 (ko) | 전기 화재의 안전 등급을 평가하는 시스템 | |
CN115267521A (zh) | 一种断路器工作状态检测方法、装置、计算机设备及介质 | |
CN115980476A (zh) | 一种基于短路冲击的变压器运行状态评估方法及装置 | |
CN113471927A (zh) | 基于开关分级的配电网自适应整定方法及系统 | |
CN112701689B (zh) | 一种基于有限布点的广域谐振评估和预警方法 | |
CN114076868B (zh) | 一种开关缺陷识别方法、装置、设备和可读存储介质 | |
CN115526540B (zh) | 电寿命的评估方法、装置、计算机可读介质及电子设备 | |
Wang et al. | Impedance Ground Faults Detection and Classification Method for DC Microgrid | |
KR20190056701A (ko) | 변전소 고장유형에 따른 적응적 복구절차 제공 장치, 변전소 고장유형에 따른 적응적 고장복구 방법 및 이를 기록한 컴퓨터 판독가능 기록 매체 | |
Niazazari | Robust Event Cause Analysis in Power Grids using Machine Learning Algorithms |
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 |