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技术方案

本发明专利技术提供基于多源信号融合的高压断路器特性参数预测方法，包括下列步骤：判断所述高压断路器是否处于故障状态，若是，则采集高压断路器在故障状态下第T时刻的故障数据，所述故障数据包括振动信号、声音信号、温度信号、电流信号、操作次数；提取所述振动信号、声音信号、温度信号、电流信号、操作次数的特征向量，并将所述特征向量分成训练集以及待处理数据集，将所述训练集作为预设的深度学习模型的输入，同时将故障数据的预测值作为深度学习模型输出，对所述深度学习模型进行学习训练；将待处理数据集输入至训练结束后的深度学习模型中，从而获得待处理数据集在T+n时刻的预测值，所述n为任一正自然数。所述n为任一正自然数。所述n为任一正自然数。

【技术实现步骤摘要】
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


[0001]本专利技术涉及高压断路器状态监测
，尤其涉及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。

技术介绍

[0002]高压断路器通过开断、关合及承载运行线路的正常或异常电流，在电力系统中起着非常重要的保护与控制作用，其运行状态对电力系统的稳定性和可靠性具有重要意义。根据对断路器故障发生情况的统计资料，国内63.2％的断路器故障是由操作机构造成的。
[0003]随着我国特高压线路的快速发展，对高压断路器特性参数的稳定性要求越来越严格，为了有效改善开关分合闸操作所产生的涌流、过电压等暂态冲击问题，提高输变电设备寿命和电力系统稳定性，高压断路器必须保持良好的机械特性。而电力设备的机械寿命影响因素主要与电力机械机构组成部分有关，主要包括机构中各元件的老化磨损、控制电压、系统压力以及结构工艺参数等，上述参数的变化均会对高压断路器的分合闸速度和时间产生影响，且随着操作次数的增加日益严重，如何有效的检测出高压断路器特性参数成为运维人员首要关注的问题。
[0004]目前，传统检测方法只能在停电检修时利用高压开关动特性测试仪对其进行测量，无法在线测试，现有的技术仅仅依据实验室环境下测量得到数据拟合而成的高压断路器特性参数关系曲线，具有一定的局限性。

技术实现思路

[0005]本专利技术的目的在于提供基于多源信号融合的高压断路器特性参数预测方法，以解决上述
技术介绍
中提出的问题。
[0006]本专利技术是通过以下技术方案实现的：本专利技术第一方面公开了一种基于多源信号融合的高压断路器特性参数预测方法，包括下列步骤：
[0007]判断所述高压断路器是否处于故障状态，若是，则采集高压断路器在故障状态下第T时刻的故障数据，所述故障数据包括振动信号、声音信号、温度信号、电流信号、操作次数；
[0008]提取所述振动信号、声音信号、温度信号、电流信号、操作次数的特征向量，并将所述特征向量分成训练集以及待处理数据集，将所述训练集作为预设的深度学习模型的输入，同时将故障数据的预测值作为深度学习模型输出，对所述深度学习模型进行学习训练；
[0009]将待处理数据集输入至训练结束后的深度学习模型中，从而获得待处理数据集在T+n时刻的预测值，所述n为任一正自然数。
[0010]可选的，判断所述高压断路器是否处于故障状态，包括：若霍尔传感器采集到高压断路器的分合闸线圈电流信号，则判断所述高压断路器处于故障状态；
[0011]通过振动传感器采集高压断路器分合闸过程中的振动数据；
[0012]通过声音传感器采集高压断路器碰撞声音数据；
[0013]通过温湿度传感器采集高压断路器周围的环境温度数据；
[0014]通过接近开关测量高压断路分合闸操作次数。
[0015]可选的，所述方法还包括：通过短时能变法提取振动数据、声音数据中的声音特征参量，其具体步骤包括：
[0016]设置振动数据、声音数据的时域信号为x(n)，对所述时域信号进行加窗分帧处理后得到第i帧信号x
i
()，每一帧的能量表示为：
[0017][0018]通过引入对数关系式，降缓能量的急剧变化，其具体表示为：
[0019]LEN
i
＝log9(1+EN
i
/10)
[0020]对第i帧信号x
i
()进行中心截幅处理，其具体表示为：
[0021][0022]式中，δ为固定值；
[0023]在进行中心截幅处理后计算每一帧的波形变化率：
[0024][0025]其中：
[0026][0027]最终获得声音特征参量的表达式：EZR i
＝LEN
i
×
(BXR
i
+0.1)。
[0028]可选的，所述方法还包括：通过能量熵法提取振动数据、声音数据中的能量特征参量。
[0029]可选的，所述方法还包括：通过三次样条差值法提取电流信号中的极值点，并将所述极值点作为电流信号的特征参量。
[0030]可选的，所述深度学习模型包括RBM网络，所述RBM网络包括输入层、若干隐藏层以及全连接层、输出层，所述输入层的输入节点至少为5个，所述输出层的输出节点至少为5个，采用监督学习法对所述RBM网络进行逐层训练。
[0031]可选的，所述方法还包括，获得待处理数据集在T时刻的预测值，将待处理数据集在T+n时刻的预测值与在T+n时刻所采集的实际参数值进行对比，若预测值与所述实际参数值之间的误差符合阈值，则说明所述RBM网络学习训练已完成，否则，重新调整RBM网络的参数再次进行学习训练。
[0032]本专利技术第二方面公开了一种多源信号融合的高压断路器特性参数预测系统，包括数据采集装置、数据处理系统，所述数据采集装置包括声音传感器、振动传感器、霍尔传感器、温湿度传感器、接近开关以及无线通信单元，所述无线通信单元与所述数据处理系统信号相连，所述数据处理系统包括：
[0033]数据接收模块，用于接收无线通信单元所发送的高压断路器参数；
[0034]特征提取模块，用于提取所述高压断路器数据的特征向量；
[0035]深度学习模块，所述深度学习模块中预设有RBM网络，所述RBM网络包括输入层、若干隐藏层以及全连接层、输出层，所述输入层的输入节点至少为5个，所述输出层的输出节点至少为5个；
[0036]对比模块，用于将深度学习模块输出的预测结果与高压断路器的实际参数值进行对比判断。
[0037]与现有技术相比，本专利技术达到的有益效果如下：
[0038]本专利技术提供的一种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，通过检测分合闸线圈电流信号实现数据采集，当检测到电流信号时，自动触发采集系统完成各个信号的数据采集，并通过无线方式传送到智能诊断终端，智能诊断终端通过对数据的分析完成高压断路器特性参数的预测。
附图说明
[0039]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本专利技术提供的基于多源信号融合的高压断路器特性参数预测方法的流程图；
[0041]图2为本专利技术实施例提供的数据采集装置的连接示意图；
[0042]图3为本专利技术实施例提供的数据处理系统的连接示意图。
[0043]图中，1声音传感器，2振动传感器，3霍尔传感器，4温湿度传感器，5接近开关，6无线通信单元，7数据处理系统，101数据接收模块，102特征提取模块，103深度学习模块，104对比模块。
具体实施方式
[0044]为了使得本专利技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本专利技术的示例实施例。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源信号融合的高压断路器特性参数预测方法，其特征在于，包括下列步骤：判断所述高压断路器是否处于故障状态，若是，则采集高压断路器在故障状态下第T时刻的故障数据，所述故障数据包括振动信号、声音信号、温度信号、电流信号、操作次数；提取所述振动信号、声音信号、温度信号、电流信号、操作次数的特征向量，并将所述特征向量分成训练集以及待处理数据集，将所述训练集作为预设的深度学习模型的输入，同时将故障数据的预测值作为深度学习模型输出，对所述深度学习模型进行学习训练；将待处理数据集输入至训练结束后的深度学习模型中，从而获得待处理数据集在T+n时刻的预测值，所述n为任一正自然数。2.根据权利要求1所述的基于多源信号融合的高压断路器特性参数预测方法，其特征在于，判断所述高压断路器是否处于故障状态，包括：若霍尔传感器采集到高压断路器的分合闸线圈电流信号，则判断所述高压断路器处于故障状态；通过振动传感器采集高压断路器分合闸过程中的振动数据；通过声音传感器采集高压断路器碰撞声音数据；通过温湿度传感器采集高压断路器周围的环境温度数据；通过接近开关测量高压断路分合闸操作次数。3.根据权利要求2所述的基于多源信号融合的高压断路器特性参数预测方法，其特征在于，所述方法还包括：通过短时能变法提取振动数据、声音数据中的声音特征参量，其具体步骤包括：设置振动数据、声音数据的时域信号为x(n)，对所述时域信号进行加窗分帧处理后得到第i帧信号x
i
(m)，每一帧的能量表示为：通过引入对数关系式，降缓能量的急剧变化，其具体表示为：LEN
i
＝log9(1+EN
i
/10)对第i帧信号x
i
(m)进行中心截幅处理，其具体表示为：式中，δ为固定值；在进行中心截幅处理后计算每一帧的波形变化率：其中：最终获得声音特征参量的表达式：EZR
i
＝LEN
...

【专利技术属性】
技术研发人员：钟声，豆龙江，王国驹，
申请(专利权)人：海南电网有限责任公司海南输变电检修分公司，
类型：发明
国别省市：