适用于KYN开关柜的健康管理方法技术

本发明专利技术属电力系统监测技术领域，尤其涉及一种适用于KYN开关柜的健康管理方法，包括监测KYN开关柜的绝缘状态、机械状态及温湿度状态；过滤出符合定义规则的问题数据；通过MQTT协议将所采集的状态数据传输至数据管理中心；对KYN开关柜的绝缘状态、机械状态及温湿度状态进行诊断分析；对KYN开关柜剩余电寿命与机械寿命进行预测；将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据以及健康状态数据进行统一管理。本发明专利技术监测量通信协议统一，可实现开关柜实时在线联合监测，并可对开关柜健康状态进行诊断、评估、预测，对运行状态异常信息进行分析。对运行状态异常信息进行分析。对运行状态异常信息进行分析。

【技术实现步骤摘要】
适用于KYN开关柜的健康管理方法


[0001]本专利技术属电力系统监测
，尤其涉及一种适用于KYN开关柜的健康管理方法。

技术介绍

[0002]开关柜设备是配电网中的关键设备之一，其运行可靠性影响整个配电系统的安全运行，因此，对开关柜进行健康管理是很重要的。
[0003]中国专利文献(CN211046571U)上公开的“一种中压开关柜实时状态监测与管理系统”，该系统包括前端采集单元、智能控制单元、网络传输单元、应用服务器、与所述应用服务器连接的用户管理终端，所述前端采集单元包括安装在所述开关柜柜体内相应位置的多个检测装置，用于采集所述开关柜相应位置的各类基础监测数据信号，所述智能控制单元接收所述基础监测数据信号并通过所述网络传输单元与所述应用服务器传输所述开关柜的各类监测量信号；多个所述检测装置包括位移传感器、电流传感器组、局放传感器、温度传感器、互感器，所述位移传感器、电流传感器组、局放传感器、温度传感器、互感器的感应信号输出端口分别连接至所述智能控制单元的各个数据采集端口。该系统通过采集开关柜内部的各类基础数据，经过监测数据的汇集和初步处理、多个独立、常规的数据模型服务器的分析，将中压开关柜的健康状态以数据可视化的形式传输至用户终端实时进行管理。但是上述方案监测量少，不同监测量通信协议不统一，并且未能实现多传感器的联合监测，监测数据仅仅提供原始数据的直接上传和简单判断，未实现开关柜的剩余电寿命与机械寿命的诊断与剩余寿命预测，也没有对运行状态异常信息的分析，实现全生命周期管理。

技术实现思路
<br/>[0004]本专利技术旨在克服现有技术的不足之处而提供一种能够通过各种感知元件获得开关柜运行参数信息，监测量通信协议统一，可实现开关柜实时在线联合监测，并可对开关柜健康状态进行诊断、评估、预测，对运行状态异常信息进行分析的适用于KYN开关柜的健康管理方法。
[0005]为解决上述技术问题，本专利技术是这样实现的：
[0006]一种适用于KYN开关柜的健康管理方法，包括如下步骤：
[0007]S1：通过在KYN开关柜中设置状态监测传感器，分别监测KYN开关柜的绝缘状态、机械状态及温湿度状态；
[0008]S2：根据设置的清洗规则，过滤出符合定义规则的问题数据；
[0009]S3：通过MQTT协议将所采集的状态数据传输至数据管理中心；
[0010]S4：利用所采集的状态数据，借助机器学习算法，对KYN开关柜的绝缘状态、机械状态及温湿度状态进行诊断分析；
[0011]S5：利用所采集的状态数据以及历史数据，采用机器学习算法，对KYN开关柜剩余电寿命与机械寿命进行预测；
[0012]S6：将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据以及健康状态数据进行统一管理，以实现KYN开关柜设备的全生命周期管理。
[0013]进一步地，所述步骤S1中，通过TEV传感器和AE传感器采集KYN开关柜局部放电数据；通过电压传感器、电流传感器采集KYN开关柜机械状态数据；通过温度传感器采集KYN开关柜关键点温度以及环境温度；通过湿度传感器采集环境湿度。
[0014]进一步地，本专利技术以STM32F103RCT6作为核心处理单元，STM32核心为Cortex
‑
M3，系统时钟晶振频率为8MHz，将所采集的信息经微控制器处理后送入平台应用层。
[0015]进一步地，所述步骤S3中，状态数据传输步骤如下：
[0016]S301：确定MQTT主题，后台服务器订阅此主题；
[0017]S302：单片机将定义好的数据发布到S301所述主题；
[0018]S303：后台服务器接收到数据，将数据存储到数据库中；
[0019]S304：后台服务器对数据进行分析，将分析结果以Http协议形式传输到客户端显示。
[0020]进一步地，所述步骤S4中，对KYN开关柜的绝缘状态进行诊断分析步骤如下：
[0021]S401A：采集开关柜检测点的TEV、AE的幅值；
[0022]S401B：计算幅值偏差量；
[0023]S401C：计算离散度；
[0024]S401D：计算平均距离百分比；
[0025]S401E：计算集中度，反映开关柜局部放电的严重程度；
[0026]S401F：计算最大波动率，反映开关柜局部放电程度的波动情况；
[0027]S401G：将计算所得的数据以及环境温度及湿度特征参数作为特征向量；
[0028]S401H：将采集到的数据样本对应的特征向量赋予标签；
[0029]S401I：构建BP神经网络结构；
[0030]S401J：采用梯度下降方法对BP神经网络进行训练；
[0031]S401K：进行诊断分析。
[0032]进一步地，所述步骤S4中，对KYN开关柜的机械状态进行诊断分析步骤如下：
[0033]S402A：利用支持向量机算法对机械特性故障进行诊断；
[0034]S402B：采集KYN开关柜机械状态数据；
[0035]S402C：利用分合闸线圈电流波形、储能电机电流波形中提取极值点的方法确定特征量；将提取的特征参数作为特征向量；
[0036]S402D：将采集到的数据样本对应的特征向量赋予故障标签；
[0037]S402E：对所有的样本特征向量进行归一化处理；
[0038]S402F：寻取最优参数核函数带宽和惩罚因子；
[0039]S402G：确定适应度函数，即故障诊断的准确率作为适应度函数；
[0040]S402H：计算适应度函数值，并进行更新，比较个体适应度函数值和群体适应度函数值；
[0041]S402I：若达到最优解，则将最优解代入到诊断模型进行故障诊断，否则执行步骤S402G；
[0042]S402J：对诊断模型进行训练；
[0043]S402K：进行诊断分析。
[0044]进一步地，所述步骤S5中，KYN开关柜机械寿命预测步骤如下：
[0045]S501A：确定以触头超行程、平均分闸时间、平均合闸时间和储能电机平均电流作为KYN开关柜寿命预测的特征向量；
[0046]S501B：采集KYN开关柜用于寿命预测数据；
[0047]S501C：确定BP神经网络结构；
[0048]S501D：训练BP神经网络；
[0049]S501E：预测KYN开关柜剩余机械寿命。
[0050]进一步地，所述步骤S5中，KYN开关柜剩余电寿命预测步骤如下：
[0051]S502A：确定以开断电流、开断次数、使用年数、刚分速度、刚合速度作为KYN开关柜电寿命预测的特征向量；
[0052]S502B：采集KYN开关柜用于寿命预测数据；
[0053]S502C：确定BP神经网络结构；
[0054]S502D：训练BP神经网络；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于KYN开关柜的健康管理方法，其特征在于，包括如下步骤：S1：通过在KYN开关柜中设置状态监测传感器，分别监测KYN开关柜的绝缘状态、机械状态及温湿度状态；S2：根据设置的清洗规则，过滤出符合定义规则的问题数据；S3：通过MQTT协议将所采集的状态数据传输至数据管理中心；S4：利用所采集的状态数据，借助机器学习算法，对KYN开关柜的绝缘状态、机械状态及温湿度状态进行诊断分析；S5：利用所采集的状态数据以及历史数据，采用机器学习算法，对KYN开关柜剩余电寿命与机械寿命进行预测；S6：将KYN开关柜开始投入使用直到报废的运行状态历史数据、设备信息数据、订阅信息数据以及健康状态数据进行统一管理，以实现KYN开关柜设备的全生命周期管理。2.根据权利要求1所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S1中，通过TEV传感器和AE传感器采集KYN开关柜局部放电数据；通过电压传感器、电流传感器采集KYN开关柜机械状态数据；通过温度传感器采集KYN开关柜关键点温度以及环境温度；通过湿度传感器采集环境湿度。3.根据权利要求2所述适用于KYN开关柜的健康管理方法，其特征在于：以STM32F103RCT6作为核心处理单元，STM32核心为 Cortex
‑
M3，系统时钟晶振频率为8MHz，将所采集的信息经微控制器处理后送入平台应用层。4.根据权利要求3所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S3中，状态数据传输步骤如下：S301：确定MQTT主题，后台服务器订阅此主题；S302：单片机将定义好的数据发布到S301所述主题；S303：后台服务器接收到数据，将数据存储到数据库中；S304：后台服务器对数据进行分析，将分析结果以Http协议形式传输到客户端显示。5.根据权利要求4所述适用于KYN开关柜的健康管理方法，其特征在于：所述步骤S4中，对KYN开关柜的绝缘状态进行诊断分析步骤如下：S401A：采集开关柜检测点的TEV、AE的幅值；S401B：计算幅值偏差量；S401C：计算离散度；S401D：计算平均距离百分比；S401E：计算集中度，反映开关柜局部放电的严重程度；S401F：计算最大波动率，反映开关柜局部放电程度的波动情况；S401G：将计算所得的数据以及环境温度及湿度特征参数作为特征向量；S401H：将采集到的数据样本对应的特征向量赋予标签；S401I：构建BP神经网络结构；S401J：采用梯度下降方法对BP神经网络进行训...

【专利技术属性】
技术研发人员：侯春光，张宇飞，王化润，杨丹，
申请(专利权)人：华珑沈阳智能电气有限公司，
类型：发明
国别省市：