断路器储能弹簧的故障严重程度评估方法、系统及介质技术方案

本发明专利技术公开了一种断路器储能弹簧的故障严重程度评估方法、系统及介质，本发明专利技术断路器储能弹簧的故障严重程度评估方法包括采集指定时长的断路器储能弹簧的弹力信号；断路器储能弹簧的弹力信号中提取时域特征向量；将时域特征向量输入预先训练好的储能弹簧故障严重程度评估模型得到断路器储能弹簧的故障严重程度评估结果。本发明专利技术断路器储能弹簧的故障严重程度评估方法采用的时域特征向量能够准备反应断路器储能弹簧不同故障程度的动态变化信息，具有简单高效、准确率较高、应用范围较广泛优点。泛优点。泛优点。

【技术实现步骤摘要】
断路器储能弹簧的故障严重程度评估方法、系统及介质


[0001]本专利技术涉及断路器故障严重程度评估领域，具体涉及一种断路器储能弹簧的故障严重程度评估方法、系统及介质。

技术介绍

[0002]断路器是电力系统中重要的开关设备，负责故障线路的开断与隔离，其工作状态将影响电力系统的稳定运行。断路器储能弹簧故障是断路器的常见故障，如果能够对其严重程度进行准确评估，可以防止因故障发展而产生的恶化现象，从而及时排除设备的故障并为现场的检修工作提供合理指导。

技术实现思路

[0003]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种断路器储能弹簧的故障严重程度评估方法、系统及介质，本采用的时域特征向量能够准备反应断路器储能弹簧不同故障程度的动态变化信息，具有简单高效、准确率较高、应用范围较广泛优点。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种断路器储能弹簧的故障严重程度评估方法，包括：
[0006]S101，采集指定时长的断路器储能弹簧的弹力信号；
[0007]S102，从断路器储能弹簧的弹力信号中提取时域特征向量；
[0008]S103，将时域特征向量输入预先训练好的储能弹簧故障严重程度评估模型，得到断路器储能弹簧的故障严重程度评估结果。
[0009]可选地，步骤S101中的指定时长为120ms。
[0010]可选地，步骤S102包括：将断路器储能弹簧的弹力信号按照指定的时间尺度进行时段划分，分别计算每一个时段的弹力信号的方差，同时提取弹力信号的初始值、最小值、最小值对应的时间，将弹力信号的方差以及初始值、最小值、最小值对应的时间组合构成弹力信号的时域特征向量。
[0011]可选地，所述进行时段划分时，划分的时段长度为10ms。
[0012]可选地，步骤S103中得到的断路器储能弹簧的故障严重程度评估结果为正常、轻度、中度或严重四种之一。
[0013]可选地，步骤S103中的储能弹簧故障严重程度评估模型为基于多元线性函数的储能弹簧故障严重程度评估模型，其函数表达式如下所示：
[0014][0015]上式中，Y为储能弹簧的故障严重程度参数，K1×
m
为用于表示储能弹簧的故障严重程度参数随故障严重程度的变化趋势多元线性函数的斜率，X
m
×
n
为时域特征向量的集合，m
表示时域特征的维度，n表示样本的个数，B1×
n
为多元线性函数的截距，k1～k
m
为各个时域特征的斜率，x
11
～x
m1
为第一个样本的时域特征向量中的各个时域特征，x
1n
～x
mn
为第n个样本的时域特征向量中的各个时域特征。
[0016]可选地，步骤S103之前还包括：
[0017]S201，建立BP神经网络，且所述BP神经网络的网络参数与基于多元线性函数的储能弹簧故障严重程度评估模型的参数之间的对应关系如下式所示：
[0018]K1×
m
＝e
·
w2·
W1×
m
·
C
m
×
m
[0019]B1×
n
＝(e
·
w2·
b1+e
·
b2+f)
·
[1,1,
…
,1]n
‑
e
·
w2·
W1×
m
·
D
m
×
n
[0020][0021][0022][0023][0024][0025]上式中，K1×
m
为用于表示故障严重程度随故障严重程度的变化趋势多元线性函数的斜率，e为反归一化函数的斜率，w2为BP神经网络的隐含层与输出层间的权值，W1×
m
为BP神经网络的输入层及隐含层间包含的m个权值的集合，C
m
×
m
为进行归一化计算生成的对角矩阵，B1×
n
为多元线性函数的截距，b1为BP神经网络的隐含层核函数的阈值，b2为BP神经网络的输出层函数的阈值，f为反归一化函数的截距，D
m
×
n
为归一化公式的截距，x
i
(min)和x
i
(max)分别为时域特征向量中第i个特征x
i
的最小值和最大值，d1～d
m
为用于进行1～m维时域特征对应的归一化函数的截距且为D
m
×
n
的组成元素，d
i
为时域特征向量中第i个特征x
i
的对应的归一化函数的截距，Q1×
n
(min)和Q1×
n
(max)分别为样本数据对应的标签的最小值和最大值；
[0026]S202，采集断路器储能弹簧在不同的故障严重程度下的指定时长的断路器储能弹簧的弹力信号样本，利用弹力信号样本及其故障严重程度标签对BP神经网络进行训练以获得基于多元线性函数的储能弹簧故障严重程度评估模型的参数。
[0027]可选地，步骤S201中建立的BP神经网络为依次包括输入层、隐含层和输出层的三层结构，输入层的神经元节点的个数为15个，用于输入12个时段的弹力信号的方差以及弹力信号的初始值、最小值、最小值对应的时间共计15个时域特征；隐含层的神经元节点的个数为1个节点，且隐含层的激活函数设置为线性函数purelin；输出层的神经元节点的个数
为1个节点，以用于输出储能弹簧的故障严重程度参数。
[0028]此外，本专利技术还提供一种断路器储能弹簧的故障严重程度评估系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述断路器储能弹簧的故障严重程度评估方法。
[0029]此外，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述断路器储能弹簧的故障严重程度评估方法。
[0030]和现有技术相比，本专利技术主要具有下述优点：本专利技术包括采集指定时长的断路器储能弹簧的弹力信号；断路器储能弹簧的弹力信号中提取时域特征向量；将时域特征向量输入预先训练好的储能弹簧故障严重程度评估模型得到断路器储能弹簧的故障严重程度评估结果，时域特征向量能够准备反应断路器储能弹簧不同故障程度的动态变化信息，具有简单高效、准确率较高、应用范围较广泛优点。
附图说明
[0031]图1为本专利技术实施例方法的基本流程示意图。
具体实施方式
[0032]如图1所示，本实施例断路器储能弹簧的故障严重程度评估方法包括：
[0033]S101，采集指定时长的断路器储能弹簧的弹力信号；
[0034]S102，从断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种断路器储能弹簧的故障严重程度评估方法，其特征在于，包括：S101，采集指定时长的断路器储能弹簧的弹力信号；S102，从断路器储能弹簧的弹力信号中提取时域特征向量；S103，将时域特征向量输入预先训练好的储能弹簧故障严重程度评估模型，得到断路器储能弹簧的故障严重程度评估结果。2.根据权利要求1所述的断路器储能弹簧的故障严重程度评估方法，其特征在于，步骤S101中的指定时长为120ms。3.根据权利要求1所述的断路器储能弹簧的故障严重程度评估方法，其特征在于，步骤S102包括：将断路器储能弹簧的弹力信号按照指定的时间尺度进行时段划分，分别计算每一个时段的弹力信号的方差，同时提取弹力信号的初始值、最小值、最小值对应的时间，将弹力信号的方差以及初始值、最小值、最小值对应的时间组合构成弹力信号的时域特征向量。4.根据权利要求3所述的断路器储能弹簧的故障严重程度评估方法，其特征在于，所述进行时段划分时，划分的时段长度为10ms。5.根据权利要求1所述的断路器储能弹簧的故障严重程度评估方法，其特征在于，步骤S103中得到的断路器储能弹簧的故障严重程度评估结果为正常、轻度、中度或严重四种之一。6.根据权利要求1所述的断路器储能弹簧的故障严重程度评估方法，其特征在于，步骤S103中的储能弹簧故障严重程度评估模型为基于多元线性函数的储能弹簧故障严重程度评估模型，其函数表达式如下所示：上式中，Y为储能弹簧的故障严重程度参数，K1×
m
为用于表示储能弹簧的故障严重程度参数随故障严重程度的变化趋势多元线性函数的斜率，X
m
×
n
为时域特征向量的集合，m表示时域特征的维度，n表示样本的个数，B1×
n
为多元线性函数的截距，k1～k
m
为各个时域特征的斜率，x
11
～x
m1
为第一个样本的时域特征向量中的各个时域特征，x
1n
～x
mn
为第n个样本的时域特征向量中的各个时域特征。7.根据权利要求6所述的断路器储能弹簧的故障严重程度评估方法，其特征在于，步骤S103之前还包括：S201，建立BP神经网络，且所述BP神经网络的网络参数与基于多元线性函数的储能弹簧故障严重程度评估模型的参数之间的对应关系如下式所示：K1×
m
＝e
·
w2·
W1×
m
·
C
m
×
m
B1×
n
＝(e
·
w2·
b1+e
·
b2+f)
·
[1,1,
…

【专利技术属性】
技术研发人员：吴小忠，任浪，严亚兵，肖立华，刘海峰，刘伟良，谢国鸿，袁翎，肖俊先，牟秀君，龚禹生，李林山，张笑瑞，王玘，林圣，王波，李刚，许立强，臧欣，余斌，尹超勇，龙雪梅，徐彪，舒劲流，吴晋波，洪权，刘志豪，肖豪龙，丁禹，欧阳宗帅，欧阳帆，梁文武，李辉，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：