申请/专利权人：国网安徽省电力有限公司马鞍山供电公司

申请日：2022-06-02

公开（公告）日：2024-06-25

公开（公告）号：CN114994573B

主分类号：G01R31/56

分类号：G01R31/56;G01R31/52;G01R31/00;G06F17/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明公开了一种基于人工智能的金属氧化物避雷器故障诊断方法，涉及氧化物避雷器故障智能诊断技术领域。该一种基于人工智能的金属氧化物避雷器故障诊断方法，可以对不同情况不同分析，提前判断出避雷器的故障发生时间，也就是寻找到它的寿命拐点。该基于人工智能的金属氧化物避雷器故障诊断方法以电阻电流的基波分量为特征量，通过基波分量的变化判断MOA的工作状态和绝缘性能。利用傅里叶变换从整个电流中分解出电阻电流的基波分量值，由加权KNN模型实现故障智能诊断，另外考虑了相对湿度、温度、空气质量、降雨量、三相电阻电流和三相电压这六个外界因素的影响，也可以结合雷击情况、空气质量、天气等因素实现多方面对MOA的故障进行诊断。

主权项：1.一种基于人工智能的金属氧化物避雷器故障诊断方法，采用基波电流法对MOA的故障进行诊断，其特征在于：包括如下步骤：电压互感器采集母线电压Ub，电流互感器采集全电流If，将通道A和通道B的两个信号通过模数转换器转换成数字信号，送入CPU，所述通道A测量的是避雷器的全电流，所述通道B测量的是母线电压；然后，通过傅里叶变换分解电压和电流基波分量的幅值If_1和相位；根据基波电流之间的矢量关系，计算出基波电阻电流Ifwr，即：公式一：式中：为基波电流与基波电压的夹角；设定正弦信号的表达式公式二；公式二：xt＝Asin2πft+φ，式中：A是幅度，f是频率，φ是初始相位角；由于采样频率fs必须满足fs＞2f，所以依据公式二采样时，每个周期的采样数ns满足Ns＝fsf，采样顺序如公式三；公式三：xn＝Asinωn+φ，式中：其中ω＝2πNs；通过在每个循环中采样Ns个代表值，扩展整个正弦函数的信息；如果以Ns为周期，对公式三进行离散傅里叶变换DFT，得到公式四；公式四： 公式四的逆DFTIDFT定义如公式五；公式五： 其中公式三和公式四中，是蝶形因子，是周期为Ns的离散傅里叶级数系数，n是离散变量，n是谐波数；根据欧拉变换方程得到公式六和公式七；公式六：eix＝cosx+isinx，式中i是虚数单位；公式七：由公式六和公式七，公式四可变化为公式八；公式八： 根据实际采样数据，公式八可简化为复数表达式公式九、公式十和公式十一；公式九：公式十：公式十一：理想条件下，电压信号频率为50Hz，电压正弦信号可定义为公式十二；公式十二：u＝AVsinωt+φV，式中：AV是从幅度信号中提取的谐波分量，φV是从电压信号中提取的谐波分量；根据公式十二可得到公式十三；公式十三：FVk＝aV+ibV；根据公式八、公式九、公式十和公式十三可得到电压信号的幅值和相位角如下；公式十四：同理，架设当前信号为为I＝AIsinωt+φI可得公式十五；公式十五：FIk＝aI+ibI；则电流信号的幅值和相位角如下；公式十六：根据公式十五，从电压和电流信号中提取每个谐波分量值，将信号传送至滤波器以滤除每个谐波分量，得到基波电阻电流法所需的基波特征值，即；公式十七：包括加权kNN算法、原始训练集和测试样本，所述加权kNN算法步骤如下：所述原始训练集内包括影响MOA状态的参数以及参数对应的MOA的状态，并进行训练；所述MOA的状态包括故障与不故障；步骤一：评估基波电阻电流的权重：每个基波电阻电流的权重比例通过基波电阻电流的重要性来计算，其计算公式为公式十八；公式十八：式中：Ns为基波电阻电流的个数，Imfwrc为基波电阻电流的重要性；步骤二：对测试样本是否属于原始训练集进行判断，如果测试样本属于原始训练集则直接根据原始训练集对应的样本直接得出故障类别；如测试样本不属于原始训练集，则进入步骤三；步骤三：找出测试样本与原始训练集的所有样本之间的加权距离：在测试过程中，如果测试样本不能准确匹配规则库中的规则，说明测试样本是一个从未被满足的新样本，此时，测试样本与训练集中所有样本之间的欧几里得距离计算为公式十八，加权得到最终距离，计算公式为公式十九；公式十九：式中：m＝1，2，...，Ns，n＝1，2，...，N，Cmn是训练样本m的第n个条件基波电阻电流值，fwrcn是测试样品fwrc的第n个条件基波电阻电流值，wn是第n个条件基波电阻电流的权重，N是训练样本的数量，Ns是减少后的基波电阻电流的个数；步骤四：根据公式十八得到与测试样本距离最小的k个训练样本，设置k：由公式十八计算测试样本与原始训练集中所有样本的加权距离dm后，根据最小距离原则，选取训练样本中测试样本的k个最近邻；步骤五：统计：由上一步得到k个近邻数后，统计故障样本的出现次数，找到出现频率最高的故障类别，将测试样本的故障类别判断为该故障类别；如果不同故障类别的样本出现的次数相同，并是k个近邻数中最大的，则返回上一步，继续寻找距离最小的训练样本；当统计到的训练样本数最多的故障类别，测试样本会被判断为该故障类别；所述原始训练集和测试样本中均包括雷击次数α、雷电流大小β、连续雷击间隔γ、铁塔倾角δ，所述雷击次数α、雷电流大小β、连续雷击间隔γ、铁塔倾角δ的整合的计算公式为公式二十；公式二十：，式中：ε无限趋于0。

全文数据：

权利要求：

百度查询： 国网安徽省电力有限公司马鞍山供电公司 一种基于人工智能的金属氧化物避雷器故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD