【技术实现步骤摘要】
本专利技术涉及配电柜电气设备相关，尤其是指一种配电柜电气设备内部运行状态监测时序分析系统。
技术介绍
1、配电柜是电力系统非常重要的电气设备。由于种种原因引起的配电柜运行状态恶化常导致电力系统出现故障。因此，对配电柜运行状态进行实时监测，及时发现故障隐患，对积累性故障作出预测，对于保证配电柜的正常运行、减少维修次数、提高电力系统的运行可靠性和自动化程度都有重要意义。
2、配电柜的故障主要有以下几类：
3、(1)拒动、误动故障：拒动、误动故障是配电柜最主要的故障，其原因可分为两类，一类是因操作机构传动系统的机械原因造成，具体表现为机构卡涩、部件变形或损坏、分合闸铁芯松动或卡涩、轴销松动、脱扣失灵等；另一类是因电气控制和辅助回路造成，表现为二次接线接触不良、端子松动、接线错误、分合闸线圈因机构卡涩或转换开关不良而烧坏、辅助开关切换不灵、操作电源故障、合闸接触器故障以及微动开关故障等。
4、(2)开断与关合故障：开断与关合故障是由断路器本体造成的，对少油断路器而言，主要表现为喷油短路、灭弧室烧坏、开断能力不足、关合时爆炸等；对于真空断路器而言，表现为灭弧室及波纹管漏气、真空度降低、切电容器组重燃、陶瓷管破裂等。
5、(3)绝缘故障：绝缘故障表现为外绝缘对地闪络击穿、内绝缘对地闪络击穿、相间绝缘闪络击穿、雷电过电压闪络击穿，以及瓷瓶套管和电容套管的闪络、污闪、击穿、爆炸等等。
6、(4)截流故障：7.2kv～12kv电压等级发生的截流故障主要原因是配电柜隔离插头接触不良导致触头
7、(5)外力及其它故障：外力及其它故障包括异物撞击、自然灾害、小动物短路等。
8、传统的配电柜的监测方法主要依靠独立传感器对单个监测项目进行独立监测，核心在于传感器类别和精度。传感器主要分为温度传感器、感应式位置传感器、位移传感器、压力传感器和振动传感器等。状态监测方法大多基于机器学习模型，模型的学习过程通常为：首先，对监测到的传感器数据进行归一化、降噪等处理；然后，从时域、频域和时频域进行特征提取和特征选择；最后，采用预先建立的机器学习模型进行分类。
9、深度学习方法模型是一个“端到端的模型”，无需对原始数据进行复杂的数据预处理，能够通过自适应地提取传感器信号中隐藏的高维特征和合理的网络深度设计达到较为理想的结果。但是，采用端到端的深度学习方法对于监测终端的实时信号处理能力要求很高，硬件成本很大，对于没有经过前期信号预处理的数据存在较大检测误差，甚至很多时候会存在回归性差，全局函数不收敛的问题。
技术实现思路
1、本专利技术是为了克服现有技术中存在上述的不足，提供了一种能够提高处理速度和数据检测精度的配电柜电气设备内部运行状态监测时序分析系统。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种配电柜电气设备内部运行状态监测时序分析系统，该模型是基于隐马尔可夫模型hmm的传感器数据检测模型，隐马尔可夫模型hmm是可用于标注问题的动态贝叶斯网络生成模型，描述由一个hmm链随机生成不可观测的状态序列，再由状态序列生成一个观测序列的过程；hmm由初始概率分布、状态转移概率分布以及观测概率分布确定，其中初始概率分布和状态转移概率分布确定了hmm链，生成不可观测的状态序列；观测概率分布确定如何从状态序列生成观测序列；具体操作如下：
4、(1)将各类传感器监测的数据和配电柜电气设备的故障状态样本导入到隐马尔可夫模型hmm中，来建立隐马尔可夫模型hmm；
5、(2)隐马尔可夫模型hmm建立好后，根据当前传感器采集到的数据与观测序列进行比对分析，最后输出当前的状态判断值。
6、本专利技术提出了一种基于隐马尔可夫模型(hmm)的传感器数据检测模型，和端到端的神经网络深度学习算法相比，具有更快的处理速度、更低的硬件成本需求和更精准的数据检测精度。
7、作为优选，所述隐马尔可夫模型hmm的形式定义如下：
8、所有可能的状态集合为q，可能的观测集合为v，状态序列为i，观测序列为o：
9、q＝{q1,q2,q3,…,qn}
10、v＝{v1,v2,v3,…,vm}
11、i＝{i1,i2,i3,…,it}
12、o＝{o1,o2,o3,…,ot}
13、式中：n为hmm链中可能对应的状态个数，m为每个状态可能产生的观测值个数，t为序列长度数；状态序列i是配电柜电气设备内部运行状态标准，其内部的值i为状态标准值；状态集合q是配电柜电气设备内部运行一段时间的实际运行状态，其内部的值q为运行状态值；观测序列o是每个状态下各类传感器的观测标准，其内部的值o为观测标准值；观测集合v是每个状态下各类传感器产生的观测值v的总和。
14、作为优选，所述初始概率分布具体如下，
15、初始状态概率向量为π：
16、π＝(πi)
17、πi＝p(it＝qi),i＝1,2,3,…,n
18、πi为时刻t处于状态qi的初始状态概率；
19、所述状态转移概率分布具体如下，
20、状态转移概率矩阵为a：
21、
22、aij＝p(it+1＝qjit＝qi),i＝1,2,3,…,n aij为时刻t处于状态qi的条件下在时刻t+1转移到状态qj的概率；
23、所述观测概率分布具体如下，
24、观测概率矩阵为b：
25、
26、bj(k)＝p(ot＝vk|it＝qj)，k＝1,2,3,…,m；j＝1,2,3,…,n
27、bj(k)为时刻t处于状态qj的条件下生成观测值vk的概率，k指的是观测值的序号，j指的是状态值的序号；
28、在隐马尔可夫模型hmm的建立过程中，使用λ＝(π，a，b)来表示隐马尔可夫模型hmm，模型的输入数据为状态序列i，观测序列o和观测集合v为模型预设的，状态集合q是样本数据。
29、作为优选，在采用隐马尔可夫模型hmm进行比对分析时，需要解决概率计算问题，概率计算问题指的是：给定模型λ＝(π，a，b)，观测序列o＝{o1，o2，o3，…，ot}，计算在给定模型λ下观测序列o出现的概率p(o|λ)；具体采用前向算法和后向算法联合约定算法来完整计算出在给定模型λ下观测序列o出现的概率p(o|λ)。
30、作为优选，采用前向算法和后向算法联合约定算法具体如下，前向算法需要定义前向概率，到时刻t部分观测序列为o1，o2，o3，…，ot且状态为qi的概率为前向概率：
31、at(i)＝p(o1，o2，o3，...，ot，it＝qi|λ)
32、采用递推方法求得前向概率at+1(i)及观测序列概率p(o|λ)；
33、初值：
34、a1(i)＝πibi(o1)，i＝1，2，3，...，n
3本文档来自技高网...
【技术保护点】
1.一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，该模型是基于隐马尔可夫模型HMM的传感器数据检测模型，隐马尔可夫模型HMM是可用于标注问题的动态贝叶斯网络生成模型，描述由一个HMM链随机生成不可观测的状态序列，再由状态序列生成一个观测序列的过程；HMM由初始概率分布、状态转移概率分布以及观测概率分布确定，其中初始概率分布和状态转移概率分布确定了HMM链，生成不可观测的状态序列；观测概率分布确定如何从状态序列生成观测序列；具体操作如下：
2.根据权利要求1所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，所述隐马尔可夫模型HMM的形式定义如下：
3.根据权利要求2所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，所述初始概率分布具体如下，
4.根据权利要求2或3所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，在采用隐马尔可夫模型HMM进行比对分析时，需要解决概率计算问题，概率计算问题指的是：给定模型λ＝(π,A,B)，观测序列O＝{o1,o2,o3,…,oT}，计算在给定模型λ下观测序列O
5.根据权利要求4所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，采用前向算法和后向算法联合约定算法具体如下，前向算法需要定义前向概率，到时刻t部分观测序列为o1,o2,o3,…,oT且状态为qi的概率为前向概率：
6.根据权利要求5所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，在采用隐马尔可夫模型HMM进行比对分析时，需要预测问题；预测问题为已知HMM模型λ＝(π,A,B)和观测序列O＝{o1,o2,o3,…,oT}，计算对给定观测序列条件概率P(I|O)最大的对应状态序列I＝{i1,i2,i3,…,iT}。
7.根据权利要求6所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，针对预测问题，提出一种改进的Viterbi算法求概率最优路径对应的状态序列，具体计算方法为：
8.根据权利要求5所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，在采用隐马尔可夫模型HMM进行比对分析时，需要解决学习问题；学习问题为给定训练数据只包含S个长度为T的观测序列O＝{o1,o2,o3,…,os}，目标是学习HMM模型λ＝(π,A,B)的参数，使得在模型λ下观测序列O出现的概率P(O|λ)最大，即用极大似然估计的方法估计参数，此时的HMM为P(O|λ)＝∑IP(O|I,λ)P(I|λ)。
9.根据权利要求8所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，针对学习问题，提出一种非监督学习算法来计算确定极大似然估计的方法估计参数，具体计算方法为：
...【技术特征摘要】
1.一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，该模型是基于隐马尔可夫模型hmm的传感器数据检测模型，隐马尔可夫模型hmm是可用于标注问题的动态贝叶斯网络生成模型，描述由一个hmm链随机生成不可观测的状态序列，再由状态序列生成一个观测序列的过程；hmm由初始概率分布、状态转移概率分布以及观测概率分布确定，其中初始概率分布和状态转移概率分布确定了hmm链，生成不可观测的状态序列；观测概率分布确定如何从状态序列生成观测序列；具体操作如下：
2.根据权利要求1所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，所述隐马尔可夫模型hmm的形式定义如下：
3.根据权利要求2所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，所述初始概率分布具体如下，
4.根据权利要求2或3所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，在采用隐马尔可夫模型hmm进行比对分析时，需要解决概率计算问题，概率计算问题指的是：给定模型λ＝(π,a,b)，观测序列o＝{o1,o2,o3,…,ot}，计算在给定模型λ下观测序列o出现的概率p(o|λ)；具体采用前向算法和后向算法联合约定算法来完整计算出在给定模型λ下观测序列o出现的概率p(o|λ)。
5.根据权利要求4所述的一种配电柜电气设备内部运行状态监测时序分析系统，其特征是，采用前向算法和后向算法联合约定算法具体...
【专利技术属性】
技术研发人员：张静，陈世喆，徐寅飞，邢志钢，蒋鲁军，
申请(专利权)人：杭州电力设备制造有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。