本发明属于电力设备检测技术领域,具体涉及一种高压电力设备故障检测方法。
背景技术:
目前,电力设备的安全预估,是主动式配电网安全运行的关键问题。然而,检测获得的大量非结构化图像数据由于缺乏有效的结构化方式造成故障诊断、状态预估困难。传统的故障诊断需人为方式对检测图像进行逐一排查,不仅准确性、实效性较差,还由于缺乏后续趋势建模分析导致设备安全管理被动。
技术实现要素:
本发明的目的是提供一种高压电力设备故障检测方法,解决了现有技术中存在的高压电力设备故障检测效率低、精度差的问题。
本发明所采用的技术方案是,一种高压电力设备故障检测方法,具体按照以下步骤实施:
步骤1、将电力设备内部划分为n个区域,采样每个区域内的电流电压信号,并绘制电流电压随时间的波形变化图;
步骤2、记录步骤1中每个区域中的曲线图中的最高点和最低点对应的时刻以及电压电流信息,并写成电压关于电流和时间的函数;将所有的函数进行训练;
步骤3、将训练数据集进行预测,得到多组预测结果,进而得到故障区域坐标。
本发明的特点还在于,
步骤1中采样时间间隔为10~20s。
步骤1中划分区域n为50~100个。
步骤3中将预测结果中小于40~50的结果对应的区域记为无故障区域。
步骤3中将预测结果中小于80且大于51的结果对应的区域记为一般故障区域,如果结果大于80以上,则故障判定为严重故障。
本发明的有益效果是,一种高压电力设备故障检测方法简单高效、可靠性强、易于操作、成本低廉,具有很广阔的应用市场。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明一种高压电力设备故障检测方法,具体按照以下步骤实施:
步骤1、将电力设备内部划分为n个区域,采样每个区域内的电流电压信号,并绘制电流电压随时间的波形变化图;其中,采样时间间隔为10~20s;划分区域n为50~100个;
步骤2、记录步骤1中每个区域中的曲线图中的最高点和最低点对应的时刻以及电压电流信息,并写成电压关于电流和时间的函数;将所有的函数进行训练;
步骤3、将训练数据集进行预测,得到多组预测结果,进而得到故障区域坐标,其中,将预测结果中小于40~50的结果对应的区域记为无故障区域,将预测结果中小于80且大于51的结果对应的区域记为一般故障区域,如果结果大于80以上,则故障判定为严重故障。
实施例1
本发明一种高压电力设备故障检测方法,具体按照以下步骤实施:
步骤1、将电力设备内部划分为n个区域,采样每个区域内的电流电压信号,并绘制电流电压随时间的波形变化图;其中,采样时间间隔为10s;划分区域n为50个;
步骤2、记录步骤1中每个区域中的曲线图中的最高点和最低点对应的时刻以及电压电流信息,并写成电压关于电流和时间的函数;将所有的函数进行训练;
步骤3、将训练数据集进行预测,得到多组预测结果,进而得到故障区域坐标,其中,将预测结果中小于40~50的结果对应的区域记为无故障区域,将预测结果中小于80且大于51的结果对应的区域记为一般故障区域,如果结果大于80以上,则故障判定为严重故障。
实施例2
本发明一种高压电力设备故障检测方法,具体按照以下步骤实施:
步骤1、将电力设备内部划分为n个区域,采样每个区域内的电流电压信号,并绘制电流电压随时间的波形变化图;其中,采样时间间隔为20s;划分区域n为100个;
步骤2、记录步骤1中每个区域中的曲线图中的最高点和最低点对应的时刻以及电压电流信息,并写成电压关于电流和时间的函数;将所有的函数进行训练;
步骤3、将训练数据集进行预测,得到多组预测结果,进而得到故障区域坐标,其中,将预测结果中小于40~50的结果对应的区域记为无故障区域,将预测结果中小于80且大于51的结果对应的区域记为一般故障区域,如果结果大于80以上,则故障判定为严重故障。
实施例3
本发明一种高压电力设备故障检测方法,具体按照以下步骤实施:
步骤1、将电力设备内部划分为n个区域,采样每个区域内的电流电压信号,并绘制电流电压随时间的波形变化图;其中,采样时间间隔为15s;划分区域n为80个;
步骤2、记录步骤1中每个区域中的曲线图中的最高点和最低点对应的时刻以及电压电流信息,并写成电压关于电流和时间的函数;将所有的函数进行训练;
步骤3、将训练数据集进行预测,得到多组预测结果,进而得到故障区域坐标,其中,将预测结果中小于40~50的结果对应的区域记为无故障区域,将预测结果中小于80且大于51的结果对应的区域记为一般故障区域,如果结果大于80以上,则故障判定为严重故障。
实施例4
本发明一种高压电力设备故障检测方法,具体按照以下步骤实施:
步骤1、将电力设备内部划分为n个区域,采样每个区域内的电流电压信号,并绘制电流电压随时间的波形变化图;其中,采样时间间隔为18s;划分区域n为90个;
步骤2、记录步骤1中每个区域中的曲线图中的最高点和最低点对应的时刻以及电压电流信息,并写成电压关于电流和时间的函数;将所有的函数进行训练;
步骤3、将训练数据集进行预测,得到多组预测结果,进而得到故障区域坐标,其中,将预测结果中小于40~50的结果对应的区域记为无故障区域,将预测结果中小于80且大于51的结果对应的区域记为一般故障区域,如果结果大于80以上,则故障判定为严重故障。