[发明专利]用于监测断路器的方法以及使用该方法的装置和物联网

说明书

提供了用于监测断路器机群的状况的方法以及使用该方法的系统和物联网。该方法包括：(a)针对相应断路器在该相应断路器的操作期间测量至少一种类型的操作状况相关信号；(b)获得特征数据集合，该特征数据集合表示操作状况相关信号的相应测量结果；(c)基于相似度阈值来对特征数据集合执行聚类分析；以及(d)基于由步骤(c)得到的簇数目，来生成指示断路器机群的状况的信号。该方法不是将表示操作状况相关信号的测量结果的数据与基于CB的正常数据而构建的参考模型进行比较，而是对表示操作状况相关信号的相应测量结果的特征数据集合应用聚类分析，该方法无需参考“正常”数据库进行比较。

技术领域

本发明涉及断路器领域，更具体地，涉及监测断路器机群的健康状况。

背景技术

断路器(CB)为变电站中最关键部件中的一个部件，其安全性和可靠性对整个电网至关重要。近年来，尤其是随着全球对数字产品的关注日益增加，智能断路器市场正在迅速增长。因此，市场需要一种智能断路器，该智能断路器能够在演变成实际故障之前，实时监测其缺陷和严重性，即，在实际故障发生之前监测其健康状况。

机器状况监测的目的是尽早检测故障，以避免进一步损坏机器。传统上讲，物理模型用于描述测量机器性能的传感器之间的关系。违反那些物理关系可能指示故障。然而，准确的物理模型通常难以获取。

使用物理模型的备选方案是使用基于机器学习技术的统计模型。近几十年来，这种途径获得了越来越多的关注。与假设已知传感器关系的物理模型相反，统计模型根据历史数据学习传感器之间的关系。统计模型的特点就是个很大的优势，因为相同的通用模型可以应用于不同的机器。专利公开CN 107 085 183 A中公开了一种基于非线性回归以对断路器的状况进行监测的机器学习算法。该算法的概念是基于CB自身的正常数据来构建CB的数据驱动模型，并且如果新出现的数据偏离参考模型，则它表示CB正在变得异常。为了能够将统计模型用于机器状况监测，必须基于带有状况印记的历史数据来训练模型。在基于分类的模型中，数据点印记可以是“正常”(表示良好数据)或“异常”(表示指示故障的数据)。

然而，该途径存在至少一个缺点。它必须基于处于“正常”状况和/或“异常”状况下的状况印记历史数据来训练算法模型。这会花费相对较长的时段来收集与机群中的新CB有关的那些种类的数据或一年期间偶尔触发的数据，这使得模型训练过程既费时又难处理。

发明内容

根据本发明的一个方面，提供了用于监测断路器机群的状况的方法，该方法包括以下步骤：(a)针对相应断路器在该相应断路器的操作期间测量至少一种类型的操作状况相关信号；(b)获得特征数据集合，该特征数据集合表示操作状况相关信号的相应测量结果；(c)基于相似度阈值来对特征数据集合执行聚类分析；以及(d)基于由步骤(c)产生的簇数目，来生成指示断路器机群的状况的信号。

根据本发明的另一方面，提供了用于监测断路器机群的状况的系统，该系统包括：至少一个传感器，该至少一个传感器被配置为针对相应断路器在该相应断路器的操作期间测量至少一种类型的操作状况相关信号；以及控制器，该控制器被配置为：获得特征数据集合，该特征数据集合表示操作状况相关信号的相应测量结果；基于相似度阈值来对特征数据集合执行聚类分析；以及基于由聚类分析的执行产生的簇数目，来生成指示断路器机群的状况的信号

根据本发明的另一方面，其提供了物联网，该物联网包括：断路器机群；用于监测断路器机群的状况的系统；以及服务器，该服务器被配置为接收指示断路器机群的状况的信号。