[发明专利]一种多参量融合的断路器寿命预测方法及系统

权利要求书

1.一种多参量融合的断路器寿命预测方法，所述方法包括：

确定反应断路器运行状态和寿命信息的特征参量；

将所述特征参量输入到经过训练的最终机器学习模型，通过所述最终机器学习模型输出断路器运行状态和寿命信息；

通过输出的断路器运行状态和寿命信息对断路器寿命进行预测。

2.根据权利要求1所述的方法，在确定反应断路器运行状态和寿命信息的特征参量之前，还包括：

采集断路器触头两端的电压值、流过断路器触头的电流值以及断路器触头的电阻值。

3.根据权利要求1所述的方法，所述特征参量包括：累计燃弧时间、累计触头磨损量、接触电阻；

所述累计燃弧时间表示为：

T＝∑t

t为单次开断燃弧时间，T为累计开断燃弧时间；

单次触头磨损量表示为：

其中，m为触头单次磨损量，t₁为燃弧开始时刻，t₂为燃弧结束时刻，U为电弧电压，I为电弧电流，α为比例系数；

所述累计触头磨损量表示为：

M＝∑m

M为累计触头磨损量。

4.根据权利要求1所述的方法，所述机器学习模型的算法包括：回归树、支持向量机、神经网络。

5.根据权利要求1所述的方法，还包括对所述机器学习模型进行训练：

将训练特征参量输入到机器学习模型，通过所述机器学习模型输出断路器运行状态和寿命信息；

将输出的断路器运行状态和寿命信息与真实响应信息进行误差分析，获取误差分析结果；

当误差分析结果小于预设的阈值时，所述机器学习模型通过训练，将通过训练的机器学习模型作为最终机器学习模型。

6.一种多参量融合的断路器寿命预测系统，所述系统包括：

初始单元，用于确定反应断路器运行状态和寿命信息的特征参量；

执行单元，用于将所述特征参量输入到经过训练的最终机器学习模型，通过所述最终机器学习模型输出断路器运行状态和寿命信息；

结果单元，用于通过输出的断路器运行状态和寿命信息对断路器寿命进行预测。

7.根据权利要求6所述的系统，所述初始单元，还用于：

采集断路器触头两端的电压值、流过断路器触头的电流值以及断路器触头的电阻值。

8.根据权利要求6所述的系统，所述特征参量包括：累计燃弧时间、累计触头磨损量、接触电阻；

所述累计燃弧时间表示为：

T＝∑t

t为单次开断燃弧时间，T为累计开断燃弧时间；

单次触头磨损量表示为：

其中，m为触头单次磨损量，t₁为燃弧开始时刻，t₂为燃弧结束时刻，U为电弧电压，I为电弧电流，α为比例系数；

所述累计触头磨损量表示为：

M＝∑m

M为累计触头磨损量。

9.根据权利要求6所述的系统，所述机器学习模型的算法包括：回归树、支持向量机、神经网络。

10.根据权利要求6所述的系统，所述执行单元，还用于对所述机器学习模型进行训练：

将训练特征参量输入到机器学习模型，通过所述机器学习模型输出断路器运行状态和寿命信息；

将输出的断路器运行状态和寿命信息与真实响应信息进行误差分析，获取误差分析结果；

当误差分析结果小于预设的阈值时，所述机器学习模型通过训练，将通过训练的机器学习模型作为最终机器学习模型。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于执行权利要求1-5中任一项所述的方法。

12.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；其中，

所述存储器，用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现权利要求1-5中任一项所述的方法。