[发明专利]一种断路器缺陷识别方法

说明书

本申请公开了一种断路器缺陷识别方法，包括采集断路器分合闸线圈电流数据，将采集的断路器分合闸线圈电流数据分为训练集和测试集；预处理步骤1采集的分合闸线圈电流数据；提取预处理后数据的波形特征；基于提取的波形特征，识别断路器缺陷。本申请利用CNN中的卷积层与池化层实现断路器缺陷特征自提取，基于RF算法实现网络训练过程，解决了传统人工提取特征过度依赖专家经验，及传统阈值法受谐波影响较大因此准确率波动大的问题；采用的随机森林预测算法，其训练过程中，克服了传统方法中在监测到未知波形时无法正确辨识的问题，因此不仅能够识别多种已知缺陷，还可隔离未知缺陷，同时识别准确率高。

技术领域

本发明属于断路器缺陷识别技术领域，涉及一种断路器缺陷识别技术，尤其涉及一种基于卷积神经网络(Convolutional Neural Networks,CNN)与随机森林(RandomForest,RF)预测算法的断路器缺陷识别方法。

背景技术

断路器以其庞大的数量、广泛的运用范围，及其在电力系统中通断负荷、切除故障的控制与保护功能，成为了电网中不可或缺的重要组成部分。因此，研究断路器机械状态特征提取技术、机械缺陷诊断方法，对于规避断路器各类事故的发生意义重大。

传统的机械故障(缺陷)诊断技术包括基于解析模型的方法、时域频域分析方法、多元统计方法和基于知识的方法等。在监测故障的主要信号的选择上，主要有振动信号、分合闸线圈电流、触头位移或主轴转角和电力设备图像等。其中，分合闸线圈电流作为涵盖断路器在操作过程关键特征的重要标志信号，不仅监测方便，并且相较其他几种信号，其包含的断路器操作机构信息较为全面。通过该信号可识别的故障类型较为广泛，如：操作机构中控制回路故障、铁芯卡涩、线圈老化等；同时该信号对操作机构的缺陷变化趋势也较为敏感。所以采用分合闸线圈电流作为本发明中的电气监测量。

随着科技的进步，国内外学者提出了多种断路器故障诊断研究方法，如传统的特征提取方法和阈值法。但断路器类型繁多，传统的特征提取方法多是针对于特定型号的断路器，诊断方法不具有普适性，无法满足各类型断路器的状态监测。同时，近年来操作机构作为断路器中机械故障率最高的部件，是状态监测的重点对象，而状态监测的目的，不仅是对机械缺陷与故障的精确判断，更应该重视对缺陷状态变化的趋势与程度的反应与识别，因此针对断路器操作机构缺陷的诊断方法长期以来都是亟待优化的重要课题。传统的阈值法在实际应用中，由于依赖于采样的精度、谐波与噪声强度以及滤波算法的准确度，抗干扰性不高，不利于在线应用。

发明内容

为解决现有技术中的不足，本申请提供一种断路器缺陷识别方法，与传统算法相比，采用本发明方法抗干扰能力强，准确率高，适用于现场作业。

为了实现上述目标，本申请采用如下技术方案：

一种断路器缺陷识别方法，包括以下步骤：

步骤1：采集断路器分合闸线圈电流数据，将采集的断路器分合闸线圈电流数据分为训练集和测试集；

步骤2：预处理步骤1采集的分合闸线圈电流数据；

步骤3：提取预处理后数据的波形特征；

步骤4：基于步骤3提取的波形特征，识别断路器缺陷。

本发明进一步包括以下优选方案：

优选地，所述方法还包括步骤5：测试集校核断路器缺陷识别准确率。

优选地，步骤2所述预处理步骤1采集的分合闸线圈电流数据，包括：

步骤201：对所有分合闸线圈电流数据进行二次采样，统一数据维度并归一化；

步骤202：对归一化的数据进行特征波形粗提取，并对提取出的信号进行滤波和消噪。