[发明专利]高压断路器在线监测与故障诊断方法

说明书

高压断路器在线监测与故障诊断方法。单一不能实时准确器进行故障预警和告警，且不能有效区分电网故障还是互感器自身故障。本发明包括如下步骤：采集电流互感器内气体压强和温度并计算电流互感器内的气体摩尔数量，对电网运行数据中的温度值、电压值、光功率计数值进行判断，对正常运行状态探测器的输出波形信号进行采集和分析，提取正常波形参数；对电网运行数据中的计量通道数据和保护通道数据分别进行小波变换，然后对小波变换后的数据分别进行奇异值检测获得相应奇异值。本发明用于高压断路器在线监测与故障诊断。

技术领域

本发明涉及一种高压断路器在线监测与故障诊断方法。

背景技术

高压断路器在配电网系统中起着控制及保护的双重作用，故对高压断路器进行故障诊断意义重大。当前已经提出多种诊断方法，但仍存在一些问题和一定的局限性，如专家系统需要丰富的专家经验知识，而这时比较难以获取；神经网络易陷入局部最优；SVM是二分类算法，其多分类算法，如一对一SVM存在分类重叠和不可分类的情况；而ELM虽然训练速度比较快，但是所训练模型诊断的稳定性却要差一些。此外，现有智能故障诊断方法大都对无标签样本的利用率较低，并且学习能力具有局限性，可扩展性比较差。而深度学习作为第三代神经网络，具有较强地从大量无标签样本中提取特征的能力；同时由于其多层的复杂结构及逐层训练的稳定性，能够对大数据量样本进行训练，顺应了大数据时代的潮流，具有广阔的应用前景。

目前使用的高压断路器故障诊断方法有许多，如神经网络算法、遗传算法、支持向量机等。这些算法的基本思想是以高压断路器各种状态下的特征信息建立训练样本，再利用各类智能算法来构建起训练模型，最后将新采集的故障特征信息输入训练模型以得到诊断结果。这些智能算法虽然在高压断路器诊断中起着一定的作用，但是当训练样本数量较多且输入输出关系较为复杂时，往往存在着计算量大且不易收敛的问题，从而影响了故障诊断的有效性和准确性。

发明内容

本发明的目的是提供一种高压断路器在线监测与故障诊断方法。

上述的目的通过以下的技术方案实现：

一种高压断路器在线监测与故障诊断方法，该方法包括如下步骤：

步骤一：通过各种传感器进行信号采集，并对相应的信号分别进行预处理；

步骤二：取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，采集各类不同故障状态下各特征变量的值，从而建立起故障诊断训练数据集；

步骤三：采用逐层无监督贪婪学习算法对模型中RBM进行预训练；

步骤四：采用遗传算法对整个模型进行微调，即模型参数寻优；

步骤五：将步骤四训练获得的高压断路器故障诊断模型对步骤二中的测试集样本进行故障分类，得出故障分类结果，并统计模型诊断准确率。

所述的高压断路器在线监测与故障诊断方法，所述的不同故障状态包括：断路器过载、调速器失灵、合闸控制回路故障、合闸线圈匝间短路、合闸线圈匝间断路、失压脱扣线圈跳闸、机械故障。

所述的高压断路器在线监测与故障诊断方法，所述的步骤二中采集高压断路器上的分合闸线圈的电流信号，并从所述分合闸线圈的电流信号中提取电流特征数据的步骤，包括：

控制所述高压断路器上安装的预设传感模块采集所述高压断路器在不同操作状态下的分合闸线圈的电流曲线，其中，所述电流曲线中包含时间信息和电流信号；

获取所述电流曲线中的电流信号，并提取电流信号中的电流特征值，得到所述电流特征数据。

所述的高压断路器在线监测与故障诊断方法，所述的步骤三的具体过程为：计算新采集的高压断路器故障特征向量与步骤二中得到的各聚类的数据中心的欧式距离，将具有最小距离的聚类作为其所属聚类；

选择其所属聚类中与其距离最近的K＇个近邻元素，并计算近邻元素与所属聚类数据中心的距离平方和；