[发明专利]一种针对高压真空断路器的真空度在线监测方法及装置

权利要求书

1.一种针对高压真空断路器的真空度在线监测方法，其特征在于，包括以下步骤：

通过设置在真空灭弧室外的天线来捕获高压真空断路器的电磁波信号，并通过数据采集系统将所述天线接收的电磁波信号转换为数字信号后，得到所述数字信号的第一数据点；

对所述第一数据点进行过滤处理后得到第二数据点，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量；

将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量，具体为：

采用db9小波函数和5层小波包分解法对所述第二数据点进行小波包分解得到5层小波包分解分量，针对分解得到的第5层的前3个分解分量区间，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量；

计算各个分解分量区间的最大功率差向量的均值和方差，并将所述最大功率差向量的均值和方差作为第二数据点的第一特征向量；

将所述第一特征向量输入至PCA-BP神经网络优化模型，所述PCA-BP神经网络优化模型采用主成分分析法对所述第一特征向量进行特征降维和特征筛选得到第二特征向量，再根据所述第二特征向量对所述高压真空断路器的真空度进行监测并输出真空度监测结果；

采用主成分分析法对所述第一特征向量进行特征降维和特征筛选，得到第二特征向量，具体为：

计算所述第一特征向量的协方差矩阵的全部特征值和特征向量，将所述全部特征值从大到小进行排列，选取特征值大于第一预设阈值的特征向量作为主向量；

计算所述主向量的前m个主分量，根据所述前m个主分量构建所述第二特征向量；所述前m个主分量的累计方差贡献率大于第二预设阈值。

2.根据权利要求1所述的针对高压真空断路器的真空度在线监测方法，其特征在于，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量，具体为：

将各个分解分量区间的分解分量按照等时间分段的方式分成若干段，并计算每段的电磁波信号的功率，得到各个分解分量区间的功率谱；

以25为步长计算各个分解分量区间内的电磁波信号功率的最大值与最小值之差，得到各个分解分量区间的最大功率差和最大功率差向量。

3.根据权利要求2所述的针对高压真空断路器的真空度在线监测方法，其特征在于，根据公式对所述第二数据点进行小波包分解，式中u_n(2t-k)、u_2n()和u_2n+1()均为分解得到的小波包，n、2n和2n+1表示小波包对应的位置信息，h(k)为低通滤波器，g(k)为高通滤波器，t为时间，k为平移变量，Z为整数。

4.根据权利要求3所述的针对高压真空断路器的真空度在线监测方法，其特征在于，所述天线为环形天线，所述环形天线距离所述真空灭弧室0.5m～1.5m且所述环形天线的环形平面正对所述真空灭弧室。

5.根据权利要求4所述的针对高压真空断路器的真空度在线监测方法，其特征在于,所述数据采集系统采样速率为500kHz。

6.根据权利要求5所述的针对高压真空断路器的真空度在线监测方法，其特征在于，对所述第一数据点进行过滤处理后得到第二数据点，具体为：

采用带通滤波器对所述第一数据点进行过滤后，得到第二数据点。

7.根据权利要求6所述的针对高压真空断路器的真空度在线监测方法，其特征在于，所述带通滤波器的滤波范围为2kHz～50kHz。

8.一种针对高压真空断路器的真空度在线监测装置，其特征在于，包括电磁波信号接收和转换模块、特征向量构造模块和真空度监测模块；

所述电磁波信号接收和转换模块用于通过设置在真空灭弧室外的天线来捕获高压真空断路器的电磁波信号，并通过数据采集系统将所述天线接收的电磁波信号转换为数字信号后，得到所述数字信号的第一数据点；

所述特征向量构造模块用于对所述第一数据点进行过滤处理后得到第二数据点，将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量；

将所述第二数据点进行小波包分解后，根据分解结果构造所述第二数据点的第一特征向量，具体为：

采用db9小波函数和5层小波包分解法对所述第二数据点进行小波包分解得到5层小波包分解分量，针对分解得到的第5层的前3个分解分量区间，计算每个所述分解分量区间的功率谱，并根据各个分解分量区间的功率谱计算各个分解分量区间的最大功率差和最大功率差向量；

计算各个分解分量区间的最大功率差向量的均值和方差，并将所述最大功率差向量的均值和方差作为第二数据点的第一特征向量；

所述真空度监测模块用于将所述第一特征向量输入至PCA-BP神经网络优化模型，所述PCA-BP神经网络优化模型采用主成分分析法对所述第一特征向量进行特征降维和特征筛选得到第二特征向量，再根据所述第二特征向量对所述高压真空断路器的真空度进行监测并输出真空度监测结果；

采用主成分分析法对所述第一特征向量进行特征降维和特征筛选，得到第二特征向量，具体为：

计算所述第一特征向量的协方差矩阵的全部特征值和特征向量，将所述全部特征值从大到小进行排列，选取特征值大于第一预设阈值的特征向量作为主向量；

计算所述主向量的前m个主分量，根据所述前m个主分量构建所述第二特征向量；所述前m个主分量的累计方差贡献率大于第二预设阈值。