[发明专利]高压断路器状态识别方法、系统及可读计算机存储介质

说明书

本发明公开了一种高压断路器状态识别方法、系统及可读计算机存储介质，通过声音传感器和振动传感器获取断路器在不同运行状态下的声音和振动两路信号，分别对时域下的信号进行变分模态分解，得到若干固有模态函数分量信号，将两种信号的固有模态函数行分段处理，组成一个新的多维数据矩阵，求得每段信号的多种特征值，得到所组成的多维特征矩阵。从而达到将两种不同的信号融合再重构的目的，并以此为基础来构建BP神经网络模型，对采集并优化后的数据拟合，进而进行模式识别。本发明可以实现多维特征提取，能够增大断路器故障诊断容错率，做到高压断路器状态的准确识别。

技术领域

本发明涉及电气设备故障检测领域，尤其是一种基于变分模态分解算法和BP神经网络的高压断路器状态识别方法、系统及可读计算机存储介质。

背景技术

高压断路器作为电力系统最常用的电力设备，其重要作用为控制和保护其他电气设备，因此断路器的正常运行是电网安全运行的重要保障。高压断路器操动过程由电气信号到机械动作的转换和后续机械传动组成，伴生了一系列电气量、机械振动和声音等非线性、非平稳信号。目前大多数高压断路器状态识别方法是针对断路器动作过程中所产生的振动信号或声音信号及图像信号进行某种单一的信号进行处理进而判断断路器的工作状态，比较常用的有小波分解、经验模态分解、小波包能谱熵、小波奇异性检测等方法等。但现有的技术中大多采用单一信号判断，并没有全面利用断路器动作过程中的其他信号，缺少多种信号融合处理来协同判断，在一些特殊的情况下存在误判的现象。

发明内容

为了解决上述技术问题，本发明提供了一种高压断路器状态识别方法，其特殊之处在于，包含以下步骤：

S1获得高压断路器在正常状态下的声音信号和振动信号；

S2对所述声音信号和振动信号分别进行变分模态分解，获得2K个固有模态函数；

S3针对所述2K个固有模态函数进行分段，得到2AK×B的特征向量，并以此作为正常状态下的特征矩阵，其中每个固有模态函数等长度分为A段，并对每段固有模态函数取B个特征值；

S4获得高压断路器在不同故障状态下运行时的声音信号和振动信号及对应的特征矩阵；

S5根据正常状态下的特征矩阵和不同故障状态下运行时对应的特征矩阵，获得训练好的BP神经网络；

S6针对待检测高压断路器，获得待检测高压断路器的声音信号和振动信号及对应的特征矩阵，将待检测高压断路器的特征矩阵作为输入值输入训练好的BP神经网络，获得输出值，输出值所对应的运行状态作为所述待检测高压断路器状态。

进一步地，所述步骤S2中变分模态分解的变分问题为本征模态分量的估计带宽之和最小，约束条件是本征模态分量之和为原始信号，公式如下：

式中：{u_k(t)}为本征模态函数的集合，{w_k}为中心频率的集合，δ(t)为脉冲信号。

进一步地，所述步骤S2中对声音信号和振动信号分别进行变分模态分解，获得6个固有模态函数。

进一步地，所述步骤S3中将声音信号和振动信号分解得到的6个固有模态函数进行分段，其中每个固有模态函数等长度分为10段，并对每段固有模态函数取13个特征值，最终得到一个60×13的特征向量，并以此作为特征矩阵，所述固有模态函数的特征值包括每段信号的平均值，标准差，偏度，峭度，最大值，最小值，峰峰值，均方根，振幅因数，波形因数，冲击因数，裕度因数和能量。

进一步地，所述步骤S4中故障状态的种类包括合闸拒动、连杆脱落和基座松动。