论文部分内容阅读
电网可靠性与高压断路器的运行状态直接相关。断路器操动机构的安全可靠性是保证断路器正常运行的重要条件。当电力系统处于正常运行状态,进行高压设备的计划检修时,高压断路器用于开断线路以保证安全;当系统发生故障时,通过继电器保护装置的作用,切断高压线路中的短路电流和过负荷电流,以防止故障范围变大。高压断路器在正常运行时发生故障,将对电力系统造成非常严重的危害,甚至会引起供电中断,对国民经济造成严重损失。在高压断路器运行过程中,通过对其动作产生的振动信号进行分析能够发现弹簧储能不足、螺丝松动等多种机械故障。因此,基于振动信号的高压断路器的故障诊断具有重要意义。为提高高压断路器机械振动信号特征提取效率,本文采用原始信号时域分割方法对断路器振动信号进行信号处理和特征提取,来获取高压断路器操动机构在动作过程中产生的机械状态信息。其主要研究内容包括振动信号采集、振动信号特征提取、最优特征集合构建和断路器状态识别四个部分。首先,针对断路器振动信号的获取,搭建了合理的高压断路器振动信号采集平台,用来采集断路器不同状态下的振动信号。其次,现有特征能够准确的对不同状态信号进行有效描述,但高压断路器振动信号的故障特征频域分布广泛,且实际工作中易受安装等外界因素影响,难以从特定频域中提取相关特征。由于断路器振动信号中,不同故障状态信号在幅值、衰减程度及振动起始时间上存在差异,因此,可直接对原始振动信号时域分割提取特征分析高压断路器故障状态。通过多组测试样本实验分析,证明了本文采用的特征提取方式效率高。然后,为了提高特征的分类能力,针对原始特征集合的维度过高造成特征提取效率低的问题,采用基于基尼重要度对特征进行排序和基于散布矩阵的特征评价指标对所提取特征进行特征可分离性分析以及最优特征集合分析,单特征分析时只对单特征集合进行评估,多特征分析时先计算特征重要度并降序排列,之后采用评价指标结合前向搜索确定最优特征集合。最后,构建了单类分类器和多类分类器联合的层次化混合分类器,首先由单分类支持向量机区分正常与故障状态;如为故障状态,则使用随机森林识别故障类型,之后再以单分类支持向量机校正随机森林识别结果。实验证明,采用基于原始信号时域分割的特征提取效率高,特征选择能够降低运算复杂度,而且层次化混合分类器能有效识别无训练样本未知故障类型且识别准确率高。