[发明专利]基于分合闸线圈电流信号的断路器故障诊断方法

说明书

技术领域

本发明属于电工技术领域，涉及粒子群算法、模糊C-均值聚类算法以及支持向量机算法，为一种用于在线诊断断路器故障的方法。

背景技术

高压断路器作为电力系统中重要的保护与控制设备，它的可靠运行能够使得整个电网系统安全稳定运行。因此，保证断路器的正常工作是确保电网安全稳定运行的基础。要提高高压断路器运行的可靠性，一方面要不断地提高高压断路器的生产质量，另一方面，要加强对高压断路器的检修工作，尽可能避免故障的发生。因为传统的定期检修需要大量的人力物力，随着科技技术的进步，传统的定期检修方式逐步被状态检修所代替，通过状态检修可以及时了解断路器的工作状态，减少不必要的停电检修，从而提高运行的可靠性以及经济性。

统计数据表明真空断路器的操动机构发生故障的概率比较高，因此机械故障的监测和诊断在在线监测中占了重要作用。一般断路器故障诊断技术是通过采集断路器动作数据，经信号处理手段提取特征参数，最后由智能算法建立诊断或预测模型，对断路器工作状态进行评估。在此方面许多的研究成果已经应用于实际。如利用人工神经网络（ANN）结合专家系统应用于断路器故障诊断、利用小波包-特征熵用于故障信号特征提取并用神经网络进行故障识别、利用将小波包及经验模态分解（EMD）用于振动信号的特征分析并以支持向量机（SVM）建立故障诊断模型、利用人工免疫网络建立在线自学习诊断模型、利用核主元分析（KPCA）及SVM诊断模型判断断路器控制回路故障、利用数据挖掘手段对断路器合闸线圈电流特征量进行处理来得到模式识别结果、利用小波变换处理断路器振动信号并用于状态监测、利用零相位时频熵方法处理振动信号用于故障诊断等。这些成果在一定程度上反映了国内外故障诊断技术的发展现状。

故障诊断实质上是一种故障信息的识别与分类问题。目前较为通用的做法是将正常状态下与故障状态下的特征信息建立训练样本，利用人工智能算法建立训练模型，再将所采集的特征信息输入训练器得到最终的诊断结论。由于电气控制盒辅助回路工作电压等级低，易于安装传感器，且利用分合闸线圈电流能够检测到多种故障，因此可以选择其作为特征提取的合适对象。

此外，因为故障诊断的核心算法是故障信息的识别和分类问题，由于传统的聚类算法容易陷入局部最优化问题而导致误分类，使得最终的诊断结果不可靠，如何发明一种高可靠的新的诊断算法成为亟需解决的课题。

发明内容

发明目的：本发明的目的是提出一种分类的正确率高，诊断结果误判小的断路器故障诊断方法。

技术方案：本发明的技术方案为：

基于分合闸线圈电流信号的故障诊断方法，包括以下几个步骤：

步骤1、在真空断路器上安装分合闸线圈电流传感器，电流传感器为霍尔传感器；

步骤2、模拟5类真空断路器故障，利用霍尔传感器采集真空断路器分合闸线圈的电流大小；

步骤3、提取线圈电流的特征值数据，包括5个特征时刻点t₁,t₂,t₃,t₄,t₅，令t₀=0作为参照点计算时间参数，以及三个特征电流值i₁,i₂,i₃，将所有的采集到的故障数据都提取8个特征值构造特征空间，原始故障数据集；