[发明专利]一种基于Fisher判别分类法的断路器故障诊断方法

说明书

本发明公开了一种基于Fisher判别分类法的断路器故障诊断方法，一、根据断路器合闸线圈电流参数与时间参数特征值构造特征空间，将断路器故障状态分类；二、通过在不同故障状态下的断路器合闸线圈电流和时间参数特征值数据得到基于Fisher判别分类法的断路器故障诊断的典则判别函数模型；三、将建立Fisher典则判别函数模型的样本数据代入到已建立的模型中，判断已建立模型的准确性，若准确率低于设定值，则回到步骤二，通过提取更多数量的典则判别函数重新建立典则判别函数模型；四、将基于Fisher判别分类法的断路器故障诊断的典则判别函数模型应用于实际断路器故障诊断。本发明对断路器故障诊断准确性高。

技术领域

本发明涉及断路器故障诊断领域，具体涉及一种基于Fisher判别分类法的断路器故障诊断方法。

背景技术

作为电力系统中重要的保护与控制电器，断路器在保障电网安全稳定运行方面起着十分关键的作用，其运行维护也是电力部门日常工作的重要内容。随着智能电网建设的加快，传统的定期巡检模式已不能适应，检修体制正逐步向预知性的状态检修体制过渡。因此，各电气生产厂商与科研院所都加大了对断路器在线监测与故障诊断方面的研究力度，能够为状态检修提供必要的指导意见的故障诊断技术的研究工作尤为突出。

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模型，进而完成对断路器工作状态的评估。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，利用神经网络等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。传统的状态特征信息选取方法是利用傅里叶变换对断路器动作时的机械振动信号进行处理，但频谱分析在全频域范围内分辨率很大时，时域分辨率很小，不适合对非平稳信号进行分析。另外，目前常用的人工神经网络算法在模型构建时需要大量的训练样本数据，这就使得该方法受限于样本数量规模，并且在训练时容易陷入局部极值点，难以收敛。

本发明采用断路器合闸线圈电流信号作为特征信息，因为线圈电流易于采集、特征明显，其特征包含了断路器合闸过程中的大量信息，能够反映断路器控制回路的许多故障类型(如机构卡涩、线圈卡涩、供电电压不足等)。在处理特征信息时，采用Fisher判别分析法来构建断路器故障诊断的典则函数判别模型。其基本思想是根据类间距离最大、类内距离最小的原则来将高维数据点投影到低维空间中。Fisher判别分类法是一种基于小样本的学习算法，可以解决样本数据少、不能反复操作提取样本的问题，同时Fisher判别分类法是一种线性分类法，可以有效避开神经网络易陷入局部最优的情况。

本发明的断路器故障诊断方法，是从一种新的角度出发，首次运用Fisher 判别法来进行断路器故障诊断研究。该方法在建立Fisher判别模型的基础上，运用特征值来解释模型中典则判别函数所包含的原始数据信息的多少；然后运用原始数据回判的方法验证模型的正确性；最后将Fisher判别分类法运用于实际的断路器故障诊断中。

发明内容

为解决现有技术中人工神经网络算法受样本数量限制并易于陷入局部最优的问题，本发明提供一种基于Fisher判别分类法的断路器故障诊断方法，它能在样本数据较少的情况下对样本进行合理分类，并且从样本数据中提取并包含大量的样本特征信息，从而完成对断路器的故障诊断。

为了实现上述目标，本发明采用如下技术方案：一种基于Fisher判别分类法的断路器故障诊断方法，其特征在于，包括步骤：

一、根据断路器合闸线圈电流参数与时间参数特征值构造特征空间，将断路器故障状态分类；

二、通过在不同故障状态下的断路器合闸线圈电流和时间参数特征值数据得到基于Fisher判别分类法的断路器故障诊断的典则判别函数模型；