[发明专利]一种高压断路器机械缺陷集成学习诊断方法

说明书

本发明公开了一种高压断路器机械缺陷集成学习诊断方法，属于高压断路器检测技术领域。所述方法首先获取机械振动信号数据样本及原始特征空间构建；然后基于有放回随机抽样方式组成多个特征子集；以每个特征子集和差集训练成最优旋转压缩决策子树模型；以投票机制构成最终的高压断路器机械缺陷诊断模型。本发明采用了粒子群算法对自编码器超参进行了迭代优化，避免人为调整参数的局限性，有利于高压断路器机械缺陷诊断精度的提高；本发明利用自编码器对原始特征空间进行了优化变换，使得集成学习中每个子分类器均表现出增强型决策，强化了各决策子树的表征能力，同时提高了集群诊断的辨识精度。

技术领域

本发明涉及一种旋转压缩变换的集成学习方法，具体涉及一种优化特征变换空间的高压断路器机械缺陷集成学习诊断方法。

背景技术

高压断路器是区域性电网中最重要的开关设备。电力系统实际运行过程中，随着高压断路器运行时间的增加，电器与绝缘部件会有所老化，机械部件也会出现不同程度磨损，这可能会导致断路器功能失效。某种功能失效或者某种功能出现不允许的性能偏差都被称为故障，故障是设备存在的一种或者多种现象。最常见的显性故障，是通过人体的一般性感知或者正常的操作便能发现的故障，如储能不到位、拒分、拒合等一些隐性故障，是必须通过仪表或者其他设备的检测才能发现的故障，例如，分闸线圈匝间短路、分合闸速度超标以及主触头电阻变大等。对于高压断路器来讲，状态监测技术还不完善，是目前研究的热点之一。据国际大电网会议13.06工作组(参见参考文献《高压断路器机械特性监测及故障模式识别方法研究》邓帮飞，重庆大学硕士学位论文；参考文献[2]:《高压断路器事故调查》刘亚芳,国际电力1997年第3期)对包括22个国家的102个电力部门所作的第一次国际调查结果表明，在1974-1977年间，63kV及以上电压等级断路器故障中，机械性故障占70.3％。可见，对于高压断路器实施动机械特性的监测，及时了解其运行状况，掌握其运行特性变化及变化趋势，对提高其运行可靠性极为重要。

目前，能够有效反应高压断路器机械特性检测和状态诊断方法主要基于高压断路器的动触头行程信号、分合闸操作机构线圈电流信号以及机械振动信号三类。其中触头行程和线圈电流检测技术发展较早，较为成熟，但在现在应用测试过程中存在诸多不便，且部分机械缺陷难以辨识。高压断路器机械振动检测，相比于触头行程和线圈电流检测具有安装方便、检测机械缺陷种类多等优点，在近20年的发展过程中，振动信号采集系统的相关工作已比较成熟，但对振动信号特征提取与故障分类方法仍处于试验研究阶段，存在诊断准确率低、通用性差等问题，这也导致目前相关研究尚无成熟产品和应用方案，并未见在工程中成功应用的报道。因此，开展高压断路器机械状态评估与故障诊断技术的研究，研发高效、高精度的断路器机械状态检测方法具有重大而深远的意义。

发明内容

本发明的目的在于：提供一种优化特征变换空间的高压断路器机械缺陷集成学习诊断方法，该方法首先基于多类高压断路器机械缺陷的振动信号数据样本，并对其构建传统的小波包能量熵，组成振动信号原始特征空间；然后，对于振动信号原始特征空间，以有放回随机抽样方式形成多个与振动信号原始特征空间等容量的特征子集(袋内数据)以及相应的与振动信号原始特征空间的差集(袋外数据)；接着，对每个特征子集内的特征数据设计自编码器旋转压缩原始特征空间，并在变换后特征空间下训练决策树初步诊断模型，基于袋外数据评估诊断模型诊断结果，利用粒子群算法迭代优化旋转压缩变换及诊断模型参数，形成最优旋转压缩决策子树模型；最后，以投票机制融合全部最优旋转压缩决策子树模型的诊断结果，完成高压断路器机械缺陷最终诊断。

本发明采用的技术方案为：一种优化特征变换空间的高压断路器机械缺陷集成学习诊断方法，所述方法包括步骤如下：

步骤1：获取机械振动信号数据样本及原始特征空间构建；

采集高压断路器在不同机械缺陷下合闸过程的机械振动信号，基于高压断路器合闸过程表现为冲击性自由衰减信号，即信号为突变、频率随时间变化和非线性特点，因此利用小波包时频域分析，计算小波包能量熵，度量机械振动信号特征，组成机械振动信号原始特征空间。