[发明专利]一种多特征值的开关柜故障诊断方法、系统及介质

说明书

本发明公开了一种多特征值的开关柜故障诊断方法、系统及介质，本发明开关柜故障诊断方法包括采集被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号，分别针对三种波形信号提取特征信号、将特征信号进行归一化、进行降维；将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果；所述机器学习模型被预先训练建立了降维和融合后的特征信号、故障诊断结果之间的映射关系。本发明通过提取人耳可闻声、超声波、地电波三种波形信号，提取相应的特征，并将特征进行降维，再利用机器学习技术对数据进行训练和综合诊断，能够明显提高开关柜故障检测的准确度和可靠性，在开关柜故障诊断领域具有巨大的应用价值。

技术领域

本发明涉及电力设备故障诊断技术领域，具体涉及一种多特征值的开关柜故障诊断方法、系统及介质。

背景技术

开关柜作为面向终端用户的设备，如果发生故障，将对人们的生活产生重要的影响并造成巨大损失，因此开关柜故障诊断技术作为一门结合工程实际的实用性技术，在电力生产与应用中扮演着重要角色。目前，最被广泛应用的开关柜故障检测方法主要是超声波检测法、地电波检测法等方法，它们在开关柜局部放电检测领域起到了一定作用。

在现场实际检测中，采用上述两种方法，存在以下不足之处：一、由于各类检测仪的检测结果均只能提供单一指标及阈值告警，使得综合判断需要依靠人工经验，导致检测结果的准确性、可靠性无法得到保障；二、只使用超声波或者地电波进行故障诊断，检测方式较为单一，难以进行综合评估，容易造成检测结果误判。

由于开关柜的局部放电信号(超声波、地电波等)也有某些特定的模式，比如波形的振幅、相位、频率等，这些特征往往能够在很大程度上反映出设备的运行状态。然而，这些特征有时候会非常复杂，人类很难做出准确地判断，传统的模式识别方法也很难处理。而深度学习方法的强项正在于特征提取和模式识别的能力，尤其是在面对复杂问题的时候，一般能达到远超其它方法的识别效果。

高压开关柜发生放电故障时除了产生超声波和地电波以外，也伴随着人耳可闻声信号。可闻声信号的采集和处理目前被广泛用于机械振动故障检测、复杂环境监测等方面，但目前较少用于高压开关柜放电故障检测的研究，近年来有学者提出采用人耳可闻声信号进行开关柜放电故障检测的研究，取得了较好的效果。

如果能将超声波、地电波和人耳可闻声三种开关柜发出的信号采用深度学习的方法对开关柜放电故障情况进行综合研判，这将极大的提高开关柜故障检测的准确度和可靠性，有着广阔的应用前景。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种多特征值的开关柜故障诊断方法、系统及介质，本发明通过提取人耳可闻声、超声波、地电波三种波形信号，提取相应的特征，并将特征进行降维，再利用机器学习技术对数据进行训练和综合诊断，能够明显提高开关柜故障检测的准确度和可靠性，在开关柜故障诊断领域具有巨大的应用价值。

为了解决上述技术问题，本发明采用的技术方案为：

一种多特征值的开关柜故障诊断方法，实施步骤包括：

1)采集被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号；

2)分别针对人耳可闻声、超声波、地电波三种波形信号提取特征信号；

3)将特征信号进行归一化，再进行降维；

4)将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果；所述机器学习模型被预先训练建立了降维和融合后的特征信号、故障诊断结果之间的映射关系。