高压断路器操动机构典型故障模拟及其特征参量变化分析

高压断路器是确保电力系统稳定运行的重要设备,其分合闸线圈电流和动触头行程曲线两个参量中包含着线圈回路及其状态、断路器机构动作过程等丰富信息。文中设计并获取了线圈接触不良、操作电压过低、铁心行程变化、铁心卡涩和油压变化等断路器操动机构常见故障的机械特性波形,获得了不同类型、不同程度故障下的上述特征参量随时间的变化趋势及可靠范围,可为断路器操动机构故障精确诊断提供重要依据。     

基于振动信号的高压断路器触头超程状态识别

提出了一种利用振动信号识别高压断路器触头超程状态的新方法。高压断路器分/合闸动作过程中产生的振动信号包含有触头超程状态信息,合适的信号处理方法及特征提取技术可以将该信息提取出来。试验获取高压断路器不同触头超程下的振动信号,采用经验模态分解(EMD)对振动信号进行分解,计算分解得到的本征模态函数(IMF) Hilbert边际谱能量,作为触头超程状态特征量,并详细分析该特征量与触头超程之间的变化规律。结果表明,所提方法能够有效提取高压断路器的触头超程状态信息,能够实现触头超程状态的准确识别,为高压断路器触头超程状态在线监测与诊断提供一种新方法。     

基于改进Hilbert-Huang变换和支持向量机的高压断路器触头超程状态识别

引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)方法进行改进,并将改进的HHT方法结合支持向量机(SVM)应用于高压断路器振动信号特征提取和触头超程状态识别中。采用EEMD提取反映振动信号局部特性的本征模态函数(IMF)分量,并计算IMF分量的Hilbert边际谱能量值,由此构造高压断路器触头超程状态特征量,利用得到的特征向量对SVM进行训练,实现高压断路器触头超程状态的自动识别。试验提取了高压断路器在不同触头超程下的振动信号并进行分析,结果表明所提方法能够有效识别高压断路器触头超程状态。     

基于支持向量机的高压断路器机械状态预测算法研究

机械故障是高压断路器运行过程中的主要故障之一,对高压断路器开展机械状态评估与预测,对提高高压开关设备和电网运行可靠性具有重要意义。文中基于支持向量机进行了高压断路器机械状态预测算法的研究。支持向量机是一种统计机器学习算法,以结构风险最小化为训练目标,能够很好地解决过学习、维数灾难、局部最优等传统机器学习算法遇到的问题。在具体的算法实现中,文中利用断路器前几次动作的触头行程和操作线圈电流曲线来预测下一次或者后几次动作数据。利用预测出来的机械动作数据对高压断路器进行故障诊断,可以发现高压断路器潜在的问题,从而达到机械状态预测的目的。此外,文中通过归一化、交叉验证、网格搜索等方法来确定算法参数和提高算法精度。最后,以高压断路器机械寿命试验数据为例测试了该算法,结果表明该算法能够很好地训练并预测机械动作行程曲线和操作线圈电流曲线。     

高压开关柜断路器机械特性在线监测装置研究

研究了高压开关柜内断路器机械特性在线监测方法。采用非接触式角位移传感器间接测量动触头行程曲线,有效解决了常规角度位移传感器及直线位移传感器安装困难问题;利用断路器辅助触点及实验结果的时间修正,得到了动静触头刚分、刚合时刻;用霍尔电流传感器及其电路,得到了断路器分、合闸周期的起始时刻;用DSP2812作为处理器,通过对监测信号的处理、计算得出可以反映断路器机械特性的多个特征参量。     

基于自适应神经模糊推理系统的高压断路器操作机构状态评估

为准确评估高压断路器操作机构的运行状态,提出了一种基于自适应神经模糊推理系统(ANFIS)的高压断路器操作机构状态评估方法。在测试分析大量高压断路器操作机构动作特性的基础上,研究了操作机构分合闸线圈电流曲线、触头行程-时间曲线与机构状态之间的关系;基于操作机构的分合闸线圈电流曲线和触头行程-时间曲线,通过建立多级递阶ANFIS模型将2种特性融合起来以综合评估操作机构的运行状况。试验结果表明:操作机构线圈电流曲线与触头行程时间-曲线相结合能够准确反映操作机构的运行状况,所建立的模型能够有效评估断路器操作机构的运行状况。研究结果对预测和防范故障、合理安排检修计划和检修重点具有重要的指导意义。     

真空断路器机械特性的在线监测方法

研究了真空断路器机械特性的在线监测方法。采用角位移传感器间接测量动触头的行程曲线,有效解决了直线位移传感器安装困难和高电位隔离的问题;通过监测操作过程中的振动信号,得到了在线状态下动静触头的关合和刚分时刻;用霍尔电流传感器监测分合闸线圈电流,配合动触头位移曲线,得到反映真空断路器机械特性的多个特征参量。     

基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

采用局部时—频奇异值与优化随机森林的高压断路器机械故障诊断

为提高断路器机械振动信号的时—频特征分类能力、减小噪声干扰和提高断路器状态识别的准确性,提出一种基于S变换与优化随机森林算法的高压断路器机械故障诊断方法。首先,对高压断路器原始振动信号进行S变换;然后对S变换得到的时—频矩阵进行局部奇异值分解,以每个子矩阵的最大奇异值为特征向量;之后,将特征向量输入到随机森林中,以泛化误差与诊断准确率为综合指标对树的棵数进行寻优,构建最优随机森林分类器,最终实现对高压断路器机械故障状态的准确判别。对断路器实测振动数据开展对比实验,结果表明,新方法的特征类可分性好,整体故障识别准确性高。     

基于K-S检验法和SVM的高压断路器分合闸线圈回路故障诊断

分合闸线圈回路作为高压断路器分合动作的主控制回路,其正常工作对于高压断路器的可靠性及电力系统的稳定性具有重要的意义。但是在断路器长期的在线运行过程中,分合闸线圈回路往往会出现不同类别的电气故障,影响断路器的正常工作。分合闸线圈回路的状态可以很好地反映在其分合闸线圈电流信号中,通过对断路器分合动作线圈电流信号的采集、处理和分析,可以有效地对分合闸回路进行状态检测。通过对分合闸线圈回路常见的电气故障进行现场试验,获取分合闸线圈电流并提取有效的电流、时间特征参量及其组成的复合特征参量,针对特定的故障类型采用K-S检验法筛选影响因子较高的特征参量作为特征向量,然后通过支持向量机对特征向量进行计算并对分合闸线圈回路进行故障识别。     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。     

基于深度森林的高压断路器弹簧机构状态识别

系统的安全稳定运行与高压断路器的可靠性密切相关，合闸阶段的行程曲线可以反映出高压断路器的弹簧机构机械状态，是实现状态识别的重要判据，因此基于行程数据的弹簧机构状态辨识具有重要的研究意义。文中对合闸弹簧预压缩量减少10 mm或15 mm、分闸弹簧预压缩量减少10 mm或15 mm、油缓冲器抽油10 mL或30 m L、传动构件卡阻档位1或档位2以及正常状态下9种合闸特性曲线进行了采集，然后基于深度森林（deep forest,DF）算法构建辨识模型，最后将识别结果与主成分—支持向量机、随机森林算法进行对比。结果表明，深度森林和随机森林的识别效果一致，且明显优于主成分—支持向量机。此外，深度森林的优势还体现在其避免了随机森林的调参过程，具有更好的识别效率。     

基于半监督学习的断路器弹簧机构机械特性监测及状态评估技术研究北大核心CSCD

针对断路器弹簧机构机械特性监测及状态识别系统普遍存在监测类型不全、特征值提取单一、判断标准太过绝对等问题,文中提出了基于小波及半监督学习的多特征分析的断路器弹簧操动机构机械状态识别新方法。通过感知元件对分合闸线圈电流、动触头位移等信号进行采集,采用小波算法对信号进行滤波处理,分析断路器弹簧操动机构的分合闸线圈电流、动触头位移等信号与断路器异常状态之间的对应关系,提取特征值,建立半监督学习多分类网络模型,实现断路器弹簧操动机构故障的机械特性监测及状态识别。实验结果验证了此方法具有较高的诊断正确率,对断路器的健康运营具有重要意义。     

灰色关联模型在高压断路器故障诊断中的应用

针对高压断路器故障具有较强的随机性和模糊性的特点,基于灰色关联分析法(grey relation analysis method,GRAM)建立一种高压断路器机械故障诊断模型。以高压断路器分合闸过程中线圈电流和时间节点值作为特征量,构造所需参考向量和比较向量,计算向量间的关联度值,依次对断路器各故障状态予以识别。实例计算结果表明:建立的故障诊断模型能有效地诊断出高压断路器机械故障;不同的分辨系数取值影响诊断结果的分辨率和可靠性。在高压断路器机械故障诊断中,宜取较小的分辨系数值,以保证结果具有较高准确度。     

基于小波算法的SF6断路器动作时间在线监测

高压断路器在线监测技术的发展越来越完善,使得在线监测的内容越来越丰富,一些需要定期检修的内容可以通过在线监测来完成。通过对高压断路器操作原理的研究,利用行程曲线实时变化的特点,通过比较分析断路器分、合闸操作过程中触头综合受力的情况,来推断触头运动状态。在此基础上提出了一种方便实用的SF6高压断路器分合闸时间的测量办法。方法利用小波算法去除噪声和干扰的影响,确保行程信号在处理过程中不失真,从而准确地提取断路器合分闸过程中的刚分、刚合时刻,以获得可靠的分、合闸时间。经过离线试验验证,该方法所测得的时间与断路器触头刚分刚合时间是一致的,且方便实用。     

一种基于触头受力监测实现断路器断口判定的方法

文中提出了一种准确判定断路器离线/带电运行时动静触头刚合/刚分时刻和断口状态的方法,该方法是在断路器绝缘拉杆的低压侧植入力传感器,通过力传感器监测断路器动作过程中灭弧室动端的力值—时间曲线,计算力值突变时刻及力值的大小,从而实现断路器动静触头刚合/刚分时刻及断口状态判定。目前基于该方法研制的机械特性在线监测装置,与断路器一同在国家质量监督检验中心(西高院试验站)完成了短路开断与关合试验和机械特性比对试验,监测的分合闸时间与实验室测试结果的时间误差小于±1 ms。该方法有效实施为断路器的选相控制、机械特性在线监测、电寿命在线监测等特征参量的提取奠定了计算基础。     

基于结构分析的断路器操作机构的建模及仿真分析

基于断路器的结构来建模有利于研究断路器每个元件对其分合闸过程特性的不同影响,这对实现故障部位识别,进行故障分类及诊断都具有重要意义。文中针对断路器各个部分的功能特性分别建立机械与电气模型。然后利用机械与电气之间的相互联系,通过MATLAB/Simulink软件将单个部分模型组合来形成高压断路器的多域模型。随后设定所研究的高压断路器参数,在MATLAB/Simulink环境中进行仿真获取断路器的分闸行程曲线及分闸线圈电流特性,再通过改变模型中机械部分的摩擦参数及弹簧刚度系数得到不同的位移特性以及改变电气部分的参数获取不同的线圈电流特性。最后将所得结果进行分析,得出不同参数对断路器部分特性的影响,为未来更好、更全面地进行故障分类及诊断奠定一定的基础。     

基于改进SVM算法的高压断路器故障诊断北大核心CSCD

为了能更快速、准确的对高压断路器进行状态分析与故障诊断,文中提出了基于APSO-PCA-SVM算法的高压断路器故障诊断模型。首先提取分合闸电流信号中峰谷电流值、关键时刻等7维特征及动触头位移信号中的3维特征;随后利用PCA(主成分分析)对10维特征进行数据降维并确定最终特征集;最后采用APSO(自适应粒子群)算法进行SVM(支持向量机)核参数寻优,将最终特征集作为模型输入,建立了APSOPCA-SVM故障诊断模型,对高压断路器进行故障分类诊断。实例分析结果表明,该方法能够最大程度去除冗余信息,简化了诊断模型的同时提高了诊断精度和效率,在故障样本较少时采用有限特征量即可较为理想的实现对高压断路器此类小样本设备的高效故障诊断。     

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

基于小波变换的断路器在线状态监测研究

介绍了小波变换在断路器在线状态监测中的应用,利用小波变换能有效地从噪声背景中提取断路器动触头行程信号的必要信息,在保证行程信号处理过程中不失真的前提下,获取断路器分合闸时间和速度,从而准确判断断路器运行状态,实现断路器在线状态监测和故障诊断。