基于最小二乘支持向量机的高压断路器故障诊断

为了快速、准确地对高压断路器发生的故障进行分析和诊断,确定故障的性质、类别和部位,提出了一种高压断路器故障诊断的新方法。首先对高压断路器分合闸线圈电流进行分析,提取电流和时间特征量形成特征向量,然后用遗传算法对最小二乘支持向量机(least square support vector machine,LS-SVM)参数进行优化,最后,将特征向量输入到优化后的最小二乘支持向量机中进行故障识别、分类。试验表明,该方法可以准确地识别断路器的多种故障类型,为断路器故障定位和状态检修提供了依据。与广泛使用的神经网络方法相比,该方法在样本较少时仍能获得较好的诊断效果,更适用于高压断路器等小样本设备的故障诊断。     

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。     

基于机械和电气特性融合的高压断路器故障诊断方法

为解决高压断路器故障诊断精度低的问题,提出了一种基于机械和电气特性融合的高压断路器故障诊断方法,该方法基于机械特性诊断高压断路器故障类型,将电气特性作为故障辅助判别依据,进而实现机械和电气特性融合的故障诊断。首先基于最小欧式距离和相关性原理,建立基于机械特性的高压断路器典型故障库,并基于典型故障特征指标权值计算得到典型故障特征向量相似度;然后分析高压断路器分合闸线圈电流波形阶段特性,在选取得到基于分合闸线圈电流的特征向量后,计算基于电气特性的故障辨识度;最后搭建故障诊断试验平台验证方法的有效性。结果表明,该方法的平均故障诊断精度为93.2%,能够精确诊断高压断路器故障,验证了该方法的有效性。     

基于模糊RBF神经网络的高压断路器机构故障诊断

为了快速准确诊断高压断路器是否发生操作机构故障,文章提出了一种基于模糊RBF神经网络的高压断路器机构故障诊断方法。该方法首先分析高压断路器的分(合)闸线圈电流,提取时间和电流特征参数t_1、t_2、t_3、t_4、t_5、I_1、I_2、I_3,然后在RBF神经网络增加模糊化层,对特征参数进行相对模糊化运算,最后将模糊化后的特征参数输入到RBF神经网络进行故障识别、分类。该方法以ABB VD4高压断路器的88组实验数据为训练样本建立4种高压断路器操作机构的模糊RBF神经网络故障诊断模型,12组测试样本来验证其准确性,实验结果显示,模糊RBF神经网络高压断路器的故障诊断模型能够准确的诊断出故障类型,其准确率达到99%,具有良好的实用性。与基于模糊BP神经网络的故障诊断方法相比,该方法收敛速度快,训练时间短,均方差较小,为0.107 3。     

基于特征分类算法的GIS故障诊断方法研究

针对高压断路器操动机构故障监测问题,提出了一种基于核主成分分析和支持向量机的气体绝缘开关故障检测方法,利用核主成分分析对分(合)闸线圈电流波形的特征值进行降维,然后将降维后的特征值输入多类分类SVM进行故障诊断和分类。通过实际样本的实验,验证了算法的准确性和可靠性,并通过参数讨论,测算了最优的分类参数。     

核主元分析在高压断路器故障诊断中的应用

核主元分析(KPCA)方法作为一种先进的人工智能算法,在处理非线性问题上具有极大的优势。为此,将KPCA用于高压断路器的故障诊断中,通过选取合适的核函数将原始数据映射到特征空间,之后在特征空间内计算主元,依据平方预测误差(SPE)统计量对故障数据进行分类诊断,以提高高压断路器故障诊断的准确率。为验证该方法的有效性,用KPCA法对高压断路器在线监测系统采集到的现场正常及非正常数据进行分析计算,并利用Matlab仿真依据计算得出的统计量值对故障数据进行诊断。实验结果表明,该方法应用于高压断路器能够取得较好的故障诊断效果。     

基于粒子群优化PCA-LSSVM算法的高压断路器机械故障诊断研究

为了对高压断路器操作机构进行故障诊断,提出了基于粒子群优化的PCA-LSSVM算法模型(PCA-PSOLSSVM),该模型的输入为高压断路器操作机构分合闸线圈电流曲线上的5组特征点,输出为1—5的故障类别。对某台高压断路器进行故障模拟,建立了PCA-PSO-LSSVM算法模型,对测试的断路器操作机构进行故障分类。结果表明,基于粒子群优化的PCA-LSSVM算法能够准确地对高压断路器操作机构进行故障分类。将PCA-PSO-LSSVM算法和多种基于SVM的故障诊断算法进行比较,比较结果表明:在综合考虑了算法准确率和运算时间的基础上,PCA-PSOLSSVM算法是几种算法中最优的。     

基于RBFNN的高压断路器机械故障诊断系统

高压断路器是电力系统中最重要的控制和保护设备,其故障检修和诊断一直是电力运行部门高度重视的问题。为了提高高压断路器故障诊断的效率和准确率,提出了高压断路器机械故障诊断的径向基函数神经网络(RBFNN)方法;并根据其基本原理建立了高压断路器操动机构故障诊断的RBFNN模型;利用Matlab工具,使用来自现场的实际数据,通过故障诊断仿真实例,分析、验证RBFNN模型的性能,并对不同方法进行了对比分析。结果显示RBFNN训练速度快、逼近误差小,对输入输出关系比较复杂的高压断路器操动机构的故障诊断有很高的判断效率和准确率。     

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。     

高压断路器故障诊断技术研究综述

高压断路器是电力系统中重要的保护和控制设备,其工作可靠性对保障电力系统的稳定运行至关重要。对高压断路器进行及时、准确的状态监测和故障诊断,进而实现其状态检修,是保障其工作可靠性的关键。在分析目前高压断路器故障状况的基础上,从高压断路器状态信号特征、信号处理、故障识别方法三方面对高压断路器故障诊断方法的国内外研究进展与存在的问题进行了分析。最后,介绍了高压断路器故障诊断领域中需要解决的关键问题,为进一步提升断路器故障诊断方法提供参考。     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。     

高压断路器故障诊断的一种多极新方法探究

由于高压断路器运行工况复杂,影响因素众多,使得每种故障状态的发生都有多方面的成因。一方面,多类故障特征信号可能对应同一故障;另一方面,一类特征信号也可能反映不同故障。并且,多类故障之间可能存在不相容的情况。由此可见,多类故障之间的不相容性和故障的多样性、复杂性一样,是高压断路器诊断的重点与难点。注意到现有高压断路器诊断方法多偏重于故障的多样性、复杂性特性,而忽略了不同类别故障之间的不相容性。文中借助于多极模糊集在解决多类别不相容分类特性的优势,提出了一种高压断路器故障诊断的多极分析方法。首先,专家根据检测信号对同一故障状态可能对应的多类故障分别进行评估;其次,利用多极熵值法确定不同检测信号的权重;接着,运用多极VIKOR方法得出诊断结果;最后,通过高压断路器故障诊断的具体案例及对比分析,验证了新方法的有效性和可行性。     

基于模糊理论的高压SF6断路器故障诊断模型的研究

为了快速、准确地对断路器将要发生的故障或已经发生的故障进行预报、分析和诊断,确定故障的性质、类别、原因、部位,笔者基于模糊诊断理论提出了高压SF6断路器的模糊故障诊断的数学模型,并根据统计分析了高压SF6断路器的常见故障和多发故障,确定了对高压SF6断路器的在线监测项目以及状态监测量与故障之间的对应关系,建立了高压SF6断路器的故障集、故障征兆集和模糊关系矩阵,并给出了最佳的模糊算子和故障诊断原则。实例验证表明:该算法使用方便,结论可信度高,可广泛应用于高压断路器的故障诊断中。     

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation, PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field, GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。     

基于小波神经网络和特征熵的高压断路器故障诊断研究

作为电力系统的一种重要设备,高压断路器的故障诊断一直是研究中的重点。针对传统神经网络收敛速度慢,容易陷入局部极小等不足,提出了一种基于小波神经网络的高压断路器故障诊断方法。首先利用特征熵方法提取振动信号的特征值,然后利用小波神经网络进行分类识别。同时还给出了一种小波神经网络的改进方法,提高了其收敛速度。实验结果表明,相比较于传统神经网络,改进的小波神经网络训练速度更快,分类准确率更高,对于高压断路器的故障诊断效果更佳。     

基于KPCA的高压断路器故障诊断

随着电网规模的日益庞大,对高压断路器的安全运行提出了越来越高的要求。本文就核主元分析（KPCA）方法应用于高压断路器的故障诊断进行了研究。该方法针对高压断路器故障数据多维非线性的特点,通过计算其合闸电流信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射,然后在特征空间内构2造T和SPE统计量检测过程中发生的故障,并对故障进行分类。本文以VMB5-12型10kV真空断路器弹簧操动机构为试验样机采集数据,仿真实验结果表明,该方法具有较高的稳定性,能够有效地对故障数据进行特征提取。     

基于多特征评估与XGBoost的高压断路器故障诊断

高压断路器是电力系统中的关键设备,其可靠运行是维护电网安全的重要保障。在智能电网的建设下,高压断路器的故障诊断研究受到广泛关注。文中研究了高压断路器不同工况下的机械振动信号,并提出一种基于多特征评估与XGBoost的故障诊断模型。从时域、频域以及时频域提取振动信号的多维特征量,采用融合特征重要性的方法并结合XGBoost模型对多维特征评估筛选,剔除冗余特征量,同时采用贝叶斯优化算法对XGBoost模型中的参数进行优化,提高了分类的准确率。结果表明,基于多特征评估与XGBoost的诊断方法准确率较高,能够有效实现对高压断路器机械振动信号的准确分类。     

基于粗糙集神经网络和振动信号的高压断路器机械故障诊断

为了准确检测出高压断路器的机械故障类型,该文提出一种基于本征模态边际谱能量与粗糙集神经网络相结合的高压断路器振动信号故障诊断方法。首先将断路器的振动信号经过经验模态分解(EMD),得到若干个本征模态函数(IMF),对各个IMF分量进行希尔伯特(Hilbert)变换得到Hilbert边际谱,求取Hilbert边际谱的二次方得到Hilbert边际谱能量作为特征向量。基于粗糙集理论对特征向量进行属性约简分析,从而建立简单明了的决策表,根据决策表规则建立径向基函数(RBF)神经网络故障模型。实验结果表明,该方法能有效对高压断路器的机械故障类型进行分类。     

基于深度信念网络的高压断路器故障识别算法

针对高压断路器故障现有故障诊断算法中,特征提取不准确导致分类正确率较低的问题,提出了基于深度信念网络的高压断路器故障识别方法。深度信念网络(Deep Belief Network,DBN)是非监督的深度神经网络,由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加起来组成。首先使用无标签的数据样本自下而上的对各RBM层逐层训练,得到各层最优参数;再以此为初始参数将DBN展开成反向传播的结构,使用带标签的数据样本进行全局的参数微调;最后得到DBN分类网络。这一过程中,有效避免了特征提取的人工操作,解决了网络训练的局部最优问题,使断路器故障诊断更加智能化。通过试验结果可知,该方法可准确、可靠地用于诊断断路器主要机械故障。     

基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断

高压断路器故障的早期诊断是有效提高电力系统运行可靠性的重要手段,笔者提出应用高性能的支持向量机(SVM)进行高压断路器的机械故障诊断.支持向量机核函数参数的选择直接影响分类结果的好坏,该诊断方法采用群智能算法PSO确定支持向量机中核函数的最优参数以提升分类器性能,将从高压断路器的机械参数信号中提取的动作特性特征量作为支...