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。     

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SVM主成分分析的高压断路器分合闸线圈故障诊断研究

拒动是断路器最严重的故障类型之一,可能导致大面积停电事故,而近年来由于分合闸线圈故障导致拒动时有发生,诊断分合闸线圈的运行状态对于保障电网安全具有重要意义。文中以某型号SF6瓷柱式高压交流断路器中的分合闸线圈为研究对象,通过实验模拟电源电压跌落、供电回路接触不良、铁心卡涩、铁心空行程大这几种典型的故障类型,获取正常与故障条件下的分合闸线圈电流波形。进而采用支持向量机(SVM)算法对分合闸线圈故障进行诊断,特别是采用主成分分析法提取电流波形的特征参数作为诊断依据,实现了对故障的有效识别。基于SVM主成分分析的方法可方便构建故障诊断专家系统,以保障分合闸线圈可靠运行。     

基于AOA优化SVM的轴承故障诊断方法研究

为有效提高滚动轴承故障诊断准确率,提出了基于自适应噪声集合经验模态分解(CEEMDAN)气泡熵(BE)和支持向量机(SVM)相结合的轴承故障诊断方法。首先经CEEMDAN分解得到一系列本征模态函数(IMF)分量,然后筛选重要IMF分量计算其气泡熵值,构建故障特征向量并输入到经算术优化算法(AOA)优化的SVM模型中进行训练和轴承故障分类。结果表明该方法识别准确率高达992%,相比GA SVM准确率提升了28%,也能成功识别出滚动轴承单一故障与复合故障,可以用于轴承故障分类。     

基于粒子群优化神经网络的高压断路器故障诊断

传统的反向传播神经网络训练算法存在学习速度慢,容易陷入局部最优值等弊端。将粒子群优化的神经网络用于高压断路器故障诊断中,根据高压断路器测试系统检测所得的实验数据,提取相应的特征向量,建立高压断路器故障诊断模型。仿真结果表明此方法简单、有效、精度高,与采用传统的反向传播神经网络的模型相比具有明显的优越性,为高压断路器故障诊断提供了有效的方法。     

基于遗传算法的SVM高压断路器诊断

高压断路器是电力系统中保护电力设备的重要装置,其动作的可靠性对于电力系统的运行稳定极为关键。在断路器的分合闸操作过程中,由于各部件之间的操作机构比较复杂,是导致断路器发生故障的基本原因。在分合闸过程中,断路器会产生一系列的信号变化,通过对这些信号的收集、检测与分析处理,可以找到断路器的故障机理,并通过建立故障数学模型分析故障的发展过程。本文基于经验模态分解法（Empirical Mode Decomposition,EMD）和支持向量机（Support Vector Machine,SVM）,提出了一种高压断路器故障诊断的新方法。     

用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法

针对高压断路器机械故障诊断过程中存在的原始特征维度过高,导致过拟合现象,而传统Relief-F算法在筛选特征过程中对诊断模型没有针对性,以及支持向量机(support vector machine,SVM)算法受参数选择限制导致诊断精度不佳的问题,提出一种AM-ReliefF特征选择下集成SVM的诊断算法。该算法对原始特征空间进行有效筛选,生成适应模型的最优特征子集,并将SVM作为基学习器与Ada Boost算法有效集成,提高诊断性能。首先对LW30-252型SF6高压断路器典型6种工况的合闸振动信号提取特征,构成原始特征空间,然后利用AM-ReliefF特征选择算法构造与集成SVM模型匹配的最优特征子集,最后用集成SVM模型进行故障诊断。与原始特征下单一SVM算法对比,所提方法使故障诊断精度由83.0%提升到98.9%,为高压断路器机械故障诊断研究提供了新思路。     

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RST-SOM的高压断路器故障诊断

由于高压断路器运行过程中产生的状态数据庞大,传统的基于人工神经网络的高压断路器故障诊断方法在针对这一问题时存在网络结构复杂、训练过程费时、诊断速率缓慢的缺点。由此,文中提出RST粗糙集结合SOM自组织特征映射网络的方法,通过RST理论对断路器故障数据中的各个属性进行评价并寻找最小属性集,以此消除特征信息中存在的冗余属性,得到约简决策表,并将新形成的故障特征数据作为输入结合自组织特征映射网络进行高压断路器故障诊断。经过验证,在确保整体准确率能够达到91%的情况下,缩短了训练时间,简化了网络结构,在工程实践应用中表现良好。     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

基于多特征选择方法的高压断路器故障诊断

为了提高高压断路器操作机构故障诊断效率与准确性,文中提出了基于多特征选择方法和K最近邻算法的高压断路器操作机构故障诊断方法。首先从分合闸线圈电流中提取包括峰值电流、关键时刻点、电流变化率及线圈电流不同阶段持续时间等16个特征;随后使用3种不同评价准则的特征选择方法计算故障特征综合重要度并确定最优特征子集;最后,以最优特征子集作为输入特征,建立基于K最近邻算法的断路器操作机构故障诊断模型,依据交叉验证准确率评价模型故障诊断性能。实例分析结果表明,该方法能有效消除特征冗余性,简化诊断模型结构,提升诊断效率,使用少数关键特征可获得理想的故障诊断准确率。     

高压断路器振声联合故障诊断方法

针对现有的高压断路器机械故障诊断方法存在的不足,本文提出了一种新的高压断路器振声联合诊断机械故障的方法。此方法首先利用快速核独立分量分析(fast KICA)对采集到的声波信号进行盲源分离处理,并对处理后的声波信号和采集到的振动信号进行改进集合经验模式分解(EEMD)。其次,对分解后的每一个固有模态函数(IMF)求其二维谱熵,并以此二维谱熵矩阵的变换矩阵作为支持向量机的输入特征向量对断路器机械状态进行识别。最后实验表明,振声联合复合分析方法有效提高了高压断路器机械故障诊断的正确性和实用性。     

基于机器学习算法的高压断路器故障诊断研究

高压断路器是电力网络中关键的控制设备,其正常工作能够保障系统稳定运行。对高压断路器进行故障诊断能够在设备故障初期发现问题,避免故障发生。分析了高压断路器位移信号的特点,选出平均速度等4个参数作为故障诊断特征量。基于Spark平台,提出了一种高压断路器故障诊断方法,对方法原理及参数选择过程进行了介绍。使用实际数据对提出的方法进行验证,分类准确度可达93%。最后将本方法与几种传统分类模型的准确率和耗时进行对比分析,验证了本方法的优越性,研究结果为高压断路器的故障诊断提供参考。     

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ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

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...     

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。     

基于模糊神经网络的高压断路器故障诊断

提出了一种基于模糊神经网络的高压断路器故障诊断方法,通过参数的相对化屏蔽了外界干扰和随机性因素的影响,增加参数模糊化层,对特征参数的相对模糊化运算,较好地解决了在外界干扰情况下的低诊断精度的问题。改进的BP算法有效避免了局部极小化问题,提高了收敛速度。研究结果表明:该网络即使在断路器受到较大外界干扰的情况下依然能得到较准确的诊断结果。