基于振动信号区间特征提取的断路器储能状态辨识方法技术

本发明专利技术公开了一种基于振动信号区间特征提取的断路器储能状态辨识方法，所述方法包括：提取断路器的储能振动信号，并确定所述储能振动信号的起始点；对所述提取断路器的储能振动信号进行KS检验，得到特征向量；筛选所述特征向量，得到最优特征子集；基于KFCM‑SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。在本发明专利技术实施中，所述方法在保证准确率的前提下，提取特征仅需0.2s，对断路器在线监测具有重要的研究价值；这是一种针对现场运行环境下断路器实用诊断的新方法，在不牺牲准确率的前提下缩短了诊断时间，与传统的断路器状态辨识方法相比优势明显。

【技术实现步骤摘要】
基于振动信号区间特征提取的断路器储能状态辨识方法
本专利技术涉及电气设备故障诊断的
，尤其涉及一种基于振动信号区间特征提取的断路器储能状态辨识方法。
技术介绍
有大量学者对断路器操作机构进行了研究，但是对于储能过程中的状态辨识相对空缺。高压断路器作为闭合开关，通过储能弹簧为断路器的分合闸动作提供动力，各部件间连接和控制过程复杂导致储能过程常发生电压波动、传动机构卡涩、储能弹簧脱落以及限位开关失灵等故障，对储能状态的准确监测具有重要研究价值。目前的断路器故障诊断方法以线圈电流、声音信号、振动信号为主，线圈电流难以全面反映各类机械故障，声音信号虽然采集方便但是需要复杂的信号预处理，影响计算速度，振动信号属于体外监测，信噪比高且富含丰富的状态信息，并且传感器安装便捷、无需辅助电源供电可进行信号采集，有利于现场的实时监测。但是振动信号的特征提取常采用进集合经验模式分解(EEMD)、互补总体经验模态分解(CEEMD)、局部均值分解(LMD)等方法，信号分解后再求取熵谱系数等特征，导致计算过程复杂。虽然诊断准确率得到提高，但是特征提取计算开销庞大，整个辨识流程时间过长。如何在不降低准确率的前提下，采用单一振动信号快速提取储能状态特征，准确辨识断路器运行状态值得深入研究。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于振动信号区间特征提取的断路器储能状态辨识方法，利用统计学习理论提取特征，采用模糊算法结合机器学习算法进行状态辨识，其中的重点是振动信号的快速提取以及诊断模型分类。为了解决上述技术问题，本专利技术实施例提供了一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述方法包括：提取断路器的储能振动信号，并确定所述储能振动信号的起始点；对所述提取断路器的储能振动信号进行KS检验，得到特征向量；筛选所述特征向量，得到最优特征子集；基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。可选的，所述提取断路器的储能振动信号，并确定所述储能振动信号的起始点包括：通过计算得到断路器的储能振动信号的包络；将所述断路器的储能振动信号的包络分成若干个连续区间，并通过计算得到所述若干个连续区间的峭度；对比每个区间的包络的峭度值，并所述峭度值确定粗略时间段信号；对所述粗略时间段信号进行小波变换，得到模极大值线；基于所述模极大值线，确定所述储能振动信号的起始点。可选的，所述通过计算得到断路器的储能振动信号的包络中，具体的计算公式如下：其中，y(t)表示其希尔伯特变换，x(t)表示断路器的储能振动信号，t表示t时刻，τ表示时间延迟，z(t)表示解析信号，m(t)表示信号的包络。可选的，所述通过计算得到所述若干个连续区间的峭度中，具体的计算公式如下：其中，k表示峭度，E(x)表示对应振动信号的期望值，μ表示包络均值，σ表示标准差。可选的，所述对所述提取断路器的储能振动信号进行KS检验，得到特征向量包括：通过KS检验对所述提取断路器的储能振动信号进行标记，得到标记后的信号；通过所述标记后的信号进行分析，得到包络幅值差异明显区间；将所述包络幅值差异明显区间的包络均值求和，得到特征向量。可选的，所述筛选所述特征向量，得到最优特征子集包括：基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量；基于SFS算法对所述初选后的特征向量进行去除不相关特征量，得到最优特征子集。可选的，所述基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量包括：基于ReliefF算法每次从所述特征向量的训练集中选出一个样本R；从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R1、R2，并通过计算得到每个特征a的权重；基于所述每个特征a的权重，得到初选后的特征向量。可选的，所述通过计算得到每个特征的权重中，具体的计算公式如下：其中，diff(a,R,R1)表示R和R1在特征a上的距离，c表示R所属类别，P(c)表示c的先验概率，m表示随机抽样次数，j表示第j个数，R表示所述样本R，k表示从与所述样本R同类和不同类的样本中分别找出所述样本R的k个近邻R1、R2，a表示每个特征，W(a)表示每个特征的权重，R(a)表示样本R中的特征a，R1(a)表示样本R1中的特征a，max(a)表示特征a的最大值，min(a)表示特征a的最小值。可选的，所述基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果包括：通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射；在所述建立映射完成之后，通过SVM进行训练，并综合评估得到训练的结果；基于所述训练的结果得到所述断路器储能状态的辨识结果。可选的，所述通过KFCM对所述最优特征子集进行预分类，并建立所述最优特征子集与故障类别间的隶属度映射包括：基于所述最优特征子集，设定模糊系数、类别个数、函数类型及参数、目标函数精度；基于所述模糊系数、类别个数、函数类型及参数、目标函数精度，对隶属度矩阵进行初始化；在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵；将所述更新后的隶属度矩阵与所述隶属度矩阵进行对比；若收敛则停止迭代；若不收敛则返回至在初始化完成之后，通过计算得到聚类中心，并得到更新后的隶属度矩阵。在本专利技术实施中，一种基于振动信号区间特征提取的断路器储能状态辨识方法，首先根据峭度-小波模极大值检测断路器储能状态起始点提取储能信号，然后将振动信号通过KS检验标记包络幅值差异明显区间，提取信号包络和作为特征向量，采用ReliefF-SFS方法对特征进行筛选降维得到最优特征子集，最后通过模糊C均值聚类(KFCM)对特征进行预分类获得风险最小的最优超平面，利用支持向量机(SVM)建立训练模型进行状态辨识；在保证准确率的前提下，提取特征仅需0.2s，对断路器在线监测具有重要的研究价值。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施中的基于振动信号区间特征提取的断路器储能状态辨识方法的流程示意图；图2是本专利技术实施中的正常储能状态、电压偏高储能状态、电压偏低储能状态、弹簧脱落储能状态的时域波形幅值图；图3是本专利技术实施中的正常储能状态、电压偏高储能状态、电压偏低储能状态、弹簧脱落储能状态的包络幅值图；图4是本专利技术实施中的KFCM本文档来自技高网...

【技术保护点】
1.一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述方法包括：/n提取断路器的储能振动信号，并确定所述储能振动信号的起始点；/n对所述提取断路器的储能振动信号进行KS检验，得到特征向量；/n筛选所述特征向量，得到最优特征子集；/n基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。/n

【技术特征摘要】
1.一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述方法包括：
提取断路器的储能振动信号，并确定所述储能振动信号的起始点；
对所述提取断路器的储能振动信号进行KS检验，得到特征向量；
筛选所述特征向量，得到最优特征子集；
基于KFCM-SVM算法对所述优选特征子集进行状态辨识，得到所述断路器储能状态的辨识结果。


2.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述提取断路器的储能振动信号，并确定所述储能振动信号的起始点包括：
通过计算得到断路器的储能振动信号的包络；
将所述断路器的储能振动信号的包络分成若干个连续区间，并通过计算得到所述若干个连续区间的峭度；
对比每个区间的包络的峭度值，并所述峭度值确定粗略时间段信号；
对所述粗略时间段信号进行小波变换，得到模极大值线；
基于所述模极大值线，确定所述储能振动信号的起始点。


3.根据权利要求2所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述通过计算得到断路器的储能振动信号的包络中，具体的计算公式如下：






其中，y(t)表示其希尔伯特变换，x(t)表示断路器的储能振动信号，t表示t时刻，τ表示时间延迟，z(t)表示解析信号，m(t)表示信号的包络。


4.根据权利要求2所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述通过计算得到所述若干个连续区间的峭度中，具体的计算公式如下：



其中，k表示峭度，E(x)表示对应振动信号的期望值，μ表示包络均值，σ表示标准差。


5.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述对所述提取断路器的储能振动信号进行KS检验，得到特征向量包括：
通过KS检验对所述提取断路器的储能振动信号进行标记，得到标记后的信号；
通过所述标记后的信号进行分析，得到包络幅值差异明显区间；
将所述包络幅值差异明显区间的包络均值求和，得到特征向量。


6.根据权利要求1所述的一种基于振动信号区间特征提取的断路器储能状态辨识方法，其特征在于，所述筛选所述特征向量，得到最优特征子集包括：
基于ReliefF算法对所述特征向量进行初选，得到初选后的特征向量；
基于SFS算法对所述初选后的...

【专利技术属性】
技术研发人员：夏小飞，黄辉敏，陈庆发，雷一鸣，吕泽承，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：广西;45