一种基于概率密度的断路器状态监测方法技术

本发明专利技术公开了一种基于概率密度的断路器状态监测方法，将断路器工作过程中所采集的振动、声音信号转换成概率密度图像，对概率密度图像平滑去噪处理后分割成特征矩阵，利用多层次PCA主元分析法对处理后的振声信号特征矩阵压缩和降维进行特征层面的融合，使用得到的振声信号融合特征向量构建用于监测短路器工作状态的特征空间权重坐标三维图，使用邻近归类法判断断路器工作状态。本发明专利技术提供的基于概率密度的断路器状态监测方法，充分考虑各个向量分量之间的主次关系，解决了声振信号融合的权重问题，改进了声振信号融合的方法，提高了断路器机械故障判断的准确性，更加有效的区分断路器的故障类型，确保断路器在电力系统中安全、平稳的运行。平稳的运行。平稳的运行。

【技术实现步骤摘要】
一种基于概率密度的断路器状态监测方法


[0001]本专利技术涉及电气设备状态监测
，特别是涉及一种基于概率密度的断路器状态监测方法。

技术介绍

[0002]断路器是电力系统中最重要的开关设备之一，在系统中承担着保护和控制作用。为了保证高压断路器可靠运行，监测其运行状态信息并根据所采集的信号进行故障诊断是十分必要的。根据其动作过程中产生的多种信号监测并判断断路器运行状态，深入研究断路器状态监测的新方法，是提高电力系统稳定运行水平的重要保障。
[0003]断路器动作时间极其短暂，每次动作时都具有高速度运动、高强度冲击的特点，断路器动触头运动过程中产生的冲击直接反应了高压断路器目前的一种状态，因此，断路器操作时产生的机械振动和声音信号蕴含了丰富的机械信息。现阶段的断路器状态监测系统主要集中在振动和声音信号相结合的方面，对振动和声音信号单独处理，分别提取振动和声音信号的特征值，通过决策层数据融合完成断路器状态的监测。但决策层数据融合判断存在判断精度低、误判率升高的特点。

技术实现思路

[0004]本专利技术的目的是提供一种基于概率密度的断路器状态监测方法，充分考虑各个向量分量之间的主次关系，解决了声振信号融合的权重问题，改进了声振信号融合的方法，提高了断路器机械故障判断的准确性，更加有效的区分断路器的故障类型，确保断路器在电力系统中安全、平稳的运行。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于概率密度的断路器状态监测方法，包括如下步骤：
[0007]步骤1、利用传感器收集断路器分合闸过程中所发出的声音和振动信号，经模数转换后得到初始声音信号与振动信号；
[0008]步骤2、根据统计学方法，将得到的初始声音信号与振动信号转换成相对应的概率密度曲线；
[0009]步骤3、运用中值滤波法对得到的概率密度曲线进行平滑处理，去除过多的毛刺，剔除异常数据和干扰噪声，并将平滑的概率密度图像进行图像分割，把概率密度曲线用维数相同的特征矩阵表示出来；
[0010]步骤4、分别对由步骤3处理得到的振动和声音信号的特征矩阵进行第一层PCA主元分析，对振动和声音信号的特征矩阵进行压缩和降维，分别得到振动和声音信号在特征空间内投影的特征向量；
[0011]步骤5、使用第二层PCA主元分析法对由第一层主元特征提取的两路信号主元向量进行特征提取、信息压缩，将振动和声音信号的特征层融合，得到振声信号融合后的主元向量作为特征向量；
[0012]步骤6、将处理后的特征向量作为训练样本，向二次特征空间进行投影，构建用于断路器监测的特征空间权重坐标三维图；
[0013]步骤7、根据步骤1至步骤5，将断路器待测振声信号进行PCA主元分析法处理后提取待测信号特征向量，并投影到二次特征空间，基于待测信号特征向量与训练样本中的特征向量的距离，利用邻近相似法进行断路器异常工作状态的监测和识别。
[0014]可选的，根据统计学方法，将得到的信号转换成相对应的概率密度曲线，具体包括：
[0015]对于初始声音信号x(t)，其幅值落在(x，x+Δx)的总时间为T为信号采集的时间，当T
→
∞时，为信号x(t)的幅值落在(x，x+Δx)的概率，表示为：
[0016]概率密度函数的定义式为，做平行于时间轴的等距离平行线，将幅值平分为间距为Δx的小区间，幅值落入第i个小区间(x
i
,x
i
+Δx)的点数为N
i
，表示为从而得到初始声音信号x(t)对应的概率密度曲线；
[0017]同理可以得到初始振动信号y(t)对应的概率密度曲线。
[0018]可选的，所述步骤3中，所述把概率密度曲线用维数相同的特征矩阵表示出来，具体为，
[0019]使用x∈[-6,8]每隔0.5取一个格，y∈[0,0.5]每隔0.05取一个格，组成一张具有280个格的网，覆盖住所有状态的概率密度函数图像；
[0020]实验中的信号是根据特定的采样频率采到离散点集，概率密度函数曲线也是由一个个离散的点组成的，用28*10的矩阵M
i
，表示第i种情况下的概率密度函数曲线，其中矩阵中第m行，第n列的元素a
mn
，为所有落进第m行、第n列格内点的数量总和，每个概率密度函数都是用28*10的矩阵M表示，将组成矩阵M的每个列向量首尾相连，组成一个大小为28*10的列向量。
[0021]可选的，所述步骤4及步骤5中，第一层PCA主元分析法及第二次PCA主元分析法具体为，
[0022]将每种状态下采集的信号样本化成一个个向量X
i
，有n个向量，每个向量有m个元素，首先对样本向量X
i
作去均值处理，将样本向量减去所有的样本均值，然后进行归一化处理，即：
[0023][0024][0025]用w作为m维单位向量，y为归一化后样本向量x在w上的投影，就是向量x与向量w做内积，可表示为：
[0026][0027]式中
[0028]用权重向量w求取E[y2]，即
[0029]E[y2]＝E[(w
T
x)]＝w
T
E[xx
T
]w＝w
T
C
x
w，
[0030]求取使E[y2]最大化的主元方向w，使投影点分散范围最大，根据线性代数知识可知，w应满足：C
x
w
j
＝λ
j
w
j
，j＝1,2...，主元方向向量w为矩阵C
x
特征值λ
i
的特征向量，保留前几个大的λ
i
和对应的主元方向向量w
i
。
[0031]可选的，所述步骤6中，构建用于断路器监测的特征空间权重坐标三维图，具体包括：
[0032]将断路器正常状态和四种故障状态每种取3个独立信号，则训练样本为15个，将处理得到的15个训练样本的概率密度曲线特征矩阵计算成协方差矩阵，对协方差矩阵进行奇异值分解，得到样本协方差矩阵的特征值和特征向量，再通过阀值分割，确定与之相对应的特征向量构建特征空间，最后将表征训练样本的向量映射到特征空间，从而得到特征空间权重坐标三维图。
[0033]可选的，所述构建用于断路器监测的特征空间权重坐标三维图，具体为，
[0034]将断路器正常状态和四种故障状态每种取3个独立信号，则训练样本为15个，将五种状态概率密度函数转化成列向量，并用x
i
依次表示，则15个训练样本的协方差矩阵为：
[0035][0036]其中，u为15个训练样本的均值向量，即
[0037]根据K-L变换原理，通过求样本协方差S
r
的特征向量来构造特征空间，根据奇异值分解原理求取样本协方差S
r
的特征值和特征向量，假设由阀值条件确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率密度的断路器状态监测方法，其特征在于，包括如下步骤：步骤1、利用传感器收集断路器分合闸过程中所发出的声音和振动信号，经模数转换后得到初始声音信号与振动信号；步骤2、根据统计学方法，将得到的初始声音信号与振动信号转换成相对应的概率密度曲线；步骤3、运用中值滤波法对得到的概率密度曲线进行平滑处理，去除过多的毛刺，剔除异常数据和干扰噪声，并将平滑的概率密度图像进行图像分割，把概率密度曲线用维数相同的特征矩阵表示出来；步骤4、分别对由步骤3处理得到的振动和声音信号的特征矩阵进行第一层PCA主元分析，对振动和声音信号的特征矩阵进行压缩和降维，分别得到振动和声音信号在特征空间内投影的特征向量；步骤5、使用第二层PCA主元分析法对由第一层主元特征提取的两路信号主元向量进行特征提取、信息压缩，将振动和声音信号的特征层融合，得到振声信号融合后的主元向量作为特征向量；步骤6、将处理后的特征向量作为训练样本，向二次特征空间进行投影，构建用于断路器监测的特征空间权重坐标三维图；步骤7、根据步骤1至步骤5，将断路器待测振声信号进行PCA主元分析法处理后提取待测信号特征向量，并投影到二次特征空间，基于待测信号特征向量与训练样本中的特征向量的距离，利用邻近相似法进行断路器异常工作状态的监测和识别。2.根据权利要求1所述的基于概率密度的断路器状态监测方法，其特征在于，所述步骤2中，根据统计学方法，将得到的信号转换成相对应的概率密度曲线，具体包括：对于初始声音信号x(t)，其幅值落在(x，x+Δx)的总时间为T为信号采集的时间，当T
→
∞时，为信号x(t)的幅值落在(x，x+Δx)的概率，表示为：概率密度函数的定义式为，做平行于时间轴的等距离平行线，将幅值平分为间距为Δx的小区间，幅值落入第i个小区间(x
i
,x
i
+Δx)的点数为N
i
，表示为从而得到初始声音信号x(t)对应的概率密度曲线；同理可以得到初始振动信号y(t)对应的概率密度曲线。3.根据权利要求1所述的基于概率密度的断路器状态监测方法，其特征在于，所述步骤3中，所述把概率密度曲线用维数相同的特征矩阵表示出来，具体为，使用x∈[-6,8]每隔0.5取一个格，y∈[0,0.5]每隔0.05取一个格，组成一张具有280个格的网，覆盖住所有状态的概率密度函数图像；
实验中的信号是根据特定的采样频率采到离散点集，概率密度函数曲线也是由一个个离散的点组成的，用28*10的矩阵M
i
，表示第i种情况下的概率密度函数曲线，其中矩阵中第m行，第n列的元素a
mn
，为所有落进第m行、第n列格内点的数量总和，每个概率密度函数都是用28*10的矩阵M表示，将组成矩阵M的每个列向量首尾相连，组成一个大小为28*10的列向量。4.根据权利要求1所述的基于概率密度的断路器状态监测方法，其特征在于，所述步骤4及步骤5中，第一层PCA主元分析法及第二次PCA主元分析法具体为，将每种状态下采集的信号样本化成一个个向量X
i
，有n个向量，每个向量有m个元素，首先对样本向量X
i
作去均值处理，将样本向量减去所有的样本均值，然后进行归一化处理，即：即：用w作为m维单位向量，y为归一化后样本向量x在w上的投影，就是向量x与向量w做内积，可表示为：式中用权重向量w求取E[y2]，即E[y2]＝E[(w
T
x)]＝w
T
E[xx
T
]w＝w
T
C
...

【专利技术属性】
技术研发人员：陈云，樊万昌，马文强，宋博，刘伟军，李占东，原金鹏，孙静文，
申请(专利权)人：国网青海省电力公司，
类型：发明
国别省市：