【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電力，具體涉及一種高壓隔離開關(guān)故障診斷方法。
技術(shù)介紹
1、當(dāng)前針對高壓隔離開關(guān)的機(jī)械狀態(tài)檢測研究大都基于隔離開關(guān)的電機(jī)電流信號、操作力矩、姿態(tài)傳感器獲取的角度-時(shí)間及分合閘過程中的振動(dòng)信號進(jìn)行其狀態(tài)檢測及故障識別。其中，振動(dòng)信號中蘊(yùn)含著豐富的隔離開關(guān)機(jī)械狀態(tài)信息，尋找合適的故障特征提取方法是實(shí)現(xiàn)隔離開關(guān)故障診斷的關(guān)鍵。目前振動(dòng)信號分析常用的方法包括傅里葉變換法、小波變換法、經(jīng)驗(yàn)?zāi)B(tài)分解法等。但由于隔離開關(guān)振動(dòng)信號屬于非平穩(wěn)信號，上述方法難以求得其局部化特征信息。另外，越來越多的學(xué)者將人工智能方法應(yīng)用于各類機(jī)械的故障診斷中，典型的人工神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（svm）等技術(shù)已經(jīng)成功應(yīng)用于機(jī)械故障診斷領(lǐng)域中。神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于故障診斷一般皆可取得較好的診斷識別率，但當(dāng)診斷網(wǎng)絡(luò)訓(xùn)練集較少或選擇不當(dāng)時(shí)，也很難得到好的診斷結(jié)果。而svm的分類效果和性能與懲罰因子c和核參數(shù)σ息息相關(guān)，將群智能算法應(yīng)用在svm參數(shù)尋優(yōu)，可明顯優(yōu)化svm分類效果。
2、.小波變換法建立在傅里葉變換基礎(chǔ)之上，無法精確描述時(shí)間與頻率的關(guān)系；經(jīng)驗(yàn)?zāi)B(tài)分解法對于不同狀態(tài)下的振動(dòng)信號難以設(shè)定一個(gè)確定的固有模態(tài)函數(shù)維數(shù)，不利于故障診斷算法在高壓隔離開關(guān)在線監(jiān)測系統(tǒng)中的實(shí)現(xiàn)。另外，由于粒子群算法自身的局限性，在迭代過程中往往存在尋優(yōu)時(shí)間過長、易陷入局部最優(yōu)以及魯棒性較差等問題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于針對現(xiàn)有技術(shù)的不足之處，提供一種高壓隔離開關(guān)故障診斷方法，通過提取高壓隔離
2、本專利技術(shù)提供一種高壓隔離開關(guān)故障診斷方法，包括：
3、獲取隔離開關(guān)分合閘過程中的振動(dòng)信號；
4、對所述振動(dòng)信號進(jìn)行小波閾值去噪，去除隔離開關(guān)在分合閘操作時(shí)產(chǎn)生的干擾信號；
5、分別提取振動(dòng)信號在隔離開關(guān)正常操作、操作機(jī)構(gòu)卡澀、單相連桿脫落及兩相連桿脫落狀態(tài)下的功率譜熵、奇異譜熵、能量熵、近似熵、樣本熵、模糊熵、排列熵及包絡(luò)熵共8種信息熵作為特征熵，組成特征向量，并劃分測試樣本集和訓(xùn)練樣本集；
6、根據(jù)所述訓(xùn)練樣本集訓(xùn)練高壓隔離開關(guān)故障診斷模型，其中，基于改進(jìn)麻雀搜索算法得到懲罰因子c和核參數(shù)σ的最優(yōu)值；將所述懲罰因子c和核參數(shù)σ的最優(yōu)值輸入svm中，構(gòu)建故障診斷模型；
7、將所述特征向量輸入到故障診斷模型中，對測試樣本集進(jìn)行測試，識別高壓隔離開關(guān)故障。
8、進(jìn)一步地，對所述振動(dòng)信號進(jìn)行小波閾值去噪，去除隔離開關(guān)在分合閘操作時(shí)產(chǎn)生的干擾信號，包括：
9、選定db2小波對所述振動(dòng)信號進(jìn)行4層小波分解；
10、對4層小波分解中的小波系數(shù)進(jìn)行閾值處理，獲得估計(jì)小波系數(shù)；
11、根據(jù)估計(jì)小波系數(shù)進(jìn)行小波重構(gòu)，獲得去噪后的振動(dòng)信號。
12、進(jìn)一步地，基于改進(jìn)麻雀搜索算法得到懲罰因子c和核參數(shù)σ的最優(yōu)值，包括：
13、設(shè)置改進(jìn)麻雀搜索算法的迭代次數(shù)及位置更新公式，其中，迭代過程中，總迭代次數(shù)50，最大迭代次數(shù)100，所述位置更新公式包括發(fā)現(xiàn)者、追隨者、警戒者的位置更新公式；
14、引入立方混沌映射對麻雀種群初始化，確定麻雀個(gè)體位置向量，得到懲罰因子c和核參數(shù)σ的初始值；
15、以5折交叉驗(yàn)證準(zhǔn)確率作為麻雀個(gè)體適應(yīng)度函數(shù)，將訓(xùn)練樣本集進(jìn)行分類，計(jì)算麻雀個(gè)體初始適應(yīng)度值，并對麻雀個(gè)體初始適應(yīng)度值進(jìn)行排序，確定最優(yōu)適應(yīng)度和最優(yōu)麻雀位置；
16、根據(jù)所述發(fā)現(xiàn)者、追隨者、警戒者的位置更新公式，對最優(yōu)適應(yīng)度和最優(yōu)麻雀位置進(jìn)行更新；
17、利用隨機(jī)跟隨策略對最優(yōu)麻雀位置進(jìn)行擾動(dòng)，更新最優(yōu)麻雀位置及最優(yōu)適應(yīng)度值；
18、判斷當(dāng)前迭代次數(shù)是否超過最大迭代次數(shù)；
19、如果當(dāng)前迭代次數(shù)超過最大迭代次數(shù)，訓(xùn)練結(jié)束，輸出麻雀個(gè)體全局最優(yōu)位置，得到懲罰因子c和核參數(shù)σ的最優(yōu)值；
20、如果當(dāng)前迭代次數(shù)未超過最大迭代次數(shù)，跳回初始化繼續(xù)循環(huán)。
21、進(jìn)一步地，設(shè)置發(fā)現(xiàn)者位置更新公式的方法如下：
22、在發(fā)現(xiàn)者位置更新公式中引入慣性權(quán)重，提出線性遞減權(quán)重策略，將慣性權(quán)重按照線性由大到小依次遞減，公式如下：
23、?（1）
24、式中：為慣性權(quán)重的最大、最小值；t為當(dāng)前迭代次數(shù)；t為總迭代次數(shù)。此時(shí)發(fā)現(xiàn)者位置更新為：
25、（2）
26、表示第i只麻雀在第t次迭代中的第d維位置信息；表示第i只麻雀在第t+1次迭代中的第d維位置信息；q為服從正態(tài)分布的隨機(jī)數(shù)；?為麻雀種群預(yù)警值，為麻雀種群安全值，。
27、進(jìn)一步地，追隨者位置更新公式如下：
28、（3）；
29、式中，表示第i只麻雀在第t+1次迭代中的第d維位置信息；
30、表示第只麻雀的當(dāng)前適應(yīng)度值；?是麻雀數(shù)量，且表示第k只麻雀在第t次迭代中的第j維位置信息；表示當(dāng)前全局適應(yīng)度最差麻雀個(gè)體的位置；當(dāng)時(shí)，表示第個(gè)跟隨者處于饑餓狀態(tài)，需要飛到其他地方進(jìn)行覓食活動(dòng)；當(dāng)時(shí)表示，表示第個(gè)跟隨者將在當(dāng)前最優(yōu)位置附近覓食。
31、進(jìn)一步地，設(shè)置警戒者位置更新公式的方法如下：
32、麻雀種群中能感知到危險(xiǎn)的警戒的麻雀占麻雀總量的10%~20%，警戒者的位置更新公式如下：
33、（4）
34、式中：表示第i只麻雀在第t+1次迭代中的第d維位置信息；
35、表示服從均值為0，方差為1的正態(tài)分布隨機(jī)數(shù)；是-1到1之間的隨機(jī)數(shù)；是常數(shù)；表示第只麻雀的當(dāng)前適應(yīng)度值，表示當(dāng)前麻雀種群中最優(yōu)適應(yīng)度值，表示當(dāng)前麻雀種群中最差適應(yīng)度值。
36、進(jìn)一步地，引入立方混沌映射對麻雀種群初始化，確定麻雀個(gè)體位置向量，得到懲罰因子c和核參數(shù)σ的初始值，包括：
37、在預(yù)設(shè)的搜索空間中隨機(jī)生成一個(gè)d維向量yi作為麻雀種群的初始個(gè)體，所述預(yù)設(shè)的搜索空間的范圍為[-1,1]，所述d維向量的上限為1，下限為-1；
38、將所述d維向量代入立方混沌映射公式（5）中，對所述d維向量的每一維進(jìn)行迭代，生成麻雀種群的剩余個(gè)體；
39、?（5）
40、其中，表示映射前的變量值，表示映射后的變量值，；
41、最后根據(jù)公式（6），將立方混沌映射產(chǎn)生的變量值映射到麻雀個(gè)體上，確定麻雀個(gè)體位置向量，得到懲罰因子c和核參數(shù)σ的初始值；
42、（6）
43、為映射后的麻雀個(gè)體位置向量；和分別為與預(yù)設(shè)的搜索空間對應(yīng)的解空間的下限值和上限值；映射后的麻雀個(gè)體位置向量的每個(gè)維度的上限為，下限為。
44、本專利技術(shù)具有以下有益效果：本專利技術(shù)提供的一種高壓隔離開關(guān)故障診斷方本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種高壓隔離開關(guān)故障診斷方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，對所述振動(dòng)信號進(jìn)行小波閾值去噪，去除隔離開關(guān)在分合閘操作時(shí)產(chǎn)生的干擾信號，包括：
3.根據(jù)權(quán)利要求1所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，基于改進(jìn)麻雀搜索算法得到懲罰因子C和核參數(shù)σ的最優(yōu)值，包括：
4.根據(jù)權(quán)利要求3所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，設(shè)置發(fā)現(xiàn)者位置更新公式的方法如下：
5.根據(jù)權(quán)利要求4所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，追隨者位置更新公式如下：
6.根據(jù)權(quán)利要求5所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，設(shè)置警戒者位置更新公式的方法如下：
7.根據(jù)權(quán)利要求6所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，引入立方混沌映射對麻雀種群初始化，確定麻雀個(gè)體位置向量，得到懲罰因子和核參數(shù)的初始值，包括：
【技術(shù)特征摘要】
1.一種高壓隔離開關(guān)故障診斷方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，對所述振動(dòng)信號進(jìn)行小波閾值去噪，去除隔離開關(guān)在分合閘操作時(shí)產(chǎn)生的干擾信號，包括：
3.根據(jù)權(quán)利要求1所述的一種高壓隔離開關(guān)故障診斷方法，其特征在于，基于改進(jìn)麻雀搜索算法得到懲罰因子c和核參數(shù)σ的最優(yōu)值，包括：
4.根據(jù)權(quán)利要求3所述的一種高壓隔離開關(guān)故障診斷方法，其特征在...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王家勛，吳懷誠，張南，張繼馳，張?jiān)迄i，譚睿，楊雪濱，孫德利，孫艷鶴，吳天馳，楊潔川，
申請(專利權(quán))人：國網(wǎng)遼寧省電力有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。