基于多参量的高压断路器分/合闸线圈的故障诊断

由于分/合闸线圈电流信号和振动信号的变化均可以反映操动机构的运行状态,因此文中阐述了根据多参量来诊断高压断路器分/合闸线圈故障的一种新方法,以提高高压断路器故障诊断的准确率。文中首先介绍了操动机构电磁铁的动作状态,并分析操动机构电流信号与运行状态的关系,其次设计了一套以NI数据采集卡和实时控制器为核心的硬件电路,最后运用多层小波包分解与重构算法对信号进行滤波,结合极值法对信号进行特征值提取,并采用粒子群优化算法与支持向量机相结合的方法进行状态分类。实验结果表明,文中提出的算法能够及时发现高压断路器运行过程中存在的安全隐患,有效提高高压断路器的运行可靠性。

基于分合闸线圈电流的断路器缺陷诊断及试验方法研究

分合闸线圈是断路器操作机构的关键部件。笔者通过深入研究断路器分/合闸线圈电流波形与机械缺陷之间的关系,提取线圈电流波形中的关键特征量,建立其与断路器常见典型机械缺陷的诊断判据,并通过实验室断路器缺陷模拟试验平台进行验证。基于研究结果,提出在国内开展断路器"首次分/合闸"时线圈电流检测试验的具体实施方案并进行风险评估,通过试验提前发现断路器机械方面存在的缺陷,有效指导国内电网断路器设备状态检测策略。

基于卷积神经网络算法的高压断路器故障诊断

传统的高压断路器故障诊断方法太过于依赖经验,不能准确地反映特征量和故障模式之间的关系,诊断准确度不高。针对这个问题,采用卷积神经网络算法进行高压断路器故障诊断,结合高压断路器分合闸线圈电流特点建立诊断模型,通过输入零点故障特征参数进行学习训练,得到相应故障类型输出。仿真结果表明,所提算法的整体准确率高达93.68%,与其他基于神经网络的算法相比具有很大的优势。