本申请涉及一种本申请中的断路器故障判断方法、装置及设备，方法包括：获取断路器振动信号，基于预设算法确定计算层次多尺度散布熵所需的计算参数；根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。由于本申请中，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，可以兼顾振动信号不同层次及不同频段上的的多尺度故障信号特征。本申请中获取的故障信号特征相较于现有技术更加全面、丰富，因此对断路器故障判断也更加准确。器故障判断也更加准确。器故障判断也更加准确。
【技术实现步骤摘要】
断路器故障判断方法、装置及设备
[0001]本申请涉及断路器故障判断
，尤其涉及一种断路器故障判断方法、装置及设备。
技术介绍
[0002]气体断路器是电网运行的重要设备，具有控制与保护的作用，气体断路器性能的可靠性关系到整个电网运行的安全与稳定。因此，科学地评估判断气体断路器的运行状态，不仅能够为电力运维部门制定检修策略提供依据，也可以为制造企业提供改进方向。断路器的振动信号是断路器状态信息的重要载体，其内部的很多损伤特征都会由其振动信号反映。现有技术中通过非线性动力学方法，如样本熵、排列熵、模糊熵等对断路器振动信号进行分析和评估，但是这些方法所获取的故障信号特征不够全面、丰富，对断路器故障判断不够准确。
技术实现思路
[0003]为至少在一定程度上克服相关技术中通过非线性动力学方法对断路器振动信号进行分析和评估时，获取的故障信号特征不够全面、丰富，导致对断路器故障判断不够准确的问题，本申请提供一种断路器故障判断方法、装置及设备。
[0004]本申请的方案如下：
[0005]根据本申请实施例的第一方面，提供一种断路器故障判断方法，包括：
[0006]获取断路器振动信号；
[0007]基于预设算法确定计算层次多尺度散布熵所需的计算参数；
[0008]根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵；
[0009]根据所述信号特征矩阵训练故障判断模型，所述故障判断模型用于根据输入的振动信号输出故障判断结果。
[0010]优选地，所述获取断路器振动信号后，所述方法还包括：
[0011]基于小波包阈值降噪方法对所述振动信号进行分解重构。
[0012]优选地，所述基于小波包阈值降噪方法对所述振动信号进行分解重构，包括：
[0013]在多个小波包分解基函数中确定适用于所述振动信号的优选小波包分解基函数；
[0014]确定分解层次，基于所述优选小波包分解基函数对所述振动信号进行小波包分解，得到多个小波分解系数；
[0015]确定门限阈值，根据所述门限阈值对所述小波分解系数进行量化；
[0016]根据低频的小波分解系数和经过量化处理后的高频的小波分解系数进行对振动信号重构。
[0017]优选地，所述预设算法为鸟群优化算法；
[0018]所述基于预设算法确定计算层次多尺度散布熵所需的计算参数，包括：
[0019]将所述计算参数作为鸟群最优位置，对所述鸟群优化算法进行种群初始化，并设置所述鸟群优化算法的各项参数；
[0020]使所述鸟群优化算法以所述鸟群最优位置为优化目标进行迭代；
[0021]在所述鸟群优化算法满足迭代停止条件时输出最终鸟群最优位置。
[0022]优选地，所述迭代停止条件为达到预设最大迭代次数或预设最小错分率。
[0023]优选地，所述计算参数包括：嵌入维数、类别个数、分解层数和尺度因子。
[0024]优选地，所述根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵，包括：
[0025]对所述振动信号进行层次分解；
[0026]确定所述振动信号各层各节点的层次分量；
[0027]计算各所述层次分量在所述尺度因子下的复合粗粒化序列；
[0028]根据所述嵌入维数和所述类别个数计算各所述复合粗粒化序列的散布熵；
[0029]根据全部计算参数计算全部复合粗粒化序列散布熵的平均值，得到所述层次多尺度散布熵。
[0030]优选地，所述根据所述信号特征矩阵训练故障判断模型，包括：
[0031]根据所述信号特征矩阵生成信号特征向量集；
[0032]将所述信号特征向量集按照预设比例划分为训练集和测试集；
[0033]基于所述训练集训练所述故障判断模型；
[0034]基于所述测试集对训练完成的所述故障判断模型进行测试。
[0035]根据本申请实施例的第二方面，提供一种断路器故障判断装置，包括：
[0036]获取模块，用于获取断路器振动信号；
[0037]参数确定模块，用于基于预设算法确定计算层次多尺度散布熵所需的计算参数；
[0038]特征生成模块，用于根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵；
[0039]模型训练模块，用于根据所述信号特征矩阵训练故障判断模型，所述故障判断模型用于根据输入的振动信号输出故障判断结果。
[0040]根据本申请实施例的第三方面，提供一种断路器故障判断设备，包括：
[0041]处理器和存储器；
[0042]所述处理器与存储器通过通信总线相连接：
[0043]其中，所述处理器，用于调用并执行所述存储器中存储的程序；
[0044]所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的一种断路器故障判断方法。
[0045]本申请提供的技术方案可以包括以下有益效果：本申请中的断路器故障判断方法，包括：获取断路器振动信号，基于预设算法确定计算层次多尺度散布熵所需的计算参数；根据计算参数，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，根据信号特征矩阵训练故障判断模型，故障判断模型用于根据输入的振动信号输出故障判断结果。由于本申请中，计算振动信号的层次多尺度散布熵作为振动信号的信号特征矩阵，可以兼顾振动信号不同层次及不同频段上的的多尺度故障信号特征。本申请中获取的故障信号特征相较于现有技术更加全面、丰富，因此对断路器故障判断也更加准确。
[0046]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0047]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0048]图1是本申请一个实施例提供的一种断路器故障判断方法的流程示意图；
[0049]图2是本申请一个实施例提供的一种断路器故障判断装置的结构示意图；
[0050]图3是本申请一个实施例提供的一种断路器故障判断设备的结构示意图；。
[0051]附图标记：获取模块
‑
21；参数确定模块
‑
22；特征生成模块
‑
23；模型训练模块
‑
24；处理器
‑
31；存储器
‑
32。
具体实施方式
[0052]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0053]实施例一
[0054]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种断路器故障判断方法，其特征在于，包括：获取断路器振动信号；基于预设算法确定计算层次多尺度散布熵所需的计算参数；根据所述计算参数，计算所述振动信号的层次多尺度散布熵作为所述振动信号的信号特征矩阵；根据所述信号特征矩阵训练故障判断模型，所述故障判断模型用于根据输入的振动信号输出故障判断结果。2.根据权利要求1所述的方法，其特征在于，所述获取断路器振动信号后，所述方法还包括：基于小波包阈值降噪方法对所述振动信号进行分解重构。3.根据权利要求2所述的方法，其特征在于，所述基于小波包阈值降噪方法对所述振动信号进行分解重构，包括：在多个小波包分解基函数中确定适用于所述振动信号的优选小波包分解基函数；确定分解层次，基于所述优选小波包分解基函数对所述振动信号进行小波包分解，得到多个小波分解系数；确定门限阈值，根据所述门限阈值对所述小波分解系数进行量化；根据低频的小波分解系数和经过量化处理后的高频的小波分解系数进行对振动信号重构。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述预设算法为鸟群优化算法；所述基于预设算法确定计算层次多尺度散布熵所需的计算参数，包括：将所述计算参数作为鸟群最优位置，对所述鸟群优化算法进行种群初始化，并设置所述鸟群优化算法的各项参数；使所述鸟群优化算法以所述鸟群最优位置为优化目标进行迭代；在所述鸟群优化算法满足迭代停止条件时输出最终鸟群最优位置。5.根据权利要求4所述的方法，其特征在于，所述迭代停止条件为达到预设最大迭代次数或预设最小错分率。6.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述计算参数包括：嵌入...
【专利技术属性】
技术研发人员：赵双伟，彭晶，赵现平，王科，邓云坤，黄小龙，赵莉华，贾申利，宁文军，李桥安，张枭，杨伟荣，李东，张鹏成，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。