一种高压隔离开关故障诊断方法技术

本发明专利技术公开一种高压隔离开关故障诊断方法，该方法通过获取隔离开关分合闸过程中的振动信号，对振动信号进行小波阈值去噪，提取振动信号在隔离开关正常操作、操作机构卡涩、单相连杆脱落及两相连杆脱落状态下的功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵、排列熵及包络熵共8种信息熵作为特征熵，组成特征向量，划分测试样本集和训练样本集，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值并输入SVM中，构建故障诊断模型，通过该方法来实现高压隔离开关在不同状态下振动信号的随机性特征提取，提高故障诊断模型的收敛精度和速度。

【技术实现步骤摘要】

本专利技术涉及电力，具体涉及一种高压隔离开关故障诊断方法。

技术介绍

1、当前针对高压隔离开关的机械状态检测研究大都基于隔离开关的电机电流信号、操作力矩、姿态传感器获取的角度-时间及分合闸过程中的振动信号进行其状态检测及故障识别。其中，振动信号中蕴含着丰富的隔离开关机械状态信息，寻找合适的故障特征提取方法是实现隔离开关故障诊断的关键。目前振动信号分析常用的方法包括傅里叶变换法、小波变换法、经验模态分解法等。但由于隔离开关振动信号属于非平稳信号，上述方法难以求得其局部化特征信息。另外，越来越多的学者将人工智能方法应用于各类机械的故障诊断中，典型的人工神经网络、递归神经网络、支持向量机（svm）等技术已经成功应用于机械故障诊断领域中。神经网络模型应用于故障诊断一般皆可取得较好的诊断识别率，但当诊断网络训练集较少或选择不当时，也很难得到好的诊断结果。而svm的分类效果和性能与惩罚因子c和核参数σ息息相关，将群智能算法应用在svm参数寻优，可明显优化svm分类效果。

2、.小波变换法建立在傅里叶变换基础之上，无法精确描述时间与频率的关系；经验模态分解法本文档来自技高网...

【技术保护点】

1.一种高压隔离开关故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的一种高压隔离开关故障诊断方法，其特征在于，对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号，包括：

3.根据权利要求1所述的一种高压隔离开关故障诊断方法，其特征在于，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值，包括：

4.根据权利要求3所述的一种高压隔离开关故障诊断方法，其特征在于，设置发现者位置更新公式的方法如下：

5.根据权利要求4所述的一种高压隔离开关故障诊断方法，其特征在于，追随者位置更新公式如下：p>

6.根据权...

【技术特征摘要】

1.一种高压隔离开关故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的一种高压隔离开关故障诊断方法，其特征在于，对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号，包括：

3.根据权利要求1所述的一种高压隔离开关故障诊断方法，其特征在于，基于改进麻雀搜索算法得到惩罚因子c和核参数σ的最优值，包括：

4.根据权利要求3所述的一种高压隔离开关故障诊断方法，其特征在...

【专利技术属性】
技术研发人员：王家勋，吴怀诚，张南，张继驰，张云鹏，谭睿，杨雪滨，孙德利，孙艳鹤，吴天驰，杨洁川，
申请(专利权)人：国网辽宁省电力有限公司，
类型：发明
国别省市：