基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断.docx

基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断
摘要
高压断路器作为电力系统的重要组成部分，其正常运行与安全稳定运行对安全电力系统的运行起着重要作用。针对高压断路器的机械故障问题，本文采用SVM与合分闸线圈电流参数进行特征提取与诊断，提高了高压断路器的机械故障准确性。实验结果表明，该方法具有较高的诊断准确性和实用性。
关键词：高压断路器；机械故障；SVM；合分闸线圈电流参数
Abstract
Asanimportantpartofthepowersystem,thenormalandsafeoperationofhigh-voltagecircuitbreakersplaysanimportantroleinthesafeandstableoperationofthepowersystem.Forthemechanicalfailureofhigh-voltagecircuitbreakers,thispaperusesSVMandtheparametersofthecombinedswitchcircuitbreakercurrenttoextractfeaturesanddiagnose,improvingtheaccuracyofmechanicalfailureofhigh-voltagecircuitbreakers.Theexperimentalresultsshowthatthismethodhashighdiagnosticaccuracyandpracticality.
Keywords:high-voltagecircuitbreaker;mechanicalfailure,SVM;combinedswitchcircuitbreakercurrent
引言
高压断路器作为电力系统中的关键设备之一，其正常运行与安全稳定运行对保证电力系统的安全稳定运行起着至关重要的作用。同时，高压断路器长期运行在严酷的环境下，易受到机械故障、电气故障等影响，因此对高压断路器的机械故障进行及时诊断，具有重要的研究意义。目前针对高压断路器机械故障诊断研究已取得了很大的进展，但是对于高压断路器的机械故障检测还存在一定的不足。
本文采用支持向量机（SVM）算法与合分闸线圈电流参数对高压断路器的机械故障进行特征提取与诊断，实现机械故障的智能检测与诊断。
方法与步骤
1.合分闸线圈电流参数采集
合分闸动作时的合分闸线圈电流作为判断高压断路器机械故障的参数，本文采用电子式互感器采集合分闸线圈电流参数。
2.特征提取
本文采用小波变换算法将合分闸线圈电流进行小波分解，提取各小波系数作为特征向量，并经过主成分分析处理。将初步提取出来的特征向量降维到一定的维度，减小特征参数的过多和冗杂性。
3.支持向量机算法分类预测
使用支持向量机算法对提取出的特征向量进行分类预测，通过对支持向量机算法的训练，实现了对高压断路器机械故障的智能诊断。
实验结果与分析
本文将所设计的智能诊断模型应用于某高压断路器的机械故障预测中，得到较为准确的结果，实验结果表明，该方法达到了较高的预测准确度，对于高压断路器机械故障的预测有较高的可靠性。
结论
本文通过对高压断路器机械故障进行特征提取和诊断，实现了高压断路器的智能检测与诊断，提高了高压断路器的机械故障的准确性和实用性，为高压断路器的安全可靠运行提供了一定的技术支持和指导意义。
参考文献
[1]周鑫,王敏.基于机器学习的高压断路器机械故障诊断[J].高压电器,2017,53(5):78-82+94.
[2]刘鹏飞,郭荣忠.基于支持向量机的高压开关机械故障判断方法[J].电力系统保护与控制,2019,47(19):117-122.
[3]陈春林,张继敏,胡旭阳.基于有序特征选择和支持向量机的高压断路器机械故障诊断[J].电力系统保护与控制,2020,48(19):49-56.