[發(fā)明專利]基于支持向量機和多體動力學仿真的高壓斷路器識別方法

有效

• 申請?zhí)枺?/td>: 201710146696.2
• 申請日: 2017-03-13
• 公開（公告）號: CN106934157B
• 公開（公告）日: 2018-08-03
• 發(fā)明（設計）人: 李洪濤;楊景剛;賈勇勇;趙科;高山;陶加貴;騰云;劉媛;王靜君;李玉杰;宋思齊;劉通;康禎;張國剛;吳越
• 申請（專利權）人: 江蘇省電力試驗研究院有限公司;國網(wǎng)江蘇省電力有限公司電力科學研究院;國家電網(wǎng)公司;西安交通大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06K9/62;G06T17/00
• 代理公司: 南京縱橫知識產(chǎn)權代理有限公司 32224
• 代理人: 董建林;閆方圓

本發(fā)明公開了一種基于支持向量機和多體動力學仿真的高壓斷路器識別方法，包括建立高壓斷路器的三維模型，校準并驗證三維模型；通過改變?nèi)S模型的尺寸、材料、特性參數(shù)，仿真模擬高壓斷路器的各種故障，得到對應的各種機械特性波形；對各種故障對應的機械特性波形進行波形截取、數(shù)學形態(tài)學濾波及特征提取處理，得到特征向量樣本集；基于支持向量機及其一對多分類方法，訓練分類器，并計算各分類的可信度；將實測的未知故障特征向量輸入到訓練的支持向量機，進行故障類型識別，實現(xiàn)高壓斷路器機械故障分類，并完成自學習。本發(fā)明無需開展大量物理模擬試驗，對于高壓斷路器的故障識別能夠準確識別，具有自學功能，有著廣闊的應用前景。

技術領域

本發(fā)明涉及電氣設備故障識別技術領域，具體涉及一種基于支持向量機和多體動力學仿真的高壓斷路器識別方法。

背景技術

高壓斷路器是電力系統(tǒng)中數(shù)量最大的電力設備之一，同時也是最重要的開關設備，擔負著控制和保護的雙重任務，其工作可靠性是決定電力系統(tǒng)安全運行的重要因素。

但是，由于高壓斷路器的內(nèi)部結構不可見，很難直觀的獲知其中的組件是否正常。然而，將運行中的高壓斷路器拆解后對內(nèi)部組件進行測量分析又顯得不切實際，所以，為了獲知高壓斷路器的機械狀態(tài)，一般通過對測得的行程-時間曲線進行處理和分析，判斷該機械機構是否工作正常。若要進一步通過行程-時間曲線判斷高壓斷路器的機械狀態(tài)，普遍采用對高壓斷路器人為設置分合閘彈簧疲勞、儲能不到位、油緩沖失效等機械類缺陷，通過對缺陷高壓斷路器進行大量的物理模擬試驗獲取足夠的樣本集，在此基礎上構建用于故障類型識別的分類器，進而評估其工作狀態(tài)，但是，還是存在以下不足之處：

（1）只有一部分故障可以通過對高壓斷路器機械機構的調(diào)整來實現(xiàn)，還有很多的故障無法模擬，使得樣本集的豐富性過于單調(diào)，對于某些未知狀態(tài)無法進行分類識別；

（2）有一部分故障，例如傳動阻尼異常類的故障，通過試驗的方法很難做到定量分析，使得對于高壓斷路器工作狀態(tài)的分類不夠細致；

（3）以試驗的方法獲取行程-時間曲線，會損耗高壓斷路器的機械壽命，特別是某些故障狀態(tài)下的試驗，更會使其機械壽命大大折損，造成很大的經(jīng)濟損失；

（4）高壓斷路器的產(chǎn)品型號多、結構差異大，故障模擬試驗結果與故障診斷算法僅適用于試驗斷路器同型號產(chǎn)品，對于其他型號、結構的斷路器不具通用性。

如何克服上述不足，是當前高壓斷路器機械類故障識別過程中急需解決的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是克服當前高壓斷路器機械類故障識別過程中存在不足的問題。本發(fā)明的基于支持向量機和多體動力學仿真的高壓斷路器識別方法，利用多體動力學仿真和基于支持向量機的分類器，實現(xiàn)高壓斷路器機械類故障的準確識別，與傳統(tǒng)試驗的方法相比，無需開展大量物理模擬試驗，且具有自學習功能，不斷完善分類器，對于高壓斷路器的故障識別，更加經(jīng)濟、方便、安全，有著廣闊的應用前景。

為了達到上述目的，本發(fā)明所采用的技術方案是：

一種基于支持向量機和多體動力學仿真的高壓斷路器識別方法，其特征在于：包括以下步驟，

建立高壓斷路器的三維模型，通過多體動力學仿真得到三維模型的機械特性波形，并通過將仿真結果與試驗測試數(shù)據(jù)進行對比，校準并驗證三維模型；

通過改變?nèi)S模型的尺寸、材料、特性參數(shù)，基于多體動力學仿真模擬高壓斷路器的各種故障，得到對應的各種機械特性波形；

對各種故障對應的機械特性波形進行波形截取、數(shù)學形態(tài)學濾波、特征提取處理，得到特征向量樣本集；

基于支持向量機以及其的一對多分類方法，訓練分類器，并計算各分類的可信度；

將實測的未知故障特征向量輸入到訓練的支持向量機，進行故障類型識別，實現(xiàn)高壓斷路器機械故障分類，并完成自學習。