CN106482937B

CN106482937B - 一种高压断路器机械状态的监测方法

Info

Publication number: CN106482937B
Application number: CN201610882313.3A
Authority: CN
Inventors: 易林; 袁耀
Original assignee: Research Institute of Southern Power Grid Co Ltd
Current assignee: Research Institute of Southern Power Grid Co Ltd
Priority date: 2016-09-30
Filing date: 2016-09-30
Publication date: 2019-08-27
Anticipated expiration: 2036-09-30
Also published as: CN106482937A

Abstract

本发明的实施例提供一种高压断路器机械状态的监测方法，涉及电力系统监测领域，能够准确监测高压断路器的机械状态。具体方案包括：获取监测对象的监测参量，所述监测参量包括电流信号以及振动信号；根据预设的形态开闭加权复合滤波算法对所述电流信号进行滤波后，提取所述电流信号的特征量；通过小波包变换将所述振动信号分解到不同频段后，提取所述振动信号的特征量，所述振动信号的特征量包括所述振动信号低频部分的样本熵和高频部分的相对小波能量；根据所述电流信号的特征量和所述振动信号的特征量形成多维映射，利用支持向量机诊断所述监测对象的机械状态。本发明用于监测高压断路器的机械状态。

Description

一种高压断路器机械状态的监测方法

技术领域

本发明的实施例涉及电力系统监测领域，尤其涉及一种高压断路器机械状态的监测方法。

背景技术

当前电网系统发展迅速，供电安全和稳定性越来越引起人们的重视，高压断路器是电网中的重要组成部分，高压断路器可靠动作是电力系统能够可靠运行的重要保障。根据国际大电网会议(英文全称：International Council on Large Electric systems，英文简称：CIGRE)对断路器事故的三次调查可以发现，操动机构主要故障率在第三次调查中达到了61％，相对于第一次、第二次的33％和44％的故障率有明显的上升。

根据广东电网公司2012-2014年度开关专业工作总结可以发现，分合闸线圈回路、传动以及储能机构部分故障占了常见故障的绝大部分。因此，对断路器机械状态进行监测，并在某个部位发生故障时及时诊断故障并报警，对于提高电网安全稳定性具有非常重要的意义。

发明内容

本发明的实施例提供一种高压断路器机械状态的监测方法，能够准确监测高压断路器的机械状态，并有效识别故障状态，从而保障电网的安全稳定性。

为了达成上述目的，本发明采用如下解决方案：

提供一种高压断路器机械状态的监测方法，包括：

获取监测对象的监测参量，所述监测参量包括电流信号以及振动信号；

根据预设的形态开闭加权复合滤波算法对所述电流信号进行滤波后，提取所述电流信号的特征量，所述电流信号的特征量包括所述电流信号在不同状态下波形的差异特征量；

通过小波包变换将所述振动信号分解到不同频段后，提取所述振动信号的特征量，所述振动信号的特征量包括所述振动信号低频部分的样本熵和高频部分的相对小波能量；

根据所述电流信号的特征量和所述振动信号的特征量形成多维映射，利用支持向量机诊断所述监测对象的机械状态。

本发明的实施例所提供的高压断路器机械状态的监测方法，根据预设的形态开闭加权复合滤波算法对所述电流信号进行滤波，很好地满足了降噪要求，另外针对振动信号的高频部分和低频部分，分别通过相对小波能量分布和样本熵分布来体现监测参量的机械状况，利于准确监测高压断路器的机械状态，并有效识别故障状态，从而保障电网的安全稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的实施例所提供的高压断路器机械状态的监测方法流程示意图；

图2(a)为滤波前信号波形的示意图；

图2(b)为经过本实施例中描述的双结构元素的形态开闭加权复合滤波算法滤波后的信号波形的示意图；

图3(a)为分闸线圈电流在正常、分合闸线圈老化、铁芯卡涩、铁芯空行程不足状态下时的波形示意图；

图3(b)对为分合闸线圈电流的差异特征量的说明示意图；

图4为储能电机的弹簧在正常状态、疲劳状态下时储能电机的电流波形示意图；

图5为传动机构在正常状态、凸轮磨损状态、传动机构卡涩状态下时的位移电流波形示意图；

图6(a)为电磁铁动作产生的振动信号波形示意图；

图6(b)为触头动作产生的振动信号形示意图；

图7为电磁铁动作过程所产生振动信号高频部分相对小波能量的分布示意图；

图8为触头动作过程所产生振动信号高频部分相对小波能量的分布示意图；

图9为电磁铁动作过程振动信号低频部分样本熵的分布示意图；

图10为触头动作过程振动信号低频部分样本熵的分布示意图；

图11为监测对象、监测参量、特征量以及故障类型的对应关系说明示意图；

图12为本发明的实施例中所描述监测系统的软件系统架构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

断路器运行现场存在大量的干扰，导致电流信号中包含较大的噪声，在进行电流信号特征提取之前必须进行有效的滤波，现有技术中采用短时傅里叶变换(英文全称：short-time Fourier transform，英文简称：STFT)对信号进行滤波，通过时域加窗把非平稳信号看成一系列平稳信号，然后分别滤除信号中的高频成分，但是其窗口固定，因此时频分辨率固定，要改变其时频分辨率必须重新选择窗口。

如果采用小波变换滤波，可以克服STFT变换窗口固定的缺陷，具有变化的分辨率，但通过仿真发现经过小波滤波后，分合闸线圈电流的部分特征值发生畸变，而且占用较多的运算资源。

数学形态学是一种非线性的滤波算法，其算法简单，运算速度块，而且直接对波形进行平滑处理，可以很好保留原有特征。鉴于上述现有技术中的缺点，本发明的实施例采用形态开闭加权复合滤波算法对电流信号进行滤波，从各状态的电流波形比对中充分挖掘其差异特征量量。

振动信号由于其包含了丰富的机械状态信息，成分比较复杂，现有技术中使用较多的方法有利用小波包分解以及经验模态分解与能量特征熵相结合的方法，但该方法只考虑了触头撞击产生的高频成分，而忽略了机构运动过程中产生的低频成分，类似的还有功率谱分析等方法，都仅考虑了振动信号不同频段成分的能量，例如提取振动信号的特征时间点，然而断路器振动信号传播受温湿度等环境影响较大，导致同一状态时间点信息重复性较差。

本发明的实施例中提出将小波包分解后低频部分的样本熵和高频部分的相对能量作为振动信号的特征值，并利用主成分分析对特征向量进行降维。最后将电流信号的各差异特征量量与振动信号特征量相结合形成多维映射知识库，利用支持向量机对断路器的机械状态进行诊断，以提高监测的准确性，以下结合本发明的实施例对本申请的方案做具体说明。

实施例

本发明的实施例提供一种高压断路器机械状态的监测方法，结合图1所示，包括以下步骤：

101、获取监测对象的监测参量。

断路器的机械架构分为三个部分：分合闸线圈回路、储能机构以及传动机构，监测对象可以为其中任一。当然，本发明的实施例所描述的监测方法，可以用于只监测上述三个监测对象其中一个、两个，或者三个同时都监测。

监测参量包括电流信号以及振动信号，以下对不同监测对象所对应的监测参量进行说明。

监测对象为分合闸线圈回路时，电流信号为分合闸线圈电流；

监测对象为高压断路器的储能机构时，电流信号为储能电机电流；

监测对象为高压断路器的传动机构时，电流信号为位移电流；

振动信号为各监测对象各自对应的振动信号。

监测参量可以通过传感器对监测对象进行测量得到。

102、对电流信号滤波并提取电流信号的特征量。

步骤102包括两部分，首先步骤102.1根据预设的形态开闭加权复合滤波算法对电流信号进行滤波后，然后步骤102.2提取电流信号的特征量。

102.1、形态开闭加权复合滤波。

形态滤波是用一个的结构元素去匹配信号的几何形状，通常用来提取信号的形态特征。如果信号中包含与结构元素形态特征一致的特征信息，形态滤波将会将这些特征提取出来，而滤除其他成分。形态学基本算子有腐蚀、膨胀。

设X(k)和A(t)分别代表原始信号和结构元素，其中结构元素A(t)的长度比X(k)短，腐蚀和膨胀运算的定义如下：

由膨胀和腐蚀运算可得形态开、闭分别为：

形态开、闭运算具有滤波功能。其中，开运算可去掉毛刺和孤立点，滤除信号中的正脉冲噪声；闭运算可填补孔洞和裂缝，滤除信号中的负脉冲噪声，目前运用较多的是由Maragos提出的开-闭和闭-开运算组合而成的形态滤波器：

f＝Med(X,A)＝[(XοA·A)(k)+(X·AοA)(k)]/2 (5)

该滤波器虽然可同时抑制信号中的正、负脉冲噪声，但由于在级联过程中采用了相同的结构元素,导致其只能对一种噪声有较好的滤波效果，而不能很好地处理各种噪声，且开闭运算顺序调换之后滤波效果不是简单的对称关系，所以简单地取两者的平均值会带来较大的误差。

在原有的数学形态学开闭运算滤波算法的基础上，本发明的实施例提出了一种双结构元素的形态开闭加权复合滤波算法，根据第一公式对电流信号进行滤波，第一公式如式(6)所示：

f＝λ₁(XοA·B)(k)+λ₂(X·AοB)(k) (6)

其中，λ₁、λ₂为预设的加权系数，且λ₁+λ₂＝1。

为取得较好的滤波效果，通常滤除白噪声使用半圆结构元素，滤除脉冲噪声一般采用三角形结构元素。以正常状态下分闸线圈电流为例，经过大量仿真实验验证，λ₁、λ₂大小分别为0.64和0.36时，能获得较好的滤波效果。图2(a)为滤波前信号，图2(b)为经过上述形态滤波算法滤波后的信号，通过计算可以发现两者相关系数高达0.9582，均方根误差只有0.0477，很好地满足了降噪要求。

102.2、电流信号多维差异特征量提取。

电流信号的特征量包括电流信号在不同状态下波形的差异特征量，差异特征量通常为多维向量。

以下针对不同监测对象的电流信号，对异特征量提取的过程进行说明。

102.2.1、分合闸线圈电流的差异特征量。

分合闸线圈电流可以用来判断分合闸线圈回路及相关部件的状态。本实施例中以分闸电流为例，图3(a)给出了正常、分合闸线圈老化、铁芯卡涩、铁芯空行程不足状态下，分闸线圈电流波形。

根据图3(a)中波形的比对，提取得到如图3(b)所示的差异特征量，分别为3个相对时间参数Δt₁＝t₁-t₀,Δt₂＝t₂-t₁,Δt₃＝t₃-t₂、3个电流参数{I₁,I₂,I₃}以及启动功率S₀(图3(b)中阴影部分面积)。

102.2.2、储能电机电流的差异特征量。

储能电机电流可以反映储能机构相关部件的状态，图4给出了储能电机的弹簧在正常状态、疲劳状态下时，储能电机电流波形。

根据波形差异，提取2个差异特征量，分别为开始拉动弹簧时电流的斜率K、弹簧拉伸至最大时的电流I₄。

102.2.3、位移电流的差异特征量。

行程信号可以用来判断操动机构和传动机构的状态，图5给出了传动机构在正常状态、凸轮磨损状态、传动机构卡涩状态下时的位移电流波形。

根据波形差异，提取3个差异特征量，分别为触头刚合速度v₁、刚分速度v₂和平均速度v₃。

103、小波包变换分解振动信号并提取振动信号的特征量。

103.1、振动信号频域分布特征

对各监测对象的振动信号可独立分析，以分合闸线圈回路和传动机构两部分振动信号为例，分合闸过程中的振动信号主要由两部分组成：分合闸线圈电磁铁撞击锁扣释放弹簧能量所产生的振动信号和传动机构带动触头动作所产生的振动信号，图6(a)为电磁铁动作产生的振动信号波形示意图，图6(b)为触头动作产生的振动信号形示意图。

高压断路器振动波形的频域特征可以很好的反映它的机械状况。一方面，铁芯撞击和触头撞击所产生的振动为高频信号，那么不同的撞击力度就会影响高频段的相对能量分布，这时相对能量就是比较重要的特征信息；另一方面，除了撞击产生的高频振动成分，各部分运动过程产生的振动主要分布在中低频段，并且在频域上的分布并不是非常集中，而且同一部位动作产生的振动在频域上的特征实际并不完全重复，可能根据某种概率分布，断路器的某部分机械状态发生改变时，这些部件运动过程产生的振动信号序列在不同频段上的幅值、持续时间以及成分复杂程度都可能发生一定的改变，这些改变可以用低频部分的样本熵来反映。

步骤103中，首先步骤103.2通过小波包变换将振动信号分解到不同频段，然后步骤103.3提取振动信号的特征量。其中振动信号的特征量包括振动信号低频部分的样本熵和高频部分的相对小波能量。

103.2、小波包变换分解振动信号。

假设振动信号的序列长度是M，利用小波包分解的定义对振动信号进行N层分解，可以将原始信号分解到不同而连续的频段上，信号的能量也同样分散到各个高低不同的频带上，但是分解后各节点信号所包含的能量之和不会发生改变，任何一个节点的重构信号代表了原始信号在该节点频域范围内的所有特征信息。设(j，i)表示小波包分解中的第j层的第i个节点，E_ji表示第j层的第i个节点的能量，X_ji表示第j层的第i个节点小波包的分解系数，v表示第j层的第i个节点的重构信号，则信号Y_ji对应的能量E_ji可表示为：

这里j＝0,1,…,N,i＝0,1,…,2^j-1，j为分解层数。第j层的总能量E_j可表示为：

103.3、振动信号的特征量提取。

本实施例中以N取3的情况为例进行说明。对振动信号进行3层分解，得到8个不同频段的节点重构信号，其中前4个节点为低频部分，用于提取样本熵，后4个节点为高频部分，用于提取相对小波能量。

103.3.1、振动信号高频部分的相对小波能量。

8个不同频段的节点重构信号中，提取出高频段4、5、6、7四个节点重构信号Y₃₄,Y₃₅,Y₃₆,Y₃₇的相对小波能量构成特征向量：

T＝[E₃₄,E₃₅,E₃₆,E₃₇]/E₃＝[Y₁,Y₂,Y₃,Y₄]。图7给出了不同状态下电磁铁动作过程所产生振动信号高频部分相对小波能量的分布示意图，图8给出了不同状态下触头动作过程所产生振动信号高频部分相对小波能量的分布示意图。正常状态下的各高频部分节点相对小波能量最高，其他状态之间高频部分节点的相对小波能量也有明显差异，这主要是由于受故障影响，铁芯撞击锁扣以及触头撞击的力度发生变化所导致。

103.3.2、振动信号低频部分的样本熵。

熵作为衡量时间序列中新信息发生概率的非线性动力学参数，已经在众多的科学领域得到应用，样本熵可以用来反映序列的复杂程度，一般地，对于由N个数据组成的时间序列{x(n)}＝x(1),x(2),…,x(N)，样本熵计算方法如下：

(1)按序号组成一组维数为m的向量序列，X_m(1),…,X_m(N-m+1)，其中X_m(i)＝{x(i),x(i+1),…,x(i+m-1),1≤i≤N-m+1}。这个序列指的是i点往后相邻的m个点的取值。

(2)定义向量X_m(i)与X_m(j)之间距离d[X_m(i),X_m(j)]为两者对应元素中最大差值的绝对值，即：

(3)对于给定的X_m(i)，统计X_m(i)与X_m(j)之间距离小于r的j(1≤j≤N-m,j≠i)的数目，并记作B_i。对于1≤i≤N-m，定义：

(4)定义B^(m)(r)为：

(5)增加维数到m+1，计算X_m+1(i)与X_m+1(j)(1≤j≤N-m,j≠i)距离小于等于r的个数，记作为A_i。定义为：

(6)定义A^m(r)为：

因此，B^(m)(r)为信号之间在r下相似m个值的可能性，而A^m(r)是信号之间相似m+1个值的可能性。最终得到样本熵：

可以看到，样本熵SampEn的值与m，r的取值有关。本实施例中，取m＝2，r＝0.2Std(Std是原始数据的标准差)。

8个不同频段的节点重构信号中，提取出高频段0、1、2、3四个节点重构信号Y₃₀,Y₃₁,Y₃₂,Y₃₃，按照上述求取样本熵的方法，求取Y₃₀,Y₃₁,Y₃₂,Y₃₃的样本熵并构成样本熵特征向量：S＝[S₁,S₂,S₃,S₄]。

图9给出了不同状态下电磁铁动作过程振动信号低频部分样本熵的分布示意图，图10给出了不同状态下触头动作过程振动信号低频部分样本熵的分布示意图。不同状态之间低频部分节点的样本熵有明显差异，这主要是由于受故障影响，某些部件运动过程产生的振动信号序列在不同频段上的幅值、持续时间以及成分复杂程度都可能发生一定的改变。

104、对振动信号的特征量做降维处理。

通常振动信号的特征量为多维向量，N取值为3时，振动信号的特征量包括8个特征参数，其中4个特征参数为4个高频节点的相对小波能量[Y₁,Y₂,Y₃,Y₄]，另4个特征参数为4个低频节点的样本熵[S₁,S₂,S₃,S₄]。

可选的，由于断路器一次动作的振动信息需要由8个特征参数来携带，而振动信号的这些特征量之间有很大的相关性，因此可采用主成分分析法对振动信号特征向量做降维处理。

本实施例中以通过主成分分析法(英文全称：Principal Component Analysis，英文简称：PCA)对振动信号的特征量做降维处理的情况为例进行说明。

假如振动信号的小波包相对能量和样本熵特征值分别为Y1,Y2,…,Ym/2和Ym/2+1,Ym/2+2,…,Ym，即得到振动信号的特征量矩阵Y＝[Y1,Y2,…,Ym]n*m，其中n为样本个数，PCA就是将这m个变量按照一定规则进行线性的重组，最终降维到K：Zj＝Yαj＝αj(1)Y1+αj(2)Y2+,…,αj(m)Ym(j＝1,2,…，K)，其中αj叫做映射向量。PCA算法中最关键的步骤就是求取映射向量αj以及K值的确定，计算步骤说明如下：

(1)计算Y1,Y2,…,Ym的协方差矩阵CY。

(2)求出CY的特征值及相应的正交化单位特征向量(即前文的映射向量αi)，CY有m个特征值λ1≥λ2≥，…，λm，对应的特征向量为αi(i＝1,2,…,m)，则原变量的第i个主成分Zi＝Yαi。

(3)最终主成分个数K主要是通过累计贡献率β_K来确定，β_K一般取大于85％，β_K计算如下：

由最终确定的映射向量αj(j＝1,2,…,K)组成的矩阵W＝[α1,α2,…,αK]m*K叫做Y的映射矩阵，降维后的矩阵Z叫做Y的主成分矩阵：Z＝YW＝[Z1,Z2,…,ZK]n*K。

振动信号的特征量的主成分可以是主成分矩阵中的一部分，即可以只保留主成分矩阵中的部分项作为计算实际使用的振动信号的特征量的主成分，将保留的部分项的数量计作L。本实施例中，通过支持向量机来诊断监测对象的机械状态(见步骤105)，L的取值对支持向量机识别故障的准确程度有影响，提高L的取值有利于提高故障识别准确性。同时，为简化运算复杂性，L的取值需尽量小，因此需要为L确定一个合适的取值。

为了确定L的取值，本实施例以铁芯动作部分振动信号为例，以正常、线圈老化、铁芯空程不足和铁芯卡涩4种状态下各30组振动信号的不同个数的特征量主成分为输入向量，其中20组数据用于训练，10组数据用于测试，得到的结果如表1所示，从表中可以看出，随着主成分个数增加，故障识别率开始逐渐提高，当主成分个数增加到4个时故障识别率变化不大，所以，本实施例选择前4个主成分(Z1～Z4)作为振动信号的特征参数，即L的取值为4。

表1

L取值的原则是，当主成分矩阵中的前L项被保留时，使得支持向量机利用故障数据识别故障状态的准确率达到最大值。其中，故障数据为从实际的故障统计信息中获得，或者根据故障模拟试验获得的监测参量。

本实施中根据广东电网公司最近几年的开关事故统计，选择常见的故障类型进行模拟试验，得到故障数据。

故障类型主要有以下几种：

(1)分合闸线圈回路：控制电压偏离、分合闸线圈老化、铁芯空行程不足和铁芯卡涩；

(2)传动机构部分：传动机构卡涩和凸轮磨损；

(3)储能电机部分：储能电机线圈老化和弹簧疲劳。

针对每种故障类型状态下均做30次不同程度的故障模拟试验，本实施例所用数据均通过故障模拟试验获得。

105、诊断监测对象的机械状态。

将监测对象电流信号的特征量和振动信号的特征量形成多维映射，或者，在经过降维处理的情况下，根据电流信号的特征量和振动信号的特征量的主成分形成多维映射，后利用支持向量机诊断监测对象的机械状态。

支持向量机的构造方法为现有技术，此处不再详述。利用故障数据训练支持向量机之后，再将监测参量作为数据向量，由支持向量机根据监测参量诊断监测对象的机械状态。

断路器的机械动作主要分为三个部分：储能机构储能、分合闸线圈铁芯动作、传动机构动作，而他们之间相互独立且存在先后时序关系，所以可以将机械故障主要分为三个部分：储能部分、分合闸线圈回路部分、传动部分发生的机械故障，针对这三部分的机械故障进行单独的诊断，这样不仅可以避免三个部分特征量之间的相互干扰，还可以同时诊断出两个部位同时发生故障的情况，

以上三个部分每个部分可以对应一种或以上故障类型，监测对象、监测参量、特征量以及故障类型的对应关系如图11所示，将各监测对象的振动信号与电流信号的特征量相结合形成多维映射，利用支持向量机分别进行诊断。

例如，结合图11，监测对象具体为分合闸线圈回路时，对应监测参量为分合闸线圈电流和铁芯动作震动信号。分合闸线圈电流对应的特征量包括时间特征Δt₁,Δt₂,Δt₃，以及电流特征I₁,I₂,I₃。铁芯动作震动信号对应的特征量包括振动信号的特征量的主成分Z1～Z4。支持向量机根据分合闸线圈回路的监测参量，诊断分合闸线圈回路的机械状态，确定分合闸线圈回路正常或故障，故障类型可包括分合闸线圈老化、分合控制电压偏离、分合闸铁芯空程不足、分合闸铁芯卡涩等。

基于上述步骤所描述的高压断路器机械状态的监测方法，本发明的实施例提供一种监测系统，用于执行上述监测方法，具体说明如下：

监测系统工作过程为：传感器将断路器的监测参量值转换成电信号，数据经过采集卡模/数转换处理之后上传到实时控制器，同时将数据经过网线送入上位机，通过上位机将数据存储起来，由上位机其他软件(例如：MATLAB)进行后续的数据处理，包括数据的滤波和特征量提取等。主要监测内容：分合闸线圈电流、储能电机电流、行程时间特性和振动信号。

(1)硬件配置

监测系统硬件主要包括：高压断路器，传感器，数据采集卡(NI-9203和NI-9234)，控制器(NI CompactRIO-9068)，PC机等。

高压断路器可采用高压交流瓷柱式六氟化硫断路器，该产品额定电压为40.5kV，采用电磁式弹簧操动机构和智能灭弧室结构。

(2)软件系统

软件系统的主要架构如图12所示，软件系统的主要工作包括数据的实时获取和以便于查找和使用的方式存储，首先将编制的代码载入控制器的现场可编程门阵列(英文全称：Field－Programmable Gate Array，英文简称：FPGA)中，用于定义输入输出模块对数据的获取方式以及路径进行相关定义，数据采集卡输入输出模块将传感器获取的电信号送入装置，再将其转换成数字信号。数据进入控制器的内存后，可以进行实时显示，但是如果要进行存储，需送入上位机内存并存储，可选择网络流的方式实现控制器与上位机之间的通信，数据通过上位机的程序将采集到的数据以技术资料数据化管理系统英文全称：Technical Document Management System，英文简称：TDMS)文件格式储存在上位机的硬盘。软件部分需要实现的定义包括：输入输出模块、数据采样频率、实时控制器与上位机的通信方式、数据存储及其触发条件设置、数据实时显示等。

本发明的实施例所提供的高压断路器机械状态的监测方法，根据预设的形态开闭加权复合滤波算法对电流信号进行滤波，很好地满足了降噪要求，另外针对振动信号的高频部分和低频部分，分别通过相对小波能量分布和样本熵分布来体现监测参量的机械状况，利于准确监测高压断路器的机械状态，并有效识别故障状态，从而保障电网的安全稳定性。

监测方法的应用举例

(1)分合闸线圈回路状态诊断

对正常、分合闸线圈老化、分合闸控制电压偏离、分合闸铁芯空程不足和分合闸铁芯卡涩等5种状态下的分合闸线圈电流和对应的铁芯动作部分振动信号进行特征提取，获得了10个特征量：铁芯相对运动时间(Δt₁、Δt₂、Δt₃)、关键点电流幅值(I₁、I₂、I₃)和振动信号相对小波能量和样本熵的主成分(Z₁、Z₂、Z₃、Z₄)。

将上述5种状态下各20组数据的特征向量作为支持向量机训练的输入向量，并对每种状态下的10组数据进行诊断，诊断结果如表2所示。

表2

状态	正常	线圈老化	控制电压偏离	铁芯空程不足	铁芯卡涩
						状态标签	1	2	3	2	3
分类识别率	90	90	90	80	80

(2)传动机构状态诊断

对正常、传动机构卡涩和凸轮磨损3种状态下的触头行程电流和对应的触头动作部分振动信号进行特征量提取，获得了7个特征量：触头运动的速度特性(v₁、v₂、v₃)和振动信号相对小波能量和样本熵的主成分(Z₁、Z₂、Z₃、Z₄)，同样将上述3种状态下各20组数据的特征向量作为支持向量机训练的输入向量，并对每种状态下的10组数据进行诊断，诊断结果如表3所示。

表3

状态	正常	传动机构卡涩	凸轮磨损
				状态标签	1	2	3
分类识别率	100	80	70

(3)储能机构状态诊断

对正常、储能电机线圈老化和弹簧疲劳等3种状态下的储能电机电流和对应动作部分振动信号进行特征提取，获得了6个特征量：储能电机电流关键节点时间幅值(t₆、I₄)和振动信号相对小波能量和样本熵的主成分(Z₁、Z₂、Z₃、Z₄)，由于弹簧的疲劳程度在位移行程曲线上也会有所体现，所以这里考虑触头运动平均速度v₁作为储能部分特征量，同样将上述3种状态下各20组数据特征向量作为支持向量机训练的输入向量，并对每种状态下的10组数据进行诊断，诊断结果如表4所示。

表4

状态	正常	储能电机老化	弹簧疲劳
				状态标签	1	2	3
分类识别率	100	90	90

高压断路器在线状态监测是状态检修机制发展的一个重要环节，基于监测参量少、评估效果好的原则，选择了监测分合闸线圈电流、动触头行程、储能电机电流、振动信号来反映常见断路器的机械故障，搭建基于LabVIEW FPGA的数据采集系统，通过故障模拟来获取故障数据，从而弥补了现场断路器故障数据不足的缺陷。非线性形态滤波算法运算简单，能有效提取信号中的特征信息，在电力系统中的研究和应用日趋广泛，在数学形态学开闭运算滤波算法的基础上，本实施例提出了一种双结构元素的形态开闭加权复合滤波算法，仿真结果验证了该算法滤除电力系统噪声的有效性。本实施例还提出了将高频部分相对能量和低频部分样本熵相结合作为振动信号的特征量，并用主成分分析进行降维，为振动信号的分析提供了一个新的思路。

通过理论和仿真分析找出各类故障波形与正常波形的差异特征量，将多监测参量的多个特征量相结合，作为支持向量机的特征向量，形成多维映射，从而能够更可靠地判断断路器的状态，本实施例描述的监测方法的诊断识别率平均在85％以上。虽然本实施例只考虑了8种故障类型，但是理论上只要有足够的故障数据，其它与这些监测参量相关的故障类型也同样可以被诊断出来。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种高压断路器机械状态的监测方法，其特征在于，包括：

根据预设的形态开闭加权复合滤波算法对所述电流信号进行滤波后，提取所述电流信号的特征量，所述电流信号的特征量包括所述电流信号在不同状态下波形的差异特征量，所述电流信号为分合闸线圈电流时，根据所述分合闸线圈电流不同状态下的波形，所述差异特征量为相对时间参数、电流参数以及启动功率，所述电流信号为储能电机电流时，根据所述储能电机电流不同状态下的波形，所述差异特征量为开始拉动弹簧时电流的斜率K、弹簧拉伸至最大时的电流；

2.根据权利要求1所述的监测方法，其特征在于，

所述监测对象为高压断路器的分合闸线圈回路，所述电流信号为分合闸线圈电流；

所述电流信号在不同状态下波形的差异特征量，包括：

所述分合闸线圈回路在正常状态、分合闸线圈老化状态、铁芯卡涩状态以及铁芯空行程不足状态下时，所述分合闸线圈电流波形的差异特征量。

3.根据权利要求1所述的监测方法，其特征在于，

所述监测对象为高压断路器的储能机构，所述电流信号为储能电机电流；

所述电流信号在不同状态下波形的差异特征量，包括：

所述储能电机的弹簧在正常状态、疲劳状态下时，所述储能电机电流波形的差异特征量。

4.根据权利要求1所述的监测方法，其特征在于，

所述监测对象为高压断路器的传动机构，所述电流信号为位移电流；

所述电流信号在不同状态下波形的差异特征量，包括：

所述传动机构在正常状态、凸轮磨损状态、传动机构卡涩状态下时，所述位移电流波形的差异特征量。

5.根据权利要求1所述的监测方法，其特征在于，所述根据预设的形态开闭加权复合滤波算法对所述电流信号进行滤波，包括：

根据第一公式对所述电流信号进行滤波；第一公式为：

其中，λ₁、λ₂为预设的加权系数，且λ₁+λ₂＝1。

6.根据权利要求1所述的监测方法，其特征在于，所述利用支持向量机诊断所述监测对象的机械状态之前，所述方法还包括：

构造支持向量机，并利用故障数据训练所述支持向量机；

其中，所述故障数据为从实际的故障统计信息中获得，或者根据故障模拟试验获得的监测参量。

7.根据权利要求6所述的监测方法，其特征在于，

所述提取所述振动信号的特征量之后，所述方法还包括：通过主成分分析法对所述振动信号的特征量做降维处理；

所述根据所述电流信号的特征量和所述振动信号的特征量形成多维映射，包括：

根据所述电流信号的特征量和所述振动信号的特征量的主成分形成多维映射。

8.根据权利要求7所述的监测方法，其特征在于，所述通过主成分分析法对所述振动信号的特征量做降维处理，包括：

计算所述振动信号特征量矩阵所对应的主成分矩阵；

保留所述主成分矩阵中的前L项作为所述振动信号的特征量的主成分；当所述主成分矩阵中的前L项被保留时，所述支持向量机利用所述故障数据识别故障状态的准确率达到最大值。

9.根据权利要求1-8任一项所述的监测方法，其特征在于，所述通过小波包变换将所述振动信号分解到不同频段后，提取所述振动信号的特征量，包括：

对所述振动信号进行3层分解，得到8个不同频段的节点重构信号；所述振动信号的特征量包括8个特征参数，其中4个特征参数为4个高频节点的相对小波能量，另4个特征参数为4个低频节点的样本熵。