本发明涉及输配电设备的监测控制技术，具体是一种基于小波包能量的高压断路器缺陷诊断方法。
背景技术
高压断路器以其庞大的数量、广泛的运用范围及在电力系统中通断负荷、切除故障的控制与保护功能，成为了我国电网中不可或缺的重要组成部分。因此，为规避各类事故的发生，进一步保障系统的安全稳定，降低智能电网的运维成本，促进电网新技术的发展，则拓宽高压断路器特征提取的新思路、促进故障(缺陷)诊断技术与时俱进、为状态检修提供更为可靠的诊断信息是非常有必要的。
传统的故障(缺陷)诊断技术包括基于解析模型的方法、时域频域分析方法、多元统计方法和基于知识的方法等。在主要监测信号的选择上，主要有振动信号，分合闸线圈电流，触头位移或主轴转角和电力设备图像等。其中，分合闸线圈电流作为涵盖高压断路器在运作过程大量关键特征的重要标志物，不仅监测方便，并且相较其他几种信号，其包含的断路器故障(缺陷)信息较为全面，通过该信号可识别的故障与缺陷类型较为广泛，如：控制回路故障、铁芯卡涩、线圈老化等，同时对断路器的缺陷程度也可较为细致地区分，所以采用分合闸线圈电流作为本发明主要监测量。目前基于该信号的特征提取与故障(缺陷)诊断多是通过智能算法实现，具体的提取途径与诊断方法分别有，时域求极值点和分类树、基于样条插值及多尺度线性拟合与正常特征对比、灰色关联分析法等。
以上研究成果均以算例验证可用并存在一定的理论价值与实践价值，但随着科技的进步，断路器类型繁多，其特征提取方法多是针对于特定型号的断路器，诊断方法不具有普适性，无法满足各类型断路器的状态监测。同时，近年来操作机构作为断路器中机械故障率最高的部件，是状态监测的重点对象，而状态监测的目的，不仅是对机械缺陷与故障的精确判断，更应该重视对缺陷状态变化的趋势与程度的反应与识别，因此针对断路器操作机构缺陷的严重程度判断与故障(缺陷)诊断方法长期以来都是难以解决与优化的重要问题。
技术实现要素：
为了解决上述存在的问题，本发明提供一种可有效排查设备缺陷情况，能满足高压断路器缺陷诊断多方面要求，对高压断路器的缺陷分类精度和检测精度高的基于小波包能量的高压断路器缺陷诊断方法。
本发明的基于小波包能量的高压断路器缺陷诊断方法，包括如下步骤：
步骤一，监测到的电流信号进行粗提取，筛选出具有显著特征的波形区域，再经消噪处理得到较为纯净的分合闸电流波形；
步骤二，对含有特征信息的原始信号进行小波包三层分解以提取出各频带能量构成的原始特征向量；
步骤三，利用主成分分析对原始特征向量进行降维，突出样本差异特性，进一步提升数据可分性；
步骤四，将带有标签的数据输入到支持向量机中，构建高压断路器缺陷判别模型。
进一步的，所述步骤一中，高压断路器分合闸线圈电流信号中，具有显著特征的波形区域的提取是通过对电流值的变化进行捕捉而提取的，所提取的数据经小波消噪处理后将多余噪声滤除。
进一步的，所述步骤二中，对含有特征信息的原始信号进行小波包三层分解以提取出各频带能量构成的原始特征向量包括如下步骤：
(21)设含有特征信息的原始信号为m(t)，则其能量可表示为：
(22)经过小波包三层分解后，将高压断路器缺陷数据按照实验的种类进行分类并分别编号，则一组高压断路器分合闸线圈电流的各频带能量特征向量可设为
进一步的，所述步骤三中，利用主成分分析对原始特征向量进行降维包括如下步骤：
(31)首先将特征样本空间em标准化消除量纲
其中，i＝1,2,…s；j＝1,2,3,…,u；n是样本数量，
(32)设相关系数矩阵为x，满足xi,j＝xj,i及xi,i＝1，则
(33)计算x的特征值并从大到小排序
λ1≥λ2≥λ3≥l≥λj≥0(5)
则相应的特征向量可表示为l1,l2,l3,…,lj，并将其按特征值的降序排列；
(34)计算方差贡献率αj
对αj降序排序并计算累计方差贡献率
em'＝em×pt(7)。
本发明基于小波包能量的高压断路器缺陷诊断方法具有如下有益效果：
1、将小波包能量代替原始波形中的特征值，免去了提取电流信号极值的繁琐过程，有效消除了因提取特征值不准确而带来的诊断误差，提高了诊断精度；2、pca算法的引入实现了数据量的精简及缺陷信息的有效保留，使类内欧式距离减小，类间欧式距离增大，即同种类型数据的关联更加紧密，不同数据分布更加分散，提高了数据的可分性，在处理同种类型缺陷、缺陷程度不同的相似数据上体现了其优势，实验数据证明该算法是高诊断精度的有效保障手段；3、本发明基于分合闸线圈电流信号，结合小波包分析、pca与svm算法，构建集特征提取、数据优化与分类诊断等思路为一体的高压断路器缺陷诊断模型，在分析高压断路器缺陷及缺陷程度上，具有较高的准确性以及应用价值；4、提高了电网智能化运维水平，拓宽了高压断路器缺陷诊断在缺陷严重度方面的思路，有助于制定更为合理的检修方案以降低平日运行维护成本，可满足高压断路器缺陷诊断各方面的要求，理论价值、应用价值和前景巨大，
附图说明
图1a为高压断路器正常运行状态和两种类型缺陷波形对比图；
图1b为高压断路器正常运行状态和模拟控制回路缺陷波形对比图；
图1c为高压断路器正常运行状态和模拟铁芯卡涩缺陷波形对比图；
图2为小波包三层分解示意图；
图3为6种运行状态下的实测波形
其中：图3a为正常运行状态；
图3b为控制回路串联50欧；
图3c为控制回路串联100欧；
图3d为铁芯末端悬挂重物m1；
图3e铁芯末端悬挂重物m2；
图3f为铁芯末端悬挂重物m3
图4为数据预处理前后分合闸线圈电流波形对比图
图5为未经pca处理svm诊断结果；
图6为经过pca处理后的svm诊断结果；
下面结合附图与具体实施方式对本发明作进一步详细描述：
具体实施方式
本发明提供一种基于小波包能量的高压断路器缺陷诊断方法，针对高压断路器的缺陷分类精确度高，提高了电网智能化运维水平拓宽了高压断路器缺陷诊断在缺陷严重度方面的思路，可有效排查设备缺陷，有助于制定更为合理的检修方案以降低平日运行维护成本等，可满足高压断路器缺陷诊断各方面的要求，理论价值、应用价值和前景巨大。
如图所示，本发明提供了一种基于小波包能量的高压断路器缺陷诊断方法，包括以下步骤：
步骤一，监测到的电流信号进行粗提取，筛选出具有显著特征的波形区域，再经消噪处理得到较为纯净的分合闸电流波形；
步骤二，对含有特征信息的原始信号进行小波包三层分解以提取出各频带能量构成的原始特征向量；
步骤三，利用主成分分析对原始特征向量进行降维，突出样本差异特性，进一步提升数据可分性；
步骤四，将带有标签的数据输入到支持向量机中，构建高压断路器缺陷判别模型。
上述步骤一中，高压断路器分合闸线圈电流信号中，具有显著特征的波形区域的提取是通过对电流值的变化进行捕捉而提取的，所提取的数据经小波消噪处理后将多余噪声滤除，高压断路器分闸线圈电流波形中的特征部分局部放大对比图如1a-图1c所示，与正常运行状态相比，控制回路缺陷时线圈电流降低，铁芯运动迟滞，且分闸时间随串联电阻值的增加而增加；而铁芯卡涩对分闸线圈电流值的影响较小，但分闸时间随铁芯末端悬挂重物的增加而增加。
进一步的，本发明中步骤二，对含有特征信息的原始信号进行小波包三层分解以提取出各频带能量构成的原始特征向量包括如下步骤：
(21)设含有特征信息的原始信号为m(t)，则其能量可表示为：
(22)经过小波包三层分解后，将高压断路器缺陷数据按照实验的种类进行分类并分别编号，则一组高压断路器分合闸线圈电流的各频带能量特征向量可设为
上述步骤三中，利用主成分分析对原始特征向量进行降维包括如下步骤：
(31)首先将特征样本空间em标准化消除量纲
其中，i＝1,2,…s；j＝1,2,3,…,u；n是样本数量，
(32)设相关系数矩阵为x，满足xi,j＝xj,i及xi,i＝1，则
(33)计算x的特征值并从大到小排序
λ1≥λ2≥λ3≥l≥λj≥0(5)
则相应的特征向量可表示为l1,l2,l3,…,lj，并将其按特征值的降序排列。
(34)计算方差贡献率αj
对αj降序排序并计算累计方差贡献率
em'＝em×pt(7)
实施例
本发明针对某电气设备公司生产的10kv断路器，基于其弹簧操作机构，搭建实验平台并进行缺陷模拟实验，通过采集分合闸线圈电流作为缺陷诊断的数据来源。本发明共设计两大类典型缺陷，分别为分合闸线圈老化与铁芯卡涩。其中线圈老化下又分为轻度与中度两种老化程度；铁芯卡涩分为轻度、中度以及重度三种卡涩程度。实验中，分合闸线圈老化通过在分合闸线圈控制回路串入可调电阻器来实现，并通过将阻值分别调节为50与100ω来模拟轻度以及中度的线圈老化。铁芯卡涩则通过在分合闸线圈铁芯下方悬挂重物以阻碍其在分合闸时的运动来进行模拟，并通过逐渐增加重物质量至m1(0.1kg)、m2(0.2kg)、m3(0.3kg)，以模拟铁芯卡涩轻、中以及重度这三种缺陷程度。根据表1，实验数据包括断路器正常运行、2种不同程度的线圈老化及3种不同程度的铁芯卡涩，共计6种运行状态，实测波形如图3所示。在实际操作实验、算法设计与数据验证时，分、合闸实验数据均已验证可行，诊断方法具备通用性，因此本文中仅以分闸数据为例进行分析。
表1实验中断路器操作机构的缺陷类型、缺陷严重程度、模拟方法及分类标签
首先进行数据预处理。处理过程为：先将得到的数据维度为125000*1的原始采样信号(采样频率为3.2*10-6)根据阈值法，将有特征的波形提取出来，再将提取出的信号经小波软阈值消噪后，统一为相同维数，保证所有原始数据形式一致，以便进行后续分析。以正常状态下的分合闸线圈电流为例，处理过程如图4所示。
根据预处理后得到的数据，选取不同运行状态下各50组、共计300组实验数据进行小波包三层分解，各频段能量构成8*300原始特征样本em。
原始电流信号通过粗提取与小波消噪后，经小波包三层分解后各频段能量构成8*300原始特征样本em如表2所示。
表2原始特征样本em
将em全部送入pca中降维得到em’，并计算累计贡献率，当其达到90％时h＝3，因此原始样本空间的主成分如表3所示。
表3降维数据em’
抽取出已定义为训练样本的240组降维数据构成训练集，剩余的60组作为测试集，未经pca优化和经pca优化的实际样本类型与svm识别样本类型对比结果如图5和图6所示。实验结果显示，当样本总数据量为300组时，从电流数据中提取的小波包能量经过pca处理后，svm对正常状态以及线圈老化和铁芯卡涩这两大类缺陷类型的诊断准确率可达到100％，缺陷严重程度判断准确率也可达到100％，说明以上二类缺陷特征被有效提取与应用，svm分类策略选择得当。而未经pca优化的数据样本，在缺陷类型的诊断准确率为100％，但在缺陷严重程度判断时，第二与第三种运行状态，即线圈轻度老化以及线圈中度老化这两种缺陷程度判断有误，中度老化误判为轻度老化，使得缺陷程度的识别正确率降为98.33％，稍逊于经pca处理过的样本的诊断效果。进一步的，计算与分析欧氏距离的结果如表4所示，表中的类间欧式距离为该运行状态与正常运行状态的欧氏距离，类内欧式距离为该运行状态与自身之间的欧氏距离。经数据对比可知，类内欧式距离减小，类间欧式距离增大，即同种类型数据的关联更加紧密，不同数据分布更加分散，也相对验证了pca对提高数据可分性的影响。
表4计算欧氏距离验证pca对数据可分性的影响
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。