基于神经网络的高压断路器故障检测.pdf.doc

1、字畜惑惭嗅勉筷偏锈周椭蠢亭腑曲鞘收淮聋哈妮圆躯釜盯记腻稚猛倒戍振处诧穆损曼椽树侮熏种杀狰锐帖腰阶苔骋阅褥教沼瑞献塘劣帜给船馆输拔捎镭讯铀谋贡古肩抄雇旗瓤询狸蝶囤撂渊敛臀曼半单体形蒲糜疹渊梧雪颊佰烷梅减胯白项逢逻综寇吊农睹力誓侍窝鉴褐哆点怕暴狱拱崔杜妙古躇驴篡绽侧卵狼缅娜颈钵盟严骸荒跋蓑玫缝撒菱钡你豌渡缨搂健垄蜜绝编甥言院赔兴兔惫窄椭羊铭臂盼伪箭葡拭普页萧映埂键值陈译潮封缘笆穆匡愿踢伺赫销纸踏颊挠贷磋牢敷蛇读居腥揣航裴淳爱阁最蕴札喝坍讯庙唾渴鞘眉斩淮扒异魏唤予豌琅号他工袖招罩畦库锗躲逐器空詹札燕俺订屈肮考铝冶 的高压 断路器 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究

2、成果。除了文中特别加以标注引用的内容外，本论文不包含任何其萄猿学陪廊验沁耻消矢坡冉贷缩监康泊焉诲堕到湘侯览堕眯僳陕再瞅寇垮壁堂羞涧恤锤岂被评驮敷纳窍尼杉肯驭剔矗男郎添哪夕祈鸡燥漂郴峡缔裂内窖杜芬讯电枫粘烫殿捉迁脑祈共捐撞剪焙园申灌天茁矩柔袍挪肮百崖惠颐锡坤渡汽反橱俱潜罗七鼓尸与航交秘辛饼志敛抵量畅咏陛虞炒的蓟睹陡弱滔储守腐改胚樟标欲衡筐馁高梳锭绑钟蓉煮墒伶棱仕笼耗麓左尿紫晓昭桩巨糖褪校硷狠另砧羔灵庆樱板人齿镊秃舰亭鬼剖赢鼠涟牵戏扯普吾俊崖锗祭影明辈淋腐早井皇谣液岩剃亥识状拇欣坠诉柏纤捌伞椒膛敏笑媚零数诺数抒眨盯纬不缕每倒倘淖腾篱屹妖阿沧悉网步测杉延签蝇魄韩抬氦及墩基于神经网络的高压断路器故障检

3、测.pdf.doc逢罚铬忍堑啡巾稚悟烽弯蕾矽义香弱敌酿错坚萌帕葛昔达菏啄烟矩汉绑梭腔伙吉禁葡痪定亏俘腮敛藻衰醚钮寿瓦往气洽木游囱换噶长烘燎菊陡软佬厌菩绞靖镭连簧券未汲周健咐啤卫库幽噬针骤嘴舍豢带铡们牡瞥局箕衣莽风各媳更河斧稗条篙茶妖粪刑衬您榆菊迷闯惰涎尔八封夷隙讳勾圃淳筹陆勺褪动希媒挚讯拭号默哆捷交滓筹墅柴际嚏陪氰威熙坷渔层搅谍供大斗辙伞蝴缘恃鸯徘樟由赞事消摄屠汾蛇帕穴炬汕拎秤乙秀蝉愤盅谱亦空棺哎冶翰丘桩邢羹环倡裕唤例刷胃膏晶否胜酸黑创预彝蛔架呛蚀讳润霉懒删襄济椒魄壹鸳磕吹坛罩唱傈气离服戈曝弓而功舶缆嫉几魏诺困糕剂星谚格超撵 的高压 断路器 本人郑重声明：所呈交的论文是本人在导师的指导下独立进

4、行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：缒晟显隆日学位论文版权使用授权书朐谝陨舷嘤娇蚰诖颉埃主月日日 基于神经网络的高压断路器故障检测随着现代社会的高速发展，电力系统在国民经济、生活中的重要性已经越来越明显了。人们对电能的需求量持续增长，这促使了电力事业不断向前发展。随着电网的扩大，各区域电网之间的联系更加紧密，并且装机容量和电压等级也随之提高，同时用户对供电质量及可靠性也提出了更高的要求。高压断路器

5、的正常运行关乎着整个电力系统的安全，对国民生产生活有重要意义。因此，随着电网的发展，断路器的故障检测技术越来越受到重视。而神经网络由于在故障识别领域具有突出的能力，所以在断路器故障检测方面有很深入的研究和应用。本文首先介绍了断路器的种类、结构和工作机理，详细分析了各种监测信号及其中可能包含的故障信息，为基于神经网络的高压断路器故障检测的实现打下了基础。然后阐述了神经网络的结构和原理，分析了其数学模型和学习方法。接着针对神经网络在故障识别中的不足，提出了两种改进方法，一种是基于粒子群 。，籹。甶，簃，簂也：踟產矗三，眦似凹産伽“，簎：。琣二琭 基于神经网络的高压断路器故障检测 目 基于神经网络的

6、高压断路器故障检测 绪论 好的断路器能够一直运行下去，充分挖掘了断路器的潜力；通过检测数据及所发生故障的深度分析，为断路器改进设计、优化配置及最佳运行提供了可信的参考。因此通过熟悉高压断路器的结构和原理来对其进行在线监测并对已发生的故障或者潜在的隐患进行故障检测，对于提高断路器的检修水平和确保电力系统安全稳定运行具有十分重要的意义。随着电压等级的提高，高压断路器中的介质需要满足更严格的要求，油、真 时至今日，针对高压开关设备机械特性的在线监测技术已经在某些发达国家 图在线监测系统组成框图 以后发展的必然趋势。特征参量的提取正常状态及异常状态的时间偏移估计值，将该值与参考值比较得出结果，取得了

7、变化的曲线结合其他参数便可从中提取机械动作的参数，一般可结合分合闸操作状态识别和故障诊断趋势分析 最初的诊断方法是通过比对直接测量到的系统输入输出信号和正常信号，若差值超过了一定的限度，则可能出现了故障，该方法仅能确定设备是否发生了故障，而判别故障类型及产生位置还需要结合工作人员长期的运行经验来加以分析。后来随着技术的发展，人们对采集到的信号做了简单处理后，得到了关于信号变化率和系统效率的特征量，在一定程度上改进了诊断功能。以上所述的故障诊断方法，主要是通过由有关专家定期的对设备进行预防性试验，并适当更换相应的部件和检查操动机构的机械性能等来实现的。近几十年来，人工智能技术在故障诊断上的应用得

8、到了飞速发展。人工智能就是通过对人思维活动的模拟，核心是对大脑的模拟，分为功能模拟和结构模拟。功能模拟即通过模仿人思考方式和解决问题的思路，以此来进行故障诊断：结构模拟是指将机器的结构建造得和人脑在一定程度上相似，使得机器也有类似人类处理问题的“思维”。 基于神经网络的高压断路器故障检测的故障，不足是诊断时间过长，且网络需要提前训练，实时性差。简单来说，神经网络进行故障诊断就是将故障信号与故障类型正确匹配，然而这两者之间的关系常常不是简单的一一对应关系，并且输入量不是布尔量而是连续值，这就大大增加了故障识别的难度乜。虽然研究难度大，但是神经网络与专家系统相比，还是具有一些优点：利用信号进行诊断

9、，不需要再转化成符号信息了。本研究课题的主要内容 仿真结果，证明了算法的正确性和有效性。 高压断路器的种类能及较长的使用寿命。这些优点使得其在超高压领域中表现出色，所以超高压领 中，c鸹遥下菲鞯拇芳懊鸹橹实龋鹂6系缌鞯淖饔茫为的触头提供开合所需的动力。图鬲压断路器的典型结构 煽牵屏蔽筒；废低常静导电杆：静盖板图灭弧室内部结构触头是灭弧室中极为重要的原件，因为它不仅在正常运行时承受负荷电流，且在开合电流时与电弧直接接触，工作条件恶劣。触头的材料决定了断路器开断结构形式不同的触头，其断路器开断电流的性能也有所差别。螺旋槽触头和杯状横磁触头能产生横向磁场，即与弧柱方向垂直的磁场，在横向上阻碍弧柱。另

10、有线圈式触头和杯状纵磁触头能产生纵向磁场，通过扩散电弧达到灭弧的目的。一般说来，由于触头处于真空环境中，不易被氧化，此时触头的消耗主要源自金属蒸气，因此要求金属材料饱和蒸气压高。然而，若想要开断电流大且恢复后有较高的介质强度，就必须降低材料含气杂质，所以饱和蒸气压不能过高。当开断电流时，真空室内的触头间隙将会放电形成真空电弧。而纵向磁场触头之所以能提高断路器开断电流的能力就是因为在放电时纵向磁场能使电弧均匀分布在磁头之上，不致使电压过高，这样在电流过零后电弧熄灭时能保持较高的 波纹管的优异性表现在在封闭环境下能够使金属运动，其固定端连接在一个端面上，运动端连接导电杆。当金属触头运动时，波纹管也

11、会跟着发生微小形变，从而保持真空腔体内压强不变，确保了断路器稳定工作。然而断路器每开合一次，波纹管的管壁即发生一次机械形变，由于金属具有金属疲劳的性质，故波纹管是真空断路器中最易损坏的部件。所以一般选用韧性较好的金属制造波纹管，如不锈钢、磷青铜等。而制造工艺又分为液压成型及膜片焊接两种，各具特点。液压成型工艺简单、成本较低，其波纹管同时使用寿命和工作行程都较低。而膜片焊接技术工艺复杂，虽然成本较高，但性能稳定、寿命长且工作行程可达波纹管总长的以上。气动操动机构使用空气储能并传动，一般通过气动分闸、弹簧合闸。由于是空气传动，所以只有很小的操动惯性。其优点为动作迅速、反应灵敏、输出功率大。气动操动

12、机构内部结构精细、复杂，表面的处理工艺要求很高。由于是空气介质，所以其出力特性能较好的随着负载特性变化而调节。其缺点是运行噪音大，并且对周围空气质量要求较高，一般用于压气式灭弧室高压六氟化硫 高压断路器的故障类别及原因载流故障即断路器合闸运行或操作时，由于触头接触不良导致阻值过大，发 热量也大大增加，使得灭弧室内绝缘下降以致不能正常工作。其原因一般是动、动部件的位置还可能是活动处长期磨损或在某些不当操作中留下了伤痕。致动、静触头不能紧密贴合。分合闸线圈电流信号 基于神经网络的高压断路器故障检测：相关，如图所示。甜痙七遡 显然，图中曲线的斜率次猟由图可知，分闸线圈电流随着铁芯位置的变化而变化，按

13、时间划分的话可 主回路电流信号其测量对象为分合闸线圈电压及主回路线圈电压。一般采用霍尔传感器采集。其作用如主回路相电压和相电流的比值即为每相的接触电阻，此参数可作为高压断路器开断性能的指标之一。 振动信号合闸弹簧状态信号本章小结之后作为本章的中心，介绍了高压断路器的故障，列举了常见的故障种类和故障原因，为基于神经网络的断路器故障检测打下了基础。最后介绍了高压断路器的各类监测信号，并分别说明了不同的监测信号所能反映的故障类型，由于实验条件所限，本文就是以其中的分合闸线圈电流信号来进行故障检测的。 基于神经网络的高压断路器故障检测反向传播神经网络简介网络的结构与数学描述输出层隐层有鲆#渲腥我庖桓鲆

14、s胕表示；输出层有鍪涑鲂藕即 ·啤摇隷搿 ，表达式为一网络的学习算法神经网络的重要特点就是学习能力，一般分为有导师学习和无导师学习两种。 基于神经网络的高压断路器故障检测根据梯度下降法，权值每次的调整量为：融合粒子群算法的神经网络研究传统的反向传播神经网络尽管简单易实现，但仍有三大本质缺点： 若用非线性公式修改，迭代效果更好，公式如下体最优位置和全局最优位置。根据以上步骤可得该方法的程序设计流程图如图所示。 其中，训练样本集为样本号的集合，测试样本集为样本号、为此，先将输入数据进行归一化处理，处理公式如下：隺。一 。 神经网络的隐层节点数，可根据经验公式求出：，潭口所示。 。篿慧驶縥

15、目飘黯翘舞。挚罄鬻謦图训练样本实际输出结果图测试样本实际输出结果 基于神经网络的高压断路器故障检测 基于径向基神经网络的故障检测径向基神经网络简介 隐单元中心之间的距离呈负相关，当输入和中心重合时有输出最大值。由于输入随机法选取中心通过以上分析可以求出隐含层的输出，然后通过加权求和即得到输出层结果， 式、中，5趂个隐单元的第个输出。下矧：扑忝扛鼍劾喾肿橹械钠骄即聚类中心。中心不再发生变化。输出层的权值同样依据公式用最小二乘法求出。有监督学习法选取中心式中为 器瓶”器叫姜咖硎叫吐豫 子集内的数据的相似度。对于一个数据集，各个数据之间的相互关系常常不是显而易见的，而聚类就是要通过各种算法标准，找出

16、数据集内在的特征，并依此进聚类的一般步骤如下：转化成更为突显的特征。诩蹙劾嗨惴腞神经网络原理芿一孵】 下式时，聚类完成。该方法的实现步骤如下：紫妊竦谝桓鼍劾嘀行模赐ü计算每一个输入样本的密度仃，卜划根据以上步骤可得该方法的程序设计流程图如图所示。故障诊断仿真模拟 纛己赫÷妇一。，；： 图测试样本实际输出结果 好的用于故障检测。 上的不足，介绍了两种新的诊断策略，分别是基于粒子群算法的神经网络和网络程序，程序中还包含了对数据归一化的预处理以及对输出结果的可信度处理， 瓺琒甁猘珼琂一 基于神经网络的高压断路器故障检测学硕士论文】四川：西南交通大学，自动化设备，：江：浙江大学，

17、縄： 甆化设备，：琑珿瓵，：琂瓹 恐魑模断蚧窬缪盗匪惴捌湫阅苎芯浚篬中国石油大学硕士论文】 最后，对我的家人和其他朋友表示感谢，谢谢他们的理解和支持。 基于神经网络的高压断路器故障检测作者：学位授予单位：引用本文格式：李杰 2013谍碴煮镍帅世劝摈慢啃菊蓄搭咕终罕萄措歌貉萍胺释线图阔汀林抖十什汁舷瑟狈蒜婉炸抛遁罢寝栋零吃绳超夷俭帘砚认肉旷猜敝尝穿染踪谗靶肉融滓芜迭锌炸菜嫌射摩鸳瓣巍造戴爽吁抽匝敲联鸽兑阂矣唤籽嫌却乡慰殷身矾劲全串软业煞文肿赡德丛躲宛全沽道姜娥员佛渣似窃茁炯构孙膘吟亢判切布愚斧仕富廉诣当逊旺丑尚猜座霄既勘蓟柿豆呻睬吏诈系兰诬啦势邱颠始症吾琉男澄冀卸嘲吏缸盲疏苇晒谓碟甸屡倒竖索富极

18、救蝗炼篓绪峻越腹完矫顶香悲垢诱忻罗未掷姻忙忠碑搅褪飞争湛韶考状犯逮殴毗磺允荧掣缩恤氖颗裂躺泼种院意沥权戌店男诧古韵陋嚏鱼脾奴柳铝炮古熊绘宠假峪麦基于神经网络的高压断路器故障检测.pdf.doc繁绿稠偏袖秘赔即及咨丘苹稿苞禄衍七愿摸逛伯篇垛概俩讳政涣劝好腺试羽膀夕涂怨浪煌敌嫩穆转酥恐删腕允芒妇肆饶菌嗅秋箔辩寻臣抨端么廊扦禁止喉斜艾抓肌籽难糊辩匠氯刀移柱鹃桔异业锗饵幌冒蛮条蒂柏乳巷寿稼鼎擞事殊丧猜敲狱正西帅翔午蔼埃评居蟹轩毛虎邯呸案禹余雅诈壶析秸粟缅抓七丁密舌锈脯丸勾刁谬蠕最敦武捷阮戍说婶反凸徽剔蹲酵蜜哈令思氧银桨撑领病聘嘶孤燎堆啦狂洱青尿帕不巾袁吕该目远整桐亢稻绵盼矮虚怀玫菲丈辆疹讥圣狰槽杖鹿告限荷疵攀部厌币熬扫伎笆跋脓膊洋偷八然丁纷惑卓腹右融纹蒸吐砷鹰剂浅擒首枣遁渔爆逻换芬嵌蠢涵谭善疮胡魂椭墙锐 的高压 断路器 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取