相关论文：
-
-
全球能源互联网
第9卷 第1期 2026年01月；页码：112-122
基于分合闸线圈电流和触头行程融合的断路器异常辨识方法研究
Research on Abnormal Diagnosis Method for Circuit Breaker Based on the Fusion of Operating Coil Current and Contact Travel
- 1.中国长江电力股份有限公司乌东德水力发电厂，云南省 昆明市 651500
- 2.西安交通大学电气工程学院，陕西省 西安市 710049
- YAN Zicheng1, ZHANG Kun1, LIU Ju1, MAO Diao1, SUN Jiahan2, YUAN Huan2*, YANG Aijun2, WANG Xiaohua2, RONG Mingzhe2 (1. Wudongde Hydropower Plant, China Yangtze Power Co., Ltd., Kunming 651500, Yunnan Province, China
- 2. School of Electrical Engineering, Xi’an Jiaotong University, Xi’an 710049, Shaanxi Province, China
关键词
Keywords
摘 要
Abstract
针对断路器机械特性异常诊断中的多源信号采集与分析问题，设计出一套分合闸线圈电流和触头行程信号的采集系统，并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取，机器学习算法采用CatBoost模型进行单源信号的异常诊断，结合遗传算法（genetic algorithm，GA）进行参数优化，实现了基于线圈电流和触头行程的高准确率诊断。同时，利用线性判别分析（linear discriminant analysis，LDA）方法进行特征融合，提升了异常诊断效果。此外，对多种融合方法的诊断结果进行对比分析。结果表明，LDA-GA-CatBoost的特征级融合方法与基于改进的D-S证据理论（dempster-shafer theory of evidence，DST）的决策级融合方法的异常诊断率最高，均为95.82%，但LDA-GA-CatBoost的模型训练时间仅为改进的D-S证据理论的一半，更具有应用优势。
This paper addresses the problem of multi-source signal acquisition and analysis in circuit breaker mechanical abnormal diagnosis. A data acquisition system for closing and opening coil current and contact travel signals is designed,along with corresponding abnormal simulation schemes. Feature extraction is performed using segmented filtering and cyclic difference discrimination, and the CatBoost machine learning algorithm is employed for abnormal diagnosis based on singlesource signals. Parameter optimization is achieved using a genetic algorithm (GA), enabling highly accurate diagnosis based on coil current and contact travel signals. Furthermore,linear discriminant analysis (LDA) is used for feature-level fusion to enhance diagnostic performance. The diagnostic results of various fusion methods are analyzed, revealing that both the LDA-GA-CatBoost feature-level fusion method and the improved dempster-shafer (D-S) evidence theory-based decision-level fusion method achieve the highest abnormal diagnosis accuracy of 95.82%. However, the model training time for LDA-GA-CatBoost is only half that of the improved D-S evidence theory method, indicating a clear advantage in practical applications.
0 引言
断路器在电力行业中扮演着重要的角色，电力系统的快速发展和变化对断路器的质量和性能提出了更高要求。然而，断路器故障率较高，而且近年来尚未得到改善[1]。机械故障是断路器故障的主要类型之一，接触不良、弹簧失效、松动或脱落等是其发生的主要原因[2-4]。电气故障是断路器故障的另一种主要类型，烧毁、击穿或接触短路等是其主要原因[5-7]。断路器在线监测系统能够实时获取断路器的运行状态数据，分析数据并判断断路器的健康状况，及时发现异常并进行预警和报警。因此，这一技术对于电力系统的安全稳定运行具有重要意义[8]。目前，断路器在线监测技术在国内外得到广泛应用并取得了显著的成效[9-11]。随着智能电网建设的深入推进，断路器在线监测将在电网设备监测领域发挥越来越重要的作用[12]。
目前，断路器在线监测系统中常用单源特征诊断技术，电流特征分析是常用的一种单源特征诊断技术，通过对断路器线圈电流进行分析和处理，判断断路器是否存在故障，例如负载过大、短路、接地等。针对分合闸线圈电流诊断，文献[13]采用最邻近（K-nearest neighbor，KNN）分类器，首先对参数进行归一化，然后计算样本之间的欧氏距离，实验结果表明，当K为10时，分类准确率为99.31%。当K为5时，分类准确率为98.62%。文献[14]采用随机森林方法，并按照特征重要性进行排序累积作为故障诊断模型的输入，引入了粒子群算法来调整惩罚系数和内核参数，故障诊断准确率可达98.75%。触头行程特征分析也是断路器常用的单源特征诊断技术，通过对断路器触头行程的变化进行监测和分析，以便判断断路器是否存在接触不良等故障。针对触头行程诊断，文献[15]分别采用惩罚系数为2的高斯核SVM（support vector machine）分类器和多项式次数为3、惩罚系数为1000的多项式核SVM，具有91.3%的准确率。
在实际运行中，断路器的状态判断往往会受到多方面因素的影响，仅依靠单一信号来判断设备的状态会导致信息特征与诊断结果不一致，需要获取多传感器信号的特征量并将其融合，才能有效地评估和诊断电气设备的故障[16-18]。文献[23]将信号经过标准化处理后，利用主元分析（principal component analysis，PCA）抽取样本集的主要元素，降低特征维数，建立了PCA-PNN（probabilistic neural network，PNN）的多源信息融合故障诊断方法。文献[20]基于D-S证据理论，将故障度转化为基本概率分配函数，得到了80%的故障诊断率。文献[21]则对高冲突且同一种命题支持率较低的证据进行了修正，建立改进D-S证据理论模型，实验结果表明该方法将故障诊断率提高至93.33%。文献[22]提出了一种基于随机森林的多传感器融合决策方法，断路器的故障诊断率可达96.38%。
近年来，基于机器学习方法（如SVM、贝叶斯和人工神经网络等）已广泛应用于故障诊断[23-27]。算法的改进带来了故障诊断率的提升，但在低算力的在线监测系统中，仍需要综合考虑算法的执行效率和诊断率。多源信息融合的研究并不算丰富，特征级融合主要基于对多源特征量进行直接串联组合，决策级融合主要基于D-S证据理论（dempster-shafer theory of evidence，DST）。针对这一问题，仍需要进一步探索更高效的算法。
本文针对断路器多源信号故障数据的获取，设计了分合闸线圈与触头行程信号的采集系统，对不同故障类型设计了相应的故障模拟方案。引入分段滤波与循环差分判别进行特征提取。在单源模型建立阶段，引入了CatBoost模型，又通过遗传算法（genetic algorithm，GA）进行参数优化。在多源数据融合阶段，则利用线性判别分析实现分合闸线圈电流与触头行程的特征值融合。同时，通过引入多种数据融合方法对诊断结果进行对比，显示LDA-GA-CatBoost的特征级融合模型的优越性。
1 LDA-GA-CatBoost特征融合模型研究
1.1 基于LDA多源信号特征融合研究
线性判别分析（linear discriminant analysis，LDA）是一种常用的有监督的线性降维方法，LDA不仅考虑了样本之间的方差，还考虑了不同类别之间的差异性，从而实现了数据降维和分类。线性判别分析（LDA）的流程如下。
1）求取各类数据的类内散度矩阵和类间散度矩阵，得到一个特征向量，使得类间散度矩阵对类内散度矩阵的广义瑞利商最大。
2）通过该特征向量将原始数据投影到低维子空间实现降维。
其核心思想是寻找一个最优的投影方向，将同一个类别的数据在这个方向上尽可能聚拢，不同类别的数据在这个方向上尽可能区别开来。实现去除冗余信息，优化分类器性能的目标。
1.2 CatBoost算法
1.2.1 CatBoost过拟合优化
针对断路器数据特征量连续、维度数目一般、噪声与干扰幅度较大的特点，采用CatBoost算法进行模型训练。CatBoost采用了L2正则化项来控制模型参数的大小，避免模型参数过大导致的过拟合问题。当模型参数取值过大时，L2正则化项的值也会随之增大，从而增加了损失函数的值，阻止模型过度拟合训练集数据。其中，L2正则化公式为：
式中：L ( y ,y ˆ)为损失函数；yi为第i个样本的标签；yˆ第i个样本的预测概率；λ为正则化系数；fi为第i个叶子节点；
为第j个叶子节点的特征向量的L2范数平方样本对应的标签；m为叶子节点数目。
1.2.2 CatBoost多分类任务的梯度偏差优化
在多分类问题中，不同类别之间的样本数量可能会出现不平衡，这会导致模型在更新参数时更关注出现频率高的类别，从而对其他类别的预测性能产生影响。为解决这个问题，CatBoost算法引入类别权重的概念，通过对不同类别的梯度进行加权，使得每个类别对模型的训练具有相同的贡献，从而避免了梯度偏差的问题，具体流程如下。
1）定义交叉熵损失函数：
式中：L ( y ,y ˆ)为损失函数；K为类别数目。
2）CatBoost根据每个类别在训练数据中的出现频率，计算一个权重，出现频率越高的类别权重越小，出现频率越低的类别权重越大，以平衡每个类别的梯度。类别权重公式为：
式中：n为训练样本总数；nk为第k个类别的样本数；wk为第k个样本的权重，其中k的取值范围为[1, K]。
3）对于每个样本，计算其在损失函数上的梯度和二阶导数。
4）根据每个类别的权重和每个样本的标签，计算一个类别权重调整系数。该系数用于调整每个类别的梯度，以使每个类别的梯度对模型的训练具有相同的贡献。
5）根据每个样本的梯度和二阶导数，以及每个类别的梯度调整系数，采用牛顿法更新模型参数，使得损失函数下降。重复以上步骤直到收敛。
1.2.3 CatBoost异常诊断模型建立
CatBoost模型的流程步骤如下。
1） 将预处理和特征提取的训练集和测试集中的字符串标签转换为数值标签。
2） 为了能够观测训练情况并防止过拟合，将训练集按照3∶7的比例划分为验证集和训练集，开始构建CatBoost分类器。
3） 进行初始化，将每个样本的权重设置为相等的值，并随机初始化第一个弱分类器。
4） 根据当前样本权重和弱分类器的预测结果，计算损失函数的值。
5） 计算每个样本的残差，根据损失函数梯度来更新每个样本的权重。残差较大的样本会被赋予更高的权重，以便在下一轮迭代中更加关注这些样本。
6） 根据新计算的样本权重，训练一个新的弱分类器，并使用随机梯度提升和随机特征选择等技巧来增加弱分类器的多样性。
7） 将新的弱分类器添加到模型中，并更新模型对每个样本的预测值。
8） 根据预设的停止条件，判断是否需要继续迭代，例如可以设置最大迭代次数或最小损失函数值等条件。如果满足停止条件，输出训练好的模型以供后续使用。
1.3 基于GA的CatBoost参数优化
CatBoost模型具有多种超参数，这些参数共同决定了模型的性能。但是传统的手动调参过于繁琐且不够全面，而网格搜索和随机搜索这类自动化调参方式亦具有搜索效率低和易陷入局部最优的缺陷。GA基于生物学的进化理论，通过模拟自然界中的进化过程，来寻找最优解。在进化过程中，通过交叉、变异等操作，不断产生新的个体，通过适应度函数来评估个体的适应度，并选择适应度高的个体进行进一步繁殖，从而逐步优化解的质量。
在优化CatBoost模型参数时，可以将每个参数看作一个基因，每个参数值看作基因的取值，将参数组合看作一个个体，将模型的多分类性能作为适应度函数，通过不断优化参数组合，来获得更好的性能，其流程如下。
1） 初始化种群。设置学习率、决策树深度、正则参数和贝叶斯套袋控制强度取值范围分别为[0, 1]、[1,10]、[0, 10]和[0, 10]。并随机生成初始的参数组合，作为种群的个体。
2） 使用CatBoost模型训练每个个体，计算其多分类性能指标，作为个体的适应度。适应度函数将损失函数值转换为一个0到1之间的值，使得适应度越高的个体对应的损失函数越小，性能越好。适应度公式为：
式中：Xi为第i个参数组合；
为适应度；L (Xi )为损失函数值。
3）根据适应度函数的值，选择适应度高的个体进行进一步繁殖。随机选择两个个体，进行交叉操作，生成两个新的个体。概率公式为：
式中：p (Xi )为被选择概率。
4）进行变异操作。对新个体进行随机变异操作，产生新的个体。其中，变异公式为：
式中：r为[0,1]区间随机数；amin为基因aij的下限；amax为基因aij的上限；r2为随机数；g为当前迭代次数；Gmax为最大进化次数。
5）将新生成的个体加入到种群中，更新种群。
6）当达到一定的迭代次数或者适应度达到一定的阈值时，停止迭代，输出最优的参数组合。
图1所示为LDA-GA-CatBoost流程图。
图1 LDA-GA-CatBoost流程图
Fig. 1 LDA-GA-CatBoost process diagram
2 信号采集与异常模拟
2.1 传感器选型与安装
线圈电流采用霍尔电流传感器，其已经广泛的应用于工业自动化、军事工程、交通运输、家用电器等领域，成为智能化系统必不可少的基础技术和装备核心[28]。闭环式霍尔传感器的工作原理确保其具有高精度和高可靠性，其误差可达0.2%以内。此外，霍尔电流传感器的测量回路与被测电流回路没有直接的电气接触，适用于在线监测分合闸线圈。因此，选用HCSES5霍尔电流传感器集成在信号采集电路上，通过引线将HCS-ES5霍尔电流传感器连接到控制回路中的线圈上，如图2（a）所示。
触头行程采用激光测距原理，激光由于其具有方向性强、单色性好、相干性好等优异特性，作为光源被广泛应用于光电传感器中，用于测量长度、位移、速度、振动等参数[29]。本文采用OM30-L0350.HV.YIN激光测距传感器，其具有测量精度高、采样周期短等特点，测量误差小于0.45 mm，测量频率为5000 Hz，能够采集足够的动作信息。工作时，传感器被固定在与断路器操动杆平行的位置上，并通过照射操动杆上的参照物来反映距离信息。断路器进行分合闸操作时，传感器通过测量参照物距离变化来获取操动杆的动作情况，如图2（b）所示。
图2 传感器安装图
Fig. 2 Installation diagram of sensors
2.2 异常模拟实验方案
为了研究不同异常条件下机械特性数据的变化，本文基于某知名公司的新一代252 kV智慧GIS进行了异常模拟实验。在实验中，采用了15 kHz的采样率和200 ms的采样时间，得到可靠的实验数据。
表1列出了针对不同异常类型所设计的4大类异常模拟方案及其相应的参数。基于该信号采集系统进行了6类异常模拟，获取了136组断路器动作数据，包含断路器动作的行程、线圈电流、触点状态以及实时时间信息（第4章所述17种类型各采8组数据），为断路器异常诊断提供了可靠的数据支持。
表 1 断路器异常模拟实验
Table 1 Circuit breaker abnormal simulation experiment
模拟方案 模拟设置正常 控制回路电压为220 V控制电压偏高 将控制线圈电压从220 V升高到242 V控制电压偏低 将控制线圈电压从220 V降低到187 V分合闸弹簧紧 弹簧比正常状态紧了21 mm分合闸弹簧松 弹簧比正常状态松了15 mm复合故障 分合闸弹簧松紧，且将控制线圈闸电压变化分闸电磁铁铁芯卡涩 绝缘胶卡涩铁芯
实验中，调整控制线圈电压变化来模拟控制电压变化异常。弹簧松紧变化的故障通过直接为弹簧上松或放紧来实现。分闸电磁铁的卡涩由绝缘胶实现。复合故障由线圈电压与弹簧松紧变化模拟。
如图3所示，在线圈电压偏高时，分闸电流峰值更高，行程曲线变化却不明显。在线圈电压偏低时，分闸电流与行程曲线均有明显变化。在合闸弹簧变松或者变紧时，行程曲线与合闸电流都明显变化，而分闸弹簧变松时，行程曲线几乎没有变化，仅能靠合闸曲线分辨。此外，行程曲线难以区分分闸电磁铁卡涩，而电流则在极值点有明显变化。但行程曲线与分闸电流曲线均能明显区分复合故障。
图3 不同异常条件下的机械特性曲线
Fig. 3 Mechanical characteristic curves under different abnormal conditions
3 信号特征值提取
3.1 分合闸线圈电流信号特征提取
图4所示为典型线圈电流曲线。ts～td过程可以反映出控制电压、控制回路电阻与铁芯是否卡滞等断路器状态。td～tb过程反映铁芯运动情况与脱扣故障情况。tb～tm过程反映了传动机构的运动状态。tm～te过程能够反映辅助开关的故障情况。其中，Id为随着铁芯运动速度逐渐增加，反电动势逐渐增大，导致线圈电流到达的波峰。Im为铁芯停止运动不再产生反电动势，控制线圈电流重新开始上升的最大值。Ib为反电动势增大，线圈电流不断减小的波谷。
图4 线圈电流特征分布图
Fig. 4 Distribution diagram of coil current characteristics
3.2 触头行程信号特征提取
图5所示为典型合闸辅助开关状态变化图。由于抖动为接触后产生，因此选择辅助开关状态变化的起始时刻tr作为特征点，也为刚分、刚合点的时刻。
图5 合闸辅助开关特征分布图
Fig. 5 Characteristic distribution diagram of closing auxiliary switch
刚分、刚合速度反映了机械稳定性和动作速度的平稳性。一般情况下，刚分速度的定义为刚分点至刚分点后10 ms内的平均速度，而刚合速度定义为刚合点前10 ms至刚合点内的平均速度。如图6 （a） 所示，vr即为刚分速度。图6（b）所示，vr即为刚合速度。而行程的平均速度va反映了在短时间内实现分合闸的能力，一般定义为行程量10%至行程量90%的平均速度。触头超程结束时间te反映了电弧被熄灭的时间，而触头开始运动时间ts反映了动作灵敏度。此外，开距s能够说明断路器的开断能力与电弧能量消耗，本文取分闸触头行程的初始平均值、合闸触头行程的末尾平均值作为开距。
图6 触头行程特征分布图
Fig. 6 Distribution diagram of contact stroke characteristics
本文所提取的特征值如表2所示。
表 2 提取的特征值
Table 2 Extracted feature values
线圈电流 ts td tb tm te Id Ib Im触头行程 ts tr te va vr S
4 结果分析
4.1 单源信号诊断结果
本文采用文献[30]中方法，对136组数据进行数据增强，将样本扩充为17类1360组数据，并将测试集和训练集按照3∶7的比例划分。在对CatBoost模型进行测试的过程中，发现采用贝叶斯采样策略和深度优先生长策略具有较低的诊断错误率与训练时间，故选其作为模型的采样策略与生长策略。基于GA优化流程，本文针对学习率、决策树深度、正则参数和贝叶斯套袋控制强度进行调优。同时为比较GA-CatBoost算法的优越性，将其与几种传统机器学习算法进行对比分析。
相比KNN、朴素贝叶斯与SVC（support vector classification）等传统机器学习算法，CatBoost能够有效处理噪声和不均衡数据。图7为常见机器学习方法的错误率对比图，基于最优核函数的SVC诊断率非常低，可能是因为SVC不适用于复杂时序异常诊断。而KNN仅对于触头行程的诊断效果较好，其中基于最优树数量的随机森林与基于GA-CatBoost的异常诊断模型错误率最低，且GA-CatBoost更胜一筹。基于线圈电流的模型拥有81.47%准确率，基于触头行程的模型拥有90.35%准确率。
图7 常见机器学习方法诊断率对比图
Fig. 7 Comparison chart of diagnostic rates of common machine learning methods
由图8所示混淆矩阵可见，在线圈电流的诊断过程中大量混淆了分闸过程中正常情况下与包含分闸弹簧偏松、偏紧所模拟的故障。而在触头行程诊断过程中大量混淆合闸过程中分闸弹簧偏松、偏紧的故障，同时难以鉴别出分闸电磁铁卡涩的故障。
图8 GA-CatBoost混淆矩阵图
Fig. 8 GA-CatBoost confusion matrix diagram
4.2 基于LDA的多源融合诊断结果
如图9所示，经过提取、归一化等处理后，对拼接后的特征量与其标签进行LDA分析，然后得到降维向量。在LDA降维过程中，随着维度的降低，准确率先有一定程度的提升，此时去除了一些冗余并干扰诊断的信息，而保留的特征仍然足够重要，能够准确地表示原始数据的类别信息，从而导致准确率较高。
图9 LDA融合后维度与异常诊断准确率关系图
Fig. 9 Relationship between dimension and abnormal diagnosis accuracy after LDA fusion
在继续降维的过程中，当维度进一步降低时，由于特征的重要性不同，可能会导致保留的特征信息不足以有效地区分不同的类别，导致准确率再次下降。此时，保留的特征不再具有足够的信息量，模型无法正确地对数据进行分类。LDA降维至7维时，得到异常诊断准确率为95.82%。
图10为LDA融合的T-SNE（T-distributed stochastic neighbor embedding）聚类图。图中除1和14外不同的簇被明显分隔开来，同类数据聚集在一起形成簇群，可见降维后的特征向量得到了比较好的聚类。1和14簇区分度较差，仅较难区分分闸弹簧偏松与线圈电压偏低所模拟的故障与线圈电压偏低所模拟的异常，分析两者波形发现个别测试数据区分度小，导致两类异常情况难以区分。
图10 LDA融合后特征向量的T-SNE聚类图
Fig. 10 T-SNE clustering map of feature vectors after LDA fusion
为了进一步验证LDA-GA-CatBoost的特征级融合模型的优越性，基于本文上述所获得的GA-CatBoost模型，采用多种融合方法对异常进行诊断，方法流程[19-21, 31-32]。如图11所示，LDA融合方法与改进D-S证据理论融合的诊断效果表现最佳，PCA融合方法紧随其后。而直接拼接与CCA（canonical correlation analysis）融合方法对于诊断率的提升表现不佳。
图11 多种融合方法的异常诊断错误率对比图
Fig. 11 Comparison of abnormal diagnosis error rates of multiple fusion methods
由于基于LDA的特征级融合与基于改进D-S的决策级融合错误率相同，因此本文从训练时间上分析两者优劣。由图12可知，由于决策级融合需要训练两个模型，并依据所预测的结果来进行融合，因此训练时间相对于其他模型来说较大。特征级融合虽然进行了降维处理，但本身多了降维方法的训练与输出，因此还是比单源直接诊断更耗时一些。
图12 融合前后的异常诊断模型对比图
Fig. 12 Comparison diagram of abnormal diagnosis models before and after fusion
5 结论
本文设计了基于多源信号的数据采集与分析系统，通过对分合闸线圈电流和触头行程信号的深入研究，建立了基于LDA-GA-CatBoost的异常诊断模型，取得的相关结论如下。
1） 单源诊断模型中，线圈电流的准确率为81.47%，触头行程的模型准确率为90.35%。除简单拼接融合外，多源融合模型诊断率均有显著提升。证明多源融合能综合不同信号源的信息，作出较优的判断。
2） 基于LDA融合的GA-CatBoost异常诊断方法，其诊断率达95.82%，训练时间仅为6.79 s。相比于目前广泛使用的其他融合方法，其诊断率较高，同时训练时间较短，具有快速部署、减少服务器资源占用的优势。
综上，本文LDA-GA-CatBoost的特征级融合模型在断路器异常诊断正确率和时间上具有显著优势，具有广阔的应用前景。
参考文献
-
[1]
司江宽，吐松江·卡日，范想，等. 基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断[J]. 电力系统保护与控制，2024，52(3)：152-160.SI Jiangkuan, TUSONGJIANG·Kari, FAN Xiang, et al. Fault diagnosis of high-voltage circuit breaker based on SO-PAAGAF and AdaBoost ensemble learning[J]. Power System Protection and Control, 2024, 52(3): 152-160(in Chinese). [百度学术]
-
[2]
刘亚萍，陈军平，方春恩，等. 混合式直流断路器快速机械开关特性研究及应用[J]. 电力建设，2022，43(8)：120-127.LIU Yaping, CHEN Junping, FANG Chun’en, et al. Research and application of rapid mechanical switch of hybrid DC circuit breaker[J]. Electric Power Construction, 2022, 43(8):120-127(in Chinese). [百度学术]
-
[3]
魏争，文卫兵，杨勇，等. 500 kV直流断路器快速机械开关典型故障特性及可靠性提升方法研究[J]. 全球能源互联网，2023，6(1)：54-63.WEI Zheng, WEN Weibing, YANG Yong, et al. Research on typical fault characteristics and reliability improvement methods of high-speed mechanical switch used in 500 kV DC circuit breaker[J]. Journal of Global Energy Interconnection,2023, 6(1): 54-63(in Chinese). [百度学术]
-
[4]
兰剑，冯英，王承玉. 适用于直流断路器的大电流快速开关分闸特性[J]. 电力工程技术，2023，42(3)：11-18.LAN Jian, FENG Ying, WANG Chengyu. Opening characteristics of high current fast switch for DC circuit breaker[J]. Electric Power Engineering Technology, 2023,42(3): 11-18(in Chinese). [百度学术]
-
[5]
郄鑫，文韬，韩彬，等. 考虑变电站内接线和拓扑瞬态调整的断路器短路电流分析[J]. 电力建设，2024，45(7)：113-121.QIE Xin, WEN Tao, HAN Bin, et al. Analysis of short-circuit current of circuit breakers considering substation wiring and topology transient adjustment[J]. Electric Power Construction,2024, 45(7): 113-121(in Chinese). [百度学术]
-
[6]
彭兆伟，宋鹏，高杰，等. 基于经验傅里叶分解的混合式高压直流断路器耗能支路故障检测方法研究[J]. 全球能源互联网，2024，7(1)：79-91.PENG Zhaowei, SONG Peng, GAO Jie, et al. A fault detection method based on empirical Fourier decomposition for the energy absorption branch of hybrid high voltage DC circuit breakers[J]. Journal of Global Energy Interconnection, 2024,7(1): 79-91(in Chinese). [百度学术]
-
[7]
钟伟，杨欢红，赵恒亮，等. 基于RF特征优选的AEAResNet柱上断路器运行状态诊断[J]. 电力科学与技术学报，2023，38(5)：150-158.ZHONG Wei, YANG Huanhong, ZHAO Hengliang, et al.Operation status diagnosis of pole-mounted breakers based on RF feature optimization and AEA-ResNet[J]. Journal of Electric Power Science and Technology, 2023, 38(5): 150-158(in Chinese). [百度学术]
-
[8]
袁峻. 高压真空断路器机械特性在线监测技术研究现状及其展望[J]. 电力设备管理，2021(7)：220-221.YUAN Jun. Research status and prospects of online monitoring technology for mechanical characteristics of high voltage vacuum circuit breakers[J]. Electric Power Equipment Management, 2021(7): 220-221(in Chinese). [百度学术]
-
[9]
王竞，夏加富，刘晓晖，等. 牵引变电站直流断路器机械状态监测与故障诊断研究[J]. 电力系统保护与控制，2020，48(1)：33-40.WANG Jing, XIA Jiafu, LIU Xiaohui, et al. Research on mechanical condition monitoring and fault diagnosis for DC circuit breaker in traction substation[J]. Power System Protection and Control, 2020, 48(1): 33-40(in Chinese). [百度学术]
-
[10]
梁君涵，郑建勇，潘益. 基于多核结构的断路器在线监测系统设计[J]. 电力工程技术，2017，36(6)：68-72.LIANG Junhan, ZHENG Jianyong, PAN Yi. On-line monitoring system design of circuit breaker based on multicore structure[J]. Jiangsu Electrical Engineering, 2017, 36(6):68-72(in Chinese). [百度学术]
-
[11]
李辰辉，褚继峰，龙潇，等. 基于弧触头接触振动特征分析的高压SF6断路器电寿命在线监测方法[J]. 电工技术学报，2024，39(15)：4883-4895.LI Chenhui, CHU Jifeng, LONG Xiao, et al. Online monitoring method of electrical life of high voltage SF6 circuit breaker based on analysis of arcing contact vibration characteristics[J].Transactions of China Electrotechnical Society, 2024, 39(15):4883-4895(in Chinese). [百度学术]
-
[12]
闫站正，周华. 高压断路器机械特性在线检测技术的探讨[J]. 科技创新与应用，2020，10(23)：164-165.YAN Zhanzheng, ZHOU Hua. Discussion on online detection technology for mechanical characteristics of high-voltage circuit breakers[J]. Technology Innovation and Application,2020, 10(23): 164-165(in Chinese). [百度学术]
-
[13]
LI T, ZHOU Q, LIU L N, et al. High-voltage circuit breaker fault diagnosis model based on coil current and KNN[C]//2018 Prognostics and System Health Management Conference(PHM-Chongqing). October 26-28, 2018, Chongqing, China.IEEE, 2019: 405-409. [百度学术]
-
[14]
SUN Y, HAO B X, SU B, et al. Fault diagnosis of high voltage circuit breaker using random forest and PSo-KELM[C]//2022 Asian Conference on Frontiers of Power and Energy (ACFPE).October 21-23, 2022, Chengdu, China. IEEE, 2022: 221-225. [百度学术]
-
[15]
TAHVILZADEH M, SHOOREHDELI M A, RAZI-KAZEMI A A. Design an intelligent fault detection system for springdrive operating mechanism of SF6 high voltage circuit breaker using ADAMS[C]//2022 30th International Conference on Electrical Engineering (ICEE). May 17-19, 2022, Tehran, Iran,Islamic Republic of. IEEE, 2022: 451-455. [百度学术]
-
[16]
屈子程，高亮，康保林，等. 基于多源数据的电力系统故障全信息诊断模型[J]. 电力系统保护与控制，2019，47(22)：59-66.QU Zicheng, GAO Liang, KANG Baolin, et al. A power system fault full information diagnosis model based on multisource data[J]. Power System Protection and Control, 2019,47(22): 59-66(in Chinese). [百度学术]
-
[17]
谭媛，张文海，王杨. 基于多源信息融合的配网故障外部原因识别[J]. 电力建设，2023，44(3)：77-84.TAN Yuan, ZHANG Wenhai, WANG Yang. Distribution system external fault causes identification based on multisource information fusion[J]. Electric Power Construction,2023, 44(3): 77-84(in Chinese). [百度学术]
-
[18]
夏伟，蔡文婷，刘阳，等. 基于联合卡尔曼滤波的配电网多源异构数据融合[J]. 电力系统保护与控制，2022，50(10)：180-187.XIA Wei, CAI Wenting, LIU Yang, et al. Multi-source heterogeneous data fusion of a distribution network based on a joint Kalman filter[J]. Power System Protection and Control,2022, 50(10): 180-187(in Chinese). [百度学术]
-
[19]
陈模盛，李敬兆. 基于LPWAN多源信息融合的高压开关柜智能监测与故障诊断系统[J]. 智慧电力，2020，48(8)：98-103.CHEN Mosheng, LI Jingzhao. High-voltage switchgear intelligent monitoring and fault diagnosis system based on LPWAN multi-source information fusion[J]. Smart Power,2020, 48(8): 98-103(in Chinese). [百度学术]
-
[20]
吴娜，李文硕，樊淑娴，等. 基于多源信息故障度融合的配电网故障诊断方法[J]. 电力系统及其自动化学报，2023，35(8)：52-61.WU Na, LI Wenshuo, FAN Shuxian, et al. Distribution network fault diagnosis method based on fault degree fusion of multi-source information[J]. Proceedings of the CSU-EPSA,2023, 35(8): 52-61(in Chinese). [百度学术]
-
[21]
陶鹏，张洋瑞，李兵，等. 基于D-S理论多源信息融合的电气设备故障诊断模型[J]. 计算机应用与软件，2021，38(7)：73-79.TAO Peng, ZHANG Yangrui, LI Bing, et al. Fault diagnosis model of electrical equipment based on d-s theory multi-source information fusion[J]. Computer Applications and Software,2021, 38(7): 73-79(in Chinese). [百度学术]
-
[22]
马速良，武建文，袁洋，等. 多振动信息下的高压断路器机械故障随机森林融合诊断方法[J]. 电工技术学报，2020，35(S2)：421-431.MA Suliang, WU Jianwen, YUAN Yang, et al. Mechanical fault fusion diagnosis of high voltage circuit breaker using multi-vibration information based on random forest[J].Transactions of China Electrotechnical Society, 2020, 35(S2):421-431(in Chinese). [百度学术]
-
[23]
袁明哲，邹经鑫，汪艮，等. 基于PSO-SVM的智能变电站二次系统故障诊断方法[J]. 电力工程技术，2020，39(6)：172-176.YUAN Mingzhe, ZOU Jingxin, WANG Gen, et al. Fault diagnosis method for secondary system of smart substation based on PSO-SVM[J]. Electric Power Engineering Technology, 2020, 39(6): 172-176(in Chinese). [百度学术]
-
[24]
余波，高学军，王灿，等. 基于行波特征与KOA-CNNBiGRU-AM的柔直输电线路故障诊断[J]. 电力工程技术，2025，44(2)：185-196.YU Bo, GAO Xuejun, WANG Can, et al. Fault diagnosis of MMC-MTDC based on traveling wave characteristics and KOA-CNN-BiGRU-AM[J]. Electric Power Engineering Technology, 2025, 44(2): 185-196(in Chinese). [百度学术]
-
[25]
刘展，包琰洋，李大字. 基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法[J]. 发电技术，2023，44(6)：824-832.LIU Zhan, BAO Yanyang, LI Dazi. Fault diagnosis method of wind turbines based on wide deep convolutional neural network with resampling and principal component analysis[J].Power Generation Technology, 2023, 44(6): 824-832(in Chinese). [百度学术]
-
[26]
王鹤，韦搏，李石强，等. 基于贝叶斯网络信息融合的直流配电网故障诊断方法[J]. 电力系统保护与控制，2024，52(5)：61-72.WANG He, WEI Bo, LI Shiqiang, et al. Fault diagnosis of a DC distribution network based on Bayesian network information fusion[J]. Power System Protection and Control,2024, 52(5): 61-72(in Chinese). [百度学术]
-
[27]
朱保军，咸日常，范慧芳，等. WRSR与改进朴素贝叶斯融合的变压器故障诊断技术研究[J]. 电力系统保护与控制，2021，49(20)：120-128.ZHU Baojun, XIAN Richang, FAN Huifang, et al. Transformer fault diagnosis technology based on the fusion of WRSR and improved naive Bayes[J]. Power System Protection and Control, 2021, 49(20): 120-128(in Chinese). [百度学术]
-
[28]
李萍，罗云. 高端霍尔传感器关键技术的研究[J]. 天津科技，2020，47(1)：20-23.LI Ping, LUO Yun. Research on key technologies of high-end hall sensor[J]. Tianjin Science & Technology, 2020, 47(1): 20-23(in Chinese). [百度学术]
-
[29]
史纪录，孙星，谢森琪，等. 激光测距传感器在桁架机器人控制系统中的应用[J]. 机械工程与自动化，2023，52(3)：212-213.SHI Jilu, SUN Xing, XIE Senqi, et al. Application of laser ranging sensor in truss robot control system[J]. Mechanical Engineering & Automation, 2023, 52(3): 212-213(in Chinese). [百度学术]
-
[30]
杜国庆，石颉. 基于改进GAN的断路器线圈电流数据增强方法[J]. 电脑知识与技术，2023，19(16)：11-13. [百度学术]
-
[31]
莫楚安. 基于声音信号的12 kV真空断路器健康状态及失效预测研究[D]. 福州：福建理工大学，2024. [百度学术]
-
[32]
洪青云. 断路器液压机构故障原因及诊断处理方法[J]. 电气技术，2010，11(2)：82-83. [百度学术]
基金项目
三峡金沙江云川水电开发有限公司禄劝乌东德电厂资助（2522302040）。
Supported by the Luquan Wudongde Power Plant, China Three Gorges Jinshajiang Yunchuan Hydropower Development Co., Ltd.(No.2522302040).
作者简介
-
严子成
-
袁欢
-
杨爱军
-
王小华
-
荣命哲