基于深度学习断路器储能机构故障诊断方法研究

• 作者: 赵书涛 徐晓会 尹子会 李健鹏 李云鹏
• 来源期刊: 高压电器
• 关键词: 断路器故障 操作机构 振动信号 特征提取 卷积神经网络 长短时记忆网络
• 年，卷（期）: 2022,（10）
• 所属期刊栏目: 研究与分析
• 页码范围: 25-32
• 页数: 7页
• 语种: 中文
• DOI: 10.13296/j.1001⁃1609.hva.2022.10.004

摘要

断路器正常分、合闸动作直接影响电力系统控制的可靠性，储能环节一旦出现问题将直接影响断路器正常工作。提出了一种基于深度学习的断路器振动信号辨识储能过程故障类型新方法。首先，将加速传感器采集到的时域振动信号进行数据扩充，再将扩充后振动信号二次采样作为训练样本，采用改进后的卷积神经网络（convolutional neural network，CNN）与长短时记忆网络（long-short term memory，LSTM）并行结构，将卷积神经网络的第1层大卷积核和多层小卷积核，均进行批量归一化（batch normalized，BN），以提高网络训练效率。实验结果表明：基于CNN与LSTM并行的网络结构不需要人工提取特征，具有较好的分类性，为高压断路器弹簧操作机构故障诊断提供一种通用方法。