基于调整相对位置矩阵和卷积神经网络的自适应断开状态诊断方法

科学领域:

• 电气工程 电气工程
• 电力系统 电力系统
• 机器学习 机器学习

背景情况:

• 高压断开连接器 (HVD) 容易因户外操作而发生故障.
• 现有的HVD诊断方法往往在不同的HVD模型中缺乏通用性.
• 对HVD的数据驱动故障诊断在获得足够的故障样本方面面临挑战.

研究的目的:

• 提出一种具有增强概括能力的适应性HVD状态诊断方法.
• 解决传统方法的局限性,特别是信号处理过程中的信息丢失.
• 开发一种强大的方法来识别HVD故障,尽管故障数据有限.

主要方法:

• 通过减去正常和运行功率信号来生成故障差异信号 (FDS).
• 改进相对位置矩阵 (RPM) 计算以保存振幅信息,将1D FDS转换为2D图像.
• 使用卷积神经网络 (CNN) 与批量规范化 (BN) 和GELU激活进行分类.

主要成果:

• 拟议的FDS-ARPM-CNN方法实现了高精度诊断和HVD状态的分类.
• 实验验证证了CNN模型在不同的HVD模型中强大的概括能力.
• 该方法有效地减轻了为数据驱动的HVD诊断获取故障样本的困难.

结论:

• FDS-ARPM-CNN方法为HVD状态诊断提供了一个实用和有价值的解决方案.
• 适应性识别和概括能力是现实应用的关键优势.
• 这项研究有助于提高高压断路器的可靠性和维护.