基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

作     者：司江宽 吐松江·卡日 范想 高文胜 朱炜 SI Jiangkuan;TUSONGJIANG Kari;FAN Xiang;GAO Wensheng;ZHU Wei

作者机构：新疆大学电气工程学院新疆乌鲁木齐830047 国网新疆电力公司哈密供电公司新疆哈密839000 清华大学电机工程与应用电子技术系电力系统及发电设备控制和仿真国家重点实验室北京100084 

出 版 物：《电力系统保护与控制》 (Power System Protection and Control)

年 卷 期：2024年第52卷第3期

页      面：152-160页

核心收录：

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目资助(52067021) 新疆维吾尔自治区自然科学基金项目资助(2022D01C35) 新疆维吾尔自治区优秀青年科技人才培养项目资助(2019Q012) 

主　　题：高压断路器 振动信号处理 分段聚合近似 格拉姆角场 故障诊断 

摘      要：针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation,PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field,GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。