电网断路器的故障诊断方法，改进证据理论的断路器故障诊断方法

断路器是电力系统中至关重要的控制和保护设备，也是电网中动作最为频繁的设备。照传统的计划检修方法，由于检修人员无法及时了解断路器操动机构的实际运行状态，操作盲目性强，容易造成检修过剩或检修不足。此外，断路器大修需要解体，时间成本和经济成本高，同时解体和重新装配可能会造成新的缺陷，降低断路器动作的可靠性。因本领域技术人员研发出了在线监测的方法，其是通过获取设备在运行状态下的信息特征，通过分析比较来确定设备是否发生故障或缺陷，发生故障或缺陷的部件位置，所以具有很强的实时性和针对性。其可在机械故障出现的初期及时发现故障，在问题恶化影响断路器运行之前及时处理，能在很大程度上提高断路器安全运行和电力系统正常工作的可靠性的经济性。

目前该方法在故障诊断的过程中，其处理的数据都是通过传感器采集得到的。但是由于诊断对象运行状态复杂，影响因素众多，同一种故障往往表现不同，同一症状又可能是多种故障。即检测量与故障特征之间，故障特征与故障源之间都是一种非线性映射，传统的在线监测和故障诊断仅依靠单个传感器得到的故障特征量一般无法有效地完成故障诊断，解决上述问题的有效手段就采用多传感器信号融合技术。现有的方法一般是在决策层把两种或更多的分类器进行集成，采用一定的融合算法进行诊断。现采用较多的为证据理论也称为Dempster-Shafer证据理论(D-S证据理论)，D-S证据理论是一种经典的规则合成方法，广泛应用于各领域的信息融合、专家系统、情报分析、法律案件分析及多属性决策分析。其属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力。在多传感器数据融合中，D-S证据理论能够有效地处理不确定性问题。但是，在应用中，冲突证据的合成及获得合理结果依然是亟待解决的重要问题。具体来说经典D-S证据理论(Dempster-Shafer Theory)在合成高度冲突证据时得到与直观结果相悖的问题这使得障诊断的结果不可靠性增加。

问题拆分

该方法首先定义了一种证据组，利用数学模型方法对证据可信度函数进行修正，为证据中基本可信度为0的命题分配极低的信度值，在不影响证据对各命题支持度的情况下解决了传统D?S合成规则中的0信度悖论问题；然后，将支持概率作为权重以解决证据的冲突问题，实现了冲突证据的有效融合。

问题解决

1.一种基于改进证据理论的断路器故障诊断方法，其特征在于，包括以下步骤：

步骤1，首先进行断路器故障特征信息提取，从设置于断路器上设置的数个故障传感器获取多路断路器故障特征信息；

步骤2，分别对各个故障特征信息进行SVM融合识别，获取待测故障信号对识别框架中各故障命题的基本可信度mi；

步骤3，基于改进D-S对多源故障特征信息融合，包含如下步骤：

步骤3.1，进行非零化处理及对冲突证据修正：

于该步骤中对各证据进行非零化处理，将步骤2所得mi进行基本可信度非零化，该方法定义是一种证据组对命题支持率的评判机制，认为某命题中证据组对其基本可信度高于1/m即为支持该命题，其中，m为辨识框架中的命题数量，而证据组对该命题的支持率为支持该命题的证据组数占总证据组数的百分比，然后对证据组中对支持率低于1/m的命题的基本可信度高于1/m的证据进行基于支持率的加权处理；

设辨识框架Ω＝{A1,A2,…,Am}，{E1,E2,…,En}是辨识框架Ω上的n组证据，其基本信任函数为mi(Aj)，其中i＝1,2,…,n；j＝1,2,…,m，由于命题的平均基本可信度为1/m，令1/m作为衡量证据是否支持某命题的依据；

若某证据对识别框架Ω中的命题的基本信任函数都为1/m，则表明该证据识别结果不明，认为是无效的；若支持某命题的基本信任函数小于1/m，则认为不支持该命题；若支持某命题的基本信任函数大于1/m，则认为支持该命题，大于越多，则支持度越高；

利用数学模型方法对证据各基本信任函数进行修正，修正冲突证据为

公式(1)修正了各证据对命题的基本可信度，主要目的是对各证据进行非零化处理，为证据中基本可信度为0的命题分配了极低的信度值；

在辨识框架Ω＝{A1,A2,…,Am}下，n组证据中支持命题Aj的证据数Sj，Sj为{m1(Aj),m2(Aj),…,mn(Aj)}中大于衡量依据1/m的个数，则定义n组证据中支持命题Aj的概率为Sj/n，有

若满足条件(2)则认为支持命题Aj的证据对命题Aj的支持为冲突证据，然后对该冲突证据进行基于支持概率Sj/n为权重的冲突证据基本可信度的修正，具体过程如下

步骤3.2，进行归一化处理：

对式(1)进行非零化处理及由式(3)对冲突证据修正后的基本可信度做归一化处理，公式如下

步骤3.3，对由公式(4)修正后的命题基本可信度进行D-S证据理论融合，以将断路器动作时来自不同信号源的诊断结果融合，进而得出最终的故障诊断结果。

2.根据权利要求1所述的一种基于改进证据理论的断路器故障诊断方法，其特征在于：数个故障传感器包含振动信号传感器、声波信号传感器和位移传感器。

3.根据权利要求2所述的一种基于改进证据理论的断路器故障诊断方法，其特征在于，信号的特征量获取方法包含：

1)利用db3小波对断路器动作时的各路振动信号和声波信号分别进行小波分解、滤波、重构，然后计算小波包能量熵作为信号的特征量；

2)利用视频跟踪算法以非接触方式获取断路器动作时与动触头连接的绝缘拉杆运动情况，获取动触头位移-时间曲线，从而计算位移信号的各特征量。

4.根据权利要求1所述的一种基于改进证据理论的断路器故障诊断方法，其特征在于，所述步骤2包含步骤：

2.1将振动信号、声波信号和位移信号分别作为SVM的输入，SVM模型采用交叉验证法获得其正则化参数，选用RBF核函数，利用GA对SVM网络参数进行寻优，惩罚参数C＝1，核参数σ＝1.52；对故障样本进行训练、测试，得出经训练后SVM对故障i的识别准确率

其中，Pi为SVM对故障i的识别准确率，Ta为SVM正确识别出某类故障信号的标签数，Ts为该类待测故障信号的总数量；

2.2然后输入待检测故障信号特征量，输出识别结果，得到对各类故障的支持率

其中，Si为对故障i的支持率，Ti为SVM识别出故障i的标签数量，Qs为待检测故障信号总数量；

2.3得到所有待测故障信号中对故障i的支持率后，进一步做加权处理

Wi＝Pi×Si (7)

其中，Wi为故障i的支持率加权处理后的值，其权值即SVM对故障i的识别准确率；

2.4最后，对识别框架内n个故障命题的Wi进行归一化处理，其中i＝1,2,…,n

所得mi即为待测故障信号对识别框架中各故障命题的基本可信度。