基于IEMD和GA-WNN的斷路器分合閘線圈故障診斷方法

李天輝，龐先海，范輝，甄利，顧朝敏，董馳

(1. 國(guó)網(wǎng)河北省電力有限公司電力科學(xué)研究院，河北 石家莊 050021；2. 國(guó)網(wǎng)河北省電力有限公司，河北 石家莊 050021)

0 引 言

在系統(tǒng)故障或者非故障情況下，斷路器應(yīng)能關(guān)合、開斷、承載運(yùn)行回路運(yùn)行電流[1-5]。因此，當(dāng)斷路器出現(xiàn)故障時(shí)，不僅會(huì)對(duì)其所保護(hù)和控制的下級(jí)電網(wǎng)造成嚴(yán)重?fù)p壞，而且會(huì)引起上級(jí)電網(wǎng)的擾動(dòng)，造成電網(wǎng)不穩(wěn)定，嚴(yán)重時(shí)甚至可能引起大面積停電事故，對(duì)社會(huì)各行業(yè)造成巨大的損失[6]。然而，斷路器大部分工作在室外，受工作環(huán)境影響，慢慢老化而逐漸影響其可靠性[7-8]。因此，提高斷路器故障診斷能力具有實(shí)際工程價(jià)值。

目前，常見故障診斷技術(shù)主要分為兩大類：一類是數(shù)學(xué)診斷方法，如概率統(tǒng)計(jì)分析法[9]、小波分析法[10]、灰色系統(tǒng)診斷法[11]等；另一類為智能診斷法，主要是基于智能算法的單一診斷方法，如小波神經(jīng)網(wǎng)絡(luò) (wavelet neural network, WNN)[12]、支持向量機(jī)[13]、極限學(xué)習(xí)機(jī)[14]、D-S證據(jù)理論[15]等，或由多個(gè)智能算法組合的混合算法[14,16]。

在文獻(xiàn)[16]中，首先構(gòu)建了分合閘線圈電流特征樣本庫，再利用粒子群算法進(jìn)行故障診斷，其不同的斷路器故障識(shí)別率高達(dá)100%。文獻(xiàn)[17]通過對(duì)不同故障下的分合閘線圈電流波形進(jìn)行分析，以及故障模擬，進(jìn)而提取出不同斷路器個(gè)體之間的電流特征。文獻(xiàn)[6]根據(jù)斷路器分合閘線圈電流信號(hào)特征建立診斷識(shí)別模型，并利用卷積小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障診斷，其故障識(shí)別率高達(dá)93.68%。

由上述文獻(xiàn)研究不難發(fā)現(xiàn)，在智能算法輔助下，現(xiàn)有診斷技術(shù)取得長(zhǎng)足發(fā)展，識(shí)別率不斷提高。但現(xiàn)有故障識(shí)別技術(shù)的準(zhǔn)確率主要基于改進(jìn)智能算法的性能和特征值提取的準(zhǔn)確率。基于此，本文主要從斷路器典型故障電流曲線庫、特征值提取和智能診斷方法等方面進(jìn)行研究，與現(xiàn)有研究相比，主要貢獻(xiàn)有：（1）對(duì)斷路器典型故障進(jìn)行實(shí)驗(yàn)室模擬，得到典型故障的分合閘線圈電流曲線，為后續(xù)構(gòu)建故障特征曲線樣本庫提供了基礎(chǔ)。（2）根據(jù)電流信號(hào)經(jīng)過經(jīng)驗(yàn)?zāi)B(tài)分解 (empirical mode decomposition，EMD)后的IMF能量密度乘對(duì)應(yīng)平均周期為恒定常數(shù)的性質(zhì)，提出一種改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解(improved empirical mode decomposition，IEMD)方法來提取分合閘線圈電流特征值，該方法能有效剔除原始信號(hào)中的噪聲干擾和IMF偽分量，進(jìn)而提高特征值提取準(zhǔn)確率，為后續(xù)故障診斷提供有效的輸入樣本集。（3）利用改進(jìn)遺傳算法(genetic algorithm ,GA)對(duì)WNN初始權(quán)值等敏感參數(shù)進(jìn)行尋優(yōu)，可解決WNN算法參數(shù)敏感問題，有效提高收斂速度和尋優(yōu)能力。

1 真空斷路器分合閘線圈工作過程

彈簧操動(dòng)機(jī)構(gòu)真空斷路器的分閘操作、合閘操作過程如圖1所示，是一個(gè)動(dòng)態(tài)過程，當(dāng)分合閘線圈接收到通電信號(hào)，將帶動(dòng)分閘/合閘觸發(fā)器順時(shí)/逆時(shí)針旋轉(zhuǎn)并釋放主拐臂上的軸銷A或棘輪上的軸銷B，完成分合閘動(dòng)作[18]。從圖1中不難發(fā)現(xiàn)，每次斷路器動(dòng)作時(shí)，都伴隨著規(guī)律性的分合閘電流產(chǎn)生，分、合閘線圈電流波形分別如圖 2 a)和圖 2 b)所示。

圖1 真空斷路器分合閘操作機(jī)構(gòu)示意Fig. 1 Schematic diagram of vacuum circuit breaker opening and closing operation mechanism

根據(jù)圖2，分合閘線圈電流具有明顯參數(shù)特征，且電流趨勢(shì)大致相同，分成多個(gè)階段。如在分閘線圈電流中：在t0～t1階段，線圈得電，二次回路導(dǎo)通，電流迅速上升，鐵芯開始運(yùn)行；在t1～t2階段，由于需要克服鐵芯運(yùn)動(dòng)時(shí)的阻力，電流降低，當(dāng)?shù)竭_(dá)t2時(shí)刻后，鐵芯脫扣，停止運(yùn)動(dòng)；進(jìn)入t2～t3階段后，由于鐵芯靜止，電流回升增大；在t3～t4階段，t3時(shí)刻，斷路器動(dòng)觸頭分離，線圈失電，電流瞬間下降至零[16]。而合閘過程，由于速度比分閘慢，可能存在t3～t4一個(gè)穩(wěn)定階段，其余部分類似。

圖2 觸頭行程曲線與分合閘線圈電流曲線Fig. 2 Contact travel curve and opening and closing coil current curve

2 基于IEMD故障特征參數(shù)提取模型

2.1 分合閘線圈故障電流特征模擬

大量實(shí)驗(yàn)和工程數(shù)據(jù)表明，常見的分合閘線圈故障主要有分合閘線圈鐵心卡澀、電壓異常(過高或過低)和擊穿3種[18]，因此，本文主要對(duì)該3種故障狀態(tài)進(jìn)行實(shí)驗(yàn)分析。具體實(shí)驗(yàn)設(shè)計(jì)步驟如下。

（1）線圈鐵心卡澀實(shí)驗(yàn)設(shè)計(jì)流程。由于部分真空斷路器安裝在裸露的環(huán)境中，受空氣濕度、潮熱等環(huán)境因素影響，線圈、電磁鐵等零部件會(huì)發(fā)生銹蝕、老化等惡化現(xiàn)象，進(jìn)而增大鐵芯運(yùn)動(dòng)的阻力，出現(xiàn)卡澀故障。在實(shí)驗(yàn)中，為定量提取分合閘線圈在不同卡澀程度下的分閘線圈電流特征曲線，將斷路器分閘線圈垂直安裝，當(dāng)鐵芯向上運(yùn)動(dòng)時(shí)，通過在分閘線圈鐵芯下施加重物的方式，來模擬鐵芯運(yùn)動(dòng)時(shí)受到不同的阻力情況，如圖 3 所示。分別施加了 80 g、160 g、240 g、320 g等不同重物進(jìn)行模擬實(shí)驗(yàn)。

圖3 不同卡澀程度模擬實(shí)驗(yàn)示意Fig. 3 Schematic diagram of core blockage experiment

（2）線圈電壓異常(過高或過低)實(shí)驗(yàn)設(shè)計(jì)流程。真空斷路器分合閘線圈額定電壓為DC220 V，但由于工作環(huán)境不同，標(biāo)準(zhǔn)規(guī)定分合閘線圈在電壓幅值為143～253 V內(nèi)安全可靠工作即可。但是電壓異常(過高或過低)對(duì)斷路器使用帶來不同程度影響，為此，為定量提取線圈電壓異常(過高或過低)下分合閘線圈電流特征曲線。在實(shí)驗(yàn)室中，通過電壓調(diào)節(jié)器改變分合閘線圈接入電流來模型電壓異常實(shí)驗(yàn)，如圖4所示。

圖4 線圈電壓異常(過高或過低)實(shí)驗(yàn)示意Fig. 4 Schematic diagram of abnormal coil voltage (too high or too low) experiment

（3）線圈擊穿實(shí)驗(yàn)設(shè)計(jì)流程。真空斷路器中分合閘線圈每次動(dòng)作時(shí)，都會(huì)產(chǎn)生熱量，不僅加速線圈老化速度，同時(shí)也增大了線圈電阻和熱量，嚴(yán)重時(shí)發(fā)生擊穿故障，甚至燒毀。為提取擊穿狀態(tài)下分閘線圈電流特征曲線，在實(shí)驗(yàn)室中，讓分閘線圈長(zhǎng)時(shí)間通電，直至表面焦黃，發(fā)出燒焦異味，但未完全燒毀來模擬分閘線圈擊穿故障，如圖5所示。

圖5 線圈擊穿實(shí)驗(yàn)示意Fig. 5 Schematic diagram of coil breakdown experiment

2.2 IEMD特征參數(shù)提取模型

2.2.1 EMD 信號(hào)分解模型

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)過程相當(dāng)于一種“篩分”操作，將一個(gè)信號(hào)最終分解為滿足以下2個(gè)條件的若干個(gè)經(jīng)驗(yàn)?zāi)B(tài)分量(IMF)[19]。

（1）數(shù)據(jù)序列中，極值點(diǎn)數(shù)量必須等于過零點(diǎn)的數(shù)量或相差不超過一個(gè)。

（2）任一時(shí)間點(diǎn)上，局部放電極值包絡(luò)線平均值等于零。

EMD 具體分解的過程如下。

（1）求解原信號(hào)x(t)的極值點(diǎn)，并利用3次樣條插值方法，來擬合x(t)的上包絡(luò)線u(t)和下包絡(luò)線v(t)。

（2）從x(t)中減去u(t)和v(t)的平均值，進(jìn)而得到新的特征信號(hào)。

（3）判斷m1(t)是否滿足IMF分量條件，若不滿足條件，則當(dāng)作輸入信號(hào)返回步驟（1），繼續(xù)執(zhí)行，得到信號(hào)m2(t)，再次判斷m2(t)是否滿足條件，不滿足則重復(fù)執(zhí)行上述步驟，直到mk(t)滿足IMF特征條件。并將其記為C1(t)，作為原始信號(hào)的第一階IMF分量。

（4）將C1(t)從原始信號(hào)中剔除，得到余量信號(hào)，記為r1(t)。

（5）將r1(t)作為步驟（1）的輸入信號(hào)，重復(fù)執(zhí)行，直到rn(t)函數(shù)單調(diào)，分解結(jié)束。則原始信號(hào)用分解信號(hào)可表示為

2.2.2 IE MD 信號(hào)分解模型

由于EMD電流信號(hào)降噪分解過程中，主要依據(jù)經(jīng)驗(yàn)去除第1個(gè)IMF分量和第2個(gè)IMF分量重構(gòu)的電流信號(hào)，具有較強(qiáng)主觀性。因此，本文基于分解后的IMF分量能量密度與其對(duì)應(yīng)的平均周期的乘積是一個(gè)常數(shù)的性質(zhì)，提出一種自適應(yīng)選擇IMF分量的重構(gòu)算法。其具體步驟如下。

（1）在原始信號(hào)x(t)中分別添加均值為零的白噪聲qi(t)和－qi(t)，得到一組新的原始信號(hào)序列，即

式中：ai為白噪聲幅值；n為白噪聲對(duì)數(shù)。

（2）利用 EMD 分解x1?i(t)、x2?i(t)，獲得第一階 IMF 分量序列C1?i(t)和C2?i(t)，計(jì)算平均值得

（3）計(jì)算通過EMD分解后的若干個(gè)IMF分量的能量密度和平均周期之積，即

式中：Ej是第j個(gè)IMF分量的能量密度；Tj是第j個(gè)IMF分量的平均周期。

（4）計(jì)算系數(shù)RPj(j> 1)

當(dāng)RPj＞ 1時(shí)，前j?1個(gè)IMF分量作為偽分量，從原始信號(hào)中剔除，對(duì)剩余分量再進(jìn)行EMD分解和重構(gòu)，得到所有降噪后的IMF分量。

3 改進(jìn)WNN故障診斷方法

3.1 WNN

WNN由文獻(xiàn)[20]在1997年提出，兼具小波分析優(yōu)良的時(shí)頻特性與小波神經(jīng)網(wǎng)絡(luò)的自學(xué)能力。本文采用目前使用較為廣泛的緊致型結(jié)構(gòu)構(gòu)建3層小波神經(jīng)網(wǎng)絡(luò)，如圖6所示。

圖6 三層WNN結(jié)構(gòu)Fig. 6 Structure of three-layer WNN

輸入層節(jié)點(diǎn)個(gè)數(shù)、隱含層小波元以及輸出節(jié)點(diǎn)個(gè)數(shù)分別為m，n，N。對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行前向計(jì)算，可得隱含層第i個(gè)小波神經(jīng)元輸入hi為

式中：xk為輸入層第k個(gè)輸入樣本；ωki為輸入層節(jié)點(diǎn)k與隱含層第i層之間的連接權(quán)值，隱含層中選用Mexihat小波基及其尺度函數(shù)作為小波神經(jīng)元，輸出層節(jié)點(diǎn)采用經(jīng)典的Sigmoid函數(shù)。

經(jīng)過小波元激勵(lì)后，第i個(gè)隱含層小波元輸出oi為

式中：ai和bi為隱含層第i層的伸縮平移系數(shù)。

由此可知輸出層第j個(gè)節(jié)點(diǎn)輸出yj為

式中：ωji為隱含第i層與輸出節(jié)點(diǎn)j之間連接權(quán)值。

WNN輸出誤差函數(shù)定位E為

3.2 改進(jìn)GA算法

傳統(tǒng)GA算法過程主要包括精英選擇、快速非支配排序、擁擠距離等概念[21]。精英選擇算子直接決定種群優(yōu)越性、多樣性和收斂性。因此，本文主要通過對(duì)精英選擇算子進(jìn)行優(yōu)化來提高GA性能。如在文獻(xiàn)[22-23]中提出如下算子對(duì)其進(jìn)行改進(jìn)。

式中：Nm為非支配排序m等級(jí)中保留種群數(shù)量；N為種群大??；k為非支配排序等級(jí)總數(shù)。

從圖7中不難發(fā)現(xiàn)，當(dāng)選取r=0.75、k=10時(shí)，精英選擇算子優(yōu)化效果最佳。因此，選取r=0.75、k=10進(jìn)行后續(xù)仿真。進(jìn)一步可發(fā)現(xiàn)在各個(gè)等級(jí)中，種群個(gè)體選取數(shù)目均大于1/2，這有效保證了最優(yōu)種群數(shù)量滿足N的要求。而且種群個(gè)體選擇概率與等級(jí)呈負(fù)相關(guān)，即等級(jí)越高，個(gè)體選擇概率越低，這能有效提高新種群中的精英個(gè)體數(shù)量，進(jìn)而提高收斂速度。

圖7 不同等級(jí)個(gè)體選取概率Fig. 7 Probability of individual selection for different levels

3.3 基于改進(jìn) GA-WNN 的故障診斷方法流程

由于WNN對(duì)初始權(quán)值和閾值依賴性較高，若初始權(quán)值和閾值選取不當(dāng)，可能無法收斂。由3.2節(jié)分析可知，GA算法通過全局搜尋，尋找最優(yōu)種群，此時(shí)，將GA優(yōu)化結(jié)果作為WNN初始權(quán)值和閾值，可有效提高輸出精度和算法效率。由此可得改進(jìn)GA-WNN小波神經(jīng)網(wǎng)絡(luò)在線智能診斷方法流程如圖8所示。

圖8 改進(jìn)GA-WNN故障診斷方法流程Fig. 8 Flow chart of improved GA-WNN neural network intelligent diagnosis method

4 仿真分析

4.1 分合閘線圈電流特征值提取

以上海湘開電氣有限公司的LHCKJ50-125 A/380 V真空斷路器為實(shí)驗(yàn)對(duì)象，在實(shí)驗(yàn)室模擬不同故障下的分合閘線圈電流曲線特性，并提取分合閘線圈電流特征值。

4.1.1 不同故障下分合閘線圈電流曲線

通過2.2節(jié)中設(shè)計(jì)的實(shí)驗(yàn)室場(chǎng)景，對(duì)分合閘線圈進(jìn)行模擬實(shí)驗(yàn)。圖9為不同卡澀程度下分閘線圈電流，圖10為不同電壓異常情況下分閘線圈電流，圖11為擊穿狀態(tài)下的分閘線圈電流。

圖9 不同卡澀程度下分閘線圈電流Fig. 9 Current of opening coil under different jamming degrees

圖10 不同電壓異常情況下分閘線圈電流Fig. 10 Current of opening coil under different abnormal voltages

圖11 為擊穿狀態(tài)下的分閘線圈電流Fig. 11 Current of opening coil under breakdown state

由圖9可知，線圈電流隨卡澀嚴(yán)重程度成正比，這是因?yàn)樾枰箅姶帕Σ拍軒?dòng)鐵芯運(yùn)動(dòng)。而鐵芯運(yùn)動(dòng)速度隨卡澀嚴(yán)重程度增大而變慢，這是因?yàn)樽枇Φ脑龃?，電磁力受阻所致。由圖10可知，線圈電流隨電壓升高而增大，鐵芯運(yùn)動(dòng)時(shí)間越短。從圖11中不難發(fā)現(xiàn)，擊穿狀態(tài)下的線圈電流幅值遠(yuǎn)大于正常電流幅值，持續(xù)時(shí)間短，且此現(xiàn)象與擊穿破壞性程度有關(guān)。從上述3個(gè)模擬故障圖形可知，該實(shí)驗(yàn)室模擬設(shè)計(jì)具有可行性，與實(shí)際工程情況相似。因此，將上述曲線作為后續(xù)仿真實(shí)驗(yàn)的基礎(chǔ)數(shù)據(jù)，具有一定可信度。

1.1 資料來源 選取2015年1月-2017年4月佳木斯大學(xué)附屬第一醫(yī)院收治的80例NRDS患兒作為研究對(duì)象，將所有患兒依照入組時(shí)間編號(hào)，并采用隨機(jī)信封法將患兒分為觀察組及對(duì)照組，每組40例，兩組患兒性別、胎齡、體質(zhì)量、病情、分娩方式等一般臨床資料比較，差異無統(tǒng)計(jì)學(xué)意義(均P>0.05)，具有可比性。見表1。

4.1.2 分合閘線圈電流特征值提取結(jié)果

本節(jié)通過與EMD和小波變換進(jìn)行對(duì)比來說明本文所提IEMD方法的有效性。其中，圖12為原始信號(hào)曲線，圖13為EMD方法分解結(jié)果，圖14為小波變換分解結(jié)果，圖15為IEMD方法去噪信號(hào)曲線，圖16為IEMD方法分解結(jié)果，表1為特征值提取結(jié)果。

圖12 原始信號(hào)曲線Fig. 12 Original signal curve

圖13 EMD方法分解結(jié)果Fig. 13 Decomposition results of EMD method

圖14 小波變換分解結(jié)果Fig. 14 Decomposition results of wavelet transform

圖15 IEMD方法去噪信號(hào)曲線Fig. 15 Denoising signal curve of IEMD method

圖16 IEMD方法分解結(jié)果Fig. 16 Decomposition results of IEMD method

表1 不同分解方法特征值提取結(jié)果Table 1 Extraction results of eigenvalues of different decomposition methods

從圖13可知 EMD分解后，得到5個(gè)IMF分量，其中IMF1和IMF2含有大量諧波，來自原始信號(hào)中的噪聲干擾，IMF3為高頻分量，IMF4和IMF5為低頻分量。d1～d5分別是高頻到低頻的信號(hào)分量，由于小波變換方法本身具有降噪重構(gòu)功能，因此各分量中諧波含量較低。而本文所提IEMD方法，在傳統(tǒng)EMD方法中添加降噪重構(gòu)功能，因此在分解前削弱了幅度較大的噪聲干擾波形，且效果明顯。當(dāng)信號(hào)再經(jīng)IEMD分解后，只分解出3個(gè)IMF分量，且分解后不存在諧波分量。綜上，本文所提的IEMD方法能有效分解信號(hào)，并保持原始信號(hào)不失真，準(zhǔn)確性最高。

由表1特征值提取結(jié)果，不難看出，相比小波變換和EMD分解方法，利用IEMD算法提取的特征值誤差較小，范圍在0～0.3 ms內(nèi)。而EMD分解方法誤差最大，這主要是因?yàn)樵谑褂眯〔ㄗ儞Q和IEMD方法進(jìn)行信號(hào)分解時(shí)，都對(duì)源信號(hào)做了消噪處理，而EMD沒有，因此，小波變換和IEMD算法比EMD更加準(zhǔn)確和可靠，但小波變換需人為設(shè)置基波函數(shù)來消噪，具有一定的主觀性，致使分解結(jié)果相較于IEMD算法稍差。

4.2 故障診斷識(shí)別分析

基于4.1節(jié)仿真基礎(chǔ)，利用IEMD對(duì)t0/ms、t1/ms、t2/ms、t3/ms、t4/ms、I1/A、I2/A 和I3/A 這7個(gè)特征參數(shù)進(jìn)行提取，并作為GA-WNN算法的輸入量（識(shí)別樣本集）和初始種群，將分合閘線圈鐵心卡澀、電壓過高、電壓過低和擊穿4種故障類型作為輸出量(仿真中縱坐標(biāo)用4至1分別代表4種故障類型)。設(shè)定每組故障類型電流信號(hào)采集50組，共200組信號(hào)，將提取的特征參數(shù)放在一個(gè)7列200行的表格中，訓(xùn)練樣本占70%，驗(yàn)證樣本占15%，測(cè)試樣本占15%，隱含層的數(shù)目設(shè)置為24。trainlm為訓(xùn)練函數(shù)，tansig為傳遞函數(shù)，最大學(xué)習(xí)次數(shù)和學(xué)習(xí)率分別為100和0.01。而GA算法中將種群設(shè)為50，迭代次數(shù)200次，交叉概率和變異概率分別為0.3和0.1。通過Matlab軟件平臺(tái)仿真，圖17和圖18分別為GA-WNN和傳統(tǒng)WNN訓(xùn)練誤差曲線和訓(xùn)練結(jié)果的對(duì)比。表2和表3分別為不同分閘線圈故障類型識(shí)別率。

從圖17和圖18可知，改進(jìn)后的GA-WNN算法對(duì)分閘線圈故障識(shí)別率明顯高于WNN。這主要是由于WNN受初始權(quán)值和閾值影響，而本文所提方法通過GA優(yōu)化之后，能有效提高WNN收斂速度和最優(yōu)解。由圖17 a)可知，在前12次迭代中，驗(yàn)證集誤差曲線僅存在微小的誤差增大，直到在12次迭代之后，誤差曲線才迅速下降，到第24次迭代，網(wǎng)絡(luò)性能達(dá)到最優(yōu)，完成網(wǎng)絡(luò)訓(xùn)練。然而，改進(jìn)后的GA-WNN小波神經(jīng)網(wǎng)絡(luò)算法中，設(shè)定WNN網(wǎng)絡(luò)參數(shù)不變，由圖17 b)可知，當(dāng)網(wǎng)絡(luò)訓(xùn)練6次時(shí)，驗(yàn)證集誤差曲線連續(xù)下降，達(dá)到網(wǎng)絡(luò)性能要求，經(jīng)過14次訓(xùn)練后，網(wǎng)絡(luò)完成分類功能，具有高效性。說明改進(jìn)后的GAWNN算法經(jīng)過GA算法優(yōu)化權(quán)值閾值后，避免WNN自身進(jìn)行多次訓(xùn)練選擇，加速了WNN收斂速度。

圖17 訓(xùn)練誤差曲線對(duì)比Fig. 17 Comparison of training error curves

圖18 訓(xùn)練結(jié)果對(duì)比Fig. 18 Comparison of training results

由表2和表3可知，基于WNN的分閘線圈故障平均識(shí)別率僅為81%，而基于GA-WNN分閘線圈故障平均識(shí)別率高達(dá)91%，且每類故障識(shí)別率均有所提高，其中線圈擊穿故障識(shí)別率達(dá)到98%，與圖18對(duì)應(yīng)，圖18中的故障診斷誤差點(diǎn)是指診斷失敗的解。這說明本文所提GA-WNN分合閘線圈診斷方法具備良好的診斷能力。

表2 WNN分閘線圈故障識(shí)別率Table 2 WNN opening coil fault recognition rate

表3 GA-WNN分閘線圈故障識(shí)別率Table 3 GA-WNN opening coil fault recognition rate

5 結(jié)論

基于真空斷路器二次回路或操動(dòng)機(jī)構(gòu)運(yùn)行狀態(tài)能通過電流曲線特征值反映。根據(jù)信號(hào)經(jīng)過EMD分解后IMF能量密度乘對(duì)應(yīng)平均周期為恒定常數(shù)的性質(zhì)，提出一種IEMD方法來提取分合閘線圈電流特征值，并在此基礎(chǔ)上，利用改進(jìn)GA對(duì)WNN參數(shù)進(jìn)行尋優(yōu)。通過仿真，得出如下結(jié)論。

（1）通過對(duì)真空斷路器分合閘線圈不同故障進(jìn)行實(shí)驗(yàn)室模擬，得到不同故障下的分合閘線圈電流曲線，并構(gòu)建了故障特征曲線樣本庫，為后續(xù)故障辨別提高數(shù)據(jù)基礎(chǔ)。

（2）提出的IEMD特征值提取方法，與EMD和小波變換方法相比，該方法能有效去除原始信號(hào)中的噪聲信號(hào)和IMF偽分量，進(jìn)而提高特征值提取準(zhǔn)確率。

（3）針對(duì)WNN存在的參數(shù)難以確定的問題，提出改進(jìn)GA對(duì)WNN參數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明，本文所采用的GA-WNN具有較好的學(xué)習(xí)能力以及較高的診斷精度，能夠有效提升斷路器故障診斷準(zhǔn)確性，與傳統(tǒng)WNN識(shí)別方法相比，GA-WNN故障診斷正確率高達(dá)91%，提高了10個(gè)百分點(diǎn)。