基于VMD模糊熵和SVM的高壓斷路器故障診斷
摘要：為了有效提取高壓斷路器振動信號的特征,提出了一種基于變分模態分解(Variational Mode Decomposition, VMD)模糊熵和支持向量機(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分類器對斷路器的故障類型進行識別。首先,使用VMD對斷路器的振動信號進行分解,得到若干個模態分量;然后,計算每一個模態分量的模糊熵,將其組成特征向量;最后,將上述特征向量導入到SVM分類器中進行訓練,得到訓練好的SVM模型,使用該模型對斷路器4種運行狀態下的樣本數據進行故障識別。結果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相對基于經驗模態分解(Empirical Mode Decomposition, EMD)樣本熵的特征向量提取方法所提取出的特征向量可分性較好;在小樣本的模式識別中,SVM相比于BP神經網絡,具有更高的識別精度,能夠有效識別斷路器的故障。
注: 保護知識產權,如需閱讀全文請聯系電力科學與工程雜志社
相關推薦
更多
