基于EEMD与GA-BP神经网络的高压断路器储能机构故障辨识

马莉; 霍耀佳; 潘洁; 刘会兰

doi:10.3969/j.issn.1672-3643.2026.03.005

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于EEMD与GA-BP神经网络的高压断路器储能机构故障辨识

更新时间：2026-10-10

- 基于EEMD与GA-BP神经网络的高压断路器储能机构故障辨识
- Fault identification of high-voltage circuit breaker energy storage mechanism based on EEMD and GA-BP neural network
- 宁夏电力 2026年第3期
- 作者机构：
  
  1. 国网宁夏电力有限公司电力科学研究院,宁夏,银川,750011
  2. 华北电力大学(保定),河北,保定,071003
- 作者简介：
  
  马莉(1995)，女，工程师，从事电力系统分析相关工作(E-mail:1431066770@qq.com)
- 基金信息：
  
  宁夏回族自治区自然科学基金项目(2024AAC03759)
- DOI：10.3969/j.issn.1672-3643.2026.03.005
  中图分类号：
- 网络首发：2026-07-21，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
马莉, 霍耀佳, 潘洁, 等. 基于EEMD与GA-BP神经网络的高压断路器储能机构故障辨识[J]. 宁夏电力, 2026,(3).

MA Li, HUO Yaojia, PAN Jie, et al. Fault identification of high-voltage circuit breaker energy storage mechanism based on EEMD and GA-BP neural network[J]. Ningxia Electric Power, 2026, (3).
马莉, 霍耀佳, 潘洁, 等. 基于EEMD与GA-BP神经网络的高压断路器储能机构故障辨识[J]. 宁夏电力, 2026,(3). DOI： 10.3969/j.issn.1672-3643.2026.03.005.

MA Li, HUO Yaojia, PAN Jie, et al. Fault identification of high-voltage circuit breaker energy storage mechanism based on EEMD and GA-BP neural network[J]. Ningxia Electric Power, 2026, (3). DOI： 10.3969/j.issn.1672-3643.2026.03.005.

摘要

为实现高压断路器储能状态故障信号辨识，提出一种集合经验模态分解（ensemble empirical mode decomposition

EEMD）边际谱能量熵与遗传算法（genetic algorithm

GA）改进的误差反向传播（back propagation

BP）神经网络相结合的高压断路器储能状态辨识方法。首先采用EEMD对信号进行分解，得到一系列含有储能信号特征的本征模态函数（intrinsic mode function

IMF），利用相关系数筛选与原始信号相关的模态分量，提取前6阶IMF分量希尔伯特边际谱能量熵作为特征向量，最后，将构建的特征向量矩阵输入GA-BP进行分类训练，实验结果表明：基于EEMD边际谱能量熵与GA-BP相结合的故障辨识方法能够准确识别断路器储能机构故障。

Abstract

To achieve fault signal identification of the energy storage state of high-voltage circuit breakers

an identification method combining ensemble empirical mode decomposition (EEMD) marginal spectrum energy entropy with a genetic algorithm-optimized back propagation (GA-BP) neural network is proposed. First

the EEMD is adopted to decompose the signals

yielding a series of intrinsic mode functions (IMFs) that contain the characteristic information of energy storage signals. The correlation coefficient is then used to select the modal components correlated with the original signals

and the Hilbert marginal spectrum energy entropy of the first six IMF components is extracted as the feature vector. Finally

the constructed feature vector matrix is input into the GA-BP neural network for classification training. Experimental results show that the proposed fault identification method

combining EEMD marginal spectrum energy entropy with GA-BP

can accurately identify faults of the energy storage mechanism of circuit breakers.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于小波包分解的断路器振动信号能量谱和能量熵分析

基于多任务学习的电网调度操作物理一致性校验

宁夏地区变电站接地网土壤腐蚀关键参量研究

计及配电网潮流与高比例新能源的气-电耦合系统运行优化

交流电缆对新能源阻抗测量与振荡分析的影响及工程实践