气体绝缘组合电器（gas insulated switchgear

GIS）是电力传输系统中的重要设备，而GIS中开断设备机械故障是威胁其安全稳定运行的重要原因。为提高GIS断路器机械故障类型诊断精度，文中搭建了GIS开断设备机械特性测试平台，完成多种故障下开断设备分合闸过程中线圈电流、触头位移路径和振动信号等特征量的采集。分析表明不同状态下的振动信号小波时频谱具有明显的区别，在此基础上提出了一种基于深度学习的智能诊断方法，对采集到的振动特征信号进行了小波变换得到小波尺度系数图谱并进行图谱融合，采用改进生成对抗网络实现样本集的扩充，构建了基于VGG16的智能诊断模型。研究结果表明，采用该方法可使合闸图谱的诊断准确率达到99.3%，分闸图谱的诊断准确率达到98.4%，提高了识别的准确率。