电力系统是国家能源体系的核心,其能否安全运行关系到国家的战略安全,而高压断路器作为电力系统中重要的电气设备之一,对电力系统安全可靠运行有着重要影响。因此,如何高效准确的对高压断路器进行故障诊断是当今电力系统安全性研究的重要问题之一。高压断路器发生的大多数故障属于机械故障,振动信号能够对高压断路器的运行状态进行全面反映,以高压断路器振动信号作为研究对象展开机械故障诊断研究成为了主要方向。本文通过对高压断路器振动信号进行特征提取方法和分类识别算法两个方面的研究,实现快速、准确的对高压断路器机械故障进行识别与诊断。首先,在高压断路器国内外相关诊断技术研究的基础上,以LW9-72.5型高压断路器为对象,介绍了高压断路器的基本结构与常见故障机理,基于此,选用合适的加速度传感器和信号采集装置对高压断路器振动信号进行采集,利用小波包分解变换方法,从采集到的振动信号中提取小波包节点熵值与相对能量值作为故障诊断的特征向量;然后,针对高维特征数据集会带来大量冗余信息、影响分类效果等问题,采用核熵成分分析方法对高维特征数据集进行降维,该方法能够保持原始数据的整体流行结构并使其具备一定的区分能力,便于后续的分类识别处理;最后,针对高压断路器机械故障数据不易收集导致的数据不均衡问题,提出一种改进支持向量数据描述算法建立高压断路器机械故障诊断分类器。该算法在传统支持向量数据描述算法的基础上加入惩罚因子,使其能够同时考虑两类样本对分类边界的影响,让分类算法形成的分类界面向两类样本中间靠拢,泛化性能大大增强。基于改进支持向量数据描述算法的高压断路器机械故障诊断方法在仿真中的结果表明,该方法能够克服传统方法对训练样本依赖过高、检测范围不足、无法对新型故障进行有效识别等问题,实现高效的对高压断路器运行状况、故障类型进行分类识别,有效提高了高压断路器机械故障诊断的准确性,保证了设备本身及电力系统的正常运行。该方法适合用于高压断路器故障诊断的生产实践中。