高压断路器是电力系统中重要的保护元件,具有动作频繁,运行环境复杂的特点,它的可靠性研究一直是国内外研究的热点之一。研究机构对于高压断路器的故障诊断方面进行了大量的研究,本论文总结了国内外高压断路器故障诊断的研究成果,在此基础上提出多信息融合故障诊断算法,并提出基于权值训练的故障诊断算法对多信息融合故障诊断算法进行改进。本论文结合人工智能技术进一步提出基于深度学习自编码器的故障诊断算法,并建立软硬件平台进行实验验证。本论文首先介绍了断路器的结构及工作过程,对常见的断路器故障进行分析。为给故障诊断算法提供数据支持,对典型状态下两个振动传感器以及一个线圈电流传感器信号进行采集。本论文对传感器型号等硬件设备进行选择,并搭建软件平台,然后在高压断路器上安装传感器,对断路器进行状态模拟。由实验人员操作断路器,并对运行数据进行采集与保存。本论文提出多信息融合高压断路器故障诊断算法,使用小波变换对传感器信号进行去噪,然后使用小波包算法分析降噪信号,从中提取出代表信号特征的向量。然后使用已采集的信号建立包含典型特征向量的故障库,并与特征向量做相似度分析得到各传感器特征向量对于故障库中各状态的故障隶属度,最终使用D-S证据理论对各传感器的隶属度进行融合,得到故障诊断结果。为解决D-S证据理论中存在的证据冲突问题,提出基于权值训练的加权信息融合故障诊断算法,使用神经网络建立权值计算模型,建立传感器信号与不同状态类别之间的联系。同时,本论文提出神经网络数据预处理算法以及建立网络训练规则对权值进行训练,使用权值得到加权证据并进行信息融合,以达到减少证据矛盾,提高故障诊断准确率的目的。在此基础上,综合考虑到小波包变换造成的故障信息丢失,本论文提出基于深度学习自编码器的多信息智能融合故障诊断系统,使用深度自编码器对信号高阶特征进行提取,尽可能保留故障信息,再将特征输入Softmax分类器,分类器输出故障诊断结果。本论文使用随机梯度下降等算法进行深度神经网络训练得到故障诊断系统,随后进行现场实验验证故障诊断算法有效性。