CN104237777A - 基于核主元分析的支持向量机高压断路器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于核主元分析的支持向量机高压断路器故障诊断方法，包括如下步骤：(1)采集高压断路器的分合闸线圈电流曲线作为故障诊断的数据库，包括高压断路器在正常运行时的数据和高压断路器在异常运行时的数据；(2)基于高压断路器在正常运行时的数据，建立核主元分析的模型；(3)基于核主元分析的模型，检测异常数据样本；(4)运用支持向量机进行故障诊断。本发明提高了故障诊断算法的抗干扰能力，在干扰强度达到30％的情况下，诊断准确度依然可以保持在90％以上。因此，它有效地提高了高压断路器故障诊断的效率以及准确率，对于电网的安全、可靠、稳定运行具有非常重要的现实意义。

Description

基于核主元分析的支持向量机高压断路器故障诊断方法

技术领域

本发明涉及一种基于核主元分析的支持向量机高压断路器故障诊断方法，是一种非线性故障诊断方法。

背景技术

随着电力系统电压等级的提高与装机容量的增大，用户对供电质量和供电可靠性提出了越来越高的要求，这给电力设备的在线监测与故障诊断提出了越来越高的要求。高压断路器作为电力系统中重要的保护与控制设备，保证其正常工作是确保电网安全稳定运行的基础。

最初，人们对断路器进行检修的方式是在故障发生以后再进行检修，也叫事故检修，这种检修方式对电网的稳定运行有较大的影响。后来逐渐发展为固定时间进行预防性的定期检修。定期的检修和维护虽然可以减少和防止一些事故的发生，但是仍然对电网存在一定的影响。比如，在进行维修检查时，需要切断电源，对断路器进行撤装，在停电的状态下对其进行监测，这跟断路器正常挂网运行时有所区别，所检测的数据会有一定的影响，不能准确说明问题。目前“状态维修”的概念逐渐流行起来。状态维修技术是根据先进的状态检测技术及故障诊断技术，提供设备的状态信息，并对设备的运行状况进行判断，使得我们可以在故障发生之前对设备进行预防性的检修。

30多年来，高压断路器的故障诊断技术经历了一个从简单信号测量到人工智能、人机协作的发展过程。最初的诊断方法是直接测量系统的I/O信号，通过信号变化是否超限确定系统是否发生了故障。当某一表征信号与正常情况有差别时，就有可能发生了故障，但对故障类型和部位还需要经验加以分析。然后，发展为对信号进行一些简单的处理，得到信号的相关特征量，例如变化率、系统效率等，从而可以使得系统的诊断功能得到一定程度的改善。

总之，目前对该领域的研究还处于初级阶段。在实际应用中，受到多方面的影响，包括：一、难以建立精确的数学模型；二、对系统结构和参数的不确定性、时变性等缺乏充分的认识和了解；三、干扰和噪声造成的影响，故障诊断算法的准确度并不高，无法满足智能电网对高压断路器故障诊断提出的实时性与可靠性的要求。因此，如何发明一种具有较高精度与可靠度的高压断路器故障诊断算法成为亟需解决的课题。

发明内容

本发明主要是解决现有技术所存在的技术问题，从而提供一种能够准确地对高压断路器的故障进行模式分类，避免了不必要的检修，有效地提高了电力系统的经济性、可靠性、安全性、经济性的基于核主元分析的支持向量机高压断路器故障诊断方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于核主元分析的支持向量机高压断路器故障诊断方法，其特征在于：包括如下步骤：

(1)采集高压断路器的分合闸线圈电流曲线作为故障诊断的数据库，包括高压断路器在正常运行时的数据和高压断路器在异常运行时的数据；

(2)基于高压断路器在正常运行时的数据，建立核主元分析的模型；

(3)基于核主元分析的模型，检测异常数据样本；

(4)运用支持向量机进行故障诊断。

更优的是，所述的步骤(1)中，高压断路器的分合闸线圈电流通过霍尔电流传感器进行采集。

更优的是，所述的步骤(2)中，核主元分析模型的建立包括如下步骤：

(21)采集高压断路器在正常运行时的数据，根据采集到的数据建立训练样本数据矩阵X_m×n，第i个训练样本数据为x_i；

(22)选取核函数和核参数，计算训练样本数据矩阵的核矩阵K，对核矩阵K进行中心化处理得到K′；

(23)计算K′的协方差矩阵，计算所述的协方差矩阵的特征值λ_i以及特征向量p_i；

(24)对特征值λ_i按降序排列，得到λ′₁＞λ′₂＞L＞λ′_n，赋值λ_i＝λ′_i；对特征向量p_i进行正交化处理，得到p′₁，p′₂，L，p′_n，赋值p_i＝p′_i；将标准化数据矩阵Z_m×n分解为n个特征向量的外积和其中t_i为主元向量，反映了样本间的相互关联关系；

(25)计算排序后的特征值λ_i的累积贡献率L₁，L₂，L，L_n，根据设定阈值ε，若L_k≥ε，则提取主元向量的个数k；

(26)计算统计量SPE的值并确定置信限。

更优的是，所述的步骤(3)中，异常数据样本的检测过程为：首先重新采集高压断路器运行过程中的数据，根据采集到的数据建立测试样本数据矩阵；然后采用与步骤(2)相同的方法，对测试样本数据矩阵计算核矩阵，直至计算出统计量的值；最后将计算出的统计量SPE的值与步骤(26)得到的置信限进行比较，若超过则判断为发生故障，否则正常。

更优的是，所述的步骤(26)中：

计算统计量SPE的值为

$\mathrm{SPE}\left(i\right)=e_i{e}_i^T=Z_i(I-P_k{P}_k^T)Z_i^T$

其中，e_i为误差矩阵向量，Z_i为标准化数据矩阵向量，P_k＝[p₁，p₂，L，p_k]为正交化处理后的前k个特征向量，

确定置信限为

${\mathrm{SPE}}_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}+1]}^{\frac{1}{h_0}}$

其中

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i(i=\mathrm{1,2,3})$

$h_0=1-\frac{{2\mathrm{\θ}}_1{\mathrm{\θ}}_3}{{3\mathrm{\θ}}_2^2}$

C_α为正态分布在检验水平α下的临界值。

综上所述，本发明的基于核主元分析的支持向量机高压断路器故障诊断方法的优点是：本发明提供的基于核主元分析的支持向量机高压断路器故障诊断方法，能够迅速、准确地对高压断路器的故障进行识别，与现有的方法相比，它大大提高了故障诊断算法的抗干扰能力；在干扰强度达到30％的情况下，诊断准确度依然可以保持在90％以上；本发明的算法具有较强的鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的实现流程图；

图2为高压断路器合闸线圈电流典型曲线；

图3为合闸故障参数t₁异常数据检测SPE图；

图4为合闸故障参数t₂异常数据检测SPE图；

图5为分闸故障参数i₁异常数据检测SPE图；

图6为分闸故障参数i₂异常数据检测SPE图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本发明的基于核主元分析的支持向量机高压断路器故障诊断方法的优点是：能够准确地对高压断路器的故障进行模式分类，避免了不必要的检修，有效地提高了电力系统的经济性、可靠性、安全性、经济性。

如图1所示为一种基于核主元分析的支持向量机高压断路器故障诊断方法，下面就各个步骤加以具体说明。

步骤一、利用霍尔电流传感器采集高压断路器的分合闸线圈电流曲线作为故障诊断的数据库，包括高压断路器在正常运行时的数据和高压断路器在异常运行时的数据。

由于断路器分合闸线圈电流信号易于采集，且特征明显，利用其可以判断断路器分合闸过程中的大量信息，能够反映断路器控制回路的许多故障类型，本发明选择分合闸线圈电流作为特征提取的对象，典型的电流波形如图2所示。

典型的合线圈电流曲线基本可以分为5个阶段：

第一阶段：t₀～t₁，t₀时刻合闸信号到来，电流上升，至t₁时刻铁心开始运动；

第二阶段：t₁～t₂，铁心运动，电流下降至t₂时刻，铁心接触操动机构搭扣；

第三阶段：t₂～t₃，由于搭扣阻碍铁心停止，电流再次上升；

第四阶段：t₃～t₄，电流达到稳态；

第五阶段：t₄～t₅，搭扣分开，铁心再次运动，电流再次下降，至t₅时刻为零。

本文中故障诊断算法以断路器合闸线圈电流参数{i₁，i₂，i₃}与时间参数{t₁，t₂，t₃，t₄，t₅}共8个参数作为特征值构造特征空间，并假定t₀＝0作为参照点计算时间参数，分闸情况下特征值类似，由于第四阶段不明显，所以采用4个时间特征量，3个电流特征量，以下不再说明。

步骤二、基于高压断路器在正常运行时的数据，建立核主元分析的模型。

(1)采集高压断路器在正常运行时的数据，根据采集到的数据建立训练样本数据矩阵X_m×n，第i个训练样本数据为x_i；通过非线性映射将x_i从输入空间映射到高维特征空间：同时对其进行标准化处理。

(2)高维特征空间中输入标准化数据矩阵Z_m×n的协方差矩阵表示为

(3)通过COV(Z)P_i＝λ_ip_i计算COV(Z)的特征值λ_i与特征向量p_i；对特征值λ_i按降序排列，得到λ′₁＞λ′₂＞L＞λ′_n，赋值λ_i＝λ′_i；对特征向量p_i进行正交化处理，得到p′₁，p′₂，L，p′_n，赋值p_i＝p′_i；将标准化数据矩阵Z_m×n分解为n个特征向量的外积和其中t_i为主元向量，反映了样本间的相互关联关系。

(4)计算排序后的特征值λ_i的累积贡献率L₁，L₂，L，L_n，根据设定阈值ε，若L_k≥ε，则提取主元向量的个数k；

(5)在公式COV(Z)p_i＝λ_ip_i两边同时对每个数据样本做内积，可以得到：

(6)定义核矩阵则可以得到：

其中，α_i为线性系数。

(7)利用K′＝K-I_mK-KI_m+I_mKI_m对核矩阵进行中心化处理，其中

$I_m=\frac{1}{m}\left[\begin{array}{ccc}1& L& 1\\ M& L& M\\ 1& L& 1\end{array}\right].$

(8)通过计算统计量SPE的值，其中，e_i为误差矩阵向量，Z_i为标准化数据矩阵向量，P_k＝[p₁，p₂，L，p_k]为正交化处理后的前k个特征向量，

它的置信限可表示为

${\mathrm{SPE}}_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}+1]}^{\frac{1}{h_0}}$

其中

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i(i=\mathrm{1,2,3})$

$h_0=1-\frac{{2\mathrm{\θ}}_1{\mathrm{\θ}}_3}{{3\mathrm{\θ}}_2^2}$

C_α为正态分布在检验水平α下的临界值。

步骤三、基于核主元分析的模型，检测异常数据样本。

首先重新采集高压断路器运行过程中的数据，根据采集到的数据建立测试样本数据矩阵；然后采用与步骤(2)相同的方法，对测试样本数据矩阵计算核矩阵，直至计算出统计量SPE的值；最后将计算出的统计量SPE的值与步骤(26)得到的置信限进行比较，若超过则判断为发生故障，否则正常。

步骤四、运用支持向量机进行故障诊断。

下面通过一个实施例对本发明做进一步的说明。

1、合闸故障实例分析

本发明以VBM5-12型弹簧操动机构真空断路器作为试验样机，开发断路器在线监测与故障诊断系统装置，通过故障模拟实验采集故障数据构建故障样本空间。故障数据类型包括铁心卡涩，操动机构卡涩，线圈电压过低，铁心空行程过长等控制回路主要故障类型。其中，断路器合闸故障类型与相关参数之间有着较为紧密的联系，其基本关系如表1所示。

表1：合闸故障与相关参数的对应关系

本发明首先采集了40组正常工作状态下合闸数据作为核主元模型训练样本，建立核主元分析模型。采集合闸故障测试样本数据集作为合闸故障数据异常检测测试样本，利用核主元分析方法进行异常数据样本的检测。最后运行支持向量机进行故障诊断。以特征量t1、t2为例，展示了合闸故障SVM训练样本SPE图，如图3、图4所示。

KPCA异常数据检测结果及其所对应的故障类型与表1相一致。这表明通过KPCA方法进行合闸异常故障数据监测具有较高的准确性与针对性。

2、分闸故障实例分析

断路器分闸故障类型与相关参数之间有着较为紧密的联系，其基本关系如下表2所示。与合闸故障分析的方法相似，对分闸故障进行分析。以特征量i₁、i₂为例，展示了分闸故障SVM训练样本SPE图，如图5、图6所示。

表2：合闸故障与相关参数的对应关系

KPCA异常数据检测结果及其所对应的故障类型与表2相一致。这表明通过KPCA方法进行分闸异常故障数据监测具有较高的准确性与针对性。

以上仅仅以一个实施方式来说明本发明的设计思路，在系统允许的情况下，本发明可以扩展为同时外接更多的功能模块，从而最大限度扩展其功能。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (5)

1.一种基于核主元分析的支持向量机高压断路器故障诊断方法，其特征在于：包括如下步骤：

(1)采集高压断路器的分合闸线圈电流曲线作为故障诊断的数据库，包括高压断路器在正常运行时的数据和高压断路器在异常运行时的数据；

(2)基于高压断路器在正常运行时的数据，建立核主元分析的模型；

(3)基于核主元分析的模型，检测异常数据样本；

(4)运用支持向量机进行故障诊断。

2.根据权利要求1所述的基于核主元分析的支持向量机高压断路器故障诊断方法，其特征在于：所述的步骤(1)中，高压断路器的分合闸线圈电流通过霍尔电流传感器进行采集。

3.根据权利要求1所述的基于核主元分析的支持向量机高压断路器故障诊断方法，其特征在于：所述的步骤(2)中，核主元分析模型的建立包括如下步骤：

(21)采集高压断路器在正常运行时的数据，根据采集到的数据建立训练样本数据矩阵X_m×n，第i个训练样本数据为x_i；

(22)选取核函数和核参数，计算训练样本数据矩阵的核矩阵K，对核矩阵K进行中心化处理得到K′；

(23)计算K′的协方差矩阵，计算所述的协方差矩阵的特征值λ_i以及特征向量p_i；

(24)对特征值λ_i按降序排列，得到λ′₁＞λ′₂＞L＞λ′_n，赋值λ_i＝λ′_i；对特征向量p_i进行正交化处理，得到p′₁，p′₂，L，p′_n，赋值p_i＝p′_i；将标准化数据矩阵Z_m×n分解为n个特征向量的外积和其中t_i为主元向量，反映了样本间的相互关联关系；

(25)计算排序后的特征值λ_i的累积贡献率L₁，L₂，L，L_n，根据设定阈值ε，若L_k≥ε，则提取主元向量的个数k；

(26)计算统计量SPE的值并确定置信限。

4.根据权利要求3所述的基于核主元分析的支持向量机高压断路器故障诊断方法，其特征在于：所述的步骤(3)中，异常数据样本的检测过程为：首先重新采集高压断路器运行过程中的数据，根据采集到的数据建立测试样本数据矩阵；然后采用与步骤(2)相同的方法，对测试样本数据矩阵计算核矩阵，直至计算出统计量的值；最后将计算出的统计量SPE的值与步骤(26)得到的置信限进行比较，若超过则判断为发生故障，否则正常。

5.根据权利要求3所述的基于核主元分析的支持向量机高压断路器故障诊断方法，其特征在于：所述的步骤(26)中：

计算统计量SPE的值为

$\mathrm{SPE}\left(i\right)=e_i{e}_i^T=Z_i(I-P_k{P}_k^T)Z_i^T$

其中，e_i为误差矩阵向量，Z_i为标准化数据矩阵向量，P_k＝[p₁，p₂，L，p_k]为正交化处理后的前k个特征向量，

确定置信限为

${\mathrm{SPE}}_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}+1]}^{\frac{1}{h_0}}$

其中

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i(i=\mathrm{1,2,3})$

$h_0=1-\frac{{2\mathrm{\θ}}_1{\mathrm{\θ}}_3}{{3\mathrm{\θ}}_2^2}$

C_α为正态分布在检验水平α下的临界值。