CN104713714A - 一种基于网格多密度聚类的高压断路器动作特性分析方法 - Google Patents

Abstract

一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征是,首先对断路器运动过程中采集到的电信号、视频信号、振动信号、声波信号抽取特征指标，然后采用主元分析法对原始特征空间进行降维处理，再利用网格多密度聚类算法对新的特征向量进行聚类分析，评估断路器的健康状态，最后根据断路器状态与特征向量之间的紧密度关系给特征向量重新确定权重，建立具有反馈能力的故障诊断方法。本发明的有益效果是避免现场不同断路器安装传感器夹具不通用的问题，这是对于断路器特性检测方法的创新。由断路器操作机构运动特性进而诊断其状态，提高断路器操动可靠性，为状态检修实现奠定基础。

Description

一种基于网格多密度聚类的高压断路器动作特性分析方法

技术领域

本发明属于电力测试技术领域，特别涉及断路器机械特性测试的方法。

背景技术

作为电力系统中重要的一次设备之一，高压断路器一旦发生故障将会危及到整个电力网络的安全，不可避免会带来巨大的经济损失。因此，高压断路器的健康状况已成为业界关注的焦点，及时、准确地诊断出断路器故障、快速地查出故障原因，从而有依据的进行检修，具有非常重要的意义。据统计，断路器拒动、误动、慢分和三相不同期等机械故障造成恶性事故占总事故的80％以上，而且断路器主要故障为操动机构故障，本质上由于断路器的操动机构的特征参数发生了变化，对这些参数进行详尽准确的分析，可以对断路器状态有清晰的了解。然而高压断路器操动机构的运动状态获取非常复杂，当出现某一种故障时，其机构的状态特征可能很多，同时，当机构的某一状态特征发生改变时，其引起的故障原因也可能不唯一。通常仅依靠检修人员经验，常采用的是信号比较法，在准确判断故障及类型上存在大量难题，远远不能满足优化状态检修(Optimized Condition Based Maintenance，OCBM)现场需要。

目前，对高压断路器的动作特性分析研究主要非为两大类：一类是采用振动信号进行断路器的特征分析；一类是采用声音信号进行断路器的特征分析。高压断路器的动作振动信号一般是由多个瞬时非平稳信号振动事件叠加而成，不同振动波的起始时刻、幅值、频率、衰减指数代表了断路器内部振动的基本特征，为了获取这些特征首先对断路器每次动作的振动信号进行采集，再利用傅里叶变换、小波变换、短时能量法、小包分解、经验模态分解等时频分析方法进行处理。分析高压断路器声音信号的变化能够发现传动机构卡涩、润滑不足等故障，通常采用的方法是双谱分析、希尔伯特-黄变换分析等方法。振动信号和声音信号包含了高压断路器运行中的隐患或故障信息，对其进行分析可对断路器的机械故障进行一定的分析，但测试环境中的各种干扰同时会影响信号分析结果，需要对断路器进行多方位、多角度特别是非接触式的分析。

发明内容

本发明采用主元分析和网格多密度聚类相结合的方法对断路器运动状态进行评估，利用数字图像处理和数字信号处理技术获取断路器传动部件的运动轨迹，实现对高压断路器机械运动的非接触式测量和分析，融合断路器运动过程中的振动信号、声音信号以及电信号等多种特征，提出了一种四位一体的断路器健康状态评估新方法，为诊断分析和评估断路器状态提供依据和检测手段。采用的非接触手段进行监测、测试系统故障和检修不影响断路器的操作和正常运行，缩短了高压断路器测试时间，提高了测试自动化水平及断路器设备的运行可靠性。本发明所采用方法适用于各类高压断路器的动作特性分析。

实现本发明的技术方案是：

一种基于网格多密度聚类的高压断路器动作特性分析方法，本发明特征是,首先对断路器运动过程中采集到的电信号、视频信号、振动信号、声波信号抽取特征指标，然后采用主元分析法对原始特征空间进行降维处理，再利用网格多密度聚类算法对新的特征向量进行聚类分析，评估断路器的健康状态，最后根据断路器状态与特征向量之间的紧密度关系给特征向量重新确定权重，建立具有反馈能力的故障诊断方法；步骤如下：第一步，采用图像处理技术，获取在高压断路器动作时机械参数，融合振动信号、声波信号以及电信号，对各种信号进行分析处理，获取所需的特征向量；第二步，将获取的特征向量经主元分析法选定d个主要特征向量构成d维数据空间；第三步，将由断路器运动参数构成的d维数据空间的每一维划分为k个不相交的区间段，而且每个区间都是左闭右开的等长段，形成kd个网格单元；第四步，对划分好的kd个网格单元进行初始化，将所有的断路器运动参数样本进行扫描并将这些数据集中的点映射到网格数据空间中，计算每个网格单元中断路器样本数据的数目，通过计算比较选取网格单元中数据样本个数的最大值；第五步，调用密度阈值处理方法，计算阈值MinPts；第六步，逐个检查每一个网格单元,若某个网格单元中样本的个数大于MinPts，则标记该单元为高密度单元，否则标记该单元为低密度单元；第七步，对所有已标记的高密单元进行聚类即相邻高密单元合并，若低密度单元邻接高密度单元也进行并入高密度单元聚类,若低密度单元邻接的是低密度单元则单独作为一类，统计经聚类后类的个数，若类的个数不满足需求则修改密度阈值MinPts，继续聚类；第八步，对于新的断路器运动参数样本特征向量，利用相邻相似性对新的样本进行类别判断，评估断路器的故障类型；第九步，根据新的聚类结果修改各个特征指标权重，为下一次聚类做好准备。

本发明采用非接触传感技术捕获高压断路器运动特征参数(是一种非接触式的测量方法)。

本发明采用将视频信号、振动信号、声波信号以及振动信号进行融合即四位一体的诊断方法，对高压断路器的特征向量进行故障诊断。

本发明采用网格多密度聚类算法对视频、声音、振动以及分、合闸线圈的电信号等特征进行聚类分析，提取出了能够反映断路器动作特性和适合高压断路器分级特征的参数；网格多密度聚类算法不仅可以有效地处理孤立点数据，自适应的密度阈值能够较好地满足用户的多级分类需求。

本发明运用欧几里德距离判定断路器运动参数样本的新样本与已有类别中样本的平均相似度，从而确定新样本的类别。

本发明根据聚类结果修正指标权重，建立集电、声、振动和图像为一体的断路器测试与机械特征分析的自反馈系统。

本发明的有益效果是采用高速、高分辨率的CCD传感器用于分析动触头运动，测试精度和速度大大提高，且是一种非接触式测量方法，避免现场不同断路器安装传感器夹具不通用的问题，这是对于断路器特性检测方法的创新。由断路器操作机构运动特性进而诊断其状态，提高断路器操动可靠性，为状态检修实现奠定基础。

附图说明

图1高压断路器示意图；

图2系统整体结构框图；

图3电信号；

图4三路振动信号；

图5两路声音信号；

图6网格多密度聚类算法流程图；

表1弹簧操动机构故障；

表2断路器动作特性评估指标。

由图1可见，在高压断路器的操动过程中，需要依靠操动能源系统和传动系统的合作来完成动触头的分合功能，在运动过程中会产生包含断路器运行状态信息的多种信号，例如振动、声音、电流、动触头运动轨迹，运动过程等。信号随着机械状态的改变而改变，通过分析这些信号可以评估断路器动作特性，从而实现其特性的分析。

表1弹簧操动机构故障

根据高压断路器动作过程中产生的信号，设计出系统整体结构框图如图2所示。

根据系统整体结构分别获取各个方面的分析指标如表2所示：

表2断路器动作特性评估指标

具体实施方式

一种基于网格多密度聚类的高压断路器动作特性分析方法，本发明特征是,首先对断路器运动过程中采集到的电信号、视频信号、振动信号、声波信号抽取特征指标，然后采用主元分析法对原始特征空间进行降维处理，再利用网格多密度聚类算法对新的特征向量进行聚类分析，评估断路器的健康状态，最后根据断路器状态与特征向量之间的紧密度关系给特征向量重新确定权重，建立具有反馈能力的故障诊断方法；步骤如下：第一步，采用图像处理技术，获取在高压断路器动作时机械参数，融合振动信号、声波信号以及电信号，对各种信号进行分析处理，获取所需的特征向量；第二步，将获取的特征向量经主元分析法选定d个主要特征向量构成d维数据空间；第三步，将由断路器运动参数构成的d维数据空间的每一维划分为k个不相交的区间段，而且每个区间都是左闭右开的等长段，形成kd个网格单元；第四步，对划分好的kd个网格单元进行初始化，将所有的断路器运动参数样本进行扫描并将这些数据集中的点映射到网格数据空间中，计算每个网格单元中断路器样本数据的数目，通过计算比较选取网格单元中数据样本个数的最大值；第五步，调用密度阈值处理方法，计算阈值MinPts；第六步，逐个检查每一个网格单元,若某个网格单元中样本的个数大于MinPts，则标记该单元为高密度单元，否则标记该单元为低密度单元；第七步，对所有已标记的高密单元进行聚类即相邻高密单元合并，若低密度单元邻接高密度单元也进行并入高密度单元聚类,若低密度单元邻接的是低密度单元则单独作为一类，统计经聚类后类的个数，若类的个数不满足需求则修改密度阈值MinPts，继续聚类；第八步，对于新的断路器运动参数样本特征向量，利用相邻相似性对新的样本进行类别判断，评估断路器的故障类型；第九步，根据新的聚类结果修改各个特征指标权重，为下一次聚类做好准备。

本发明采用非接触传感技术捕获高压断路器运动特征参数(是一种非接触式的测量方法)。

本发明采用将视频信号、振动信号、声波信号以及振动信号进行融合即四位一体的诊断方法，对高压断路器的特征向量进行故障诊断。

本发明采用网格多密度聚类算法对视频、声音、振动以及分、合闸线圈的电信号等特征进行聚类分析，提取出了能够反映断路器动作特性和适合高压断路器分级特征的参数；网格多密度聚类算法不仅可以有效地处理孤立点数据，自适应的密度阈值能够较好地满足用户的多级分类需求。

本发明运用欧几里德距离判定断路器运动参数样本的新样本与已有类别中样本的平均相似度，从而确定新样本的类别。

本发明根据聚类结果修正指标权重，建立集电、声、振动和图像为一体的断路器测试与机械特征分析的自反馈系统。

以下结合图1、图2及表2进一步说明基于网格多密度聚类的高压断路器动作特性分析方法，本方法首先对断路器运动过程中采集到的电信号、视频信号、振动信号、声音信号抽取特征指标，然后采用主元分析法对原始特征向量空间进行降维处理，再利用网格多密度聚类算法对新特征向量进行聚类分析，评估断路器动作特性并分析其健康状态，最后根据高压断路器特性与特征向量之间的紧密度关系给特征向量重新确定权重，建立具有反馈能力的故障诊断方法。具体过程如下：

第一步，当图1所示高压断路器发生动作时，采用搞清摄像机捕获高压断路器运动过程并跟踪其运动轨迹获取运动相关参数，通过各种采集卡获取高压断路器动作时的振动信号、声音信号以及电信号，图3-图5分别表示高压断路器合闸时的电信号、振动信号以及声音信号。

第二步，对各种信号进行分析处理，获取表2中所需的特征向量；

第三步，将获取的特征向量经主元分析法选定d个主要特征向量构成d维数据空间；

第四步，将由断路器运动参数构成的d维数据空间的每一维划分为k个不相交的区间段，而且每个区间都是左闭右开的等长段，形成kd个网格单元；

第五步，对划分好的kd个网格单元进行初始化，将所有的断路器运动参数样本进行扫描并将这些数据集中的点映射到网格数据空间中，计算每个网格单元中断路器样本数据的数目，通过计算比较选取网格单元中数据样本个数的最大值；

第六步，调用密度阈值处理方法，计算阈值MinPts；

第七步，逐个检查每一个网格单元,若某个网格单元中样本的个数大于MinPts，则标记该单元为高密度单元，否则标记该单元为低密度单元；

第八步，对所有已标记的高密单元进行聚类即相邻高密单元合并，若低密度单元邻接高密度单元也进行并入高密度单元聚类,若低密度单元邻接的是低密度单元则单独作为一类，统计经聚类后类的个数，若类的个数不满足需求则修改密度阈值MinPts，继续聚类；

第九步，对于新的断路器运动参数样本特征向量，利用相邻相似性对新的样本进行类别判断，评估断路器的动作特性；

第十步，根据新的聚类结果修改各个特征指标权重，为下一次聚类做好准备。

采用网格多密度的聚类算法进行断路器动作特性分析，运用网格技术可以提高聚类的速度，孤立点的处理方法可以提高聚类的精度，密度阈值的自适应可以保证用户分类需求，适合于高压断路器的多级动作特性分析。

基于网格多密度聚类算法的高压断路器动作特性分析流程如图6所示。

基于网格多密度聚类算法的主要步骤为:

(l)网格单元初始化

设A＝{D₁，D₂，…,D_n}是n个有界定义域，那么S＝D₁×D₂×…D_n就是一个n维空间，这里将D₁,D₂,…,D_n看成是S的维(属性或字段)。

算法的输入是一个n维空间的点集，设为V＝{V₁，V₂，…V_n},其中V_i＝{V_i1,V_i2,…,V_in}，V_i的第j个分量V_ij∈D_j。

通过输入参数k将空间的每一维分成相同的k个区间，从而将整个空间分成有限个互不相交的类矩形单元，每个这样的矩形单元可以描述为{u₁,u₂,…,u_n},其中u_i＝[l_i,h_i)一个前开后闭区间。

(2)网格单元中数据点数

一个v＝{v₁，v₂，…，v_d}落入一个区间u＝{u₁,u₂,…,u_d},当且仅当对于每一个u_i都有l_i≤v_i＜h_i成立。

设第i维上的值在区间[l_i,h_i]中，i＝1,2,…,d，则S＝[l₁,h₁]×[l₂,h₂]×…×[l_d,h_d]就是d维数据空间。网格单元在第i维上的长度为δ_i＝(h_i-l_i)/kx，第i维上的第j个区间段可由I_ij＝((l_i+(j-1)*δ_i),(l_i+j*δ_i))，j＝1,2,…,k得出。

(3)计算密度阈值

扫描每个网格单元,找出网格单元中的点数的最大值，记为grid_max p，同时，令MinPts＝grid max p。令故MinPts的初始值为：MinPts＝MinPts-T。若聚类结果达不到满意效果时可修改密度阈值MinPts，使MinPts＝MinPts-T。

(4)高密度单元聚类

高密度网格单元的聚类最终是聚类在d维空间中由一些连通的密集单元格组成的连通分支。两个d维中的单元格u₁，u₂称为连通的(connected)当且仅当：这两个单元格有一个公共的面；u₁，u₂都跟另一个单元格u₃连通。

两个单元格u₁＝{R_t1,R_t2,…,R_td}，u₂＝{R_t'₁,R_t'₂,…,R_t'_d}有一个公共面是指，存在d-1个维度(设这k-1维就是t₁,t₂,…,t_d-1)，有R_tj＝R_t'_j成立(j＝1,2,…,d-1)，并且对第t_d维有h_td＝l_t'_d，或者h_t'_d＝l_td成立。

(5)平均相似度

数据样本X是由d个属性值组成：X＝(x₁,x₂,…,x_d)，其中x_i表示样本中的各属性，d是样本或样本空间的维数。数据样本集记为{X₁,X₂,…,X_n}，第i个样本记为X_i＝{x_i1,…,x_id}，则每类里面个样本构成样本集的数据矩阵为：

$\left[\begin{array}{ccccc}{x}_{11}& ...& x_{1f}& ...& x_{1d}\\ ...& ...& ...& ...& ...\\ x_{i1}& ...& x_{\mathrm{if}}& ...& x_{\mathrm{id}}\end{array}\right]$

设某类里面含有的样本个数是N个，则样本的平均属性值为：

$\stackrel{\‾}{X}=\frac{1}{N}(\mathrm{\Σ}{x}_{i1},\mathrm{\Σ}{x}_{i2},...,\mathrm{\Σ}{x}_{\mathrm{id}}).$

应用欧几里德距离定义新样本X_i＝{x_i1,…,x_id}与第j类样本相似度为：

$d(X_i,\stackrel{\‾}{X_j})={\left(\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-\stackrel{\‾}{x_{\mathrm{jk}}})}^2\right)}^{1/2}.$

Claims (6)

1.一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征是,首先对断路器运动过程中采集到的电信号、视频信号、振动信号、声波信号抽取特征指标，然后采用主元分析法对原始特征空间进行降维处理，再利用网格多密度聚类算法对新的特征向量进行聚类分析，评估断路器的健康状态，最后根据断路器状态与特征向量之间的紧密度关系给特征向量重新确定权重，建立具有反馈能力的故障诊断方法；步骤如下：第一步，采用图像处理技术，获取在高压断路器动作时机械参数，融合振动信号、声波信号以及电信号，对各种信号进行分析处理，获取所需的特征向量；第二步，将获取的特征向量经主元分析法选定d个主要特征向量构成d维数据空间；第三步，将由断路器运动参数构成的d维数据空间的每一维划分为k个不相交的区间段，而且每个区间都是左闭右开的等长段，形成kd个网格单元；第四步，对划分好的kd个网格单元进行初始化，将所有的断路器运动参数样本进行扫描并将这些数据集中的点映射到网格数据空间中，计算每个网格单元中断路器样本数据的数目，通过计算比较选取网格单元中数据样本个数的最大值；第五步，调用密度阈值处理方法，计算阈值MinPts；第六步，逐个检查每一个网格单元,若某个网格单元中样本的个数大于MinPts，则标记该单元为高密度单元，否则标记该单元为低密度单元；第七步，对所有已标记的高密单元进行聚类即相邻高密单元合并，若低密度单元邻接高密度单元也进行并入高密度单元聚类,若低密度单元邻接的是低密度单元则单独作为一类，统计经聚类后类的个数，若类的个数不满足需求则修改密度阈值MinPts，继续聚类；第八步，对于新的断路器运动参数样本特征向量，利用相邻相似性对新的样本进行类别判断，评估断路器的故障类型；第九步，根据新的聚类结果修改各个特征指标权重，为下一次聚类做好准备。

2.根据权利要求1所述的一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征在于：采用非接触传感技术捕获高压断路器运动特征参数。

3.根据权利要求1所述的一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征在于：采用将视频信号、振动信号、声波信号以及振动信号进行融合即四位一体的诊断方法，对高压断路器的特征向量进行故障诊断。

4.根据权利要求1所述的一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征在于：采用网格多密度聚类算法对视频、声音、振动以及分、合闸线圈的电信号等特征进行聚类分析，提取出了能够反映断路器动作特性和适合高压断路器分级特征的参数；网格多密度聚类算法不仅可以有效地处理孤立点数据，自适应的密度阈值能够较好地满足用户的多级分类需求。

5.根据权利要求1所述的一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征在于：运用欧几里德距离判定断路器运动参数样本的新样本与已有类别中样本的平均相似度，从而确定新样本的类别。

6.根据权利要求1所述的一种基于网格多密度聚类的高压断路器动作特性分析方法，其特征在于：根据聚类结果修正指标权重，建立集电、声、振动和图像为一体的断路器测试与机械特征分析的自反馈系统。