CN105868770A - 一种基于非监督学习模型的高压断路器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于非监督学习模型的高压断路器故障诊断方法，包括：获取高压断路器分合闸过程中线圈电流波形并根据该波形获得高压断路器的状态参数；对高压断路器的振动信号进行采样，选择其时间节点t；将高压断路器故障分类并进行编号，作为故障模型辨识系统的输出，将线圈电流、振动信号和时间节点为故障模型辨识系统的输入；将降噪自解码算法作为典型的非监督学习模型，对模型进行训练，采用SVM结构，由降噪自编码算法得到的损失函数，得到断路器故障的回归表达式；根据断路器故障的回归表达式，得到发生故障时的线圈电流数据与故障类型的对应关系，再通过待判定的故障数据来判定故障类型。本发明这种训练优化的过程可以避免局部最优解。

Description

一种基于非监督学习模型的高压断路器故障诊断方法

技术领域

本发明涉及高压断路器故障诊断领域，具体涉及一种基于非监督学习模型的高压断路器故障诊断方法。

背景技术

输变电设备的安全是电网安全运行的基础，对设备状态进行全面、准确的评价、诊断和预测，是输变电设备状态检修和全寿命周期管理的前提条件，是提高供电可靠率及电网运行智能化水平的重要途径，也是智能调度运行的重要依据，可以为电网安全、可靠、经济运行提供有力的技术支撑。

国外开展高压设备状态以及异常状态监测技术的起步研究较早。在20世纪70年代前苏联、日本、美国、德国、加拿大等发达国家在输变电设备带电、在线监测方面进行了较多的探索，首先开拓了在线监测技术研究领域，研制了变压器油中溶解气体，变压器、气体绝缘组合电器(GIS)、高压电缆等的局部放电，电容型设备的介质损耗因素、金属氧化物避雷器的阻性电流、高压电缆的泄漏电流等特性的监测装置。20世纪90年代后，随着传感器、计算机、网络通信等技术的发展，设备状态监测和诊断技术发展迅猛，测量方法也不断改进，监测对象从变电设备逐渐扩展到输电设备，状态信息也日益丰富，同时还出现一些其他通过非电量测量来反映设备状况的测试仪器，如超高频局部放电检测、气相色谱传感器、光纤温度在线测量、红外装置、超声装置等。近年来，欧美日等发达国家非常重视设备建模技术、人工智能技术的应用，在设备智能评价和异常诊断的研究和应用方面明显加快，研究并使用新的诊断工具和方法评价运行中设备的状态、预期使用寿命、风险和维修策略。一些先进的数字信号处理技术和人工智能技术，如数字滤波、神经网络、小波分析、专家系统、模糊诊断、模式识别等，应用于状态评价、预测以及缺陷诊断中，取得了良好的效果，输变电设备的状态监测和评价技术得到迅速发展。

状态和故障预测的核心是特征量的预测，通常将特征量的历史数据输入到预测模型中，得出特征量的发展规律，预测下一时间段特征量的数值，将预测出的数值输入到状态评价模型中进行状态评价，得到的结果即为预测的下一时间段的输变电设备状态。目前用到的相关方法包括时间序列模型、灰色模型、支持向量机回归模型、蒙特卡罗模型等方法。

在电网运行涉及的各种设备中，高压断路器对于保障电网安全运行具有重要作用。所以准确地对断路器故障状态的诊断识别，可以在故障发生的最初时刻诊断出高压断路器的异常状态，从而避免重大事故的发生。

断路器的在线技术开发已得到了足够的重视一些新的理念在不断地被提出。现如今国内外的研究人员主要从这几个方面来着重研究：

(1)基于合闸，分闸的时间，速度来对机械特性进行分析，从而判断断路器缺陷；

(2)断路器的机械振动信号由于振动频率速度的不同反映的信息量很大值得研究；

(3)通过测量静态电阻或者动态电阻来检验触头的磨损情况；

(4)SF6压力测试：

(5)绝缘检测；

(6)人工化的智能软件与计算机数据处理相互结合的自动化系统。

其中，以高压断路器的机械振动信号的特征数据为依据，对高压断路器的特征数据进行分析，从而评判高压断路器机械状态。这种方法是判定高压断路器机械故障的主要方法。目前高压断路器基于振动信号的故障诊断方法有动态时间规整法、支持向量机法、经验模态法、振声联合法等。断路器的振动信号中包含了断路器带病运行和故障信息。而且虽然振动信号分析具有易于测量的优点，但测试环境中的各种干扰同时会影响声波分析结果。且包含非线性、非平稳成分，采用常规的处理方法会大幅降低准确性，甚至产生错误的结论。

当干扰信号与振动信号的振幅和频率基本相似时,传统的监测方法已很难区分两者之间的区别。

对断路器的振动信号进行采样，检测，分析其实是一个难点。首先断路器有着十分复杂的机械结构再加之现场的环境因素存在着不可忽视的噪音干扰,使传感器所监测到的振动信号有着不小的自然误差。事实上断路器的分闸和合闸操作过程中不同程度上都会产生一定数量的振动过程，而且实际的操作中振动信号等参数物理量包括振动信号的弥散、反射和折射等等复杂的变化让监测工作变得更加的困难,有时候当振动信号微乎其微时就更难监测了。

因此，亟需一种新的方法来实现高压断路器的故障诊断。

发明内容

为解决现有技术存在的不足，本发明公开了一种基于非监督学习模型的高压断路器故障诊断方法，本发明将高压断路器故障分类，并进行编号，作为故障模型辨识系统的输出。线圈电流、振动信号和时间节点为故障模型辨识系统的输入，采用降噪自解码算法得到的损失函数，继而得到断路器故障的回归表达式，最终根据断路器故障的回归表达式和故障数据来判定故障类型。支持向量机，英文为Support Vector Machine，简称SVM。

为实现上述目的，本发明的具体方案如下：

一种基于非监督学习模型的高压断路器故障诊断方法，包括以下步骤：

步骤一：获取高压断路器分合闸过程中线圈电流波形并根据该波形获得高压断路器的状态参数；

步骤二：对高压断路器的振动信号进行采样，选择其时间节点t；

步骤三：将高压断路器故障分类并进行编号，作为故障模型辨识系统的输出，将线圈电流、振动信号和时间节点为故障模型辨识系统的输入；

步骤四：将降噪自解码算法作为典型的非监督学习模型，对模型进行训练，采用经典的SVM结构，由降噪自编码算法得到的损失函数，继而得到断路器故障的回归表达式；

步骤五：根据断路器故障的回归表达式，得到发生故障时的线圈电流数据与故障类型的对应关系，再通过待判定的故障数据来判定故障类型。

进一步的，在步骤一中，根据该波形获得高压断路器的状态参数包括铁芯行程、铁芯卡塞、线圈状态、高压断路器分合闸的速度及高压断路器分合闸所用的时间。

进一步的，在所述步骤三中，高压断路器故障主要包括拒动故障、误动故障、绝缘与载流故障及泄漏、损坏故障，拒动故障包括触头拒合及拒分故障。

进一步的，降噪自编码算法中，输入d维x∈[0,1]^d，输出d’维y∈1＝[0,1]^d’；

$y=f_{\mathrm{\θ}}\left(\tilde{x}\right)=s(W\tilde{x}+b)---\left(1\right)$

其中，s是S型函数，θ＝{W,b}，W是d′×d的权重矩阵，b是偏差向量，是将含有一定统计特性的噪声加到输入数据，对样本进行修改，通过随机映射对每个输入向量x按照一定的破坏率把初始输入x破坏为将擦除后的样本数据尽可能还原重构出原始数据；

然后，输出y映射到输入空间z中，这里z∈[0,1]^d；

$z=g_{{\mathrm{\θ}}^{\′}}\left(\tilde{x}\right)=s(W^{\′}y+b^{\′})---\left(2\right)$

这里θ′＝{W′,b′}，W′是d′×d的权重矩阵，b′是偏差向量。

进一步的，在所述步骤四中，在训练时，通过每层的初始化和调整来训练，在逐层的初始化时可以采用无监督的训练判据。每一层训练时将前一层传递来的参数优化后传递给后一层，作为被观察故障模型的训练样本，直到所有层都被训练好。

更进一步的，在训练过程中，每组输入样本x⁽ⁱ⁾，映射到中间变量y⁽ⁱ⁾，然后重建为变量z⁽ⁱ⁾，考虑到高压断路器的信号都为连续信号，所以重建损失函数表示为经典的二次型的形式：

Γ(x,z)＝||x-z||² (3)。

进一步的，在训练过程中训练参数通过求如下表达式的极小值来得到：

$\begin{array}{c}{\mathrm{\θ}}^{*},{\mathrm{\θ}}^{\′*}=\underset{\mathrm{\θ},{\mathrm{\θ}}^{\′}}{\arg \min }\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\mathrm{\Γ}(x^{\left(i\right)},z^{\left(i\right)})\\ =\underset{\mathrm{\θ},{\mathrm{\θ}}^{\′}}{\arg \min }\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\mathrm{\Γ}(x^{\left(i\right)},g_{{\mathrm{\θ}}^{\′}}(f_{\mathrm{\θ}}\left({\tilde{x}}^{\left(i\right)}\right)\left)\right)\end{array}---\left(4\right)$

其中，n为样本个数。

进一步的，采用经典的SVM结构，由降噪自编码算法得到的修正过的损失函数表示为式(5)：

$r=min\frac{1}{2}\left|\right|w|{|}^2+c\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\ξ}}_i^{-},{\mathrm{\ξ}}_i^{+})---\left(5\right)$

式中，是优化过程中的松弛因子，w＝x-z，输入层和输出层之差，c为松弛因子系数。

最后，断路器故障的回归表达式为：

$f\left(x\right)=\underset{i=1}{\overset{p}{\Σ}}({\mathrm{\α}}_i-{{\mathrm{\α}}_i}^{\′})K(x,x_i)+b---\left(6\right)$

式中，p为支持向量机的个数，K(x,x_i)为核函数，本发明中采用径向基函数。即，

K(x,x_i)＝exp(-λ||x_a-x_i||²)

其中，λ为核参数，α_i、α_i'为拉格朗日乘子，α_i、α_i'只有一小部分不为0，其对应的样本就是支持向量机，x_i为样本中的第i个元素，x_a为样本均值。

本发明的有益效果：

本发明的降噪自编码算法通过每层的初始化和调整来训练，在逐层的初始化时可以采用无监督的训练判据。每一层训练时将前一层传递来的参数优化后传递给后一层，作为被观察故障模型的训练样本。直到所有层都被训练好，那么可以采用实际的故障数据来测试本方法。而且训练判据采用监督型的判据。这种训练优化的过程可以避免局部最优解。

附图说明

图1降噪自编码算法数据处理流程图；

图2本发明算法流程图。

具体实施方式：

下面结合附图对本发明进行详细说明：

当干扰信号与振动信号的振幅和频率基本相似时,传统的监测方法已很难区分两者之间的区别。高压断路器分合闸过程中线圈电流波形包含铁芯行程、铁芯卡塞、线圈状态、分，合闸的速度及其所用的时间，高压断路器典型故障主要有拒动故障、误动故障、绝缘与载流故障及泄漏、损坏故障等，大多数表现为触头拒合或者拒分故障。

对断路器的振动信号进行采样，检测，分析的各个环节其实都存在困难，其原因为，首先断路器有着十分复杂的机械结构再加之现场的环境因素存在着不可忽视的噪音干扰,使传感器所监测到的振动信号有着不小的自然误差。事实上断路器的分闸和合闸操作过程中不同程度上都会产生一定数量的振动过程，而且实际的操作中振动信号等参数物理量包括振动信号的弥散、反射和折射等等复杂的变化让监测工作变得更加的困难，有时候当振动信号微乎其微时就更难监测了。但振动信号包含的设备信息依然可以为设备的状态监测和故障诊断服务，所以我们可在利用振动信号的同时，通过线圈电流波形来辅助分析高压断路器的一些重要特性状态,比如：操动机构的状态、高压断路器是否有偷跳、拒动等情况。另一方面，线圈侧通过的电压同样也是一个重要的参数。由此我们通过计算，即线圈侧的电压值由工作电压减少到0为动触头分合闸的所用时间，同时由动触头的分合闸的行程长度，可以很快得出高压断路器分、合闸速度，即行程和所用时间的比值。更加重要的是断路器在合闸前、分闸后这段时间的动触头速度,这一数值在研究断路器的开断能力上起了重要的作用。所以本发明在选择线圈电流、振动信号作为输入的同时，选择其动触头分合闸的准确时间节点t为故障分析依据。

将高压断路器故障分类，并进行编号，作为故障模型辨识系统的输出。线圈电流、振动信号和时间节点为故障模型辨识系统的输入。

如图1-2所示，降噪自解码算法是典型的非监督学习模型，则：输入d维x∈[0,1]^d，输出d’维y∈1＝[0,1]^d’。

$y=f_{\mathrm{\θ}}\left(\tilde{x}\right)=s(W\tilde{x}+b)---\left(1\right)$

这里s是S型函数，这里θ＝{W,b}，W是d′×d的权重矩阵，b是偏差向量。

然后，输出y映射到输入空间z中，这里z∈[0,1]^d。

$z=g_{{\mathrm{\θ}}^{\′}}\left(\tilde{x}\right)=s(W^{\′}y+b^{\′})---\left(2\right)$

这里θ′＝{W′,b′}，W′是d′×d的权重矩阵，b′是偏差向量。

在训练过程中，每个输入x⁽ⁱ⁾映射到中间变量y⁽ⁱ⁾，然后重建为变量z⁽ⁱ⁾。考虑到高压断路器的信号都为连续信号，所以重建损失函数可以表示为经典的二次型的形式。

Γ(x,z)＝||x-z||² (3)

这样，训练参数由如下表达式的极小值来得到：

$\begin{array}{c}{\mathrm{\θ}}^{*},{\mathrm{\θ}}^{\′*}=\underset{\mathrm{\θ},{\mathrm{\θ}}^{\′}}{\arg \min }\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\mathrm{\Γ}(x^{\left(i\right)},z^{\left(i\right)})\\ =\underset{\mathrm{\θ},{\mathrm{\θ}}^{\′}}{\arg \min }\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\mathrm{\Γ}(x^{\left(i\right)},g_{{\mathrm{\θ}}^{\′}}(f_{\mathrm{\θ}}\left({\tilde{x}}^{\left(i\right)}\right)\left)\right)\end{array}---\left(4\right)$

降噪自编码算法通过支持向量机中的输入层，隐藏层，以及输出层的初始化和调整来训练，在逐层的初始化时可以采用无监督的训练判据。每一层训练时将前一层传递来的参数优化后传递给后一层，作为被观察故障模型的训练样本。这样可以由确定的故障类型数据训练支持向量机中的各层参数，直到所有层都被训练好，那么可以采用实际的故障数据来验证本方法。而且训练判据采用监督型的判据。这种训练优化的过程可以避免局部最优解。

采用经典的SVM结构，由降噪自编码算法得到的修正过的重建损失函数可以表示为式(5)：

$r=min\frac{1}{2}\left|\right|w|{|}^2+c\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\ξ}}_i^{-},{\mathrm{\ξ}}_i^{+})---\left(5\right)$

式中，是优化过程中的松弛因子。最后，断路器故障的回归表达式为：

$f\left(x\right)=\underset{i=1}{\overset{p}{\Σ}}({\mathrm{\α}}_i-{{\mathrm{\α}}_i}^{\′})K(x,x_i)+b---\left(6\right)$

式中，p为支持向量机的个数，K(x,x_i)为核函数，本发明中采用径向基函数。即，

K(x,x_i)＝exp(-λ||x_a-x_i||²)

其中，λ为核参数，α_i、α_i'为拉格朗日乘子，α_i、α_i'只有一小部分不为0，其对应的样本就是支持向量机，x_i为样本中的第i个元素，x_a为样本均值。根据断路器故障的回归表达式和故障数据来判定故障类型。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，包括以下步骤：

步骤一：获取高压断路器分合闸过程中线圈电流波形并根据该波形获得高压断路器的状态参数；

步骤二：对高压断路器的振动信号进行采样，选择其时间节点t；

步骤三：将高压断路器故障分类并进行编号，作为故障模型辨识系统的输出，将线圈电流、振动信号和时间节点为故障模型辨识系统的输入；

步骤四：将降噪自解码算法作为典型的非监督学习模型，对模型进行训练，采用经典的SVM结构，由降噪自编码算法得到的损失函数，继而得到断路器故障的回归表达式；

步骤五：根据断路器故障的回归表达式，得到发生故障时的线圈电流数据与故障类型的对应关系，再通过待判定的故障数据来判定故障类型。

2.如权利要求1所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，在步骤一中，根据该波形获得高压断路器的状态参数包括铁芯行程、铁芯卡塞、线圈状态、高压断路器分合闸的速度及高压断路器分合闸所用的时间。

3.如权利要求1所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，在所述步骤三中，高压断路器故障主要包括拒动故障、误动故障、绝缘与载流故障及泄漏、损坏故障，拒动故障包括触头拒合及拒分故障。

4.如权利要求1所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，降噪自编码算法中，输入d维x∈[0,1]^d，输出d’维y∈1＝[0,1]^d’；

$y=f_{\mathrm{\θ}}\left(\tilde{x}\right)=s(W\tilde{x}+b)---\left(1\right)$

其中，s是S型函数，θ＝{W,b}，W是d′×d的权重矩阵，b是偏差向量；是将含有一定统计特性的噪声加到输入数据，对样本进行修改，通过随机映射对每个输入向量x按照一定的破坏率把初始输入x破坏为

然后，输出y映射到输入空间z中，这里z∈[0,1]^d；

$z=g_{{\mathrm{\θ}}^{\′}}\left(\tilde{x}\right)=s(W^{\′}y+b^{\′})---\left(2\right)$

这里θ′＝{W′,b′}，W′是d′×d的权重矩阵，b′是偏差向量。

5.如权利要求1所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，在所述步骤四中，在训练时，通过每层的初始化和调整来训练，在逐层的初始化时可以采用无监督的训练判据；每一层训练时将前一层传递来的参数优化后传递给后一层，作为被观察故障模型的训练样本，直到所有层都被训练好。

6.如权利要求5所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，在训练过程中，每个输入x⁽ⁱ⁾映射到中间变量y⁽ⁱ⁾，然后重建为变量z⁽ⁱ⁾，考虑到高压断路器的信号都为连续信号，所以重建损失函数表示为经典的二次型的形式：

Γ(x,z)＝||x-z||² (3)。

7.如权利要求5所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，在训练过程中训练参数通过求如下表达式的极小值来得到：

$\begin{array}{c}{\mathrm{\θ}}^{*},{\mathrm{\θ}}^{\′*}=\underset{\mathrm{\θ},{\mathrm{\θ}}^{\′}}{\arg \min }\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Γ}\left(x^{\left(i\right)},z^{\left(i\right)}\right)\\ =\underset{\mathrm{\θ},{\mathrm{\θ}}^{\′}}{\arg \min }\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Γ}\left(x^{\left(i\right)},g_{{\mathrm{\θ}}^{\′}}\left(f_{\mathrm{\θ}}\left({\tilde{x}}^{\left(i\right)}\right)\right)\right)\end{array}---\left(4\right)$

其中，n为样本个数。

8.如权利要求4所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，采用经典的SVM结构，由降噪自编码算法得到的修正过的损失函数表示为式(5)：

$r=min\frac{1}{2}\left|\right|w|{|}^2+c\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\ξ}}_i^{-},{\mathrm{\ξ}}_i^{+})---\left(5\right)$

式中，是优化过程中的松弛因子，w＝x-z，输入层和输出层之差，c为松弛因子系数。

9.如权利要求1所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，断路器故障的回归表达式为：

$f\left(x\right)=\underset{i=1}{\overset{p}{\Σ}}({\mathrm{\α}}_i-{{\mathrm{\α}}_i}^{\′})K(x,x_i)+b---\left(6\right)$

式中，p为支持向量机的个数，K(x,x_i)为核函数；α_i、α_i'为拉格朗日乘子，其对应的样本就是支持向量机，x为样本。

10.如权利要求9所述的一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，核函数采用径向基函数，即，K(x,x_i)＝exp(-λ||x_a-x_i||²)

其中，λ为核参数，α_i、α_i'为拉格朗日乘子，其对应的样本就是支持向量机，x_i为样本中的第i个元素，x_a为样本均值。