CN106093771A - 一种断路器分合闸线圈电流信号识别方法 - Google Patents

Abstract

本发明公开了一种断路器分合闸线圈电流信号识别方法，采集断路器操作机构正常运行下分合闸线圈电流信号，提取特征数据集；建立断路器分合闸线圈电流信号的基准模式库；计算待识别样本与基准模式库中聚类中心贴合度，找到贴合度最大的聚类中心；根据残差比值大小识别断路器操作机构的运行状态，实现故障的预警；本发明基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库，在断路器运行和检修状态下，通过在线方式对断路器分合闸线圈电流信号和基准模式库对比，对断路器运行状态识别，实现了故障早期有效预警，满足断路器快速、安全、有效率检测的需求，有效解决了现有断路器机械特性试验法存在的不足，为断路器安全稳定运行提供保障。

Description

一种断路器分合闸线圈电流信号识别方法

技术领域

本发明属于电工技术领域，尤其涉及一种断路器分合闸线圈电流信号识别方法。

背景技术

据统计，60％-70％的断路器缺陷或故障是由断路器机构缺陷造成的，包括：机构卡涩、油脂凝固、弹簧老化、慢分慢合、连杆传动轴断裂、机构拒动等等。但传统断路器的状态检测技术，如红外和局放(含超高频、超声波、暂态地电波)仅针对电接触缺陷和绝缘部件(介质)缺陷诊断，对断路器机构尚无有效的状态检测手段。

由于目前没有有效预判断路器操作机构的技术手段，断路器的停电小修基本依据历史修试报告(一般数据均为正常)，基于常规检修周期(3、6、9年)停电检修，这存在“小病大修、无病也修”的弊端，浪费大量的人力和财力，而且还有可能降低断路器操作机构的可靠性。事实表明，大部分的断路器运行缺陷是操作机构缺陷，但断路器检修试验项目(主要是机械特性试验)结果数据异常的却极少，传统断路器机构特性试验基本无法预判机构状态。

此外，传统的机械特性试验是在断路器经过多次分、合操作之后进行(停异操作、电气试验操作等)，操作机构在多次“磨合”后，多数缺陷(如油脂凝固、机构卡涩)被暂时掩盖，机械特性试验合格，但根源并未彻底根除。

发明内容

本发明的目的在于提供一种断路器分合闸线圈电流信号识别方法，旨在解决目前没有有效预判断路器操作机构的技术手段，断路器的停电小修基本依据历史修试报告，并基于常规检修周期停电检修，存在“小病大修、无病也修”的弊端，浪费了大量的人力和财力，还有可能降低断路器操作机构的可靠性，同时传统断路器机构特性试验基本无法预判机构状态的问题。

本发明是这样实现的，一种断路器分合闸线圈电流信号识别方法，该断路器分合闸线圈电流信号识别方法包括以下步骤：

步骤一，在断路器上安装霍尔传感器，通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据；

步骤二，提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵；

步骤三，基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库；

步骤四，通过霍尔传感器采集断路器分合闸线圈电流信号样本数据，提取特征量构造待识别样本数据集；

步骤五，计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；

步骤六，计算待识别样本与基准模式库贴合度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态。

进一步，在步骤二中，提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵的具体实现方法为：

a)提取t₁、t₂、t₃、t₄、t₅这5个特征时刻点以及t₁、t₂、t₃、t₄、t₅这5个特征时刻点对应的电流值i₁、i₂、i₃、i₄、i₅作为特征向量X，其中i为某一时刻，n＝10；

，X(i)＝[x₁ x₂ …x_n]^T

b)构造断路器正常状态数据矩阵D，其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数；

$\begin{array}{c}D=\left[\begin{array}{cccc}X\left(1\right)& X\left(2\right)& \mathrm{...}& X\left(m\right)\end{array}\right]\\ ={\left[\begin{array}{cccc}{x}_1\left(1\right)& x_1\left(2\right)& \mathrm{...}& x_1\left(m\right)\\ x_2\left(1\right)& x_2\left(2\right)& \mathrm{...}& x_2\left(m\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_n\left(1\right)& x_n\left(2\right)& \mathrm{...}& x_n\left(m\right)\end{array}\right]}_{n\×m}\end{array}.$

进一步，在步骤三中，基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库的具体实现方法为：

c)计算断路器正常状态数据集中每组特征向量X的密度；

$\begin{array}{cc}M\left(v_i\right)=\underset{k=1}{\overset{n}{\Σ}}{e}^{-\mathrm{\α}d(x_k,v_i)}& \mathrm{\α}=\frac{4}{{{\mathrm{\τ}}_1}^2}\end{array}$

d)找到密度指标最大的向量作为第一个聚类中心V^* _k-1，之后除去这个向量的密度，再计算所有向量的密度指标；

$M_k\left(v_i\right)=M_{k-1}\left(v_i\right)-M_{k-1}^{*}{e}^{-\mathrm{\β}d(v_{k-1}^{*},v_i)}$

其中，

e)再找到最大的密度指标，并把此向量作为聚类中心，依次循环，直到满足下面的公式，其中0<δ<1；

$\frac{M_{k-1}^{*}}{M_1^{*}}<\mathrm{\&delta;}.$

进一步，在步骤四中贴合度的公式为：

$\&CircleTimes;(X,Y)=\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-y_i)}^2}$

其中，X为基准模式库中的聚类中心，Y为待识别样本。

进一步，在步骤五中，计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心时，具体算法公式如下：

ε_GT＝X_obs-X_est

其中，Xobs为待识别样本向量，Xest为贴合度最大的聚类中心向量，残差序列为：

ε_GT＝[ε₁ ε₂ … ε_N]

残差比值OMR为：

$OMR=\frac{{\mathrm{\&epsiv;}}_{GT}}{X_{obs}}\&times;100\%.$

本发明提供的断路器分合闸线圈电流信号识别方法,在断路器上安装霍尔传感器，通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据；提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵；基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库；通过霍尔传感器采集断路器分合闸线圈电流信号样本数据，提取特征量构造待识别样本数据集；计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；计算待识别样本与基准模式库贴合度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态；本发明基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库，能在断路器运行和检修的状态下，通过在线方式对断路器分合闸线圈电流信号和基准模式库的对比，对断路器运行状态的识别，实现故障早期有效预警，满足断路器快速、安全、有效率检测的需求，有效解决了现有断路器机械特性试验法存在的不足，为断路器安全稳定运行提供保障。

附图说明

图1是本发明实施例提供的断路器分合闸线圈电流信号识别方法的实现流程图；

图2是本发明实施例提供的断路器分合闸线圈电流信号典型曲线示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明是这样实现的，一种断路器分合闸线圈电流信号识别方法，该断路器分合闸线圈电流信号识别方法包括以下步骤：

步骤S101，在断路器上安装霍尔传感器，通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据；

步骤S102，提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵；

步骤S103，基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库；

步骤S104，通过霍尔传感器采集断路器分合闸线圈电流信号样本数据，提取特征量构造待识别样本数据集；

步骤S105，计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；

步骤S106，计算待识别样本与基准模式库贴合度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态。

在本发明实施例中，在步骤S102中，提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵的具体实现方法为：

a)提取t₁、t₂、t₃、t₄、t₅这5个特征时刻点以及t₁、t₂、t₃、t₄、t₅这5个特征时刻点对应的电流值i₁、i₂、i₃、i₄、i₅作为特征向量X，其中i为某一时刻，n＝10；

X(i)＝[x₁ x₂ …x_n]^T

b)构造断路器正常状态数据矩阵D，其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数；

$\begin{array}{c}D=\left[\begin{array}{cccc}X\left(1\right)& X\left(2\right)& \mathrm{...}& X\left(m\right)\end{array}\right]\\ ={\left[\begin{array}{cccc}{x}_1\left(1\right)& x_1\left(2\right)& \mathrm{...}& x_1\left(m\right)\\ x_2\left(1\right)& x_2\left(2\right)& \mathrm{...}& x_2\left(m\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_n\left(1\right)& x_n\left(2\right)& \mathrm{...}& x_n\left(m\right)\end{array}\right]}_{n\&times;m}\end{array}.$

在本发明实施例中，在步骤S103中，基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库的具体实现方法为：

c)计算断路器正常状态数据集中每组特征向量X的密度；

$\begin{array}{cc}M\left(v_i\right)=\underset{k=1}{\overset{n}{\&Sigma;}}{e}^{-\mathrm{\&alpha;}d(x_k,v_i)}& \mathrm{\&alpha;}=\frac{4}{{{\mathrm{\&tau;}}_1}^2}\end{array}$

d)找到密度指标最大的向量作为第一个聚类中心V^* _k-1，之后除去这个向量的密度，再计算所有向量的密度指标；

$M_k\left(v_i\right)=M_{k-1}\left(v_i\right)-M_{k-1}^{*}{e}^{-\mathrm{\&beta;}d(v_{k-1}^{*},v_i)}$

$\mathrm{\&beta;}=\frac{4}{{{\mathrm{\&tau;}}_2}^2}$

其中，

e)再找到最大的密度指标，并把此向量作为聚类中心，依次循环，直到满足下面的公式，其中0<δ<1；

$\frac{M_{k-1}^{*}}{M_1^{*}}<\mathrm{\&delta;}.$

在本发明实施例中，在步骤S104中贴合度的公式为：

$\&CircleTimes;(X,Y)=\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-y_i)}^2}$

其中，X为基准模式库中的聚类中心，Y为待识别样本。

在本发明实施例中，在步骤S105中，计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心时，具体算法公式如下：

ε_GT＝X_obs-X_est

其中，Xobs为待识别样本向量，Xest为贴合度最大的聚类中心向量，残差序列为：

ε_GT＝[ε₁ ε₂…ε_N]

残差比值OMR为：

$OMR=\frac{{\mathrm{\&epsiv;}}_{GT}}{X_{obs}}\&times;100\%.$

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

本发明提供的断路器分合闸线圈电流信号识别方法，包括以下几个步骤：

步骤1、在断路器上安装霍尔传感器，通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据；

步骤2、提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵；

步骤3、基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库；

步骤4、通过霍尔传感器采集断路器分合闸线圈电流信号样本数据，提取特征量构造待识别样本数据集；

步骤5、计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；

步骤6、计算待识别样本与基准模式库贴合度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态。

步骤2具体还包括如下步骤：

a)提取t₁、t₂、t₃、t₄、t₅这5个特征时刻点以及t₁、t₂、t₃、t₄、t₅这5个特征时刻点对应的电流值i₁、i₂、i₃、i₄、i₅作为特征向量X,其中i为某一时刻，n＝10；

X(i)＝[x₁ x₂…x_n]^T

b)构造断路器正常状态数据矩阵D，其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数；

$\begin{array}{c}D=\left[\begin{array}{cccc}X\left(1\right)& X\left(2\right)& \mathrm{...}& X\left(m\right)\end{array}\right]\\ ={\left[\begin{array}{cccc}{x}_1\left(1\right)& x_1\left(2\right)& \mathrm{...}& x_1\left(m\right)\\ x_2\left(1\right)& x_2\left(2\right)& \mathrm{...}& x_2\left(m\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_n\left(1\right)& x_n\left(2\right)& \mathrm{...}& x_n\left(m\right)\end{array}\right]}_{n\&times;m}\end{array}$

步骤3减法聚类的具体算法如下：

c)计算断路器正常状态数据集中每组特征向量X的密度；

$\begin{array}{cc}M\left(v_i\right)=\underset{k=1}{\overset{n}{\&Sigma;}}{e}^{-\mathrm{\&alpha;}d(x_k,v_i)}& \mathrm{\&alpha;}=\frac{4}{{{\mathrm{\&tau;}}_1}^2}\end{array}$

d)找到密度指标最大的向量作为第一个聚类中心V^* _k-1，之后除去这个向量的密度，再计算所有向量的密度指标；

$\begin{array}{cc}{M}_k\left(v_i\right)=M_{k-1}\left(v_i\right)-M_{k-1}^{*}{e}^{-\mathrm{\&beta;}d(v_{k-1}^{*},v_i)}& \mathrm{\&beta;}=\frac{4}{{{\mathrm{\&tau;}}_2}^2}\end{array}$

e)再找到最大的密度指标，并把此向量作为聚类中心。依次循环，直到满足下面的公式，其中0<<1；

$\frac{M_{k-1}^{*}}{M_1^{*}}<\mathrm{\&delta;}$

步骤4贴合度的公式，其中X为基准模式库中的聚类中心，Y为待识别样本：

$\&CircleTimes;(X,Y)=\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-y_i)}^2}.$

步骤5的具体算法公式如下：

ε_GT＝[X_bos-X_est]

其中，Xobs为待识别样本向量，Xest为贴合度最大的聚类中心向量，残差序列为：

ε_GT＝[ε₁ ε₂…ε_N]

残差比值OMR为:

$OMR=\frac{{\mathrm{\&epsiv;}}_{GT}}{X_{obs}}\&times;100\%.$

图2为本发明实施例提供的断路器分合闸线圈电流信号典型曲线。

本发明提供的基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库，能在断路器运行和检修的状态下，通过在线方式对断路器分合闸线圈电流信号和基准模式库的对比，对断路器运行状态的识别，实现故障早期有效预警，有效解决了现有断路器机械特性试验法存在的不足。

本发明公开了一种断路器分合闸线圈电流信号识别方法，方法包括如下步骤：采集断路器操作机构正常运行下的分合闸线圈电流信号，提取特征数据集；利用聚类分析算法提取断路器操作机构正常运行下的分合闸线圈电流信号数据的聚类中心，建立断路器分合闸线圈电流信号的基准模式库；计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；计算待识别样本与基准模式库相似度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态，实现故障的预警。本发明对于评估断路器操作机构的运行状态，实现在线故障预警及优化检修策略有重要的意义。

本发明实施例提供的断路器分合闸线圈电流信号识别方法,在断路器上安装霍尔传感器，通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据；提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵；基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库；通过霍尔传感器采集断路器分合闸线圈电流信号样本数据，提取特征量构造待识别样本数据集；计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；计算待识别样本与基准模式库贴合度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态；本发明基于减法聚类算法对断路器分合闸线圈电流信号建立基准模式库，能在断路器运行和检修的状态下，通过在线方式对断路器分合闸线圈电流信号和基准模式库的对比，对断路器运行状态的识别，实现故障早期有效预警，满足断路器快速、安全、有效率检测的需求，有效解决了现有断路器机械特性试验法存在的不足，为断路器安全稳定运行提供保障。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种断路器分合闸线圈电流信号识别方法，其特征在于，该断路器分合闸线圈电流信号识别方法包括以下步骤：

步骤一，在断路器上安装霍尔传感器，通过霍尔传感器采集断路器正常状态下的分合闸线圈电流信号数据；

步骤二，提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵；

步骤三，基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库；

步骤四，通过霍尔传感器采集断路器分合闸线圈电流信号样本数据，提取特征量构造待识别样本数据集；

步骤五，计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心；

步骤六，计算待识别样本与基准模式库贴合度最大的聚类中心残差比值，根据残差比值的大小识别断路器操作机构的运行状态。

2.如权利要求1所述的断路器分合闸线圈电流信号识别方法，其特征在于，在步骤二中，提取断路器正常状态下分合闸线圈电流信号的特征量数据，构造断路器正常状态数矩阵的具体实现方法为：

a)提取t₁、t₂、t₃、t₄、t₅这5个特征时刻点以及t₁、t₂、t₃、t₄、t₅这5个特征时刻点对应的电流值i₁、i₂、i₃、i₄、i₅作为特征向量X，其中i为某一时刻，n＝10；

X(i)＝[x₁ x₂ … x_n]^T

b)构造断路器正常状态数据矩阵D，其中m为采集断路器正常状态下的分合闸线圈电流信号数据的次数；

$\begin{array}{c}D=\left[\begin{array}{cccc}X\left(1\right)& X\left(2\right)& \mathrm{...}& X\left(m\right)\end{array}\right]\\ ={\left[\begin{array}{cccc}{x}_1\left(1\right)& x_1\left(2\right)& \mathrm{...}& x_1\left(m\right)\\ x_2\left(1\right)& x_2\left(2\right)& \mathrm{...}& x_2\left(m\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_n\left(1\right)& x_n\left(2\right)& \mathrm{...}& x_n\left(m\right)\end{array}\right]}_{n\&times;m}\end{array}.$

3.如权利要求1所述的断路器分合闸线圈电流信号识别方法，其特征在于，在步骤三中，基于减法聚类算法对正常状态数据集提取聚类中心，建立断路器分合闸线圈电流信号的基准模式库的具体实现方法为：

c)计算断路器正常状态数据集中每组特征向量X的密度；

$\begin{array}{cc}M\left(v_i\right)=\underset{k=1}{\overset{n}{\&Sigma;}}{e}^{-\mathrm{\&alpha;}d(x_k,v_i)}& \mathrm{\&alpha;}=\frac{4}{{{\mathrm{\&tau;}}_1}^2}\end{array}$

d)找到密度指标最大的向量作为第一个聚类中心V^* _k-1，之后除去这个向量的密度，再计算所有向量的密度指标；

$M_k\left(v_i\right)=M_{k-1}\left(v_i\right)-M_{k-1}^{*}{e}^{-\mathrm{\&beta;}d(v_{k-1}^{*},v_i)}$

其中，

e)再找到最大的密度指标，并把此向量作为聚类中心，依次循环，直到满足下面的公式，其中0<δ<1；

$\frac{M_{k-1}^{*}}{M_1^{*}}<\mathrm{\&delta;}.$

4.如权利要求1所述的断路器分合闸线圈电流信号识别方法，其特征在于，在步骤四中贴合度的公式为：

$\&CircleTimes;(X,Y)=\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-y_i)}^2}$

其中，X为基准模式库中的聚类中心，Y为待识别样本。

5.如权利要求1所述的断路器分合闸线圈电流信号识别方法，其特征在于，在步骤五中，计算待识别样本与基准模式库中聚类中心贴合度，遍历基准模式库中所有的聚类中心，找到贴合度最大的聚类中心时，具体算法公式如下：

ε_GT＝X_obs-X_est

其中，Xobs为待识别样本向量，Xest为贴合度最大的聚类中心向量，残差序列为：

ε_GT＝[ε₁ ε₂ … ε_N]

残差比值OMR为：

$OMR=\frac{{\mathrm{\&epsiv;}}_{GT}}{X_{obs}}\&times;100\%$