CN109100646A - 一种高压断路器故障诊断方法 - Google Patents

Abstract

本发明公开了一种高压断路器故障诊断方法，包括步骤：步骤1：选取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，采集各类不同故障状态下各特征变量的值，从而建立起故障诊断训练数据集；步骤2：对步骤1中建立的故障诊断训练数据集，利用基于模糊K均值算法对其进行聚类，将其分为若干种不同类型的故障集合；步骤3：将新采集的高压断路器故障数据加入到步骤2中已分类的故障数据集中，采用邻近KNN算法对其进行分类，从而确定该故障数据的故障类型。本发明综合考虑了多种高压断路器故障因素，提高了高压断路器故障诊断的可靠性。

Description

一种高压断路器故障诊断方法

技术领域

本发明涉及断路器故障诊断技术领域，具体涉及一种高压断路器故障诊断方法。

背景技术

高压断路器作为电力系统中应用最为广泛的电力设备，起着投切正常线路及开断短路故障电流的作用，对输配电系统的安全稳定运行至关重要，高压断路器的电压范围是10kV及以上。在实际生产运行中，高压断路器数量众多，其运行中发生的故障类型也是多种多样，这给系统检修带来了很大的工作量。因此，行之有效的高压断路器故障诊断方法显得尤为重要。

目前使用的高压断路器故障诊断方法有许多，如神经网络算法、遗传算法、支持向量机等。这些算法的基本思想是以高压断路器各种状态下的特征信息建立训练样本，再利用各类智能算法来构建起训练模型，最后将新采集的故障特征信息输入训练模型以得到诊断结果。这些智能算法虽然在高压断路器诊断中起着一定的作用，但是当训练样本数量较多且输入输出关系较为复杂时，往往存在着计算量大且不易收敛的问题，从而影响了故障诊断的有效性和准确性。

发明内容

为解决现有技术中的不足，本发明提供一种高压断路器故障诊断方法，解决了现有技术中存在计算量大不易收敛，影响故障诊断有效性和准确性的问题。

为了实现上述目标，本发明采用如下技术方案：一种高压断路器故障诊断方法，其特征在于：包括步骤：

步骤1：选取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，采集各类不同故障状态下各特征变量的值，从而建立起故障诊断训练数据集；

步骤2：对步骤1中建立的故障诊断训练数据集，利用基于模糊K均值算法对其进行聚类，将其分为若干种不同类型的故障集合；

步骤3：将新采集的高压断路器故障数据加入到步骤2中已分类的故障集合中，采用邻近KNN算法对其进行分类，从而确定该故障数据的故障类型。

前述的一种高压断路器故障诊断方法，其特征是：所述不同故障状态包括：断路器过载、调速器失灵、合闸控制回路故障、合闸线圈匝间短路、合闸线圈匝间断路、失压脱扣线圈跳闸、机械故障。

前述的一种高压断路器故障诊断方法，其特征是：所述步骤2，具体步骤包括：

2.1：数据预处理：对故障诊断训练数据集X＝{x₁,x₂,…,x_n}中的每个样本x_i∈X进行标准化，得到标准化后的样本x_i'；

2.2：参数初始化：设置初始聚类个数为K，聚类距离阈值为θ，数据聚类集合S₁，S₂，.S_j..，S_K为空集，采用任意样本初始化聚类数据中心c₁，c₂，.c_j..，c_K；基于模糊K均值算法迭代最大次数N；

2.3：计算所有样本对应于各聚类的隶属度：计算第i个标准化后的样本x_i'到各数据中心c_j的欧式距离‖x'_id-c_jd‖，c_jd为聚类数据中心c_j的第d维分量，d∈[1,D]；计算每个数据样本点x_i'到各个数据聚类S_j的隶属度ω_ij，ω_ij满足其中：

其中，1≤q≤K，c_q为第q个初始化聚类数据中心，1≤i≤n，1≤j≤K，m为模糊权重因子；

2.4：更新数据中心：更新各个数据聚类S_j的数据中心c_j，如果某两个数据中心的欧式距离小于聚类距离阈值θ，则合并这两个聚类，并任意选择其中一个数据中心作为新聚类的数据中心；

2.5：获得样本所属的聚类：根据公式(4)计算标准化后的数据样本x_i'到所有聚类中心的距离的最小值J_i，然后根据公式(5)将具有最小J_i值的类作为样本x_i'所属聚类：

其中，j即为当J_i取最小值时样本x_i'所对应的类的序号，c_jd为聚类数据中心c_j的第d维分量；

2.6：判断基于模糊K均值算法是否满足下列结束条件之一：

A.达到最大迭代次数N，该最大迭代次数应在聚类前事先设定；

B.相邻3次迭代中所有数据中心不再发生变化；

如果满足上述算法结束条件之一，则计算所有标准化后的样本数据与所有数据中心的总距离J_sum，如式(6)，并与聚类距离阈值θ比较，若J_sum<θ，则结束计算，否则转入步骤2.3继续计算，J_sum计算公式为：

由此，将样本数据分为若干不同类型的故障集合。

前述的一种高压断路器故障诊断方法，其特征是：所述，所述步骤2.1：数据预处理，具体为：

其中：x_id为样本数据x_i的第d维分量，X_dmin为训练数据集X的第d维分量的最大值，X_dmin为训练数据集X的第d维分量的最小值，则样本数据x_i的第d维分量经过预处理后得到的样本为x_i'_d，由此得到标准化之后的数据集X'＝{x₁',x'₂，…x_i'，x'_n}，d∈[1,D]。

前述的一种高压断路器故障诊断方法，其特征是：所述步骤2.4，数据聚类S_j的数据中心c_j计算公式为：

前述的一种高压断路器故障诊断方法，其特征是：所述步骤3，具体步骤包括：

3.1：计算新采集的高压断路器故障特征向量与步骤2中得到的各聚类的数据中心的欧式距离，将具有最小距离的聚类作为其所属聚类S_c；

3.2：选择其所属聚类S_c中与其距离最近的K＇(K＇由人为设定)个近邻元素，并计算近邻元素与所属聚类S_c数据中心的距离平方和d_sum；

3.3：判断d_sum是否小于聚类距离阈值θ，如果小于则发生了对应聚类的故障；反之，则没有。

本发明所达到的有益效果：本发明根据高压断路器的结构特征及故障特性，选取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，对故障数据集进行模糊K均值聚类，从而获得不同故障类型分类，并采用KNN算法对新采集故障数据进行分类，从而实现故障诊断。本发明综合考虑了多种高压断路器故障因素，提高了高压断路器故障诊断的可靠性。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种高压断路器故障诊断方法，包括步骤：

步骤1：选取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，采集包括断路器过载、调速器失灵、合闸控制回路故障、合闸线圈匝间短路、合闸线圈匝间断路、失压脱扣线圈跳闸、机械故障等各类不同故障状态下各特征变量的值，从而建立起故障诊断训练数据集X＝{x₁,x₂,…,x_n}；

步骤2：对步骤1中建立的故障诊断训练数据集，利用基于模糊K均值算法对其进行聚类，将其分为若干种不同类型的故障集合，具体包括步骤：

2.1：数据预处理：对故障诊断训练数据集X＝{x₁,x₂,…,x_n}中的每个样本x_i∈X按最大最小方法进行标准化预处理，其中，每个样本的维数为D：

其中：x_id为样本数据x_i的第d维分量，X_dmin为训练数据集X的第d维分量的最大值，X_dmin为训练数据集X的第d维分量的最小值，则样本数据x_i的第d维分量经过预处理后得到的样本为x_i'_d，由此得到标准化之后的故障诊断训练数据集X'＝{x₁',x'₂，…x_i'，x'_n}，d∈[1,D]；

2.2：参数初始化：设置初始聚类个数为K，聚类距离阈值为θ，数据聚类集合S₁，S₂，.S_j..，S_K为空集，采用任意样本初始化聚类数据中心c₁，c₂，.c_j..，c_K；基于模糊K均值算法迭代最大次数N；

2.3：计算所有样本对应于各聚类的隶属度：计算第i个标准化后的样本x_i'到各聚类数据中心c_j的欧式距离‖x'_id-c_jd‖，c_jd为聚类数据中心c_j的第d维分量，计算每个数据样本点x_i'到各个数据聚类集合S_j的隶属度ω_ij，ω_ij满足其中：

其中，1≤q≤K，c_q为第q个初始化聚类数据中心，1≤i≤n，1≤j≤K，m为模糊权重因子，通常取2。

2.4：更新聚类数据中心：根据公式(3)更新各个数据聚类S_j的数据中心c_j，如果某两个数据中心的欧式距离小于聚类距离阈值θ，则合并这两个聚类，并任意选择其中一个数据中心作为新聚类的数据中心，数据聚类S_j的数据中心c_j计算公式为：

2.5：获得样本所属的聚类：根据公式(4)计算标准化后的数据样本x_i'到所有聚类中心的距离的最小值J_i，然后根据公式(5)将具有最小值J_i的类作为样本x_i'所属聚类：

其中，j即为当J_i取最小值时样本x_i'所对应的类的序号，c_jd为聚类数据中心c_j的第d维分量。

2.6：判断基于模糊K均值算法是否满足下列结束条件之一：

A.达到最大迭代次数N，该最大迭代次数应在聚类前事先设定；

B.相邻3次迭代中所有数据中心不再发生变化；

如果满足上述算法结束条件之一，则计算所有标准化后的样本数据与所有数据中心的总距离J_sum，如式(6)，并与聚类距离阈值θ比较，若J_sum<θ，则结束计算，否则转入步骤2.3继续计算，J_sum计算公式为：

由此，可将样本数据分为若干不同类型的故障集合。

步骤3：将新采集的高压断路器故障数据加入到步骤2中已分类的故障数据集中，采用邻近KNN算法对其进行分类，从而确定该故障数据的故障类型，具体步骤包括：

3.1：计算新采集的高压断路器故障特征向量与步骤2中得到的各聚类的数据中心的欧式距离，将具有最小距离的聚类作为其所属聚类S_c；

3.2：选择其所属聚类S_c中与其距离最近的K＇(K＇由人为设定)个近邻元素，并计算近邻元素与所属聚类S_c数据中心的距离平方和d_sum；

3.3：判断d_sum是否小于聚类距离阈值θ，如果小于则发生了对应聚类的故障；反之，则没有发生故障。

本发明根据高压断路器的结构特征及故障特性，选取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，对故障数据集进行模糊K均值聚类，从而获得不同故障类型分类，并采用KNN算法对新采集故障数据进行分类，从而实现故障诊断。本发明综合考虑了多种高压断路器故障因素，提高了高压断路器故障诊断的可靠性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种高压断路器故障诊断方法，其特征在于：包括步骤：

步骤1：选取高压断路器合闸线圈电压、合闸线圈电流、合闸线圈绝缘电阻、失压脱扣线圈状态、过载保护动作状态、过流保护动作状态、欠压保护动作状态作为特征变量，采集各类不同故障状态下各特征变量的值，从而建立起故障诊断训练数据集；

步骤2：对步骤1中建立的故障诊断训练数据集，利用基于模糊K均值算法对其进行聚类，将其分为若干种不同类型的故障集合；

步骤3：将新采集的高压断路器故障数据加入到步骤2中已分类的故障集合中，采用邻近KNN算法对其进行分类，从而确定该故障数据的故障类型。

2.根据权利要求1所述的一种高压断路器故障诊断方法，其特征是：所述不同故障状态包括：断路器过载、调速器失灵、合闸控制回路故障、合闸线圈匝间短路、合闸线圈匝间断路、失压脱扣线圈跳闸、机械故障。

3.根据权利要求1所述的一种高压断路器故障诊断方法，其特征是：所述步骤2，具体步骤包括：

2.1：数据预处理：对故障诊断训练数据集X＝{x₁,x₂,…,x_n}中的每个样本x_i∈X进行标准化，得到标准化后的样本x′_i；

2.2：参数初始化：设置初始聚类个数为K，聚类距离阈值为θ，数据聚类集合S₁，S₂，.S_j..，S_K为空集，采用任意样本初始化聚类数据中心c₁，c₂，.c_j..，c_K；基于模糊K均值算法迭代最大次数N；

2.3：计算所有样本对应于各聚类的隶属度：计算第i个标准化后的样本x′_i到各数据中心c_j的欧式距离‖x′_id-c_jd‖，c_jd为聚类数据中心c_j的第d维分量，d∈[1,D]；计算每个数据样本点x′_i到各个数据聚类S_j的隶属度ω_ij，ω_ij满足其中：

其中，1≤q≤K，c_q为第q个初始化聚类数据中心，1≤i≤n，1≤j≤K，m为模糊权重因子；

2.4：更新数据中心：更新各个数据聚类S_j的数据中心c_j，如果某两个数据中心的欧式距离小于聚类距离阈值θ，则合并这两个聚类，并任意选择其中一个数据中心作为新聚类的数据中心；

2.5：获得样本所属的聚类：根据公式(4)计算标准化后的数据样本x_i'到所有聚类中心的距离的最小值J_i，然后根据公式(5)将具有最小J_i值的类作为样本x′_i所属聚类：

其中，j即为当J_i取最小值时样本x′_i所对应的类的序号，c_jd为聚类数据中心c_j的第d维分量；

2.6：判断基于模糊K均值算法是否满足下列结束条件之一：

A.达到最大迭代次数N，该最大迭代次数应在聚类前事先设定；

B.相邻3次迭代中所有数据中心不再发生变化；

如果满足上述算法结束条件之一，则计算所有标准化后的样本数据与所有数据中心的总距离J_sum，如式(6)，并与聚类距离阈值θ比较，若J_sum<θ，则结束计算，否则转入步骤2.3继续计算，J_sum计算公式为：

由此，将样本数据分为若干不同类型的故障集合。

4.根据权利要求3所述的一种高压断路器故障诊断方法，其特征是：所述，所述步骤2.1：数据预处理，具体为：

其中：x_id为样本数据x_i的第d维分量，X_dmin为训练数据集X的第d维分量的最大值，X_dmin为训练数据集X的第d维分量的最小值，则样本数据x_i的第d维分量经过预处理后得到的样本为x′_id，由此得到标准化之后的数据集X'＝{x′₁,x'₂，…x′_i，x'_n}，d∈[1,D]。

5.根据权利要求3所述的一种高压断路器故障诊断方法，其特征是：所述步骤2.4，数据聚类S_j的数据中心c_j计算公式为：

6.根据权利要求3所述的一种高压断路器故障诊断方法，其特征是：所述步骤3，具体步骤包括：

3.1：计算新采集的高压断路器故障特征向量与步骤2中得到的各聚类的数据中心的欧式距离，将具有最小距离的聚类作为其所属聚类S_c；

3.2：选择其所属聚类S_c中与其距离最近的K＇个近邻元素，并计算近邻元素与所属聚类S_c数据中心的距离平方和d_sum；

3.3：判断d_sum是否小于聚类距离阈值θ，如果小于则发生了对应聚类的故障；反之，则没有发生对应聚类的故障。