CN116754934B - 一种高压断路器机械特性故障诊断方法 - Google Patents

Abstract

本发明公开了一种高压断路器机械特性故障诊断方法。本发明对于未确定最佳故障检测模型的断路器，采集正常状态和故障状态的分合闸行程曲线；再从采集的合闸和分闸行程曲线中提取有价值的特性作为该曲线的特征；使用近邻算法、逻辑回归、带高斯核的支持向量机和带多项式核的支持向量机训练故障检测模型；根据评价标准，验证模型准确率，选择最佳的故障检测模型；对不同型号的断路器均采用多个模型进行训练，分析不同模型的结果，选择最佳的故障检测模型。本发明相较于传统模型，基于行程曲线，选取多个特征值，采用机器学习的方法进行故障诊断，可以实现对高压断路器机械状态与故障类型的识别，从而对断路器进行故障预警。

Description

一种高压断路器机械特性故障诊断方法

技术领域

本发明涉及智能电网技术领域，特别是涉及一种高压断路器机械特性故障诊断方法。

背景技术

高压断路器是电力系统中重要的控制与保护设备，高压断路器在保护电网防止短路和过流方面起着有效的作用。操动机构是高压开关的关键部件，然而因高压开关的运行环境恶劣，操动机构易发生异常。操动机构异常是造成开关设备故障的主要因素之一，约60％以上的主要故障和80％以上的次要故障发生在操动机构，涉及操动机构、辅助装置和监测装置等，大多是由机构的机械特性较差引起的，因此非常有必要对操动机构的机械特性进行实时监测和故障诊断。

目前，国内外针对高压真空断路器机械故障诊断方法已经具有一定基础，但仍存在以下问题：故障诊断的方法大多基于合分闸线圈电流、振动信号，采用的遗传算法、专家系统等方法，通常有计算难度大、推理过程复杂、数据样本要求量大等缺点。高压断路器操纵机构的行程曲线是用于研究机械故障极有意义的数据，行程曲线是动触头随时间变化的位移曲线，不仅能直观地观测其机械特性参数特征，而且能反映高压断路器的健康状态。基于行程曲线，选取多个特征值，采用机器学习的方法进行故障诊断，分闸的模型准确度能达到98.13％，合闸的模型准确度能达到98.55％，可以实现对高压断路器机械状态与故障类型的识别。

发明内容

本发明针对现有技术的不足，提供了一种高压断路器机械特性故障诊断方法，可以有效防止事故的发生，提高了智能开关设备的安全性和可靠性。

本发明方法包括以下步骤：

第一步骤，对于未确定最佳故障检测模型的断路器，采集正常状态和故障状态的分合闸行程曲线。

第二步骤，从采集的合闸和分闸行程曲线中提取有价值的特性作为该曲线的特征。如果提取不到特征值，则此种故障无法识别，此时断路器已经损坏。反之则进行下一步骤。

第三步骤，对提取的特征进行标准化处理后，建立数据库。

第四步骤，使用K-近邻算法(KNN)、逻辑回归(LR)、带高斯核的支持向量机(SVM-G)和带多项式核的支持向量机(SVM-P)训练故障检测模型。

第五步骤，根据评价标准，选定最佳故障检测模型。

第六步骤，对不同型号的断路器均按步骤一到步骤五选定最佳故障检测模型。

第七步骤，对于已确定最佳故障检测模型的断路器，通过物联网技术采集断路器行程曲线数据，分析实际运行中采集的行程曲线。

对于能通过模型判断的故障类别，直接记录故障类别，样本数量每增加200条，重新训练优化最佳模型。

第八步骤，对于未知来源的故障，人工对行程曲线标注故障分类。当新的分类数据量大于200时，采用步骤二到步骤五进行模型训练，选定最佳的模型。

在其中一个实施例中，选取有价值的特征具体是：

对于分闸过程，选取行程、超程、反弹、超程时间、回弹时间、触头速度、阻尼时间7个特征值；对于合闸过程，选取行程、超程、反弹、超程时间、回弹时间、触头速度6个特征值。

在其中一个实施例中，采集数据包括：

合闸过程中的5种故障模式和分闸过程中的3种故障模式。

在其中一个实施例中，建立的数据库中的数据类别包括：正常数据类别、多种故障数据类别。

在其中一个实施例中，选取最佳模型的标准为：

使用F1分数衡量模型精确度，使用K折交叉验证法衡量模型稳定性。

其中一个实施例中，选取SPD07、12kV、SF6操作机构进行试验，选取最佳故障检测模型。

在其中一个实施例中，使用物联网技术采集实际运行的断路器数据包括大量正常数据、故障数据。对于能通过模型判断的故障类别，直接记录故障类别。对于模型判断不出的故障类别，采用人工标注的形式进行故障类别标注，并记录故障类别。

其中一个实施例中，所述模型优化包括：

对模型进行迭代更新以及数据库样本扩充。所述样本每增加200条后，重新按上述步骤进行训练，更新模型。

本发明的有益效果：本发明能够通过分析断路器的行程曲线，基于实验室数据形成数据库，通过机器学习方法得到故障诊断模型，模型准确率较高；泛化性能较好，能对不同厂家、型号的断路器进行诊断分析；本发明所设计的模型可以更新迭代，适应断路器特性变更，更加灵活；模型还可以通过物联网技术，对实际运行中的断路器进行实时状态预警，同时扩充样本数量，基于大数据更新模型，提高模型诊断的准确度。

附图说明

图1是本申请的故障检测算法流程示意图；

图2a是本申请的合闸行程曲线特征点选取示意图；

图2b是本申请的分闸行程曲线特征点选取示意图；

图3a是本申请的一个实施例合闸模式下4种模型经K折交叉验证后的箱型图(训练数据)；

图3b是本申请的一个实施例合闸模式下4种模型经K折交叉验证后的箱型图(测试数据)；

图4a是本申请的一个实施例分闸模式下4种模型经K折交叉验证后的箱型图(训练数据)；

图4b是本申请的一个实施例分闸模式下4种模型经K折交叉验证后的箱型图(测试数据)；

图5a是本申请的一个实施例测试数据混淆矩阵示意图(针对合闸)；

图5b是本申请的一个实施例测试数据混淆矩阵示意图(针对分闸)。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

如图1所示，在本实施例中，首先采集合闸和分闸行程曲线，再从中提取有价值的特性作为该曲线的期望特征。

如图2a和图2b所示，在本实施例中，对于相同型号的断路器，其具有相同的出厂检验标准，即其行程曲线中的特征参数具有相同的标准。根据断路器制造商的标准，以及大量故障相应特征参数的变化情况，选取特征值并建立期望特征表，如表1所示。对于分闸过程，选取行程、超程、反弹、超程时间、回弹时间、触头速度、阻尼时间7个特征值；对于合闸过程，选取行程、超程、反弹、超程时间、回弹时间、触头速度6个特征值。选取的特征参数定义如下：

行程：动触头的最终位置和初始位置的差值，图中标记为A。分闸时，a1≤A≤a2，a1为行程的下限，a2为行程的上限；合闸时，a3≤A≤a4，a3为行程的下限，a4为行程的上限。

超程：动触头的最大位移和最终位置的差值，图中标记为B。分闸时，B≤b1，b1为超程的上限；合闸时，b2≤B≤b3，b2为超程的下限，b3为超程的上限。

反弹：到达超程后，动触头反弹的最大值和最终位置的差值，图中标记为C。分闸时，C≤c1，c1为反弹的上限；合闸时，C≤c2，c2为反弹的上限。

超程时间：到达超程的时间，图中标记为D。分闸时，D≤d1，d1为超程时间的上限；合闸时，D≤d2，d2为超程时间的上限。

反弹时间：反弹所需的时间，图中标记为E。分闸时，E≤e1，e1为反弹时间的上限；合闸时，E≤e2，e2为反弹时间的上限。

触头速度：动静触头接触/分开6mm行程内的平均速度，图中标记为点1和点2的平均速度。分闸时，f1≤F≤f2，f1为分闸速度的下限，f2为分闸速度的上限；合闸时，f3≤F≤f4，f3为合闸速度的下限，f4为合闸速度的上限。

阻尼时间：动触头从超程位置到达最终位置的时间，图中标记为G。分闸时，g1≤G≤g2，g1为阻尼时间的下限，g2为阻尼时间的上限。

表1行程曲线特征点参数说明

实验室采集数据，对提取的特征进行标准化处理后，建立数据库。数据库包含正常数据类别和多种故障数据类别。

在本实施例中，通过在实验室中人为创造故障，并对故障进行不断复现，反复采集故障过程中的行程数据。数据库包含合闸时的5个故障类别和分闸时的3个故障类别，同时还采集合闸和分闸正常时的数据，每个类别的样本数量均大于200。如表2所示。对于每个故障类别，实验时控制故障程度，使触点至少达到其最终状态位置，以此标准采集故障数据。

在本实施例中，由于选取的特征的范围和单位不同，所有数据都要经过标准化处理，公式如下所示：

其中，和σ是数据的均值和方差。处理后，所有数据都符合标准正态分布即均值为0、方差为1。

表2数据库中的分类

表中N1、N2、N3、N4、N5、N6、N7、N8、N9和N10均需大于200。

使用K-近邻算法(KNN)、逻辑回归(LR)、带高斯核的支持向量机(SVM-G)和带多项式核的支持向量机(SVM-P)训练故障检测模型并验证模型准确率，选取最佳故障检测模型。

在本实施例中，使用一对一分析法，用于多分类即多故障检测。其中，一对一分析法是针对任意两个类训练处一个分类器，如果有k个类，则一共构造k(k-1)/2个分类面，使两类分开，当有一个新的样本来的时候，用这k(k-1)/2个分类器来测试，每当被判定为某一类时，该类就加一，最后票数最多的类别被判定为该样本的类。在本实施例中，对于合闸总共有6类，即k＝6，一共构造15个分类器；对于分闸总共有4类，即k＝4，一共构造6个分类器。

在本实施例中，故障检测模型的具体设计步骤如下：

a)将数据分割为训练数据和测试数据，其比例为80至20；其中训练数据中的25％作为验证数据；

b)以F1分数为标准来评估验证数据的性能。通过此方法来确定合适的模型结构；

c)使用K折交叉验证来训练最佳结构的模型；

d)借助测试数据和训练数据的箱形图比较K折交叉验证的结果，并根据在测试数据上的性能选择最终模型；

e)使用测试数据为最终的模型提供一个混淆矩阵，来评估模型的性能。

在本实施例中，针对选取的SPD07、12kV、SF6操作机构，使用上述步骤训练模型的结果如下：

对于KNN模型，K值为5，可以获得所需分类器的最佳参数。对于逻辑回归分类器，在分闸和合闸模式下，多项式核的次数都等于2。L2正则化用于防止逻辑回归模型的过拟合。对于具有高斯核的SVM分类器，分闸模式下的系数C为1000，合闸模式下的系数C为10。对于具有多项式核的SVM，合闸模式下多项式次数为2、系数C为100，分闸模式下多项式次数为3、系数C为1000。用上述的模型结构进行训练并使用K折交叉验证。

对不同型号的断路器均采用多个模型进行训练，分析不同模型的结果，选择最佳的故障检测模型。

如图3a和图3b所示，展示了不同模型合闸情况下的训练数据和测试数据的F1分数。

如图4a和图4b所示，展示了不同模型分闸情况下的训练数据和测试数据的F1分数。

在本实施例中，依据箱型图，将模型准确率(F1分数的平均值)和变异性作为评估标准，选择最佳的故障检测模型。结果表明，在操作机构分合闸两种模式下，高斯核SVM模型在测试数据上的性能均优于其他模型。如图3b和图4b所示，该模型的结果变异性非常小且F1分数的平均值高于其它模型。

测试数据的高斯核SVM故障检测模型在合闸和分闸两种模式下的分类结果如图5a和图5b所示。这个矩阵的主对角线显示了每个类别中正确分类的数据数量。其他行中的数字表示被错误分类的数据。如图5a，在合闸模式下，两个数据属于D类，错误地分配给了正常类；一个数据属于正常类，错误地分配给了F类。此外，另一个数据被错误地归类为关闭弹簧故障，而不是打开弹簧故障。如图5b，故障检测模型在分闸模式下对四个数据进行了错误的分类。此矩阵的最后一行显示了每个类别的正确诊断百分比。最后一列以百分比形式显示了模型分类的有效性。试验数据的模型分类准确率在分闸模式下为98.13％，在合闸模式下为98.55％。

对于实际运行中的断路器，通过物联网技术采集断路器行程曲线数据，对模型进行优化。

在本实施例中，对于实际运行中的断路器，通过物联网技术采集断路器行程曲线数据，包括正常数据类别和多种故障数据类别。对于能通过模型判断的故障类别，直接记录故障类别。对于模型判断不出的故障类别，采用人工标注的形式进行故障类别标注，并记录故障类别。

大数据深度学习结合人工标准，训练选定的最佳模型，优化模型，提高模型准确率。

在本实施例中，有两种方法优化模型，提高模型准确率。一是，经过通过大数据积累，采集样本增加后，再次进行模型训练。二是，对于未知的故障即没有标签的数据，依据经验进行人工标注，增加故障类别，完善数据库。当大数据积累的同分类数据和人工标注的新的分类数据量每增加200条，重新按照上述步骤进行训练，更新故障检测模型。

以上所述仅为本发明的较佳实施例而己，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种高压断路器机械特性故障诊断方法，其特征在于，包括：

第一步骤，对于未确定最佳故障检测模型的断路器，采集正常状态和故障状态的分合闸行程曲线；

第二步骤，判断分合闸行程曲线是否完整，如果是，则从采集的合闸和分闸行程曲线中提取有价值的特性作为该曲线的特征；

第三步骤，对提取的特征进行标准化处理后，建立数据库；

第四步骤，使用K-近邻算法、逻辑回归、带高斯核的支持向量机和带多项式核的支持向量机训练故障检测模型；

其中：

对于K-近邻算法，K值为5，获得所需分类器的最佳参数；

对于逻辑回归，在分闸和合闸模式下，多项式核的次数都等于2；

对于带高斯核的支持向量机，分闸模式下的系数C为1000，合闸模式下的系数C为10；

对于带多项式核的支持向量机，合闸模式下多项式次数为2、系数C为100，分闸模式下多项式次数为3、系数C为1000；

第五步骤，根据评价标准，选定最佳故障检测模型；

第六步骤，对不同型号的断路器均按步骤一到步骤五选定最佳故障检测模型；

第七步骤，对于已确定最佳故障检测模型的断路器，通过物联网技术采集断路器行程曲线数据，分析实际运行中采集的行程曲线；

对于能通过模型判断的故障类别，直接记录故障类别，样本数量每增加200条，重新训练优化最佳模型；

第八步骤，对于未知来源的故障，人工对行程曲线标注故障分类；当大数据积累的同分类数据和人工标注的新的分类数据量大于200时，采用步骤二到步骤五进行模型训练，选择最佳的模型；

所述提取的特征具体是：

对于分闸过程：选取行程、超程、反弹、超程时间、回弹时间、触头速度和阻尼时间；

对于合闸过程：选取行程、超程、反弹、超程时间、回弹时间和触头速度；

所述的行程是指动触头的最终位置和初始位置的差值，记为A；分闸时，a1 ≤ A ≤ a2，a1为行程的下限，a2为行程的上限；合闸时，a3 ≤ A ≤ a4 ，a3为行程的下限，a4为行程的上限；

所述的超程是指动触头的最大位移和最终位置的差值，记为B；分闸时，B ≤ b1 ，b1为超程的上限；合闸时，b2 ≤ B ≤ b3 ，b2为超程的下限，b3为超程的上限；

所述的反弹是指到达超程后，动触头反弹的最大值和最终位置的差值，记为C；分闸时，C ≤ c1 ，c1为反弹的上限；合闸时，C ≤ c2 ，c2为反弹的上限；

所述的超程时间是指到达超程的时间，记为D；分闸时，D ≤ d1 ，d1为超程时间的上限；合闸时，D ≤ d2 ，d2为超程时间的上限；

所述的回弹时间是指反弹所需的时间，记为E；分闸时，E ≤ e1，e1为反弹时间的上限；合闸时，E ≤ e2 ，e2为反弹时间的上限；

所述的触头速度是指动静触头接触/分开6mm行程内的平均速度，记为F；分闸时，f1 ≤F ≤ f2 ，f1为分闸速度的下限，f2为分闸速度的上限；合闸时，f3 ≤ F ≤ f4 ，f3为合闸速度的下限，f4为合闸速度的上限；

所述的阻尼时间是指动触头从超程位置到达最终位置的时间，记为G；分闸时，g1 ≤ G≤ g2 ，g1 为阻尼时间的下限，g2为阻尼时间的上限；

合闸过程中的五种故障类别，分别为：阻尼器故障、主轴上的摩擦力增加、弹簧打开、弹簧闭合、接触轴上的摩擦力增加；以及分闸过程中的三种故障模式，分别为阻尼器故障、弹簧打开、接触轴上的摩擦力增加；

对于每个故障类别，实验时控制故障程度，使触点至少达到其最终状态位置，以此标准采集故障数据。

2.根据权利要求1所述的方法，其特征在于，所述建立的数据库中的数据类别包括：正常数据类别和多种故障数据类别。

3.根据权利要求1所述的方法，其特征在于，使用物联网技术采集实际运行的断路器数据包括大量正常数据、故障数据；对于能通过模型判断的故障类别，直接记录故障类别；对于模型判断不出的故障类别，采用人工标注的形式进行故障类别标注，并记录故障类别。

4.根据权利要求1所述的方法，其特征在于，所述选定最佳故障检测模型的标准为：使用F1分数衡量模型精确度，使用K折交叉验证法衡量模型稳定性。

5.根据权利要求1所述的方法，其特征在于，所述不同型号断路器试验，选取SPD07、12kV、SF6 操作机构进行试验，得到最佳故障检测模型。

6.根据权利要求1所述的方法，其特征在于，所述模型优化包括：对模型进行迭代更新以及数据库样本扩充。

7.根据权利要求6所述的方法，其特征在于，所述样本每增加200条后，重新按上述步骤进行训练，更新模型。