基于PCA和聚類的斷路器分合閘線圈電流研究

李春鋒，孔海洋，王　璇，方福歆，關偉民

(1.中國平煤神馬集團公司電務廠，河南 平頂山　467000；2.武漢大學電氣工程學院，武漢　430072)

基于PCA和聚類的斷路器分合閘線圈電流研究

李春鋒1，孔海洋2，王璇2，方福歆2，關偉民2

(1.中國平煤神馬集團公司電務廠，河南 平頂山467000；2.武漢大學電氣工程學院，武漢430072)

摘要：斷路器的機械特性故障可以通過分合閘線圈電流反應。通過對分合閘線圈的電流分析提取出7個時間和電流特征量，對所有特征量進行主分量分析(PCA)，在保留原特征量信息的基礎上，實現(xiàn)了多維數(shù)據(jù)的降維可視化。對降維后的數(shù)據(jù)通過K-means聚類分析，經過大量樣本的學習，即可直觀地區(qū)分斷路器的正常與各種故障狀態(tài)。該研究方法為高壓斷路器的實時在線故障診斷提供了一種新途徑，與人工識別線圈電流波形判斷故障相比，利用機器識別具有更高的可靠性和工作效率。

關鍵詞：高壓斷路器；線圈電流；PCA；聚類分析

斷路器的分合閘線圈的電流波形可以間接反應操動機構的狀態(tài)，目前，國內外基于分合閘電流信號對斷路器的機械故障監(jiān)測已取得一定的成果，文獻[1]利用人工神經網(wǎng)絡監(jiān)測斷路器的機械狀態(tài)；文獻[2]提出了一種通過對分合閘線圈電流進行數(shù)據(jù)挖掘進而對斷路器狀態(tài)進行決策支持的方法；文獻[3]用支持向量機對分合閘電流信號進行分類，然后診斷斷路器的不同機械故障；文獻[4]利用小波分析和動態(tài)時間規(guī)整相結合的方法分析分合閘電流信號，得到斷路器的狀態(tài)信息。 而本文闡述了一種根據(jù)分合閘線圈電流信號來進行故障自動判定的方法，較上述方法更為簡單易行，且具有較高的準確性。具體的首先通過實時監(jiān)測分合閘線圈的電流，提取出電流波形的時間及電流特征量，采用主分量分析的方法對多維特征量降維，從而得到新的二維特征量。經過對歷史線圈電流數(shù)據(jù)的學習，繪制出二維特征量的特征圖譜，然后對特征點進行K-means聚類分析，即可區(qū)分出正常點與故障點。當出現(xiàn)新的線圈電流數(shù)據(jù)時，同樣對其進行上述分析，從特征圖譜中新數(shù)據(jù)的落點來實現(xiàn)斷路器的故障判定。通過對變電站斷路器分合閘線圈電流的分析，驗證了本文方法的有效性。本方法可以實現(xiàn)機器對斷路器故障進行判定，省去了人工識別的諸多不便，同時可以對斷路器的故障狀態(tài)做出預判，這對于斷路器的狀態(tài)檢修有重要的指導意義。

1數(shù)據(jù)采集

數(shù)據(jù)采集系統(tǒng)采用模塊化結構，主要采集斷路器主副分閘線圈和合閘線圈電流，并對其電流波形進行數(shù)字化處理與分析。采集分合閘線圈電流信號采用的是霍爾電流傳感器?；魻栯娏鱾鞲衅黜憫獣r間快，測量精度高，特別適合測量微小電流。電流傳感器的結構如圖1所示。圖1中輸入電流為I1，通過傳感器內部的互感線圈輸出電流為I2，輸入輸出電流的關系為I1N1=I2N2。

圖1　霍爾電流傳感器結構圖

將傳感器采集到的電流信號經過信號調理部分的濾波、轉換等變換成電壓信號，通過IS0124隔離放大器將此電壓信號放大到AD7606端口所需的電壓，由AD7606將其轉換成數(shù)字信號，輸入到STM32微處理中。STM32將處理后的數(shù)據(jù)，通過RS-422接口傳送給上位機，進行數(shù)據(jù)分析[5]。數(shù)據(jù)采集系統(tǒng)整體結構框圖如圖2所示。

圖2　數(shù)據(jù)采集系統(tǒng)結構框圖

2原理分析

高壓斷路器一般都是以電磁鐵作為操作的第一級控制件。大多數(shù)斷路器均以直流為其控制電源，故直流電磁線圈的電流波形中包含著豐富的斷路器操動機構的機械特性信息，反映電磁鐵本身以及所控制的鎖門或閥門以及連鎖觸頭在操動過程中的工作情況。因此，斷路器分合閘線圈的電流是斷路器狀態(tài)監(jiān)測的一個重要內容[6]。高壓斷路器的分合閘線圈回路可等效為電阻與電感的串聯(lián)，其等值電路如圖3所示。

圖3　斷路器分/合閘線圈等值電路圖

圖3中，R為線圈的等效電阻，L為等效電感，i為線圈電流，則電路的微分方程為

(1)

其中，ψ=Li為分合閘線圈通電時產生的磁鏈，L不隨i變化，但與氣隙δ有關，則有

(2)

通過解微分方程可以得到分合閘過程中線圈電流的波形如圖4所示。

圖4　分合閘線圈電流波形

通過監(jiān)測分合閘線圈的電流波形可獲取斷路器的狀態(tài)信息，因此選擇采集主副分閘線圈和合閘線圈電流，并對電流信號波形進行分析。選擇斷路器分合閘過程的各極值電流及其時間點，作為波形的各特征量值。

圖4中，t0～t1為鐵芯觸動階段，其中t0為斷路器分(合)命令到達時刻，是斷路器分合時間計時起點。t1為線圈電流上升到I1，足以驅動鐵芯運動，即鐵芯開始運動的時刻。

t1～t2為鐵芯在電磁力作用下，克服重力和彈簧力等阻力開始加速運動，直到鐵芯上端面碰撞到支持部分停止運動為止。這一階段可以反映鐵心運動機構是否發(fā)生卡滯、脫扣、負載變動的情況。

該系統(tǒng)以機動車為載體，針對移動指揮特性的需求，集成多種通信手段，提供數(shù)據(jù)感知、傳輸和共享功能，配置單兵圖傳，開發(fā)了車載指揮決策支持系統(tǒng)。系統(tǒng)集信息采集、實景監(jiān)控、遠程會商、輔助決策、指揮調度為一體，作為固定指揮中心的有效延伸，充分發(fā)揮省市系統(tǒng)互聯(lián)、資源共享、統(tǒng)一調度優(yōu)勢，切實提高了防汛防旱應急指揮能力。

t2～t3為通過傳動系統(tǒng)帶動斷路器觸頭分、合閘的過程。t2時鐵芯停止運動，而觸頭則在t2后開始運動。t3為斷路器輔助接點切除時刻，t2～t3可以反映斷路器操作傳動系統(tǒng)運動的狀態(tài)。

t3-t4為電流開斷過程。t3時刻后會出現(xiàn)一段相對穩(wěn)態(tài)過程，t4時刻斷路器分合閘過程結束[8-10]。

因此，通過分析線圈電流波形的t1、t2、t3、t4、I1、I2、I3等特征量可以分析并計算出鐵芯啟動時間、運動時間、線圈通電時間等參數(shù)，從而得到鐵芯運動和所控制的啟動閥鐵閂以及輔助開關轉換的工作狀態(tài)，并根據(jù)斷路器自身參數(shù)，比較判斷操動機構是否有鐵芯空行程，彈簧卡滯等故障，從而監(jiān)測出斷路器操動機構的工作狀態(tài)，預告故障。例如I1、I2、I3三個電流可分別反映電源電壓、線圈電阻以及鐵芯運動的速度信息[11]。所以，斷路器分合閘線圈的電流曲線對分析斷路器的機械操動特性具有重要意義。變電站實際監(jiān)測的斷路器分合閘線圈電流如圖5和圖6所示。

圖5　實測分閘線圈電流

圖6　實測合閘線圈電流

3主分量分析

由于提取的分合閘線圈電流特征量多，采用主分量分析(Principal Component Analysis)的方法對提取的特征量進行數(shù)據(jù)挖掘，從而大大簡化分析過程。PCA的目的是尋找一個最優(yōu)化的特征子空間，使觀測數(shù)據(jù)在此特征子空間下進行投影，并獲得有最大方差的分量。PCA就是尋找一個正交變換矩陣，使得多維數(shù)據(jù)進行正交變換后，其變換后的新分量之間互不相關。PCA的出發(fā)點是一個n維隨機向量x=(x1，x2，…xn)T，向量x首先用去均值的方法進行中心化。

x←x-E{x}

(3)

然后求得向量的樣本協(xié)方差矩陣Cx，

Cx=E{xxT}

(4)

前m個主分量y1，y2，…ym的累計方差貢獻率為

(5)

當P(m)大于設定門檻值，就可取前m個主分量來表征原始信息。這樣就把x通過變換矩陣e1，e2，…，em線性變換到另一個m維向量y，m

圖7　PCA二維效果圖

圖8　方差貢獻率

4聚類分析

線圈電流特征量PCA后，為了判別二維特征量的正常與故障狀態(tài)，采用K-means聚類分析。K-means聚類也被稱為K均值聚類，是應用最為廣泛的一種聚類方法，這里K即為分類的個數(shù)。K-means聚類的目標是將N維的數(shù)據(jù)點自動歸類，實現(xiàn)數(shù)據(jù)特征識別。K-means聚類步驟如下：

1) 任意選擇K個對象作為初始的聚類中心。

2) 計算每一點到聚類中心的距離，將數(shù)據(jù)點分到距離最近的聚類中。

3) 所有對象分配完成后，重新計算聚類中心。

4) 與前一次計算得到的K個聚類中心比較，如果聚類中心發(fā)生變化，返回第2步迭代，否則輸出聚類結果[14]。

對15組主分量數(shù)據(jù)進行聚類分析，設置分為正常和故障兩類，聚類后效果圖如圖9所示。10組正常波形特征點聚集為一類，5組故障波形特征點較為分散，且與正常點有明顯區(qū)分，其分類結果符合實際情況。

圖9　聚類后主分量圖

利用少量隨機樣本對故障識別程序進行訓練，再利用典型的正常和故障樣本進行測試，從而驗證分類結果。當出現(xiàn)故障未知的分合閘電流波形時，同樣進行PCA和聚類分析，再映射到相應的特征分量圖譜中，就能夠判定該電流波形屬于何種狀態(tài)。聚類是一個不斷學習的過程，在完成對新數(shù)據(jù)的判定后，同時重新將正常與故障特征數(shù)據(jù)保存，從而不斷更新故障判定系統(tǒng)，提高判定的準確性。

典型的正常與故障波形樣本進行測試的結果如圖10與圖11所示。正常的分合閘線圈電流主分量經K-means聚類后歸到了正常的類別，而故障電流主分量歸到了故障的類別。整個判定過程隨樣本點的增多而不斷更新，最終形成故障樣本庫，通過該樣本庫可繼續(xù)實現(xiàn)故障類別的判定。

圖10　正常波形

圖11　故障波形

通過對變電站斷路器線圈電流實測數(shù)據(jù)的判定，驗證了K-means聚類方法對正常特征點與故障特征點的區(qū)分效果。該方法可實現(xiàn)斷路器操動機構故障的機器判別，同時可作為斷路器故障在線監(jiān)測系統(tǒng)的輔助故障判別手段。

5結語

高壓斷路器的故障主要為機械特性故障，尤其是操動機構的問題比較突出，嚴重影響斷路器的可靠運行和電力系統(tǒng)的安全。本文研究了一種基于PCA和K-means聚類分析的斷路器操動機構故障判別方法，原理簡單，容易實現(xiàn)。通過對分合閘線圈電流信號中的關鍵特征量進行PCA降維，畫出二維主分量圖譜，并對圖譜中數(shù)據(jù)點進行聚類，實現(xiàn)了故障波形與正常波形的劃分。通過系統(tǒng)學習，可實現(xiàn)斷路器操動機構故障的預判。經過對變電站實測分合閘電流波形的分析，驗證了本方法的可靠性，并且有較高的工作效率，這對斷路器在線監(jiān)測有重要的參考價值，對及時做出檢修決策，減少事故的發(fā)生有重要的指導意義。

參考文獻：

[1]沈力，黃瑜瓏，錢家驪．高壓斷路器機械狀態(tài)監(jiān)測的研究[ J]．中國電機工程學報，1997，17(2):113-117.

SHEN Li，HUANG Yu-long，QIAN Jia-li．Research on mechanical condition monitoring for HV circuit breakers[J]．Proceedings of the CSEE，1997，17(2):113-117.

[2]SCOTT M.STRACHAN，STEPHEN D J. MCARTHU R，BRUCE STEPHEN，et al．Providing decision support for the condition-based maintenance of circuit breakers through data mining of trip coil current signitures[J]．IEEE Trans on Power Delivery，2007，22(1):178-186.

[3]袁金麗，李奎，郭志濤，等．基于SVM與合分閘線圈電流參數(shù)的高壓斷路器機械故障診斷[J]．高壓電器，2011，47(3):26-30.

YUAN Jin-li，LI Kui，GUO Zhi-tao，et al．Mechanical failure diagnosis of high voltage circuit breaker based on SVM and opening/closing coil current parameters[J]．High Voltage Apparatus，2011，47(3):26-30.

[4]張永奎，趙智忠，馮旭，等．基于分合閘線圈電流信號的高壓斷路器機械故障診斷[J]．高壓電器，2013，49(2):37-42.

ZHANG Yong-kui，ZHAO Zhi-zhong，F(xiàn)ENG Xu，et al.Mechanical fault diagnosis of high voltage circuit breakers based on opening/closing coil current parameters[J]．High Voltage Apparatus，2013，49(2):37-42.

[5]牟濤，周水斌，王曉峰．斷路器機構狀態(tài)監(jiān)測數(shù)據(jù)采集的實現(xiàn)[J]．低壓電器，2013(3):26-30.

MU Tao，ZHOU Shui-bin，WANG Xiao-feng．Data acquisition in the mechanical condition monitoring of circuit breaker[J]．Low Voltage Apparatus，2013(3): 26-30.

[6]李琦．高壓斷路器機械特性在線監(jiān)測研究[D]．北京:華北電力大學，2011.

[7]宋錦剛，許長青，朱統(tǒng)亮．基于波形辨識技術的SF6斷路器分/合閘線圈電流監(jiān)測[J]．電力建設，2011，32(3):65-68.

SONG Jin-gang，XU Chang-qing，ZHU Tong-liang．Coil current monitoring of SF6circuit breakers based on waveform identification[J]．Electric Power Construction，2011，32(3):65-68.

[8]李勁彬，全江濤，陳雋，等．基于分合閘線圈電流的某換流站開關故障分析[J]．高壓電器，2015，51(2):141-145.

LI Jin-bin，QUAN Jiang-tao，CHEN Jun，et al．Fault analysis of circuit breaker in a converter station based on switching coil currents[J]．High Voltage Apparatus，2015，51(2):141-145.

[9]彭搏．高壓斷路器在線監(jiān)測與故障診斷系統(tǒng)的研究[D]．上海:上海交通大學，2013.

[10]鐘家喜，李保全，李亞紅．高壓斷路器機械狀態(tài)診斷與監(jiān)測技術的探索與實踐[J]．高壓電器，2011，47(2):53-60.

ZHONG Jia-xi，LI Bao-quan，LI Ya-hong．Exploration and practices of mechanical state diagnosis and monitoring techniques for high voltage circuit-breaker[J]．High Voltage Apparatus，2011，47(2):53-60.

[11]胡曉光，孫來軍，紀延超．基于線圈電流和觸點狀態(tài)的斷路器故障分析[J]．電力自動化設備，2006，26(8):5-7.

HU Xiao-guang，SUN Lai-jun，JI Yan-chao．Circuit breaker fault analysis based on coil currents and contact states[J]． Electric Power Automation Equipment，2006，26(8):5-7.

[12]靳洋．基于PCA/ICA的圖像特征提取算法研究[D]．西安:西安電子科技大學，2014.

[13]劉永斌，何清波，孔凡讓，等．基于PCA和SVM的內燃機故障診斷[J]．振動、測試與診斷，2012，32(2):250-255.

LIU Yong-bin，HE Qing-bo，KONG Fan-rang，et al．Fault diagnosis of internal combustion engine using PCA and SVM[J]．Journal of Vibration，Measurement & Diag nosis，2012，32(2):250-255.

[14]馮超．K-means聚類算法的研究[D]．大連:大連理工大學，2007.

(本文編輯：趙艷粉)

Research of the Circuit Breakers′ Switching Coil Currents Based on PCA and Clustering Algorithm

LI Chun-feng1, KONG Hai-yang2, WANG Xuan2, FANG Fu-xin2, GUAN Wei-min2

(1. Electric Factory of China Pingmei Shenma Group, Pingdingshan 467000, China;2. School of Electrical Engineering, Wuhan University, Wuhan 430072, China)

Abstract:The mechanical failure of circuit breakers can be responded by switching coil current. This paper extracted seven time and current characteristics through the analysis of switching coil current, and analyzed all characteristics using Principal Component Analysis (PCA). This method can not only retain the original information of the characteristic, but also implement the dimension reduction and visualization of multidimensional data. Through K-means clustering analysis of the data after dimension reduction, and after a large sample of study, we can distinguish between normal and all kinds of fault state of circuit breakers intuitively. The research method provides a new way for real-time online fault diagnosis of HV circuit breakers. Compared with judging fault using the artificial identification of the switching coil current waveform, the machine identification will have higher reliability and working efficiency.

Key words:HV circuit breaker; coil currents; PCA; clustering analysis

DOI：10.11973/dlyny201601007

作者簡介：李春鋒(1978)，男，工程師，長期從事電氣設備的維護和管理。

中圖分類號：TM561

文獻標志碼：B

文章編號：2095-1256(2016)01-0032-05

收稿日期：2015-10-15