高壓斷路器故障診斷研究

朱斌 吳鈞浩 蔡衛(wèi)峰

摘要：高壓斷路器作為電力系統(tǒng)領(lǐng)域的關(guān)鍵設(shè)備，在電網(wǎng)中起控制和保護(hù)作用，是電力系統(tǒng)中開(kāi)斷和關(guān)合電流的重要開(kāi)斷元件，一旦發(fā)生故障極有可能觸發(fā)大規(guī)模電力安全事故[1]?，F(xiàn)階段高壓斷路器故障診斷技術(shù)落后，因此對(duì)高壓斷路器進(jìn)行狀態(tài)監(jiān)測(cè)及故障診斷具有十分重要的意義。

大多數(shù)的斷路器故障主要由機(jī)械故障造成，一般振動(dòng)信號(hào)包含了斷路器的機(jī)械狀態(tài)，提取信號(hào)的有效特征，并選擇合適的分類(lèi)器，可實(shí)現(xiàn)對(duì)故障類(lèi)型的診斷。

關(guān)鍵詞：包絡(luò)熵；多分類(lèi)支持向量機(jī)

1.高壓斷路器典型監(jiān)測(cè)參數(shù)[2]

高壓斷路器的故障種類(lèi)繁多，以操動(dòng)機(jī)構(gòu)的種類(lèi)作為分類(lèi)高壓斷路器故障的宏觀判斷條件，尤以彈簧操動(dòng)機(jī)構(gòu)的高壓斷路器最為常見(jiàn)。下表2.1為某變電站彈簧操動(dòng)機(jī)構(gòu)的斷路器故障統(tǒng)計(jì)數(shù)據(jù)節(jié)選。

由表2.1可知，在三種故障發(fā)生的位置中，以操動(dòng)機(jī)構(gòu)的故障最多，控制回路的故障率僅次于操動(dòng)機(jī)構(gòu)。斷路器本體的故障率取決于斷路器本體制作工藝及斷路器所處工作的外部環(huán)境。

2.基于包絡(luò)熵和支持向量機(jī)的故障診斷

斷路器的故障診斷可分為四個(gè)過(guò)程：信號(hào)采集、信號(hào)數(shù)據(jù)預(yù)處理、信號(hào)特征提取、故障診斷。本節(jié)主要針對(duì)故障診斷分析。

2.1包絡(luò)熵

特征提取主要通過(guò)對(duì)變分模態(tài)分解后的本征模態(tài)分量求解包絡(luò)，通過(guò)計(jì)算包絡(luò)熵確定原信號(hào)的特征。首先統(tǒng)一數(shù)值將模態(tài)內(nèi)的數(shù)值歸一化，歸一化公式如（2.1）所示， 為模態(tài)分量中 的最大值。

2.2支持向量機(jī)

常見(jiàn)實(shí)現(xiàn)K（K>2）分類(lèi)的方式有三種[3]：（1）從原理上實(shí)現(xiàn)多分類(lèi)；（2）一對(duì)其余方法；（3）一對(duì)一方法。

首先判斷樣本是否屬于故障樣本，如若屬于故障樣本再對(duì)其進(jìn)行故障判別。由于故障類(lèi)別的數(shù)量不多，可考慮使用一對(duì)一方法構(gòu)造 個(gè)分類(lèi)器構(gòu)成一個(gè)有向無(wú)環(huán)圖。在進(jìn)行多分類(lèi)之前構(gòu)造一個(gè)二分類(lèi)器，故總計(jì)有K（K-1）/2+1個(gè)分類(lèi)器。

本文選用sklearn機(jī)器學(xué)習(xí)庫(kù)中的SVM模塊進(jìn)行故障預(yù)測(cè)。由于正常樣本和故障樣本數(shù)量不均衡，故構(gòu)造第一個(gè)分類(lèi)器時(shí)需提高正常樣本的權(quán)重，設(shè)置權(quán)重比例為1：4，其他分類(lèi)器權(quán)重比例為1：1。選擇懲罰系數(shù)值時(shí)，懲罰系數(shù)越高，對(duì)輸入樣本的分類(lèi)能力就越強(qiáng)，但同時(shí)也容易導(dǎo)致分類(lèi)器泛化能力下降。根據(jù)測(cè)試結(jié)果選擇分類(lèi)器的懲罰系數(shù)及其輸入樣本預(yù)測(cè)精度表分別如下：

對(duì)表2.2各底層分類(lèi)器求對(duì)應(yīng)的分類(lèi)精度再取平均值，得輸入樣本分類(lèi)精度為61.9%。計(jì)算后測(cè)試樣本的分類(lèi)精度為68%，基本符合理論計(jì)算值。

3.總結(jié)

本文以操動(dòng)機(jī)構(gòu)的種類(lèi)作為分類(lèi)高壓斷路器故障的條件，介紹了主要故障參數(shù)，最后從包絡(luò)熵、多分類(lèi)支持向量機(jī)來(lái)選擇合適的分類(lèi)器，利用SVM模塊進(jìn)行故障預(yù)測(cè)并驗(yàn)證了該方法的有效性。

參考文獻(xiàn)

[1]劉亞芳.高壓斷路器事故調(diào)查[J].國(guó)際電力，1997，33（3）：12-13.

[2]Liu Ai-min，Lin Xin，Liu Xiang-dong.Fault Diagnosis Method of High Voltage Circuit Breaker based on （RBF） Artificial Neural Network [C].IEEE/PES Transmission & Distribution Conference & Exposition，2005：1-4.

[3]Shuang Liu，Jian Yun，Peng Chen.A new GA-based decision search for DAG-SVM[C].2010 International Conference on Computer Application and System Modeling，2010，650-653.