高壓斷路器故障診斷技術(shù)研究綜述

蓋曜麟，葛麗娟，竇旭萌

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特 010000)

0 引言

故障診斷是電氣設(shè)備進行狀態(tài)檢修的技術(shù)基礎(chǔ)。高壓斷路器是電力系統(tǒng)中重要的開關(guān)設(shè)備，其運行狀態(tài)直接影響系統(tǒng)的供電可靠性和穩(wěn)定性。而斷路器在使用過程由于潛在的設(shè)備缺陷或部件老化會導(dǎo)致其工作可靠性下降，嚴重時甚至?xí)痣娏ο到y(tǒng)事故擴大，造成巨大損失。因此，對斷路器的運行狀態(tài)進行在線監(jiān)測，通過故障診斷技術(shù)甄別其潛在缺陷和故障，不僅能夠及時判斷出設(shè)備故障的位置以及部件故障的嚴重程度，還可以診斷出設(shè)備的故障原因，為斷路器實現(xiàn)狀態(tài)檢修提供重要決策依據(jù)[1-4]。

1 高壓斷路器的狀態(tài)特征信號

設(shè)備故障診斷系統(tǒng)主要由信號采集、信號預(yù)處理、信號特征提取及特征篩選、故障診斷識別等部分組成。在故障診斷中，在線監(jiān)測對象的選擇是其前提和基礎(chǔ)。目前，高壓斷路器常見的監(jiān)測信號包括電氣信號和機械信號兩大類，具體如表1[5-8]所示。

表1 高壓斷路器故障診斷的主要特征量

2 信號處理基本方法

通過對采樣信號的處理，得到故障信號的特征量。近年來，時域分析、幅值域分析法、傅里葉變換、小波分析、小波包分析等信號處理技術(shù)的發(fā)展為斷路器故障診斷提供了技術(shù)基礎(chǔ)[9-10]。

電流信號特征提取所需計算量小，對處理器硬件要求不高。文獻[11]提出了一種基于皮爾森相關(guān)系數(shù)的電流特征量優(yōu)化方法；文獻[12]采用小波分析及時域求極值點法對去噪后的線圈電流信號進行特征值提?。晃墨I[13]采用基于三次樣條插值和近似導(dǎo)數(shù)法對電流信號進行特征提取。

早期振動信號特征提取的方法有頻域法、動態(tài)時間規(guī)整法、偏差測試法等。21世紀以后，人們引入了細化頻譜法、小波分析、積分參數(shù)法、分形方法等。近幾年來，研究人員又提出了經(jīng)驗?zāi)B(tài)法、小波及小波包變換法等[14-15]。文獻[16]將改進的小波包分解法應(yīng)用在高壓斷路器振動信號特征分解上；文獻[17]將集合經(jīng)驗?zāi)B(tài)分解引入到斷路器振動信號處理中，診斷正確率可達95.74%。

這些方法能夠有效對信號進行去噪，從而提高了診斷準確率，大部分已經(jīng)成功應(yīng)用在工程項目中，但由于電流信號的采集需要將霍爾電流傳感器安裝在斷路器分合閘電流線圈回路中，設(shè)備的反復(fù)拆裝對斷路器有較大影響。由于斷路器是瞬動式設(shè)備，振動信號的獲取受外界干擾較大，需在操作箱內(nèi)固定加速度傳感器進行信號采集。故現(xiàn)有的信號采集處理方法需做進一步改進，在原有方法的基礎(chǔ)上盡量減少傳感器拆裝對斷路器的影響，避開各類信號獲取時的缺陷 。

3 高壓斷路器故障診斷技術(shù)研究現(xiàn)狀

國外在20世紀60年代開始對高壓斷路器故障診斷技術(shù)進行研究，國內(nèi)該技術(shù)的發(fā)展起步于20世紀70年代。電力設(shè)備的故障診斷技術(shù)隨著計算機技術(shù)、傳感器技術(shù)和光纖技術(shù)的發(fā)展和應(yīng)用得到迅速提升。近年來，國外一些國家通過研發(fā)并改進故障在線監(jiān)測裝置 ，一定程度上推動了故障診斷技術(shù)的進一步提升和應(yīng)用?，F(xiàn)階段，國內(nèi)外的故障診斷技術(shù)水平隨著信息技術(shù)、人工智能技術(shù)的發(fā)展得到了進一步提升。人工智能技術(shù)如專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機等智能故障診斷技術(shù)成為當下的熱門主流技術(shù)。目前，斷路器智能診斷技術(shù)主要可分為三類：基于解析模型、基于模式識別和基于專家系統(tǒng)的故障診斷[18-23]。

3.1 基于解析模型的故障診斷

文獻[24]—[29]介紹了現(xiàn)有研究中基于解析模型的斷路器故障診斷方法。外文文獻中，文獻[24]基于解析模型，提出了針對斷路器操作機構(gòu)機械故障進行診斷的思路方法。該模型能夠有效識別斷路器分合閘閉鎖及電源電壓過低等故障，由于該模型未實現(xiàn)對診斷規(guī)則的完全解析，當數(shù)據(jù)信號存在漏報或誤報時，可能會導(dǎo)致系統(tǒng)誤判。文獻[25]設(shè)計開發(fā)了基于Profinet和B/S(Browser/Server)架構(gòu)的故障診斷系統(tǒng)模型。該模型通過有效利用測試信息和診斷規(guī)則，在考慮拒動與誤動的情況下實現(xiàn)了開放式、分布式的診斷過程。文獻[26]開發(fā)了一種用于監(jiān)測高壓斷路器的無功切換診斷系統(tǒng)，通過監(jiān)測開關(guān)中的電壓、電流波形實現(xiàn)機械故障的識別診斷。但該診斷方法太過依賴關(guān)鍵參數(shù)的非侵入性評估，導(dǎo)致適用性不強。

中文文獻中，文獻[27]提出了一套基于DSP(Digital Signal Processor)的機械特性監(jiān)測與故障診斷系統(tǒng)，該系統(tǒng)通過監(jiān)測分合閘電流信號、動觸頭位移信號，結(jié)合神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對斷路器拒分、拒合等故障的正確判斷，診斷準確率可達94.57%。文獻[28]基于解析模型的方法，通過求解最優(yōu)解來獲取電網(wǎng)故障診斷信息，結(jié)合隨機優(yōu)化算法實現(xiàn)了對斷路器觸頭磨損、鋼套滾輪卡澀及底部螺栓松動等機械故障的診斷，該方法克服了傳統(tǒng)解析模型難以處理的告警錯誤缺陷，提高了診斷模型的容錯性和適用性。文獻[29]通過對斷路器狀態(tài)進行監(jiān)測，基于擴展解析模型構(gòu)建開發(fā)了實用化的在線電網(wǎng)故障診斷系統(tǒng)，實現(xiàn)了對斷路器拒動、誤動故障的有效識別，通過離線測試和在線測試，驗證了該方法的可行性。

基于解析模型的診斷方法通過對診斷規(guī)則進行解析化的表達，實現(xiàn)了故障診斷問題到0-1整數(shù)規(guī)劃問題的轉(zhuǎn)化，將問題簡單化，有效提高了故障識別的效率，通過訓(xùn)練模型確保了故障分類的準確率，達到了很好的診斷效果，具有較嚴密的數(shù)學(xué)理論基礎(chǔ)和良好的應(yīng)用前景。經(jīng)過長時間的運行表明，當前國內(nèi)外研發(fā)的監(jiān)測診斷系統(tǒng)均能較好地對高壓斷路器的狀態(tài)信息進行監(jiān)測和分析。故障樣本可通過軟件仿真得到，無須反復(fù)試驗，現(xiàn)階段斷路器監(jiān)測與診斷系統(tǒng)正在向著大規(guī)模專家系統(tǒng)方向發(fā)展，基于各種智能理論的斷路器故障診斷與決策系統(tǒng)也開始出現(xiàn)。然而，基于解析模型的方法在面臨解的多重性問題，即發(fā)生多個拒動、誤動以及告警錯誤時，模型會出現(xiàn)最優(yōu)解不固定的情況，從而影響故障模式的準確判別；且解析模型需在精準數(shù)學(xué)模型的保證下進行故障識別和診斷，而實況中設(shè)備的結(jié)構(gòu)和參數(shù)存在很大的不確定性，故在未來高壓斷路器診斷的研究發(fā)展中，在保證識別效率和故障分類準確性的同時，需進一步優(yōu)化多重性問題的處理準確率，克服對設(shè)備參數(shù)的依賴，建立智能理論與實況相結(jié)合的更優(yōu)決策診斷系統(tǒng)。

3.2 基于模式識別的故障診斷

文獻[30]—[36]介紹了現(xiàn)有研究中基于模式識別的斷路器故障診斷方法。外文文獻中，文獻[30]采用小波包和支持向量機的方法對斷路器進行故障診斷，該方法可準確診斷出動觸頭位移偏差、彈簧傳動力不足以及電機轉(zhuǎn)子卡澀等斷路器故障。但優(yōu)化算法訓(xùn)練復(fù)雜，存在一定分類盲區(qū)。文獻[31]將改進的BP神經(jīng)網(wǎng)絡(luò)動量梯度下降算法應(yīng)用于高壓斷路器故障診斷，該算法通過調(diào)整學(xué)習(xí)率和權(quán)值實現(xiàn)了對斷路器分合閘線圈燒毀、二次接線故障等故障的有效診斷，改進后的算法準確率高達94.78%，全局收斂性和快速性方面較傳統(tǒng)算法具有明顯優(yōu)勢，為實現(xiàn)更有效的故障診斷提供了新的思路。文獻[32]采用經(jīng)驗?zāi)B(tài)分解和支持向量機的方法對高壓斷路器進行故障診斷。該方法在全局優(yōu)化方面計算簡單，分類精度更高，但該方法在一定程度上沒有考慮全局可靠性，從而導(dǎo)致后期診斷識別能力下降。

中文文獻中，文獻[33]建立了基于粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障識別系統(tǒng)模型，實現(xiàn)了對斷路器緩沖器無效超程、絕緣拉桿松動等機械故障的有效診斷。結(jié)果表明，該模型故障診斷正確率和精度更高，診斷模型結(jié)構(gòu)簡單，具有良好的收斂性以及較強的識別效率；但當故障特征量離散性較大時，該模型處理速度下降，對故障識別診斷的效果不佳。文獻[34]建立了實數(shù)陰性選擇法和支持向量機相結(jié)合的兩級分類器，并對斷路器進行故障診斷。結(jié)果表明該算法能有效識別彈簧松動、傳動齒輪卡澀等斷路器潛在機械故障，診斷準確率可高達93.68%。鑒于故障診斷屬于模式識別問題，文獻[35]利用自組織特征映射(Self-Organizing feature Map，SOM)神經(jīng)網(wǎng)絡(luò)在模式識別及模式聚類中的優(yōu)勢，通過監(jiān)測分合閘電流信號、儲能電機電流信號以及動觸頭速度行程信號，實現(xiàn)了對鐵心卡澀、操作電壓過低、操動機構(gòu)卡澀三種狀態(tài)的機械故障診斷識別。該方法建模簡單，收斂速度快，對故障能夠?qū)崿F(xiàn)精準分類和判斷，但由于實測故障特征量多為高維數(shù)據(jù)，一定程度影響網(wǎng)絡(luò)收斂速度，原始SOM神經(jīng)網(wǎng)絡(luò)法有待進一步改進。文獻[36]通過監(jiān)測斷路器電流信號，利用最小支持向量機在高壓斷路器這類小樣本設(shè)備故障診斷中的優(yōu)勢，實現(xiàn)了對斷路器電氣二次控制回路、鐵心卡澀故障的有效診斷。該方法泛化能力強，模型訓(xùn)練時不會陷入極小值，一定程度上避免了維數(shù)災(zāi)難。利用最小二乘支持向量機對高壓斷路器進行故障診斷的方法為將來電力設(shè)備進行故障定位和狀態(tài)檢修奠定了基礎(chǔ)。

基于模式識別的方法在速度與精度方面優(yōu)于基于解析模型的部分故障診斷方法，它不依賴以設(shè)備結(jié)構(gòu)和參數(shù)為基礎(chǔ)建立的數(shù)學(xué)模型，通過將領(lǐng)域?qū)＜业膯l(fā)性經(jīng)驗知識與診斷對象結(jié)構(gòu)功能及性能等知識相結(jié)合，以人工智能算法為基礎(chǔ)，訓(xùn)練過程計算簡潔，獲取知識能力強，系統(tǒng)維護簡單，提升了對故障診斷識別的有效性；不受限于有限的樣本數(shù)據(jù)，利用有代表性的數(shù)據(jù)即可對故障進行全面準確的識別診斷。但其缺點是基于模式識別的方法無法覆蓋所有類型的數(shù)據(jù)特征量，模型識別過程易受數(shù)據(jù)影響陷入局部最優(yōu)從而導(dǎo)致診斷結(jié)果片面，降低了診斷準確性。作為目前國內(nèi)外進行斷路器故障診斷的常用方法，該方法不僅避免了反復(fù)拆裝操作給斷路器可靠性能帶來的負面影響，而且能夠在短時間內(nèi)預(yù)測并診斷排除故障隱患，故后期需提升訓(xùn)練模型或分類器的全局優(yōu)化能力，通過算法的進一步優(yōu)化，保證知識庫的一致性與完備性，克服現(xiàn)階段局部優(yōu)化缺陷，進一步完善基于人工智能算法的模式識別方法。

3.3 基于專家系統(tǒng)的故障診斷

文獻[37]—[41]介紹了現(xiàn)有研究中基于專家系統(tǒng)的斷路器故障診斷方法。文獻[37]通過對提取的電流信號進行監(jiān)測，將原子稀疏分解算法應(yīng)用在斷路器故障診斷專家系統(tǒng)中，實現(xiàn)了鐵心卡澀、潤滑不足等故障的有效診斷。該算法較傳統(tǒng)算法診斷精度高，計算時間短。文獻[38]通過監(jiān)測振動信號，在改進BREMD和ELM方法的基礎(chǔ)上利用極限學(xué)習(xí)機ELM(Extreme Learning Machine)進行故障診斷，實現(xiàn)了對斷路器故障快速診斷。該方法利用記憶專家系統(tǒng)的知識庫知識獲取功能，有效識別了鐵心卡澀、操作電壓過低等故障，準確性可高達94.86 %，能夠更快速地對斷路器故障進行定位和診斷。

文獻[39]通過對線圈電流及振動信號特征量進行監(jiān)測和處理，設(shè)計了一種多參數(shù)規(guī)則推理的故障診斷專家系統(tǒng)，該系統(tǒng)能準確診斷出斷路器基座螺絲松動、緩沖器彈簧無效超程等多種故障類型。但該專家系統(tǒng)在特征知識獲取、知識更新、智能綜合分析功能方面仍存在一定的局限性，需做進一步改進。文獻[40]通過對斷路器行程、分合閘速度以及振動信號進行監(jiān)測，設(shè)計了基于RBF神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)，該系統(tǒng)克服了傳統(tǒng)專家系統(tǒng)存在的在知識獲取和表達上的薄弱環(huán)節(jié)缺陷，根據(jù)系統(tǒng)的運行狀態(tài)、是否出現(xiàn)故障及故障類型來進行故障的準確診斷。文獻[41]研究了一種改進型神經(jīng)網(wǎng)絡(luò)，針對高壓斷路器這類小樣本電力設(shè)備有診斷快速性的要求，提出將獲取特征量輸入到神經(jīng)網(wǎng)絡(luò)中對其進行快速精確診斷，這種專家系統(tǒng)適用于與傳動機構(gòu)相關(guān)聯(lián)的故障類型診斷。改進后的混合算法可對多目標尋優(yōu)且尋優(yōu)速度也得到了明顯提升，因此能快速、有效地對斷路器故障進行診斷識別。

基于專家系統(tǒng)的故障診斷方法相較于基于解析模型的診斷方法在數(shù)據(jù)信號處理效率、故障識別分類效率方面有較大提升，相較于基于模式識別的故障診斷方法，這類方法在模型訓(xùn)練時避免了局部最優(yōu)缺陷，克服了在知識獲取和表達上的薄弱環(huán)節(jié)，能夠通過對高壓斷路器故障的準確定位最終實現(xiàn)其故障的精確診斷。

4 結(jié)論

基于解析模型的方法能夠有效提高故障辨識的速度和精度，通過模型訓(xùn)練確保故障分類的準確率從而達到了良好的診斷效果；但其構(gòu)架模型過程計算復(fù)雜，過程冗余?；谀Ｊ阶R別的方法相較于解析模型診斷法，其訓(xùn)練過程中計算量小，系統(tǒng)維護簡單，提升了對故障診斷識別的精度，且不受限于有限樣本數(shù)據(jù)；但此算法在進行模型訓(xùn)練識別過程中容易陷入局部最優(yōu)，受數(shù)據(jù)特征影響造成收斂速度減慢，影響故障診斷的效率和全面性?；趯＜蚁到y(tǒng)的故障診斷方法相較于模式識別診斷法避免了模型訓(xùn)練時的局部最優(yōu)缺陷，克服了在知識獲取和表達上的薄弱環(huán)節(jié)，有效實現(xiàn)了斷路器的故障診斷；但專家系統(tǒng)在特征知識獲取、知識更新、智能綜合分析功能方面仍存在一定的局限性。隨著現(xiàn)代人工智能技術(shù)的發(fā)展，基于感知行為的故障診斷方法成為現(xiàn)階段設(shè)備故障類研究的熱點?；诟兄袨榈墓收显\斷是指診斷系統(tǒng)能夠自動感知環(huán)境變化，具有一定的自適應(yīng)能力。系統(tǒng)在使用過程當中，能夠控制和改變自身行為與內(nèi)部狀態(tài)，對其感知的環(huán)境做出反應(yīng)。雖然目前類似基于感知行為的斷路器故障診斷方法成果較少，但很可能會成為斷路器故障診斷技術(shù)的一個重要發(fā)展方向。

人工智能算法如遺傳算法、粒子群算法、支持向量機算法等在高壓斷路器故障診斷研究中的大量應(yīng)用，使診斷精度進一步提高，增強了診斷結(jié)果的有效性和全面性。采用支持向量機算法作為基礎(chǔ)分類算法對斷路器故障進行初步診斷識別，對于斷路器這類小樣本數(shù)據(jù)的電氣設(shè)備，該算法在小樣本、非線性數(shù)據(jù)分類方面更適用，其訓(xùn)練速度和收斂速度快，且克服了訓(xùn)練過程中陷入局部最優(yōu)的缺陷，相較于其他算法其適應(yīng)能力、泛化能力更強，特征量處理過程中能夠避免維數(shù)“災(zāi)難”。而對于一些復(fù)雜問題，單一人工智能算法及其改進算法不足以找到所需的解決方案，此時兩種或兩種以上新算法的有效結(jié)合成為了新的研究熱點。這種混合算法具有更好的收斂速度和更靈活高效的全局尋優(yōu)能力，且結(jié)構(gòu)簡單，因而在高壓斷路器故障診斷研究中對其做進一步探索具有重要意義。