斷路器遠(yuǎn)程離線單元故障檢修方法研究

曹 暉,岳 濱,耿澤飛,劉 誠(chéng),李韻佳

(國(guó)網(wǎng)西安供電公司高新供電分公司,陜西 西安 710000 )

0 引言

電力系統(tǒng)為人們生產(chǎn)、生活提供了重要的電力能源。因此,保證電力系統(tǒng)持續(xù)健康運(yùn)行具有重要的現(xiàn)實(shí)意義。電力電網(wǎng)受到各種因素的影響,長(zhǎng)期運(yùn)行難以避免地會(huì)發(fā)生各種故障。而一處發(fā)生問題會(huì)直接導(dǎo)致與該處連接較為密切的其他部分結(jié)構(gòu)也隨之產(chǎn)生問題,從而影響整個(gè)電力系統(tǒng)[1]。面對(duì)這種情況,電力系統(tǒng)常會(huì)設(shè)置斷路器來及時(shí)切斷異常部分與其他部分之間的聯(lián)系,以防止問題蔓延。斷路器對(duì)整個(gè)電力系統(tǒng)起到了重要的保護(hù)作用。一旦斷路器出現(xiàn)問題,電力系統(tǒng)的穩(wěn)定性、可靠性會(huì)大幅降低。因此,斷路器的運(yùn)行維護(hù)十分重要[2]。

為了及時(shí)發(fā)現(xiàn)斷路器故障問題,以便及時(shí)檢修,保證電力系統(tǒng)安全,很多專家和學(xué)者提出了解決方法。有學(xué)者從振動(dòng)信號(hào)的角度進(jìn)行故障診斷。這種方法以采集到的高壓斷路器振動(dòng)信號(hào)為基礎(chǔ),首先提取正常和異常兩種情況下振動(dòng)信號(hào)的短時(shí)能熵比,然后以此為輸入,通過動(dòng)態(tài)時(shí)間規(guī)整算法進(jìn)行匹配,最后根據(jù)最優(yōu)匹配路徑變化曲線判斷斷路器的狀態(tài)[3]。有學(xué)者從圖像識(shí)別的角度進(jìn)行故障診斷。這種方法首先通過高速相機(jī)采集斷路器工作狀態(tài)下的高清圖像,然后對(duì)圖像進(jìn)行處理以提取圖像中斷路器的機(jī)械波動(dòng)特征,最后通過對(duì)比分析正常情況下斷路器的機(jī)械波動(dòng)情況,判斷斷路器是否存在故障[4]。有學(xué)者以斷路器電流數(shù)據(jù)為基礎(chǔ)提取其特征量,通過Relief F算法為這些特征賦予權(quán)重,并以此為輸入,利用灰色關(guān)聯(lián)分析模型識(shí)別出故障類型[5]。

前人研究雖然都取得了一定的成果,但是大多是從一類數(shù)據(jù)著手進(jìn)行特征提取和分析。這些研究具有很大的局限性,一旦斷路器故障并不明顯或者受到采集環(huán)境的影響,數(shù)據(jù)準(zhǔn)確性就難以保證,導(dǎo)致診斷結(jié)果的可靠性降低。面對(duì)這種情況,本文提出斷路器遠(yuǎn)程離線單元故障檢修方法。該方法可以彌補(bǔ)單類數(shù)據(jù)診斷的不足,提高斷路器故障診斷的可靠性。

1 斷路器遠(yuǎn)程離線單元故障檢修方法

多態(tài)數(shù)據(jù)交互技術(shù),顧名思義,就是將多類型數(shù)據(jù)聯(lián)合起來進(jìn)行綜合故障診斷的方法。該方法彌補(bǔ)了單一類型數(shù)據(jù)存在的不足,提高了故障檢修工作的準(zhǔn)確性[6]。斷路器是電力系統(tǒng)的重要保護(hù)裝置,一旦斷路器發(fā)生故障,電力系統(tǒng)的可靠性和安全性就會(huì)降低。本文基于多態(tài)數(shù)據(jù)交互技術(shù)對(duì)斷路器進(jìn)行檢修。具體過程分為四個(gè)步驟,即多態(tài)數(shù)據(jù)采集與去噪處理、多態(tài)數(shù)據(jù)特征提取、斷路器遠(yuǎn)程離線單元故障檢修以及檢測(cè)結(jié)果交互實(shí)現(xiàn)。

1.1 多態(tài)數(shù)據(jù)采集與去噪處理

多態(tài)數(shù)據(jù)即多形態(tài)數(shù)據(jù)。單一形態(tài)的數(shù)據(jù)可以提供的狀態(tài)信息較少,難以完全反映斷路器存在的故障,具有很大的局限性和誤差性[7]。針對(duì)這種情況,本研究聯(lián)合振動(dòng)信號(hào)和聲音信號(hào)組成斷路器的多態(tài)數(shù)據(jù),以便后續(xù)故障診斷分析。

(1)斷路器振動(dòng)信號(hào)采集。振動(dòng)信號(hào)即機(jī)械部件振蕩產(chǎn)生的信號(hào)。從振動(dòng)信號(hào)中可以明確機(jī)械振動(dòng)幅值信息、頻率信息及相位信息等。振動(dòng)信號(hào)的采集方法有很多。其中,常用的采集方法為通過加速度傳感器來采集[8]。加速度傳感器采集原理如下。斷路器工作過程中,其部件會(huì)產(chǎn)生相應(yīng)的振動(dòng)。振動(dòng)會(huì)產(chǎn)生加速度。因此,通過采集加速度變化,經(jīng)過處理成頻譜后,就能直接了解斷路器振動(dòng)情況。

(2)斷路器聲音信號(hào)采集。聲音信號(hào)即設(shè)備工作時(shí)產(chǎn)生的聲音信號(hào)。斷路器在工作狀態(tài)時(shí),會(huì)產(chǎn)生一定的聲音。正常狀態(tài)的聲音與故障狀態(tài)下的聲音會(huì)存在明顯的差別[9]。基于此,采集聲音信號(hào)也能實(shí)現(xiàn)故障檢測(cè)。針對(duì)斷路器聲音信號(hào),選擇的采集設(shè)備為聲波傳感器。當(dāng)聲音進(jìn)入聲波傳感器時(shí),膜片振動(dòng)會(huì)產(chǎn)生交流電,以實(shí)現(xiàn)聲-電的轉(zhuǎn)換。在斷路器工作現(xiàn)場(chǎng)采集振動(dòng)信號(hào)和聲音信號(hào)后,將其傳輸?shù)竭h(yuǎn)程故障檢修中心進(jìn)行進(jìn)一步的處理和分析[10]。處理主要是去噪處理,即去除信號(hào)中的干擾噪聲。去噪過程具體如下。

①確定信號(hào)分解層數(shù)。

②選擇合適的小波基,對(duì)振動(dòng)信號(hào)/聲音信號(hào)進(jìn)行分解。

③對(duì)高頻系數(shù)部分進(jìn)行閾值處理。

④小波重構(gòu),完成信號(hào)去噪。

1.2 多態(tài)數(shù)據(jù)特征提取

根據(jù)采集的多態(tài)數(shù)據(jù)提取代表性特征的具體過程如下。

①輸入去噪處理后的振動(dòng)信號(hào)/聲音信號(hào)。

②對(duì)振動(dòng)信號(hào)/聲音信號(hào),采用集合經(jīng)驗(yàn)?zāi)B(tài)分解 (empirical mode decomposition,EMD)方法進(jìn)行分解,得到的結(jié)果為:

(1)

式中:xj(t)為第j個(gè)固有模態(tài)函數(shù)(intrinsic mode function,IMF)分量;xij(t)為第i次加入高斯白噪聲后,信號(hào)EMD分解后得到的第j個(gè)IMF分量;M為EMD 分解次數(shù);N為EMD 分解后得到的IMF分量數(shù)量[11]。

③選擇前K階IMF分量作為特征提取的主要對(duì)象。

④利用希爾伯特變換提取前K階IMF分量的信號(hào)包絡(luò)。

⑤將信號(hào)包絡(luò)劃分為P段。每段時(shí)長(zhǎng)一致。

⑥計(jì)算每段信號(hào)的包絡(luò)能量。計(jì)算式為:

(2)

式中:Yi為第i段信號(hào)的包絡(luò)能量;R(t)為IMF 分量的包絡(luò)線;ti1、ti2分別為第i段包絡(luò)的開始和結(jié)束時(shí)間點(diǎn)。

⑦對(duì)Yi進(jìn)行歸一化處理,記為Y′i。

⑧計(jì)算Y′i的能量熵Qi。

(3)

⑨由Qi組成的K階斷路器多態(tài)數(shù)據(jù)特征向量,記為Q={Qi|i=1,2,…,K}。

基于上述步驟完成斷路器振動(dòng)信號(hào)/聲音信號(hào)特征提取,為斷路器遠(yuǎn)程離線單元故障檢修分析奠定基礎(chǔ)。

1.3 斷路器遠(yuǎn)程離線單元故障檢修

本文將提取到的斷路器振動(dòng)信號(hào)/聲音信號(hào)能量熵作為輸入向量,利用概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network,PNN)進(jìn)行斷路器遠(yuǎn)程離線單元故障檢測(cè)[12]。PNN分為四層,每層都有不同的任務(wù)。

①輸入層負(fù)責(zé)將振動(dòng)信號(hào)/聲音信號(hào)能量熵特征傳遞給神經(jīng)元。

②模式層負(fù)責(zé)計(jì)算輸入向量與神經(jīng)元中心(樣本數(shù)據(jù))之間的距離,并輸出一個(gè)標(biāo)量值。模式層輸出計(jì)算如式(4)所示。

(4)

式中:Fij為第i類的第j個(gè)神經(jīng)元輸出的概率;λ為訓(xùn)練樣本的維度;σ為平滑因子;Xij為第i類的第j個(gè)神經(jīng)元中心矢量。

③求和層負(fù)責(zé)將模式層同一類輸出結(jié)果進(jìn)行加權(quán)平均。其計(jì)算式如下。

(5)

式中:αi為第i類神經(jīng)元的數(shù)量;Si為第i類類別的輸出。

④輸出層負(fù)責(zé)參考Bayes 分類規(guī)則(求和層中Si最大的一個(gè)作為輸出的類別),輸出檢測(cè)結(jié)果。即:

y=arg[maxSi]

(6)

在輸出層輸出之后,需執(zhí)行與基礎(chǔ)神經(jīng)網(wǎng)絡(luò)流程相同的反向傳播,以完成訓(xùn)練。輸入待測(cè)樣本后,即完成斷路器遠(yuǎn)程離線單元故障檢測(cè)。

1.4 檢修結(jié)果交互實(shí)現(xiàn)

在利用PNN對(duì)振動(dòng)信號(hào)/聲音信號(hào)分別進(jìn)行檢測(cè)之后,本節(jié)結(jié)合Demster-Shafer(D-S)證據(jù)理論實(shí)現(xiàn)檢測(cè)結(jié)果交互。D-S證據(jù)理論是對(duì)不確實(shí)信息作智能處理和數(shù)據(jù)融合的典型方法,尤其在檢測(cè)交互方面具有優(yōu)勢(shì)。其具體過程如下。

①計(jì)算訓(xùn)練后PNN對(duì)故障i的識(shí)別準(zhǔn)確率Hi。

(7)

式中:A為PNN正確識(shí)別出某類故障信號(hào)的標(biāo)簽數(shù);B為該類待測(cè)故障信號(hào)的總數(shù)。

②待測(cè)故障信號(hào)能量熵特征輸入訓(xùn)練好的PNN中。

③根據(jù)步驟②結(jié)果,計(jì)算故障i的支持率Vi。

(8)

式中:Ci為識(shí)別出故障i的標(biāo)簽數(shù)量;D為待檢測(cè)故障信號(hào)的總數(shù)量。

④Vi與Hi相乘得到權(quán)值Wi。

⑤Wi進(jìn)行歸一化處理,記為W′i。

⑥將W′i作為D-S 證據(jù)理論中故障命題的基本可信度。

⑦構(gòu)建識(shí)別框架U:

U={u1,u2,u3,u4,u5,u6}

(9)

式中:u1、u2、u3、u4、u5、u6分別為斷路器的拒分故障、拒合故障、絕緣故障、誤動(dòng)故障、載流故障、正常。

⑧基于W′i,結(jié)合D-S證據(jù)理論合成規(guī)則,實(shí)現(xiàn)對(duì)振動(dòng)信號(hào)和聲音信號(hào)單獨(dú)檢測(cè)結(jié)果的交互。

通過D-S證據(jù)理論,本文將基于振動(dòng)信號(hào)的檢測(cè)結(jié)果與基于聲音信號(hào)的檢測(cè)結(jié)果進(jìn)行交互,以避免單獨(dú)檢測(cè)存在的局限,從而提高檢測(cè)結(jié)果的準(zhǔn)確性。

2 性能的測(cè)試與結(jié)果分析

本文以某存在誤動(dòng)故障的高壓斷路器(斷路器1)和運(yùn)行正常的高壓斷路器(斷路器2)為測(cè)試對(duì)象,利用本文方法進(jìn)行檢修,以此判斷本文方法的應(yīng)用性能。

2.1 多態(tài)數(shù)據(jù)采集設(shè)備選型

①三軸加速度傳感器。對(duì)于高壓斷路器,電容式-電靜電壓電荷耦合三軸加速度傳感器用于采集振動(dòng)信號(hào)。加速度傳感器是接觸式采集方法之一。它需要與測(cè)試目標(biāo)表面保持良好接觸。因此,本文使用永磁吸收法將傳感器安裝在斷路器上。此外,安裝位置的選擇也十分重要。安裝位置以振動(dòng)源附近為宜,從而保證信號(hào)采集質(zhì)量。針對(duì)斷路器,安裝位置為底座下面及機(jī)體側(cè)壁。

②聲波傳感器。針對(duì)高壓斷路器,本文采用F-999R聲波傳感器。該傳感器帶有內(nèi)膽屏罩,能阻斷大部分的信號(hào)干擾,信號(hào)采集更精準(zhǔn)。此外,其還能將音頻放大25 000倍,擁有高清的音質(zhì),能捕獲更小的聲音。聲波傳感器屬于非接觸式采集方法,只要布置在聲源附近即可。

2.2 斷路器振動(dòng)信號(hào)/聲音信號(hào)測(cè)試樣本

斷路器振動(dòng)信號(hào)/聲音信號(hào)測(cè)試樣本如圖1所示。

圖1 斷路器振動(dòng)信號(hào)/聲音信號(hào)測(cè)試樣本

2.3 信號(hào)特征提取結(jié)果

斷路器振動(dòng)信號(hào)/聲音信號(hào)的能量熵特征如表1所示。

表1 斷路器振動(dòng)信號(hào)/聲音信號(hào)的能量熵特征

2.4 PNN訓(xùn)練

從某電力公司數(shù)據(jù)庫中抽取斷路器振動(dòng)信號(hào)訓(xùn)練樣本500個(gè)(正常200個(gè),故障300個(gè))、聲音信號(hào)樣本300個(gè)(正常100個(gè),故障200個(gè)),對(duì)PNN進(jìn)行訓(xùn)練。

PNN訓(xùn)練結(jié)果如圖2所示。

由圖2可知,800個(gè)訓(xùn)練樣本在180次迭代時(shí)收斂值小于0.000 1。這說明PNN訓(xùn)練結(jié)果滿足實(shí)際應(yīng)用需求。

圖2 PNN訓(xùn)練結(jié)果

2.5 結(jié)果交互分析

通過D-S證據(jù)理論,本文將PNN對(duì)振動(dòng)信號(hào)和對(duì)聲音信號(hào)的檢測(cè)結(jié)果進(jìn)行交互。

斷路器遠(yuǎn)程離線單元故障檢修交互結(jié)果如表2所示。

表2 斷路器遠(yuǎn)程離線單元故障檢修交互結(jié)果

由表2可知,應(yīng)用本文方法后,斷路器1在誤動(dòng)故障上分配的概率最高,判斷斷路器1存在誤動(dòng)故障;斷路器2在正常狀態(tài)上分配的概率最高,判斷斷路器2運(yùn)行正常。本文方法檢修結(jié)果與實(shí)際結(jié)果一致,由此證明了本文方法的有效性。

3 結(jié)論

斷路器能夠及時(shí)阻斷故障問題,以降低故障給整體電力系統(tǒng)帶來的影響?；诖?保證斷路器正常運(yùn)行具有重要的現(xiàn)實(shí)意義。為此,本文提出了斷路器遠(yuǎn)程離線單元故障檢修方法。該方法以采集的斷路器多態(tài)數(shù)據(jù)為基礎(chǔ),通過PNN進(jìn)行故障診斷并交互,從而完成故障檢修。測(cè)試結(jié)果證明了本文方法的有效性,并且檢修結(jié)果與實(shí)際結(jié)果一致。然而,本文方法具體檢修準(zhǔn)確性未進(jìn)行測(cè)試,因此在后續(xù)研究中擬將其作為重點(diǎn)進(jìn)行深入分析。