基于卷積原型網(wǎng)絡(luò)的斷路器故障診斷方法研究

摘 要： 針對(duì)現(xiàn)有斷路器故障診斷研究中無(wú)法有效區(qū)分未知類樣本的問(wèn)題，提出了一種基于卷積原型網(wǎng)絡(luò)的斷路器故障診斷算法。首先，以聚類的思想構(gòu)建分類函數(shù)，通過(guò)各類故障的原型樣本點(diǎn)特征空間距離約束來(lái)劃分概率空間，實(shí)現(xiàn)對(duì)包含未知類故障樣本集的識(shí)別。同時(shí)，以原型樣本點(diǎn)為聚類中心，將樣本特征的空間距離作為卷積特征自提取網(wǎng)絡(luò)的優(yōu)化目標(biāo)，以有效改善樣本特征的類內(nèi)聚集性及類間的分散性，提高模型對(duì)樣本的分類準(zhǔn)確度。最后，基于110 kV斷路器現(xiàn)場(chǎng)實(shí)驗(yàn)數(shù)據(jù)，對(duì)所提算法的有效性和準(zhǔn)確性進(jìn)行驗(yàn)證。結(jié)果表明，所提算法能夠準(zhǔn)確區(qū)分測(cè)試樣本中的未知故障，并有效改善了故障樣本特征的空間分布。

關(guān)鍵詞： 斷路器; 故障診斷; 原型卷積網(wǎng)絡(luò); 聚類; 未知類; 智能運(yùn)維

中圖分類號(hào)： TM561

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）02-0056-10

DOI： 10.16628/j.cnki.2095-8188.2024.02.010

Research on Fault Diagnosis Method of High Voltage Circuit Breaker Based on Convolution Prototype Network

SHA Haoyuan， LIU Pei， WANG Zhihe， SUN Yi， ZHAO He， DENG Kai， ZHU Chao

（EHV Branch Company， State Grid Jiangsu Electric Power Co.， Ltd.， Nanjing 211102，China）

Abstract： Aiming at the problem that unknown samples cannot be effectively distinguished in existing circuit breaker fault diagnosis research， a circuit breaker fault diagnosis algorithm based on the convolutional prototype network is proposed. Firstly， the classification function is constructed using the clustering approach and the probability space is divided based on the distance constraint of the prototype sample point feature space for various types of faults， which can achieve the recognition of a sample set containing unknown fault classes. At the same time， with each type of prototype sample points as the cluster center， the sample feature space distance is used as the optimization target of the convolution feature self-extraction network， which can effectively improve the intra-class aggregation and inter-class dispersion of fault sample features and improve the classification accuracy of the model. Finally， the validity and accuracy of the proposed algorithm are verified based on the field experiment data of 110 kV circuit breaker. The results show that the proposed algorithm can accurately distinguish the unknown faults in the test samples and effectively improve the spatial distribution of fault sample features.

Key words： circuit breaker; fault diagnosis; prototype convolutional network; clustering; unknown class; intelligent maintenance

0 引 言

高壓斷路器在電網(wǎng)穩(wěn)定控制和故障隔離中具有十分關(guān)鍵的作用，對(duì)其進(jìn)行運(yùn)行維護(hù)是變電檢修人員日常工作的重要內(nèi)容［1-3］。隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，斷路器的設(shè)備型號(hào)及種類繁多、運(yùn)行環(huán)境復(fù)雜，傳統(tǒng)的定期檢修已無(wú)法滿足電網(wǎng)對(duì)電氣設(shè)備狀態(tài)檢修的要求［4-6］。因此，有必要提高對(duì)斷路器運(yùn)行狀態(tài)的監(jiān)測(cè)水平，以理論分析為基礎(chǔ)，依托實(shí)際監(jiān)測(cè)數(shù)據(jù)，研究更為實(shí)用、高效的斷路器故障診斷技術(shù)，以輔助檢修人員更準(zhǔn)確地制定檢修策略、提高檢修效率，為電網(wǎng)的安全運(yùn)行提供保障。

目前對(duì)于高壓斷路器故障診斷的研究多以分合閘線圈電流波形為分析對(duì)象［9-11］，通過(guò)對(duì)分合閘過(guò)程中不同階段的電流波形特征分析，以實(shí)現(xiàn)對(duì)斷路器相應(yīng)故障原因的判斷［12-14］。文獻(xiàn)［15］通過(guò)小波包對(duì)電流信號(hào)進(jìn)行降噪處理后，利用極值法對(duì)信號(hào)進(jìn)行特征值提取，并通過(guò)支持向量機(jī)實(shí)現(xiàn)了對(duì)斷路器故障的診斷。類似地，文獻(xiàn)［16］采用經(jīng)驗(yàn)?zāi)B(tài)分解法將線圈電流分解為多個(gè)模態(tài)分量，并選取適當(dāng)頻帶的模態(tài)分量進(jìn)行特征值提取，以作為分類模型的輸入，但由于信號(hào)中諧波的干擾使得特征值的提取出現(xiàn)了較大的誤差。為解決該問(wèn)題，文獻(xiàn)［17］提出了改進(jìn)集合模態(tài)分解的特征值提取方法，以各模態(tài)的熵值為指標(biāo)，將其中較大的異常分量剔除，有效抑制了諧波對(duì)模態(tài)分解的影響，然后以正常模態(tài)分量的頻譜峰值點(diǎn)為索引，準(zhǔn)確地求取了原信號(hào)中的特征值。除了在特征值提取方面的研究，文獻(xiàn)［18］對(duì)C-均值聚類法進(jìn)行改進(jìn)，通過(guò)增強(qiáng)對(duì)不同類型樣本特征間差異的表達(dá)能力，改善特征的聚類效果，以提高故障診斷的準(zhǔn)確率。類似地，文獻(xiàn)［19］利用核主元分析法分離正常數(shù)據(jù)樣本空間與故障數(shù)據(jù)樣本空間，加大了各類型間的差異度，為實(shí)現(xiàn)準(zhǔn)確的故障診斷奠定基礎(chǔ)。然而上述方法實(shí)現(xiàn)準(zhǔn)確診斷的前提是對(duì)電流波形中8個(gè)特征值點(diǎn)的準(zhǔn)確提取，由于分合閘線圈電流在采集過(guò)程伴有強(qiáng)烈的機(jī)械振動(dòng)及電磁干擾，特征值的分析誤差往往難以避免。其次，由于樣本整體的電流數(shù)據(jù)僅由8個(gè)特征值（{I1，I2，I3，t1，t2，t3，t4，t5}）來(lái)代替，必然會(huì)造成一定的信息丟失。因此，文獻(xiàn)［20］將電流波形序列整體作為深度置信網(wǎng)絡(luò)的輸入，通過(guò)多個(gè)受限玻爾茲曼機(jī)對(duì)波形序列進(jìn)行特征自提取，以避免人工經(jīng)驗(yàn)及信號(hào)處理誤差對(duì)故障診斷的影響，在此基礎(chǔ)上，文獻(xiàn)［21］為保證深度置信網(wǎng)絡(luò)對(duì)樣本特征的充分學(xué)習(xí)，基于遷移學(xué)習(xí)機(jī)制，利用對(duì)仿真數(shù)據(jù)的特征學(xué)習(xí)經(jīng)驗(yàn)來(lái)輔助模型對(duì)模擬實(shí)驗(yàn)樣本的判斷，有效解決了模擬實(shí)驗(yàn)樣本數(shù)據(jù)量不足的問(wèn)題。以上方法很好地研究了對(duì)斷路器已知故障類型的分析和診斷，然而實(shí)際上，在歷史數(shù)據(jù)中斷路器故障的樣本數(shù)量較少，僅通過(guò)仿真或模擬實(shí)驗(yàn)并不能掌握斷路器全部的故障情況，并且傳統(tǒng)的基于封閉集的學(xué)習(xí)模式僅對(duì)訓(xùn)練集中已出現(xiàn)的故障類型分配相應(yīng)的概率空間，以至于所有的故障樣本都會(huì)被歸于已知類（訓(xùn)練集中出現(xiàn)）的范疇，并不具備對(duì)未知（訓(xùn)練集中未出現(xiàn)）故障情況的甄別和區(qū)分能力。

基于此，本文提出了基于卷積原型網(wǎng)絡(luò)的斷路器故障診斷算法。首先，對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理，規(guī)整并統(tǒng)一樣本數(shù)據(jù)形式，然后對(duì)傳統(tǒng)的封閉集學(xué)習(xí)模型進(jìn)行改進(jìn)，以聚類的思想構(gòu)建分類函數(shù)以適應(yīng)對(duì)開放數(shù)據(jù)集的處理，有效實(shí)現(xiàn)對(duì)樣本中未知故障類型的區(qū)分。同時(shí)，以各類型的原型樣本點(diǎn)為聚類中心，將樣本特征空間距離作為卷積特征自提取網(wǎng)絡(luò)的優(yōu)化目標(biāo)，以有效改善故障樣本特征的類內(nèi)聚集性及類間的分散性，提高模型對(duì)樣本類型的分類準(zhǔn)確度。算例中，本文以模擬實(shí)驗(yàn)數(shù)據(jù)為分析對(duì)象，詳細(xì)分析所提方法在特征提取及未知類型診斷方面的準(zhǔn)確性，同時(shí)將所提方法與現(xiàn)有方法進(jìn)行對(duì)比，綜合分析模型在特征提取及分類兩階段分析中的優(yōu)越性。

1 卷積原型網(wǎng)絡(luò)的設(shè)計(jì)

1.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）因其強(qiáng)大的特征提取及分類能力，已經(jīng)被應(yīng)用于了多個(gè)工業(yè)數(shù)據(jù)分析領(lǐng)域［22-25］。CNN的整體網(wǎng)絡(luò)結(jié)構(gòu)可分為兩個(gè)部分：一部分是由多個(gè)卷積層構(gòu)成的特征提取網(wǎng)絡(luò)；另一部分則是基于特征提取結(jié)果來(lái)劃分樣本類別歸屬的分類器。分類器以常用的softmax分類函數(shù)為例，每一個(gè)樣本特征的類型歸屬概率計(jì)算為

p（y/x）=exp［ωy·f（x）+by］∑Ci=1exp［ωi·f（x）+bi］（1）

式中： ωi、bi——第i類的權(quán)重和偏置參數(shù);

C——樣本總類型數(shù);

f（x）——卷積網(wǎng)絡(luò)函數(shù);

y——樣本x的所屬類別。

對(duì)于樣本集內(nèi)所有類型的分類概率和為1，即

∑Ci=1p（i/x）=1（2）

由式（2）可知，整體的概率空間是根據(jù)樣本集內(nèi)的總類型數(shù)來(lái)劃分的，若樣本共可分為4類，則每種類型的概率空間為總體空間的四分之一。卷積原型網(wǎng)絡(luò)示意圖如圖1所示。

以上分類問(wèn)題的分析被稱為封閉集分類，即整體的概率空間由已知類等分。若在應(yīng)用過(guò)程中出現(xiàn)了訓(xùn)練集中未出現(xiàn)的樣本（即開放集問(wèn)題），由于分類器沒(méi)有給未知類留有相應(yīng)的概率空間，則未知樣本會(huì)混淆于已知類型的概率空間中。由此可知，傳統(tǒng)的封閉集分類模型不具備對(duì)未知樣本的甄別和區(qū)分的能力。

1.2 卷積原型網(wǎng)絡(luò)

由上述分析可知，封閉集分類模型的概率空間劃分思路是其無(wú)法識(shí)別未知樣本問(wèn)題的原因。因此，本文引入卷積原型網(wǎng)絡(luò)［26-27］，摒棄傳統(tǒng)的等分概率區(qū)間思想，通過(guò)確定類中心點(diǎn)及鄰域來(lái)劃定概率空間，以處理對(duì)已知樣本的分類。同時(shí)，將總體概率空間看作開放域，通過(guò)類間距離來(lái)界定未知樣本與已知樣本的關(guān)系，從而實(shí)現(xiàn)對(duì)未知樣本的區(qū)分。其原理如圖1右半部分，模型在訓(xùn)練過(guò)程中對(duì)每個(gè)類選取若干個(gè)原型樣本{mij / j ∈{1，2，…，K}}，其中i表示分類數(shù)量i∈{1，2，…，C}，K表示每個(gè)類型選取原型樣本的數(shù)量，如圖1中×標(biāo)記，為提高特征的聚集性，模型通常將原型樣本的數(shù)量設(shè)置為1。此處的原型樣本類似于人類大腦中對(duì)該類別的過(guò)往記憶，對(duì)于類型的判斷通過(guò)與過(guò)往記憶的匹配來(lái)實(shí)現(xiàn)。若樣本相對(duì)于某一類的匹配度最高（也就是樣本距離最?。﹦t可判定樣本的所屬類別，即

x∈classargmaxCi=1gi（x）（3）

gi（x）=－minKj=1f（x）－mij22（4）

式中： gi（x）——樣本x與已知類i的匹配得分;

mij——第i個(gè)分類的第j個(gè)原型樣本點(diǎn)。

對(duì)于測(cè)試樣本x，如果與所有已知類都不匹配，可表達(dá)為

maxCi=1gi（x）lt;T（5）

式中： T——樣本特征與各類原型樣本的匹配度閾值。

若以距離值作為量化樣本特征匹配度大小的方法，可能會(huì)出現(xiàn)無(wú)限大的情況，式（4）的取值范圍會(huì)達(dá)到（-∞，0）。因此，通過(guò)概率形式來(lái)量化匹配度的大小，以便于后續(xù)分析中相應(yīng)參數(shù)的設(shè)定。匹配度計(jì)算方法轉(zhuǎn)換為

pi（x）=∑Kj=1exp［－γ·d（f（x），mij）］∑Ck=1∑Kl=1exp［－γ·d（f（x），mkl）］（6）

式中： γ——控制距離結(jié)果向概率形式轉(zhuǎn)換的超參數(shù);

d（x，y）——兩個(gè)向量之間的距離。

其中，d（x，y）=x－y22，本文γ取為經(jīng)驗(yàn)值0.001，同樣，將式（5）可改寫為

maxCi=1pi（x）lt;T1（7）

式中： T1——概率形式的匹配度閾值。

假設(shè)對(duì)于待分類樣本x，i1和i2代表某類型中特征距離與樣本x最接近和次接近的兩個(gè)樣本，j為非同類樣本，則3個(gè)樣本的特征距離關(guān)系可表達(dá)為

gi1（x）gt;gi2（x）gj（x）（8）

那么樣本特征距離可以近似估算為

maxCi=1pi（x）≈exp［γ·gi1（x）］exp［γ·gi1（x）］+exp［γ·gi2（x）］≈11+exp{－γ·［gi1（x）－gi2（x）］}（9）

由此，匹配度閾值T1的選擇便可由式（9）得出。

在對(duì)訓(xùn)練損失函數(shù)定義中，多分類模型的訓(xùn)練目標(biāo)是使得樣本x屬于其正確的類y，同時(shí)，不屬于所有其他類c（c ≠ y）。為了將距離轉(zhuǎn)換為二元分類，即“是”、“否”屬于此類，模型對(duì)于每一個(gè)原型樣本點(diǎn)mij設(shè)置一個(gè)半徑r，構(gòu)成類鄰域。表達(dá)式為

Ri=f|f－mi22≤r（10）

對(duì)于每個(gè)類i而言，類鄰域構(gòu)成了其特征空間中的決策區(qū)域Ri，該決策域的中心點(diǎn)，即原型樣本點(diǎn)，為類內(nèi)各樣本特征的均值點(diǎn)，并隨著訓(xùn)練中樣本特征的變化而不斷更新。

對(duì)于樣本x，f（x）∈Ri表示x屬于i類，否則不屬于i類，若存在樣本對(duì)于所有類型均不滿足f（x）∈Ri，則可判斷其為未知類。通過(guò)一對(duì)多的訓(xùn)練策略，目標(biāo)是樣本x，則其特征分類可表達(dá)為

f（x）∈Ryf（x）Rc，c≠y（11）

將上述二分類的計(jì)算過(guò)程表達(dá)為函數(shù)形式，則

hi（x）=－f（x）－mi22－r（12）

hy（x）≥0hc（x）lt;0，c≠y（13）

為了使損失函數(shù)更加光滑，利用sigmoid函數(shù)將二元判別函數(shù)轉(zhuǎn)化為概率函數(shù)（記為σ），即

σi（x）=sigmoid（hi（x））（14）

所提模型的損失函數(shù)為

l=－logσy（x）－∑c≠ylog［1－σc（x）］（15）

其中，r值會(huì)在訓(xùn)練過(guò)程中不斷更新，其最終結(jié)果滿足訓(xùn)練數(shù)據(jù)集的最大取值。由式（15）可見(jiàn)，整體模型尋優(yōu)的目標(biāo)是使得樣本特征的類內(nèi)距離更近，類間距離更遠(yuǎn)，本質(zhì)上是以特征聚類的目標(biāo)直接驅(qū)動(dòng)了卷積網(wǎng)絡(luò)對(duì)樣本特征提取的優(yōu)化。

2 基于卷積原型網(wǎng)絡(luò)的高壓斷路器故障診斷算法

由于真實(shí)的斷路器故障數(shù)據(jù)難以獲取，根據(jù)實(shí)際條件，在不破壞斷路器內(nèi)部結(jié)構(gòu)的情況下，考慮對(duì)斷路器的兩種典型故障類型進(jìn)行模擬：① 分合閘線圈老化;② 鐵芯卡澀。實(shí)驗(yàn)對(duì)象為蘇南地區(qū)較為常用的LW□-126/T3150-40斷路器。斷路器模擬實(shí)驗(yàn)場(chǎng)景如圖2所示。實(shí)驗(yàn)中用到的器材：數(shù)字示波器、電流鉗、滑動(dòng)變阻器、配重物若干等。實(shí)驗(yàn)形式與文獻(xiàn)［20-21，28］一致，對(duì)于線圈老化故障的程度一般可分為輕微老化，中度老化以及嚴(yán)重老化。通過(guò)在線圈回路中串聯(lián)可調(diào)電阻來(lái)模擬線圈不同的老化程度，將電阻值調(diào)整為實(shí)際線圈電阻的20%、50%、80%。另外，通過(guò)在鐵芯末端懸掛不同的配重物來(lái)模擬鐵芯卡澀故障，通過(guò)所懸掛的重量來(lái)調(diào)整故障程度，重量分別為0.03 kg、0.06 kg。故障數(shù)據(jù)類型如表1所示;分合閘線圈老化故障仿真電流波形如圖3所示;鐵芯卡澀故障仿真電流波形如圖4所示。

F11是正常狀態(tài)下斷路器的合閘電流波形。以正常狀態(tài)為對(duì)比基準(zhǔn)，則不同故障狀態(tài)的特征及嚴(yán)重程度在與正常狀態(tài)的對(duì)比過(guò)程中反映得更加清晰。

數(shù)據(jù)的處理步驟與文獻(xiàn)［17-18，24］一致，波形采樣率為16 kHz，每個(gè)故障樣本均包含800個(gè)電流數(shù)據(jù)點(diǎn)，則輸入原型卷積網(wǎng)絡(luò)的樣本形式為1×800。與表1一致，高壓斷路器的正常及5類故障樣本波形如圖5所示。

3 基于卷積原型網(wǎng)絡(luò)的高壓斷路器故障診斷模型

原型卷積網(wǎng)絡(luò)參數(shù)如表2所示。將圖5形式樣本數(shù)據(jù)輸入模型中即可得到每個(gè)樣本數(shù)據(jù)的特征相量。為減小特征維度，簡(jiǎn)化空間距離計(jì)算，本文將模型最后的全連接層的輸出縮減至兩個(gè)維度。同時(shí)，該輸出形式的設(shè)置也為后續(xù)的聚類效果分析及聚類結(jié)果展示提供便利。

整體高壓斷路器故障診斷流程如圖6所示。

首先將實(shí)驗(yàn)采集的斷路器故障模擬數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建已知類故障樣本數(shù)據(jù)集。以1×800的樣本形式作為輸入數(shù)據(jù)，初始化卷積網(wǎng)絡(luò)，并計(jì)算已知類數(shù)據(jù)集訓(xùn)練數(shù)據(jù)中各類簇的原型樣本點(diǎn)mi，及類鄰域半徑r。然后設(shè)置批處理樣本量batchsize=50及循環(huán)次數(shù)epoch=300，對(duì)模型進(jìn)行訓(xùn)練，通過(guò)對(duì)損失函數(shù)的不斷優(yōu)化，更新卷積網(wǎng)絡(luò)參數(shù)以及mi、r兩個(gè)參數(shù)，直到滿足循環(huán)條件后，訓(xùn)練結(jié)束。訓(xùn)練結(jié)束后，模型參數(shù)固化，可直接用于高壓斷路器的故障診斷。將待判斷故障樣本輸入卷積網(wǎng)絡(luò)得到樣本特征，然后根據(jù)式（10）計(jì)算樣本x與所有已知類的mi的匹配度，若樣本在某已知類的決策域范圍內(nèi)，即x滿足f（x）∈Ri，則表示x屬于i類;若都不滿足，則判斷x屬于未知類。此時(shí)已知類的總類型數(shù)擴(kuò)展為C+1，則該樣本即被確定為新類型的原型樣本點(diǎn)mi，為后續(xù)樣本類型的判斷奠定基礎(chǔ)。

4 算例分析

算例中，采用基于python3.7，tensorflow深度學(xué)習(xí)框架項(xiàng)目組對(duì)表1中每種類型均進(jìn)行100次實(shí)驗(yàn)，即F11～F32共計(jì)6類情況，數(shù)據(jù)總量為600條。本文在驗(yàn)證過(guò)程中，將訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)按照7∶3的比例劃分。

首先，將斷路器故障數(shù)據(jù)集類型全部看作已知類，對(duì)所提算法的特征提取能力進(jìn)行分析。模型的訓(xùn)練過(guò)程如圖7所示。經(jīng)過(guò)300次訓(xùn)練后，模型完成了對(duì)訓(xùn)練數(shù)據(jù)特征的學(xué)習(xí)。圖7中，在完成30次迭代后，分類準(zhǔn)確率已不再變化，而損失值結(jié)果依然在小幅下降，直到完成157次迭代后保持平穩(wěn)。這是由于在訓(xùn)練過(guò)程中mi和r參數(shù)在進(jìn)入平穩(wěn)后，各故障類型的類鄰域已大致確定，因此對(duì)于樣本的類型歸屬劃分也已基本確定，從而使得分類正確率保持不變。但由于CNN的超參數(shù)還處于微調(diào)狀態(tài)，使得損失函數(shù)繼續(xù)小幅變化。最后，當(dāng)模型的參數(shù)都穩(wěn)定不變時(shí)，即完成了對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí)。

本文所提模型對(duì)訓(xùn)練數(shù)據(jù)的特征提取結(jié)果如圖8所示;傳統(tǒng)CNN模型對(duì)訓(xùn)練數(shù)據(jù)的特征提取結(jié)果如圖9所示。傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)與表2設(shè)置一致，全連接層輸出為6維，后經(jīng)主成分分析壓縮至2維。圖8中每個(gè)類簇里的白色樣本點(diǎn)為原型樣本點(diǎn)mi，各類型樣本以mi為類中心（center圓點(diǎn)），各樣本間的空間距離緊密。相比于圖9，類內(nèi)的聚集性和類間的分離性都有了明顯的提高，更有利于后續(xù)分類器對(duì)樣本類型的判斷。

為更加準(zhǔn)確地反應(yīng)兩種模型的特征提取效果，本文采用輪廓系數(shù)［24］指標(biāo)對(duì)圖8、圖9兩個(gè)模型的分析結(jié)果加以量化，以評(píng)估兩模型所提取的各類型樣本特征的類內(nèi)聚集、類間離散程度。輪廓系數(shù)的計(jì)算式為

s（i）=b（i）－a（i）max{a（i），b（i）}s（i）=1－a（i）b（i），a（i）lt;b（i）0，a（i）lt;b（i）b（i）a（i）－1，a（i）gt;b（i）（16）

式中： a（i）——樣本i到同族其他樣本的平均距離，即簇內(nèi)不相似度；

b（i）——樣本i到Cj簇的平均距離;

j——簇的編號(hào)。

當(dāng)s值越接近1則證明該類樣本的聚集程度越好；反之，越接近-1則結(jié)果越差。特征提取效果評(píng)價(jià)如圖10所示。傳統(tǒng)CNN模型對(duì)于F22和F23兩類故障特征的提取上出現(xiàn)了一定程度的混淆，F(xiàn)22和F23部分樣本的類內(nèi)距離大于類間距離，相應(yīng)的輪廓系數(shù)出現(xiàn)了負(fù)值（最小為-0.67），相比之下，所提模型的輪廓系數(shù)結(jié)果更優(yōu)，樣本特征的聚集性更好。

進(jìn)一步，為驗(yàn)證所提模型對(duì)未知故障類型的判斷能力，本文將故障數(shù)據(jù)集中的前5類故障數(shù)據(jù)作為已知類（即訓(xùn)練數(shù)據(jù)集），第6類作為未知類（僅出現(xiàn)在測(cè)試集中），以與前述算例相同的訓(xùn)練與測(cè)試數(shù)據(jù)占比對(duì)模型的有效性進(jìn)行驗(yàn)證。5類訓(xùn)練數(shù)據(jù)的特征提取結(jié)果如圖11所示;第6類測(cè)試數(shù)據(jù)的特征提取結(jié)果如圖12所示。為更詳細(xì)地驗(yàn)證所提算法的有效性，本文將其他5類分別作為未知類來(lái)討論模型對(duì)未知類型樣本識(shí)別的能力。其他5類測(cè)試數(shù)據(jù)的特征提取結(jié)果如圖13所示。

在每次測(cè)試中，每種類型的特征提取結(jié)果都不是固定的，因此在聚類圖中每個(gè)類型的特征空間分布也都會(huì)發(fā)生變化。由圖中對(duì)未知類測(cè)試情況的展示中可以看出，未知類與已知類間的空間距離也都足夠大，足以使分類模型對(duì)未知類做出清楚的判斷。但就類內(nèi)的聚集性而言，已知類的特征經(jīng)過(guò)模型的有效學(xué)習(xí)后，聚集性更好，而個(gè)別未知類樣本（如F21、F31、F32）的特征域則跨度較大，表現(xiàn)得較為離散，不過(guò)其結(jié)果并不影響模型對(duì)未知類的有效鑒別。

為更好地體現(xiàn)本文所提算法的優(yōu)越性，本文采用相同的數(shù)據(jù)集對(duì)文獻(xiàn)［21］（方法一）、文獻(xiàn)［29］（方法二）中所提方法進(jìn)行對(duì)比。與本文所采用CNN特征提取網(wǎng)絡(luò)不同，方法一采用了深度置信網(wǎng)絡(luò)（DBN）對(duì)特征進(jìn)行提取，然后基于遷移學(xué)習(xí)（TL）機(jī)制，通過(guò)對(duì)仿真數(shù)據(jù)的學(xué)習(xí)來(lái)輔助模型對(duì)實(shí)測(cè)樣本的判斷，有效改善了小樣本情況下模型的學(xué)習(xí)能力。但在分類階段仍然采用了softmax分類模型，因此，該算法僅能夠?qū)σ阎愡M(jìn)行判斷。而方法二則是在特征提取階段，基于信號(hào)處理算法提取了分合閘電流波形的8個(gè)特征相量{I1，I2，I3，t1，t2，t3，t4，t5}，然后通過(guò)樣本特征的相似度矩陣作為聚類的依據(jù)，最后通過(guò)聚類分析，實(shí)現(xiàn)對(duì)已知類及未知類故障的診斷。3種方法分析結(jié)果對(duì)比如表3所示。

本文通過(guò)輪廓系數(shù)的平均值、最小值以及識(shí)別正確率3個(gè)維度來(lái)對(duì)比分析3種方法在數(shù)據(jù)集上的應(yīng)用效果。其中，輪廓系數(shù)的平均值是對(duì)該類型樣本特征整體聚集性的考察，而最小值則能夠直接反應(yīng)該類型樣本的特征域在空間中是否與其他類型有重疊，即圖9中F22和F23重疊的情況。若有重疊的現(xiàn)象發(fā)生，則分類器對(duì)該類型樣本的識(shí)別正確率會(huì)受到一定的影響。

在對(duì)于6類都為已知類（封閉集問(wèn)題）的分析中，方法一和方法二對(duì)于F23類型的分析都出現(xiàn)了混淆的問(wèn)題（最小值為負(fù)）。由此可知，當(dāng)樣本特征的差異性不明顯時(shí)，兩種方法對(duì)于樣本的表達(dá)能力也較弱。其中，方法一出現(xiàn)了F22與F23類混淆的情況，其他類型的特征聚集性表現(xiàn)良好。而方法二由于采用了傳統(tǒng)的8個(gè)特征的方法，相對(duì)來(lái)說(shuō)，特征的離散性較大，使得其除了F22和F23類混淆以外，其他類型的輪廓系數(shù)平均值也相對(duì)較低。對(duì)比前兩種方法，本文所提方法對(duì)于每種類型的樣本均實(shí)現(xiàn)了良好的特征分離，輪廓系數(shù)的計(jì)算結(jié)果均在0.93以上，這是由于原型樣本點(diǎn)作為聚類中心很好地聚合了類內(nèi)樣本的特征分布。

此外，對(duì)于未知類型樣本識(shí)別僅有方法二和方法三能夠?qū)崿F(xiàn)，方法二所采用的近鄰傳播聚類算法對(duì)樣本的空間分布有著較為嚴(yán)格的要求，由于個(gè)別樣本點(diǎn)的特征相似度結(jié)果分布較為離散，同時(shí)不同類型樣本間特征的差異度并不大，使得其在未知類辨識(shí)過(guò)程中出現(xiàn)了3個(gè)樣本的錯(cuò)分（測(cè)試樣本總量為30個(gè)）。并且該方法在特征提取過(guò)程中易出現(xiàn)一定的誤差損失，其結(jié)果也會(huì)影響樣本的相似度計(jì)算，相比之下，本文所提方法對(duì)特征的提取更加有效，避免了繁瑣的信號(hào)處理特征提取步驟，實(shí)現(xiàn)了對(duì)未知類的辨識(shí)，且更易于工程實(shí)際的應(yīng)用。

5 結(jié) 語(yǔ)

針對(duì)現(xiàn)有斷路器故障診斷研究中無(wú)法區(qū)分未知故障樣本的問(wèn)題，本文提出了一種基于卷積原型網(wǎng)絡(luò)的斷路器故障診斷算法。該算法基于聚類的思想對(duì)傳統(tǒng)模型的分類函數(shù)進(jìn)行了改進(jìn)，通過(guò)原型樣本點(diǎn)對(duì)各類型樣本的匹配程度進(jìn)行分析，實(shí)現(xiàn)了對(duì)已知及未知故障樣本的準(zhǔn)確識(shí)別。相比于現(xiàn)有方法，本文所提方法對(duì)于易混淆（嚴(yán)重程度不同）的鐵芯卡澀類故障（F23），依然表現(xiàn)出了較好的分類效果。

并且，在對(duì)測(cè)試樣本集聚類結(jié)果的分析中，該方法較好地保證了每種故障類型間的類內(nèi)聚集性以及類間分散性，相應(yīng)的輪廓系數(shù)計(jì)算結(jié)果均達(dá)到了0.93以上，確保了模型對(duì)樣本類型的準(zhǔn)確判斷。

【參 考 文 獻(xiàn)】

［1］ RAZI-KAZEMI A A， VAKILIAN M， NIAYESH K， et al.Priority assessment of online monitoring investment for power system circuit breakers-part I：qualitative-quantitative approach［J］.IEEE Transactions on Power Delivery，2013，28（2）：928-938.

［2］ 趙莉華， 付榮榮， 榮強(qiáng)， 等.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的高壓斷路器操作機(jī)構(gòu)狀態(tài)評(píng)估［J］.高電壓技術(shù)，2017，43（6）：2007-2015.

［3］ 鐘聲， 李曉洋， 梁勝樂(lè)， 等.基于線圈電流信號(hào)及動(dòng)態(tài)時(shí)間規(guī)整的高壓斷路器狀態(tài)評(píng)估方法［J］.高壓電器，2023，59（4）：24-31.

［4］ 孫曙光， 張強(qiáng)， 杜太行， 等.基于振動(dòng)信號(hào)的低壓萬(wàn)能式斷路器分合閘故障程度評(píng)估方法的研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2017，37（18）：5473-5482.

［5］ 趙書濤， 馬莉， 朱繼鵬， 等.基于CEEMDAN樣本熵與FWA-SVM 的高壓斷路器機(jī)械故障診斷［J］.電力自動(dòng)化設(shè)備，2020，40（3）：181-186.

［6］ 黃新波， 許艷輝， 朱永燦.基于混合分類器的高壓斷路器故障診斷［J］.高壓電器，2022，58（10）：149-157.

［7］ 楊秋玉， 阮江軍， 張燦， 等.基于定量遞歸分析的高壓斷路器機(jī)械缺陷辨識(shí)及應(yīng)用［J］.電工技術(shù)學(xué) 報(bào)，2020，35（18）：3848-3859.

［8］ 廖斌， 梁晨， 陳松， 等.一起35kV并聯(lián)電容器裝置故障原因分析［J］.電力電容器與無(wú)功補(bǔ)償，2022，43（5）：1-6.

［9］ RAOP， HUANG J， HU X G， et al.Testing of circuit breakers using coil current characteristics analysis［C］//IEEE Control Autom.Conf.，2009：185-189.

［10］ JOHAL H， MOUSAVI M J.Coil current analysis method for predictive maintenance of circuit breakers［C］//IEEE/PES Transmission Distribution Conference，2008：1-7.

［11］ HU X G， CHAO L.Research on the condition parameter tester of high voltage circuit breakers［C］//EEE Conference on Industrial Electronics amp; Applications，2008：2389-2393.

［12］ RAZI-KAZEMI A A， VAKILIANM， NIAYESH K， et al.Circuit-breaker automated failure tracking based on coil current signature［J］.IEEE Trans Power Deliv，2014，29（1）：283-290.

［13］ NATTI S， KEZUNOVIC M.Assessing circuit breaker performance using condition-based data and Bayesian approach［J］.Electric Power Systems Research，2011，81（9）：1796-1804.

［14］ KEZUNOVIC M， NATTI S.Risk-based maintenance approach：a case of circuit breaker condition-based monitoring：3rd international CIGRE workshop on liberalization and modernization of power systems［C］.2006.

［15］ 靳文娟， 季天瑤， 唐文虎.基于多參量的高壓斷路器分/合閘線圈的故障診斷［J］.高壓電器，2019，55（3）：226-233.

［16］ 周小娜.10 kV智能高壓真空斷路器在線監(jiān)測(cè)系統(tǒng)研究與設(shè)計(jì)［D］. 廈門：廈門理工學(xué)院，2016.

［17］ 張佳， 陳志英， 陳麗安， 等.基于改進(jìn)集合模態(tài)分解的真空斷路器分合閘線圈電流特征值提?。跩］.高壓電器，2020，56（12）：116-123.

［18］ 梅飛， 梅軍， 鄭建勇， 等.粒子群優(yōu)化的KFCM及SVM診斷模型在斷路器故障診斷中的應(yīng)用［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（36）：134-141，19.

［19］ 梅飛， 梅軍， 鄭建勇， 等.基于KPCA-SVM的斷路器故障穩(wěn)健診斷方法［J］.電工技術(shù)學(xué)報(bào)，2014，29（增刊1）：50-58.

［20］ 朱萌， 梅飛， 鄭建勇， 等.基于深度信念網(wǎng)絡(luò)的高壓斷路器故障識(shí)別算法［J］.電測(cè)與儀表，2019，56（2）：10-15，46.

［21］ PAN Y， MEI F， MIAO H Y， et al.An approach for hvcb mechanical fault diagnosis based on a deep belief network and a transfer learning strategy［J］.Journal of Electrical Engineering amp; Technology，2019，14（1）：407-419.

［22］ LECUN Y， BOSER B， DENKER J S， et al.Handwritten digit recognition with a back-propagation network［M］//Advances in Neural Information Processing Systems.San Francisco，CA：Morgan Kaufmann Publishers Inc.，1990：396-404.

［23］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks［C］//Advances in neural information processing systems.2012：1097-1105.

［24］ SMIRNOV E A， TIMOSHENKO D M， ANDRIANOV S N.Comparison of regularization methods for imagenet classification with deep convolutional neural networks［J］.Aasri Procedia，2014，6：89-94.

［25］ 吐松江·卡日， 逯浩坦， 高文勝， 等.基于系統(tǒng)動(dòng)力學(xué)的高壓斷路器全壽命成本評(píng)估［J］.高壓電器，2023，59（1）：69-175，184.

［26］ YANG H M， ZHANG X Y， YIN F， et al.Robust classification with convolutional prototype learning［C］//Proceedings of the IEEE conference on computer vision and pattern recognition.2018：3474-3482.

［27］ ARANGANAYAGI S， THANGAVEL K.Clustering categorical data using silhouette coefficient as a relocating measure［C］//International Conference On Computational Intelligence and Multimedia Applications （ICCIMA 2007）.IEEE，2007，2：13-17.

［28］ 葉昱媛， 沙浩源， 梁君涵， 等.基于小波包能量的斷路器操作機(jī)構(gòu)缺陷診斷技術(shù)研究［J］.電力工程技術(shù)，2018，37（4）：71-77.

［29］ LU Y， Li Y.A novel fault diagnosis method for circuit breakers based on optimized affinity propagation clustering［J］.International Journal of Electrical Power amp; Energy Systems，2020，118：1-11.

收稿日期： 20230915