配電開關(guān)故障智能診斷裝置研究

摘要：配電開關(guān)設(shè)備結(jié)構(gòu)復(fù)雜，發(fā)生故障時不僅查找機(jī)構(gòu)卡澀點位困難、原因分析與處理須要花費大量的檢修時間，還缺乏對驅(qū)動機(jī)構(gòu)卡澀隱患的提前預(yù)警措施，給配網(wǎng)運維和檢修工作帶來很大負(fù)擔(dān)。該項目通過分析儲能電機(jī)運作時的電流波形，利用自身正常狀態(tài)波形與不同狀態(tài)波形進(jìn)行相似性度量，設(shè)定邊界閾值，從而實現(xiàn)對配電開關(guān)的正常、卡澀和斷線情況進(jìn)行辨識，實現(xiàn)故障的智能診斷，提升運維智能化水平。

關(guān)鍵詞：配電開關(guān)；卡澀點位；智能診斷

中圖分類號：TP311" 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著社會不斷發(fā)展，人們?nèi)粘Ｉ詈蜕a(chǎn)對電力的依賴越來越強(qiáng)。配電網(wǎng)作為電力網(wǎng)絡(luò)的最后環(huán)節(jié)，一旦發(fā)生故障停電，將直接影響客戶的正常生產(chǎn)和生活。配電開關(guān)作為電網(wǎng)中的重要組件，容易因驅(qū)動機(jī)構(gòu)和電路的銹蝕、老化而導(dǎo)致電機(jī)燒毀、開關(guān)拒動，進(jìn)而引發(fā)大面積停電事故。此外，配電站內(nèi)開關(guān)設(shè)備零件眾多、結(jié)構(gòu)復(fù)雜，查找機(jī)構(gòu)卡澀位置、原因分析與處理需要花費大量檢修時間^［1］。目前，配電開關(guān)設(shè)備故障判斷的主要原理是在操作控制回路上安裝電流互感器，通過電流采樣數(shù)據(jù)與閾值比對進(jìn)行故障預(yù)警。傳統(tǒng)閾值判斷準(zhǔn)確度差，無法針對故障現(xiàn)象及原因進(jìn)行有效判斷。對開關(guān)機(jī)構(gòu)儲能電機(jī)運行過程中信號的分析，多數(shù)通過信號時域分析，易受電磁干擾影響準(zhǔn)確度，無法有效提高運維效率^［2］。因此，本項目創(chuàng)新性地提出了免閾值自適應(yīng)診斷法，該方法通過信號時域和頻域故障特征信號提取，構(gòu)建六氟化硫（SF6）開關(guān)故障診斷應(yīng)用算法模型。與傳統(tǒng)SF6開關(guān)故障的閾值判斷方法相比，該方法能準(zhǔn)確定位故障原因，智能自動識別故障原因及類型，能對開關(guān)運行健康狀態(tài)進(jìn)行準(zhǔn)確評估和預(yù)警。

1 國內(nèi)配電開關(guān)柜設(shè)備離線檢測常用方法

1.1 基于合／分閘線圈電流檢測法

基于合/分閘線圈電流檢測法是一種在電力系統(tǒng)中監(jiān)測和診斷斷路器狀態(tài)的重要方法。斷路器的合閘和分閘線圈是高壓斷路器的首級控制元件。當(dāng)控制回路的繼電器接到指令使分合閘線圈通電時，線圈中的電流產(chǎn)生電磁力，驅(qū)動鐵芯（頂桿）運動，觸動彈簧機(jī)構(gòu)的脫扣裝置或直接驅(qū)動動觸頭，從而實現(xiàn)合閘或分閘操作。該方法通過檢測斷路器在合閘或分閘過程中的線圈電流波形，來分析判斷斷路器的運行狀態(tài)和潛在故障^［3-4］。

1.2 基于合／分閘行程和速度檢測法

基于合/分閘行程和速度檢測法是一種評估斷路器性能的重要方法。在合閘和分閘時，動觸頭會經(jīng)歷一定的行程，以特定速度運動。這些行程和速度參數(shù)能夠直觀反映斷路器機(jī)械部件的工作狀態(tài)和性能。該方法通過測量斷路器在合閘和分閘過程中的行程和速度，來分析判斷其機(jī)械性能、動作特性以及潛在故障。

1.3 基于振動信號檢測法

振動信號檢測法是一種高效且非接觸的故障診斷技術(shù)。通過在關(guān)鍵位置安裝振動傳感器，實時采集設(shè)備運行過程中產(chǎn)生的振動信號，對這些信號進(jìn)行詳盡分析與處理，可以準(zhǔn)確識別開關(guān)設(shè)備中的故障^［5］。

2 配電開關(guān)故障智能診斷裝置系統(tǒng)方案

本項目采用傳感技術(shù)、單片機(jī)技術(shù)、通信技術(shù)，結(jié)合現(xiàn)代通信自動化技術(shù)旨在對帶有直流儲能電機(jī)配電開關(guān)中的儲能電機(jī)卡澀情況進(jìn)行研究。該項目通過分析儲能電機(jī)運作時的電流波形，利用自身正常狀態(tài)波形與不同狀態(tài)波形進(jìn)行相似性度量，設(shè)定邊界閾值，從而辨識配電開關(guān)的卡澀情況。該項目基于辨識算法，開發(fā)一套配電開關(guān)故障智能診斷裝置，實現(xiàn)配電開關(guān)卡澀故障在線診斷，為電力系統(tǒng)生產(chǎn)管理與設(shè)備狀態(tài)檢修提供信息與依據(jù)，實現(xiàn)智能運檢。配電開關(guān)故障智能診斷裝置系統(tǒng)方案設(shè)計如圖1所示。

配電開關(guān)故障智能診斷裝置由儲能電機(jī)高速采集電流互感器、配電開關(guān)故障智能診斷裝置、通信網(wǎng)關(guān)和智能監(jiān)測終端組成。其中，儲能電機(jī)高速采集電流互感器采用開口設(shè)計，負(fù)責(zé)采集儲能電機(jī)在動作時的電流波形，將采集結(jié)果傳送至配電開關(guān)故障智能診斷裝置。診斷裝置記錄配電開關(guān)每次動作時儲能電機(jī)電流波形，將電流波形變化數(shù)據(jù)進(jìn)行本地濾波分析處理打包、邊緣診斷故障判別、配電開關(guān)故障智能診斷分析，通信網(wǎng)關(guān)再將數(shù)據(jù)結(jié)果通過無線通信上智能監(jiān)測終端。監(jiān)測終端不僅能夠?qū)崿F(xiàn)主動預(yù)警，還可以供用戶查看設(shè)備運行詳情、電流波形數(shù)據(jù)曲線報表及設(shè)備運行狀況、設(shè)備運行時間段內(nèi)的歷史數(shù)據(jù)，自動生成歷史曲線圖和將查詢結(jié)果以列表方式顯示或打印，以供分析之用。

3 配電開關(guān)故障智能診斷軟件算法

本項目研究基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D Convolutional Neural Network，1DCNN）和門控循環(huán)單元（Gated Recurrent Unit，GRU）融合故障特征提取算法，通過對開關(guān)機(jī)構(gòu)儲能電機(jī)運行過程中電流信號時域及頻域分析，提取出故障特征信號，分析不同故障狀態(tài)下信號的差異，實現(xiàn)對配電開關(guān)設(shè)備運行健康感知。

3.1 CNN原理

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）作為一種強(qiáng)大的表征學(xué)習(xí)模型，廣泛應(yīng)用于機(jī)器視覺與自然語言處理領(lǐng)域，其獨特之處在于能夠從輸入的多樣化信息中高效地提取高階特征^［6］。在機(jī)器視覺方面，CNN尤為擅長，其中二維卷積神經(jīng)網(wǎng)絡(luò)（2DCNN）是圖像識別及視覺化處理的關(guān)鍵工具，而一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）則專長于時間序列數(shù)據(jù)的處理。CNN的內(nèi)部結(jié)構(gòu)精密而高效，由輸入層起始，隨后是交替出現(xiàn)的卷積層與池化層，最后是全連接層與輸出層，這一架構(gòu)如圖2所示。在卷積層中，不同尺寸的卷積核被用來遍歷輸入數(shù)據(jù)，以捕捉并提取局部特征。池化層通過數(shù)據(jù)壓縮技術(shù)，有效降低了信息的維度，同時保留了關(guān)鍵特征，這一過程循環(huán)進(jìn)行，確保了特征的有效提取與保留。全連接層作為特征整合的橋梁，將來自卷積層與池化層的分布式特征展平為一維向量，為后續(xù)的分類、回歸等任務(wù)提供基礎(chǔ)。CNN的設(shè)計哲學(xué)之一在于局部特征提取與參數(shù)共享，這不僅增強(qiáng)了網(wǎng)絡(luò)對局部信息的敏感度，還顯著減少了所需的權(quán)重數(shù)量，極大地降低了計算復(fù)雜度與參數(shù)冗余，使得CNN在處理大規(guī)模數(shù)據(jù)集時依然能夠保持高效與準(zhǔn)確^［7-8］。

3.2 GRU原理結(jié)構(gòu)

GRU和長短期記憶網(wǎng)絡(luò)（Long ShortTerm Memory，LSTM）作為循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的先進(jìn)變種，專為處理序列數(shù)據(jù)而設(shè)計。它們有效解決了傳統(tǒng)RNN在捕捉長期依賴時面臨的長期記憶喪失及反向傳播過程中的梯度爆炸問題。這2種網(wǎng)絡(luò)通過引入門控機(jī)制替代了標(biāo)準(zhǔn)RNN中的簡單隱藏單元，使得網(wǎng)絡(luò)能夠智能地選擇性地保留重要信息并遺忘無關(guān)信息。與LSTM相比，GRU在結(jié)構(gòu)上更為簡潔，它采用更新門（zt）和重置門（rt）的" 組合，替代了LSTM中更為復(fù)雜的輸入門、遺忘門與輸出門體系。這種設(shè)計不僅減少了需要訓(xùn)練的參數(shù)數(shù)量，還在保持與LSTM相當(dāng)預(yù)測精度的同時，實現(xiàn)了更快的收斂速度，使得GRU成為處理序列數(shù)據(jù)時一個既高效又強(qiáng)大的選擇。傳統(tǒng)RNN結(jié)構(gòu)與GRU結(jié)構(gòu)如圖3所示（a）RNN，（b）GRU^［9］。

3.3 SF6開關(guān)故障診斷模型結(jié)構(gòu)

本項目所用模型如圖4所示，由1DCNN單元、GRU單元和全連接單元組成，細(xì)分為輸入層、卷積層、池化層、GRU層與輸出層。配電開關(guān)的電機(jī)電流曲線作為1DCNN單元的輸入并通過卷積層進(jìn)行特征提取，保留其大部分的輸入曲線特征，再通過池化層對提取到的特征曲線進(jìn)行降維處理，而后作為GRU單元的輸入數(shù)據(jù)，提取該特征曲線中蘊含的規(guī)律并進(jìn)行時間和空間上的信息讀取、消化與記憶，通過全連接層進(jìn)行分類、輸出。

該融合提取方法同時具備卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元的優(yōu)點，依靠卷積神經(jīng)網(wǎng)絡(luò)來挖掘特征并通過GRU記憶特征之間的關(guān)系，在較少的深度和較短的訓(xùn)練時間內(nèi)達(dá)到良好的分類效果。同時，該方法是一種端到端的學(xué)習(xí)模型，通過1DCNN自動挖掘提取電機(jī)電流數(shù)據(jù)的深層特征。相較于傳統(tǒng)的閾值計算法，SF6開關(guān)故障診斷模型結(jié)構(gòu)無須通過人工編程計算提取特征再分析，實現(xiàn)了免閾值自適應(yīng)計算，能夠快速、準(zhǔn)確地識別配電開關(guān)的運行狀態(tài)，指導(dǎo)運維人員在最短的時間內(nèi)排查出安全隱患，最大程度上保障電網(wǎng)穩(wěn)定、安全運行。

4 裝置實驗結(jié)果

配電開關(guān)故障卡澀是指在配電系統(tǒng)中，開關(guān)操作時感到卡滯或不流暢的現(xiàn)象，這可能會導(dǎo)致設(shè)備操作困難、設(shè)備損壞或電氣系統(tǒng)故障。為了驗證本項目所設(shè)計的開關(guān)故障智能診斷裝置，通過使用帶有直流儲能電機(jī)的配電開關(guān)柜，模擬出配電開關(guān)故障卡澀和正常運行的情景，測出不同情況下的信號波形，測試結(jié)果如圖5所示。從測試結(jié)果可以看出，本項目設(shè)計的故障診斷裝置能夠有效地識別RM6電機(jī)卡澀、ELE-12彈簧卡澀、ELE-12齒輪卡澀等故障。當(dāng)發(fā)生卡澀故障時，監(jiān)測終端能夠發(fā)出報警提示并給出卡澀故障程度?？收铣潭入娏鞑ㄐ稳鐖D5（c）和5（b）所示。

5 結(jié)語

為了有效識別和預(yù)防開關(guān)柜卡澀故障，本項目通過實地考察配電開關(guān)柜的動作特性，研究了電機(jī)電流的開關(guān)故障特征提取方法以及SF6開關(guān)故障的智能識別與診斷算法，構(gòu)建了配電開關(guān)卡澀故障在線診斷終端的結(jié)構(gòu)模型算法。結(jié)合先進(jìn)的傳感技術(shù)、單片機(jī)技術(shù)、通信技術(shù)和現(xiàn)代通信自動化技術(shù)，文章設(shè)計了配電開關(guān)故障智能診斷裝置。與傳統(tǒng)SF6開關(guān)故障的閾值判斷方法相比，該診斷裝置具有準(zhǔn)確定位故障原因的能力，能夠有效識別配電開關(guān)的正常、卡澀、電機(jī)電源斷線以及分/合閘線圈電源斷線，為電力系統(tǒng)的生產(chǎn)管理與設(shè)備狀態(tài)檢修提供信息與依據(jù)，實現(xiàn)智能運維分析。

參考文獻(xiàn)

［1］劉絢琛.配電網(wǎng)自動化開關(guān)故障的處理及預(yù)防措施［J］.光源與照明，2022（7）：183-185.

［2］謝智勇.電力開關(guān)設(shè)備中的故障檢測與智能診斷技術(shù)研究［J］.中國設(shè)備工程，2024（7）：174-176.

［3］杜小康，陳志英.高壓斷路器合（分）閘線圈電流信號特征值提取方法研究［J］.電氣應(yīng)用，2018（15）：26-30.

［4］莊瑞鋒，陳麗安，肖梁賢.基于變分模態(tài)分解的高壓斷路器合分閘線圈電流特征值提?。跩］.高壓電器，2022（4）：145-150.

［5］陸佳其，張云，羅明，等.斷路器機(jī)械故障振動信號檢測系統(tǒng)研究［J］.電力設(shè)備管理，2020（2）：123-124.

［6］胡海彬，劉仁鑫，劉日龍，等.卷積神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用綜述［J］.機(jī)械工程與自動化，2024（4）：221-223.

［7］徐玉珍，鄒中華，劉宇龍，等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)和雙注意力機(jī)制的V2G充電樁開關(guān)管開路故障信息融合診斷［J］.中國電機(jī)工程學(xué)報，2024（8）：1-12.

［8］遲國峰.基于BP神經(jīng)網(wǎng)絡(luò)的高壓開關(guān)柜機(jī)械故障智能診斷分析［J］.中國機(jī)械，2023（31）：77-80.

［9］王長江，張千龍，姜濤，等.基于圖卷積網(wǎng)絡(luò)和雙向門控循環(huán)單元的電力系統(tǒng)主導(dǎo)失穩(wěn)模式辨識［J］.中國電機(jī)工程學(xué)報，2024（9）：1-12.

（編輯 王永超）

Research on intelligent diagnosis device for power distribution switch faults

LIN" Zhibing， KE" Yongqin， CHEN" Youheng， CHEN" Tianpeng， GUO" Shiwei

（State Grid Fujian Electric Power Co.， Ltd.， Putian Power Supply Company， Putian 351100， China）

Abstract：" The structure of distribution switchgear is complex. When a fault occurs， it is difficult to locate the points of mechanical sticking， and the analysis and handling of the causes require a significant amount of maintenance time. Additionally， there is a lack of early warning measures for the hidden risks of sticking in the drive mechanism， which places a heavy burden on the operation and maintenance of the distribution network. This project analyzes the current waveform during the operation of the energy storage motor， utilizing the normal state waveform and different state waveforms for similarity measurement， and setting boundary thresholds to identify the normal， sticking， and disconnection conditions of the distribution switchgear. This enables intelligent diagnosis of faults and enhances the level of intelligent operation and maintenance.

Key words： power distribution switch; stuck points; intelligent diagnosis