一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法
【專利摘要】本發(fā)明公開了一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，包括：獲取高壓斷路器分合閘過程中線圈電流波形并根據(jù)該波形獲得高壓斷路器的狀態(tài)參數(shù)；對高壓斷路器的振動信號進行采樣，選擇其時間節(jié)點t；將高壓斷路器故障分類并進行編號，作為故障模型辨識系統(tǒng)的輸出，將線圈電流、振動信號和時間節(jié)點為故障模型辨識系統(tǒng)的輸入；將降噪自解碼算法作為典型的非監(jiān)督學習模型，對模型進行訓練，采用SVM結構，由降噪自編碼算法得到的損失函數(shù)，得到斷路器故障的回歸表達式；根據(jù)斷路器故障的回歸表達式，得到發(fā)生故障時的線圈電流數(shù)據(jù)與故障類型的對應關系，再通過待判定的故障數(shù)據(jù)來判定故障類型。本發(fā)明這種訓練優(yōu)化的過程可以避免局部最優(yōu)解。
【專利說明】
一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法
技術領域
[0001] 本發(fā)明涉及高壓斷路器故障診斷領域，具體涉及一種基于非監(jiān)督學習模型的高壓 斷路器故障診斷方法。
【背景技術】
[0002] 輸變電設備的安全是電網(wǎng)安全運行的基礎，對設備狀態(tài)進行全面、準確的評價、診 斷和預測，是輸變電設備狀態(tài)檢修和全壽命周期管理的前提條件，是提高供電可靠率及電 網(wǎng)運行智能化水平的重要途徑，也是智能調(diào)度運行的重要依據(jù)，可以為電網(wǎng)安全、可靠、經(jīng) 濟運行提供有力的技術支撐。
[0003] 國外開展高壓設備狀態(tài)以及異常狀態(tài)監(jiān)測技術的起步研究較早。在20世紀70年代 前蘇聯(lián)、日本、美國、德國、加拿大等發(fā)達國家在輸變電設備帶電、在線監(jiān)測方面進行了較多 的探索，首先開拓了在線監(jiān)測技術研究領域，研制了變壓器油中溶解氣體，變壓器、氣體絕 緣組合電器(GIS)、高壓電纜等的局部放電，電容型設備的介質(zhì)損耗因素、金屬氧化物避雷 器的阻性電流、高壓電纜的泄漏電流等特性的監(jiān)測裝置。20世紀90年代后，隨著傳感器、計 算機、網(wǎng)絡通信等技術的發(fā)展，設備狀態(tài)監(jiān)測和診斷技術發(fā)展迅猛，測量方法也不斷改進， 監(jiān)測對象從變電設備逐漸擴展到輸電設備，狀態(tài)信息也日益豐富，同時還出現(xiàn)一些其他通 過非電量測量來反映設備狀況的測試儀器，如超高頻局部放電檢測、氣相色譜傳感器、光纖 溫度在線測量、紅外裝置、超聲裝置等。近年來，歐美日等發(fā)達國家非常重視設備建模技術、 人工智能技術的應用，在設備智能評價和異常診斷的研究和應用方面明顯加快，研究并使 用新的診斷工具和方法評價運行中設備的狀態(tài)、預期使用壽命、風險和維修策略。一些先進 的數(shù)字信號處理技術和人工智能技術，如數(shù)字濾波、神經(jīng)網(wǎng)絡、小波分析、專家系統(tǒng)、模糊診 斷、模式識別等，應用于狀態(tài)評價、預測以及缺陷診斷中，取得了良好的效果，輸變電設備的 狀態(tài)監(jiān)測和評價技術得到迅速發(fā)展。
[0004] 狀態(tài)和故障預測的核心是特征量的預測，通常將特征量的歷史數(shù)據(jù)輸入到預測模 型中，得出特征量的發(fā)展規(guī)律，預測下一時間段特征量的數(shù)值，將預測出的數(shù)值輸入到狀態(tài) 評價模型中進行狀態(tài)評價，得到的結果即為預測的下一時間段的輸變電設備狀態(tài)。目前用 到的相關方法包括時間序列模型、灰色模型、支持向量機回歸模型、蒙特卡羅模型等方法。
[0005] 在電網(wǎng)運行涉及的各種設備中，高壓斷路器對于保障電網(wǎng)安全運行具有重要作 用。所以準確地對斷路器故障狀態(tài)的診斷識別，可以在故障發(fā)生的最初時刻診斷出高壓斷 路器的異常狀態(tài)，從而避免重大事故的發(fā)生。
[0006] 斷路器的在線技術開發(fā)已得到了足夠的重視一些新的理念在不斷地被提出?，F(xiàn)如 今國內(nèi)外的研究人員主要從這幾個方面來著重研究：
[0007] (1)基于合閘，分閘的時間，速度來對機械特性進行分析，從而判斷斷路器缺陷；
[0008] (2)斷路器的機械振動信號由于振動頻率速度的不同反映的信息量很大值得研 究；
[0009] (3)通過測量靜態(tài)電阻或者動態(tài)電阻來檢驗觸頭的磨損情況；
[0010] (4)SF6 壓力測試：
[0011] (5)絕緣檢測；
[0012] (6)人工化的智能軟件與計算機數(shù)據(jù)處理相互結合的自動化系統(tǒng)。
[0013] 其中，以高壓斷路器的機械振動信號的特征數(shù)據(jù)為依據(jù)，對高壓斷路器的特征數(shù) 據(jù)進行分析，從而評判高壓斷路器機械狀態(tài)。這種方法是判定高壓斷路器機械故障的主要 方法。目前高壓斷路器基于振動信號的故障診斷方法有動態(tài)時間規(guī)整法、支持向量機法、經(jīng) 驗模態(tài)法、振聲聯(lián)合法等。斷路器的振動信號中包含了斷路器帶病運行和故障信息。而且雖 然振動信號分析具有易于測量的優(yōu)點，但測試環(huán)境中的各種干擾同時會影響聲波分析結 果。且包含非線性、非平穩(wěn)成分，采用常規(guī)的處理方法會大幅降低準確性，甚至產(chǎn)生錯誤的 結論。
[0014] 當干擾信號與振動信號的振幅和頻率基本相似時，傳統(tǒng)的監(jiān)測方法已很難區(qū)分兩 者之間的區(qū)別。
[0015] 對斷路器的振動信號進行采樣，檢測，分析其實是一個難點。首先斷路器有著十分 復雜的機械結構再加之現(xiàn)場的環(huán)境因素存在著不可忽視的噪音干擾，使傳感器所監(jiān)測到的 振動信號有著不小的自然誤差。事實上斷路器的分閘和合閘操作過程中不同程度上都會產(chǎn) 生一定數(shù)量的振動過程，而且實際的操作中振動信號等參數(shù)物理量包括振動信號的彌散、 反射和折射等等復雜的變化讓監(jiān)測工作變得更加的困難，有時候當振動信號微乎其微時就 更難監(jiān)測了。
[0016] 因此，亟需一種新的方法來實現(xiàn)高壓斷路器的故障診斷。

【發(fā)明內(nèi)容】

[0017] 為解決現(xiàn)有技術存在的不足，本發(fā)明公開了一種基于非監(jiān)督學習模型的高壓斷路 器故障診斷方法，本發(fā)明將高壓斷路器故障分類，并進行編號，作為故障模型辨識系統(tǒng)的輸 出。線圈電流、振動信號和時間節(jié)點為故障模型辨識系統(tǒng)的輸入，采用降噪自解碼算法得到 的損失函數(shù)，繼而得到斷路器故障的回歸表達式，最終根據(jù)斷路器故障的回歸表達式和故 障數(shù)據(jù)來判定故障類型。支持向量機，英文為Support Vector Machine，簡稱SVM。
[0018] 為實現(xiàn)上述目的，本發(fā)明的具體方案如下：
[0019] 一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，包括以下步驟：
[0020] 步驟一:獲取高壓斷路器分合閘過程中線圈電流波形并根據(jù)該波形獲得高壓斷路 器的狀態(tài)參數(shù)；
[0021] 步驟二:對高壓斷路器的振動信號進行采樣，選擇其時間節(jié)點t;
[0022] 步驟三:將高壓斷路器故障分類并進行編號，作為故障模型辨識系統(tǒng)的輸出，將線 圈電流、振動信號和時間節(jié)點為故障模型辨識系統(tǒng)的輸入；
[0023] 步驟四：將降噪自解碼算法作為典型的非監(jiān)督學習模型，對模型進行訓練，采用經(jīng) 典的SVM結構，由降噪自編碼算法得到的損失函數(shù)，繼而得到斷路器故障的回歸表達式；
[0024] 步驟五:根據(jù)斷路器故障的回歸表達式，得到發(fā)生故障時的線圈電流數(shù)據(jù)與故障 類型的對應關系，再通過待判定的故障數(shù)據(jù)來判定故障類型。
[0025] 進一步的，在步驟一中，根據(jù)該波形獲得高壓斷路器的狀態(tài)參數(shù)包括鐵芯行程、鐵 芯卡塞、線圈狀態(tài)、高壓斷路器分合閘的速度及高壓斷路器分合閘所用的時間。
[0026]進一步的，在所述步驟三中，高壓斷路器故障主要包括拒動故障、誤動故障、絕緣 與載流故障及泄漏、損壞故障，拒動故障包括觸頭拒合及拒分故障。
[0027]進一步的，降噪自編碼算法中，輸入d維xe[0，l]d，輸出d'維yel = [0，l]d'；
[0028] y = fe(x)=s(Wx+b) (1)
[0029] 其中，8是5型函數(shù)，0={1，13}，1是(1/\(1的權重矩陣，13是偏差向量，無是將含有一定 統(tǒng)計特性的噪聲加到輸入數(shù)據(jù)，對樣本進行修改，通過隨機映射對每個輸入向量X按照一定 的破壞率把初始輸入X破壞為S:，將擦除后的樣本數(shù)據(jù)盡可能還原重構出原始數(shù)據(jù)；
[0030]然后，輸出y映射到輸入空間z中，這里ze[0，l]d;
[0031] -ξ： = = s{W'y + h') (2)
[0032] 這里θ' ,1/ 是cT Xd的權重矩陣，V是偏差向量。
[0033] 進一步的，在所述步驟四中，在訓練時，通過每層的初始化和調(diào)整來訓練，在逐層 的初始化時可以采用無監(jiān)督的訓練判據(jù)。每一層訓練時將前一層傳遞來的參數(shù)優(yōu)化后傳遞 給后一層，作為被觀察故障模型的訓練樣本，直到所有層都被訓練好。
[0034] 更進一步的，在訓練過程中，每組輸入樣本x(1)，映射到中間變量y(1)，然后重建為 變量z (1)，考慮到高壓斷路器的信號都為連續(xù)信號，所以重建損失函數(shù)表示為經(jīng)典的二次型 的形式：
[0035] Γ (χ,ζ) = | | χ-ζ I 12 (3) 〇
[0036] 進一步的，在訓練過程中訓練參數(shù)通過求如下表達式的極小值來得到：
[0038] 其中，η為樣本個數(shù)。
[0039]進一步的，采用經(jīng)典的SVM結構，由降噪自編碼算法得到的修正過的損失函數(shù)表示 為式(5):
[0041] 式中，f .4+是優(yōu)化過程中的松弛因子，w = x-z，輸入層和輸出層之差，c為松弛因 子系數(shù)。
[0042] 最后，斷路器故障的回歸表達式為：
[0044] 式中，p為支持向量機的個數(shù)，K(x，Xl)為核函數(shù)，本發(fā)明中采用徑向基函數(shù)。即，
[0045] Κ(χ,χι) = θχρ(-λ| |xa-xi| |2)
[0046] 其中，λ為核參數(shù)，ai、ai '為拉格朗日乘子，ai、ai '只有一小部分不為0,其對應的樣 本就是支持向量機，Xl為樣本中的第i個元素，xa為樣本均值。
[0047]本發(fā)明的有益效果：
[0048]本發(fā)明的降噪自編碼算法通過每層的初始化和調(diào)整來訓練，在逐層的初始化時可 以采用無監(jiān)督的訓練判據(jù)。每一層訓練時將前一層傳遞來的參數(shù)優(yōu)化后傳遞給后一層，作 為被觀察故障模型的訓練樣本。直到所有層都被訓練好，那么可以采用實際的故障數(shù)據(jù)來 測試本方法。而且訓練判據(jù)采用監(jiān)督型的判據(jù)。這種訓練優(yōu)化的過程可以避免局部最優(yōu)解。
【附圖說明】
[0049]圖1降噪自編碼算法數(shù)據(jù)處理流程圖；
[0050]圖2本發(fā)明算法流程圖。
【具體實施方式】：
[0051] 下面結合附圖對本發(fā)明進行詳細說明：
[0052] 當干擾信號與振動信號的振幅和頻率基本相似時，傳統(tǒng)的監(jiān)測方法已很難區(qū)分兩 者之間的區(qū)別。高壓斷路器分合閘過程中線圈電流波形包含鐵芯行程、鐵芯卡塞、線圈狀 態(tài)、分，合閘的速度及其所用的時間，高壓斷路器典型故障主要有拒動故障、誤動故障、絕緣 與載流故障及泄漏、損壞故障等，大多數(shù)表現(xiàn)為觸頭拒合或者拒分故障。
[0053] 對斷路器的振動信號進行采樣，檢測，分析的各個環(huán)節(jié)其實都存在困難，其原因 為，首先斷路器有著十分復雜的機械結構再加之現(xiàn)場的環(huán)境因素存在著不可忽視的噪音干 擾，使傳感器所監(jiān)測到的振動信號有著不小的自然誤差。事實上斷路器的分閘和合閘操作 過程中不同程度上都會產(chǎn)生一定數(shù)量的振動過程，而且實際的操作中振動信號等參數(shù)物理 量包括振動信號的彌散、反射和折射等等復雜的變化讓監(jiān)測工作變得更加的困難，有時候 當振動信號微乎其微時就更難監(jiān)測了。但振動信號包含的設備信息依然可以為設備的狀態(tài) 監(jiān)測和故障診斷服務，所以我們可在利用振動信號的同時，通過線圈電流波形來輔助分析 高壓斷路器的一些重要特性狀態(tài)，比如:操動機構的狀態(tài)、高壓斷路器是否有偷跳、拒動等 情況。另一方面，線圈側通過的電壓同樣也是一個重要的參數(shù)。由此我們通過計算，即線圈 側的電壓值由工作電壓減少到〇為動觸頭分合閘的所用時間，同時由動觸頭的分合閘的行 程長度，可以很快得出高壓斷路器分、合閘速度，即行程和所用時間的比值。更加重要的是 斷路器在合閘前、分閘后這段時間的動觸頭速度，這一數(shù)值在研究斷路器的開斷能力上起 了重要的作用。所以本發(fā)明在選擇線圈電流、振動信號作為輸入的同時，選擇其動觸頭分合 閘的準確時間節(jié)點t為故障分析依據(jù)。
[0054] 將高壓斷路器故障分類，并進行編號，作為故障模型辨識系統(tǒng)的輸出。線圈電流、 振動信號和時間節(jié)點為故障模型辨識系統(tǒng)的輸入。
[0055] 如圖1-2所示，降噪自解碼算法是典型的非監(jiān)督學習模型，則:輸入d維xe[0，l]d， 輸出d'維yEl = [0，l]d。
[0056] y· = fgix) = s( Wx + b) (1)
[0057] 這里s是S型函數(shù)，這里0 = {W，b}，W是個Xd的權重矩陣，b是偏差向量。
[0058] 然后，輸出y映射到輸入空間z中，這里ze[0，l]d。
[0059] z· = g0'(x) = s(Wry + br) (2)
[0060] 這里9/ ={￥' ,1/ hW'是cT Xd的權重矩陣，V是偏差向量。
[0061] 在訓練過程中，每個輸入x(i)映射到中間變量y(i)，然后重建為變量z(i)?？紤]到高 壓斷路器的信號都為連續(xù)信號，所以重建損失函數(shù)可以表示為經(jīng)典的二次型的形式。
[0062] Γ (χ,ζ) = I I χ-ζ I 12 (3)
[0063] 這樣，訓練參數(shù)由如下表達式的極小值來得到：
[0065]降噪自編碼算法通過支持向量機中的輸入層，隱藏層，以及輸出層的初始化和調(diào) 整來訓練，在逐層的初始化時可以采用無監(jiān)督的訓練判據(jù)。每一層訓練時將前一層傳遞來 的參數(shù)優(yōu)化后傳遞給后一層，作為被觀察故障模型的訓練樣本。這樣可以由確定的故障類 型數(shù)據(jù)訓練支持向量機中的各層參數(shù)，直到所有層都被訓練好，那么可以采用實際的故障 數(shù)據(jù)來驗證本方法。而且訓練判據(jù)采用監(jiān)督型的判據(jù)。這種訓練優(yōu)化的過程可以避免局部 最優(yōu)解。
[0066]采用經(jīng)典的SVM結構，由降噪自編碼算法得到的修正過的重建損失函數(shù)可以表示 為式(5):
[0068]式中，是優(yōu)化過程中的松弛因子。最后，斷路器故障的回歸表達式為：
[0070] 式中，ρ為支持向量機的個數(shù)，K(x，Xl)為核函數(shù)，本發(fā)明中采用徑向基函數(shù)。即，
[0071] K(x,Xi) = exp(-A| |xa-Xi| |2)
[0072] 其中，λ為核參數(shù)，ai、ai '為拉格朗日乘子，ai、ai '只有一小部分不為0,其對應的樣 本就是支持向量機，Xl為樣本中的第i個元素，xa為樣本均值。根據(jù)斷路器故障的回歸表達式 和故障數(shù)據(jù)來判定故障類型。
[0073] 上述雖然結合附圖對本發(fā)明的【具體實施方式】進行了描述，但并非對本發(fā)明保護范 圍的限制，所屬領域技術人員應該明白，在本發(fā)明的技術方案的基礎上，本領域技術人員不 需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。
【主權項】
1. 一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征是，包括以下步驟： 步驟一:獲取高壓斷路器分合閘過程中線圈電流波形并根據(jù)該波形獲得高壓斷路器的 狀態(tài)參數(shù)； 步驟二:對高壓斷路器的振動信號進行采樣，選擇其時間節(jié)點t; 步驟三:將高壓斷路器故障分類并進行編號，作為故障模型辨識系統(tǒng)的輸出，將線圈電 流、振動信號和時間節(jié)點為故障模型辨識系統(tǒng)的輸入； 步驟四：將降噪自解碼算法作為典型的非監(jiān)督學習模型，對模型進行訓練，采用經(jīng)典的 SVM結構，由降噪自編碼算法得到的損失函數(shù)，繼而得到斷路器故障的回歸表達式； 步驟五:根據(jù)斷路器故障的回歸表達式，得到發(fā)生故障時的線圈電流數(shù)據(jù)與故障類型 的對應關系，再通過待判定的故障數(shù)據(jù)來判定故障類型。2. 如權利要求1所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，在步驟一中，根據(jù)該波形獲得高壓斷路器的狀態(tài)參數(shù)包括鐵芯行程、鐵芯卡塞、線圈狀 態(tài)、高壓斷路器分合閘的速度及高壓斷路器分合閘所用的時間。3. 如權利要求1所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，在所述步驟三中，高壓斷路器故障主要包括拒動故障、誤動故障、絕緣與載流故障及泄 漏、損壞故障，拒動故障包括觸頭拒合及拒分故障。4. 如權利要求1所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，降噪自編碼算法中，輸入d維xe[〇，l] d，輸出d'維yel = [〇，l]d'； y = /Λ X )=^ s(Wx+h) (i) 其中，s是S型函數(shù)，Θ = {W，b}，W是cT X d的權重矩陣，b是偏差向量;戈是將含有一定統(tǒng)計 特性的噪聲加到輸入數(shù)據(jù)，對樣本進行修改，通過隨機映射對每個輸入向量X按照一定的破 壞率把初始輸入X破壞為i ; 然后，輸出y映射到輸入空間z中，這里z e [ 〇，1 ]d; z = gff{x) = s(W'y + b'\ (2) 這里0/=卬/，13/}，1/是(1/\(1的權重矩陣，13 /是偏差向量。5. 如權利要求1所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，在所述步驟四中，在訓練時，通過每層的初始化和調(diào)整來訓練，在逐層的初始化時可以 采用無監(jiān)督的訓練判據(jù);每一層訓練時將前一層傳遞來的參數(shù)優(yōu)化后傳遞給后一層，作為 被觀察故障模型的訓練樣本，直到所有層都被訓練好。6. 如權利要求5所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，在訓練過程中，每個輸入x(1)映射到中間變量y (1)，然后重建為變量z(1)，考慮到高壓斷路 器的信號都為連續(xù)信號，所以重建損失函數(shù)表示為經(jīng)典的二次型的形式： Γ (x,z)= I |x-z I I2 (3)。7. 如權利要求5所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，在訓練過程中訓練參數(shù)通過求如下表達式的極小值來得到： 其中，η為樣本個數(shù)。8. 如權利要求4所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，采用經(jīng)典的SVM結構，由降噪自編碼算法得到的修正過的損失函數(shù)表示為式(5):式中，是優(yōu)化過程中的松弛因子，w = X-z，輸入層和輸出層之差，c為松弛因子系 數(shù)。9. 如權利要求1所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，斷路器故障的回歸表達式為： 1=1式中，P為支持向量機的個數(shù)，K(x，Xl)為核函數(shù);αι、αι'為拉格朗日乘子，其對應的樣本 就是支持向量機，X為樣本。10. 如權利要求9所述的一種基于非監(jiān)督學習模型的高壓斷路器故障診斷方法，其特征 是，核函數(shù)采用徑向基函數(shù)，即，K(x，xi) = exp(-X| |Xa-Xi| |2) 其中，λ為核參數(shù)，ai、ai '為拉格朗日乘子，其對應的樣本就是支持向量機，xi為樣本中 的第i個元素，xa為樣本均值。
【文檔編號】G05B23/02GK105868770SQ201610168812
【公開日】2016年8月17日
【申請日】2016年3月23日
【發(fā)明人】陳玉峰, 杜修明, 楊袆, 郭志紅, 盛戈皞, 李秀衛(wèi), 鄭建, 王輝, 周加斌, 馬艷, 李程啟, 林穎, 耿玉杰, 白德盟
【申請人】國網(wǎng)山東省電力公司電力科學研究院, 國家電網(wǎng)公司