CN105759201A - 基于异常样本识别的高压断路器自诊断方法 - Google Patents

Abstract

基于异常样本识别的高压断路器自诊断方法，方法为：（1）通过高压断路器生产厂家、江苏省检修部门等收集高压断路器电流特征数据；（2）初始化自诊断模型的存储区域（包括实时数据库、可识别区域、不可识别区域）；（3）设定自诊断模型以下模块的相关参数，包括：PSO优化模块、KFCM识别模块等；（4）将初始训练数据集放入自诊断模型可识别区域中，并将基于训练数据集的KFCM聚类结果添加至实时数据库，PSO优化模块据此计算SVDD检测模块的初始参数；（5）自诊断模型循环运作，对测试样本进行处理，处理类型包括：可识别样本的处理、不可识别样本的处理、新故障类型出现的处理）。利用本发明可以实现对高压断路器电流数据的有效归类总结，所得结论可以为电力检修部门的管理和高压电气设备生产厂家的生产、改进提供较为科学的依据。

Description

基于异常样本识别的高压断路器自诊断方法

技术领域

本发明属于电气设备故障诊断领域，涉及数据挖掘技术中的PSO、KFCM和SVDD，为一种基于异常样本识别的高压断路器自诊断方法。

背景技术

断路器是电力开关设备的核心部分，承担着开断和关合电力线路、线路故障保护、监测运行电量数据等重要作用，断路器的运行维护是保障电力***安全稳定运行的前提和基础。当前，传统的电气设备的定期巡检方式已不能适应现代智能电网发展的需要，急需向状态检修转变。状态检修是指根据先进的状态监测和诊断技术提供的设备状态信息，判断设备的异常，预知设备的故障，在故障发生前进行检修的方式，即根据设备的健康状态来安排检修计划，实施设备检修。所以，状态检修更能符合现代智能电网对安全性与经济性的要求。

然而，传统的断路器却存在着数字化及智能化程度低下，自动化水平不高的缺陷，并不能为状态检修提供及时与可靠的信息与技术支持。因此，迫切需要对断路器运行状态进行实时在线监测，及时反映设备运行状况，预测其潜在故障，以便采取预防措施，避免发生停电事故，确保配电网安全稳定运行。断路器在线监测与故障诊断技术，是指利用现代精密传感技术和数据采集技术，对断路器机械特性与电气特性的基本信息进行采集，并存储记录；利用先进的数字信号处理技术对采样信号进行处理，提取信号中含有的特征量；同时将其运行状态及主要运行参数以图形和数据的形式显示出来，并提供及时的预警及分合控制功能；根据运行参数对断路器的运行状况进行判别，通过人工智能算法对其进行状态评估，并判断其潜在故障。目标是为现场运行人员提供直观的断路器运行状态指示以及为状态检修提供依据。这无论在理论上还是实践上都具有巨大的经济和社会价值。

断路器故障诊断技术就是通过对断路器实际运行信息的监测、分析以及处理，根据运行参数对其工作状况进行判别，分析故障产生部位及成因，预测其劣化的趋势，目标为状态检修提供科学依据，提高断路器运行可靠性与工作效率。故障诊断或模式识别作为断路器在线监测与故障诊断***的核心以及最终目标，近年来成为研究的重点。断路器监测参数众多，操动机构结构复杂，许多故障的表征与故障成因之间并没有直接的因果关系，难以建立直接联系，这些都给故障诊断的实际应用带来了困难。

因此，发明一种适用于断路器在线监测***的故障诊断新方法成为亟需解决的课题。

发明内容

本发明要解决的问题是：现有的故障诊断理论都是针对固定的训练样本集来建立故障诊断模型，很少牵涉到诊断模型的新知识获取以及模型的实时更新。事实上，在诊断模型形成之初，诊断范围不一定包含所有的故障类型，模型应具有识别新状态的能力；而且随着数据样本的积累，最初诊断规则确定的故障分类与真实分类往往存在差异，影响了诊断的准确性。

本发明的技术方案为：本发明基于SVDD理论，建立SVDD异常样本检测模块，对每例测试样本确认其能否被子诊断模型可识别，根据检测结果将测试样本进行归纳；基于KFCM理论建立自诊断模型的已知样本识别模块，针对可识别区域存储的样本进行类别识别；基于KFCM聚类和MPC有效性分析建立新故障类型的提取模块，基于不可识别区域的样本提取新故障类型及其所属的故障样本；基于PSO理论进行参数优化及，辅助SVDD检测模块进行最优参数查找。由于KFCM算法优点是通过核空间非线性映射，可以突出样本的特征差异，具有很高的聚类效率，同时有较高的准确率；GA是借鉴生物界的进化规律演化而来的随机化搜索方法，其主要特点是具有内在的隐并行性和更好的全局寻优能力，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。SVDD其主要思想是在高维空间计算包含样本映像的最小超球体，并权衡超球体半径和它所覆盖的样本数，可以检测不被模型识别的故障样本。本发明将三者结合，对采集的相关电流数据进行故障诊断，分析诊断结果。包括以下步骤：

1)诊断模型数据存储区域的初始化：在未进行故障诊断之前对实时数据库、可识别区域、不可识别区域进行数据清空，防止自诊断模型运行过程的干扰。

2)初始训练数据集的加入：为启动自模型诊断以及选择SVDD检测模块的相关参数，加入的训练数据集通过KFCM聚类，PSO优化模块根据其聚类结果计算SVDD检测模块的相关参数。

3)SVDD检测模块的运作：测试样本进入SVDD检测模块进行类型探测，若被自诊断模型识别，则该样本进入可识别区域；反之进入不可识别区域。

4)当可识别区域的存储样本数量上升到一定阈值时，则进行KFCM聚类，基于聚类的样本分布(故障类型及其所属故障样本)放入实时数据库进行更新。

5)当不可识别区域的存储样本数量上升到一定阈值时，通过KFCM聚类和MPC有效性分析从不可识别样本群中提取新故障类型及其所属的故障样本，新故障类型及其所属的故障样本移至实时数据库进行更新。

6)当实时数据库的样本数量上升到一定阈值或者出现新的故障类型时，PSO优化模块基于实时数据库的样本数据选择新的SVDD检测模块的相关参数。

7)所有故障样本归属于相应的故障类别，实时数据库的更新结果应包含所有故障类型及其所属的故障样。

步骤2中的基于PSO全局优化的KFCM聚类过程如下：

1.PSO-KFCM算法参数设定。包括加速常数c₁与c₂、PSO最大迭代次数即进化次数k_max、粒子群规模即粒子群粒子数目l、速度最大及最小值V_max与V_min、位置最大及最小值pop_max与pop_min、惯性权重系数ω_max与ω_min、KFCM最大迭代次数、高斯核参数b、隶属度矩阵加权指数m以及迭代终止条件等。

2.初始化粒子群。随机生成l个初始聚类中心作为第一代粒子群，得到每个粒子的当前最优位置pbest与全局最优位置gbest。以聚类目标函数作为粒子群适应度利用公式(1)分别计算各粒子群适应度fit与全局最优适应度fitbest。

$J_m(U,v)=\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{n}{\Σ}}{u}_{ik}^m\left|\right|\mathrm{\φ}\left(x_k\right)-\mathrm{\φ}\left(v_i\right)|{|}^2---\left(1\right)$

3.利用所生成的粒子群作为KFCM算法的初始聚类中心通过公式(2)、(3)进行迭代计算，得到新的聚类中心及其相应的隶属度矩阵、目标函数值。

$u_{ik}=\frac{{\[\frac{1}{K(x_k,x_k)+K(v_i,v_i)-2K(x_k,v_i)}\]}^{\frac{1}{m-1}}}{\underset{j=1}{\overset{c}{\Σ}}{\[\frac{1}{K(x_k,x_k)+K(v_j,v_j)-2K(x_k,{\mathrm{\ν}}_j)}\]}^{\frac{1}{m-1}}}---\left(2\right)$

$v_i=\frac{\underset{k=1}{\overset{n}{\Σ}}{u}_{ik}^{m}K(x_k,v_i)x_k}{\underset{k=1}{\overset{n}{\Σ}}{u}_{ik}^{m}K(x_k,v_i)}---\left(3\right)$

4.更新全局最优位置gbest与全局最优适应度fitbest。

5.利用下述公式(4)(5)更新粒子群位置与速度。

$v_{id}^{k+1}={\mathrm{\ωv}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)---\left(4\right)$

$x_{id}^{k+1}=x_{id}^k+v_{id}^k---\left(5\right)$

6.重复执行步骤4和5。

7.终止条件判断，若不满足执行重复步骤6，满足条件则输出最终聚类结果。

步骤2中的基于SVDD参数的PSO优化选择过程如下：

1.PSO-SVDD算法参数设定。包括加速常数c₁与c₂、PSO最大迭代次数即进化次数k_max、粒子群规模即粒子群粒子数目l、速度最大及最小值V_max与V_min、位置最大及最小值pop_max与pop_min、惯性权重系数ω_max与ω_min、高斯核参数b、隶属度矩阵加权指数m以及迭代终止条件等。

2.初始化粒子群。随机生成l个初始聚类中心作为第一代粒子群，得到每个粒子的当前最优位置pbest与全局最优位置gbest。以聚类目标函数作为粒子群适应度利用公式(6)分别计算各粒子群适应度fit与全局最优适应度fitbest。

$J_m(U,v)=\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{n}{\Σ}}{u}_{ik}^m\left|\right|\mathrm{\φ}\left(x_k\right)-\mathrm{\φ}\left(v_i\right)|{|}^2---\left(6\right)$

3.适应度函数建立：利用留一法来评估粒子群适应度。当n个样本参与测试时，1个样本作为待测样本，n-1个样本作为模型训练样本，模型构建规则参考SVDD模型构建。相关适应度公式如下：

$p\left(f\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}L\left(f^k\right(x_k),y_k)---\left(7\right)$

f^k代表判决模型构建规则；f^k(x_k)是x_k判决结果；L(f^k(x_k),y_k)留一法的判决结果,若大于0,x_k可识别；反之不可识别。

4.更新全局最优位置gbest与全局最优适应度fitbest。

6.利用公式(3.12)和(3.13)更新粒子群位置与速度。

$v_{id}^{k+1}={\mathrm{\ωv}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)---\left(8\right)$

$x_{id}^{k+1}=x_{id}^k+v_{id}^k---\left(9\right)$

7.重复执行步骤4和5。

8.终止条件判断，若不满足执行重复步骤6，满足条件则输出最终聚类结果。

步骤3中的SVDD模型构建过程为：

1.选定一组训练样本集，进行数据预处理；

2.根据训练数据集通过参数优化的方式确定模型所需的参数；

3.选取一个测试样本，进行数据预处理；

4.根据式(10)和式(11)进行样本检测，若式(8)结果大于0，则该样本属于已知样本；若式(11)结果小于0，则该样本不识别。

$\underset{{\mathrm{\α}}_i}{max}{L}_D=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x_i)-\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)---\left(10\right)$

$\begin{array}{c}\begin{array}{ccc}s.t.& 0\≤{\mathrm{\α}}_i\≤C& and\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i=1\end{array}\\ d^2\left(x\right)=K(x,x)-2\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x)+\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{a}_i{\mathrm{\α}}_{j}K(x_i,x_j)\end{array}---\left(11\right)$

其中核函数常用高斯核

步骤6中的未知故障提取为：本专利处理方式是在不可识别样本集中，通过聚类有效性的手段提取其中样本数目较多的故障类型。聚类有效性是指对聚类结果进行评价以确定最适合特定数据集的划分。本专利采用MPC聚类有效性指标对不可识别样本集的分类数C进行校核：

$MPC=1-\frac{C}{1-C}(1-\frac{1}{N}\underset{c=1}{\overset{C}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_{ic})---\left(12\right)$

本发明采用台区线损的实际采样数据，利用数据挖掘手段针对海量数据进行处理，目的是发现台区特征数据与台区线损间的潜在关联。与传统的理论线损计算方法相比，数据来源可靠，更能反映现场实际线损状况；算法流程简单实用，效率较高；多元线性回归模型结构简洁，能够直观反映各特征参数对台区线损的影响程度，易于分析线损不合理的台区状况；易于软件实现，可以较为方便的融入线损管理***。

附图说明

图1为本发明所用算法流程图。

具体实施方式

本文共收集了40组断路器的合闸线圈电流数据(包含5类状态，每类状态命名为C_i(i＝1,…5))，包括正常状态、铁心卡涩、操动机构卡涩、线圈电压过低、铁心空行程过长等5类主要状态类型。合闸线圈样本数据如下表所示(时间单位为ms；电流单位为A)：

表1部分断路器故障数据

模型初始仅存放C₁,C₂2类样本集，每类故障各有5例样本。剩余30例样本为测试样本。L与M设定为5；O设定为3。为体现可识别故障样本流向与异常故障类群搜索，测试集排序：C₁,C₂测试样本随机挑选5例放在前5顺序，C3样本随机挑选放在第6-10序列，剩余测试样本随机排列。每例命名为C_ij(i＝1,…5；j＝1,…,8)。模型检测跟踪见表2。

表2断路器故障诊断模型检测跟踪

通过试验模拟证明本文所提的诊断模型具有可靠的异常故障识别能力和实时更新模型能力，该模型将80组合闸线圈电流数据全部准确识别并加以归类。其中，可以发现随着模型数据库样本的积累，模型的推广能力和描述能力在不断地调整。比如：第6次诊断时，模型参数变化较小，这是因为模型可识别范围未改变，同时模型训练样本的分布轮廓未有较大波动，这决定新老模型的相关性能基本一致。第11次诊断时，模型参数有一定变化，这是因为模型可识别范围增加，同时模型可识别样本分布轮廓有明显改变，这时模型参数必须动态调整，实时更新模型的训练样本分布状态。

Claims (6)

1.基于异常样本识别的高压断路器自诊断方法，其特征是通过PSO优化、KFCM聚类和SVDD检测进行已知故障样本的识别、未知故障样本的检测及其处理，针对当前高压断路器故障诊断模型的新知识获取以及模型实时更新的研究缺乏，首先通过基于PSO参数优化的SVDD检测模块检测测试样本，以确定其是否被自诊断模型可识别；然后联立PSO优化和KFCM聚类建立可识别样本的类别归纳模块和新故障的提取模块；最后将所有模块相互作用，自诊断模型循环诊断所有的测试样本，完成对其的故障识别，包括以下步骤：

步骤1：诊断模型数据存储区域的初始化；

步骤2：初始训练数据集的加入；

步骤3：SVDD检测模块的运作；

步骤4：进行样本类群归属；

步骤5：进行实时数据库更新。

2.根据权利要求1所述的基于异常样本识别的高压断路器自诊断方法，其特征在于：所述步骤1中，在未进行故障诊断之前对实时数据库、可识别区域、不可识别区域进行数据清空，防止自诊断模型运行过程的干扰。

3.根据权利要求1所述的基于异常样本识别的高压断路器自诊断方法，其特征在于：所述步骤2中，为启动自模型诊断以及选择SVDD检测模块的相关参数，加入的训练数据集通过KFCM聚类，PSO优化模块根据其聚类结果计算SVDD检测模块的相关参数。

4.根据权利要求1所述的基于异常样本识别的高压断路器自诊断方法，其特征在于：所述步骤3中，测试样本进入SVDD检测模块进行类型探测，若被自诊断模型识别，则该样本进入可识别区域；反之进入不可识别区域。

5.根据权利要求1所述的基于异常样本识别的高压断路器自诊断方法，其特征在于：所述步骤4中，当可识别区域的存储样本数量上升到一定阈值时，则进行KFCM聚类，基于聚类的样本分布（故障类型及其所属故障样本）放入实时数据库进行更新；当不可识别区域的存储样本数量上升到一定阈值时，通过KFCM聚类和MPC有效性分析从不可识别样本群中提取新故障类型及其所属的故障样本，新故障类型及其所属的故障样本移至实时数据库进行更新。

6.根据权利要求1所述的基于异常样本识别的高压断路器自诊断方法，其特征在于当实时数据库的样本数量上升到一定阈值或者出现新的故障类型时，PSO优化模块基于实时数据库的样本数据选择新的SVDD检测模块的相关参数。