CN117872115B - 一种高压断路器未标记故障诊断方法 - Google Patents

Abstract

本发明涉及高压断路器故障诊断领域，特别涉及一种高压断路器未标记故障诊断方法，包括以下步骤：S1、提取高压断路器在各个工况下的特征向量，按照工况类别分类；S2、随机选取一种故障工况下的特征向量集合作为测试集，其余作为训练集；S3、根据训练集中的特征向量集合训练出单分类分类器；S4、引入模型松紧参数λ，并通过测试集中的特征向量对单分类分类器进行验证，得出最佳模型松紧参数λ；S5、重复S2‑S4直到每个故障工况下的特征向量集合均被选择用作测试集，确定最终模型松紧参数。本发明提供的未标记故障诊断方法通过训练松紧可调节单分类分类器判断未标记故障样本，达到了提高判别精度的效果。

Description

一种高压断路器未标记故障诊断方法

技术领域

本发明涉及断路器故障诊断的技术领域，尤其涉及一种高压断路器未标记故障诊断方法。

背景技术

高压断路器是电力***的关键组件，其在电力***中起控制（投切负荷）和保护（切断故障）作用。高压断路器一旦发生故障，将直接危害整个电力***的安全与稳定。

现如今，基于机器学习的高压断路器智能故障诊断逐渐得到关注，该诊断方法是利用大量且优质的监测数据来训练诊断模型以实现高效诊断。然而，由于高压断路器在工程应用初期通常只有正常数据，任何一种故障都没有被标记，并且即使随着时间的推移对某几种故障实现了标记，但断路器又不可避免的会发生未知故障。因此，实际诊断中会存在故障数据未标记问题。

未标记故障识别问题可以看作从己知类别中检测异常值问题，通常可以借助单分类算法解决。单分类算法训练时将己标记状态看作一类，训练时仅基于这一类训练出未标记故障识别模型。支持向量数据描述(SVDD)作为常用的单分类分类器，其基本思想是通过在映射到高维的特征空间中找出一个包围目标样本点的超球体，并通过最小化该超球体所包围的体积让目标样本点尽可能地被包围在超球体中，而非目标样本点尽可能地排除在超球体外，从而达到正常类与非正常类之间划分的目的。但是在实际使用中，SVDD也具有一定的缺点，如分类后边界的松紧不能细粒度的调整，导致判别精度偏低。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有一种高压断路器未标记故障诊断方法存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

S1、采集高压断路器在各个工况下的监测参数并根据动作时间参数提取出特征向量，按照工况类别对所述特征向量进行分类，所述各个工况包括正常工况和多个故障工况；

选取同时间内的振动信号和电流信号，通过对选取振动信号的时频分析获取对应能量熵，将振动信号序列按照尺度因子τ等距分割，形成τ个尺度的粗粒化序列，在粗粒化过程中取每个序列的平均值依序排列作为新的粗粒化序列，再通过对比电流最高点和电流最低点的通过的时间和电流的通过时间得到对应的电流波动向量，将对应的能量熵和电流波动向量纳入特征向量集合进行测试筛选；

S2、随机选取一种所述故障工况下的特征向量集合作为测试集，将其余所述工况下的特征向量集合作为训练集；

S3、根据所述训练集中的特征向量集合训练出单分类分类器；

S4、引入模型松紧参数λ，用于调节所述单分类分类器的松紧粒度，通过将对得到的能量熵分解为i0、i1...，ix，再选取除去电流最高点和电流最低点的电流特征向量，然后对比各时间段内能量熵与电流特征向量的比值，剔除掉其中数据异常的值，将数据正常未见明显波动的值纳入单分类分类器，并通过所述测试集中的特征向量对所述单分类分类器进行验证，得出最佳模型松紧参数λ；

S5、重复S2-S4直到每个所述故障工况下的特征向量集合均被选择用作测试集，根据每次得出的最佳模型松紧参数λ作为模型松紧参数集，对模型松紧参数集采用粒子群优化算法确定最终模型松紧参数。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述步骤S1中，所述高压断路器的监测参数为振动信号，所述故障工况至少包括：基座螺栓松动故障、缓冲弹簧疲劳故障、传动机构故障和合闸弹簧疲劳故障。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述步骤S1中，所述特征向量的具体提取过程为：以高压断路器的合闸开始时间和合闸结束时间为分界点，将所述高压断路器的监测参数分为三段，对监测数据进行脑电数据加窗处理，提取时间窗内的频域信息，将窗口沿着时间轴向前滑动，并对每个时间窗内的数据进行同样的处理，分别计算每个时间段对应的信号能量熵，将所述每段信号能量熵组合在一起作为特征向量；

信号能量熵的计算可以使用Python代码进行信号能量熵计算。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述步骤S3中，所述单分类分类器的训练过程为：对于包含N个特征向量的训练集，将所述训练集中的每个特征向量记为di，dij表示第i个特征向量和第j个特征向量之间的欧式距离，计算出所述训练集样本的簇密度：

，所述簇密度用于确立所述训练集样本边界。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述步骤S4中，所述单分类分类器验证过程为：对于一个测试样本，将其特征向量与所有的所述训练集样本进行距离计算，选出其中最小的k个距离值，并求该k个距离值的平均值，记为m，则测试样本的判断结果为：

。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述步骤S4中，所述最佳模型松紧参数λ的确定方式为：在保证所述测试集中样本均被判断为未标记样本的情况下不断缩小所述模型松紧参数λ的值，其中λ的精度取小数点后一位。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述步骤S5中，所述最终模型松紧参数的确定方式为所有循环中的最佳模型松紧参数λ取中位数。

作为本发明所述一种高压断路器未标记故障诊断方法的一种优选方案，其中：所述S5中采用粒子群优化算法确定最终模型松紧参数的方法为：

S51：在D维空间生成多个粒子，并定义第n个粒子的速度和位置分别为：

Vn=（Vn1,Vn2,Vn3,...VnD）；Xn=（Xn1,Xn2,Xn3,...XnD），其中每个粒子的位置代表一个模型松紧参数解；

S52：计算适应度函数，选择最佳函数值及对应的粒子的位置，更新当前每个粒子的最佳位置和所有粒子的全局最佳位置；

S53：重复上述步骤，直至找到最优解。

本发明的有益效果：

1、本发明的未标记故障诊断方法通过将所有已知类别样本作为训练集训练单分类分类器，能够有效判断出未标记故障样本。

2.本发明的未标记故障诊断方法通过引入模型松紧参数调节单分类分类器的松紧粒度并通过循环验证确定最终模型松紧参数，有效提高了未标记故障样本的判断精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提出的一种高压断路器未标记故障诊断方法的方法流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

参照图1，为本发明的一个实施例，提供了一种高压断路器未标记故障诊断方法，此方法包括以下步骤：

S1、采集高压断路器在各个工况下的监测参数并根据动作时间参数提取出特征向量，按照工况类别对所述特征向量进行分类，所述各个工况包括正常工况和多个故障工况；所述步骤S1中，所述高压断路器的监测参数为振动信号，所述故障工况至少包括：基座螺栓松动故障、缓冲弹簧疲劳故障、传动机构故障和合闸弹簧疲劳故障，所述步骤S1中，所述特征向量的具体提取过程为：以高压断路器的合闸开始时间和合闸结束时间为分界点，将所述高压断路器的监测参数分为三段，对监测数据进行脑电数据加窗处理，提取时间窗内的频域信息，将窗口沿着时间轴向前滑动，并对每个时间窗内的数据进行同样的处理，分别计算每个时间段对应的信号能量熵，将所述每段信号能量熵组合在一起作为特征向量。

选取同时间内的振动信号和电流信号，通过对选取振动信号的时频分析获取对应能量熵，将振动信号序列按照尺度因子τ等距分割，形成τ个尺度的粗粒化序列，在粗粒化过程中取每个序列的平均值依序排列作为新的粗粒化序列，再通过对比电流最高点和电流最低点的通过的时间和电流的通过时间得到对应的电流波动向量，将对应的能量熵和电流波动向量纳入特征向量集合进行测试筛选。

S2、随机选取一种所述故障工况下的特征向量集合作为测试集，将其余所述工况下的特征向量集合作为训练集；

S3、根据所述训练集中的特征向量集合训练出单分类分类器；

具体的，所述单分类分类器的训练过程为：对于包含N个特征向量的训练集，将所述训练集中的每个特征向量记为di，dij表示第i个特征向量和第j个特征向量之间的欧式距离，计算出所述训练集样本的簇密度：

，所述簇密度用于确立所述训练集样本边界

S4、引入模型松紧参数λ，用于调节所述单分类分类器的松紧粒度，通过将对得到的能量熵分解为i0、i1...，ix，再选取除去电流最高点和电流最低点的电流特征向量，然后对比各时间段内能量熵与电流特征向量的比值，剔除掉其中数据异常的值，将数据正常未见明显波动的值纳入单分类分类器，并通过所述测试集中的特征向量对所述单分类分类器进行验证，得出最佳模型松紧参数λ；

具体的，所述单分类分类器验证过程为：对于一个测试样本，将其特征向量与所有的所述训练集样本进行距离计算，选出其中最小的k个距离值，并求该k个距离值的平均值，记为m，则测试样本的判断结果为：

；

所述最佳模型松紧参数λ的确定方式为：在保证所述测试集中样本均被判断为未标记样本的情况下不断缩小所述模型松紧参数λ的值，其中λ的精度取小数点后一位。

S5、重复S2-S4直到每个所述故障工况下的特征向量集合均被选择用作测试集，根据每次得出的最佳模型松紧参数λ作为模型松紧参数集，对模型松紧参数集采用粒子群优化算法确定最佳模型松紧参数；所述最终模型松紧参数的确定方式为所有循环中的最终模型松紧参数λ取中位数。

信号能量熵的计算可以使用Python代码进行信号能量熵计算，代码如下所示：

1 import numpy as np

2

3 #计算系数的能量

4 energy = np.square( coeffs

5

6 #计算能量占比

7 energy_ratio = energy / np.sum(energy)

8

9 #计算信号能量熵

10 entropy = -np.sum(energy_ratio * np.log2(energy_ratio))。

具体的，采用粒子群优化算法确定最终模型松紧参数的方法为：

S51：在D维空间生成多个个粒子，并定义第n个粒子的速度和位置分别为：

Vn=（Vn1,Vn2,Vn3,...VnD）；Xn=（Xn1,Xn2,Xn3,...XnD），其中每个粒子的位置代表一个模型松紧参数解；

S52：计算适应度函数，选择最佳函数值及对应的粒子的位置，更新当前每个粒子的最佳位置和所有粒子的全局最佳位置；

S53：重复上述步骤，直至找到最优解。

综上，本发明的未标记故障诊断方法通过将所有已知类别样本作为训练集训练单分类分类器，能够有效判断出未标记故障样本。本发明的未标记故障诊断方法通过引入模型松紧参数调节单分类分类器的松紧粒度并通过循环验证确定最终模型松紧参数，有效提高了未标记故障样本的判断精度。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种高压断路器未标记故障诊断方法，其特征在于，包括以下步骤：

S1、采集高压断路器在各个工况下的监测参数并根据动作时间参数提取出特征向量，按照工况类别对所述特征向量进行分类，所述各个工况包括正常工况和多个故障工况；

选取同时间内的振动信号和电流信号，通过对选取振动信号的时频分析获取对应能量熵，将振动信号序列按照尺度因子τ等距分割，形成τ个尺度的粗粒化序列，在粗粒化过程中取每个序列的平均值依序排列作为新的粗粒化序列，再通过对比电流最高点和电流最低点的通过的时间和电流的通过时间得到对应的电流波动向量，将对应的能量熵和电流波动向量纳入特征向量集合进行测试筛选；

S2、随机选取一种所述故障工况下的特征向量集合作为测试集，将其余所述工况下的特征向量集合作为训练集；

S3、根据所述训练集中的特征向量集合训练出单分类分类器；

S4、引入模型松紧参数λ，用于调节所述单分类分类器的松紧粒度，通过将对得到的能量熵分解为i0、i1...，ix，再选取除去电流最高点和电流最低点的电流特征向量，然后对比各时间段内能量熵与电流特征向量的比值，剔除掉其中数据异常的值，将数据正常未见明显波动的值纳入单分类分类器，并通过所述测试集中的特征向量对所述单分类分类器进行验证，得出最佳模型松紧参数λ；

S5、重复S2-S4直到每个所述故障工况下的特征向量集合均被选择用作测试集，根据每次得出的最佳模型松紧参数λ作为模型松紧参数集，对模型松紧参数集采用粒子群优化算法确定最终模型松紧参数。

2.根据权利要求1所述的一种高压断路器未标记故障诊断方法，其特征在于：所述步骤S1中，所述高压断路器的监测参数为振动信号，所述故障工况至少包括：基座螺栓松动故障、缓冲弹簧疲劳故障、传动机构故障和合闸弹簧疲劳故障。

3.根据权利要求2所述的一种高压断路器未标记故障诊断方法，其特征在于：所述步骤S1中，所述特征向量的具体提取过程为：以高压断路器的合闸开始时间和合闸结束时间为分界点，将所述高压断路器的监测参数分为三段，对监测数据进行加窗处理，提取时间窗内的频域信息，将窗口沿着时间轴向前滑动，并对每个时间窗内的数据进行同样的处理，分别计算每个时间段对应的信号能量熵，将所述信号能量熵组合在一起作为特征向量。

4.根据权利要求3所述的一种高压断路器未标记故障诊断方法，其特征在于：所述步骤S3中，所述单分类分类器的训练过程为：对于包含N个特征向量的训练集，将所述训练集中的每个特征向量记为di，dij表示第i个特征向量和第j个特征向量之间的欧式距离，计算出所述训练集样本的簇密度：

，所述簇密度用于确立所述训练集样本边界。

5.根据权利要求4所述的一种高压断路器未标记故障诊断方法，其特征在于：所述步骤S4中，所述单分类分类器验证过程为：对于一个测试样本，将其特征向量与所有的所述训练集样本进行距离计算，选出其中最小的k个距离值，并求该k个距离值的平均值，记为m，则测试样本的判断结果为：

。

6.根据权利要求5所述的一种高压断路器未标记故障诊断方法，其特征在于：所述步骤S4中，所述最佳模型松紧参数λ的确定方式为：在保证所述测试集中样本均被判断为未标记样本的情况下不断缩小所述模型松紧参数λ的值，其中λ的精度取小数点后一位。

7.根据权利要求6所述的一种高压断路器未标记故障诊断方法，其特征在于：所述步骤S5中，所述最终模型松紧参数的确定方式为所有循环中的最佳模型松紧参数λ取中位数。

8.根据权利要求7所述的一种高压断路器未标记故障诊断方法，其特征在于：所述S5中采用粒子群优化算法确定最终模型松紧参数的方法为：

S51：在D维空间生成多个粒子，并定义第n个粒子的速度和位置分别为：

Vn=（Vn1,Vn2,Vn3,...VnD）；Xn=（Xn1,Xn2,Xn3,...XnD），其中每个粒子的位置代表一个模型松紧参数解；

S52：计算适应度函数，选择最佳函数值及对应的粒子的位置，更新当前每个粒子的最佳位置和所有粒子的全局最佳位置；

S53：重复上述步骤，直至找到最优解。