基于SOM方法的高压断路器机械故障诊断方法研究

赵虎，崔建强，古浩原

(西南交通大学电气工程学院，四川 成都 0610031)

1 引言

断路器(CB)作为电力系统最重要的设备之一，掌握其运行状态是相当重要的。因此，围绕各类断路器状态评估问题，各种在线和离线测量方法被用来对其做出针对性的研究[1]。监测目的是为了掌握重要设备运行状态。然而，断路器运行状态复杂，其在不同时期可能需要承载额定电流、短路电流、环境温度变化，并且其操作情况各异。

根据第一次国际大电网会议调查结果(CIGRE)表明，机械故障是影响断路器运行的主要故障[2，3]。第二次国际大电网会议调查结果表明控制与辅助电路故障占主要故障的29%，次要故障的20%。基于调查结果，CIGRE第13.06工作组在其提交报告中指出:“迫切希望改进控制和辅助回路可靠性”[3，4]。在线监测技术的进一步实践应用，反映设备状态的信息也随之增加，虽然直观的设定检测内容阈值方便易行，但并针对所有设备设定统一界限并不完全可行，而对各设备分别设定限值不能直接评估设备状态。因此对于新的检测数据的需要有更加明确地理解。

针对检测数据记录可以看作样本空间(粗糙集等分析法)或者粒子空间(贝叶斯网络或支持向量机方法等)，这两种数据模式均需在有监督的情况下进行分类研究，但监督的前提条件是要确定故障模式的信息，然而有经验获得的边界条件信息会使分析方法分析结果与设备真实状态存在较大差异[5]。

近年来越来越多的基于智能算法被研究并应用于设备故障诊断，自组织竞争网络作为一种神经网络聚类方法，除了基本的分类功能，并且其可以实现检测数据可视化，可以更加方便的分析设备状态，是一种很有潜力的故障诊断方法。虽然其存在着很好的优越性，但是自组织竞争网络并不能发现噪声点，并且较多神经元的网络会产生过多聚类，并不实现故障分类的要求。

本文采用U矩阵方法获得断路器辅助控制单元状态分类可视化图，样本分析结果表明本方法有很高的状态判断准确性，并且具有很好的可视化效果。提出Ward-SOM方法对检测信号进行故障诊断分析。

2 SOM网络

自组织映射(self-organizing map SOM)网络是由芬兰赫尔辛基大学Kohonen教授于1981年提出的竞争式神经网络，也常被称为Kohonen网络。经过30年的发展，其已被广泛应用于数据可视化，知识获取，模式识别，和过程监控等领域。使用Kohonen网络进行故障诊断的特点是:如果输入数据随时间按某个统计变化，则系统能够自动适应这种变化，并且能继续模拟当前输入模式数据的分布。当网络学习过程中出现未考虑的情况时，网络也能正确诊断，并可以将新数据及时并入网络，实现网络的自适应诊断。Kohonen网络的速度非常快，即使在训练过程中也如此。因此，Kohonen网络故障诊断模型已经成为一种很有潜力的故障诊断方法。

图1 自组织映射网络模型

2.1 自组织映射算法原理

自组织映射网络中各神经元节点c均附带权向量wc=[wc1，wc2，…，wcn]T，由数据空间中随机获得数据点x(t)，可以通过式(1)根据输入数据与各神经元距离比较得到获胜的神经元v。

随后获胜神经元根据式(2)更新权值

其中，α(t)为t时的学习率。

自组织竞争网络中获胜神经元相邻神经元权值按式(3)进行更新

循环式(3)中的步骤直至η(v，k，t)为0为止。

2.2 Ward方法

Ward方法是一种凝聚聚类算法，由于该方法在数据集不是太大的情况下十分有效，因此该方法可以很好的解决实际情况下缺少故障中心聚类的障碍，提高故障诊断正确率，可以完善SOM在无指导情况下的状态错误分类。

该方法应用一种变化分析的办法去评价聚类之间的距离。该方法将平方距离内部的组合最小化，作为将两个可能聚类的连接结果，平方的内部组合被定义为聚类中的所有对象与聚类之间质心的平方和。Ward距离(dward)可以表示为:

式中r和s代表两个特定的聚类;nr和ns分别代表在两个聚类中的数据点数量;xr和xs是两个聚类重心是欧几里德距离。随着两个数据点的数据增加，数据之间的距离也增加，Ward距离也增加，聚类之间的距离也增加，在聚类的每一个阶段上合并产生最小距离尺寸的两个聚类，可以通过式(5)计算合并聚类平均数同时将新的距离尺寸更新。

在训练过的SOM上使用时，通过单独神经元和在映射中和是邻点的聚类进行合并，可以映射内部聚类的均匀性[6]。

2.3 U-矩阵方法可视化

自组织竞争网络可以高维数据降维，但其数据间关系不能通过神经元间距离表征，需要借助于其他方法才可以实现可视化。通过U-矩阵方法实现训练的SOM网络实的可视化。如图1所示的SOM网络，竞争层的神经元以二维平面矩阵形式分布。计算其中的各神经元与其所有相邻近神经元权向量之间的欧氏距离，取这些距离的平均值或最大值或某一函数值作为该神经元的“U值”。计算出所有竞争层神经元的“U值”矩阵。具体采用U可视化SOM网络的训练结果时，结合竞争层的拓扑结构，将U矩阵值作为神经元的第三维坐标，在三维空间绘出了网络竞争层的结构，通过观察高峰、低谷等等的分布来显示网络聚类训练结果，或将神经元第三维坐标用灰度表示。U矩阵即是一种用灰度图来实现可视化的方法[6，7]。

3 断路器状态在线监测信息

对控制电路与辅助触点进行监测可以得到与断路器机械状态相关的时间信号，断路器机械状态可以通过这些由辅助电路和辅助接触监测取得的信号进行分析做出评判。监测开合闸点数电流是一种相对简单易行的方法。监测线圈通电后吸收电流并对信号进行比较，可以得到断路器状态的有效信息。

断路器辅助控制电路的简化模型如图2所示。其操作机构包括分闸控制电路和合闸控制电路。分闸电路包括分闸线圈(TC)和断路器辅助触点(52a)。合闸电路包括分闸线圈(CC)和一个保持电路。断路器开合操作时由控制室发出控制操作信号。通过控制辅助触点与控制继电器保证操作信号发出后线圈(TC，CC)保持通电。线圈通电后铁芯运动断开闩锁，并触发开合闸操作机构。与此同时，当铁芯在碰到闩锁时线圈电流达到最大值。随着铁芯加速运行线圈电流短时内减小。随后储能机构释放能量，机械操作机构动作式断路器完成分闸或合闸操作。随后，辅助触点(52a)与(52b)改变状态。

图2 断路器辅助控制电路

电流信号节点时间的变化可以表征断路器机械系统的故障问题，如闭锁，连接杆故障，润滑不足等。如果闭锁润滑不足，线圈将吸引更多的电流，吸收电流波形中显示出来。通过对同一个断路器全寿命周期信号的监测，可以较容易的分辨断路器运行状态。辅助触点信号也包含了很多断路器机械状态的信息，结合线圈电流，其可以提供开合时间信息并查出异常次序信息。吸收电流波形可以用来估计断路器开合行程时间与速度。X与Y辅助触点可以用来分辨开合次序。同时可以检测交直流电压用来保证机械与辅助电路的正常运行。电压太低可能会引起机械或辅助电路部分的异常运行，甚至导致故障发生。

如图3，4给出线圈电流脱扣线圈信号特性辅助控制触点动作时间示意图。可以看出线圈电流在t1时刻达到局部最大，在t2又减小到局部最小，到t3再次增大，并且由于辅助触电的动作在t5时减小为零。

图3 断路器合闸线圈电流

图4 辅助触点分闸时间信号

断路器辅助控制系统主要状态可分为:①状态正常;②合闸铁心开始阶段有卡涩;③操作机构有卡涩;④铁心空行程过大;⑤辅助开关动作接触不良;⑥电源供给不足;⑦种设备状态。

4 方法应用

4.1 故障诊断

本文选取90个样本训练作为SOM网络与Ward-SOM网络的训练样本，利用另外26个故障样本验证方法准确性，另外随机取数组离群信号加入故障样本。

根据本文中的算法，采用Matlab2010a编写程序，分别构建了一维和二维神经元的自组织竞争网络。判正率的结果如表1和表2所示。其中，表1是一维SOM与Ward-SOM算法对状态分类的判正率，表2是二维不同神经元SOM网络与Ward-SOM网络状态诊断判正率。从分类结果可以看出判正率不但与神经元个数有关，还与维数相关。通过对比相同一维与二维状态诊断结果可以看出，二维分类结果较一维更好，由于二维映射单元周围有六个相邻单元，而一维映射单元仅有两个相邻单元，因此二维SOM网络可以取得更好地聚类结果。通过一维与二维不同神经元个数状态分类结果可以看出，Ward-SOM网络有更好的准确分类性能。由于Ward方法可以将单独的神经元和映射中临点较近的聚类进行合并，从而很好地解决了当映射网络结构增大使网络边沿的单元归属难以正确判别的问题。从而提高了状态分类的准确率。

表1 一维自组织竞争网络分类判正率

表2 二维自组织竞争网络分类判正率

4.2 可视化效果

传统的多维数据可视化方法如平行坐标法，直观的通过多个平行坐标轴上表示多维数据如图5所示，平行轴坐标的优点是可以考查数据的相关性，但随着样本数量的增加，这种优点将越来越小。图5是平行轴坐标表示的分合闸线圈电流信号关键时间点。

图5 分(a)/合(b)闸操作线圈电流时间信号数据平行坐标可视化

图6 断路器故障状态自组织映射网络U-矩阵可视化分类

可视化效果，虽然可以根据数据分布的区域发现信号隐含的异常行为，但却并不能直接诊断，也不能确定其所代表的故障类型。图6是自组织竞争网络可视化方法，通过本文提出的算法计算获得检测信号训练得到获神经元所属状态区域，显然可以直观的区分出检测信号状态，并且可以比较直观的进行状态识别。图6(b)中1～6对应前述六种高压断路器状态。

5 结论

本文提出应用SOM方法对控制电路分合闸线圈电流与辅助触点信号进行分析，并对高压断路器辅助机械控制系统进行状态评估。

(1)本文提出了自组织竞争网络方法用于断路器辅助控制单元的故障诊断，该方法对未知故障状态的发现以及故障状态分类有着很好的效果。

(2)提出了Ward-SOM解决多神经元聚类边沿模糊的问题，Ward方法可以将单独的神经元和映射中临点较近的聚类进行合并，从而很好地解决了当映射网络结构增大使网络边沿的单元归属难以正确判别的问题。相比单纯SOM提高了状态诊断准确性。

(3)通过U-矩阵方法将状态高维数据可视化，实现高压断路器的可视化状态诊断。

此外，可以通过针对连续检测信号在自组织映射网络U-矩阵可视化状态分类图中跟踪其状态轨迹，可以更好地掌握设备状态，对异常状态做出预估。因此，可视化方法有着良好的前景。

[1]Bartosz Rusek，etc，Timings of high voltage circuit-breaker[J].Electric Power Systems Research，2008，78 ：2011 －2016.

[2]G.Balzer，D.Drescher，F.Heil.Neumann，Evaluation of failure data of HV circuit-breakers for condition based maintenance，CIGRE Sessions(2004)：1 －8.

[3]CIGRE，Working Group 13 －09，User guide for the application of monitoring and diagnostic techniques for switching equipment for rated voltages of 72.5 kV and above，2000.

[4]苑舜.高压开关设备状态监测与诊断技术[M].机械工业出版社，2001.

[5]熊浩，李卫国，等.概率聚类技术应用于变压器DGA数据的故障诊断[J].高电压技术，2008，34(5)：1022 －1026.

[6]史晓霞，陈一民，李军治.神经网络在应用科学和工程中的应用－从基本原理到复杂模式识别[M].机械工业出版社，2010.

[7]廖广兰，等.基于自组织映射的齿轮箱状态监测可视化研究[J]机械工程学报，2003，39(12)：99 －102.

[8]Camelia Hora，On a Statistical Fault Diagnosis Approach Enabling Fast Yield Ramp-Up[J]Journal of Electronic Testing：Theory and Applications，2003，19(1)：369 －376.

[9]Dabo Zhang，Wenyuan Li，et al，Evaluating Condition Index and Its Probability Distribution Using Monitored Data of Circuit Breaker[J]Electric Power Components and Systems，2011，39(1)：965 －978.

[10]Satish Natti.Mladen Kezunovic Model for Quantifying the Effect of Circuit Breaker Maintenance Using Condition-Based Data[C].Power Tech，2007 IEEE Lausanne，1 －6.

[11]Hujun Yin.ViSOM － A Novel Method for Multivariate Data Projection and Structure Visualization[J]IEEE Transactions on Power Delivery，2002，13(10)：237 －243.

[12]袁大陆，熊幼京.1994年全国电气误操作事故的统计分析[J].电网技术，1996，20(3)：66 －68.

[13]宋杲，崔景春，袁大陆.1999～2003年高压断路器运行分析[J].电力设备，2005，6(2)：6 －13.

[14]J.G.Steel，C.Eng.etc，Statistics of circuit-breaker performance[J].PROC.IEE，1970，117(7)：1337 －1345.