基于PCA和聚类的断路器分合闸线圈电流研究

李春锋，孔海洋，王　璇，方福歆，关伟民

(1.中国平煤神马集团公司电务厂，河南 平顶山　467000；2.武汉大学电气工程学院，武汉　430072)

基于PCA和聚类的断路器分合闸线圈电流研究

李春锋1，孔海洋2，王璇2，方福歆2，关伟民2

(1.中国平煤神马集团公司电务厂，河南 平顶山467000；2.武汉大学电气工程学院，武汉430072)

摘要：断路器的机械特性故障可以通过分合闸线圈电流反应。通过对分合闸线圈的电流分析提取出7个时间和电流特征量，对所有特征量进行主分量分析(PCA)，在保留原特征量信息的基础上，实现了多维数据的降维可视化。对降维后的数据通过K-means聚类分析，经过大量样本的学习，即可直观地区分断路器的正常与各种故障状态。该研究方法为高压断路器的实时在线故障诊断提供了一种新途径，与人工识别线圈电流波形判断故障相比，利用机器识别具有更高的可靠性和工作效率。

关键词：高压断路器；线圈电流；PCA；聚类分析

断路器的分合闸线圈的电流波形可以间接反应操动机构的状态，目前，国内外基于分合闸电流信号对断路器的机械故障监测已取得一定的成果，文献[1]利用人工神经网络监测断路器的机械状态；文献[2]提出了一种通过对分合闸线圈电流进行数据挖掘进而对断路器状态进行决策支持的方法；文献[3]用支持向量机对分合闸电流信号进行分类，然后诊断断路器的不同机械故障；文献[4]利用小波分析和动态时间规整相结合的方法分析分合闸电流信号，得到断路器的状态信息。 而本文阐述了一种根据分合闸线圈电流信号来进行故障自动判定的方法，较上述方法更为简单易行，且具有较高的准确性。具体的首先通过实时监测分合闸线圈的电流，提取出电流波形的时间及电流特征量，采用主分量分析的方法对多维特征量降维，从而得到新的二维特征量。经过对历史线圈电流数据的学习，绘制出二维特征量的特征图谱，然后对特征点进行K-means聚类分析，即可区分出正常点与故障点。当出现新的线圈电流数据时，同样对其进行上述分析，从特征图谱中新数据的落点来实现断路器的故障判定。通过对变电站断路器分合闸线圈电流的分析，验证了本文方法的有效性。本方法可以实现机器对断路器故障进行判定，省去了人工识别的诸多不便，同时可以对断路器的故障状态做出预判，这对于断路器的状态检修有重要的指导意义。

1数据采集

数据采集系统采用模块化结构，主要采集断路器主副分闸线圈和合闸线圈电流，并对其电流波形进行数字化处理与分析。采集分合闸线圈电流信号采用的是霍尔电流传感器。霍尔电流传感器响应时间快，测量精度高，特别适合测量微小电流。电流传感器的结构如图1所示。图1中输入电流为I1，通过传感器内部的互感线圈输出电流为I2，输入输出电流的关系为I1N1=I2N2。

图1　霍尔电流传感器结构图

将传感器采集到的电流信号经过信号调理部分的滤波、转换等变换成电压信号，通过IS0124隔离放大器将此电压信号放大到AD7606端口所需的电压，由AD7606将其转换成数字信号，输入到STM32微处理中。STM32将处理后的数据，通过RS-422接口传送给上位机，进行数据分析[5]。数据采集系统整体结构框图如图2所示。

图2　数据采集系统结构框图

2原理分析

高压断路器一般都是以电磁铁作为操作的第一级控制件。大多数断路器均以直流为其控制电源，故直流电磁线圈的电流波形中包含着丰富的断路器操动机构的机械特性信息，反映电磁铁本身以及所控制的锁门或阀门以及连锁触头在操动过程中的工作情况。因此，断路器分合闸线圈的电流是断路器状态监测的一个重要内容[6]。高压断路器的分合闸线圈回路可等效为电阻与电感的串联，其等值电路如图3所示。

图3　断路器分/合闸线圈等值电路图

图3中，R为线圈的等效电阻，L为等效电感，i为线圈电流，则电路的微分方程为

(1)

其中，ψ=Li为分合闸线圈通电时产生的磁链，L不随i变化，但与气隙δ有关，则有

(2)

通过解微分方程可以得到分合闸过程中线圈电流的波形如图4所示。

图4　分合闸线圈电流波形

通过监测分合闸线圈的电流波形可获取断路器的状态信息，因此选择采集主副分闸线圈和合闸线圈电流，并对电流信号波形进行分析。选择断路器分合闸过程的各极值电流及其时间点，作为波形的各特征量值。

图4中，t0～t1为铁芯触动阶段，其中t0为断路器分(合)命令到达时刻，是断路器分合时间计时起点。t1为线圈电流上升到I1，足以驱动铁芯运动，即铁芯开始运动的时刻。

t1～t2为铁芯在电磁力作用下，克服重力和弹簧力等阻力开始加速运动，直到铁芯上端面碰撞到支持部分停止运动为止。这一阶段可以反映铁心运动机构是否发生卡滞、脱扣、负载变动的情况。

该系统以机动车为载体，针对移动指挥特性的需求，集成多种通信手段，提供数据感知、传输和共享功能，配置单兵图传，开发了车载指挥决策支持系统。系统集信息采集、实景监控、远程会商、辅助决策、指挥调度为一体，作为固定指挥中心的有效延伸，充分发挥省市系统互联、资源共享、统一调度优势，切实提高了防汛防旱应急指挥能力。

t2～t3为通过传动系统带动断路器触头分、合闸的过程。t2时铁芯停止运动，而触头则在t2后开始运动。t3为断路器辅助接点切除时刻，t2～t3可以反映断路器操作传动系统运动的状态。

t3-t4为电流开断过程。t3时刻后会出现一段相对稳态过程，t4时刻断路器分合闸过程结束[8-10]。

因此，通过分析线圈电流波形的t1、t2、t3、t4、I1、I2、I3等特征量可以分析并计算出铁芯启动时间、运动时间、线圈通电时间等参数，从而得到铁芯运动和所控制的启动阀铁闩以及辅助开关转换的工作状态，并根据断路器自身参数，比较判断操动机构是否有铁芯空行程，弹簧卡滞等故障，从而监测出断路器操动机构的工作状态，预告故障。例如I1、I2、I3三个电流可分别反映电源电压、线圈电阻以及铁芯运动的速度信息[11]。所以，断路器分合闸线圈的电流曲线对分析断路器的机械操动特性具有重要意义。变电站实际监测的断路器分合闸线圈电流如图5和图6所示。

图5　实测分闸线圈电流

图6　实测合闸线圈电流

3主分量分析

由于提取的分合闸线圈电流特征量多，采用主分量分析(Principal Component Analysis)的方法对提取的特征量进行数据挖掘，从而大大简化分析过程。PCA的目的是寻找一个最优化的特征子空间，使观测数据在此特征子空间下进行投影，并获得有最大方差的分量。PCA就是寻找一个正交变换矩阵，使得多维数据进行正交变换后，其变换后的新分量之间互不相关。PCA的出发点是一个n维随机向量x=(x1，x2，…xn)T，向量x首先用去均值的方法进行中心化。

x←x-E{x}

(3)

然后求得向量的样本协方差矩阵Cx，

Cx=E{xxT}

(4)

前m个主分量y1，y2，…ym的累计方差贡献率为

(5)

当P(m)大于设定门槛值，就可取前m个主分量来表征原始信息。这样就把x通过变换矩阵e1，e2，…，em线性变换到另一个m维向量y，m

图7　PCA二维效果图

图8　方差贡献率

4聚类分析

线圈电流特征量PCA后，为了判别二维特征量的正常与故障状态，采用K-means聚类分析。K-means聚类也被称为K均值聚类，是应用最为广泛的一种聚类方法，这里K即为分类的个数。K-means聚类的目标是将N维的数据点自动归类，实现数据特征识别。K-means聚类步骤如下：

1) 任意选择K个对象作为初始的聚类中心。

2) 计算每一点到聚类中心的距离，将数据点分到距离最近的聚类中。

3) 所有对象分配完成后，重新计算聚类中心。

4) 与前一次计算得到的K个聚类中心比较，如果聚类中心发生变化，返回第2步迭代，否则输出聚类结果[14]。

对15组主分量数据进行聚类分析，设置分为正常和故障两类，聚类后效果图如图9所示。10组正常波形特征点聚集为一类，5组故障波形特征点较为分散，且与正常点有明显区分，其分类结果符合实际情况。

图9　聚类后主分量图

利用少量随机样本对故障识别程序进行训练，再利用典型的正常和故障样本进行测试，从而验证分类结果。当出现故障未知的分合闸电流波形时，同样进行PCA和聚类分析，再映射到相应的特征分量图谱中，就能够判定该电流波形属于何种状态。聚类是一个不断学习的过程，在完成对新数据的判定后，同时重新将正常与故障特征数据保存，从而不断更新故障判定系统，提高判定的准确性。

典型的正常与故障波形样本进行测试的结果如图10与图11所示。正常的分合闸线圈电流主分量经K-means聚类后归到了正常的类别，而故障电流主分量归到了故障的类别。整个判定过程随样本点的增多而不断更新，最终形成故障样本库，通过该样本库可继续实现故障类别的判定。

图10　正常波形

图11　故障波形

通过对变电站断路器线圈电流实测数据的判定，验证了K-means聚类方法对正常特征点与故障特征点的区分效果。该方法可实现断路器操动机构故障的机器判别，同时可作为断路器故障在线监测系统的辅助故障判别手段。

5结语

高压断路器的故障主要为机械特性故障，尤其是操动机构的问题比较突出，严重影响断路器的可靠运行和电力系统的安全。本文研究了一种基于PCA和K-means聚类分析的断路器操动机构故障判别方法，原理简单，容易实现。通过对分合闸线圈电流信号中的关键特征量进行PCA降维，画出二维主分量图谱，并对图谱中数据点进行聚类，实现了故障波形与正常波形的划分。通过系统学习，可实现断路器操动机构故障的预判。经过对变电站实测分合闸电流波形的分析，验证了本方法的可靠性，并且有较高的工作效率，这对断路器在线监测有重要的参考价值，对及时做出检修决策，减少事故的发生有重要的指导意义。

参考文献：

[1]沈力，黄瑜珑，钱家骊．高压断路器机械状态监测的研究[ J]．中国电机工程学报，1997，17(2):113-117.

SHEN Li，HUANG Yu-long，QIAN Jia-li．Research on mechanical condition monitoring for HV circuit breakers[J]．Proceedings of the CSEE，1997，17(2):113-117.

[2]SCOTT M.STRACHAN，STEPHEN D J. MCARTHU R，BRUCE STEPHEN，et al．Providing decision support for the condition-based maintenance of circuit breakers through data mining of trip coil current signitures[J]．IEEE Trans on Power Delivery，2007，22(1):178-186.

[3]袁金丽，李奎，郭志涛，等．基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断[J]．高压电器，2011，47(3):26-30.

YUAN Jin-li，LI Kui，GUO Zhi-tao，et al．Mechanical failure diagnosis of high voltage circuit breaker based on SVM and opening/closing coil current parameters[J]．High Voltage Apparatus，2011，47(3):26-30.

[4]张永奎，赵智忠，冯旭，等．基于分合闸线圈电流信号的高压断路器机械故障诊断[J]．高压电器，2013，49(2):37-42.

ZHANG Yong-kui，ZHAO Zhi-zhong，FENG Xu，et al.Mechanical fault diagnosis of high voltage circuit breakers based on opening/closing coil current parameters[J]．High Voltage Apparatus，2013，49(2):37-42.

[5]牟涛，周水斌，王晓峰．断路器机构状态监测数据采集的实现[J]．低压电器，2013(3):26-30.

MU Tao，ZHOU Shui-bin，WANG Xiao-feng．Data acquisition in the mechanical condition monitoring of circuit breaker[J]．Low Voltage Apparatus，2013(3): 26-30.

[6]李琦．高压断路器机械特性在线监测研究[D]．北京:华北电力大学，2011.

[7]宋锦刚，许长青，朱统亮．基于波形辨识技术的SF6断路器分/合闸线圈电流监测[J]．电力建设，2011，32(3):65-68.

SONG Jin-gang，XU Chang-qing，ZHU Tong-liang．Coil current monitoring of SF6circuit breakers based on waveform identification[J]．Electric Power Construction，2011，32(3):65-68.

[8]李劲彬，全江涛，陈隽，等．基于分合闸线圈电流的某换流站开关故障分析[J]．高压电器，2015，51(2):141-145.

LI Jin-bin，QUAN Jiang-tao，CHEN Jun，et al．Fault analysis of circuit breaker in a converter station based on switching coil currents[J]．High Voltage Apparatus，2015，51(2):141-145.

[9]彭搏．高压断路器在线监测与故障诊断系统的研究[D]．上海:上海交通大学，2013.

[10]钟家喜，李保全，李亚红．高压断路器机械状态诊断与监测技术的探索与实践[J]．高压电器，2011，47(2):53-60.

ZHONG Jia-xi，LI Bao-quan，LI Ya-hong．Exploration and practices of mechanical state diagnosis and monitoring techniques for high voltage circuit-breaker[J]．High Voltage Apparatus，2011，47(2):53-60.

[11]胡晓光，孙来军，纪延超．基于线圈电流和触点状态的断路器故障分析[J]．电力自动化设备，2006，26(8):5-7.

HU Xiao-guang，SUN Lai-jun，JI Yan-chao．Circuit breaker fault analysis based on coil currents and contact states[J]． Electric Power Automation Equipment，2006，26(8):5-7.

[12]靳洋．基于PCA/ICA的图像特征提取算法研究[D]．西安:西安电子科技大学，2014.

[13]刘永斌，何清波，孔凡让，等．基于PCA和SVM的内燃机故障诊断[J]．振动、测试与诊断，2012，32(2):250-255.

LIU Yong-bin，HE Qing-bo，KONG Fan-rang，et al．Fault diagnosis of internal combustion engine using PCA and SVM[J]．Journal of Vibration，Measurement & Diag nosis，2012，32(2):250-255.

[14]冯超．K-means聚类算法的研究[D]．大连:大连理工大学，2007.

(本文编辑：赵艳粉)

Research of the Circuit Breakers′ Switching Coil Currents Based on PCA and Clustering Algorithm

LI Chun-feng1, KONG Hai-yang2, WANG Xuan2, FANG Fu-xin2, GUAN Wei-min2

(1. Electric Factory of China Pingmei Shenma Group, Pingdingshan 467000, China;2. School of Electrical Engineering, Wuhan University, Wuhan 430072, China)

Abstract:The mechanical failure of circuit breakers can be responded by switching coil current. This paper extracted seven time and current characteristics through the analysis of switching coil current, and analyzed all characteristics using Principal Component Analysis (PCA). This method can not only retain the original information of the characteristic, but also implement the dimension reduction and visualization of multidimensional data. Through K-means clustering analysis of the data after dimension reduction, and after a large sample of study, we can distinguish between normal and all kinds of fault state of circuit breakers intuitively. The research method provides a new way for real-time online fault diagnosis of HV circuit breakers. Compared with judging fault using the artificial identification of the switching coil current waveform, the machine identification will have higher reliability and working efficiency.

Key words:HV circuit breaker; coil currents; PCA; clustering analysis

DOI：10.11973/dlyny201601007

作者简介：李春锋(1978)，男，工程师，长期从事电气设备的维护和管理。

中图分类号：TM561

文献标志码：B

文章编号：2095-1256(2016)01-0032-05

收稿日期：2015-10-15