高压断路器故障诊断研究

朱斌 吴钧浩 蔡卫峰

摘要：高压断路器作为电力系统领域的关键设备，在电网中起控制和保护作用，是电力系统中开断和关合电流的重要开断元件，一旦发生故障极有可能触发大规模电力安全事故[1]。现阶段高压断路器故障诊断技术落后，因此对高压断路器进行状态监测及故障诊断具有十分重要的意义。

大多数的断路器故障主要由机械故障造成，一般振动信号包含了断路器的机械状态，提取信号的有效特征，并选择合适的分类器，可实现对故障类型的诊断。

关键词：包络熵；多分类支持向量机

1.高压断路器典型监测参数[2]

高压断路器的故障种类繁多，以操动机构的种类作为分类高压断路器故障的宏观判断条件，尤以弹簧操动机构的高压断路器最为常见。下表2.1为某变电站弹簧操动机构的断路器故障统计数据节选。

由表2.1可知，在三种故障发生的位置中，以操动机构的故障最多，控制回路的故障率仅次于操动机构。断路器本体的故障率取决于断路器本体制作工艺及断路器所处工作的外部环境。

2.基于包络熵和支持向量机的故障診断

断路器的故障诊断可分为四个过程：信号采集、信号数据预处理、信号特征提取、故障诊断。本节主要针对故障诊断分析。

2.1包络熵

特征提取主要通过对变分模态分解后的本征模态分量求解包络，通过计算包络熵确定原信号的特征。首先统一数值将模态内的数值归一化，归一化公式如（2.1）所示， 为模态分量中 的最大值。

2.2支持向量机

常见实现K（K>2）分类的方式有三种[3]：（1）从原理上实现多分类；（2）一对其余方法；（3）一对一方法。

首先判断样本是否属于故障样本，如若属于故障样本再对其进行故障判别。由于故障类别的数量不多，可考虑使用一对一方法构造 个分类器构成一个有向无环图。在进行多分类之前构造一个二分类器，故总计有K（K-1）/2+1个分类器。

本文选用sklearn机器学习库中的SVM模块进行故障预测。由于正常样本和故障样本数量不均衡，故构造第一个分类器时需提高正常样本的权重，设置权重比例为1：4，其他分类器权重比例为1：1。选择惩罚系数值时，惩罚系数越高，对输入样本的分类能力就越强，但同时也容易导致分类器泛化能力下降。根据测试结果选择分类器的惩罚系数及其输入样本预测精度表分别如下：

对表2.2各底层分类器求对应的分类精度再取平均值，得输入样本分类精度为61.9%。计算后测试样本的分类精度为68%，基本符合理论计算值。

3.总结

本文以操动机构的种类作为分类高压断路器故障的条件，介绍了主要故障参数，最后从包络熵、多分类支持向量机来选择合适的分类器，利用SVM模块进行故障预测并验证了该方法的有效性。

参考文献

[1]刘亚芳.高压断路器事故调查[J].国际电力，1997，33（3）：12-13.

[2]Liu Ai-min，Lin Xin，Liu Xiang-dong.Fault Diagnosis Method of High Voltage Circuit Breaker based on （RBF） Artificial Neural Network [C].IEEE/PES Transmission & Distribution Conference & Exposition，2005：1-4.

[3]Shuang Liu，Jian Yun，Peng Chen.A new GA-based decision search for DAG-SVM[C].2010 International Conference on Computer Application and System Modeling，2010，650-653.