一种基于振动电流相融合的高压断路器故障诊断方法

2020-01-16薛源刘海东

电子技术与软件工程 2019年21期

文/薛源刘海东

1 引言

高压断路器作为电力系统中起控制和保护作用的关键设备，其动作可靠性极为重要。有相关数据表明，在由于高压断路器故障导致的电力故障中，有接近一半是由于机械故障导致的，因此研究高压断路器的机械故障有着重大的意义，降低其故障率可以提高高压断路器的稳定运行，进而保障电网的稳定运行。

张永奎[1]等人利用小波分析法和动态时间规整法相结合的方法对分合闸电流信号进行分析，以此来判断断路器的状态信息。李春锋[2]等人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)，对信息特征量进行降维，对降维后的数据通过K-means聚类分析，实现断路器的正常与各种故障状态。孙曙光[3]等人通过提取断路器分合闸的震动信号特征，利用相关向量机（RVM）实现了断路器故障诊断。上述方法虽然在一定程度上实现了高压断路器的故障诊断，但均使用了一种信号，没有考虑到在断路器发生故障时，其外部反映是多样的，在电流信号以及振动信号上均会有一定的体现。基于此，本文提出了综合考虑电流和振动两种信号的诊断方法。

2 基于多源信号特征的故障诊断方法

图1：诊断原理流程图

2.1 诊断原理

为了更好的进行高压断路器的故障诊断，本文综合了断路器分合闸时的电流信号和分合闸时所产生的振动信号信息，从本质上看，这两种信息均是波形能量的一种体现，因此，将这两种信号统一利用EEMD（Ensemble Empirical Mode Decomposition，集合经验模式分解）对其提取IMF能量熵信息，将电流信息和振动信息提取出的IMF能量熵特征组合成一个特征向量，然后利用SVM算法对其进行分析、分类，诊断断路器是否存在故障。具体流程图如图1所示。

2.2 信号特征提取

时间尺度和随时间尺度分布的能量在信号的分析过程中是反映信号特征的两个最主要参数。故障状态下的振动信号和声波信号与正常状态下的振动信号和声波信号进行对比会发现相同频带内信号的能量会有较大的差别，故障信号的能量在某些频带内会减少，而在另外一些频带内会增加。因此，在信号各个频率成分的能量中包含着丰富的故障信息，某种或几种频率成分能量的改变即代表了一种故障。而EEMD的分解得到的固有模态函数IMF恰恰分别代表了信号从高到低不同频率段的成分，并且随信号本身的变化而变化，所以可以根据信号各IMF分量能量的变化进行故障分析。在这里我们把EEMD分解得到的各个IMF的能量熵做为故障信号的特征向量，具体过程如下：

（1）将EEMD分解得到的各个IMF分量沿时间轴等分为N段，由于残留量rn几乎不包含任何有用的信息，在此可以忽略不计，然后按照下式求取每个时间段内IMF分量的能量Ei：

其中，Ai(t)代表了第i段IMF分量的幅值；

（2）求第j个IMF分量的能量熵：

（3）构建信号的特征向量T：

2.3 SVM原理

支持向量机(Support Vector Machine，SVM)方法是在统计学理论的基础上发展而来的一种机器学习方法，它不仅具有统计学习方法和机器学习方法的优点，而且使用算法本身的结构风险最小化原则来替代传统的经验风险最小化原则，在解决小样本、高维数和非线性等问题时有很多优势。其基本思想可以用图2表示。在图2中H是能够把两类样本正确分开的分类线，H1、H2分别是过两类样本的直线中离分类线H最近且平行于分类线H的直线，H1、H2之间的距离称为分类间隔(Margin)。为统一起见，无论H是一维空间的点，还是二维空间的直线，三维空间的平面，甚至高维空间的超平面，H一律被称为超平面。所谓最优分类超平面就是要求H不但能将两类无错误地分开，而且要使分类间隔达到最大；前者是保证经验风险最小，后者使分类间隔最大实际上是使推广性的界中的置信范围最小，从而使真实风险最小。

表1：使用不同信号时的准确率对比

图2：最优分类超平面示意图

约束条件为：

使上述条件等号成立的样本就是支持向量(Support Vector)，即在H1、H2上的样本。

3 实验分析

在实际测试中，采用了LW59-252作为研究的断路器进行分合闸操作，利用YC-A150三维加速传感器和NIPXIe-4492采集卡分别采集正常、低压分（合）闸和操动机构松动三种状态的信号，时间信号使用采集卡自带的时钟信号。

针对断路器分合闸操作，采集三种状态下的电流信息和振动信息，每种状态收集40组实验样本。为了验证算法的有效性，在进行SVM算法实验时，使用十轮交叉法验证，即选择9/10的数据为训练集，1/10的数据为测试集，且循环十次求平均值。实验结果如表1所示，从表1中的数据结果对比可以看出，使用多源信号相融合的诊断方法，其准确率最高。