高压断路器故障诊断技术研究综述

盖曜麟，葛丽娟，窦旭萌

(内蒙古农业大学 机电工程学院，呼和浩特 010000)

0 引言

故障诊断是电气设备进行状态检修的技术基础。高压断路器是电力系统中重要的开关设备，其运行状态直接影响系统的供电可靠性和稳定性。而断路器在使用过程由于潜在的设备缺陷或部件老化会导致其工作可靠性下降，严重时甚至会引起电力系统事故扩大，造成巨大损失。因此，对断路器的运行状态进行在线监测，通过故障诊断技术甄别其潜在缺陷和故障，不仅能够及时判断出设备故障的位置以及部件故障的严重程度，还可以诊断出设备的故障原因，为断路器实现状态检修提供重要决策依据[1-4]。

1 高压断路器的状态特征信号

设备故障诊断系统主要由信号采集、信号预处理、信号特征提取及特征筛选、故障诊断识别等部分组成。在故障诊断中，在线监测对象的选择是其前提和基础。目前，高压断路器常见的监测信号包括电气信号和机械信号两大类，具体如表1[5-8]所示。

表1 高压断路器故障诊断的主要特征量

2 信号处理基本方法

通过对采样信号的处理，得到故障信号的特征量。近年来，时域分析、幅值域分析法、傅里叶变换、小波分析、小波包分析等信号处理技术的发展为断路器故障诊断提供了技术基础[9-10]。

电流信号特征提取所需计算量小，对处理器硬件要求不高。文献[11]提出了一种基于皮尔森相关系数的电流特征量优化方法；文献[12]采用小波分析及时域求极值点法对去噪后的线圈电流信号进行特征值提取；文献[13]采用基于三次样条插值和近似导数法对电流信号进行特征提取。

早期振动信号特征提取的方法有频域法、动态时间规整法、偏差测试法等。21世纪以后，人们引入了细化频谱法、小波分析、积分参数法、分形方法等。近几年来，研究人员又提出了经验模态法、小波及小波包变换法等[14-15]。文献[16]将改进的小波包分解法应用在高压断路器振动信号特征分解上；文献[17]将集合经验模态分解引入到断路器振动信号处理中，诊断正确率可达95.74%。

这些方法能够有效对信号进行去噪，从而提高了诊断准确率，大部分已经成功应用在工程项目中，但由于电流信号的采集需要将霍尔电流传感器安装在断路器分合闸电流线圈回路中，设备的反复拆装对断路器有较大影响。由于断路器是瞬动式设备，振动信号的获取受外界干扰较大，需在操作箱内固定加速度传感器进行信号采集。故现有的信号采集处理方法需做进一步改进，在原有方法的基础上尽量减少传感器拆装对断路器的影响，避开各类信号获取时的缺陷 。

3 高压断路器故障诊断技术研究现状

国外在20世纪60年代开始对高压断路器故障诊断技术进行研究，国内该技术的发展起步于20世纪70年代。电力设备的故障诊断技术随着计算机技术、传感器技术和光纤技术的发展和应用得到迅速提升。近年来，国外一些国家通过研发并改进故障在线监测装置 ，一定程度上推动了故障诊断技术的进一步提升和应用。现阶段，国内外的故障诊断技术水平随着信息技术、人工智能技术的发展得到了进一步提升。人工智能技术如专家系统、人工神经网络、支持向量机等智能故障诊断技术成为当下的热门主流技术。目前，断路器智能诊断技术主要可分为三类：基于解析模型、基于模式识别和基于专家系统的故障诊断[18-23]。

3.1 基于解析模型的故障诊断

文献[24]—[29]介绍了现有研究中基于解析模型的断路器故障诊断方法。外文文献中，文献[24]基于解析模型，提出了针对断路器操作机构机械故障进行诊断的思路方法。该模型能够有效识别断路器分合闸闭锁及电源电压过低等故障，由于该模型未实现对诊断规则的完全解析，当数据信号存在漏报或误报时，可能会导致系统误判。文献[25]设计开发了基于Profinet和B/S(Browser/Server)架构的故障诊断系统模型。该模型通过有效利用测试信息和诊断规则，在考虑拒动与误动的情况下实现了开放式、分布式的诊断过程。文献[26]开发了一种用于监测高压断路器的无功切换诊断系统，通过监测开关中的电压、电流波形实现机械故障的识别诊断。但该诊断方法太过依赖关键参数的非侵入性评估，导致适用性不强。

中文文献中，文献[27]提出了一套基于DSP(Digital Signal Processor)的机械特性监测与故障诊断系统，该系统通过监测分合闸电流信号、动触头位移信号，结合神经网络实现了对断路器拒分、拒合等故障的正确判断，诊断准确率可达94.57%。文献[28]基于解析模型的方法，通过求解最优解来获取电网故障诊断信息，结合随机优化算法实现了对断路器触头磨损、钢套滚轮卡涩及底部螺栓松动等机械故障的诊断，该方法克服了传统解析模型难以处理的告警错误缺陷，提高了诊断模型的容错性和适用性。文献[29]通过对断路器状态进行监测，基于扩展解析模型构建开发了实用化的在线电网故障诊断系统，实现了对断路器拒动、误动故障的有效识别，通过离线测试和在线测试，验证了该方法的可行性。

基于解析模型的诊断方法通过对诊断规则进行解析化的表达，实现了故障诊断问题到0-1整数规划问题的转化，将问题简单化，有效提高了故障识别的效率，通过训练模型确保了故障分类的准确率，达到了很好的诊断效果，具有较严密的数学理论基础和良好的应用前景。经过长时间的运行表明，当前国内外研发的监测诊断系统均能较好地对高压断路器的状态信息进行监测和分析。故障样本可通过软件仿真得到，无须反复试验，现阶段断路器监测与诊断系统正在向着大规模专家系统方向发展，基于各种智能理论的断路器故障诊断与决策系统也开始出现。然而，基于解析模型的方法在面临解的多重性问题，即发生多个拒动、误动以及告警错误时，模型会出现最优解不固定的情况，从而影响故障模式的准确判别；且解析模型需在精准数学模型的保证下进行故障识别和诊断，而实况中设备的结构和参数存在很大的不确定性，故在未来高压断路器诊断的研究发展中，在保证识别效率和故障分类准确性的同时，需进一步优化多重性问题的处理准确率，克服对设备参数的依赖，建立智能理论与实况相结合的更优决策诊断系统。

3.2 基于模式识别的故障诊断

文献[30]—[36]介绍了现有研究中基于模式识别的断路器故障诊断方法。外文文献中，文献[30]采用小波包和支持向量机的方法对断路器进行故障诊断，该方法可准确诊断出动触头位移偏差、弹簧传动力不足以及电机转子卡涩等断路器故障。但优化算法训练复杂，存在一定分类盲区。文献[31]将改进的BP神经网络动量梯度下降算法应用于高压断路器故障诊断，该算法通过调整学习率和权值实现了对断路器分合闸线圈烧毁、二次接线故障等故障的有效诊断，改进后的算法准确率高达94.78%，全局收敛性和快速性方面较传统算法具有明显优势，为实现更有效的故障诊断提供了新的思路。文献[32]采用经验模态分解和支持向量机的方法对高压断路器进行故障诊断。该方法在全局优化方面计算简单，分类精度更高，但该方法在一定程度上没有考虑全局可靠性，从而导致后期诊断识别能力下降。

中文文献中，文献[33]建立了基于粒子群优化径向基函数神经网络的高压断路器故障识别系统模型，实现了对断路器缓冲器无效超程、绝缘拉杆松动等机械故障的有效诊断。结果表明，该模型故障诊断正确率和精度更高，诊断模型结构简单，具有良好的收敛性以及较强的识别效率；但当故障特征量离散性较大时，该模型处理速度下降，对故障识别诊断的效果不佳。文献[34]建立了实数阴性选择法和支持向量机相结合的两级分类器，并对断路器进行故障诊断。结果表明该算法能有效识别弹簧松动、传动齿轮卡涩等断路器潜在机械故障，诊断准确率可高达93.68%。鉴于故障诊断属于模式识别问题，文献[35]利用自组织特征映射(Self-Organizing feature Map，SOM)神经网络在模式识别及模式聚类中的优势，通过监测分合闸电流信号、储能电机电流信号以及动触头速度行程信号，实现了对铁心卡涩、操作电压过低、操动机构卡涩三种状态的机械故障诊断识别。该方法建模简单，收敛速度快，对故障能够实现精准分类和判断，但由于实测故障特征量多为高维数据，一定程度影响网络收敛速度，原始SOM神经网络法有待进一步改进。文献[36]通过监测断路器电流信号，利用最小支持向量机在高压断路器这类小样本设备故障诊断中的优势，实现了对断路器电气二次控制回路、铁心卡涩故障的有效诊断。该方法泛化能力强，模型训练时不会陷入极小值，一定程度上避免了维数灾难。利用最小二乘支持向量机对高压断路器进行故障诊断的方法为将来电力设备进行故障定位和状态检修奠定了基础。

基于模式识别的方法在速度与精度方面优于基于解析模型的部分故障诊断方法，它不依赖以设备结构和参数为基础建立的数学模型，通过将领域专家的启发性经验知识与诊断对象结构功能及性能等知识相结合，以人工智能算法为基础，训练过程计算简洁，获取知识能力强，系统维护简单，提升了对故障诊断识别的有效性；不受限于有限的样本数据，利用有代表性的数据即可对故障进行全面准确的识别诊断。但其缺点是基于模式识别的方法无法覆盖所有类型的数据特征量，模型识别过程易受数据影响陷入局部最优从而导致诊断结果片面，降低了诊断准确性。作为目前国内外进行断路器故障诊断的常用方法，该方法不仅避免了反复拆装操作给断路器可靠性能带来的负面影响，而且能够在短时间内预测并诊断排除故障隐患，故后期需提升训练模型或分类器的全局优化能力，通过算法的进一步优化，保证知识库的一致性与完备性，克服现阶段局部优化缺陷，进一步完善基于人工智能算法的模式识别方法。

3.3 基于专家系统的故障诊断

文献[37]—[41]介绍了现有研究中基于专家系统的断路器故障诊断方法。文献[37]通过对提取的电流信号进行监测，将原子稀疏分解算法应用在断路器故障诊断专家系统中，实现了铁心卡涩、润滑不足等故障的有效诊断。该算法较传统算法诊断精度高，计算时间短。文献[38]通过监测振动信号，在改进BREMD和ELM方法的基础上利用极限学习机ELM(Extreme Learning Machine)进行故障诊断，实现了对断路器故障快速诊断。该方法利用记忆专家系统的知识库知识获取功能，有效识别了铁心卡涩、操作电压过低等故障，准确性可高达94.86 %，能够更快速地对断路器故障进行定位和诊断。

文献[39]通过对线圈电流及振动信号特征量进行监测和处理，设计了一种多参数规则推理的故障诊断专家系统，该系统能准确诊断出断路器基座螺丝松动、缓冲器弹簧无效超程等多种故障类型。但该专家系统在特征知识获取、知识更新、智能综合分析功能方面仍存在一定的局限性，需做进一步改进。文献[40]通过对断路器行程、分合闸速度以及振动信号进行监测，设计了基于RBF神经网络的故障诊断专家系统，该系统克服了传统专家系统存在的在知识获取和表达上的薄弱环节缺陷，根据系统的运行状态、是否出现故障及故障类型来进行故障的准确诊断。文献[41]研究了一种改进型神经网络，针对高压断路器这类小样本电力设备有诊断快速性的要求，提出将获取特征量输入到神经网络中对其进行快速精确诊断，这种专家系统适用于与传动机构相关联的故障类型诊断。改进后的混合算法可对多目标寻优且寻优速度也得到了明显提升，因此能快速、有效地对断路器故障进行诊断识别。

基于专家系统的故障诊断方法相较于基于解析模型的诊断方法在数据信号处理效率、故障识别分类效率方面有较大提升，相较于基于模式识别的故障诊断方法，这类方法在模型训练时避免了局部最优缺陷，克服了在知识获取和表达上的薄弱环节，能够通过对高压断路器故障的准确定位最终实现其故障的精确诊断。

4 结论

基于解析模型的方法能够有效提高故障辨识的速度和精度，通过模型训练确保故障分类的准确率从而达到了良好的诊断效果；但其构架模型过程计算复杂，过程冗余。基于模式识别的方法相较于解析模型诊断法，其训练过程中计算量小，系统维护简单，提升了对故障诊断识别的精度，且不受限于有限样本数据；但此算法在进行模型训练识别过程中容易陷入局部最优，受数据特征影响造成收敛速度减慢，影响故障诊断的效率和全面性。基于专家系统的故障诊断方法相较于模式识别诊断法避免了模型训练时的局部最优缺陷，克服了在知识获取和表达上的薄弱环节，有效实现了断路器的故障诊断；但专家系统在特征知识获取、知识更新、智能综合分析功能方面仍存在一定的局限性。随着现代人工智能技术的发展，基于感知行为的故障诊断方法成为现阶段设备故障类研究的热点。基于感知行为的故障诊断是指诊断系统能够自动感知环境变化，具有一定的自适应能力。系统在使用过程当中，能够控制和改变自身行为与内部状态，对其感知的环境做出反应。虽然目前类似基于感知行为的断路器故障诊断方法成果较少，但很可能会成为断路器故障诊断技术的一个重要发展方向。

人工智能算法如遗传算法、粒子群算法、支持向量机算法等在高压断路器故障诊断研究中的大量应用，使诊断精度进一步提高，增强了诊断结果的有效性和全面性。采用支持向量机算法作为基础分类算法对断路器故障进行初步诊断识别，对于断路器这类小样本数据的电气设备，该算法在小样本、非线性数据分类方面更适用，其训练速度和收敛速度快，且克服了训练过程中陷入局部最优的缺陷，相较于其他算法其适应能力、泛化能力更强，特征量处理过程中能够避免维数“灾难”。而对于一些复杂问题，单一人工智能算法及其改进算法不足以找到所需的解决方案，此时两种或两种以上新算法的有效结合成为了新的研究热点。这种混合算法具有更好的收敛速度和更灵活高效的全局寻优能力，且结构简单，因而在高压断路器故障诊断研究中对其做进一步探索具有重要意义。