多模态传感器数据融合高压开关健康状态监测

摘 要：本文旨在探讨高压开关健康状态监测的重要性，并提出了多模态传感器数据融合技术在该领域中的应用。首先，利用设备检查、关键指标选取和数据获取与预处理等步骤，对SVM、逻辑和贝叶斯分类器进行算法比较。其次，对高压开关健康状态进行准确监测并提前预警潜在问题。比较各算法可知，在故障预警方面，3种模型均表现出色，其中支持向量机（SVM）分类模型准确率为85.2%，逻辑分类模型准确率为78.0%，贝叶斯分类模型准确率为87.8%。在正确安装调试方面，SVM和贝叶斯分类模型均具有良好性能，准确率分别为76.4%和75%，在实际应用中可以根据具体场景特点选择最适宜且高效率的预测模式。

关键词：多模态数据；传感器数据；数据融合；高压开关；状态监测

中图分类号：TN 607" " " 文献标志码：A

高压开关用于控制和保护电力传输和配电网络，但是在长期运行、环境变化以及其他因素的影响下，高压开关可能会出现故障或损坏。为了实时监测高压开关的健康状态，并提前预警潜在问题，多模态传感器数据融合技术被广泛应用于高压开关等设备健康状态监测领域。郭宁和李晓青[1]介绍了一种基于自适应模糊PID控制方法来调试电气设备温度，在模糊规则中添加电气设备稳定限额，有效控制了当前温度场信息。廖晓辉等[2]提出了一种改进型YOLOv5s算法，用于实时检测变电站中多种常见电气设备，并设计App来支持这一识别过程。濮星海等[3]分别关注了建筑物内各类重要组成部分，包括供应、通信和控制等方面的安装与施工问题，并解析各个环节的注意事项。郑树国[4]分析了风力发电项目中的电气设备安装与调试。蔡文战等[5]利用NXMCD设计并构建机器人打磨平台，并使用TIAPortal软件进行PLC程序设计和HMI配置，完成联合测试系统。王子默和王清亮[6]基于梯度扩散原理进行电气系统调试故障数据去噪处理，并丰富了小波单元阈值处理方式。

1 模型构建

1.1 设备检查

进行高压开关健康状态监测前，需要对设备进行全面检查，旨在保证高压开关正常运行，并确定是否存在可见的故障或异常情况。仔细观察高压开关外部是否存在损坏、变形或腐蚀等问题。同时，注意观察连接电缆和导线是否松动、破损或断裂。使用绝缘电阻测试仪测量各个接点和接地装置间的绝缘电阻值。低于预定值可能表明存在漏电问题，需要进一步排除原因并修复。在测试条件下，还需要利用手动操作控制按钮、切换装置等来验证其灵活性和可靠性。应注意观察操作过程中是否存在卡顿、不流畅等异常情况，并确认所有机械部件工作正常。

由于涉及多模态传感器数据融合，因此此环节需要对各种类型传感器进行校准与功能验证。例如，声音传感器可以利用发出特定频率信号来确定其灵敏度；温度传感器可以放入标准温度环境下进行比较测量以保证精确度；振动传感器可以利用震荡台模拟不同频率振动条件下的输出响应等。

1.2 关键指标选取

在高压开关健康状态监测时过程中，环境因素的测试和融合对预测高压开关的设备电压和母线电压至关重要。高温会影响设备内部元器件与绝缘材料性能，可能导致局部过热或绝缘老化；低温则可能会使某些机械零部件僵硬失效。监测环境温度可以及时发现这些问题。在湿润条件下容易发生漏电故障，同时也会加速金属零件锈蚀和绝缘老化。因此，湿度对评估潮气侵入风险和防止局部放电故障具有重要意义。检查当前负载情况可以帮助评估系统稳定性，并推断未来是否存在过载或欠载情况，从而提前采取措施避免事故发生。这些参数均与设备运行可靠性息息相关，本文利用多模态传感器进行数据采集，并将上述各种参数进行复合分析后形成整合数据，对高压开关的环境电压和母线电压进行预测。

1.3 数据获取和预处理

在本文中，环境温度、湿度、电流和电压数据是内部环境监控传感器积累的真实数据在随机获取时间节点基础上形成的，从而生成了2个类别、各500个样本点的电流和电压特征值。将这些特征值作为特性矢量，用于后续数据分析，并对其进行标记，标签“1”表示正常状态，标签“2”表示故障预警。进而将这些特性矢量及其相应标签合并，将其用于训练支持向量机（SVM）、逻辑和贝叶斯分类器等不同模型，对电流与电压数据进行处理。

2 算法比较

2.1 SVM模型

支持向量机（SVM）是一种用于分类和回归分析的监督学习模型，有助于在分类问题中找到一个最佳超平面来区分不同类别的数据点。

SVM模型可随机生成2个类别（class1和class2）、各500个样本点，并构建代表电流和电压的特征值。将产生的1 000个数据点作为特性矢量，同时以标记“1”表示第一类，以标记“2”表示第二类。使用fitcsvm函数进行SVM模型训练，将特征矩阵（features）和相应标签（labels）提供给该函数。构建的超平面如公式（1）所示。

（w‧x）+b=0 （1）

式中：w为分类直线法方向；b为分类直线截距；x为输入变量。

由此形成其决策函数，即sgn（（w*‧x）+b*）。利用已经训练好的SVMModel对格子上的网格点进行预测并得到评分（scores），利用gscatter函数展示原始数据散点图，结合contour函数将决策边界画在散点图上。在该例中，SVM会对每条观测计算出一个评估分数，然后根据这些分数判断所属类别。由此形成决策边界，以实现二元分类任务。

2.2 逻辑

逻辑是一种常见的分类算法，将特征值进行线性组合后，利用Sigmoid函数得到分类结果。本文使用fitclinear函数训练逻辑模型，并评估其在数据集上的表现。该过程涉及拟合一个线性模型来描述输入特征和输出标签间的关系，如公式（2）所示。

hθ（x）=g（θT‧x） （2）

式中：hθ（）为假设函数；g（）为Sigmoid函数；θT‧x为参数和特征值的线性组。

Sigmoid函数如公式（3）所示。

式中：g（z）为将这一线性组合结果映射到概率值；e-z为考虑特征值线性组合的自然对数的矩阵对数函数。

调整参数和优化损失函数可使模型正确分类样本点的概率最大化，进而在电流和电压数据集上评估逻辑模型的表现。

2.3 贝叶斯分类器

贝叶斯方法基于概率理论，在给定特征条件下计算类别标签的概率。给定一个样本点x和对应类别标签y，根据贝叶斯定理可以得出后验概率，如公式（4）所示。

式中：P（y|x）为后验概率，即观察到样本点x后预测其为类别y的可能性；P（x|y）、P（y）和P（x）分别为似然、先验和边缘似然。

本文采用fitcnb函数构建朴素贝叶斯分类器，并对其进行训练，以比较不同算法间的效果差异。贝叶斯分类器假设各个特征间相互独立，在这种情况下，联合分布可以被简化为各个单独特征上的条件分布之积。当考虑多个不同类型变量时，通常会将高维正态分布作为每个类别内部不同变量间关系的建模方式。

3 数据分析

3.1 数据特征分析

整理温度、湿度和电流等数据特征如图1所示。

高压开关所处环境的温度集中于20 ℃～30 ℃，表明在正常运行期内该设备受外界热量影响，在辐射条件下工作具有潜在腔体局部局限性，湿度也较稳定地集中于40%～70%，可满足系统本身防护需要，能避免水汽冷凝的绝缘子表面带来的损耗风险，从而保证系统稳定、长时间运行。通过高压开关后的电流略gt;10 A，在实际工作场景下验收，本文认为其是正常操作条件下的额定负荷水平，有小规模误差允许。如果持续存在超载情况，就会埋下线路升级跳闸隐患。因此整体数据的波幅略超过其他各类指标，不仅包括单一传感器采集信息，对异常值也较敏感。整理电压数据特征，如图2所示。

对电压数据进行特征分析可知，其幅度也相对较小且主要集中于3.5 kV～3.6 kV的高电位。这种稳定性表明系统处于正常操作状态，并保持在适合的供电水平，电压环境稳定。接地母线中外壳和支架上的感应电压则普遍较低，低于24 V，0 V的频数相对较高。

3.2 性能测试

在系统性能测试中，本文使用了3种不同的分类模型，即支持向量机（SVM）、逻辑和贝叶斯分类器。这些模型可对故障预警和正确安装调试进行预测，其结果分别如图3～图5所示。

SVM分类算法结果如图3所示。SVM在故障预警方面具有出色的性能，准确率为85.2%。当系统处于潜在问题状态时，SVM具有相当高的识别能力，能够有效捕捉异常模式，并对可能发生的故障做出可靠预测。在正确安装调试识别方面，SVM也表现出良好性能，其准确率为76.4%。

逻辑分类算法结果如图4所示。逻辑在故障预警方面具有不俗表现，准确率为78.0%，表明其对系统潜在问题的识别能力相当可靠。尽管稍低于其他模型，但是仍然表现出良好的整体性能。在正确安装调试识别中，该算法的准确率为70.8%。

朴素贝叶斯分类算法结果如图5所示。数据显示，贝叶斯分类预测在故障预警方面表现出色，准确率为87.8%，表明该模型能够高度可靠地识别系统潜在问题，并及时采取必要措施。在正常操作判断方面，贝叶斯分类器的准确率为75.0%，说明该方法在检测可能存在的问题并做出相应反应方面具有优势。

3个模型均表现良好，同时各具独特优势，其中SVM在正常安装调试条件下的预测精度更高，贝叶斯模型则更善于在故障预测条件下寻找异常规律等。综合考虑以上分析结果并结合实际需求选择最佳算法，将会使系统运行效果和稳定性得到进一步提升。

4 结语

高压开关健康状态监测是保证设备运行稳定，并保障设备安全的重要手段。本文介绍了高压开关健康状态监测的设备检查、关键指标选取、数据获取以及预处理等步骤，分析了环境温度、湿度、电流和电压等数据特征，并比较了支持向量机（SVM）、逻辑以及贝叶斯分类器3种不同模型算法，三者在故障预警方面均表现出色，同时也具有各自的独特优势。比较各算法可知，SVM、逻辑和贝叶斯分类器在故障预警和正常操作判断方面表现出色。特别是贝叶斯分类器在识别潜在问题方面的准确率为87.8%，性能卓越；支持向量机（SVM）故障预警准确率为85.2%；逻辑分类器的准确率为78.0%。结合所述结果并根据实际需求选择最佳算法将有助于提高系统运行效果和稳定性。在未来工作中还需要进一步研究如何利用多模态传感器融合技术更准确、可靠地监控系统内部情况，并提前发现潜在问题风险点。

参考文献

[1]郭宁，李晓青.基于自适应模糊PID的电气设备温度调试仿真[J].计算机仿真，2024，41（2）：56-60，119.

[2]廖晓辉，谢子晨，路铭硕.基于YOLOv5s和Android部署的电气设备识别[J].郑州大学学报（工学版），2024，45（1）：122-128.

[3]濮星海，王飞，张正东.建筑电气设备接地的安装调试与检修[J].工业建筑，2023，53（6）：243.

[4]郑树国.风力发电项目升压站电气设备的安装调试及管理[J].水利水电技术（中英文），2022，53（增刊2）：83-85.

[5]蔡文站，田建艳，王书宇，等.基于NXMCD与TIA的机器人打磨联合调试研究[J].现代制造工程，2022（7）：37-42，120.

[6]王子默，王清亮.基于梯度扩散的电气设备调试故障行波检测[J].计算机仿真，2020，37（5）：468-472.