技术领域
[0001] 本
发明涉及电
力控制技术领域，具体涉及一种高压断路器的快速失效检测方法。
背景技术
[0002] 高压断路器(或称高压
开关)是
发电厂、
变电所重要的控制和保护的电力控制设备,当系统正常运行时,它能切断和接通线路以及各种电气设备的空载和负载
电流；当系统发生故障时,它和继电保护配合,能迅速切断
故障电流,以防止扩大事故范围。高压断路器种类很多，按其灭弧的不同，可分为：油断路器(多油断路器、少油断路器)、六氟化硫断路器(SF6断路器)、
真空断路器、压缩空气断路器等。高压断路器工作的好坏和可靠性,直接影响到电力系统的安全运行，因此，在实际生产中用较短的时间和较低的维修成本，对高压断路器所发生的故障及时做出准确检测，查明故障部位，找出故障原因和排除方法，能大大减少维修的盲目性，它对提高生产经济性和安全性具有重要的意义。
[0003] 断路器在电力系统的稳定与可靠运行中起到了关键性的作用，其运行维护和检测具有十分重要的意义。高压断路器数量多、检修量大、
费用高，据有关统计资料表明，变电站维护费用的一半以上是用在高压断路器上，而其中60％又是用于断路器的检测和维护上。
[0004] 目前，断路器故障检测基本上还是采用人工检查法和仪器检查法。人工检查法是不借助任何仪器仪表检测出故障的一种简便有效方法，通过温升、介电外观、脱扣极限等判断和分析；仪器检查法是利用万用表等检测仪器仪表，对故障疑点进行电流、
电压等测量，将测量值与正常值进行比较，从中找寻故障所在
位置。这些方法既费时间，费用也很高，而且检修缺乏一定的针对性。随着计算机技术以及数学理论的发展，目前也出现了一些新的检测方法，例如多元统计方法、数据融合、
人工神经网络等技术在断路器故障检测中模型中得到了发展。
[0005] 但是，以上检测方法仍然不能从根本上解决断路器故障检测的快速性和准确性，不能显著提高电力系统检修的针对性、可靠性和经济性。
发明内容
[0006] 针对
现有技术存在的不足，本发明的目的在于提供一种对高压断路器快速、有效的失效检测，且检测能力强、确诊率高、误判率低的高压断路器的快速失效检测方法。
[0007] 为实现上述目的，本发明提供了如下技术方案：一种高压断路器的快速失效检测方法，包括以下步骤：
[0008] (1)确定失效检测参量和失效模式，所述失效检测参量中包含多个失效检测参量，所述失效模式集中包含多个失效模式；收集高压断路器部件运行状态的历史数据，作为样本集；
[0009] (2)根据失效检测参量和失效模式，建立智能
机器学习模型；选取高斯基函数作为智能机器学习模型的核函数，高斯基核函数的表达式：
[0010] K(x,xk)＝exp{-||x-xk||2/σ2}，
[0011] 其中，σ是核函数参数；
[0012] (3)训练智能机器学习
算法；通过样本集的训练，确定拉格朗日乘子αk和偏移因子b，得到优化后的智能机器学习模型；
[0013] (4)测量多个失效检测参量，将多个失效模式作为检测的数据源；
[0014] (5)将所述数据源输入到智能机器学习模型中，得出断路器失效检测结果。
[0015] 作为优选的，步骤(1)，所述故障失效检测参量包括通过补偿式电流
传感器、
温度传感器和
加速度传感器测量的断路器的线圈电流、断路器温度和断路器的振动
频率；所述失效模式包括失压脱扣器无电压、断路器线圈损坏、储能
弹簧变形、反作用弹簧偏离、复位再扣无效、电源容量不够、电磁
铁拉杆行程不够、电动操作机构点位开关变位、
控制器中整
流管或电容器损坏，采用向量F表示失效模式集，则：
[0016] F＝(F1,F2…,F9)T，
[0017] 其中，F1-F9为9个失效模式。
[0018] 作为优选的，步骤(2)，所述智能机器学习模型的输出向量为失效模式，输入向量为失效检测参量中每个参数的主元特征值。
[0019] 作为优选的，步骤(3)，在样本集中随机
抽取300组失效数据，分别求取熵，用最大的熵减去最小的熵得到熵带WH；在熵带WH范围内取200组高压断路器失效数据作为样本，对智能机器学习模型进行训练和优化。
[0020] 作为优选的，步骤(4)，通过补偿式电流传感器、温度传感器和加速度传感器测量断路器的线圈电流、断路器温度和断路器的振动频率等失效特征参数作为数据源。
[0021] 作为优选的，步骤(5)包括以下子步骤：
[0022] (5.1)将数据源进行小波模极大值去噪处理；
[0023] (5.2)计算数据源中每个失效检测参量的主元特征值；
[0024] (5.3)将步骤(5.2)中计算出的主元特征值输入到优化后的智能机器学习模型，得出失效检测结果。
[0025] 步骤(5.2)，所述主元特征值的计算方法为：
[0026] (a)计算失效检测参量Tj＝{T1j,T2j,T3j}的信息熵
[0027] 其中，Pij为一个随机过程中Tij出现的概率，
[0028] (b)归一化处理得到 其中j＝1,2,…,9；
[0029] (c)建立协方差矩阵 其中Hj＝H(Rj)；
[0030] (d)计算协方差矩阵C的特征值λi和
特征向量uj；
[0031] (e)计算主元特征值Sj＝ujTHj。
[0032] 本发明的优点是：与现有技术相比，本发明根据高压断路器失效的发生机理及特点，当高压断路器失效时，通过补偿式电流传感器、温度传感器和加速度传感器测量断路器的线圈电流、断路器温度和断路器的振动频率得到失效信息，对失效信息数据进行处理后输入智能机器学习模型，得到检测结果。本发明将智能机器学习算法、熵理论和特征提取相结合，实现了对高压断路器快速、有效的失效检测，检测能力强、确诊率高、误判率低。
[0033] 下面结合
说明书附图和具体
实施例对本发明作进一步说明。
附图说明
[0035] 图2为本发明实施例的局部流程图。
具体实施方式
[0036] 参见图1和图2，本发明公开的一种高压断路器的快速失效检测方法，包括以下步骤：
[0037] (1)确定失效检测参量和失效模式；
[0038] 根据高压断路器失效的机理及特点，本发明将通过补偿式电流传感器、温度传感器和加速度传感器测量的断路器线圈电流、断路器温度和断路器的振动频率这三个参数作为失效特征参数。本发明采用T表示失效特征参数集，则：
[0039] T＝{T1,T2,T3}T，
[0040] 其中，T1-T3为三个失效特征参数。
[0041] 根据高压断路器常见的失效特征，本发明将失压脱扣器无电压、断路器线圈损坏、储能弹簧变形、反作用弹簧偏离、复位再扣无效、电源容量不够、电
磁铁拉杆行程不够、电动操作机构点位开关变位、控制器中整流管或电容器损坏这9个参数作为失效模式。本发明采用向量F表示失效模式集，则：
[0042] F＝(F1,F2…,F9)T，
[0043] 其中，F1-F9为9个失效模式。
[0044] 收集高压断路器部件运行状态的历史数据，作为样本集。
[0045] (2)根据失效检测参量和失效模式，建立智能机器学习模型；
[0046] 本发明选取高斯基函数作为智能机器学习模型的核函数，高斯基核函数的表达式如下：
[0047] K(x,xk)＝exp{-||x-xk||2/σ2}，
[0048] 其中，σ是核函数参数。
[0049] 本发明中智能机器学习模型的输出向量为失效模式F＝(F1,F2…,F9)T。
[0050] 为了降低智能机器学习模型训练的难度，本发明对失效特征参数集进行预处理后，作为智能机器学习模型的输入向量。所述预处理是指对故障特征参数Tj＝{T1j,T2j,T3j}的熵进行样本归一化和主元特征提取。具体的讲，所述预处理包括以下步骤：
[0051] (a)熵计算：由于收集或采集到的断路器失效数据受到很多因素的影响，有些数据呈现出不确定性。本发明采用熵使失效的误检最小化，熵计算的过程如下：
[0052] 设Tj＝{T1j,T2j,T3j}为高压断路器一个失效判定参数(j＝1,2,…,9)。在一个随机过程中，如果Tj出现的概率P(Tj)＝P(Tij)＝Pij，且 那么信息熵H(Tj)为：
[0053]
[0054] (b)标准化处理：考虑到各种特征参量值的差异性及分散性，为了降低它们之间由于量值差异过大造成的影响，对熵标准化处理：
[0055]
[0056] (c)对变换的熵H(Tj)进行如下变换(令：H(Tj)＝Hj)：
[0057] Sj＝UTHj；
[0058] 式中：U为9×9维的
正交矩阵，其中矩阵U中的第j列uj是协方差矩阵C的第j个特征向量。
[0059]
[0060] 即
[0061] λjuj＝Cuj，j＝1,2,…,9；
[0062] λj为协方差矩阵C的特征值，uj为相应的特征向量，则可以得到主元Sj。
[0063] Sj＝ujTHj，j＝1,2,…,9。
[0064] (3)利用样本集，训练并优化智能机器学习模型；
[0065] 本发明在样本集中随机抽取300组失效数据，分别求取熵，用最大的熵减去最小的熵得到熵带WH。在熵带WH范围内取200组高压断路器失效数据作为样本，对智能机器学习模型进行训练和优化。
[0066] 训练智能机器学习模型的过程如下：设给定N个训练样本
[0067] {(xk,yk)|k＝1,2,...,N},xk∈Rd,yk∈R,xk是输入数据，yk是输出数据。函数估计问题可以描述求解下面问题：
[0068]
[0069]
[0070] 其中， 是核空间映射函数，权矢量w∈Rd，误差变量ek∈R，b是偏差量。损失函数J是SSE误差和规则化量之和，γ是惩罚系数。进行拉格朗日变换：
[0071]
[0072] 即：
[0073]
[0074] 其中，拉格朗日乘子αk∈R，αk≥0。对上式进行极值求解：
[0075]
[0076]
[0077] 得到：
[0078]
[0079] 对于k＝1,...,n消去w和ek，得到如下方程：
[0080]
[0081] 其中
[0082]
[0083] 即得到如下方程组：
[0084]
[0085] 本发明通过样本集的训练，确定拉格朗日乘子αk和偏移因子b，得到优化后的智能机器学习模型。
[0086] (4)测量多个失效检测参量，作为故障诊断的数据源，即通过补偿式电流传感器、温度传感器和加速度传感器测量断路器的线圈电流、断路器温度和断路器的振动频率等失效特征参数作为数据源。
[0087] (5)将所述数据源输入到智能机器学习模型中，得出失效检测结果。具体的讲，包括以下子步骤：
[0088] (5.1)将数据源进行小波模极大值去噪处理；
[0089] 小波模极大值去噪处理的算法如下:
[0090] 令失效特征量为：
[0091] 式中：R(k)为有用
信号；n(k)为噪声序列。假设n(k)是零均值且服从高斯分布的随即序列，即服从N:(0,σ2)分布。对上式两边做
小波变换，有：
[0092]
[0093] 式中： 表示小波基对 做
时移为q，尺度因子为a的小波变换。经正交小波变换后，最大程度地去除了n(k)的相关性，其
能量集中在少数的小波系数上，而这些系数即是在各个尺度下的模极大值。
[0094] (5.2)计算数据源中每个失效检测参量的主元特征值，其中计算主元特征值的方法与步骤(3)中的方法相同，在此不再赘述。
[0095] (5.3)将步骤(5.2)中计算出的主元特征值输入到优化后的智能机器学习模型，得出失效检测结果，即正常或有失效状态，以及失效模式。
[0096] 采用本发明所述的高压断路器的快速失效检测方法对城网变电所的30个断路器进行失效检测，结果如表1所示。
[0097]失效模式 失效检测率
失压脱扣器无电压 98％
断路器线圈损坏 100％
储能弹簧变形 99％
反作用弹簧偏离 98％
复位再扣无效 100％
电源容量不够 100％
电磁铁拉杆行程不够 100％
电动操作机构点位开关变位 100％
控制器中整流管或电容器损坏 99％
[0098] 表1
[0099] 可见，本发明能够实现对高压断路器有效的失效检测。
[0100] 上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。
