基于形態小波和支持向量機的高壓斷路器狀態監測和故障診斷*

董鏑，李恒真，易林，王繼峰，王云飛，陳斯翔

（1.廣東電網有限責任公司佛山供電局，廣東 佛山 528000；2.廣州華工科技開發有限公司，廣州 510000；3.華南理工大學 電力學院，廣州 510000）

0 引 言

斷路器是電網中的重要設備，起到控制和保護其它輸變電設備、保障電網安全穩定運行的作用。隨著使用時間的增加，斷路器某些重要部件會老化或損壞，如機械機構的磨損、觸頭的磨損等［1-2］，因此監測斷路器的運行狀況是非常必要的。傳統的計劃檢修模式存在檢修量大、費用高、容易出現檢修過剩或者檢修不足的現象，而基于狀態監測的檢修方式可以及時掌握斷路器的工作狀態，提高檢修的針對性，進而提高斷路器運行的可靠性和經濟性。

由于難以從運行現場的斷路器獲取大量的狀態監測故障數據，目前尚缺乏有效的故障映射知識庫［3-4］，針對該情況搭建了一個故障模擬試驗平臺，并開發了一套基于LabVIEW FPGA數據監測系統對斷路器的分合閘線圈電流、儲能電機電流、行程時間特性和振動信號等數據進行可靠有效的監測。根據國網電力科學研究院的統計［4］和國際大電網會議（CIGRE）的調查［5］顯示，機械故障和控制柜內電氣故障占了斷路器故障的絕大部分，但相應的故障數據難以獲取，本研究對部分常見故障進行了模擬，包括分合閘線圈老化、鐵芯空行程不足、鐵芯卡澀、傳動機構卡澀、彈簧疲勞。

現有的斷路器故障診斷方法大部分是針對某一型號的高壓斷路器的某個狀態量進行監測并提取特征量，反映某一類型的故障的狀態量比較單一，特征提取手段也比較單一，這樣很難及時可靠地診斷斷路器的狀態［6］，提出了一個將電流信號與振動信號相結合的斷路器故障判斷方法。

數學形態學是一種非線性的濾波算法［7］，由于其算法簡單，運算速度塊，近年來已經越來越多的被用到分析電力系統的信號中，本文提出了一種形態開閉加權復合濾波算法對電流信號進行濾波，從故障波形和正常波形的比對中充分挖掘其差異特征量，并利用形態小波分解包含豐富機械信息的振動信號，將不同頻段的能量值作為反映斷路器狀態的特征量，利用支持向量機將電流信號的各差異特征量與振動信號特征量相結合形成多維映射，對斷路器的狀態進行診斷。

1 斷路器故障數據獲取

1.1 基于LabVIEW FPGA的斷路器狀態監測系統

監測系統工作過程為：傳感器將斷路器的監測參量值轉換成電信號，數據經過采集卡A／D轉換處理之后上傳到實時控制器，同時將數據經過網線送入上位機，通過上位機將數據存儲起來，由上位機其他軟件（MATLAB）進行后續的數據處理，包括數據的濾波和特征提取等。主要監測內容：分合閘線圈電流、儲能電機電流、行程時間特性和振動信號。系統總體結構如圖1所示。

圖1 系統總體結構圖Fig.1 Overall structure of the system

（1）硬件配置

本系統硬件主要包括：高壓斷路器，傳感器，數據采集卡（NI-9203和NI-9234），控制器（NICompactRIO-9068），PC機等。

本試驗平臺高壓斷路器采用的是高壓交流瓷柱式六氟化硫斷路器，該產品額定電壓為40.5 kV，采用電磁式彈簧操動機構和智能滅弧室結構，每極為一個斷口，為三相機械聯動操作，可實現遠距離電控和就地手控。圖2顯示了控制柜內部結構以及傳感器安裝位置。

圖2 試驗斷路器控制柜內部結構圖Fig.2 Internal structure diagram of the circuit breaker control cabinet

（2）系統軟件設計

本設計包括數據采集和數據存儲顯示兩部分，數據采集主要由下位機嵌入式NICompactRIO平臺實現，將寫好的LabVIEW代碼編譯下載到實時控制器（RT）的FPGA中，利用采集卡I／O模塊實現數據的采集。為了采集數據的可靠存儲，RT與上位機PC之間采用網絡流的方式進行通信，數據通過上位機RT-host.VI程序以同步采樣速率將原始數據采用TDMS文件格式存儲到PC硬盤。將RT導出的數據經過上位機RT-host.VI程序實時顯示，并且可以進行相應的操作。系統監控界面見圖3。

1.2 故障模擬

文中主要模擬的故障有分合閘線圈老化、鐵芯空行程不足、鐵芯卡澀、傳動機構卡澀、彈簧疲勞等。方法以及能反映各類故障的狀態量如表1所示。

圖3 監控界面Fig.3 Monitoring interface

表1 故障模擬方案Tab.1 Scheme of fault simulation

2 基于數學形態學的狀態量特征提取

2.1 形態開閉加權復合濾波

變電站現場有較強的電磁干擾，從而導致采集的信號存在較大的噪聲，所以對采集到的信號進行快速有效的濾波是非常重要的。

形態濾波是用一個的結構元素去匹配信號的幾何形狀，通常用來提取信號的形態特征。如果信號中包含與結構元素形態特征一致的特征信息，形態濾波將會將這些特征提取出來，而濾除其他成分［8］。形態學基本算子有腐蝕、膨脹、形態開和形態閉等。

設X（k）和A（t）分別代表原始信號和結構元素，其中結構元素A（t）的長度比X（k）短，腐蝕和膨脹運算的定義如下：

由膨脹和腐蝕運算可得形態開、閉分別為：

形態開、閉運算具有濾波功能。其中，開運算可去掉毛刺和孤立點，濾除信號中的正脈沖噪聲；閉運算可填補孔洞和裂縫，濾除信號中的負脈沖噪聲，目前運用較多的是由Maragos提出的開-閉和閉-開運算組合而成的形態濾波器：

該濾波器雖然可同時抑制信號中的正、負脈沖噪聲，但由于在級聯過程中采用了相同的結構元素，導致其只能對一種噪聲有較好的濾波效果，而不能很好地處理各種噪聲，且開閉運算順序調換之后濾波效果不是簡單的對稱關系，所以簡單地取兩者的平均值會帶來較大的誤差。因此，在原有的數學形態學開閉運算濾波算法的基礎上，提出了一種雙結構元素的形態開閉加權復合濾波算法：

式中λ1、λ2為加權系數，且λ1+λ2＝1。為取得較好的濾波效果，通常濾除白噪聲使用半圓結構元素，濾除脈沖噪聲一般采用三角形結構元素，A、B分別取三角形和半圓形結構元素，經過大量仿真實驗驗證，λ1、λ2大小分別為0.64和0.36時，能獲得較好的濾波效果。圖4為濾波前信號和上述形態濾波算法濾波后的信號，通過計算可以發現兩者相關系數高達0.958 2，而均方根誤差只有0.047 7，很好地滿足了降噪要求。

圖4 分閘線圈電流及降噪后的波形Fig.4 Current waveform of tripping coil and current waveform after noise reduction

2.2 電流信號多維差異特征量提取

（1）分合閘線圈電流

分合閘線圈電流可以用來判斷分合閘線圈回路及相關部件的狀態。本文以分閘電流為例，圖5（a）給出了正常、分合閘線圈老化、鐵芯卡澀、鐵芯空行程不足等狀態下，分閘線圈電流波形。

根據圖中波形的差異，我們可以從中找出如圖5（b）所示的差異特征量，分別為3個相對時間參數Δt1＝t1-t0，Δt2＝t2-t1，Δt3＝t3-t2、3個電流參數｛I1，I2，I3｝和電流在t0-t1上的積分S0（相當于鐵芯的啟動功率）。

圖5 不同狀態下分閘線圈電流波形及主要差異特征量Fig.5 Tripping coil current waveform under different conditions and characteristic with differences

（2）行程時間信號

行程信號可以用來判斷操動機構和傳動機構的狀態，圖6給出了正常、彈簧疲勞、傳動機構卡澀等狀態下的位移電流波形。

圖6 不同狀態下位移電流波形Fig.6 Current waveform of displacement under different conditions

根據波形差異，本文提取了3個差異特征量，分別為合閘觸頭運動時間t5、剛合速度v1和剛分速度v2。

（3）儲能電機電流

儲能電機電流可以反映儲能相關部件的狀態，圖7給出了正常和彈簧疲勞狀態下的儲能電機電流波形。

圖7 不同狀態下儲能電機電流波形Fig.7 Current waveform of motor under different conditions

根據波形差異，我們找出了如圖所示的兩個差異特征量，分別為開始拉動彈簧時電流的斜率、彈簧拉伸至最大時的電流。

2.3 基于形態小波變換（MWT）的振動特征提取

式（5）所示的中值濾波算法中，通過選擇不同寬度、不同形狀的結構元素，該中值濾波器可以濾除不同頻段的高頻信息成分，根據這個特性，我們可以選擇不同的結構元素對擾動信號進行中值濾波，利用它們之間的差值可以提取出信號不同頻段的高頻信息成分，具體的高頻信息提取算子如下：

由于振動信號中能夠反映斷路器故障狀態的信息主要集中在10 kHz以下高頻成分［9］，所以上述算子能夠滿足振動信號特征信息提取的要求，本文參考文獻［10］，選擇結構元素為原點在中心且對稱的A＝［0，1，1，1，0］和B＝［1，0，0，0，1］，如圖8所示。

圖8 本文選擇的結構元素Fig.8 Structural elements selected in this paper

用上述形態學算子對原始信號X0進行分解［10］，具體分解過程如下：

其中：

2.積極開展活動，增強職工的法制觀念。在抓好油區群眾宣傳教育的現時，還要結合油田當前的改革形勢，做好內部廣大職工群眾的思想教育。一是利用職工學習日、黑板報、宣傳欄、討論會等多種形式，對職工進行形勢任務教育。二是通過專題教育活動，在職工中廣泛開展普法學習。一方面給職工講解有關的法律、法規條文，另一方面結合一些典型案例，以案釋法，使職工們對法律條文的理解更加深入、透徹。

式中Xj（k）和Yj（k）分別稱為信號在第j層分解出的近似信號和高頻細節信號。首先利用式（6）計算輸入信號X0的近似信號和高頻細節信號X1、Y1，然后對第一層近似信號X1做同樣的處理。重復上述操作直至第m層，然后我們就可以得到MWT系數矩陣：

本文取m＝4，采樣率為25 kHz（滿足10 kHz以下特征信息提取），定義高頻細節信號Yj的歸一化能量值Ej為：

以正常狀態和傳動機構卡澀為例，它們的振動信號分別如圖9（a）、圖9（b）所示，它們的4層形態小波分解后各分量的歸一化能量值分別如圖10（a）、圖10（b）所示。

圖9 正常狀態振動及傳動機構卡澀振動Fig.9 Vibration signal under normal conditions nd vibration signal under the condition of transmission mechanism jamming

圖10 MWT分量歸一化能量值Fig.10 Normalized energy value of MWT component

由上圖可知，傳動機構卡澀會產生一些高頻振動信號，使采集的振動信號在不同頻段的高頻信號能量值發生變化，因此，我們選擇振動信號的4層MWT分量的能量值｛E1，E2，E3，E4｝為差異特征量。

3 基于支持向量機的斷路器狀態診斷

3.1 基于故障模擬數據的診斷

本文選取支持向量機［11］對所有上述差異特征量進行處理。

（1）通過大量試驗并采集充足的電流和振動信號數據，提取相應的16個特征參數作為16維特征向量。表2給出了一組正常工作狀態下特征參數值；

（3）對所有的特征向量進行歸一化處理，以方便后續數據處理及提高程序收斂速度。將訓練集和測試集的特征向量統一進行列歸一化；

（4）以訓練集的特征向量及對應故障標簽對SVM進行訓練并尋得最優參數c、g，進而得到最優分類模型。本文采用遺傳算法，如圖11所示，迭代10次后，遺傳算法基本收斂。本文選取的是在第50代得到的最優參數c＝9.896 9、g＝1.165 2。

采用得到的c、g參數建立分類模型，對6種運行狀態下共60組測試數據（每種運行狀態下各10組測試數據）進行分類，分類結果如圖12所示。由圖可見，分類模型正確識別了57組正常或故障情況下的斷路器狀態，準確率為95%。

表2 正常工作狀態的各特征值Tab.2 Characteristic values under the normal working conditions

圖11 采用遺傳算法對、尋優結果圖Fig.11 Optimization result using genetic algorithm

圖12 對60組測試數據進行分類的結果Fig.12 Classification result on 60 sets of test data

3.2 變電站現場實測數據診斷

變電站現場運行的斷路器每年動作次數極其有限，斷路器發生故障的概率很低，難以獲取斷路器的各類型故障數據。佛山西江變電站在2009年做過對分合閘線圈狀態監測的項目并在兩臺40.5 kV斷路器上進行試點運行，根據檢修記錄，我們獲取了正常、分合閘線圈老化、鐵芯空行程不足、鐵芯卡澀四種狀態下的分合閘線圈電流和振動信號數據，并利用上述診斷方法對這些數據進行診斷。

圖13 變電站現場運行數據波形Fig.13 Substation site operating data signal

表3 不同工作狀態下各特征值Tab.3 Characteristic values under different working conditions

圖13（a）、圖13（b）分別給出了四種狀態下的分閘線圈電流和振動信號，其中電流信號差異較為明顯，振動信號時域上差異較小。

按照本文方法，對每類擾動選取10組數據作為訓練集，分別提取每組數據中兩種信號的特征量，表3給出了其中一組不同狀態下數據的特征參數值，然后每類擾動選取10組信號作為測試集，利用支持向量機對這40組信號進行診斷，診斷結果如圖14所示，其準確率可以達到90%，由此可知，本文算法對變電站實測信號仍然有效。

圖14 對40組變電站現場實測數據分類的結果Fig.14 Classification result on 40 sets of substation site operating data

4 結束語

高壓斷路器在線狀態監測是狀態檢修機制發展的一個重要環節，基于監測參量少、評估效果好、經濟效益高的原則，選擇了監測分合閘線圈電流、動觸頭行程、儲能電機電流、振動信號來反映常見斷路器的機械和電氣故障，搭建了一套基于LabVIEW FPGA的數據采集系統，通過故障模擬來獲取故障數據，從而彌補了現場斷路器故障數據不足的缺陷。非線性形態濾波算法運算簡單，能有效提取信號中的特征信息，在電力系統中的研究和應用日趨廣泛，在數學形態學開閉運算濾波算法的基礎上，提出了一種雙結構元素的形態開閉加權復合濾波算法，仿真結果驗證了該算法濾除電力系統噪聲的有效性。提取形態小波能量作為振動信號的特征量，為振動信號的分析提供了一個新的思路。

通過理論和仿真分析找出各類故障波形與正常波形的差異特征量，將多監測參量的多個特征量相結合，作為支持向量機的特征向量，形成多維映射，從而能夠更可靠地判斷斷路器的狀態，雖然試驗手段有限，本文只考慮了5種故障情況，理論上只要有足夠的故障數據，其它與這些監測參量相關的故障也同樣可以被診斷出來。本文所提算法也應用于變電站現場運行的斷路器數據，診斷準確率可達90%。