高壓斷路器故障診斷研究

朱斌 吳鈞浩 蔡衛峰

摘要：高壓斷路器作為電力系統領域的關鍵設備，在電網中起控制和保護作用，是電力系統中開斷和關合電流的重要開斷元件，一旦發生故障極有可能觸發大規模電力安全事故[1]。現階段高壓斷路器故障診斷技術落后，因此對高壓斷路器進行狀態監測及故障診斷具有十分重要的意義。

大多數的斷路器故障主要由機械故障造成，一般振動信號包含了斷路器的機械狀態，提取信號的有效特征，并選擇合適的分類器，可實現對故障類型的診斷。

關鍵詞：包絡熵；多分類支持向量機

1.高壓斷路器典型監測參數[2]

高壓斷路器的故障種類繁多，以操動機構的種類作為分類高壓斷路器故障的宏觀判斷條件，尤以彈簧操動機構的高壓斷路器最為常見。下表2.1為某變電站彈簧操動機構的斷路器故障統計數據節選。

由表2.1可知，在三種故障發生的位置中，以操動機構的故障最多，控制回路的故障率僅次于操動機構。斷路器本體的故障率取決于斷路器本體制作工藝及斷路器所處工作的外部環境。

2.基于包絡熵和支持向量機的故障診斷

斷路器的故障診斷可分為四個過程：信號采集、信號數據預處理、信號特征提取、故障診斷。本節主要針對故障診斷分析。

2.1包絡熵

特征提取主要通過對變分模態分解后的本征模態分量求解包絡，通過計算包絡熵確定原信號的特征。首先統一數值將模態內的數值歸一化，歸一化公式如（2.1）所示， 為模態分量中 的最大值。

2.2支持向量機

常見實現K（K>2）分類的方式有三種[3]：（1）從原理上實現多分類；（2）一對其余方法；（3）一對一方法。

首先判斷樣本是否屬于故障樣本，如若屬于故障樣本再對其進行故障判別。由于故障類別的數量不多，可考慮使用一對一方法構造 個分類器構成一個有向無環圖。在進行多分類之前構造一個二分類器，故總計有K（K-1）/2+1個分類器。

本文選用sklearn機器學習庫中的SVM模塊進行故障預測。由于正常樣本和故障樣本數量不均衡，故構造第一個分類器時需提高正常樣本的權重，設置權重比例為1：4，其他分類器權重比例為1：1。選擇懲罰系數值時，懲罰系數越高，對輸入樣本的分類能力就越強，但同時也容易導致分類器泛化能力下降。根據測試結果選擇分類器的懲罰系數及其輸入樣本預測精度表分別如下：

對表2.2各底層分類器求對應的分類精度再取平均值，得輸入樣本分類精度為61.9%。計算后測試樣本的分類精度為68%，基本符合理論計算值。

3.總結

本文以操動機構的種類作為分類高壓斷路器故障的條件，介紹了主要故障參數，最后從包絡熵、多分類支持向量機來選擇合適的分類器，利用SVM模塊進行故障預測并驗證了該方法的有效性。

參考文獻

[1]劉亞芳.高壓斷路器事故調查[J].國際電力，1997，33（3）：12-13.

[2]Liu Ai-min，Lin Xin，Liu Xiang-dong.Fault Diagnosis Method of High Voltage Circuit Breaker based on （RBF） Artificial Neural Network [C].IEEE/PES Transmission & Distribution Conference & Exposition，2005：1-4.

[3]Shuang Liu，Jian Yun，Peng Chen.A new GA-based decision search for DAG-SVM[C].2010 International Conference on Computer Application and System Modeling，2010，650-653.