基于改進BAS 算法的斷路器操動狀態辨識方法

吳志勇，王東方，付晨曉

（國網寧夏電力有限公司吳忠供電公司，寧夏吳忠 751100）

斷路器是電力系統的重要維護裝置，一旦系統處于異常運行狀態時，可立即切斷故障電源，以保證整個電力系統正常運行。斷路器常見的故障操動機構相關缺陷約占總缺陷的一半，是運行維護的重點。在工作過程中，由于環境侵蝕，導致電磁鐵芯和傳動件軸銷腐蝕。據統計，銹蝕及異物缺陷約占5%，嚴重的腐蝕造成啟閉彈簧能量釋放不足，機構動作卡死，啟閉速度下降，甚至不動作。因此，對斷路器操作機構的腐蝕情況進行正確評價和及時處理，是保證電網運行安全的關鍵。近幾年，國內外學者一直研究高壓斷路器辨識工作。文獻[1]提出基于振動信號譜形狀熵特征的辨識方法，該方法首先利用自適應噪聲集合的經驗模態分解方法，將頻率結構的非平穩信號逐步拆分，獲取不同頻段特征分量，然后將篩選的結果轉換到功率譜子區域極坐標。根據波散分布特點，計算譜形狀熵，并由此構建支持向量機模型，實現對斷路器操動狀態的精準辨識；文獻[2]提出基于圖像深度學習的辨識方法，該方法首先根據斷路器工作原理，設定一種評價指標體系，結合主客觀賦予權重的方法獲取指標權重。使用YOLO 深度學習算法識別操動機構的異常位置，通過模糊綜合評價方法獲取辨識結果。但使用上述兩種方法容易陷入局部最優，導致辨識結果不精準。因此，使用改進BAS 算法辨識斷路器操動狀態。

1 斷路器操動機構分析

斷路器通過操動機構控制觸頭的開閉實現開關自由開閉。在運行過程中，線圈電流可以真實反映電磁體自身、受控閥門和聯鎖觸頭的運行狀況，并含有大量有關斷路器運行機制的機械性能信息[3-4]。因而，其在故障監控和診斷中得到廣泛應用。斷路器分（合）繞組的操動機構是由電阻器和電感器組成，其結構如圖1 所示。

圖1 斷路器操動機構

由于未合閘的電磁鐵在斷路器操動過程中，一直處于不飽和狀態，此時電感與線圈電流無關，只與電磁鐵氣隙有關，由此得到的斷路器操動機構電壓為：

式中，R表示線路電阻；I表示動作電流；?表示電感；ε表示電磁鐵氣隙；v表示線圈運行速率[5]。在斷路器工作時，電磁線圈被激勵，電流增加，磁芯的吸力也隨之增加[6]。

2 改進BAS算法斷路器操動狀態辨識

天牛須搜索算法原理簡單、計算效率高，但是其個數很小，搜索空間很小，容易陷入局部最優。針對以上問題，改進BAS 算法，并結合自適應步長提出群組與競爭機制[7]。采用隨機分配的方法，將天牛須搜索空間中一定數目的天牛作為群體，并結合群體學習方法改善搜索范圍。由于天牛信息之間可以進行信息交互，因此，增強整體的搜索能力和收斂性。

2.1 斷路器操動狀態搜索

改進BAS 算法的應用原理是天牛覓食原理，基于該原理設定的隨機單位向量為：

式中，n表示維度；r表示隨機向量[8-9]。根據式（2）計算結果，計算天牛左右須位置：

式中，λt表示學習因子；表示感知范圍內的最優天牛位置。然后，重復地更新每只天牛所在位置。在每次更新后，適應度計算結果由式（3）的左右位置確定，并對最優的適應性函數進行及時更新[13]。最后，將兩組總體優化適應度進行對比，并獲取最佳初始位置和適應值，結合這些數值可得到最優搜索結果。

2.2 特征參數提取

斷路器振動信號的各個頻率成分含有大量的工作狀態信息和故障特性。在斷路器操作機構出現故障時，所獲取的振動信號中同一頻率能量波動較大，可用局部平均分解能量作為特征矢量進行斷路器故障診斷[14]。利用LMD 方法提取所獲得的振動信號，并將它們加入到特征矢量矩陣中。該特征參數的提取過程如下：

使用LMD 方法分解搜索的斷路器操動狀態信號，由此得到的總能量為：

式中，ej(t)表示j個分能量。將離散信號分量的總能量進行歸一化處理，可得到離散信號分量的總能量[15]。以該信號分量歸一化結果為依據，構造特征向量為：

為保證算法的精確度，使用步長因子控制搜索范圍。為避免出現搜索區域過小而導致計算結果陷入局部最優的問題，設置最大初始步長[16]。其計算公式如下：

式中，Lt表示天牛經過第t次迭代后的步長因子；ξ表示步長衰減系數。該步長的設定由線性遞減權重決定。初始化處理天牛初始位置，將其存儲到最佳適應度函數集中。同時，在適應度函數的基礎上，記錄所有天牛最佳位置，即為特征向量。

2.3 操動狀態辨識

在整體尋優過程中，個體間的求解總是趨向于最優解，從而使得類似解總是在最優解附近。基于此，引入擁擠度指標競爭機制，對某些具有類似特征的群體進行篩選，并對群體進行動態調整。第t次迭代處理后個體i、j之間的歐氏距離為：

式中，δ表示擁擠度閾值。當計算結果小于δ時，說明斷路器操動狀態正常，即合閘正常；當計算結果大于δ時，說明斷路器操動狀態異常。

對于異常操動狀態，可用指標權重來區分，判斷矩陣為：

式中，m、n分別表示矩陣的行數和列數。結合判斷矩陣，得到各層指標的綜合評判向量αi，該向量可分為操動狀態異常位置α1和等級的各層模糊綜合評價向量α2，由此對斷路器操動異常狀態綜合評判，公式為：

充分考慮斷路器實際運行狀態，構建操動異常狀態評語集，主要包括三個等級：一般、預警、危急，利用三角形-梯形隸屬度函數表示斷路器操動狀態，如圖2 所示。

圖2 異常操動狀態

由圖2 可知，對于彈簧疲勞，預警評分在[0-40]區間，屬于一般狀態；對于鐵芯卡澀，預警評分在[40-70]區間，屬于預警狀態：對于軸銷脫落，預警評分在[70-100]區間，屬于危急狀態。根據該辨識依據立即處理危急狀態，避免進一步發展。

3 實 驗

3.1 實驗平臺

為進一步驗證基于改進BAS 算法的斷路器操動狀態辨識方法的實際控制效果，搭建如圖3 所示的硬件實驗平臺。

圖3 硬件實驗平臺

在Matlab/Simulink 環境中，開啟編譯base，并運行ccs61，該實驗平臺與馬達驅動試驗盒及主機連接。用cspace 軟件實現DSP 的C 語言編程，并用主處理器進行線上調試。

3.2 實驗數據

為明確分析實驗數據，使用一種譜形狀熵描述斷路器操動狀態細節特性，并確定其與機械失效、零件狀態之間的聯系。采用最大值方法，能夠有效地保存各個成分之間幅值比例關系，從而保證原始信號完整性。經發散因子將頻譜的波形變換成極坐標，獲得實驗數據如圖4 所示。

圖4 各狀態分量功率譜極坐標圖

由圖4（a）可知，正常合閘下發散因子轉換到[0-90°]、[270°-360°]區間內；彈簧疲勞下發散因子轉換到[0-90°]、[210°-360°]區間內；鐵芯卡澀下發散因子轉換到[0-90°]、[150°-360°]區間內；軸銷脫落下發散因子轉換到[0-360°]區間內。將各狀態分量功率譜極坐標作為標準數據，進行實驗驗證分析。

3.3 實驗結果與分析

分別使用文獻[1]、文獻[2]、所提方法辨識斷路器操動狀態，得到各狀態分量功率譜極坐標如表1所示。

表1 不同方法下各狀態分量功率譜極坐標

由表1 可知，使用文獻[1]、文獻[2]、所提方法在正常合閘下各狀態分量功率譜極坐標與實際坐標一致。使用文獻[1]、文獻[2]在彈簧疲勞、鐵芯卡澀、軸銷脫落狀態下功率譜極坐標與實際坐標均不一致。使用所提方法只有在鐵芯卡澀狀態下，功率譜極坐標與實際坐標不一致，存在30°的誤差，其余均一致。

基于上述辨識結果可知，使用所提方法辨識結果更精準，由此得到的實際異常狀態示意圖如圖5所示。

圖5 實際異常狀態示意圖

由圖5 可知，對于鐵芯卡澀異常狀態，可能會出現斷路器連接管紅色現象，嚴重會燒毀連接管；對于軸銷脫落異常狀態，可能會出現斷路器連接軸燒毀現象，嚴重會損毀整個斷路器。

4 結束語

斷路器操動過程的振動信號與彈簧、鐵芯和軸銷有關，其能夠反映斷路器在運行過程中的特殊缺陷和故障。在此基礎上，給出一種基于改進BAS 算法的斷路器操動狀態辨識方法。這種方法可以正確地辨識出斷路器操動的異常狀態，并通過實驗驗證該方法研究的合理性。