多模態傳感器數據融合高壓開關健康狀態監測

摘 要：本文旨在探討高壓開關健康狀態監測的重要性，并提出了多模態傳感器數據融合技術在該領域中的應用。首先，利用設備檢查、關鍵指標選取和數據獲取與預處理等步驟，對SVM、邏輯和貝葉斯分類器進行算法比較。其次，對高壓開關健康狀態進行準確監測并提前預警潛在問題。比較各算法可知，在故障預警方面，3種模型均表現出色，其中支持向量機（SVM）分類模型準確率為85.2%，邏輯分類模型準確率為78.0%，貝葉斯分類模型準確率為87.8%。在正確安裝調試方面，SVM和貝葉斯分類模型均具有良好性能，準確率分別為76.4%和75%，在實際應用中可以根據具體場景特點選擇最適宜且高效率的預測模式。

關鍵詞：多模態數據；傳感器數據；數據融合；高壓開關；狀態監測

中圖分類號：TN 607" " " 文獻標志碼：A

高壓開關用于控制和保護電力傳輸和配電網絡，但是在長期運行、環境變化以及其他因素的影響下，高壓開關可能會出現故障或損壞。為了實時監測高壓開關的健康狀態，并提前預警潛在問題，多模態傳感器數據融合技術被廣泛應用于高壓開關等設備健康狀態監測領域。郭寧和李曉青[1]介紹了一種基于自適應模糊PID控制方法來調試電氣設備溫度，在模糊規則中添加電氣設備穩定限額，有效控制了當前溫度場信息。廖曉輝等[2]提出了一種改進型YOLOv5s算法，用于實時檢測變電站中多種常見電氣設備，并設計App來支持這一識別過程。濮星海等[3]分別關注了建筑物內各類重要組成部分，包括供應、通信和控制等方面的安裝與施工問題，并解析各個環節的注意事項。鄭樹國[4]分析了風力發電項目中的電氣設備安裝與調試。蔡文戰等[5]利用NXMCD設計并構建機器人打磨平臺，并使用TIAPortal軟件進行PLC程序設計和HMI配置，完成聯合測試系統。王子默和王清亮[6]基于梯度擴散原理進行電氣系統調試故障數據去噪處理，并豐富了小波單元閾值處理方式。

1 模型構建

1.1 設備檢查

進行高壓開關健康狀態監測前，需要對設備進行全面檢查，旨在保證高壓開關正常運行，并確定是否存在可見的故障或異常情況。仔細觀察高壓開關外部是否存在損壞、變形或腐蝕等問題。同時，注意觀察連接電纜和導線是否松動、破損或斷裂。使用絕緣電阻測試儀測量各個接點和接地裝置間的絕緣電阻值。低于預定值可能表明存在漏電問題，需要進一步排除原因并修復。在測試條件下，還需要利用手動操作控制按鈕、切換裝置等來驗證其靈活性和可靠性。應注意觀察操作過程中是否存在卡頓、不流暢等異常情況，并確認所有機械部件工作正常。

由于涉及多模態傳感器數據融合，因此此環節需要對各種類型傳感器進行校準與功能驗證。例如，聲音傳感器可以利用發出特定頻率信號來確定其靈敏度；溫度傳感器可以放入標準溫度環境下進行比較測量以保證精確度；振動傳感器可以利用震蕩臺模擬不同頻率振動條件下的輸出響應等。

1.2 關鍵指標選取

在高壓開關健康狀態監測時過程中，環境因素的測試和融合對預測高壓開關的設備電壓和母線電壓至關重要。高溫會影響設備內部元器件與絕緣材料性能，可能導致局部過熱或絕緣老化；低溫則可能會使某些機械零部件僵硬失效。監測環境溫度可以及時發現這些問題。在濕潤條件下容易發生漏電故障，同時也會加速金屬零件銹蝕和絕緣老化。因此，濕度對評估潮氣侵入風險和防止局部放電故障具有重要意義。檢查當前負載情況可以幫助評估系統穩定性，并推斷未來是否存在過載或欠載情況，從而提前采取措施避免事故發生。這些參數均與設備運行可靠性息息相關，本文利用多模態傳感器進行數據采集，并將上述各種參數進行復合分析后形成整合數據，對高壓開關的環境電壓和母線電壓進行預測。

1.3 數據獲取和預處理

在本文中，環境溫度、濕度、電流和電壓數據是內部環境監控傳感器積累的真實數據在隨機獲取時間節點基礎上形成的，從而生成了2個類別、各500個樣本點的電流和電壓特征值。將這些特征值作為特性矢量，用于后續數據分析，并對其進行標記，標簽“1”表示正常狀態，標簽“2”表示故障預警。進而將這些特性矢量及其相應標簽合并，將其用于訓練支持向量機（SVM）、邏輯和貝葉斯分類器等不同模型，對電流與電壓數據進行處理。

2 算法比較

2.1 SVM模型

支持向量機（SVM）是一種用于分類和回歸分析的監督學習模型，有助于在分類問題中找到一個最佳超平面來區分不同類別的數據點。

SVM模型可隨機生成2個類別（class1和class2）、各500個樣本點，并構建代表電流和電壓的特征值。將產生的1 000個數據點作為特性矢量，同時以標記“1”表示第一類，以標記“2”表示第二類。使用fitcsvm函數進行SVM模型訓練，將特征矩陣（features）和相應標簽（labels）提供給該函數。構建的超平面如公式（1）所示。

（w?x）+b=0 （1）

式中：w為分類直線法方向；b為分類直線截距；x為輸入變量。

由此形成其決策函數，即sgn（（w*?x）+b*）。利用已經訓練好的SVMModel對格子上的網格點進行預測并得到評分（scores），利用gscatter函數展示原始數據散點圖，結合contour函數將決策邊界畫在散點圖上。在該例中，SVM會對每條觀測計算出一個評估分數，然后根據這些分數判斷所屬類別。由此形成決策邊界，以實現二元分類任務。

2.2 邏輯

邏輯是一種常見的分類算法，將特征值進行線性組合后，利用Sigmoid函數得到分類結果。本文使用fitclinear函數訓練邏輯模型，并評估其在數據集上的表現。該過程涉及擬合一個線性模型來描述輸入特征和輸出標簽間的關系，如公式（2）所示。

hθ（x）=g（θT?x） （2）

式中：hθ（）為假設函數；g（）為Sigmoid函數；θT?x為參數和特征值的線性組。

Sigmoid函數如公式（3）所示。

式中：g（z）為將這一線性組合結果映射到概率值；e-z為考慮特征值線性組合的自然對數的矩陣對數函數。

調整參數和優化損失函數可使模型正確分類樣本點的概率最大化，進而在電流和電壓數據集上評估邏輯模型的表現。

2.3 貝葉斯分類器

貝葉斯方法基于概率理論，在給定特征條件下計算類別標簽的概率。給定一個樣本點x和對應類別標簽y，根據貝葉斯定理可以得出后驗概率，如公式（4）所示。

式中：P（y|x）為后驗概率，即觀察到樣本點x后預測其為類別y的可能性；P（x|y）、P（y）和P（x）分別為似然、先驗和邊緣似然。

本文采用fitcnb函數構建樸素貝葉斯分類器，并對其進行訓練，以比較不同算法間的效果差異。貝葉斯分類器假設各個特征間相互獨立，在這種情況下，聯合分布可以被簡化為各個單獨特征上的條件分布之積。當考慮多個不同類型變量時，通常會將高維正態分布作為每個類別內部不同變量間關系的建模方式。

3 數據分析

3.1 數據特征分析

整理溫度、濕度和電流等數據特征如圖1所示。

高壓開關所處環境的溫度集中于20 ℃～30 ℃，表明在正常運行期內該設備受外界熱量影響，在輻射條件下工作具有潛在腔體局部局限性，濕度也較穩定地集中于40%～70%，可滿足系統本身防護需要，能避免水汽冷凝的絕緣子表面帶來的損耗風險，從而保證系統穩定、長時間運行。通過高壓開關后的電流略gt;10 A，在實際工作場景下驗收，本文認為其是正常操作條件下的額定負荷水平，有小規模誤差允許。如果持續存在超載情況，就會埋下線路升級跳閘隱患。因此整體數據的波幅略超過其他各類指標，不僅包括單一傳感器采集信息，對異常值也較敏感。整理電壓數據特征，如圖2所示。

對電壓數據進行特征分析可知，其幅度也相對較小且主要集中于3.5 kV～3.6 kV的高電位。這種穩定性表明系統處于正常操作狀態，并保持在適合的供電水平，電壓環境穩定。接地母線中外殼和支架上的感應電壓則普遍較低，低于24 V，0 V的頻數相對較高。

3.2 性能測試

在系統性能測試中，本文使用了3種不同的分類模型，即支持向量機（SVM）、邏輯和貝葉斯分類器。這些模型可對故障預警和正確安裝調試進行預測，其結果分別如圖3～圖5所示。

SVM分類算法結果如圖3所示。SVM在故障預警方面具有出色的性能，準確率為85.2%。當系統處于潛在問題狀態時，SVM具有相當高的識別能力，能夠有效捕捉異常模式，并對可能發生的故障做出可靠預測。在正確安裝調試識別方面，SVM也表現出良好性能，其準確率為76.4%。

邏輯分類算法結果如圖4所示。邏輯在故障預警方面具有不俗表現，準確率為78.0%，表明其對系統潛在問題的識別能力相當可靠。盡管稍低于其他模型，但是仍然表現出良好的整體性能。在正確安裝調試識別中，該算法的準確率為70.8%。

樸素貝葉斯分類算法結果如圖5所示。數據顯示，貝葉斯分類預測在故障預警方面表現出色，準確率為87.8%，表明該模型能夠高度可靠地識別系統潛在問題，并及時采取必要措施。在正常操作判斷方面，貝葉斯分類器的準確率為75.0%，說明該方法在檢測可能存在的問題并做出相應反應方面具有優勢。

3個模型均表現良好，同時各具獨特優勢，其中SVM在正常安裝調試條件下的預測精度更高，貝葉斯模型則更善于在故障預測條件下尋找異常規律等。綜合考慮以上分析結果并結合實際需求選擇最佳算法，將會使系統運行效果和穩定性得到進一步提升。

4 結語

高壓開關健康狀態監測是保證設備運行穩定，并保障設備安全的重要手段。本文介紹了高壓開關健康狀態監測的設備檢查、關鍵指標選取、數據獲取以及預處理等步驟，分析了環境溫度、濕度、電流和電壓等數據特征，并比較了支持向量機（SVM）、邏輯以及貝葉斯分類器3種不同模型算法，三者在故障預警方面均表現出色，同時也具有各自的獨特優勢。比較各算法可知，SVM、邏輯和貝葉斯分類器在故障預警和正常操作判斷方面表現出色。特別是貝葉斯分類器在識別潛在問題方面的準確率為87.8%，性能卓越；支持向量機（SVM）故障預警準確率為85.2%；邏輯分類器的準確率為78.0%。結合所述結果并根據實際需求選擇最佳算法將有助于提高系統運行效果和穩定性。在未來工作中還需要進一步研究如何利用多模態傳感器融合技術更準確、可靠地監控系統內部情況，并提前發現潛在問題風險點。

參考文獻

[1]郭寧，李曉青.基于自適應模糊PID的電氣設備溫度調試仿真[J].計算機仿真，2024，41（2）：56-60，119.

[2]廖曉輝，謝子晨，路銘碩.基于YOLOv5s和Android部署的電氣設備識別[J].鄭州大學學報（工學版），2024，45（1）：122-128.

[3]濮星海，王飛，張正東.建筑電氣設備接地的安裝調試與檢修[J].工業建筑，2023，53（6）：243.

[4]鄭樹國.風力發電項目升壓站電氣設備的安裝調試及管理[J].水利水電技術（中英文），2022，53（增刊2）：83-85.

[5]蔡文站，田建艷，王書宇，等.基于NXMCD與TIA的機器人打磨聯合調試研究[J].現代制造工程，2022（7）：37-42，120.

[6]王子默，王清亮.基于梯度擴散的電氣設備調試故障行波檢測[J].計算機仿真，2020，37（5）：468-472.