一种基于支持向量机的高压断路器故障诊断方法与流程

1.本发明涉及一种基于支持向量机的高压断路器故障诊断方法，属于高压断路器诊断技术领域。


背景技术：

2.高压断路器在输、配电网中起着重要的保护和控制作用，因其工作环境恶劣导致较高的故障率，因此开展断路器故障诊断十分必要。分合闸线圈电流信号可以反映断路器铁心卡涩、传动机构卡滞、控制回路电压等工作情况，同时在采集时具有非侵入性，不会影响断路器的正常运行。
3.在以往对电流信号的研究中，在模糊理论的基础上有效提取了分合闸线圈电流时间和电流值，为后续断路器故障状态分析提供了依据。一种基于样条插值和多尺度线性拟合的方法，对断路器分合闸线圈电流进行特征提取，可以准确区分断路器的不同状态。以电流时间和电流值为特征，并计算特征量的均值及方差，使用95％的置信区间作为阈值，构建了故障诊断系统，对故障电流检测结果较好。但上述研究只考虑了时域中的局部特征。
4.对断路器模拟故障信号进行分析时，考虑到多种特征参数的相关性会对分析造成困难，且特征参数较多会造成分类训练时间长，影响识别效果，所以需要一种有效的数据处理方法，以减少数据计算量并快速提取信号有效信息。在常见的模式识别中，大部分方法都需要足够多的训练样本来保证分类的正确率，而断路器模拟故障样本数量有限，所以需要选取一种适合小样本分类的模式识别方法。


技术实现要素：

5.本发明所要解决的技术问题是提供一种基于支持向量机的高压断路器故障诊断方法，以电流时间、电流值、电流均值、标准差、峭度和能量为特征参数，采用pca
‑
svm方法对断路器运行状态进行评估，能够快速提取信号特征的有效信息并对断路器运行状态进行有效识别。
6.为解决上述问题，本发明所采取的技术方案是：
7.一种基于支持向量机的高压断路器故障诊断方法，包括以下步骤：
8.步骤s1，在局部特征的基础上，加入了电流均值、标准差、峭度和能量参数4个特征，并将其作为电流信号的全局特征；再将局部特征和全局特征作为电流信号的特征向量，对断路器的部分故障状态进行识别；
9.步骤s2，以电流时间、电流值、电流均值、标准差、峭度和能量为特征参数，采用主分量分析结合支持向量机的算法对断路器运行状态进行评估；
10.步骤s3，针对正常状态、合闸弹簧疲劳、传动机构松动和控制回路电压低4种故障进行模拟试验。
11.作为本发明的进一步改进，步骤s1中，所述局部特征包括电流时间和电流值；
12.步骤s2中，所述主分量分析是通过坐标变换把高维空间信息转换到低维空间的方
法，称为pca法；所述支持向量机是在有限的样本信息的基础上，将样本点误差最小化，缩小了模型预测误差的上界的模式识别方法，称为svm法。
13.作为本发明的进一步改进，所述电流均值反映信号的稳定程度，其计算方法如下式：
[0014][0015]
式中，μ为电流均值，x
i
为随机变量的取值；
[0016]
所述标准差描述数据的离散程度，在信号分析中，用来表征信号的能量，其计算方法如下式：
[0017][0018]
式中，σ为标准差；
[0019]
所述峭度为一个四阶统计量，反映信号分布特性，是随机变量非高斯性的最简度量，其计算方法如下式：
[0020][0021]
式中，k为峭度；
[0022]
所述能量代表合闸电流做功大小，其大小取决于电压、电流和时间，其计算方法如下式：
[0023][0024]
式中，w为能量，u为控制回路电压，i为合闸线圈电流值，t为时间。
[0025]
作为本发明的进一步改进，所述主分量分析结合支持向量机的算法流程包括以下步骤：
[0026]
步骤s21,载入数据；
[0027]
步骤s22,特征提取，特征提取电流时间、电流值、电流均值、标准差、峭度和能量特征参数；
[0028]
步骤s23,pca特征降维，将所有特征标准化，进行pca降维，获得有效的特征向量；步骤s24,svm特征分类，将得到的有效特征向量输入svm进行训练和预测，获得工作状态分类结果；
[0029]
步骤s25,计算训练时间和分类正确率。
[0030]
作为本发明的进一步改进，在高压断路器的运行过程中，分合闸线圈电流信号分为4个阶段：
[0031]0‑
t1：0时刻，线圈开始通电，电流呈指数上升，在此过程中，电流产生的电磁力逐渐增强；到t1时刻电流达到第一个波峰，此时电流产生的电磁力大于铁心所受的外界阻力，铁心开始运动；该阶段可以反映线圈电压、回路电阻以及铁心是否卡滞等情况；
[0032]
t1‑
t2：t1以后，铁心开始运动，此时线圈电流减小，到t2时刻，电流达到最小值。在
此过程中铁心的速度急剧降低，到t2时刻，铁心撞击锁扣/脱扣装置，然后停止运动；此阶段可以反映铁心运动卡涩情况和脱口失灵等故障；
[0033]
t2‑
t3：t2时刻铁心停止运动后，传动机构的锁扣被打开，此阶段电流持续上升，动触头开始动作，分闸弹簧开始分闸；到t3时刻，电流达到峰值；该阶段可以反映传动机构的运动状态；
[0034]
t3‑
t4：t3时刻动静触头完全分离，辅助开关断开，切断线圈电源，触头间产生电弧，电弧电压在短时间内急剧增加，这直接导致电流急剧减小；t4时刻，电流减小为0。该阶段的电流曲线可以反映辅助开关是否存在故障。
[0035]
作为本发明的进一步改进，所述电流时间包括四个时刻分别为t1、t2、t3和t4；所述电流值包括分别对应t1、t2和t3时刻的分合闸线圈电流i1、i2和i3。
[0036]
作为本发明的进一步改进，所述pca特征降维过程如下：假设断路器振动信号有k个训练样本，每个样本有n个特征值，其列向量为x
k
＝(x
1k
，x
2k
，
…
，x
nk
)
t
，该样本集的平均向量为协方差矩阵求出协方差矩阵的全部特征值λ
i
和特征向量ν
i
，特征向量构成一个m维正交空间；按从大到小的顺序，将特征值λ
i
排列为λ1＞λ2＞
…
＞λ
d
＞λ
d 1
＞
…
，由于样本信息集中在特征值较大的特征向量中，舍弃一些特征值小的特征向量不会对信息造成影响，所以选取大于λ
d
的特征向量构成主分量；样本x
i
投影到特征向量ν
i
，得到该方向对应的主分量为设正交空间中d个主分量为y1，y2，
…
，y
d
，则累计方差贡献率为
[0037][0038]
累计方差贡献率决定主分量的选取个数，累积方差贡献率取h(d)＞95％，即只选取前d个主分量来表征原始信息，前d个主分量包含原始信号95％以上的有效信息，从而达到降维的目的。
[0039]
作为本发明的进一步改进，步骤s3中，所述模拟试验遵循单一变量原则，每次断路器仅有一个故障；所述合闸弹簧疲劳是通过松动合闸弹簧固定螺栓实现，所述传动机构松动是通过调节机构连杆长度实现。
[0040]
作为本发明的进一步改进，所述模拟试验时，所述电流时间和电流值采用3次样条插值方法对原始信号进行光滑处理获得四个电流时间t1、t2、t3和t
4，
以及三个电流值i1、i2和i3；利用公式(1)—(4)获得电流信号的均值μ、标准差σ、峭度k和能量w特征；
[0041]
选取断路器正常状态、合闸弹簧疲劳、传动机构松动和控制回路电压低4种状态的合闸电流信号，每种状态采集30组数据进行特征参数提取，构成一个120
×
11的特征矩阵。作为本发明的进一步改进，分别对原局部特征、pca降维后的局部特征、原综合特征和pca降维后的综合特征用svm进行分类识别；并将原局部特征与pca降维后的局部特征的分类识别结果进行对比，将原综合特征与pca降维后的综合特征的分类识别结果进行对比，以判断pca降维后的特征向量在分类正确率和程序运行时间的优势。
[0042]
采用上述技术方案所产生的有益效果在于：
[0043]
本发明在断路器上模拟合闸弹簧疲劳、传动机构松动和控制回路电压低3种故障状态，结合断路器正常状态电流信号，提取断路器4种状态电流信号的局部和全局特征参数，采用pca法对信号特征降维处理，将降维后的特征向量输入svm进行分类，结果表明：
[0044]
(1)在传统的以电流时间和电流值为特征的基础上，增加均值、标准差、峭度和能量4个全局特征，提高了分类正确率，能更准确地反映断路器运行情况。
[0045]
(2)采用降维后的特征向量比原特征向量提高了分类正确率，并减少了训练时间，pca法可以保留信号有效特征信息，剔除干扰信息，提高计算效率。
[0046]
(3)svm在小样本分类问题上的综合分类性能优于bp神经网络，在断路器故障诊断中具有良好的性能。
附图说明
[0047]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1是典型分合闸线圈电流曲线示意图；
[0049]
图2是基于pca和svm的故障诊断算法流程图；
[0050]
图3是合闸电流信号特征参数变化趋势图；
[0051]
图4是合闸线圈电力特征参数表；
[0052]
图5是单个主分量贡献率和累加贡献率表；
[0053]
图6是单个主分量贡献率与累加贡献率柱状图；
[0054]
图7是pca降维后的部分特征参数表；
[0055]
图8是svm分类结果图；
[0056]
图9是不同特征分类效果对比表。
具体实施方式
[0057]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0058]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0059]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为
限制。
[0060]
本实施例提出了一种基于分合闸线圈电流的断路器故障诊断方法。首先提取断路器分合闸线圈电流时间和电流值，并将其作为局部特征；然后对电流信号数据求取均值、标准差、峭度以及能量值并作为全局特征，由局部特征和全局特征组成综合特征；再利用pca(主分量分析)法对特征矩阵进行降维处理，获得主分量特征；最后构建svm(支持向量机)的训练样本集，获得svm决策函数，实现断路器运行状态分类。利用该方法对断路器4种运行状态进行试验分析，结果表明该方法能够有效识别断路器不同故障状态。
[0061]
一种基于分合闸线圈电流的断路器故障诊断方法，包括以下步骤：
[0062]
步骤s1，在局部特征的基础上，加入了电流均值、标准差、峭度和能量参数4个特征，并将其作为电流信号的全局特征；再将局部特征和全局特征作为电流信号的特征向量，对断路器的部分故障状态进行识别；
[0063]
步骤s2，以电流时间、电流值、电流均值、标准差、峭度和能量为特征参数，采用主分量分析结合支持向量机的算法对断路器运行状态进行评估；
[0064]
步骤s3，针对正常状态、合闸弹簧疲劳、传动机构松动和控制回路电压低4种故障进行模拟试验。
[0065]
本实施例具体的，步骤s1中，所述局部特征包括电流时间和电流值；
[0066]
步骤s2中，所述主分量分析是通过坐标变换把高维空间信息转换到低维空间的方法，称为pca法；所述支持向量机是在有限的样本信息的基础上，将样本点误差最小化，缩小了模型预测误差的上界的模式识别方法，称为svm法。
[0067]
本实施例具体的，所述电流均值反映信号的稳定程度，其计算方法如下式：
[0068][0069]
式中，μ为电流均值，x
i
为随机变量的取值；
[0070]
所述标准差描述数据的离散程度，在信号分析中，用来表征信号的能量，其计算方法如下式：
[0071][0072]
式中，σ为标准差；
[0073]
所述峭度为一个四阶统计量，反映信号分布特性，是随机变量非高斯性的最简度量，其计算方法如下式：
[0074][0075]
式中，k为峭度；
[0076]
所述能量代表合闸电流做功大小，其大小取决于电压、电流和时间，其计算方法如下式：
[0077]
[0078]
式中，w为能量，u为控制回路电压，i为合闸线圈电流值，t为时间。
[0079]
如图2所示，本实施例具体的，所述主分量分析结合支持向量机的算法流程包括以下步骤：
[0080]
步骤s21,载入数据；
[0081]
步骤s22,特征提取，特征提取电流时间、电流值、电流均值、标准差、峭度和能量特征参数；
[0082]
步骤s23,pca特征降维，将所有特征标准化，进行pca降维，获得有效的特征向量；
[0083]
步骤s24,svm特征分类，将得到的有效特征向量输入svm进行训练和预测，获得工作状态分类结果；
[0084]
步骤s25,计算训练时间和分类正确率。
[0085]
如图1所示，本实施例具体的，在高压断路器的运行过程中，分合闸线圈电流信号分为4个阶段：
[0086]0‑
t1：0时刻，线圈开始通电，电流呈指数上升，在此过程中，电流产生的电磁力逐渐增强；到t1时刻电流达到第一个波峰，此时电流产生的电磁力大于铁心所受的外界阻力，铁心开始运动；该阶段可以反映线圈电压、回路电阻以及铁心是否卡滞等情况；
[0087]
t1‑
t2：t1以后，铁心开始运动，此时线圈电流减小，到t2时刻，电流达到最小值。在此过程中铁心的速度急剧降低，到t2时刻，铁心撞击锁扣/脱扣装置，然后停止运动；此阶段可以反映铁心运动卡涩情况和脱口失灵等故障；
[0088]
t2‑
t3：t2时刻铁心停止运动后，传动机构的锁扣被打开，此阶段电流持续上升，动触头开始动作，分闸弹簧开始分闸；到t3时刻，电流达到峰值；该阶段可以反映传动机构的运动状态；
[0089]
t3‑
t4：t3时刻动静触头完全分离，辅助开关断开，切断线圈电源，触头间产生电弧，电弧电压在短时间内急剧增加，这直接导致电流急剧减小；t4时刻，电流减小为0。该阶段的电流曲线可以反映辅助开关是否存在故障。
[0090]
本实施例具体的，所述电流时间包括四个时刻分别为t1、t2、t3和t4；所述电流值包括分别对应t1、t2和t3时刻的分合闸线圈电流i1、i2和i3。
[0091]
本实施例具体的，所述pca特征降维过程如下：假设断路器振动信号有k个训练样本，每个样本有n个特征值，其列向量为x
k
＝(x
1k
，x
2k
，
…
，x
nk
)
t
，该样本集的平均向量为协方差矩阵求出协方差矩阵的全部特征值λ
i
和特征向量ν
i
，特征向量构成一个m维正交空间；按从大到小的顺序，将特征值λ
i
排列为λ1＞λ2＞
…
＞λ
d
＞λ
d 1
＞
…
，由于样本信息集中在特征值较大的特征向量中，舍弃一些特征值小的特征向量不会对信息造成影响，所以选取大于λ
d
的特征向量构成主分量；样本x
i
投影到特征向量ν
i
，得到该方向对应的主分量为设正交空间中d个主分量为y1，y2，
…
，y
d
，则累计方差贡献率为累计方差贡献率决定主分量的选取个数，累积方差贡献率取h(d)＞95％，即只选取前d个主分量来表征原始信息，前d个主分量包含原始信号95％以
上的有效信息，从而达到降维的目的。
[0092]
本实施例具体的，步骤s3中，所述模拟试验遵循单一变量原则，每次断路器仅有一个故障；所述合闸弹簧疲劳是通过松动合闸弹簧固定螺栓实现，所述传动机构松动是通过调节机构连杆长度实现。
[0093]
本实施例具体的，所述模拟试验时，所述电流时间和电流值采用3次样条插值方法对原始信号进行光滑处理获得四个电流时间t1、t2、t3和t
4，
以及三个电流值i1、i2和i3；利用公式(1)—(4)获得电流信号的均值μ、标准差σ、峭度k和能量w特征；
[0094]
选取断路器正常状态、合闸弹簧疲劳、传动机构松动和控制回路电压低4种状态的合闸电流信号，每种状态采集30组数据进行特征参数提取，构成一个120
×
11的特征矩阵，部分数据如图4所示。
[0095]
由于每个特征参数所代表的物理意义不同，参数的尺度也大小不一，故采用均值
‑
方差标准化方法对参数进行标准化处理。图3以样本点数为横坐标，归一化的值为纵坐标，反映了4种状态下合闸电流信号的11个特征参数的变化趋势。
[0096]
从图3可以看出，每个特征参数对断路器运行状态反映趋势和规律性不同，有些对故障状态不敏感的参量增加了计算的负担，应该滤除，所以采用pca法对特征参数矩阵进行降维处理，以提取特征参数的有效信息。
[0097]
采用pca法对信号进行如下处理：用均值
‑
方差法对所有信号进行标准化，消除不同量纲之间的差异。求取特征参数矩阵的协方差矩阵。求取协方差矩阵的特征值和特征向量，按从大到小的顺序对特征值进行排列，得到对应的特征向量。求取主分量和主分量贡献率。主分量为按照顺序排列后的特征向量，主分量贡献率为每个主分量所包含有效信息的比重，主分量贡献率＝特征值/∑特征值。
[0098]
图5为11个主分量贡献率和主分量累积贡献率，将其绘制成曲线如图6所示，可以更直观地表示单个主分量贡献率和主分量累积贡献率的规律和特征。pca本质上是将方差最大的方向作为主要特征，方差越大，说明在该方向上变化越明显，在向量重构过程中贡献率越大，所以将重构分量按照方差从大到小的顺序排列，选取累计贡献率不小于95％的前n个主分量。由图6可知，前3个主分量的累计贡献率达到了97.84％，所以选取前3个主分量作为新的特征向量来表征原信号。部分主分量特征如图8所示。
[0099]
取断路器正常状态、合闸弹簧疲劳、传动机构松动和控制回路电压低4种状态的合闸线圈电流信号各30组，经pca降维，得到120
×
6的特征矩阵，每种状态对应30
×
6的特征矩阵。选取前24组数据用于训练，后6组数据用于测试，选用径向基核函数对样本进行支持向量分类训练，构造4个“一对三”的svm，得到分类结果如图7所示，正确率为91.67％，效果良好。
[0100]
本实施例具体的，分别对原局部特征、pca降维后的局部特征、原综合特征和pca降维后的综合特征用svm进行分类识别得到结果如图9所示；将原局部特征与pca降维后的局部特征的分类识别结果进行对比，将原综合特征与pca降维后的综合特征的分类识别结果进行对比，以判断pca降维后的特征向量在分类正确率和程序运行时间上都具有明显的优势，说明pca在保证信号有效信息的基础上可以剔除冗余成分，提高计算效率；在传统电流特征向量基础上加入全局特征，组成综合特征，对于断路器状态识别效果更好，有效提高了分类正确率。