基于SOM方法的高壓斷路器機械故障診斷方法研究

趙虎，崔建強，古浩原

(西南交通大學電氣工程學院，四川 成都 0610031)

1 引言

斷路器(CB)作為電力系統最重要的設備之一，掌握其運行狀態是相當重要的。因此，圍繞各類斷路器狀態評估問題，各種在線和離線測量方法被用來對其做出針對性的研究[1]。監測目的是為了掌握重要設備運行狀態。然而，斷路器運行狀態復雜，其在不同時期可能需要承載額定電流、短路電流、環境溫度變化，并且其操作情況各異。

根據第一次國際大電網會議調查結果(CIGRE)表明，機械故障是影響斷路器運行的主要故障[2，3]。第二次國際大電網會議調查結果表明控制與輔助電路故障占主要故障的29%，次要故障的20%。基于調查結果，CIGRE第13.06工作組在其提交報告中指出:“迫切希望改進控制和輔助回路可靠性”[3，4]。在線監測技術的進一步實踐應用，反映設備狀態的信息也隨之增加，雖然直觀的設定檢測內容閾值方便易行，但并針對所有設備設定統一界限并不完全可行，而對各設備分別設定限值不能直接評估設備狀態。因此對于新的檢測數據的需要有更加明確地理解。

針對檢測數據記錄可以看作樣本空間(粗糙集等分析法)或者粒子空間(貝葉斯網絡或支持向量機方法等)，這兩種數據模式均需在有監督的情況下進行分類研究，但監督的前提條件是要確定故障模式的信息，然而有經驗獲得的邊界條件信息會使分析方法分析結果與設備真實狀態存在較大差異[5]。

近年來越來越多的基于智能算法被研究并應用于設備故障診斷，自組織競爭網絡作為一種神經網絡聚類方法，除了基本的分類功能，并且其可以實現檢測數據可視化，可以更加方便的分析設備狀態，是一種很有潛力的故障診斷方法。雖然其存在著很好的優越性，但是自組織競爭網絡并不能發現噪聲點，并且較多神經元的網絡會產生過多聚類，并不實現故障分類的要求。

本文采用U矩陣方法獲得斷路器輔助控制單元狀態分類可視化圖，樣本分析結果表明本方法有很高的狀態判斷準確性，并且具有很好的可視化效果。提出Ward-SOM方法對檢測信號進行故障診斷分析。

2 SOM網絡

自組織映射(self-organizing map SOM)網絡是由芬蘭赫爾辛基大學Kohonen教授于1981年提出的競爭式神經網絡，也常被稱為Kohonen網絡。經過30年的發展，其已被廣泛應用于數據可視化，知識獲取，模式識別，和過程監控等領域。使用Kohonen網絡進行故障診斷的特點是:如果輸入數據隨時間按某個統計變化，則系統能夠自動適應這種變化，并且能繼續模擬當前輸入模式數據的分布。當網絡學習過程中出現未考慮的情況時，網絡也能正確診斷，并可以將新數據及時并入網絡，實現網絡的自適應診斷。Kohonen網絡的速度非常快，即使在訓練過程中也如此。因此，Kohonen網絡故障診斷模型已經成為一種很有潛力的故障診斷方法。

圖1 自組織映射網絡模型

2.1 自組織映射算法原理

自組織映射網絡中各神經元節點c均附帶權向量wc=[wc1，wc2，…，wcn]T，由數據空間中隨機獲得數據點x(t)，可以通過式(1)根據輸入數據與各神經元距離比較得到獲勝的神經元v。

隨后獲勝神經元根據式(2)更新權值

其中，α(t)為t時的學習率。

自組織競爭網絡中獲勝神經元相鄰神經元權值按式(3)進行更新

循環式(3)中的步驟直至η(v，k，t)為0為止。

2.2 Ward方法

Ward方法是一種凝聚聚類算法，由于該方法在數據集不是太大的情況下十分有效，因此該方法可以很好的解決實際情況下缺少故障中心聚類的障礙，提高故障診斷正確率，可以完善SOM在無指導情況下的狀態錯誤分類。

該方法應用一種變化分析的辦法去評價聚類之間的距離。該方法將平方距離內部的組合最小化，作為將兩個可能聚類的連接結果，平方的內部組合被定義為聚類中的所有對象與聚類之間質心的平方和。Ward距離(dward)可以表示為:

式中r和s代表兩個特定的聚類;nr和ns分別代表在兩個聚類中的數據點數量;xr和xs是兩個聚類重心是歐幾里德距離。隨著兩個數據點的數據增加，數據之間的距離也增加，Ward距離也增加，聚類之間的距離也增加，在聚類的每一個階段上合并產生最小距離尺寸的兩個聚類，可以通過式(5)計算合并聚類平均數同時將新的距離尺寸更新。

在訓練過的SOM上使用時，通過單獨神經元和在映射中和是鄰點的聚類進行合并，可以映射內部聚類的均勻性[6]。

2.3 U-矩陣方法可視化

自組織競爭網絡可以高維數據降維，但其數據間關系不能通過神經元間距離表征，需要借助于其他方法才可以實現可視化。通過U-矩陣方法實現訓練的SOM網絡實的可視化。如圖1所示的SOM網絡，競爭層的神經元以二維平面矩陣形式分布。計算其中的各神經元與其所有相鄰近神經元權向量之間的歐氏距離，取這些距離的平均值或最大值或某一函數值作為該神經元的“U值”。計算出所有競爭層神經元的“U值”矩陣。具體采用U可視化SOM網絡的訓練結果時，結合競爭層的拓撲結構，將U矩陣值作為神經元的第三維坐標，在三維空間繪出了網絡競爭層的結構，通過觀察高峰、低谷等等的分布來顯示網絡聚類訓練結果，或將神經元第三維坐標用灰度表示。U矩陣即是一種用灰度圖來實現可視化的方法[6，7]。

3 斷路器狀態在線監測信息

對控制電路與輔助觸點進行監測可以得到與斷路器機械狀態相關的時間信號，斷路器機械狀態可以通過這些由輔助電路和輔助接觸監測取得的信號進行分析做出評判。監測開合閘點數電流是一種相對簡單易行的方法。監測線圈通電后吸收電流并對信號進行比較，可以得到斷路器狀態的有效信息。

斷路器輔助控制電路的簡化模型如圖2所示。其操作機構包括分閘控制電路和合閘控制電路。分閘電路包括分閘線圈(TC)和斷路器輔助觸點(52a)。合閘電路包括分閘線圈(CC)和一個保持電路。斷路器開合操作時由控制室發出控制操作信號。通過控制輔助觸點與控制繼電器保證操作信號發出后線圈(TC，CC)保持通電。線圈通電后鐵芯運動斷開閂鎖，并觸發開合閘操作機構。與此同時，當鐵芯在碰到閂鎖時線圈電流達到最大值。隨著鐵芯加速運行線圈電流短時內減小。隨后儲能機構釋放能量，機械操作機構動作式斷路器完成分閘或合閘操作。隨后，輔助觸點(52a)與(52b)改變狀態。

圖2 斷路器輔助控制電路

電流信號節點時間的變化可以表征斷路器機械系統的故障問題，如閉鎖，連接桿故障，潤滑不足等。如果閉鎖潤滑不足，線圈將吸引更多的電流，吸收電流波形中顯示出來。通過對同一個斷路器全壽命周期信號的監測，可以較容易的分辨斷路器運行狀態。輔助觸點信號也包含了很多斷路器機械狀態的信息，結合線圈電流，其可以提供開合時間信息并查出異常次序信息。吸收電流波形可以用來估計斷路器開合行程時間與速度。X與Y輔助觸點可以用來分辨開合次序。同時可以檢測交直流電壓用來保證機械與輔助電路的正常運行。電壓太低可能會引起機械或輔助電路部分的異常運行，甚至導致故障發生。

如圖3，4給出線圈電流脫扣線圈信號特性輔助控制觸點動作時間示意圖。可以看出線圈電流在t1時刻達到局部最大，在t2又減小到局部最小，到t3再次增大，并且由于輔助觸電的動作在t5時減小為零。

圖3 斷路器合閘線圈電流

圖4 輔助觸點分閘時間信號

斷路器輔助控制系統主要狀態可分為:①狀態正常;②合閘鐵心開始階段有卡澀;③操作機構有卡澀;④鐵心空行程過大;⑤輔助開關動作接觸不良;⑥電源供給不足;⑦種設備狀態。

4 方法應用

4.1 故障診斷

本文選取90個樣本訓練作為SOM網絡與Ward-SOM網絡的訓練樣本，利用另外26個故障樣本驗證方法準確性，另外隨機取數組離群信號加入故障樣本。

根據本文中的算法，采用Matlab2010a編寫程序，分別構建了一維和二維神經元的自組織競爭網絡。判正率的結果如表1和表2所示。其中，表1是一維SOM與Ward-SOM算法對狀態分類的判正率，表2是二維不同神經元SOM網絡與Ward-SOM網絡狀態診斷判正率。從分類結果可以看出判正率不但與神經元個數有關，還與維數相關。通過對比相同一維與二維狀態診斷結果可以看出，二維分類結果較一維更好，由于二維映射單元周圍有六個相鄰單元，而一維映射單元僅有兩個相鄰單元，因此二維SOM網絡可以取得更好地聚類結果。通過一維與二維不同神經元個數狀態分類結果可以看出，Ward-SOM網絡有更好的準確分類性能。由于Ward方法可以將單獨的神經元和映射中臨點較近的聚類進行合并，從而很好地解決了當映射網絡結構增大使網絡邊沿的單元歸屬難以正確判別的問題。從而提高了狀態分類的準確率。

表1 一維自組織競爭網絡分類判正率

表2 二維自組織競爭網絡分類判正率

4.2 可視化效果

傳統的多維數據可視化方法如平行坐標法，直觀的通過多個平行坐標軸上表示多維數據如圖5所示，平行軸坐標的優點是可以考查數據的相關性，但隨著樣本數量的增加，這種優點將越來越小。圖5是平行軸坐標表示的分合閘線圈電流信號關鍵時間點。

圖5 分(a)/合(b)閘操作線圈電流時間信號數據平行坐標可視化

圖6 斷路器故障狀態自組織映射網絡U-矩陣可視化分類

可視化效果，雖然可以根據數據分布的區域發現信號隱含的異常行為，但卻并不能直接診斷，也不能確定其所代表的故障類型。圖6是自組織競爭網絡可視化方法，通過本文提出的算法計算獲得檢測信號訓練得到獲神經元所屬狀態區域，顯然可以直觀的區分出檢測信號狀態，并且可以比較直觀的進行狀態識別。圖6(b)中1～6對應前述六種高壓斷路器狀態。

5 結論

本文提出應用SOM方法對控制電路分合閘線圈電流與輔助觸點信號進行分析，并對高壓斷路器輔助機械控制系統進行狀態評估。

(1)本文提出了自組織競爭網絡方法用于斷路器輔助控制單元的故障診斷，該方法對未知故障狀態的發現以及故障狀態分類有著很好的效果。

(2)提出了Ward-SOM解決多神經元聚類邊沿模糊的問題，Ward方法可以將單獨的神經元和映射中臨點較近的聚類進行合并，從而很好地解決了當映射網絡結構增大使網絡邊沿的單元歸屬難以正確判別的問題。相比單純SOM提高了狀態診斷準確性。

(3)通過U-矩陣方法將狀態高維數據可視化，實現高壓斷路器的可視化狀態診斷。

此外，可以通過針對連續檢測信號在自組織映射網絡U-矩陣可視化狀態分類圖中跟蹤其狀態軌跡，可以更好地掌握設備狀態，對異常狀態做出預估。因此，可視化方法有著良好的前景。

[1]Bartosz Rusek，etc，Timings of high voltage circuit-breaker[J].Electric Power Systems Research，2008，78 ：2011 －2016.

[2]G.Balzer，D.Drescher，F.Heil.Neumann，Evaluation of failure data of HV circuit-breakers for condition based maintenance，CIGRE Sessions(2004)：1 －8.

[3]CIGRE，Working Group 13 －09，User guide for the application of monitoring and diagnostic techniques for switching equipment for rated voltages of 72.5 kV and above，2000.

[4]苑舜.高壓開關設備狀態監測與診斷技術[M].機械工業出版社，2001.

[5]熊浩，李衛國，等.概率聚類技術應用于變壓器DGA數據的故障診斷[J].高電壓技術，2008，34(5)：1022 －1026.

[6]史曉霞，陳一民，李軍治.神經網絡在應用科學和工程中的應用－從基本原理到復雜模式識別[M].機械工業出版社，2010.

[7]廖廣蘭，等.基于自組織映射的齒輪箱狀態監測可視化研究[J]機械工程學報，2003，39(12)：99 －102.

[8]Camelia Hora，On a Statistical Fault Diagnosis Approach Enabling Fast Yield Ramp-Up[J]Journal of Electronic Testing：Theory and Applications，2003，19(1)：369 －376.

[9]Dabo Zhang，Wenyuan Li，et al，Evaluating Condition Index and Its Probability Distribution Using Monitored Data of Circuit Breaker[J]Electric Power Components and Systems，2011，39(1)：965 －978.

[10]Satish Natti.Mladen Kezunovic Model for Quantifying the Effect of Circuit Breaker Maintenance Using Condition-Based Data[C].Power Tech，2007 IEEE Lausanne，1 －6.

[11]Hujun Yin.ViSOM － A Novel Method for Multivariate Data Projection and Structure Visualization[J]IEEE Transactions on Power Delivery，2002，13(10)：237 －243.

[12]袁大陸，熊幼京.1994年全國電氣誤操作事故的統計分析[J].電網技術，1996，20(3)：66 －68.

[13]宋杲，崔景春，袁大陸.1999～2003年高壓斷路器運行分析[J].電力設備，2005，6(2)：6 －13.

[14]J.G.Steel，C.Eng.etc，Statistics of circuit-breaker performance[J].PROC.IEE，1970，117(7)：1337 －1345.