摘要：配電開關設備結構復雜，發生故障時不僅查找機構卡澀點位困難、原因分析與處理須要花費大量的檢修時間，還缺乏對驅動機構卡澀隱患的提前預警措施，給配網運維和檢修工作帶來很大負擔。該項目通過分析儲能電機運作時的電流波形，利用自身正常狀態波形與不同狀態波形進行相似性度量，設定邊界閾值，從而實現對配電開關的正常、卡澀和斷線情況進行辨識，實現故障的智能診斷，提升運維智能化水平。

關鍵詞：配電開關；卡澀點位；智能診斷

中圖分類號：TP311" 文獻標志碼：A

0 引言

隨著社會不斷發展，人們日常生活和生產對電力的依賴越來越強。配電網作為電力網絡的最后環節，一旦發生故障停電，將直接影響客戶的正常生產和生活。配電開關作為電網中的重要組件，容易因驅動機構和電路的銹蝕、老化而導致電機燒毀、開關拒動，進而引發大面積停電事故。此外，配電站內開關設備零件眾多、結構復雜，查找機構卡澀位置、原因分析與處理需要花費大量檢修時間^［1］。目前，配電開關設備故障判斷的主要原理是在操作控制回路上安裝電流互感器，通過電流采樣數據與閾值比對進行故障預警。傳統閾值判斷準確度差，無法針對故障現象及原因進行有效判斷。對開關機構儲能電機運行過程中信號的分析，多數通過信號時域分析，易受電磁干擾影響準確度，無法有效提高運維效率^［2］。因此，本項目創新性地提出了免閾值自適應診斷法，該方法通過信號時域和頻域故障特征信號提取，構建六氟化硫（SF6）開關故障診斷應用算法模型。與傳統SF6開關故障的閾值判斷方法相比，該方法能準確定位故障原因，智能自動識別故障原因及類型，能對開關運行健康狀態進行準確評估和預警。

1 國內配電開關柜設備離線檢測常用方法

1.1 基于合／分閘線圈電流檢測法

基于合/分閘線圈電流檢測法是一種在電力系統中監測和診斷斷路器狀態的重要方法。斷路器的合閘和分閘線圈是高壓斷路器的首級控制元件。當控制回路的繼電器接到指令使分合閘線圈通電時，線圈中的電流產生電磁力，驅動鐵芯（頂桿）運動，觸動彈簧機構的脫扣裝置或直接驅動動觸頭，從而實現合閘或分閘操作。該方法通過檢測斷路器在合閘或分閘過程中的線圈電流波形，來分析判斷斷路器的運行狀態和潛在故障^［3-4］。

1.2 基于合／分閘行程和速度檢測法

基于合/分閘行程和速度檢測法是一種評估斷路器性能的重要方法。在合閘和分閘時，動觸頭會經歷一定的行程，以特定速度運動。這些行程和速度參數能夠直觀反映斷路器機械部件的工作狀態和性能。該方法通過測量斷路器在合閘和分閘過程中的行程和速度，來分析判斷其機械性能、動作特性以及潛在故障。

1.3 基于振動信號檢測法

振動信號檢測法是一種高效且非接觸的故障診斷技術。通過在關鍵位置安裝振動傳感器，實時采集設備運行過程中產生的振動信號，對這些信號進行詳盡分析與處理，可以準確識別開關設備中的故障^［5］。

2 配電開關故障智能診斷裝置系統方案

本項目采用傳感技術、單片機技術、通信技術，結合現代通信自動化技術旨在對帶有直流儲能電機配電開關中的儲能電機卡澀情況進行研究。該項目通過分析儲能電機運作時的電流波形，利用自身正常狀態波形與不同狀態波形進行相似性度量，設定邊界閾值，從而辨識配電開關的卡澀情況。該項目基于辨識算法，開發一套配電開關故障智能診斷裝置，實現配電開關卡澀故障在線診斷，為電力系統生產管理與設備狀態檢修提供信息與依據，實現智能運檢。配電開關故障智能診斷裝置系統方案設計如圖1所示。

配電開關故障智能診斷裝置由儲能電機高速采集電流互感器、配電開關故障智能診斷裝置、通信網關和智能監測終端組成。其中，儲能電機高速采集電流互感器采用開口設計，負責采集儲能電機在動作時的電流波形，將采集結果傳送至配電開關故障智能診斷裝置。診斷裝置記錄配電開關每次動作時儲能電機電流波形，將電流波形變化數據進行本地濾波分析處理打包、邊緣診斷故障判別、配電開關故障智能診斷分析，通信網關再將數據結果通過無線通信上智能監測終端。監測終端不僅能夠實現主動預警，還可以供用戶查看設備運行詳情、電流波形數據曲線報表及設備運行狀況、設備運行時間段內的歷史數據，自動生成歷史曲線圖和將查詢結果以列表方式顯示或打印，以供分析之用。

3 配電開關故障智能診斷軟件算法

本項目研究基于一維卷積神經網絡（1D Convolutional Neural Network，1DCNN）和門控循環單元（Gated Recurrent Unit，GRU）融合故障特征提取算法，通過對開關機構儲能電機運行過程中電流信號時域及頻域分析，提取出故障特征信號，分析不同故障狀態下信號的差異，實現對配電開關設備運行健康感知。

3.1 CNN原理

卷積神經網絡（Convolutional Neural Network，CNN）作為一種強大的表征學習模型，廣泛應用于機器視覺與自然語言處理領域，其獨特之處在于能夠從輸入的多樣化信息中高效地提取高階特征^［6］。在機器視覺方面，CNN尤為擅長，其中二維卷積神經網絡（2DCNN）是圖像識別及視覺化處理的關鍵工具，而一維卷積神經網絡（1DCNN）則專長于時間序列數據的處理。CNN的內部結構精密而高效，由輸入層起始，隨后是交替出現的卷積層與池化層，最后是全連接層與輸出層，這一架構如圖2所示。在卷積層中，不同尺寸的卷積核被用來遍歷輸入數據，以捕捉并提取局部特征。池化層通過數據壓縮技術，有效降低了信息的維度，同時保留了關鍵特征，這一過程循環進行，確保了特征的有效提取與保留。全連接層作為特征整合的橋梁，將來自卷積層與池化層的分布式特征展平為一維向量，為后續的分類、回歸等任務提供基礎。CNN的設計哲學之一在于局部特征提取與參數共享，這不僅增強了網絡對局部信息的敏感度，還顯著減少了所需的權重數量，極大地降低了計算復雜度與參數冗余，使得CNN在處理大規模數據集時依然能夠保持高效與準確^［7-8］。

3.2 GRU原理結構

GRU和長短期記憶網絡（Long ShortTerm Memory，LSTM）作為循環神經網絡（Recurrent Neural Network，RNN）的先進變種，專為處理序列數據而設計。它們有效解決了傳統RNN在捕捉長期依賴時面臨的長期記憶喪失及反向傳播過程中的梯度爆炸問題。這2種網絡通過引入門控機制替代了標準RNN中的簡單隱藏單元，使得網絡能夠智能地選擇性地保留重要信息并遺忘無關信息。與LSTM相比，GRU在結構上更為簡潔，它采用更新門（zt）和重置門（rt）的" 組合，替代了LSTM中更為復雜的輸入門、遺忘門與輸出門體系。這種設計不僅減少了需要訓練的參數數量，還在保持與LSTM相當預測精度的同時，實現了更快的收斂速度，使得GRU成為處理序列數據時一個既高效又強大的選擇。傳統RNN結構與GRU結構如圖3所示（a）RNN，（b）GRU^［9］。

3.3 SF6開關故障診斷模型結構

本項目所用模型如圖4所示，由1DCNN單元、GRU單元和全連接單元組成，細分為輸入層、卷積層、池化層、GRU層與輸出層。配電開關的電機電流曲線作為1DCNN單元的輸入并通過卷積層進行特征提取，保留其大部分的輸入曲線特征，再通過池化層對提取到的特征曲線進行降維處理，而后作為GRU單元的輸入數據，提取該特征曲線中蘊含的規律并進行時間和空間上的信息讀取、消化與記憶，通過全連接層進行分類、輸出。

該融合提取方法同時具備卷積神經網絡和門控循環單元的優點，依靠卷積神經網絡來挖掘特征并通過GRU記憶特征之間的關系，在較少的深度和較短的訓練時間內達到良好的分類效果。同時，該方法是一種端到端的學習模型，通過1DCNN自動挖掘提取電機電流數據的深層特征。相較于傳統的閾值計算法，SF6開關故障診斷模型結構無須通過人工編程計算提取特征再分析，實現了免閾值自適應計算，能夠快速、準確地識別配電開關的運行狀態，指導運維人員在最短的時間內排查出安全隱患，最大程度上保障電網穩定、安全運行。

4 裝置實驗結果

配電開關故障卡澀是指在配電系統中，開關操作時感到卡滯或不流暢的現象，這可能會導致設備操作困難、設備損壞或電氣系統故障。為了驗證本項目所設計的開關故障智能診斷裝置，通過使用帶有直流儲能電機的配電開關柜，模擬出配電開關故障卡澀和正常運行的情景，測出不同情況下的信號波形，測試結果如圖5所示。從測試結果可以看出，本項目設計的故障診斷裝置能夠有效地識別RM6電機卡澀、ELE-12彈簧卡澀、ELE-12齒輪卡澀等故障。當發生卡澀故障時，監測終端能夠發出報警提示并給出卡澀故障程度。卡澀故障程度電流波形如圖5（c）和5（b）所示。

5 結語

為了有效識別和預防開關柜卡澀故障，本項目通過實地考察配電開關柜的動作特性，研究了電機電流的開關故障特征提取方法以及SF6開關故障的智能識別與診斷算法，構建了配電開關卡澀故障在線診斷終端的結構模型算法。結合先進的傳感技術、單片機技術、通信技術和現代通信自動化技術，文章設計了配電開關故障智能診斷裝置。與傳統SF6開關故障的閾值判斷方法相比，該診斷裝置具有準確定位故障原因的能力，能夠有效識別配電開關的正常、卡澀、電機電源斷線以及分/合閘線圈電源斷線，為電力系統的生產管理與設備狀態檢修提供信息與依據，實現智能運維分析。

參考文獻

［1］劉絢琛.配電網自動化開關故障的處理及預防措施［J］.光源與照明，2022（7）：183-185.

［2］謝智勇.電力開關設備中的故障檢測與智能診斷技術研究［J］.中國設備工程，2024（7）：174-176.

［3］杜小康，陳志英.高壓斷路器合（分）閘線圈電流信號特征值提取方法研究［J］.電氣應用，2018（15）：26-30.

［4］莊瑞鋒，陳麗安，肖梁賢.基于變分模態分解的高壓斷路器合分閘線圈電流特征值提?。跩］.高壓電器，2022（4）：145-150.

［5］陸佳其，張云，羅明，等.斷路器機械故障振動信號檢測系統研究［J］.電力設備管理，2020（2）：123-124.

［6］胡海彬，劉仁鑫，劉日龍，等.卷積神經網絡在機械故障診斷中的應用綜述［J］.機械工程與自動化，2024（4）：221-223.

［7］徐玉珍，鄒中華，劉宇龍，等.基于多尺度卷積神經網絡和雙注意力機制的V2G充電樁開關管開路故障信息融合診斷［J］.中國電機工程學報，2024（8）：1-12.

［8］遲國峰.基于BP神經網絡的高壓開關柜機械故障智能診斷分析［J］.中國機械，2023（31）：77-80.

［9］王長江，張千龍，姜濤，等.基于圖卷積網絡和雙向門控循環單元的電力系統主導失穩模式辨識［J］.中國電機工程學報，2024（9）：1-12.

（編輯 王永超）

Research on intelligent diagnosis device for power distribution switch faults

LIN" Zhibing， KE" Yongqin， CHEN" Youheng， CHEN" Tianpeng， GUO" Shiwei

（State Grid Fujian Electric Power Co.， Ltd.， Putian Power Supply Company， Putian 351100， China）

Abstract：" The structure of distribution switchgear is complex. When a fault occurs， it is difficult to locate the points of mechanical sticking， and the analysis and handling of the causes require a significant amount of maintenance time. Additionally， there is a lack of early warning measures for the hidden risks of sticking in the drive mechanism， which places a heavy burden on the operation and maintenance of the distribution network. This project analyzes the current waveform during the operation of the energy storage motor， utilizing the normal state waveform and different state waveforms for similarity measurement， and setting boundary thresholds to identify the normal， sticking， and disconnection conditions of the distribution switchgear. This enables intelligent diagnosis of faults and enhances the level of intelligent operation and maintenance.

Key words： power distribution switch; stuck points; intelligent diagnosis