基于機(jī)器學(xué)習(xí)算法的高壓斷路器故障診斷研究

張 健，張 朋，宮銘辰，王 悅，陳世玉

(國(guó)網(wǎng)黑龍江省電力有限公司電力科學(xué)研究院，黑龍江 哈爾濱 150030)

高壓斷路器是電力系統(tǒng)中最重要的控制和保護(hù)設(shè)備，其穩(wěn)定動(dòng)作能夠在一定程度上限制事故的擴(kuò)散[1]。隨著技術(shù)的進(jìn)步，對(duì)于高壓斷路器的檢修方式由最初的事故檢修、定期維護(hù)到如今的狀態(tài)檢修，在不增加故障發(fā)生概率的基礎(chǔ)上，又節(jié)約了大量人力物力。狀態(tài)檢修對(duì)于高壓斷路器的異常信號(hào)判斷有非常高的要求，需要能夠及時(shí)發(fā)現(xiàn)異常信號(hào)，并依據(jù)信號(hào)對(duì)可能發(fā)生的故障類型進(jìn)行準(zhǔn)確判斷，方便運(yùn)維人員進(jìn)行檢修[2-3]。

目前，對(duì)于故障診斷的參數(shù)選擇主要集中在線圈電流、振動(dòng)信號(hào)和觸頭位移上[4]。從國(guó)際大電網(wǎng)組織發(fā)布的高壓斷路器故障類型分析中可知，機(jī)械故障是發(fā)生數(shù)量最多的故障[5]。線圈電流能夠反映線圈狀態(tài)，KN圖什工業(yè)大學(xué)的Razi-Kazemi使用線圈電流成功對(duì)鐵芯卡澀和接觸不良故障做出判斷，但對(duì)機(jī)械故障的診斷效果較差[6]。振動(dòng)信號(hào)波形在一定程度上也能夠反映機(jī)械故障，但由于其波形無(wú)明顯規(guī)律，信號(hào)分析和處理較復(fù)雜，故障診斷正確率相對(duì)較低[7]。觸頭位移信號(hào)是最能夠反映機(jī)械故障的信號(hào)，且信號(hào)提取分析方便，利于后續(xù)故障診斷。三峽大學(xué)劉道兵采用隨機(jī)優(yōu)化算法實(shí)現(xiàn)了斷路器的故障診斷[8]。伊朗的Forootani使用拉格朗日法建立了動(dòng)態(tài)模型，揭示了位移曲線的變化與故障原因間的關(guān)系[9]。

然而，由于斷路器故障樣本少、非線性等特點(diǎn)，以上傳統(tǒng)故障診斷方法的效率和準(zhǔn)確性由于方法本身的限制很難進(jìn)一步提高，不利于對(duì)故障快速、準(zhǔn)確識(shí)別。因此開(kāi)展適用于斷路器的故障診斷方法研究，對(duì)高壓斷路器狀態(tài)檢修的發(fā)展具有重要意義。

本文首先對(duì)高壓斷路器位移曲線進(jìn)行分析，對(duì)需要提取的特征參數(shù)進(jìn)行說(shuō)明。結(jié)合支持向量機(jī)(support vector machine，SVM)和Spark技術(shù)，提出了基于機(jī)器學(xué)習(xí)算法的高壓斷路器故障診斷方法。對(duì)方法中涉及到的參數(shù)進(jìn)行選取，并采用實(shí)際數(shù)據(jù)進(jìn)行準(zhǔn)確率分析。最后使用此方法與傳統(tǒng)方法分別對(duì)典型故障進(jìn)行診斷，分析比較診斷結(jié)果。研究成果為高壓斷路器故障診斷提供參考。

1 高壓斷路器位移信號(hào)分析

高壓斷路器位移曲線是反映斷路器觸頭位移特性的信號(hào)，通過(guò)對(duì)曲線分析，能夠得到整個(gè)開(kāi)斷過(guò)程中分合閘操作的時(shí)間、動(dòng)觸頭行程、動(dòng)觸頭的平均速度、動(dòng)觸頭的瞬時(shí)速度等[10]。

以典型合閘位移曲線為例進(jìn)行分析，如圖1所示。觸頭在合閘簧所產(chǎn)生力的作用下從零點(diǎn)開(kāi)始加速運(yùn)動(dòng)，經(jīng)過(guò)前期的加速，后期基本保持勻速在t1時(shí)刻走完額定開(kāi)距S1。此時(shí)觸頭剛剛接觸，為了保證觸頭連接緊密，機(jī)構(gòu)一般會(huì)繼續(xù)運(yùn)動(dòng)一段距離，于t2時(shí)刻到達(dá)S2位置。此時(shí)觸頭緊密連接，但由于機(jī)構(gòu)仍有較高速度，因此會(huì)出現(xiàn)往復(fù)振蕩，最大可到達(dá)S3位置。當(dāng)動(dòng)能轉(zhuǎn)化的機(jī)械力完全釋放后，鐵芯最終在t3時(shí)刻保持在S2的位置，整個(gè)開(kāi)斷過(guò)程結(jié)束。由以上參數(shù)還可以計(jì)算出動(dòng)作過(guò)程中的速度值。

圖1 高壓斷路器典型位移曲線

vmax=max{dS/dt}

(1)

(2)

2 高壓斷路器故障診斷方法

2.1 基于Spark平臺(tái)的機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的思路為通過(guò)不同算法模型對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行訓(xùn)練，如果訓(xùn)練性能滿足要求，則使用該模型對(duì)新數(shù)據(jù)進(jìn)行測(cè)試；如果未能滿足要求，則調(diào)整算法以重建模型并再次訓(xùn)練[9]。得到能夠應(yīng)用于此類數(shù)據(jù)的對(duì)應(yīng)算法，最終使用其預(yù)測(cè)相關(guān)的特征屬性，機(jī)器學(xué)習(xí)過(guò)程如圖2所示。

圖2 機(jī)器學(xué)習(xí)流程

目前，機(jī)器學(xué)習(xí)技術(shù)和方法已經(jīng)在很多領(lǐng)域得到成功應(yīng)用，如語(yǔ)言識(shí)別、機(jī)器翻譯和智能控制等。但由于技術(shù)和單機(jī)存儲(chǔ)容量的限制，傳統(tǒng)的機(jī)器學(xué)習(xí)算法只能用于少量數(shù)據(jù)，且對(duì)于數(shù)據(jù)采樣的要求非常高。但在實(shí)際過(guò)程中，樣本往往很難做到隨機(jī)，導(dǎo)致學(xué)習(xí)模型準(zhǔn)確性不高，影響測(cè)試結(jié)果的準(zhǔn)確性。Spark平臺(tái)本身?yè)碛袛?shù)據(jù)存儲(chǔ)、數(shù)據(jù)查詢與處理、機(jī)器學(xué)習(xí)等功能，同時(shí)還可以調(diào)用第三方框架，能夠?qū)ν暾麛?shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，解決了統(tǒng)計(jì)隨機(jī)性的問(wèn)題[11]。應(yīng)用Spark平臺(tái)進(jìn)行機(jī)器學(xué)習(xí)，需要處理各種數(shù)據(jù)并進(jìn)行大量迭代計(jì)算，Spark提供了一個(gè)基于海量數(shù)據(jù)的機(jī)器學(xué)習(xí)庫(kù)，由一些通用的學(xué)習(xí)算法和工具組成，包括分類、回歸和聚類等一系列算法，以及底層的優(yōu)化語(yǔ)言和高級(jí)API。因此，研究人員只需要有Spark基礎(chǔ)，了解機(jī)器學(xué)習(xí)算法的原理及方法相關(guān)參數(shù)的意義，就可以方便地調(diào)用相應(yīng)的API來(lái)實(shí)現(xiàn)基于各種數(shù)據(jù)的機(jī)器學(xué)習(xí)過(guò)程[12]。

2.2 基于SVM的高壓斷路器故障診斷方法

2.2.1 SVM原理

SVM是基于統(tǒng)計(jì)學(xué)習(xí)的分類方法，其原理是找到1個(gè)最優(yōu)分類線，并以此邊界為條件進(jìn)行分類，如圖3所示[13]。

圖3 最優(yōu)分類面

圖3中圓形和矩形點(diǎn)分別表示2種不同的數(shù)據(jù)，能夠清晰將上述2種數(shù)據(jù)分開(kāi)的線為L(zhǎng)，穿過(guò)離L最近的2種數(shù)據(jù)，且平行于L的直線分別為L(zhǎng)1和L2，其距離為分類間隔。

L即為最優(yōu)分類線，L1和L2上的數(shù)據(jù)點(diǎn)叫做支持向量。這樣在完全分開(kāi)2種樣本的基礎(chǔ)上還保證分類間隔最大，分類線方程為

ω·x+b=0

(3)

可以對(duì)它進(jìn)行歸一化，使得線性可分的樣本集(x1,y1),i=1,2,3，…，n,x∈Rd,y∈{+1,-1}滿足

yi[(ω·xi)+b]≥1,i=1,2,3，…,n

(4)

此時(shí)分類間隔為2/‖ω‖，要令此數(shù)值最大，為了方便，數(shù)學(xué)表示轉(zhuǎn)換為令‖ω‖2最小。

當(dāng)二維空間中不能找到最優(yōu)分類線時(shí)，可以利用核函數(shù)把樣本直接映射到高維特征空間，并在此空間中構(gòu)造最優(yōu)線性分類超平面。核心思想是通過(guò)核函數(shù)將低維空間中的非線性問(wèn)題變?yōu)楦呔S空間中的線性問(wèn)題，分類核函數(shù)的選取是決定分類效果的關(guān)鍵之處。

常用核函數(shù)有以下幾種。

a.線性核函數(shù)(liner)

K(xi,xj)=xi·xj

(5)

K(xi,xj)=[(xi·xj)+1]q

(6)

c.徑向基核函數(shù)(rbf)

(7)

d.Sigmoid核函數(shù)

K(xi,xj)=tan[v(xi·xj)+c]

(8)

經(jīng)過(guò)核函數(shù)轉(zhuǎn)換，此時(shí)目標(biāo)函數(shù)為

(9)

相應(yīng)的分類函數(shù)也變?yōu)槭?10)。

圍繞如何做好“三農(nóng)”工作，習(xí)近平總書記作出了一系列重要論述，提出了一系列新理念新思想新戰(zhàn)略。在黨的十九大報(bào)告中，習(xí)近平總書記首次明確提出了“實(shí)施鄉(xiāng)村振興戰(zhàn)略”并寫入黨章，將它列為決勝全面建成小康社會(huì)需要堅(jiān)定實(shí)施的七大戰(zhàn)略之一；同年的中央農(nóng)村工作會(huì)議中首次提出走中國(guó)特色社會(huì)主義鄉(xiāng)村振興道路，明確了實(shí)施鄉(xiāng)村振興戰(zhàn)略的目標(biāo)任務(wù)；2018年中央又下發(fā)了題為《中共中央國(guó)務(wù)院關(guān)于實(shí)施鄉(xiāng)村振興戰(zhàn)略的意見(jiàn)》的一號(hào)文件，闡述了新時(shí)代實(shí)施鄉(xiāng)村振興戰(zhàn)略的重大意義、總體要求，是新時(shí)代鄉(xiāng)村振興戰(zhàn)略的綱領(lǐng)性指導(dǎo)文件。

(10)

以上就是SVM的原理，其結(jié)構(gòu)如圖4所示。

圖4 SVM結(jié)構(gòu)圖

2.2.2 故障診斷方法

由于高壓斷路器內(nèi)部結(jié)構(gòu)的復(fù)雜性和信號(hào)輸入與故障輸出之間的復(fù)雜性。診斷難點(diǎn)在于輸入與輸出之間不存在一一對(duì)應(yīng)關(guān)系。因此，高壓斷路器故障診斷是一個(gè)反復(fù)試驗(yàn)的過(guò)程，如圖5所示。

圖5 故障診斷流程

3 試驗(yàn)數(shù)據(jù)分析

本文利用Spark平臺(tái)中的機(jī)器學(xué)習(xí)模塊對(duì)數(shù)據(jù)進(jìn)行分析，并用Python語(yǔ)言實(shí)現(xiàn)。首先構(gòu)建Spark聚類系統(tǒng)，在平臺(tái)中使用Spark機(jī)器學(xué)習(xí)導(dǎo)入Python類庫(kù)和數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)包配置所有參數(shù)模塊，進(jìn)一步處理信號(hào)特征數(shù)據(jù)，構(gòu)建改進(jìn)的SVM分類模型。數(shù)據(jù)采用泰開(kāi)某型號(hào)彈簧高壓斷路器分合閘測(cè)試數(shù)據(jù)，在模型訓(xùn)練期間，將80%的樣本數(shù)據(jù)分離為訓(xùn)練數(shù)據(jù)集，將20%的樣本數(shù)據(jù)分離為測(cè)試數(shù)據(jù)集，如表1所示。

表1 輸入特征數(shù)據(jù)(部分)

為了有效分析數(shù)據(jù)，選擇72組斷路器的測(cè)量樣本。由于SVM輸入的4個(gè)特征信號(hào)在算法模型中具有不同的數(shù)量級(jí)，為了使每個(gè)輸入數(shù)據(jù)占據(jù)相應(yīng)的比例，對(duì)72組樣本數(shù)據(jù)進(jìn)行歸一化，并將輸入數(shù)據(jù)輸入模型。

分割完數(shù)據(jù)后，無(wú)法確定哪種算法對(duì)應(yīng)模型的準(zhǔn)確度更高，因此采用10折交叉驗(yàn)證法進(jìn)行算法評(píng)估，參與評(píng)估的算法有線性回歸(LR)、樸素貝葉斯(MNB)和SVM。在不調(diào)參的前提下，比較模型準(zhǔn)確度平均值和方差進(jìn)行算法評(píng)估，結(jié)果如圖6所示。

圖6 算法評(píng)估結(jié)果圖

由圖6可知，3種算法中SVM算法的準(zhǔn)確度更高，分布更密集，說(shuō)明對(duì)相同的數(shù)據(jù)處理結(jié)果更好。以上為模型采用默認(rèn)參數(shù)進(jìn)行運(yùn)算結(jié)果，調(diào)整參數(shù)后可能會(huì)使模型在準(zhǔn)確度和過(guò)擬合能力上保持一定的和諧性。SVM重要的2個(gè)參數(shù)是懲罰系數(shù)C和核函數(shù)kernel，依據(jù)對(duì)這2個(gè)參數(shù)進(jìn)行組合，在C=(0.1，0.3，0.5，0.7，0.9，1.0，1.3，1.5，1.7，2.0)和kernel=(linear, poly, rbf, sigmoid)的情況下，對(duì)這2個(gè)參數(shù)進(jìn)行調(diào)優(yōu)，使最終算法模型對(duì)數(shù)據(jù)處理的結(jié)果準(zhǔn)確度更高，算法調(diào)優(yōu)的對(duì)比結(jié)果如表2所示。

由表2可知，SVM模型準(zhǔn)確度最高的是C=1.3，kernel=rbf，此時(shí)準(zhǔn)確率達(dá)93%。采用以上參數(shù)，對(duì)測(cè)試數(shù)據(jù)進(jìn)行故障診斷，模型輸出的故障診斷的分類結(jié)果如表3所示。

表2 算法調(diào)參結(jié)果

表3 故障診斷分類結(jié)果

由表3可知，SVM模型對(duì)上述3種故障均有較高的識(shí)別準(zhǔn)確率，其中觸頭彈簧準(zhǔn)確率最高，可達(dá)96%；2種分閘簧故障準(zhǔn)確率稍低，但也超過(guò)90%，能夠滿足故障診斷高精度的需求。因此，利用機(jī)器學(xué)習(xí)中SVM搭建的算法模型具有可行性。在訓(xùn)練樣本與測(cè)試樣本相同的情況下，采用傳統(tǒng)LR和MNB分類模型進(jìn)行分析，將運(yùn)行時(shí)間和準(zhǔn)確率進(jìn)行比較，結(jié)果如圖7所示。

圖7 算法對(duì)比柱狀圖

由圖7可知，與另外2種方法相比，SVM模型在高壓斷路器故障診斷中具有更快的運(yùn)行速率和更高的診斷準(zhǔn)確率。運(yùn)行時(shí)間比耗時(shí)最長(zhǎng)的MNB模型少1.45 s，準(zhǔn)確率比最低的LR模型提高12%。

4 結(jié)論

本文將Spark平臺(tái)SVM模型應(yīng)用于高壓斷路器故障診斷，得到了關(guān)鍵參數(shù)配置情況，通過(guò)試驗(yàn)數(shù)據(jù)驗(yàn)證了模型的準(zhǔn)確性，研究結(jié)論如下。

a.對(duì)于判斷彈簧有關(guān)故障，當(dāng)模型中參數(shù)C=1.3，kernel=rbf時(shí)，SVM模型準(zhǔn)確度最高，能夠達(dá)到93%。

b.與MNB、LR模型相比，SVM模型在準(zhǔn)確率與耗時(shí)方面均有較大優(yōu)勢(shì)。其中準(zhǔn)確率最多提高12%，運(yùn)行耗時(shí)減少1.45 s。