基于改进仿射传播聚类的高压断路器故障诊断方法与流程

本发明涉及电气设备及电气工程领域,尤其涉及一种基于改进仿射传播聚类的高压断路器故障诊断方法。

背景技术：

高压断路器是由保护与控制装置驱动去隔离故障元件的关键设备，在电力系统中起着保护与控制双重作用，是最重要的电力设备之一。断路器的不正确动作会引发电网事故或扩大事故范围，甚至导致电力系统瓦解，造成重大经济损失，因此对其进行在线监测与故障诊断对于提升电网运行的可靠性与稳定性具有现实意义。

调查报告显示，造成断路器故障的原因很多，其中机械故障(包括操作机构和控制回路)占全部故障的80％以上。而断路器跳/合闸线圈电流信号提取方式简单同时不会降低原有设备的可靠性。并且分析线圈电流特征可以有效识别断路器控制回路和操作机构中出现的各类故障征兆。近年来，越来越多先进的智能算法已被用于实现各种电力设备的故障诊断，也为断路器的故障诊断提供了一种新的途径。

但是，应用智能算法需要提前收集完备的线圈电流训练样本。而目前可收集到的断路器故障样本数量较少，且很难收集到所有可能发生的故障类别的样本。因此现有的断路器故障诊断方法在小样本条件下诊断正确率不高。同时已有的诊断方法大多基于监督学习算法，这类算法只能诊断训练样本中已经包含的故障类别，当遇到训练样本中所不包含的未知故障样本时，会错误的将其归类到某一种已知故障类中。因此，研究具有更高适用性与准确性的断路器故障诊断方法，对保证电力系统安全稳定运行具有十分重要的意义。

技术实现要素：

针对上述问题，本发明提出一种基于改进仿射传播聚类的高压断路器故障诊断方法。本方法首先应用改进的仿射传播聚类算法对线圈电流训练样本进行聚类，获得高质量的聚类个数与聚类中心。并通过计算待测样本与各聚类中心的相似度，判断该样本属于正常、某一类已知故障或是一种未知故障类别。不仅克服了传统方法无法有效识别未知故障的不足，而且在小样本条件下仍具有较高的诊断准确率。为实现上述目的，本发明采取以下技术方案：

一种基于改进仿射传播聚类的高压断路器故障诊断方法，包括下列步骤：

(1)收集训练样本数据

收集断路器正常和各类故障状态下的线圈电流波形特征值样本共n个组成训练样本集合x＝{x1,x2,……,xn}；

(2)应用改进仿射传播聚类算法对训练样本集合x进行聚类，计算过程如下：

(2.1)确定聚类算法内的相关参数：

确定样本集合x中的样本个数n以及各样本维度m；确定首选项p的扫描空间与扫描步长pstep；宽度系数σ的扫描空间与扫描步长σstep；确定仿射传播聚类最大迭代次数t；聚类阻尼因子η；确定高斯常数σs，评估指标权重ζ；

(2.2)构造相似度矩阵

基于样本集合x与参数pl、σl根据下式构造相似度矩阵sl，其中pl为首选项p的扫描空间中某一步的取值，σl为宽度系数σ扫描空间中的某一步取值：

式中d(x1,x2)为样本x1与x2间的欧式距离；

(2.3)将相似度矩阵作为输入数据进行仿射传播聚类，对sl进行聚类；

(2.4)计算聚类结果综合评估指标

聚类结果综合评价指标ocq表示为：

ocq＝ξ×cmp+(1-ξ)×sep

式中：cmp是聚类密集性指标；sep是聚类临近性指标；ζ是平衡聚类密集性与聚类临近性的权重，ocq越小代表聚类中心与结果质量越高；

聚类结果ch的聚类密集性指标表示为：

其中c是聚类个数，var(x)为簇内方差，计算公式为：

其中，是x的均值，d是矢量之间的距离，计算公式为：

其中x1k是x1中第k个特征量，x2k是x2中第k个特征量

聚类结果ch的聚类临近性sep指标表示为：

其中为σs高斯常数，oi为聚类ci的聚类中心；

在所有的聚类结果中，选择综合评估指标最小时对应的聚类结果作为最优聚类结果，从而获得最优聚类中心及最优宽度系数；

(3)判断测试样本故障类别

计算测试样本与各个最优聚类中心的相似度；若相似度结果中最大值小于预定阀值则确定其属于训练样本中不包含的未知故障；若相似度结果中最大值大于预定阀值则可确定该训练样本属于相似度结果最大值对应的聚类中心所表示的故障类别。

本发明针对传统断路器故障诊断方法存在的缺陷，提出了一种基于改进仿射传播聚类的高压断路器故障诊断方法。与现有技术相比具有以下优点：

(1)本发明方法基于断路器跳/合闸线圈电流特征进行故障诊断。相较于其他方法，线圈电流信号采集较为容易，且精确度高，其特征可以更为有效地反应断路器运行状态。同时通过对原有聚类算法的改进，使其在处理线圈电流训练样本时聚类效果更好，聚类准确率与聚类中心质量均得到提高。

(2)与现有方法相比，本发明方法在断路器线圈电流训练样本数量较少的情况下，诊断准确率更高。

(3)本发明方法克服了传统方法无法有效识别训练样本中所不包含的未知故障类别样本的缺陷。

附图说明

图1断路器跳/合闸操作过程中的线圈电流波形与特征值示意图。

图2改进仿射传播聚类算法流程图。

图3基于改进仿射传播聚类算法的故障诊断流程图。

图4不含未知故障样本时本文方法与传统监督学习算法的故障诊断结果对比图。

图5含未知故障样本时本文方法与传统监督学习算法的故障诊断结果对比图。

图中标号说明：

图1中t0为线圈电流开始上升时刻，t1与i1分别是线圈电流波形中第一个波峰的时刻与电流大小，t2与i2分别是线圈电流波形中第一个波谷的时刻与电流大小，t3与i3分别是线圈电流波形中停止上升时刻与该时刻的电流大小，t4是线圈电流停止上升之后开始下降的时刻，t4是线圈电流下降为0的时刻。

图2中x是线圈电流特征量训练样本集合，i是迭代次数，s是相似度矩阵，ocq是聚类结果综合评价指标

图3中c是最优聚类个数，oi为各聚类中心，ρi为测试样本x与oi的相似度系数。λ为阀值常数。

具体实施方式

下面结合附图和实施例对本发明的进行详细的描述。

一种基于改进仿射传播聚类的高压断路器故障诊断方法，主要利用待测断路器线圈电流特征量样本与由改进仿射传播聚类生成的高质量聚类中心样本比较相似度实现断路器故障种类的判别，其具体步骤如下：

(1)收集训练样本

如图1所示，本实施例中每一个断路器跳/合闸操作过程中的线圈电流波形样本包含8个特征量，其中包括3个电流特征量与5个时间特征量。其中t0为线圈电流开始上升时刻，t1与i1分别是线圈电流波形中第一个波峰的时刻与电流大小，t2与i2分别是线圈电流波形中第一个波谷的时刻与电流大小，t3与i3分别是线圈电流波形中停止上升时刻与该时刻的电流大小，t4是线圈电流停止上升之后开始下降的时刻，t4是线圈电流下降为0的时刻。收集正常与各类故障下的断路器线圈电流特征量样本共n个组成训练样本集合x＝{x1,x2,……,xn}。

(2)应用改进仿射传播聚类算法对训练样本集合x进行聚类，计算过程如下：

(2.1)聚类相关参数确定

确定样本集合x中的样本个数n以及各样本维度m。确定首选项p的扫描空间与扫描步长pstep；宽度系数σ的扫描空间与扫描步长σstep。确定仿射传播聚类最大迭代次数t；聚类阻尼因子η。确定高斯常数σs，评估指标权重ζ。

(2.2)构造相似度矩阵

基于x与参数pl、σl根据式(1)构造相似度矩阵sl。其中pl为首选项p的扫描空间中某一步的取值，σl为宽度系数σ扫描空间中的某一步取值。

式中d(x1,x2)为样本x1与x2间的欧式距离。

(2.3)应用仿射传播聚类对sl进行聚类

(2.4)计算聚类结果综合评估指标

为了综合反应聚类密集性与聚类临近性，聚类结果综合评价指标(ocq)表示为：

ocq＝ξ×cmp+(1-ξ)×sep(2)

式中：cmp是聚类密集性指标；sep是聚类临近性指标；ζ是平衡聚类密集性与聚类临近性的权重。ocq越小代表聚类中心与结果质量越高。

聚类密集性(cmp)是一种有关聚类内方差的测量，方差越小，说明数据集的同一性越高。聚类结果ch的聚类密集性指标可表示为：

其中c是聚类个数，var(x)为簇内方差，计算公式为：

其中n是x的总个数，是x的均值。d是矢量之间的距离，计算公式为：

其中是x1中第k个特征量。

聚类临近性(sep)是一种有关聚类之间有效分开的测量，反比于聚类间的距离，所以聚类临近性越小越好。聚类结果ch的聚类临近性(sep)指标可表示为：

其中为σs高斯常数，oi为聚类ci的聚类中心。

(3)判断测试样本的故障类型

(3.1)计算测试样本与各聚类中心的相似度

测试样本xnew与各聚类中心oi的之间的相似度ρi可以通过式(13)计算：

其中σc为改进仿射传播聚类输出的最优宽度系数。由此可知ρi的取值范围是在-1与0之间。ρi越大代表xnew与oi越相似，即xnew属于oi所代表的断路器状态的概率越大。

(3.2)为了可以有效识别新样本是否为新的故障类别，在相似度系数ρi基础上引入阀值常数λ。对于一个给定的新样本xnew与已知运行状态的聚类中心oi，xnew是否为未知故障可通过下式进行判断：

若xnew为正常或已知故障，可通过式(15)判断其属于第j类运行状态。

若xnew为未知故障类别，定义其为第c+1类故障，之后经过工作人员的后续分析给出故障原因，最后作为已知故障聚类中心添加到的聚类中心库oi+1中，从而达到识别未知故障样本的效果。

步骤(2.1)中，阻尼因子η取0.5。评估指标权重ζ取0.5。高斯常数σs取0.71。最大迭代次数t取100次。

步骤(3.2)中，阀值常数λ取-0.5。

本实施例中，选用zn42-27.5型号高压真空断路器，提取电流大小和时间特征量，获取30组典型的断路器合闸线圈电流特征量样本，每个样本包含8个特征量。所使用的样本集合包含了断路器6种工作状态，分别为正常n、操作电源电压过低f2、铁心卡f2、操作机构有卡涩f3、铁心空行程过大f4、辅助开关接触不良f5。

1)验证诊断方法的有效性

从30组数据的样本库中抽取了包含4种运行状态(n、f1、f2、f3)的11个样本作为训练样本集合。同时抽取另外10组样本，其中包含5种运行状态(n、f1、f2、f3、f4)，作为测试样本集合。其中训练样本集合中不包含f4类故障的样本，因此相对于上述训练样本集合，f4类故障的测试样本属于未知故障类别样本。

在聚类过程中，为了验证所提改进仿射传播聚类方法的优越性，分别使用所提方法与原始仿射传播聚类方法对上述11个样本组成的训练样本集合进行聚类，结果如下：

所提方法准确将训练样本分为4组，且分类的准确率为100％。所输出的最优聚类中心oi样本编号为1、4、7、10，如表1所示；同时输出的最优参数pc为-1.1、σc为0.71。

表1改进仿射传播聚类输出的聚类中心

而原始的仿射传播聚类则将样本错误分为5组，聚类中心为1、4、7、8、10，聚类准确率为91％。由此可以看出本发明中对仿射传播聚类做出的改进可以有效的提高聚类断路器线圈电流样本的准确率。

在故障诊断过程中，分别将测试样本与两种聚类方法算出的聚类中心oi计算相似度，根据式(13)(14)(15)进行测试样本的故障诊断，结果如表2所示：

表2测试样本与聚类中心的相似度的与诊断结果

从表2中可以看出，使用所提出的故障诊断方法，测试样本与聚类中心的相似度结果中最大值可有效反应测试样本的运行状态。并且，训练样本中只包含了类别为n、f1、f2、f3的聚类中心。当测试的样本与这些聚类中心相似度均小于阀值λ时，算法也可有效识别出未知类别故障f4。而原始仿射传播聚类方法因其给出了错误的聚类中心，在此基础上得到的故障诊断结果也出现了错误。因此，所提出的方法相较于原始方法具有更高的断路器故障诊断准确性。

2)未知故障的识别能力

为了充分体现本发明在故障诊断过程中识别未知故障样本方面的优越性，采用bp神经网络算法(一种目前常用的监督学习算法)对同样的训练样本集合训练后进行故障诊断与本发明所提出的故障诊断方法进行对比，结果如表3所示：

表3本文方法与bp神经网络方法故障诊断结果对比

从表3中可以看出，bp神经网络方法虽然可以准确识别前8个测试样本的类别，但由于其不具备辨别未知故障样本的能力，因此错误的将9号与10号样本归为正常状态。而所提方法则准确识别了包括已知故障与未知故障在内的所有类型的样本。因此，相较于传统的监督学习方法，所提方法可以有效识别未知故障类型。

3)小样本下的故障识别性能

为了测试所提方法在训练样本数量较少情况下的故障识别性能，逐渐减少训练样本数量，同时选择了三种常用的监督学习方法(k最邻近、bp神经网络和支持向量机)进行对比仿真。分别对测试样本不含未知故障与包含未知故障两种情况进行了仿真，仿真结果如图4与图5所示。

从图4与图5可以看出，相较于传统监督学习方法，所提方法在训练样本数量减少的情况下，仍能保持较高的诊断准确率。特别是当测试样本包含未知故障时，训练样本数量仅为12个的情况下，所提方法的诊断正确率仍为100％，而同样的条件下传统方法的识别率最高仅为78％。因此，所提方法相较于传统方法在小样本条件下具有更好诊断准确性。