神经网络在高压断路器故障诊断中应用的发展现状综述.doc

《神经网络在高压断路器故障诊断中应用的发展现状综述.doc》由会员分享，可在线阅读，更多相关《神经网络在高压断路器故障诊断中应用的发展现状综述.doc（15页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流神经网络在高压断路器故障诊断中应用的发展现状综述.精品文档.神经网络在高压断路器故障诊断应用中的发展现状综述【摘 要】高压断路器在电网中起着控制和保护的双重作用，是电力系统中非常重要的开关设备之一。 高压断路器的故障或事故会导致电网事故或扩大电网事故范围，甚至会引起电力系统网络的崩溃，造成相当大的经济及其它方面的损失。因此，对高压断路器状态检测方法和故障诊断技术进行深入的研究，有利于实现科学的状态检修，最大限度地提高电力系统运行的可靠性。而针对神经网络在故障诊断中的优势，提出将人工神经网络技术应用于高压断路器故障诊断的研究，具有比较深远的意义

2、。 本文通过全面介绍高压断路器在线监测技术与故障诊断技术，从而体现出神经网络在高压断路器故障诊断中如何应用，以及其应用方法与优点。【关键词】神经网络、故障诊断、断路器、在线监测、故障诊断；引言在电力系统中，高压断路器数量最多、检修量大、费用高。就单台设备而言，断路器是仅次于发电机和变压器的大型电力设备，但就需要数量和所占电站设备的投资大小而言，它排在两者之前。断路器的检修是建立在定期的停运检修制度，这种预防性的检修主要是在设备交接和停电时结合大、小修进行预防性试验，检修其绝缘状况和操动机构的机械特性，维修也只是采用预防性的维修，即定期更换零部件进行大修的方法。这种方法不能够及时地发现故障异常的

3、征兆，盲目性大，经常性的检修还会降低断路器的机械寿命，同时大面积的停电还会带来许多的损失。有关统计表明，变电站维护费用的一半以上是用在高压断路器上，而其中 60%又是用于断路器的小修和例行检修上。目前相对保守的计划检修，缺乏一定的针对性。因此，及时了解断路器的工作状态、故障部位，减少过早或不必要的停电检修，降低维修费用，提高检修的针对性，可显著提高电力系统可靠性和经济性。断路器的检测技术大体上经历了从离线测试、周期性在线检测、长期在线检测的发展过程1。与发电机、变压器、电容性设备相比，断路器的在线监测技术的研究起步较晚。在电力系统中，可能是由于断路器的造价与发电机、变压器等昂贵电力设备相比较为

4、便宜，也可能是由于其故障时所造成的危害不如电容性设备严重，虽然在变电和配电中，它所造成的非计划停电事故无论从时间和数量上远远高于其它电力设备，但直到 90 年代后期断路器在线监测技术才逐渐发展起来2。1. 在线监测技术的发展现状 随着电压等级的提高，高压断路器中的介质需要满足更严格的要求，油、真空和SF6高压断路器的应用使得其维修变得相当困难。20世纪60年代中期，基于SF6全封闭式组合电器(GIS)技术的应用，导致其核心元件-高压断路器的检修变得愈发困难，因此十分有必要对其进行在线监测以降低维修量和维修费用。20世纪90年代，美国和日本率先开始研究断路器的状态检测技术，该技术逐渐受到电力、科

5、研、运营和工程维护人员的重视，并开始成为国际上的热点研究课题。美国学者通过研究首先发现了开断电流会影响断路器的电寿命，并在此基础上引入了“灭弧触头电寿命”的概念来完善断路器电寿命的描述，此阶段的土作重心主要是对断路器的“状态检修”的研究。在研究“状态检修”之前，是通过事后维修和预防性的定期检修来维护断路器的。而“状态检修”可根据在线状态监测和离线监测所得的数据信息，提前预测到断路器的状态变化趋势。该检修方式具有及时性和针对性，既能提高设备的利用率，又能大大降低检修费用。20世纪90年代，随着半导体及一系列新的监测技术的快速发展，运用于断路器的在线监测也变得可能。有关资料显示，1992年，美国的

6、Grizzly变电站在500kV的断路器上首次使用了ALSTOM公司开发的控制与监测系统。到了1990-2000年，ALSTOM公司又研发出了更为先进的CBWatch-1监测系统，该系统的优点是能根据测量数据预测内部SF6气体的压力变化趋势，并相应的发出低压警报。 时至今日，针对高压开关设备机械特性的在线监测技术己经在某些发达国家发展得较为成熟了，并已有了性能相对稳定、功能较为齐全的产品。如美国CEI公司开发的SF6系列断路器监测器能够实时监测SF6气体压力和温度，同步计算气体密度，监视内部的加热器、气体/液体压力、操作电流及分合闸线圈的运行状态，并推测SF6气体泄漏趋势和其他故障隐患;美国德

7、克萨斯电力公司通过使用便携式的断路器故障分析仪，对断路器进行周期性的检测试验，从而得知操动机构响应特性的变化情况。ABB公司将温度传感器和感应式位移传感器应用在了新型中压开关柜上，它能检测出断路器储能状态、二次回路完好状态及分合闸位置情况;德国西门子公司生产的高压断路器和GIS设备上搭载了在线监测子系统;德国的频谱化学研究所中央实验室所开发的“离子迁移率频谱仪”现已应用于巴西电力部门。2. 故障诊断技术的发展现状 故障诊断与在线监测紧密相连，它通过接收采集并预处理的数据信息，运用各类诊断技术，找出测量信号与故障之间复杂的对应关系。故障诊断的输入信号一般由以下几方面组成:分合闸线圈电流、动触头的

8、行程特性和速度、断路器振动信号和分合闸时间的同期性。故障诊断主要由两方面组成:特征参量的提取和状态的识别。2.1 特征参量的提取特征参量的提取是诊断的关键步骤，是对数据的必要处理。一般提取方法有傅里叶变换、小波变换、小波包分解等等。近几年来，断路器的状态特征参量的提取方式趋于多样化。Glinkowski对状态特征参数的提取方法做了一些总结，主要有振动信号分析法、分合闸线圈电流波形分析法、触头行程时间波形分析法等。其中基于振动的分析处理方法成为了主流方法。(1) 针对振动信号的分析方法 现阶段普遍采用时域法、频域法和综合的时频域联合分析法。它们各有特点，其中时域法简单直观，成为了首选方法。而频域

9、法和时频域联合分析法由于巨大的计算量使得其一般用于较高要求的故障诊断中。Runde等人于1996年通过加窗快速傅里叶变换来分析处理振动信号，获得了正常状态及异常状态的时间偏移估计值，将该值与参考值比较得出结果，取得了较好的效果。也有文献采用动态时间规整算法(DTW)，由于高压断路器振动波形具有重复性且特异性的特点，所以该算法通过比较待测波形与参考波形时间特征量相似程度来获得诊断结果。 为了准确地检测出高压断路器的故障类型，文献【3】创新地把振动信号通过经验模态分解(EMD)法来进行处理，并将处理得到的固有模态函数(IMF)能量墒值当做特征向量来进行故障诊断。在进行的仿真实验中，依此方法分别提取

10、了正常状态和故障状态下振动信号的IMF能量墒值作为特征向量，将得到的数据用来训练径向基神经网络。此方法为基于振动信号的断路器故障识别提供了一条新的思路。伴随着高压断路器机械故障的出现，不仅会引起振动冲击事件的时移，还会引起时域波形中一些波峰幅值的变化。文献【4】以径向基神经网络(RBF网络)理论为基础，比较正常工作时的振动信号和断路器实时振动信号，选取两者的波峰幅值之差及发生冲击事件的时间点为断路器故障诊断的特征参数，通过RBF神经网络的故障识别处理之后，就可以判断断路器是否存在故障及存在故障时故障的类别形式。 由于测量到的振动信号常常夹杂着各种干扰信号，文献【5】通过小波分析对提取的振动信号

11、进行降噪处理后，再结合希尔伯特变换来提取降噪后的信号中处于低频和高频之间的包络部分，然后对其进行频谱分析并提取它的能量特征。通过实验证明，此方法能有效的提取高质量的高压真空断路器的机械振动信号，为故障诊断提供更加精确的原始数据。针对振动信号特征提取的问题，文献【6】对信号的加工处理提出了两种新的方法:分别为小波奇异性指数分析法和小波包能量谱分析法。通过以上两种方法处理振动信号，处理结果显示:小波奇异性指数分析法中信号的奇异性指数和信号局部奇异性特征吻合得十分出色，以此奇异性指数会随着故障引起的信号波形局部包络波峰的变动而发生相应改变;小波包能量谱分析法中信号可按照任意频率处理，并能分配到十分精

12、细的频带，使得频率分辨率得到提高，并且故障类型不同，其在对应各频带上的能量比值就会不同。(2) 针对其他测量信号的分析方法文献【7】通过提取分合闸线圈电流时间参数和电流参数中的特征量，对高压断路器进行了故障诊断分析。文献【8】提取了线圈电流曲线中的五个时间参数、三个电流参数和触头的状态信号等特征值，以此建立了机械故障诊断模型。通过分析动触头行程的变化，可得到很多故障信息。将动触头的行程随时间变化的曲线结合其他参数便可从中提取机械动作的参数，一般可结合分合闸操作时动触头的运动时间、动触头行程、动触头运动的平均速度和最大速度等9。文献【10】将小波变换应用于提取含有干扰信号的断路器动触头行程信号之

13、中，它有效且精准地得到了断路器分合闸时间和速度，并且该过程不会对信号产生失真，以此能很好的反映断路器的运动状态，以此作为断路器在线状态监测和故障诊断的数据基础。文献【11】利用弹簧操动机构中的储能系统和脱扣机构中电磁铁线圈的电流波形作为监测信号，通过对信号的分析处理，实现了各功能单元的设计。文献【12】对检测到的振动信号进行聚类小波包分解，然后利用熵理论得到代表信号的特征熵，最后利用神经网络进行分类，从而可以进行断路器的故障诊断。2.2状态识别和故障诊断趋势分析 故障检测的一般过程是将通过信号处理后的特征参数与正常情况下的参数或标准参数进行对比，从而确定断路器的工作状态以及是否存在故障，若存在

14、则判定故障的类型和性质，若不存在则预测在该状态下可能的状态发展趋势，做出综合评估报告。 现有的故障诊断技术一般分为两大类:一类是数学诊断方法，即通过将设备和实际情况进行数学建模，通过各种优化方式进行数学运算，最后得出诊断结果。一般包括Bayes决策判据基于距离判别的诊断法、基于概率统计的时序模型诊断法、基于判别函数的模式识别法、故障树诊断法、灰色系统诊断法和小波分析法;另一类是智能诊断法，即通过模仿各种高级智能的识别、判断方法，建立相应的模型来完成诊断。一般包括专家系统、遗传算法、神经网络、模糊逻辑法、粗糙理论集和数据融合等。最初的诊断方法是通过比对直接测量到的系统输入/输出信号和正常信号，若

15、差值超过了一定的限度，则可能出现了故障，该方法仅能确定设备是否发生了故障，而判别故障类型及产生位置还需要结合工作人员长期的运行经验来加以分析。后来随着技术的发展，人们对采集到的信号做了简单处理后，得到了关于信号变化率和系统效率的特征量，在一定程度上改进了诊断功能。以上所述的故障诊断方法，主要是通过由有关专家定期的对设备进行预防性试验，并适当更换相应的部件和检查操动机构的机械性能等来实现的。 由于表征断路器的大量机械测量参数都能够用数值直接进行表示，故在诊断方法中统计过程的控制方法得到了很多应用。机械参数一般有分合闸速度、分合闸时间、分合闸同期性、刚分合速度、最大速度、平均速度、触头开距、触头行

16、程、超程和触头分闸反弹幅值等。几十年以来，针对高压断路器的故障诊断技术由简单信号的测量发展到了人工智能和人机协作的程度，在诊断方便程度、准确度和速度上都大有提高。有文献通过故障树的概念将二值或多值推理引入专家系统，同时在复杂可编程逻辑器件(CPLD)上应用了门电路推理，门电路最终应用在高压断路器的故障诊断之中。2.3基于神经网络的故障诊断技术发展现状近几十年来，人工智能技术在故障诊断上的应用得到了飞速发展。人工智能就是通过对人思维活动的模拟，核心是对大脑的模拟，分为功能模拟和结构模拟。功能模拟即通过模仿人思考方式和解决问题的思路，以此来进行故障诊断;结构模拟是指将机器的结构建造得和人脑在一定程

17、度上相似，使得机器也有类似人类处理问题的“思维”。结构模拟中的代表技术就是人工神经网络(ANN)。学者们在20世纪50年代发明了感知机模型，这便是神经网络的雏形。之后，Dual T.Werbos提出了反向传播算法（Backprogapation），而据此形成的BP神经网络掀起了神经网络的研究高潮。神经网络的运算处理单元由于模拟人脑的神经元，所以具有并行、分布式处理的特点和强容错性的优点。由于其适用于很多领域，故近年来越来越受到重视，并且在各个领域的应用逐渐加深。在故障诊断领域也有相关研究，如东北大学、西安交通大学等将神经网络技术成功融于了大型旋转机械的故障诊断。 80年代末期，神经网络开始正式

18、应用于设备的故障诊断。美国普渡大学于1989年将人工神经网络应用于设备故障诊断中，并研究了其性能。诊断对象是一个流化态催化裂化单元的故障，测量了18种特征量，对应有13种故障，隐层的节点数为527个。该诊断方法基于反向传播算法，优点是能准确诊断出94%98%的故障，不足是诊断时间过长，且网络需要提前训练，实时性差。简单来说，神经网络进行故障诊断就是将故障信号与故障类型正确匹配，然而这两者之间的关系常常不是简单的一一对应关系，并且输入量不是布尔量而是连续值，这就大大增加了故障识别的难度。虽然研究难度大，但是神经网络与专家系统相比，还是具有一些优点:（1）神经网络通过改进后能进行实时运行，对故障快

19、速做出反应。 (2)专家系统不能使用直接测量到的时间序列数据，而神经网络则可以直接利用信号进行诊断，不需要再转化成符号信息了。人工神经网络的网络模型有很多种，如感知器网络、线性网络、BP网络、径向基函数网络(RBF网络)、自组织网络、回归网络等。一般采用的是基于BP算法的前向多层感知器网络，它在故障诊断领域中得到了最广泛的应用，但BP网络用于函数逼近时，权值的调节采用的是负梯度下降法，这种调节权值的方法有它的局限性，即存在着收敛速度慢、容易陷入局部极小和推理能力比较差等缺点，从而极大地限制了神经网络方法在故障诊断领域中的实际应用而RBF神经网络在逼近能力、分类能力和学习速度等方面均优于BP网络

20、，而且在用于对具有复杂函数关系的问题作泛函逼近时，也具有较高的精确度。近年来，基于神经网络的故障诊断技术取得了一定的进展，但还是有一些问题需要进步的研究，具体如下所述:（1） 在神经网络的模型中，选取多少隐层层数及每层的隐单元数量才能使神经网络既能符合诊断要求，又能不致占用过多的时间和存储空间;设定多大的迭代步长才能控制误差且节约时间;(2) 同时诊断多种故障时，故障之间的组合会使得搜索空间变得巨大，以致大大增加了神经网络的工作量，甚至有时不可实现。因此需要一种优化算法解决这种“组合爆炸”的问题。3. 人工神经网络展望 人工神经网络或许无法代替人类的大脑，但是它拓展了人们对外部环境的认识与控制

21、能力。它特有的非线性适应性信息处理能力，使之在智能控制、组合优化、预测等领域得到成功应用，成为一门独具特色的信息处理学科。 人工神经网络的发展有如下趋势:人工神经网络正向模拟人类认知的道路上深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向;在现代神经科学研究成果的基础上，试图用模拟神经网络加工、记忆信息的方式，制造各种智能机器;神经元网络的实现是其广泛应用的前提，是软件与硬件的有效结合，可以针对网络材料和功能结构，研究更简洁高效的网络结构，同时扩大神经元芯片的作用范围;利用光电结合的神经计算机，创造出功能更全，应用更广的人工神经网络，提高其信息处理能力，

22、进一步优化从理论到实际的实现13。 随着人工神经网络不断的发展，其在高压断路器故障诊断的应用也会更广泛、更有效；对建立完整的断路器的停运检修制度有更大的帮助；使电力营运损失更少，节省更多的资源；对进一步提高人们的用电水平有重要应用意义。参考文献【1】 苗红霞.高压断路器故障诊断.北京:电子土业出版社，2011,1-7【2】 黄凌洁.高压断路器状态监测与故障诊断方法的研究:（北京交通大学硕士论文）北京交通大学，2007,2-6【3】 陈伟根，邓帮飞，杨彬.基于振动信号经验模态分解及能量墒的高压断路器故障识别.高压电器，2009(02): 90-93, 96【4】 胡晓光，王建颐，刘桂芝等.基于振

23、动信号高压断路器故障诊断的仿真研究.哈尔滨土业大学学报，2001(04): 530-533【5】 赵洋，刘汉宇，曾庆军.基于机械振动信号的高压真空断路器故障诊断研究. 高压电器，2010(02):4651【6】 王晓波.基于振动信号的高压真空断路器故障诊：（北京交通大学硕士论文）北京交通大学，2010,21-38【7】 罗小安.基于径向基神经网络的高压断路器故障诊断应用研究:（西南交通大学硕士论文）.四川:西南交通大学，2007,38-42【8】 胡晓光，孙来军，纪延超.基于线圈电流和触点状态的断路器故障分析.电力自动化设备，2006（08）：5-7【9】 IEEE Std C37.10.1.

24、IEEE guide for the selection of monitoring for circuit breakers. New York: Institute of Electrical and Electronics Engineers, 2011【10】 奕鑫，乐秀播，李卫良等.基于小波变换的断路器在线状态监测研究.电力学报，2007（04）：447-449, 485【11】 丁文俊.高压断路器状态监测系统的研究与开发:浙江大学硕士论文.浙江:浙江大学，2006,42-48【12】 Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks .Int J Adv Manuf Technol (2009) 42:145151 DOI 10.1007/s00170-008-1563-9【13】 毛健，赵红东，姚婧婧. 人工神经网络的发展及应用. 电子设计工程, 1674-6236(2011)24-0062-04