一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法，针对高压断路器操作机构状态评估过程中线圈电流特征量维数过高的问题，提出了一种基于皮尔森相关系数的特征量优化方法。利用提取的线圈电流特征量构造皮尔森相关系数矩阵，通过分析线圈电流8个特征量间的相关性，并进行特征量优化，得到具有较高分类能力的特征量。将优化后的特征量输入神经网络进行高压断路器操作机构的状态评估，可简化评估过程的计算量和计算时间。实例分析表明特征量优化方法有效降低了特征量的维数，简化了分类器结构，并以较少特征量达到了较理想的高压断路器操作机构状态评估效果。
1.一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法，其特征是：该方法包括如下步骤：
(1)根据高压断路器操作机构动作特性测试设备检测得到操作机构分合闸线圈电流的波形曲线，通过分析断路器操作机构分合闸线圈电流波形变化情况，把波形曲线分为5个变化阶段，从曲线上提取8个数据作为曲线的特征数据，8个特征量数据分别是线圈电流参数{I1，I2，I3}和时间参数{t1，t2，t3，t4，t5}，I1为分合闸线圈电流波形第一个拐点对应的电流值，I2为分合闸线圈电流波形第二个拐点对应的电流值，I3为分合闸线圈电流波形第三个拐点对应的电流值，t1,t2,t3,t4,t5分别为分合闸线圈电流波形第一个拐点，第二个拐点，第三个拐点，第四个拐点和电流下降到0时对应的时刻；
通过操作机构动作特性测试设备得到线圈电流波形，并提取各状态下线圈电流8个特征量，下面利用皮尔森相关系数分析8个特征量间的相关性，得到具有较高分类能力的特征量：①线圈电流特征量的提取，其步骤包括：a、对采集的线圈电流原始信号进行小波去噪处理，消除干扰信号，得到去噪后的线圈电流信号；b、采用小波变换检测信号突变点，提取线圈电流波形的8个特征量；通过小波变换得到8个特征量，维数较高，使得状态评估过程相对复杂，而这些特征量之间具有一定的相关性，可以对其进行降维优化处理，利用皮尔森相关系数可以发现一系列变量中彼此相关的变量，剔除相关性较高的变量，达到降维优化的目的；首先构造特征量矩阵M，M为：其中，xij为特征量，i＝1..m，j＝1…n，m为样本数，n为特征量数；特征量间的皮尔森相关系数计算方法如下：
式中， 分别表示两特征变量的均值，Mki,Mkj为两特征变
量大小；rij表示两个特征变量间线性相关强弱的程度，rij的绝对值越大表明变量间相关性越强，当rij＝0时，表明两特征变量不相关；根据式(2)计算特征量矩阵M中每一列间的皮尔森相关系数，得到矩阵M的皮尔森相关系数矩阵P为：③将优化后的特征量输入神经网络进行高压断路器状态评估。
2.根据权利要求1所述的基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法，其特征是：所描述的对采集的线圈电流原始信号进行小波去噪处理和采用小波变换检测信号突变点提取特征点，得到线圈电流波形的8个特征量，包括三个电流量I1、I2、I3和五个时间量t1、t2、t3、t4、t5,这8个特征量包含了线圈电流波形的所有关键信息。
3.根据权利要求1所述的基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法，其特征是：所描述的特征量优化是将提取的8个特征量经归一化处理后，利用皮尔森相关系数矩阵分析方法对上述8个特征量进行相关性分析，得到线圈电流特征量的皮尔森相关系数；通常认为皮尔森相关系数值大于0.5为显著相关，小于0.5为低度相关，从线圈电流波形特征量中去除相关性很高的特征量，只保留不相关的特征量来最大程度代表线圈电流特征。
4.根据权利要求1所述的基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法，其特征是：将优化后的特征量输入神经网络进行高压断路器状态评估，最终简化了分类器结构，以较少特征量反映高压断路器操作机构状态。
一种基于分合闸线圈电流特征量优化的高压断路器操作机构
状态评估方法
技术领域
[0001] 本发明涉及高压断路器操作机构故障诊断领域，是基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估。
背景技术
[0002] 高压断路器是电力系统重要的保护和控制设备，其运行可靠性直接影响电网运行的可靠性，高压断路器的可靠运行对电力系统的正常运行发挥着至关重要的作用。据权威机构调查结果表明各种高压断路器故障中机构故障所占比例甚至高达40％左右，所以操动机构的可靠性是影响高压断路器可靠性的关键因素之一。高压断路器操动机构的状态监测是提高高压断路器操作机构可靠运行的有效方法，分/合闸线圈电流波形能够准确地反映高压断路器操动机构的部分运行状态，因此提取线圈电流波形的特征量对高压断路器操动机构状态评估具有重要的意义。目前提取线圈电流波形特征量的方法缺乏对特征量间的关系和重要程度分析，提取的特征量也未经优化，使得状态评估过程复杂。因此限制了对断路器操作机构运行状态的进一步分析，所以对提取的特征量数据进行降维优化处理，剔除具有较强相关性的特征量，从而解决了特征量间相关性较强及计算复杂的问题，使得高压断路器操作机构状态评估结构更加简单；
[0003] 高压断路器操作机构线圈电流波形可以反映分合闸电磁铁本身及所控制的锁闩或阀门以及与之相连的开关操动机构、辅助触点在操作过程中的工作情况。操作机构分合闸过程的工作原理相同，其线圈电流波形也类似。这里以合闸线圈电流波形为例进行分析。
[0004] 操作机构合闸线圈电流典型波形如附图1所示，根据合闸线圈电流波形可将电磁铁动铁芯的运动过程分为5个阶段，分别为：
[0005] t0～t1阶段：t0时刻，合闸线圈通电，线圈中有电流通过，由于此时电流较小，所产生的磁通也较小，动铁芯受到的电磁力不足以使动铁芯运动，故动铁芯位置保持不变。此时气隙最大，电感最小。该阶段线圈电压越大，其电流上升的斜率越陡，达到电流峰值的时间越短，电流的峰值也就越大；控制回路电阻越大，其时间常数就越小，线圈电流上升斜率将变小，使得达到电流峰值的时间延长，峰值电流将随着变小；空行程越大，动铁芯的电感越小，时间常数也就越小，电流上升的速度也随着加快，电流峰值将增大；
[0006] t1～t2阶段：t1时刻，动铁芯开始运动。随着铁芯的运动，磁路气隙减小，气隙磁阻减小，线圈电感增大，线圈电流逐渐下降。t2时刻，铁芯运动速度达到最大，铁芯运动到位，撞杆撞击合闸触发器，停止运动。如果动铁芯存在卡涩，将延长t0～t1的持续时间；电磁铁的动静铁芯吸合不好(结合平面不干净或结合面不平)将会延长t1～t2的持续时间。根据此阶段持续时间及电流波形变化情况可以分析判断动铁芯的运动部件是否存在卡涩、脱扣或释能机械负载变化等故障；
[0007] t2～t3阶段：t2时刻，动铁芯运动到位，撞杆撞击合闸触发器停止运动，储能机构开始释放储能，进而高压断路器动触头开始动作。此阶段动铁芯不动，磁路气隙不变，磁阻不变，电感为常数。线圈电流按指数规律上升，经过电流上升的暂态过程后，电流不再增加，进入稳流阶段；
[0008] t3～t4阶段：t3时刻，高压断路器动触头开始动作，线圈电流近似稳态。t4时刻高压断路器辅助开关触点断开线圈电源电压。该阶段线圈电流I3、I4的大小可反映线圈电压及控制回路电阻的大小；
[0009] t4～t5阶段：t4时刻，高压断路器辅助触头切断线圈回路直流电源，在辅助触头之间产生电弧并被迅速拉长，电弧电压升高，使电流减小，直到电弧熄灭，线圈电流减小为零。如果辅助开关触点无法正常转换，则不能切断线圈电源，将使线圈一直通电，最终烧坏线圈；
[0010] 根据上述线圈电流波形分析，线圈电流能反映高压断路器部分运行状况，可以通过对操作机构分/合闸线圈电流波形的监测及分析，评估高压断路器操作机构运行状态。
[0011] 发明内容本发明的目的是提供一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法。分析特征量间的关系和重要程度，对特征量进行降维优化处理，简化高压断路器操作机构状态评估过程。上述的目的通过以下的技术方案实现：
[0012] 1.一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法，其特征是：该方法包括如下步骤：
[0013] (1)根据高压断路器操作机构动作特性测试设备检测得到操作机构分合闸线圈电流的波形曲线如图1所示，通过分析断路器操作机构分合闸线圈电流波形变化情况，把波形曲线分为5个变化阶段，我们可以从曲线上提取8拐点数据作为曲线的特征点数据，即线圈电流参数{I1，I2，I3}和时间参数{t1，t2，t3，t4，t5}；
[0014] (2)分合闸线圈电流特征量优化
[0015] 通过操作机构动作特性测试设备得到线圈电流波形，并提取各状态下线圈电流8个特征量，下面利用皮尔森相关系数分析8个特征量间的相关性，得到具有较高分类能力的特征量：
[0016] ①线圈电流特征量的提取，其步骤包括：a、对采集的线圈电流原始信号进行小波去噪处理，消除干扰信号，得到去噪后的线圈电流信号；b、采用小波变换检测信号突变点，提取线圈电流波形的8个特征量；
[0017] ②通过小波变换得到8个特征量，维数较高，使得状态评估过程相对复杂。而这些特征量之间具有一定的相关性，可以对其进行降维优化处理。利用皮尔森相关系数可以发现一系列变量中彼此相关的变量，剔除相关性较高的变量，达到降维优化的目的。首先构造特征量矩阵M，M为：
[0018]
[0019] 其中，xij为特征量，i＝1..m，j＝1…n，m为样本数，n为特征量数。特征量间的皮尔森相关系数计算方法如下：
[0020]
[0021] 式中， 分别表示两特征变量的均值，xij∈[-1,1]，i，j＝1…n， Mki,Mkj为两特征变量大小。rij表示两个特征变量间线性相关强弱的程度，rij的绝对值越大表明变量间相关性越强，当rij＝0时，表明两特征变量不相关。根据式(2)计算特征量矩阵M 中每一列间的皮尔森相关系数，得到矩阵M的皮尔森相关系数矩阵P为：
[0022]
[0023] ③将优化后的特征量输入神经网络进行高压断路器状态评估。
[0024] 有益效果：
[0025] 提取高压断路器操作机构合闸线圈电流信号中的8个特征量作为原始特征数据，通过皮尔森相关系数得到能表征线圈电流的主要特征量，去除了原始特征参量中的冗余信息，明确了对状态分类有较重要意义的特征参量，建立神经网络，对操作机构状态进行评估。经实例分析证明此方法可以评估高压断路器操作机构的部分运行状态。该方法具有一定的实用性，可应用到具体的工程实践当中。附图说明：
[0026] 附图1是本发明高压断路器操作机构合闸线圈电流的标准波形图；
[0027] 附图2是本发明高压断路器操作机构状态评估的仿真实验流程图；
[0028] 附图3是本发明实际分类与预测分类对比图。具体实施方式：
[0029] 实施例：
[0030] 在某高压断路器操作机构生产厂家进行高压断路器故障模拟实验，以型号为LW34-40.5的弹簧操作机构为研究对象。提取小波去噪后的线圈电流特征量作为操作机构状态评估的特征量。共提取35组样本数据，可表征的高压断路器操作机构状态有机构正常(A)、操作电源过低(B)、合闸铁心开始阶段有卡涩(C)、操作机构有卡涩(D)、铁心空行程过大 (E)、辅助开关动作接触不良(F)6种状态。利用皮尔森相关系数矩阵分析方法对上述8 个特征量进行相关性分析，通常认为相关系数值大于0.5为显著相关，小于0.5为低度相关，从表1中合闸线圈电流特征量的皮尔森相关系数可以得出，{I1，I2，I3}、{t1，t2，t3}及 {t4，t5}三个集合分别具有很高的相关性。因此，只需要选择I1、t1和t5三个特征量就能最大程度代表线圈电流特征，计算特征量间的皮尔森相关系数结果如表1所示，表2为提取的合闸线圈电流测试样本特征量及所对应的高压断路器操作机构状态类型。
[0031] 表1合闸线圈电流特征量的皮尔森相关系数
[0032] I1 I2 I3 t1 t2 t3 t4 t5
I1 1 0.9247 0.9623 0.2435 0.3686 0.3585 0.4414 0.3785
I2 0.9247 1 0.9442 0.2046 0.2624 0.2960 0.4070 0.3036
I3 0.9623 0.9442 1 0.3636 0.4529 0.4636 0.5068 0.4332
t1 0.2435 0.2046 0.3636 1 0.9050 0.9800 0.7496 0.7502
t2 0.3686 0.2624 0.4529 0.9050 1 0.9256 0.6084 0.6179
t3 0.3585 0.2960 0.4636 0.9800 0.9256 1 0.7884 0.7951
t4 0.4414 0.4070 0.5068 0.7496 0.6084 0.7884 1 0.9746
t5 0.3785 0.3036 0.4332 0.7502 0.6179 0.7951 0.9746 1
[0033] 表2合闸线圈电流测试样本特征量及所对应的高压断路器操作机构状态类型[0034]序号 I1/A t1/ms t5/ms 状态标签
1 1.62 24.57 50.02 A
2 1.61 24.51 50.30 A
3 1.61 29.99 56.08 B
4 1.60 30.10 56.00 B
5 1.60 24.28 54.39 C
6 1.59 24.25 54.29 C
7 1.23 23.93 50.01 D
8 1.29 23.76 49.98 D
9 1.60 24.12 49.77 E
10 1.60 24.05 49.69 E
11 1.61 23.88 52.20 F
12 1.63 23.91 52.11 F
[0035] 在MATLAB环境中构造神经网络，其中，输入节点层数为3，隐含层节点数为2，输出层节点数为6。从35组数据中选取23组数据的I1、t1和t5作为训练集，剩余12组数据(如表2所示)中的I1、t1和t5作为测试集，仿真实验流程图如附图2所示。使用训练好的神经网络对测试集样本进行分类测试，测试集共12组数据，其中正常状态2组、每种故障状态两组数据，与训练集数据不重叠，实际分类与预测分类对比测试结果如附图3所示。从附图3可以看出，测试集中12组测试数据分类结果与实际类别的分类结果一致。表明经皮尔森相关系数降维优化后的线圈电流特征量能实现对高压断路器操作机构状态正确评估。
