基于形态小波和支持向量机的高压断路器状态监测和故障诊断*

董镝，李恒真，易林，王继峰，王云飞，陈斯翔

（1.广东电网有限责任公司佛山供电局，广东 佛山 528000；2.广州华工科技开发有限公司，广州 510000；3.华南理工大学 电力学院，广州 510000）

0 引 言

断路器是电网中的重要设备，起到控制和保护其它输变电设备、保障电网安全稳定运行的作用。随着使用时间的增加，断路器某些重要部件会老化或损坏，如机械机构的磨损、触头的磨损等［1-2］，因此监测断路器的运行状况是非常必要的。传统的计划检修模式存在检修量大、费用高、容易出现检修过剩或者检修不足的现象，而基于状态监测的检修方式可以及时掌握断路器的工作状态，提高检修的针对性，进而提高断路器运行的可靠性和经济性。

由于难以从运行现场的断路器获取大量的状态监测故障数据，目前尚缺乏有效的故障映射知识库［3-4］，针对该情况搭建了一个故障模拟试验平台，并开发了一套基于LabVIEW FPGA数据监测系统对断路器的分合闸线圈电流、储能电机电流、行程时间特性和振动信号等数据进行可靠有效的监测。根据国网电力科学研究院的统计［4］和国际大电网会议（CIGRE）的调查［5］显示，机械故障和控制柜内电气故障占了断路器故障的绝大部分，但相应的故障数据难以获取，本研究对部分常见故障进行了模拟，包括分合闸线圈老化、铁芯空行程不足、铁芯卡涩、传动机构卡涩、弹簧疲劳。

现有的断路器故障诊断方法大部分是针对某一型号的高压断路器的某个状态量进行监测并提取特征量，反映某一类型的故障的状态量比较单一，特征提取手段也比较单一，这样很难及时可靠地诊断断路器的状态［6］，提出了一个将电流信号与振动信号相结合的断路器故障判断方法。

数学形态学是一种非线性的滤波算法［7］，由于其算法简单，运算速度块，近年来已经越来越多的被用到分析电力系统的信号中，本文提出了一种形态开闭加权复合滤波算法对电流信号进行滤波，从故障波形和正常波形的比对中充分挖掘其差异特征量，并利用形态小波分解包含丰富机械信息的振动信号，将不同频段的能量值作为反映断路器状态的特征量，利用支持向量机将电流信号的各差异特征量与振动信号特征量相结合形成多维映射，对断路器的状态进行诊断。

1 断路器故障数据获取

1.1 基于LabVIEW FPGA的断路器状态监测系统

监测系统工作过程为：传感器将断路器的监测参量值转换成电信号，数据经过采集卡A／D转换处理之后上传到实时控制器，同时将数据经过网线送入上位机，通过上位机将数据存储起来，由上位机其他软件（MATLAB）进行后续的数据处理，包括数据的滤波和特征提取等。主要监测内容：分合闸线圈电流、储能电机电流、行程时间特性和振动信号。系统总体结构如图1所示。

图1 系统总体结构图Fig.1 Overall structure of the system

（1）硬件配置

本系统硬件主要包括：高压断路器，传感器，数据采集卡（NI-9203和NI-9234），控制器（NICompactRIO-9068），PC机等。

本试验平台高压断路器采用的是高压交流瓷柱式六氟化硫断路器，该产品额定电压为40.5 kV，采用电磁式弹簧操动机构和智能灭弧室结构，每极为一个断口，为三相机械联动操作，可实现远距离电控和就地手控。图2显示了控制柜内部结构以及传感器安装位置。

图2 试验断路器控制柜内部结构图Fig.2 Internal structure diagram of the circuit breaker control cabinet

（2）系统软件设计

本设计包括数据采集和数据存储显示两部分，数据采集主要由下位机嵌入式NICompactRIO平台实现，将写好的LabVIEW代码编译下载到实时控制器（RT）的FPGA中，利用采集卡I／O模块实现数据的采集。为了采集数据的可靠存储，RT与上位机PC之间采用网络流的方式进行通信，数据通过上位机RT-host.VI程序以同步采样速率将原始数据采用TDMS文件格式存储到PC硬盘。将RT导出的数据经过上位机RT-host.VI程序实时显示，并且可以进行相应的操作。系统监控界面见图3。

1.2 故障模拟

文中主要模拟的故障有分合闸线圈老化、铁芯空行程不足、铁芯卡涩、传动机构卡涩、弹簧疲劳等。方法以及能反映各类故障的状态量如表1所示。

图3 监控界面Fig.3 Monitoring interface

表1 故障模拟方案Tab.1 Scheme of fault simulation

2 基于数学形态学的状态量特征提取

2.1 形态开闭加权复合滤波

变电站现场有较强的电磁干扰，从而导致采集的信号存在较大的噪声，所以对采集到的信号进行快速有效的滤波是非常重要的。

形态滤波是用一个的结构元素去匹配信号的几何形状，通常用来提取信号的形态特征。如果信号中包含与结构元素形态特征一致的特征信息，形态滤波将会将这些特征提取出来，而滤除其他成分［8］。形态学基本算子有腐蚀、膨胀、形态开和形态闭等。

设X（k）和A（t）分别代表原始信号和结构元素，其中结构元素A（t）的长度比X（k）短，腐蚀和膨胀运算的定义如下：

由膨胀和腐蚀运算可得形态开、闭分别为：

形态开、闭运算具有滤波功能。其中，开运算可去掉毛刺和孤立点，滤除信号中的正脉冲噪声；闭运算可填补孔洞和裂缝，滤除信号中的负脉冲噪声，目前运用较多的是由Maragos提出的开-闭和闭-开运算组合而成的形态滤波器：

该滤波器虽然可同时抑制信号中的正、负脉冲噪声，但由于在级联过程中采用了相同的结构元素，导致其只能对一种噪声有较好的滤波效果，而不能很好地处理各种噪声，且开闭运算顺序调换之后滤波效果不是简单的对称关系，所以简单地取两者的平均值会带来较大的误差。因此，在原有的数学形态学开闭运算滤波算法的基础上，提出了一种双结构元素的形态开闭加权复合滤波算法：

式中λ1、λ2为加权系数，且λ1+λ2＝1。为取得较好的滤波效果，通常滤除白噪声使用半圆结构元素，滤除脉冲噪声一般采用三角形结构元素，A、B分别取三角形和半圆形结构元素，经过大量仿真实验验证，λ1、λ2大小分别为0.64和0.36时，能获得较好的滤波效果。图4为滤波前信号和上述形态滤波算法滤波后的信号，通过计算可以发现两者相关系数高达0.958 2，而均方根误差只有0.047 7，很好地满足了降噪要求。

图4 分闸线圈电流及降噪后的波形Fig.4 Current waveform of tripping coil and current waveform after noise reduction

2.2 电流信号多维差异特征量提取

（1）分合闸线圈电流

分合闸线圈电流可以用来判断分合闸线圈回路及相关部件的状态。本文以分闸电流为例，图5（a）给出了正常、分合闸线圈老化、铁芯卡涩、铁芯空行程不足等状态下，分闸线圈电流波形。

根据图中波形的差异，我们可以从中找出如图5（b）所示的差异特征量，分别为3个相对时间参数Δt1＝t1-t0，Δt2＝t2-t1，Δt3＝t3-t2、3个电流参数｛I1，I2，I3｝和电流在t0-t1上的积分S0（相当于铁芯的启动功率）。

图5 不同状态下分闸线圈电流波形及主要差异特征量Fig.5 Tripping coil current waveform under different conditions and characteristic with differences

（2）行程时间信号

行程信号可以用来判断操动机构和传动机构的状态，图6给出了正常、弹簧疲劳、传动机构卡涩等状态下的位移电流波形。

图6 不同状态下位移电流波形Fig.6 Current waveform of displacement under different conditions

根据波形差异，本文提取了3个差异特征量，分别为合闸触头运动时间t5、刚合速度v1和刚分速度v2。

（3）储能电机电流

储能电机电流可以反映储能相关部件的状态，图7给出了正常和弹簧疲劳状态下的储能电机电流波形。

图7 不同状态下储能电机电流波形Fig.7 Current waveform of motor under different conditions

根据波形差异，我们找出了如图所示的两个差异特征量，分别为开始拉动弹簧时电流的斜率、弹簧拉伸至最大时的电流。

2.3 基于形态小波变换（MWT）的振动特征提取

式（5）所示的中值滤波算法中，通过选择不同宽度、不同形状的结构元素，该中值滤波器可以滤除不同频段的高频信息成分，根据这个特性，我们可以选择不同的结构元素对扰动信号进行中值滤波，利用它们之间的差值可以提取出信号不同频段的高频信息成分，具体的高频信息提取算子如下：

由于振动信号中能够反映断路器故障状态的信息主要集中在10 kHz以下高频成分［9］，所以上述算子能够满足振动信号特征信息提取的要求，本文参考文献［10］，选择结构元素为原点在中心且对称的A＝［0，1，1，1，0］和B＝［1，0，0，0，1］，如图8所示。

图8 本文选择的结构元素Fig.8 Structural elements selected in this paper

用上述形态学算子对原始信号X0进行分解［10］，具体分解过程如下：

其中：

2.积极开展活动，增强职工的法制观念。在抓好油区群众宣传教育的现时，还要结合油田当前的改革形势，做好内部广大职工群众的思想教育。一是利用职工学习日、黑板报、宣传栏、讨论会等多种形式，对职工进行形势任务教育。二是通过专题教育活动，在职工中广泛开展普法学习。一方面给职工讲解有关的法律、法规条文，另一方面结合一些典型案例，以案释法，使职工们对法律条文的理解更加深入、透彻。

式中Xj（k）和Yj（k）分别称为信号在第j层分解出的近似信号和高频细节信号。首先利用式（6）计算输入信号X0的近似信号和高频细节信号X1、Y1，然后对第一层近似信号X1做同样的处理。重复上述操作直至第m层，然后我们就可以得到MWT系数矩阵：

本文取m＝4，采样率为25 kHz（满足10 kHz以下特征信息提取），定义高频细节信号Yj的归一化能量值Ej为：

以正常状态和传动机构卡涩为例，它们的振动信号分别如图9（a）、图9（b）所示，它们的4层形态小波分解后各分量的归一化能量值分别如图10（a）、图10（b）所示。

图9 正常状态振动及传动机构卡涩振动Fig.9 Vibration signal under normal conditions nd vibration signal under the condition of transmission mechanism jamming

图10 MWT分量归一化能量值Fig.10 Normalized energy value of MWT component

由上图可知，传动机构卡涩会产生一些高频振动信号，使采集的振动信号在不同频段的高频信号能量值发生变化，因此，我们选择振动信号的4层MWT分量的能量值｛E1，E2，E3，E4｝为差异特征量。

3 基于支持向量机的断路器状态诊断

3.1 基于故障模拟数据的诊断

本文选取支持向量机［11］对所有上述差异特征量进行处理。

（1）通过大量试验并采集充足的电流和振动信号数据，提取相应的16个特征参数作为16维特征向量。表2给出了一组正常工作状态下特征参数值；

（3）对所有的特征向量进行归一化处理，以方便后续数据处理及提高程序收敛速度。将训练集和测试集的特征向量统一进行列归一化；

（4）以训练集的特征向量及对应故障标签对SVM进行训练并寻得最优参数c、g，进而得到最优分类模型。本文采用遗传算法，如图11所示，迭代10次后，遗传算法基本收敛。本文选取的是在第50代得到的最优参数c＝9.896 9、g＝1.165 2。

采用得到的c、g参数建立分类模型，对6种运行状态下共60组测试数据（每种运行状态下各10组测试数据）进行分类，分类结果如图12所示。由图可见，分类模型正确识别了57组正常或故障情况下的断路器状态，准确率为95%。

表2 正常工作状态的各特征值Tab.2 Characteristic values under the normal working conditions

图11 采用遗传算法对、寻优结果图Fig.11 Optimization result using genetic algorithm

图12 对60组测试数据进行分类的结果Fig.12 Classification result on 60 sets of test data

3.2 变电站现场实测数据诊断

变电站现场运行的断路器每年动作次数极其有限，断路器发生故障的概率很低，难以获取断路器的各类型故障数据。佛山西江变电站在2009年做过对分合闸线圈状态监测的项目并在两台40.5 kV断路器上进行试点运行，根据检修记录，我们获取了正常、分合闸线圈老化、铁芯空行程不足、铁芯卡涩四种状态下的分合闸线圈电流和振动信号数据，并利用上述诊断方法对这些数据进行诊断。

图13 变电站现场运行数据波形Fig.13 Substation site operating data signal

表3 不同工作状态下各特征值Tab.3 Characteristic values under different working conditions

图13（a）、图13（b）分别给出了四种状态下的分闸线圈电流和振动信号，其中电流信号差异较为明显，振动信号时域上差异较小。

按照本文方法，对每类扰动选取10组数据作为训练集，分别提取每组数据中两种信号的特征量，表3给出了其中一组不同状态下数据的特征参数值，然后每类扰动选取10组信号作为测试集，利用支持向量机对这40组信号进行诊断，诊断结果如图14所示，其准确率可以达到90%，由此可知，本文算法对变电站实测信号仍然有效。

图14 对40组变电站现场实测数据分类的结果Fig.14 Classification result on 40 sets of substation site operating data

4 结束语

高压断路器在线状态监测是状态检修机制发展的一个重要环节，基于监测参量少、评估效果好、经济效益高的原则，选择了监测分合闸线圈电流、动触头行程、储能电机电流、振动信号来反映常见断路器的机械和电气故障，搭建了一套基于LabVIEW FPGA的数据采集系统，通过故障模拟来获取故障数据，从而弥补了现场断路器故障数据不足的缺陷。非线性形态滤波算法运算简单，能有效提取信号中的特征信息，在电力系统中的研究和应用日趋广泛，在数学形态学开闭运算滤波算法的基础上，提出了一种双结构元素的形态开闭加权复合滤波算法，仿真结果验证了该算法滤除电力系统噪声的有效性。提取形态小波能量作为振动信号的特征量，为振动信号的分析提供了一个新的思路。

通过理论和仿真分析找出各类故障波形与正常波形的差异特征量，将多监测参量的多个特征量相结合，作为支持向量机的特征向量，形成多维映射，从而能够更可靠地判断断路器的状态，虽然试验手段有限，本文只考虑了5种故障情况，理论上只要有足够的故障数据，其它与这些监测参量相关的故障也同样可以被诊断出来。本文所提算法也应用于变电站现场运行的断路器数据，诊断准确率可达90%。