基于红外神经网络的高压断路器故障诊断方法

尹柏睿，陈海涛，张晓慧

（1.沈阳工程学院a.研究生部；b.电力学院，辽宁 沈阳 110136；2.国网辽宁省电力有限公司铁岭供电公司，辽宁 铁岭 112000）

高压断路器不仅可以切断和接通正常情况下高压电路的空载电流和负荷电流，还可以在系统发生故障时与保护装置及自动装置相配合，迅速切断故障电源，防止事故扩大，保证系统的安全运行［1］。准确、高效的高压断路器故障诊断技术是电力系统安全运行的有力保障，相关专家学者做了大量的研究。2016年，张好勇［2］利用自组织特征映射神经网络在模式聚类中的优越性，实现了高压断路器的故障诊断；2017年，董镝［3］等人提出利用小波包提取高压断路故障样本，基于支持向量机进行故障诊断的方法；2018年，徐其丹［4］等人提出一种基于混合布谷鸟算法优化的最小二乘支持向量机的高压断路器故障诊断方法。

以上故障诊断方法虽然能够进行高压断路器的故障诊断，但是在故障训练样本的构造上极为繁琐并且由于提取的样本多为电流或者电压等敏感特征向量，很容易受到除高压断路器故障以外其他因素的干扰，因此具有不稳定性，从而导致诊断效率一般。考虑到这种情况，本文提出利用红外成像技术提取高压断路器的稳定物理故障样本并将其进行归一化，使用归一化的故障样本对改进BP神经网络进行训练从而形成改进BP神经网络的高压断路器故障诊断模型。通过研究设计实现应用红外成像对断路器进行实时监测，并利用改进BP神经网络进行故障的实时预警。最后，通过仿真研究表明本文设计的高压断路器故障诊断方法能够高效、准确地完成高压断路器的故障诊断。与以上方法相比，本文提出的基于红外神经网络的高压断路器故障诊断方法构造的训练样本具有稳定清晰的物理特征（高压断路器的温度变化）。因此，样本的稳定性和准确性得到大大地提高。

1 训练样本的构造

高压断路器的正常与异常运行状况均伴随着温度的变化，若能将温度信号的变化进行实时监测并以红外成像的方式展现，则可以进一步实现在线监测高压断路器的运行状况，这是该设计可以实现的前提，本文采用的高压断路器温度监测设备为红外热电视［5］。

图1为红外热电视结构图，当待测物体表面发生温度变化时，红外辐射也会发生相应变化，这种变化经过透镜传递至靶面。若信号板和扫描靶面正好与极化轴的两个晶面位置垂直，当靶面热辐射发生变化时，在靶面上的电位信号就会发生波动，波动的电位信号的大小与待测物体的监测图像紧密相关。同时，在扫描电路的控制下，电子束对靶面进行扫描，可以中和掉靶面上生成的电荷，生成的脉冲电流流经负载时经过一系列转换成为视频信号并输出。

图1 红外热电视结构

高压断路器本体发热故障主要有外部接线连接故障和内部触头连接故障两种。外部接线连接故障主要指与外部引线连接部位接触不良。内部触头连接故障主要包括动、静触头接触不良、中间触头接触不良等，操作机构还可能发生机构箱内的加热除湿装置损坏等故障，高压断路器对应的红外热电视成像如图2所示。

图2 断路器典型故障红外热成像

将外部引线连接部位接触不良、动静触头接触不良、中间触头接触不良和机构箱内的加热除湿装置损坏这4种故障对应的高压断路器发热部位作为故障样本的采集点（如果想诊断更多类型的故障可以增加故障采集点，本文仅以断路器的4种典型故障为例进行阐述）。为了增加样本的准确性，本文通过对大量历史采集数据进行分析，从而构造出这4种典型故障的训练样本，对应这4种典型故障的部分训练样本如表1所示。

表1 断路器典型故障的部分训练样本 /°

2 改进BP神经网络故障诊断模型

2.1 BP神经网络结构

BP神经网络［6］是一种前馈神经网络，其原始算法为BP算法，也称为误差反向传播算法。BP算法原理是将输出误差进行反向传播，在此过程中不断地调整和修改各层之间的连接权值，从而减小误差直至达到误差允许范围，它被广泛应用于故障诊断、预测分析等领域，图3是BP神经网络的拓扑结构。

图3 BP神经网络拓扑结构

2.2 改进BP算法

本文提出的改进BP算法如下：

1）确定结构参数以及定义变量。

①确定训练样本个数N，输入变量为t=[t1，t2，t3，t4]，N为集合中样本的个数；

②设神经网络第n次迭代后输出变量为Sk=[S1，S2，S3，S4]；

③设神经网络第n次迭代后期望输出为

④设误差精度为e。

2）给权值ωij、ωjε赋予随机极小的非零值。

ωij(i=1，2，3，4；j=1，2，…，Γ)为迭 代 到第n次时，隐层与输入层连接权的权值，Γ是隐层神经元个数；ωjε(j=1，…，Γ；ε=1，2)为迭代到第n次时，隐层与输出层连接权的权值。

3）输入tk，令n=0。

4）正向传播。

将构建的训练样本输入tk带入模型，计算出网络的输出Sk，并求得与期望值S′

k的误差E(n)。

式（1）为误差计算公式，训练过程中期望值与输出值的误差E(n)处理方法如下：

①如果E(n)＞e，则转至环节5）；

②如果E(n)≤e，则转至环节6）。

5）反向传播（误差修正）。

式中，ωij(n)表示网络的连接权符号（注ωij(n)是多个权值的集合而不是单一的权值）；ηi(n)表示网络的学习效率。

ηi(n)的选取方法为

其中，λ的取值遵循以下规则：

②E(n)＞E(n+1)时，λ∈（1.2，1.6）；

②E(n)＜E(n+1)时，λ∈（0.2，0.6）。

新的参数计算完成后带入环节3）继续循环，直至达到指定误差精度e。

6）算法终止。

2.3 训练过程

改进BP神经网络训练过程如图4所示。

图4 网络训练过程

具体流程如下：

1）基于红外成像技术（红外热电视）构造初步的故障训练样本。

2）将初步的故障训练样本归一化［7］，归一化方法如式（7）所示。

式中，S为归一化数值；tmax代表样本中最高温度；tmin代表样本中最低温度；t为当前温度。

表2为部分训练样本归一化数值。

表2 初步故障样本的归一化结果 /°

续表

3）构造改进BP神经网络（包括结构与算法）。

4）将归一化的故障训练样本输入到改进BP神经网络中进行训练。

5）训练完成后进行故障测试与仿真。

按照以上流程进行改进BP神经网络的训练。神经网络采用输入层、输出层和单隐含层构成的3层网络结构，其中输入层有4个神经网络输入节点，输出层有4个节点，隐含层节点数通过算法训练确定最优节点数。针对高压断路器具有典型特征的4种故障情况，得出部分输出层期望输出编码如表3所示。

表3 故障类型输出编码

利用改进BP算法优化得到改进BP神经网络最优初始权值和阈值如下：

①输入层隐含层间权值

-1.290 764 950 633 29；-0.129 380 747 340 498 0.004 309 656 361 910 28 0.172 141 394 159 896；-2.915 031 280 049 83；-2.291 433 573 150 59-2.165 113 865 779 69 1.572 511 415 847 73；-1.758 186 565 392 11；0.021 082 779 287 887 4

②隐含层节点阈值

-1.597 470 069 385 31；0.972 786 689 605 846 0.850 873 190 239 208；2.098 020 701 153 93；2.243 394 544 260 19

③隐含层输出层间阈值

2.680 978 564 043 49；1.851 383 032 570 96；-2.539 754 406 792 19-1.199 935 992 602 59；-2.368 610 409 300 53

3 仿真研究

3.1 准确性仿真研究

将训练样本以外的30组高压断路器故障数据输入到训练完毕的改进以及未改进的BP神经网络中，BP神经网络的故障诊断输出、期望输出和诊断的部分结果如表4、表5所示。

表4 改进BP算法故障测试结果

表5 原始BP算法故障测试结果

从30组诊断结果中可以看出：基于改进BP神经网络的高压断路器诊断结果的正确率非常高，诊断结果没有出现错误，而基于原始BP神经网络的高压断路器诊断结果的正确率却不是十分理想，出现少部分诊断失误和诊断模糊的情况。因此，本文建立的改进BP神经网络可以应用于高压断路器的故障测试诊断，并且准确率较高。

3.2 训练速度仿真研究

图5、图6分别为应用本文故障样本进行训练的传统BP算法、改进BP算法的误差性能曲线。

图5 传统BP算法

图6 改进BP算法

对图5和图6进行分析可以得出结论：采用传统BP算法进行网络训练迭代次数大约在200次左右才能达到允许误差，而使用本文的改进BP算法进行训练迭代次数在56次时达到允许误差。因此，本文提出的改进BP算法能够有效提高网络的训练速度。

4 结 论

通过红外成像技术采集高压断路器的典型故障样本，将典型故障样本进行归一化，构造神经网络的训练样本；提出了改进BP神经网络的结构与算法，并将训练样本带入进行训练；对提出的基于改进BP神经网络的诊断模型进行仿真研究，仿真结果验证了本文所提出的故障诊断方法的准确性和优越性。本文提出的高压断路器故障诊断方法是一次传统红外诊断与智能诊断相结合的新型方法，并为以后高压断路器的故障诊断的新型方法提供了一定的借鉴。