改进随机森林法在断路器机械故障诊断中的应用

许逵，陈沛龙，刘君，张艳萍，曾鹏，黄军凯

(贵州电网有限责任公司电力科学研究院，贵州 贵阳 550002)

0 引 言

高压断路器在电力系统中起着控制和保护的重要作用[1]。高压断路器的正常运行对电力系统的安全稳定运行至关重要。当高压断路器发生故障时，会造成电网事故或扩大事故范围，甚至引起电力系统稳定发生破坏。事故统计分析表明，高压断路器的故障80%以上均由机械特性不良造成[2]。因此，及时准确地发现高压断路器的机械故障，保障断路器的正常运行，对电力系统的安全稳定运行具有重要的意义。

高压断路器分合闸操作时的线圈电流信号中包含着大量的断路器机械状态信息，针对基于分合闸线圈电流的高压断路器机械故障诊断，国内外学者进行了相应的研究工作。文献[3]将BP人工神经网络算法应用于高压断路器机械故障诊断，但存在着易陷入局部极小值的问题。文献[4]利用专家系统进行断路器机械故障诊断，但专家系统的判断过于刚性，且推理过程过于复杂。文献[5]提出了基于灰色模糊综合评判的高压断路器机械故障诊断模型，但模糊控制的隶属函数和模糊规则的确定过程存在着一定的人为因素，其诊断结果主观性过强。文献[6]提出了基于支持向量机的高压断路器机械故障诊断，但其对于故障样本的依赖性较高，诊断稳定性较差。以上文献在进行高压断路器机械故障诊断时，均存在诊断准确率不理想的问题，且未对诊断方法抗干扰能力进行深入研究。

本文将改进后的随机森林方法应用于高压断路器机械故障诊断，通过不同噪声干扰强度下诊断实例的对比分析验证本文方法的优越性。

1 随机森林方法理论

1.1 随机森林方法基本原理

随机森林算法是一种结合Bagging集成学习和随机属性子空间理论而构造的包含多决策树的分类算法。Breiman将Bagging算法引入随机森林算法中，从原始样本中由放回重复抽样获取抽样样本，算法最终输出结果由决策树的投票数目来决定。随机森林算法具有抗干扰能力强和适用性强等优点，在故障诊断领域获得了广泛的应用[7]。

自变量X训练后获得的决策树组合为{J1(X),J2(X),…,Jh(X)}，算法的输出结果J(X)为：

(1)

式中：N(·)为示性函数;A(x)为映射函数;Y为输出变量;h为自变量训练的轮数。

随着决策树的规模的增加，随机森林算法的泛化误差pE*将趋向于一上界值。

(2)

原始数据集中每个样本被抽到的概率P为：

P=1/(1-1/N)N

(3)

式中：N为原始数据集的样本容量。

未被抽中这部分数据便为OOB数据(袋外数据)。决策树Ji的OOB准确率OOBCorr(i)为:

(4)

式中：OOBCorrectiNum(i)为正确分类结果的数量;OOBSize(i)为样本大小。

1.2 改进的随机森林模型

窃电用户所占比例往往很小，属于典型的类不平衡样本数据[8]。若将随机森林直接应用于用户窃电行为的辨识会存在一定的问题，因此需对随机森林算法进行相应的改进。本文将SMOTE法应用于随机森林训练样本的抽样，假设样本集合D的向上采样倍率为n，对于样本ai，搜索其k个小类最近邻样本后随机选择n个样本(b1，b2，…，bn)，然后对ai与bj(1≤j≤n)之间进行随机线性插值出力，新的小类样本cj为：

ci=ai+rand(0,1)×(bj-aj)

(5)

本文采用信息值对随机森林属性特征的重要程度进行评估，将信息值按从大到小顺序进行排序。信息值IV的计算公式为：

(6)

本文投票方式采用新的加权投票法，以OOB数据准确率代替分类结果后验概率评估决策树的诊断准确率，表达式为：

(7)

式中：λ(i)为决策树Ji的权重系数;ntree为决策树的数量;OOBCorr()为决策树的OOB准确率。

2 基于改进随机森林法的故障诊断模型

2.1 断路器机械特征信号提取

高压断路器分合闸线圈是断路器操动机构的关键元件[9]，分合闸线圈回路的等效电路如图1所示。

图1 线圈等效电路图

开关S合闸时，线圈中会通过电流i，此时有：

(8)

式中：U为线圈电压;R为线圈电阻;ψ为磁链;t为时间。

电磁铁一般工作在不饱和的状态，此时有ψ=Li，电感只与电磁铁气隙δ的变化相关：

(9)

式中：v为电磁铁运动的速度；L为线圈电阻。

线圈通电后铁心产生的电磁力逐渐增大，假设此时的线圈电感为L1，则有:

(10)

(11)

式中：a为积分通解的常数。

当铁心吸力大于阻力时，铁心开始运动，当运动结束后，假设此时的线圈电感为L2，有：

(12)

高压断路器分合闸线圈电流波形如图2所示。

图2 线圈正常电流波形图

2.2 高压断路器机械故障诊断模型

高压断路器线圈电流包含着丰富的操动机构机械特性信息[10]。通过分合闸过程线圈电流信号对应的时间参数和电流参数可有效反映断路器的工作状态。本文结合线圈工作原理及其电流波形，选取的故障特征向量为：X=[t1,t2,t3,t4,t5,I1,I2,I3]。高压断路器的机械状态主要有：机构正常、操作电压过低、铁芯卡涩、机械操动机构卡涩和铁芯空行程过大五种设备状态[11]。本文基于改进随机森林方法的高压断路器机械故障诊断基本流程如图3所示。

图3 本文机械故障诊断流程图

3 实例分析

本文以ABB生产的VD4真空断路器分合闸线圈电流为例进行相应的分析[12]，提取五种机械状态特征数据样本各60组，选取其中30组作为训练样本集，剩余30组用作测试样本集。本文改进随机森林方法的主要参数如表1所示。图4为本文改进随机森林方法OOB错误率随决策树数目ntree的变化关系，OOB错误率越小，表明此时模型诊断性能越好。由图4可知，为获得稳定的零OOB错误率，ntree应超过27，本文取值30。对于训练好的本文改进随机森林模型，利用测试样本进行机械故障诊断试验，得到的诊断测试结果如表2所示。

表1 随机森林法主要参数

图4 随机森林OOB错误率变化曲线

表2 机械故障诊断测试结果

由表2可知，本文改进后随机森林法在高压断路器机械故障诊断中具有很好的准确性，仅有一次铁芯空行程过大和机械操动机构卡涩被误诊断为操作电压过低。诊断总体准确率为98.67%，可见本文方法是有效的。

为进一步验证本文改进后随机森林法的抗干扰能力和优越性，对获取到的线圈电流分别施加强度为5%、10%和20%的高斯白噪声，用以模拟高压断路器在服役过程中的环境噪声等外界干扰。将本文方法与神经网络法、支持向量机法及改进前的随机森林方法进行诊断性能对比试验，测试样本总数为100。测试结果如表3所示。

表3 不同方法故障诊断准确率 %

根据表3可知，本文改进后的随机森林方法比神经网络法、支持向量机法和改进前随机森林法具有更高的诊断准确率。在不同噪声强度下，本文方法的故障诊断准确率均是最高的，且本文方法具有更强的抗噪性能。随着噪声强度的增加，本文方法的诊断准确率虽略有下降，但下降幅度要比其他三种方法小得多。当施加的噪声强度为20%时，本文改进后的随机森林方法仍然具有大于90%的诊断准确率，诊断稳定性较好。本文改进后的随机森林方法在断路器机械故障诊断中具有更加优越的诊断性能。

4 结束语

本文提出了一种基于改进随机森林方法的高压断路器机械故障诊断模型。不同噪声干扰强度下的故障诊断实例对比分析，结果表明：本文方法在不同噪声强度下的故障诊断准确率均是最高的。当未施加噪声干扰时，本文方法的诊断准确率为98.67%，诊断准确率很高。而随着噪声强度的增加，本文方法的诊断准确率虽有所下降，但下降幅度要比其他方法小得多。当施加的噪声强度为20%时，本文诊断方法仍然具有大于90%的诊断准确率。本文方法具有更强的抗干扰能力，诊断稳定性更好。本文研究成果可为高压断路器机械故障诊断提供有效的参考和技术指导。