基于PCA和TS在線辨識模型的GIS故障診斷方法?

薛峰1謝建容1萬四維1魏東亮1李雙宏2

（1.廣東電網(wǎng)有限責任公司東莞供電局東莞523106）（2.上海交通大學自動化系上海200240）

論文針對GIS開關(guān)系統(tǒng)的特點，利用PCA技術(shù)結(jié)合在線辨識TS模型，建立起一種新型的故障診斷方法，再利用TS模型計算的模糊權(quán)值根據(jù)D-S特征判據(jù)來判斷分析GIS系統(tǒng)發(fā)生故障。PCA降維技術(shù)將多傳感器采集的故障特征信息進行降維，反映故障的特征信息。再利用TS在線辨識模型實時的修正故障模糊規(guī)則庫，并利用模糊規(guī)則庫計算出本狀態(tài)下的故障特征權(quán)值。利用統(tǒng)計的觀點，統(tǒng)計出系統(tǒng)的故障特征和正常工作的特征，再利用D-S判據(jù)的方法判斷出95%置信度的故障發(fā)生情況。論文所述的方法可以有效地對多故障信息進行融合，在決策層對故障信息進行融合得到有效的故障診斷結(jié)果。

GIS開關(guān)系統(tǒng)；PCA；TS模型；故障診斷

Class NumberTP393

1 引言

氣體絕緣金屬封閉開關(guān)設備（Gas Insulated Switchgear，GIS）作為高壓配電裝置的一種形式，將變電站中除變壓器以外的所有一次設備，經(jīng)優(yōu)化設計有機地組合成一個整體，并封閉于金屬殼內(nèi)，充SF6氣體作為滅弧和絕緣介質(zhì)，構(gòu)成一個封閉組合電器，最高配電電壓可達1100kV。由于GIS設備的全封閉設計，操作人員無法直接觀察到設備的狀態(tài)，僅依據(jù)輔助接點的返回信號和操作人員的現(xiàn)場確認來判斷設備是否分合到位。開關(guān)刀閘操作后，由于種種原因，可能出現(xiàn)監(jiān)控后臺及現(xiàn)場顯示分合成功，但實際觸頭分合不到位的情況，從而引起電網(wǎng)安全事件，造成相當大的經(jīng)濟損失和嚴重的社會影響。傳統(tǒng)的GIS故障診斷方法，僅針對單個傳感器的信息，無法對整個GIS狀態(tài)進行有效的評估［1～15］。

本文利用PCA方法對故障的狀態(tài)信息進行降維處理，利用更加精簡的信息對GIS系統(tǒng)進行評估，再利用改進TS在線辨識模型對實時狀態(tài)信息進行融合，建立了多傳感器信息的模糊分析與決策模型，解決了GIS多傳感器信息的故障診斷判斷的問題。

2 PCA降維技術(shù)

圖1所示為PCA主元分析技術(shù)的示意圖。主要采用的是PCA主元分析方法，將GIS工作狀態(tài)X進行降維處理，具體算法為

1）數(shù)據(jù)標準化處理

多信息采集模塊采集到本周期的GIS系統(tǒng)工作狀態(tài)：

將m個周期的狀態(tài)寫成狀態(tài)矩陣形式：

將Xm進行歸一化處理得到：

圖1 PCA主元分析技術(shù)的示意圖

2）奇異值分解

協(xié)方差矩陣進行奇異值分解：

3）取主元元素

取Λ的前k個主元作為分析元素。并取對應的前k個U矩陣的向量：

4）得到X的降維形式

其中T=XP。

3 TS在線辨識模型

基本的TS模糊模型的模糊規(guī)則，將輸入量進行模糊化處理主要機理分為三個部分：

第i條TS模糊規(guī)則對系統(tǒng)輸出的貢獻分量yi(k+1)可以用“If…Then”語句表示如下：

Then yi(k+1)=+x1+…+xn;i=1,2…c其中，c為模糊規(guī)則數(shù)目，n為TS模糊模型的輸入變量數(shù)目，x1(k),x2(k),…,xn(k)為第k時刻及以前的輸入輸出數(shù)據(jù)的回歸變量，x(k)=[x1(k),x2(k),…,xn(k)]為模糊模型的輸入向量，,Ai2,…,為代表各模糊子空間的具有線性隸屬度函數(shù)的模糊集，可以用來進行第i條規(guī)則的模糊推理，,,…,為第i條模糊規(guī)則的后件參數(shù)。

由于GIS系統(tǒng)的狀態(tài)是實時變化，需要對實時狀態(tài)進行不斷的辨識判斷，所以，基本的TS模型不能滿足要求，需要進行TS在線辨識模型的建立。

定義βi為模糊規(guī)則i的適應度，那么模型在第(k+1)時刻的輸出y(k+1)可以通過下面的公式計算：

其中r=c(n+1)，可以得到：

根據(jù)上述的模糊規(guī)則建立GIS故障特征模糊規(guī)則庫，需要通過系統(tǒng)辨識的方法根據(jù)實驗數(shù)據(jù)辨識出模糊規(guī)則的兩個參數(shù)Θ和Φ，具體的流程如下：

1）故障特征統(tǒng)計

根據(jù)大量GIS開關(guān)實驗，統(tǒng)計出在降維數(shù)據(jù)狀態(tài)X情況下發(fā)生故障的概率y，以及在下一次操作會發(fā)生故障的概率yf。沒有實驗獲得的概率，通過多維差值得到。

2）在線辨識型TS模型

（1）聚類中心向量V(1)=[v1(1),v2(1),…,vc(1)]的初始值可以用一部分實驗數(shù)據(jù)的離線辨識采用C聚類算法獲得，然后進行更新。獲得用下面的方程計算輸入x(k)與每一個第(k-1)時刻的聚類中心向量的距離：

（2）評價輸入x(k)對每一個聚類中心vi(k-1)的隸屬度：

（3）基于第(k-1)時刻x(k)的隸屬度和模糊規(guī)則學習率，利用如下公式修正聚類中心向量V(k-1)：

vi(k)=vi(k-1)+λu′i(k)2[x(k)-vi(k-1)]

（4）根據(jù)新獲得的聚類中心向量V(k)更新輸入x(k)與中心點的距離與隸屬度：

（5）計算當輸入為x(k)時，第i條規(guī)則對系統(tǒng)輸出的適應度：

然后可以求得向量：

（6）根據(jù)公式y(tǒng)(k+1)=Φ(k)TΘ(k)，已知y(k+1)和Φ(k)，利用最小二乘法得到：

通過上述步驟，就通過系統(tǒng)辨識的方法得到了模糊規(guī)則的兩個參數(shù)Θ和Φ，就建立起了y模糊規(guī)格庫。利用同樣的方法，也可以建立起yf的模糊規(guī)則庫。

4 基于PCA和TS在線辨識模型的故障診斷方法

4.1故障特征的降維

利用PCA技術(shù)，對不同來源的傳感器測量的數(shù)據(jù)進行降維，得到降維后的數(shù)據(jù)反應了GIS系統(tǒng)的特征信息，防止維數(shù)多了之后后續(xù)的模糊特征庫的存儲數(shù)量太大。得到的降維后的數(shù)據(jù)，輸入到TS在線辨識模型中。

4.2模糊特征融合

采用第3節(jié)所述的TS在線辨識模型的方法，如圖2圖3根據(jù)每個時刻的狀態(tài)向量，首先對聚類中心及隸屬度進行修正，然后利用模糊規(guī)則庫計算本次各個故障的權(quán)值，在計算得到本次故障得到的故障權(quán)值。在線辨識過程，采用數(shù)據(jù)向量X與統(tǒng)計對應的故障概率進行辨識計算，辨識結(jié)束后，則只進行X輸入計算Y的形式，不再進行辨識。

圖2 PCA和TS模型的故障診斷方法

圖3 模糊故障特征融合

4.3基于D-S機制的故障判斷

根據(jù)D-S證據(jù)理論的思想，利用上節(jié)計算的故障權(quán)值的統(tǒng)計量，分布在0～1的區(qū)間內(nèi)，如圖4。

圖4 D-S證據(jù)理論判據(jù)

BEL（A）為置信度函數(shù)，如果故障的權(quán)值y達到統(tǒng)計的發(fā)生故障的上限值A(chǔ)u，則根據(jù)統(tǒng)計

其中，A為事件確信95%以上統(tǒng)計概率發(fā)生故障Au為確信95%以上統(tǒng)計概率發(fā)生故障的故障權(quán)值，ymax為故障權(quán)值能夠計算的最大值。

定義PL（A）函數(shù)為BEL（A）的似真度函數(shù)

本函數(shù)為統(tǒng)計不能滿足95%以上概率發(fā)生故障的故障權(quán)值，超過本區(qū)間的故障權(quán)值判斷為拒絕區(qū)間，也就是判斷沒有發(fā)生故障。當置信度函數(shù)在BEL與PL之間的時候，則無法根據(jù)本信息判斷出GIS是否發(fā)生故障，此時，就需要根據(jù)下述的方法進行判斷：

首先，采集優(yōu)先級比較高的幾種故障類型，定義為F，根據(jù)F的故障發(fā)生概率F的數(shù)值之間的關(guān)系，構(gòu)建起新的故障權(quán)值；

如果F的故障權(quán)值大于發(fā)生故障的概率，則直接判斷整個系統(tǒng)發(fā)生故障；

如果F沒有超過發(fā)生故障的概率，則判斷整個系統(tǒng)沒有發(fā)生故障。此時，對F分析可以直接分析整個系統(tǒng)的故障情況。

5 故障診斷方法在GIS的應用

GIS故障主要是由于GIS為封閉的系統(tǒng)無法直接觀測系統(tǒng)的工作狀態(tài)，所以采用多種傳感器的測量方式，將信號采集到計算機中，再利用上述的故障診斷的方法來對故障進行特征提取、故障融合及故障判斷。由于漏氣和功率損耗的異常可以直接判斷出GIS系統(tǒng)發(fā)生故障，所以，信息融合的TS模型階段只采用工作狀態(tài)進行建模與分析［16～19］。

圖5GIS故障診斷流程

圖5 為GIS故障診斷流程，故障診斷的結(jié)構(gòu)可以通過多重傳感器采集GIS的當前狀態(tài)，然后利用信號處理將不同傳感器的電壓信號調(diào)整為統(tǒng)一的范圍，再進行故障特征的提取。通過信息融合模塊進行主元分析，得到精簡后的狀態(tài)信息，建立起TS故障模糊模型，利用故障模糊規(guī)則庫計算出每一次狀態(tài)對應的故障權(quán)值，在進行故障的判斷。其中，漏氣異常和日常功率損耗異常情況的優(yōu)先級最高，可以直接根據(jù)這兩種情況判斷出GIS當前處于故障狀態(tài)，起到日常故障預測的作用。

基于GIS開關(guān)設備的分合閘試驗數(shù)據(jù)的分析，建立典型故障數(shù)據(jù)庫，構(gòu)建故障診斷信息融合模型及異常數(shù)據(jù)樹模式。試驗測試的主要工作包括試驗平臺的搭建、典型故障構(gòu)建和數(shù)據(jù)獲取及分析。如圖6（a）110 kV GIS系統(tǒng)為上海交通大學智能電網(wǎng)研究中心實驗設備，基于霍爾電流傳感和數(shù)字存儲式示波器可構(gòu)建完整的GIS開關(guān)設備分合閘試驗平臺。項目通過構(gòu)建典型機械和電氣故障，記錄對應場景下分合閘電流波形，為故障診斷和GIS開關(guān)設備開合狀態(tài)判斷提供數(shù)據(jù)基礎(chǔ)。圖6（a）為GIS開關(guān)系統(tǒng)，圖6（b）為構(gòu)建的GIS故障診斷專家系統(tǒng)。通過多傳感器技術(shù)測量GIS系統(tǒng)的實時狀態(tài)，并結(jié)合智能專家系統(tǒng)進行故障診斷實驗。

圖6 實驗平臺實物

首先采集大量的GIS狀態(tài)數(shù)據(jù)，并對不同的故障數(shù)據(jù)進行標簽，輸入到TS模糊模型中進行系統(tǒng)辨識，主要包括故障類型為：操動機械故障，其他機械故障，主電路電氣故障，控制回路電氣故障，日常二次回路功率異常故障，SF6漏氣故障。其中，日常二次回路功率異常和SF6漏氣故障起到故障預測的作用，可以直接判斷出下一個時刻GIS系統(tǒng)出現(xiàn)故障。

多源信息采集模塊，信息融合模塊，故障檢測模塊。利用多源信息采集模塊結(jié)合多種傳感器技術(shù)采集GIS工作的狀態(tài)信息，信號調(diào)理電路將傳感器輸出信號調(diào)節(jié)到板卡能夠識別的范圍，再通過信號采集板卡輸入到電腦中的信息融合模塊中；多源狀態(tài)信息在信息融合模塊中構(gòu)成故障特征向量，利用信息融合技術(shù)進行降維處理；利用降維后的信息建立起基于TS模糊模型的故障決策機，來判斷當前的GIS開關(guān)系統(tǒng)是否正常工作，并利用本狀態(tài)的信息對故障進行預報。

再利用GIS模擬平臺設定出GIS不同的故障，輸入到GIS故障診斷專家系統(tǒng)中進行故障的識別，得到仿真的故障特征如圖7所示。

根據(jù)圖7為采集的故障狀態(tài)的信號特征示例，利用所有的傳感器采集的信號進行調(diào)理，就可以得到傳感器的狀態(tài)向量，再把每個采樣周期的信號寫成行向量的形式，就得到了可以進行PCA降維處理的矩陣。

GIS系統(tǒng)故障診斷的實際操作流程如下：

1）采集各類型的傳感器采集的當前信息，包括：操動機械故障，其他機械故障，主電路電氣故障，控制回路電氣故障等8維的向量構(gòu)成原始故障向量空間：

x(k)=[x1(k),x2(k),…,x8(k)]

然后，采用PCA降維技術(shù)，將8維的空間向量進行降維得到主元分析矩陣，選取4個最大的主元得到：

圖7 不同的故障特征采樣信號

2）再根據(jù)TS模型的特征，選取不同的模糊特征數(shù)和學習因子初始化模型參數(shù)。模型參數(shù)包括聚類中心數(shù)量4(c＞1)，模糊規(guī)則學習率0.5(0＜λ＜1)，模糊因子2(m＞1)。數(shù)據(jù)采樣個數(shù)與誤差的關(guān)系如表1所示：

特別的，聚類中心向量：

初始值可以用實驗數(shù)據(jù)的離線辨識獲得，也可以直接給定V(1)=0。然而，在仿真測試過程中，這兩種方法使得模型具有相似的性能，因此V(1)=0可以作為首選初始值。采集1000組實際生產(chǎn)的數(shù)據(jù)進行規(guī)則辨識，計算的聚類中心和后件參數(shù)分別為

表1 采樣個數(shù)與誤差關(guān)系

3）根據(jù)上述的方法計算得到故障閾值為：78.2%，34.2%。根據(jù)D-S判據(jù)，如果計算的BAL小于34.2%，則位于支持區(qū)間，說明本狀態(tài)下發(fā)生故障的概率為95%；計算的BAL大于78.2%則位于拒絕區(qū)間，說明本次發(fā)生發(fā)生故障的概率非常低，本次為正常的工作狀態(tài)。如果位于兩者之間，則無法根據(jù)本方法判斷出GIS系統(tǒng)是否發(fā)生故障，則需要根據(jù)GIS的氣體漏氣的情況和日常功率異常的狀態(tài)，在進行GIS故障的判斷。如果，上述兩種檢測指標都沒有發(fā)生異常，則說明本次為正常工作狀態(tài)，反之，如果有一種發(fā)生異常，則判斷本次發(fā)生故障。

6 結(jié)語

本文通過分析GIS故障的特征，設計了一套基于信息融合的GIS系統(tǒng)故障診斷方法。分析了信息融合技術(shù)在GIS開關(guān)系統(tǒng)故障診斷過程的可行性，采用PCA主元分析技術(shù)對故障信息進行降維，得到反映故障本質(zhì)的故障特征信息，再利用TS在線辨識模型對故障信息進行實時建模與故障權(quán)值的計算。統(tǒng)計故障信息的權(quán)值與正常信息的權(quán)值，利用D-S證據(jù)判據(jù)，對滿足95%置信度的故障權(quán)值定義為故障，通過本方法可以很好的判斷出GIS系統(tǒng)是否發(fā)生故障。

［1］Kam S，Nielsen S，Ledwich G.A systematic review of a sta?tistical vacuum circuit breaker model for condition moni?toring［J］.IEEE Transactions on Dielectrics and Electrical Insulation，2013，20（2）：620-627.

［2］Razi-Kazemi A A，Vakilian M，Niayesh K，et al.Cir?cuit-Breaker Automated Failure Tracking Based on Coil Current Signature［J］.IEEE Transactions on Power Deliv?ery，2014，29，1，283-290.

［3］Goto K，Sakakibara T，Kamata I，et al.On-line monitoring and diagnostics of gas circuit breakers［J］IEEE Transac?tions on Power Delivery，1989，4（1）：375-381.

［4］Ukil A，Zlatanski M，Hochlehnert M.Monitoring of HV Generator Circuit Breaker Contact Ablation Based on Acoustic Emission［J］.IEEE Transactions on Instrumenta?tion and Measurement，2013，62（10）：2683-2693.

［5］張?zhí)斐?，胡岳，李清，?基于虛擬儀器的GIS局部放電聲電聯(lián)合檢測系統(tǒng)［J］.高壓電器，2012，11：43-49.

ZHANG Tianchen，HU Yue，LI Qing，et al.Combined Ul?trasonic and Electrical Detection System for GIS Partial Discharge Based on Virtual Instrument［J］.Gaoyadianqi，2012，11：43-49.

［6］張永奎，趙智忠，馮旭，等.基于分合閘線圈電流信號的高壓斷路器機械故障診斷［J］.高壓電器，2013，02：37-42.

ZHANG Yongkui，ZHAO Zhizhong，F(xiàn)ENG Xu，et al.Me?chanical Fault Diagnosis of High Voltage Circuit Breakers Based on Opening/ClosingCoil Current Parameters［J］. Gaoyadianqi，2013，02：37-42.

［7］宋錦剛，許長青，朱統(tǒng)亮.基于波形辨識技術(shù)的SF_6斷路器分/合閘線圈電流監(jiān)測［J］.電力建設，2011，03：65-68.

SONG Jingang，XU Changqing，ZHU Tongliang.Coil Cur?rent Monitoring of SF6 Circuit Breakers based on Wave?form Identification［J］.Electric Power Construction，2011，03：65-68.

［8］陳建志.高壓斷路器在線監(jiān)測技術(shù)的研究［J］.電測與儀表，2007，44（497）：27-30.

CHEN Jianzhi.The study of HVBC on-line monitoring technique［J］.Electrical Measurement&Instrumentation，2007，44（497）：27-30.

［9］劉君華，姚明，黃成軍，等.采用聲電聯(lián)合法的GIS局部放電定位試驗研究［J］.高電壓技術(shù)，2009，10：2458-2463.

LIU Junhua，YAO Ming，HUANG Chengjun，et al.Experi?mental Research on Partial Discharge Localization in GIS Using Ultrasonic Associated with Electromagnetic Wave Method［J］.HighVoltageEngineering，2009，10：2458-2463.

［10］沈力，黃瑜瓏，錢家驪.高壓斷路器機械狀態(tài)監(jiān)測的研究［J］.中國電機工程學報，1997，17（2）：113-117.

SHEN Li，HUANG Yulong，QIAN Jiali.Research on ma?chanical Condition Monitoring for HV Circuit Breakers［J］.Proceedings of the CSEE，1997，17（2）：113-117.

Intelligent Fault Diagnosis Expert System of GIS Based on Information Fusion

XUE Feng1XIE Jianrong1WAN Siwei1WEI Dongliang1LI Shuanghong2
（1.Dongguan Power Supply Bureau，Guangdong Power Grid Corporation Limited，Dongguan523106）（2.Department of Automation，Shanghai Jiaotong University，Shanghai200240）

In this paper，by analysing the characteristics of GIS switch system，the fault diagnosis method is design by using PCA technology and the online identification TS fuzzy model.First，the characteristics of the GIS switch system is studied.The soft measurement system collects information by using Principal Component Analysis technology to get the fault characteristic informa?tion.Using the fault information collected by PCA fault，the information database based on TS fuzzy model is established which could judge the fault of the GIS according to the acquisition of current information.The D-S criteria is introduced to judge the fault.This article provides a method for GIS switch system fault detection for information fusion，and the experimental results show that this method is effective.

GIS switch system，PCA，TS model，fault diagnosis

TP393

10.3969/j.issn.1672-9722.2017.05.046

2016年11月10日，

2016年12月29日

廣東電網(wǎng)有限責任公司項目（編號：GDKJ00000033）資助。

薛峰，男，碩士，高級工程師，研究方向：高壓電器技術(shù)。