摘 要：本文旨在探討高壓開關(guān)健康狀態(tài)監(jiān)測的重要性，并提出了多模態(tài)傳感器數(shù)據(jù)融合技術(shù)在該領(lǐng)域中的應(yīng)用。首先，利用設(shè)備檢查、關(guān)鍵指標(biāo)選取和數(shù)據(jù)獲取與預(yù)處理等步驟，對SVM、邏輯和貝葉斯分類器進(jìn)行算法比較。其次，對高壓開關(guān)健康狀態(tài)進(jìn)行準(zhǔn)確監(jiān)測并提前預(yù)警潛在問題。比較各算法可知，在故障預(yù)警方面，3種模型均表現(xiàn)出色，其中支持向量機（SVM）分類模型準(zhǔn)確率為85.2%，邏輯分類模型準(zhǔn)確率為78.0%，貝葉斯分類模型準(zhǔn)確率為87.8%。在正確安裝調(diào)試方面，SVM和貝葉斯分類模型均具有良好性能，準(zhǔn)確率分別為76.4%和75%，在實際應(yīng)用中可以根據(jù)具體場景特點選擇最適宜且高效率的預(yù)測模式。

關(guān)鍵詞：多模態(tài)數(shù)據(jù)；傳感器數(shù)據(jù)；數(shù)據(jù)融合；高壓開關(guān)；狀態(tài)監(jiān)測

中圖分類號：TN 607" " " 文獻(xiàn)標(biāo)志碼：A

高壓開關(guān)用于控制和保護(hù)電力傳輸和配電網(wǎng)絡(luò)，但是在長期運行、環(huán)境變化以及其他因素的影響下，高壓開關(guān)可能會出現(xiàn)故障或損壞。為了實時監(jiān)測高壓開關(guān)的健康狀態(tài)，并提前預(yù)警潛在問題，多模態(tài)傳感器數(shù)據(jù)融合技術(shù)被廣泛應(yīng)用于高壓開關(guān)等設(shè)備健康狀態(tài)監(jiān)測領(lǐng)域。郭寧和李曉青[1]介紹了一種基于自適應(yīng)模糊PID控制方法來調(diào)試電氣設(shè)備溫度，在模糊規(guī)則中添加電氣設(shè)備穩(wěn)定限額，有效控制了當(dāng)前溫度場信息。廖曉輝等[2]提出了一種改進(jìn)型YOLOv5s算法，用于實時檢測變電站中多種常見電氣設(shè)備，并設(shè)計App來支持這一識別過程。濮星海等[3]分別關(guān)注了建筑物內(nèi)各類重要組成部分，包括供應(yīng)、通信和控制等方面的安裝與施工問題，并解析各個環(huán)節(jié)的注意事項。鄭樹國[4]分析了風(fēng)力發(fā)電項目中的電氣設(shè)備安裝與調(diào)試。蔡文戰(zhàn)等[5]利用NXMCD設(shè)計并構(gòu)建機器人打磨平臺，并使用TIAPortal軟件進(jìn)行PLC程序設(shè)計和HMI配置，完成聯(lián)合測試系統(tǒng)。王子默和王清亮[6]基于梯度擴散原理進(jìn)行電氣系統(tǒng)調(diào)試故障數(shù)據(jù)去噪處理，并豐富了小波單元閾值處理方式。

1 模型構(gòu)建

1.1 設(shè)備檢查

進(jìn)行高壓開關(guān)健康狀態(tài)監(jiān)測前，需要對設(shè)備進(jìn)行全面檢查，旨在保證高壓開關(guān)正常運行，并確定是否存在可見的故障或異常情況。仔細(xì)觀察高壓開關(guān)外部是否存在損壞、變形或腐蝕等問題。同時，注意觀察連接電纜和導(dǎo)線是否松動、破損或斷裂。使用絕緣電阻測試儀測量各個接點和接地裝置間的絕緣電阻值。低于預(yù)定值可能表明存在漏電問題，需要進(jìn)一步排除原因并修復(fù)。在測試條件下，還需要利用手動操作控制按鈕、切換裝置等來驗證其靈活性和可靠性。應(yīng)注意觀察操作過程中是否存在卡頓、不流暢等異常情況，并確認(rèn)所有機械部件工作正常。

由于涉及多模態(tài)傳感器數(shù)據(jù)融合，因此此環(huán)節(jié)需要對各種類型傳感器進(jìn)行校準(zhǔn)與功能驗證。例如，聲音傳感器可以利用發(fā)出特定頻率信號來確定其靈敏度；溫度傳感器可以放入標(biāo)準(zhǔn)溫度環(huán)境下進(jìn)行比較測量以保證精確度；振動傳感器可以利用震蕩臺模擬不同頻率振動條件下的輸出響應(yīng)等。

1.2 關(guān)鍵指標(biāo)選取

在高壓開關(guān)健康狀態(tài)監(jiān)測時過程中，環(huán)境因素的測試和融合對預(yù)測高壓開關(guān)的設(shè)備電壓和母線電壓至關(guān)重要。高溫會影響設(shè)備內(nèi)部元器件與絕緣材料性能，可能導(dǎo)致局部過熱或絕緣老化；低溫則可能會使某些機械零部件僵硬失效。監(jiān)測環(huán)境溫度可以及時發(fā)現(xiàn)這些問題。在濕潤條件下容易發(fā)生漏電故障，同時也會加速金屬零件銹蝕和絕緣老化。因此，濕度對評估潮氣侵入風(fēng)險和防止局部放電故障具有重要意義。檢查當(dāng)前負(fù)載情況可以幫助評估系統(tǒng)穩(wěn)定性，并推斷未來是否存在過載或欠載情況，從而提前采取措施避免事故發(fā)生。這些參數(shù)均與設(shè)備運行可靠性息息相關(guān)，本文利用多模態(tài)傳感器進(jìn)行數(shù)據(jù)采集，并將上述各種參數(shù)進(jìn)行復(fù)合分析后形成整合數(shù)據(jù)，對高壓開關(guān)的環(huán)境電壓和母線電壓進(jìn)行預(yù)測。

1.3 數(shù)據(jù)獲取和預(yù)處理

在本文中，環(huán)境溫度、濕度、電流和電壓數(shù)據(jù)是內(nèi)部環(huán)境監(jiān)控傳感器積累的真實數(shù)據(jù)在隨機獲取時間節(jié)點基礎(chǔ)上形成的，從而生成了2個類別、各500個樣本點的電流和電壓特征值。將這些特征值作為特性矢量，用于后續(xù)數(shù)據(jù)分析，并對其進(jìn)行標(biāo)記，標(biāo)簽“1”表示正常狀態(tài)，標(biāo)簽“2”表示故障預(yù)警。進(jìn)而將這些特性矢量及其相應(yīng)標(biāo)簽合并，將其用于訓(xùn)練支持向量機（SVM）、邏輯和貝葉斯分類器等不同模型，對電流與電壓數(shù)據(jù)進(jìn)行處理。

2 算法比較

2.1 SVM模型

支持向量機（SVM）是一種用于分類和回歸分析的監(jiān)督學(xué)習(xí)模型，有助于在分類問題中找到一個最佳超平面來區(qū)分不同類別的數(shù)據(jù)點。

SVM模型可隨機生成2個類別（class1和class2）、各500個樣本點，并構(gòu)建代表電流和電壓的特征值。將產(chǎn)生的1 000個數(shù)據(jù)點作為特性矢量，同時以標(biāo)記“1”表示第一類，以標(biāo)記“2”表示第二類。使用fitcsvm函數(shù)進(jìn)行SVM模型訓(xùn)練，將特征矩陣（features）和相應(yīng)標(biāo)簽（labels）提供給該函數(shù)。構(gòu)建的超平面如公式（1）所示。

（w?x）+b=0 （1）

式中：w為分類直線法方向；b為分類直線截距；x為輸入變量。

由此形成其決策函數(shù)，即sgn（（w*?x）+b*）。利用已經(jīng)訓(xùn)練好的SVMModel對格子上的網(wǎng)格點進(jìn)行預(yù)測并得到評分（scores），利用gscatter函數(shù)展示原始數(shù)據(jù)散點圖，結(jié)合contour函數(shù)將決策邊界畫在散點圖上。在該例中，SVM會對每條觀測計算出一個評估分?jǐn)?shù)，然后根據(jù)這些分?jǐn)?shù)判斷所屬類別。由此形成決策邊界，以實現(xiàn)二元分類任務(wù)。

2.2 邏輯

邏輯是一種常見的分類算法，將特征值進(jìn)行線性組合后，利用Sigmoid函數(shù)得到分類結(jié)果。本文使用fitclinear函數(shù)訓(xùn)練邏輯模型，并評估其在數(shù)據(jù)集上的表現(xiàn)。該過程涉及擬合一個線性模型來描述輸入特征和輸出標(biāo)簽間的關(guān)系，如公式（2）所示。

hθ（x）=g（θT?x） （2）

式中：hθ（）為假設(shè)函數(shù)；g（）為Sigmoid函數(shù)；θT?x為參數(shù)和特征值的線性組。

Sigmoid函數(shù)如公式（3）所示。

式中：g（z）為將這一線性組合結(jié)果映射到概率值；e-z為考慮特征值線性組合的自然對數(shù)的矩陣對數(shù)函數(shù)。

調(diào)整參數(shù)和優(yōu)化損失函數(shù)可使模型正確分類樣本點的概率最大化，進(jìn)而在電流和電壓數(shù)據(jù)集上評估邏輯模型的表現(xiàn)。

2.3 貝葉斯分類器

貝葉斯方法基于概率理論，在給定特征條件下計算類別標(biāo)簽的概率。給定一個樣本點x和對應(yīng)類別標(biāo)簽y，根據(jù)貝葉斯定理可以得出后驗概率，如公式（4）所示。

式中：P（y|x）為后驗概率，即觀察到樣本點x后預(yù)測其為類別y的可能性；P（x|y）、P（y）和P（x）分別為似然、先驗和邊緣似然。

本文采用fitcnb函數(shù)構(gòu)建樸素貝葉斯分類器，并對其進(jìn)行訓(xùn)練，以比較不同算法間的效果差異。貝葉斯分類器假設(shè)各個特征間相互獨立，在這種情況下，聯(lián)合分布可以被簡化為各個單獨特征上的條件分布之積。當(dāng)考慮多個不同類型變量時，通常會將高維正態(tài)分布作為每個類別內(nèi)部不同變量間關(guān)系的建模方式。

3 數(shù)據(jù)分析

3.1 數(shù)據(jù)特征分析

整理溫度、濕度和電流等數(shù)據(jù)特征如圖1所示。

高壓開關(guān)所處環(huán)境的溫度集中于20 ℃～30 ℃，表明在正常運行期內(nèi)該設(shè)備受外界熱量影響，在輻射條件下工作具有潛在腔體局部局限性，濕度也較穩(wěn)定地集中于40%～70%，可滿足系統(tǒng)本身防護(hù)需要，能避免水汽冷凝的絕緣子表面帶來的損耗風(fēng)險，從而保證系統(tǒng)穩(wěn)定、長時間運行。通過高壓開關(guān)后的電流略gt;10 A，在實際工作場景下驗收，本文認(rèn)為其是正常操作條件下的額定負(fù)荷水平，有小規(guī)模誤差允許。如果持續(xù)存在超載情況，就會埋下線路升級跳閘隱患。因此整體數(shù)據(jù)的波幅略超過其他各類指標(biāo)，不僅包括單一傳感器采集信息，對異常值也較敏感。整理電壓數(shù)據(jù)特征，如圖2所示。

對電壓數(shù)據(jù)進(jìn)行特征分析可知，其幅度也相對較小且主要集中于3.5 kV～3.6 kV的高電位。這種穩(wěn)定性表明系統(tǒng)處于正常操作狀態(tài)，并保持在適合的供電水平，電壓環(huán)境穩(wěn)定。接地母線中外殼和支架上的感應(yīng)電壓則普遍較低，低于24 V，0 V的頻數(shù)相對較高。

3.2 性能測試

在系統(tǒng)性能測試中，本文使用了3種不同的分類模型，即支持向量機（SVM）、邏輯和貝葉斯分類器。這些模型可對故障預(yù)警和正確安裝調(diào)試進(jìn)行預(yù)測，其結(jié)果分別如圖3～圖5所示。

SVM分類算法結(jié)果如圖3所示。SVM在故障預(yù)警方面具有出色的性能，準(zhǔn)確率為85.2%。當(dāng)系統(tǒng)處于潛在問題狀態(tài)時，SVM具有相當(dāng)高的識別能力，能夠有效捕捉異常模式，并對可能發(fā)生的故障做出可靠預(yù)測。在正確安裝調(diào)試識別方面，SVM也表現(xiàn)出良好性能，其準(zhǔn)確率為76.4%。

邏輯分類算法結(jié)果如圖4所示。邏輯在故障預(yù)警方面具有不俗表現(xiàn)，準(zhǔn)確率為78.0%，表明其對系統(tǒng)潛在問題的識別能力相當(dāng)可靠。盡管稍低于其他模型，但是仍然表現(xiàn)出良好的整體性能。在正確安裝調(diào)試識別中，該算法的準(zhǔn)確率為70.8%。

樸素貝葉斯分類算法結(jié)果如圖5所示。數(shù)據(jù)顯示，貝葉斯分類預(yù)測在故障預(yù)警方面表現(xiàn)出色，準(zhǔn)確率為87.8%，表明該模型能夠高度可靠地識別系統(tǒng)潛在問題，并及時采取必要措施。在正常操作判斷方面，貝葉斯分類器的準(zhǔn)確率為75.0%，說明該方法在檢測可能存在的問題并做出相應(yīng)反應(yīng)方面具有優(yōu)勢。

3個模型均表現(xiàn)良好，同時各具獨特優(yōu)勢，其中SVM在正常安裝調(diào)試條件下的預(yù)測精度更高，貝葉斯模型則更善于在故障預(yù)測條件下尋找異常規(guī)律等。綜合考慮以上分析結(jié)果并結(jié)合實際需求選擇最佳算法，將會使系統(tǒng)運行效果和穩(wěn)定性得到進(jìn)一步提升。

4 結(jié)語

高壓開關(guān)健康狀態(tài)監(jiān)測是保證設(shè)備運行穩(wěn)定，并保障設(shè)備安全的重要手段。本文介紹了高壓開關(guān)健康狀態(tài)監(jiān)測的設(shè)備檢查、關(guān)鍵指標(biāo)選取、數(shù)據(jù)獲取以及預(yù)處理等步驟，分析了環(huán)境溫度、濕度、電流和電壓等數(shù)據(jù)特征，并比較了支持向量機（SVM）、邏輯以及貝葉斯分類器3種不同模型算法，三者在故障預(yù)警方面均表現(xiàn)出色，同時也具有各自的獨特優(yōu)勢。比較各算法可知，SVM、邏輯和貝葉斯分類器在故障預(yù)警和正常操作判斷方面表現(xiàn)出色。特別是貝葉斯分類器在識別潛在問題方面的準(zhǔn)確率為87.8%，性能卓越；支持向量機（SVM）故障預(yù)警準(zhǔn)確率為85.2%；邏輯分類器的準(zhǔn)確率為78.0%。結(jié)合所述結(jié)果并根據(jù)實際需求選擇最佳算法將有助于提高系統(tǒng)運行效果和穩(wěn)定性。在未來工作中還需要進(jìn)一步研究如何利用多模態(tài)傳感器融合技術(shù)更準(zhǔn)確、可靠地監(jiān)控系統(tǒng)內(nèi)部情況，并提前發(fā)現(xiàn)潛在問題風(fēng)險點。

參考文獻(xiàn)

[1]郭寧，李曉青.基于自適應(yīng)模糊PID的電氣設(shè)備溫度調(diào)試仿真[J].計算機仿真，2024，41（2）：56-60，119.

[2]廖曉輝，謝子晨，路銘碩.基于YOLOv5s和Android部署的電氣設(shè)備識別[J].鄭州大學(xué)學(xué)報（工學(xué)版），2024，45（1）：122-128.

[3]濮星海，王飛，張正東.建筑電氣設(shè)備接地的安裝調(diào)試與檢修[J].工業(yè)建筑，2023，53（6）：243.

[4]鄭樹國.風(fēng)力發(fā)電項目升壓站電氣設(shè)備的安裝調(diào)試及管理[J].水利水電技術(shù)（中英文），2022，53（增刊2）：83-85.

[5]蔡文站，田建艷，王書宇，等.基于NXMCD與TIA的機器人打磨聯(lián)合調(diào)試研究[J].現(xiàn)代制造工程，2022（7）：37-42，120.

[6]王子默，王清亮.基于梯度擴散的電氣設(shè)備調(diào)試故障行波檢測[J].計算機仿真，2020，37（5）：468-472.