基于知识和数据双驱动的断路器状态评价方法

技术领域

本发明涉及重载铁路高压断路器状态评价领域，尤其涉及一种基于知识和数据双驱动的断路器状态评价方法。

背景技术

目前，针对重载铁路一二次侧种类繁多的牵引供电高压断路器，试验检修人员工作强度大，维护成本高。有时导致断路器检修欠佳，出现工况模糊无法合理确定的问题。通过研发牵引供电关键设备的健康评价系统，帮助试修人员更加方便快捷的掌握牵引电气设备的工况以及提供必要的检修意见，为社会带来可观的经济效益。但是现有的高压断路器状态评估方法多采用机理建模的方式，模型划分过细，主观因素获取使得在实际应用中较为困难，造成状态评价不准确。

发明内容

本发明所要解决的技术问题是提供一种状态评价更准确、使用范围更广、效率更高的基于知识和数据双驱动的断路器状态评价方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于知识和数据双驱动的断路器状态评价方法，包括如下步骤：

通过试验管理模块获取牵引变电所进线侧高压断路器基本台账信息和同期历史维修记录，选择相应试验参数作为评价指标；

构建高压断路器知识驱动和数据驱动的双驱动的分级状态评估模型，其中知识驱动模型采用AHP-PCA确定主客观权重，选择合适的隶属函数进行组合，进而模糊运算得到合适评语；数据驱动模型利用专家系统生成初始数据源，选择PCA-SVM分类评估，并利用机理模型更新数据源；

使用构建的分级状态评估模型对断路器的运行状态进行评估。

进一步的技术方案在于：知识驱动模型利用AHP算法计算主观权重，并利用PCA算法对主要指标进行降维处理得到客观权重，主观权重与客观权重组合后得到组合权重；选择直线型、抛物线型和根号型隶属函数组合，得到隶属度；采用多层次模糊综合评价法对权重和隶属度矩阵进行模糊运算，按照最大隶属度准则以机理建模方式得到断路器评语。

进一步的技术方案在于：：所述数据驱动模型将数据统计输入给专家系统生成样本标签，利用PCA算法对统计得到的试验数据集进行降维，并结合SVM算法对小样本数据进行训练、预测和分类，得到断路器工况信息。

进一步的技术方案在于：将断路器的运行状态包括{优秀(V1)，良好(V2)，注意(V3)，异常(V4)}；优秀代表断路器工作相对稳定发生系统性故障概率较低；良好代表断路器已经工作了一段时间已经有了部分磨损；注意代表断路器的磨损和发生故障的概率较之前相比已经有所提升；异常表示断路器整体工作情况较差，在设备工作时需要密切关注其运行状态以防发生故障造成变电所保护跳闸影响列车运行。

进一步的技术方案在于：利用PCA算法对主要指标进行降维处理得到客观权重的方法包括如下步骤：

令评估矩阵X有n个样本数据，每个样本有m维特征，可描述为：

取样本数据平均值

式中，λ

若权重出现负值，找到最小的那个负的权重，所有权重值加上这个权重后进行归一化处理，即为所求的客观权重B：

进一步的技术方案在于：所述得到组合权重的方法包括如下步骤：

主观权重A和客观权重B进行线性加法组合赋权，即组合权重

进一步的技术方案在于：使用SVM算法对小样本数据进行处理的方法包括如下步骤：

通过选择合适的惩罚因子C和核参数g，进而确定最优解，SVM的分类器的目标函数为：

式中，C为惩罚因子；ξ

式中，α

最后得到决策函数：

式中，K(x,x

K(x,x

采用上述技术方案所产生的有益效果在于：本发明所述方法能够解决现场审查人员对各个站所不同位置及日期下断路器的运行状况做到及时发现了解，并按照试验人员通过试验管理模块和状态评估模块快速进行断路器状态评估，审核人员审核试验数据并对试验人员评估结果为注意和异常的数据再次评估，进一步确定异常模块，进而安排合理检修。管理人员可在后台监测异常状态，修改相关试验数据，合理安排检修等，提高了工作效率。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例所述方法的流程图；

图2是本发明实施例所述方法中多层次审核机制下的试验管理与状态评估流程图；

图3是本发明实施例所述方法中知识评估组合隶属函数图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

总体的，如图1所示，本发明实施例公开了一种基于知识和数据双驱动的断路器状态评价方法，包括如下步骤：

通过试验管理模块获取牵引变电所进线侧高压断路器基本台账信息和同期历史维修记录，选择相应试验参数作为评价指标；

构建高压断路器知识驱动和数据驱动的双驱动的分级状态评估模型，其中知识驱动模型采用AHP-PCA确定主客观权重，选择合适的隶属函数进行组合，进而模糊运算得到合适评语；数据驱动模型利用专家系统生成初始数据源，选择PCA-SVM分类评估，并利用机理模型更新数据源；

使用构建的分级状态评估模型对断路器的运行状态进行评估。

通过试验管理模块得到断路器相关评估数据，按照试验人员进行数据评估，快速得到评语；审核人员审核试验数据，利用数据评估对注意和异常评语再次评估，进行检验；管理人员对异常数据进行更正，并完善数据模型。

试验管理模块分别从报表管理界面上传、查询、删除更改试验数据数据。数据查询界面进行精确合模糊查询断路器试验数据，基本信息界面保存断路器状态评估数据。进而将现场开展的预防性试验数据收集整理，得到适合断路器评估所需的基本数据。

将断路器的运行工况分为{优秀(V1)，良好(V2)，注意(V3)，异常(V4)}。优秀代表断路器工作相对稳定发生系统性故障概率较低；良好代表断路器已经工作了一段时间已经有了部分磨损；注意代表断路器的磨损和发生故障的概率较之前相比已经有所提升；异常表示断路器整体工作情况较差，在设备工作时需要密切关注其运行状态以防发生故障造成变电所保护跳闸影响列车运行。

知识驱动模型利用AHP算法计算主观权重，并利用PCA算法对主要指标进行降维处理得到客观权重，主观权重与客观权重组合后得到组合权重；选择直线型、抛物线型和根号型隶属函数组合，得到隶属度；采用多层次模糊综合评价法对权重和隶属度矩阵进行模糊运算，按照最大隶属度准则以机理建模方式得到断路器评语。

数据驱动模型将数据统计输入给专家系统生成样本标签，利用PCA算法对统计得到的试验数据集进行降维，并结合SVM算法对小样本数据进行训练、预测和分类，得到断路器工况信息。

知识驱动模型的多层次模糊综合评价模型为：开断磨损、试验参数、绝缘结构和其它因素四个一级指标。相对电磨损、开断次数、使用年数、时间参数、速度参数、回路电阻、微水含量、气体泄漏、绝缘电阻、工作环境、维修状况、外观情况和生产厂家为二级指标。分/合闸不同期、分/合闸时间、刚分/合速度、灭弧室、其它气室、温度、湿度、尘埃、同类断路器、不同类断路器、操动机构、机构外观、主回路端子、支持绝缘、厂家实力、认同度、产品成熟度为三级指标，多层次审核机制下的试验管理与状态评估流程如图2所示。

知识驱动模型其它因素通过模糊统计实验法确定，利用C#自动生成统计表，并联网分派指定专家打分统计，以便在线收集所需其它客观信息。知识驱动模块的各子模块数据进行历史功能记录，并生成二维码，可通过移动设备扫码，查询本次评估结果。

本发明通过系统数据查询界面、试验管理界面和辅助功能界面获取目标断路器开断磨损模块下的相对磨损、运行年数、开断次数；绝缘结构模块下的绝缘电阻、灭弧室和其它气室湿度等情况；试验参数模块下的分合闸不同期时间和刚分/合速度；及断路器工作环境、厂家信息、机构外观等其它影响断路器性能的因素。通过评价界面进行设备的综合评估。

试验管理界面负责上传、查询、打印、审核删除实验数据。具体项目包括：拉杆绝缘电阻实验时间、温度；测试结果(断口/整体)；导电回路电阻、分合闸时间、分合闸不同期时间、分合闸速度；交流耐压值、实验时间、温度、分合闸状体；直流泄漏值、一分钟泄漏量；操作线圈测试实验时间、温度；合闸线圈绝缘电阻、直流电阻、65％操作电压合闸、30％操作电压合闸、动作检查；操动机构实验时间、温度；密封性检查；最后的结论、环境湿度、记录人、仪器型号、名称及编号；审查人员和试验人员。

数据查询界面包括查询指定站所、设备编号、试验项目和指定时间或特定时间范围内所做的实验结果。可以在此界面进行添加与删除数据。

评价功能由开断磨损界面、微水含量界面、绝缘结构界面、时间参数界面、速度参数界面、实验参数界面、工作环境界面、其它因素界面、生产厂家界面、外观情况界面、维修状况界面、知识评价界面组成。每个界面均包括层次分析权重计算模块、隶属度参数录入与计算模块、主客观组合加权确定权重模块、本级综合评价计算模块。基本信息界面是将实验数据进行整理放入后台数据库，方便调用和查询。数据评估界面则用于试验人员快速评估。

辅助功能界面包括评价结果界面、调查问卷界面、历史数据查询界面。其中评价结果界面用于评估结果的可视化显示；调查问卷界面将断路器其它因素的各个指标自动生成统计表用于分发统计；历史数据查询界面为查询经综合评估后断路器各指标的历史数据。

选取厂家为LW36-126kV型SF6断路器作为验证对象。按照上述方法统计得出该断路器工作11年，动作次数累计331次，相对电磨损经计算得出为0.40。通过查询指定日期下该型断路器的预防性试验项目数据，可知灭弧室和其它气室湿度221ppm、300ppm；额定压力、报警压力和闭锁压力分别为0.5MPa、0.45MPa、0.40MPa，实测压力为0.44MPa；分/合闸不同期为1.6ms、2.5ms，标准值为3.0ms、5.0ms；分/合闸时间为70ms和30ms；刚分/合速度为4.6ms、3.1ms；刚分/合正常范围5.0±0.5m/s、3.5±0.5m/s；绝缘电阻值6500MΩ；导电回路电阻为84μΩ，分合闸直流电阻为41.1Ω和39.8Ω。

PCA算法利用了数据的信息浓缩原理，可以将高维数据映射到低维并保留原始数据的大部分特征。并且将多个指标按照设定的累计方差解释率进行降维，得到较少的仍能够反映原始数据的指标。本申请使用PCA算法对高压断路器因素集中主要指标进行降维处理，令评估矩阵X有n个样本数据，每个样本有m维特征，可描述为：

取样本数据平均值

支持向量机(SVM)是用于数据分类时所提出的一种机器学习方法，该方法在小样本分类方面应用广泛。SVM通过某种非线性映射，在高维空间构建高泛化的决策曲面，使距离该曲面最远的样本数据到决策曲面距离最小。通过选择合适的惩罚因子C和核参数g，进而确定最优解，SVM的分类器的目标函数为：

式中，C为惩罚因子；ξ

式中，α

最后得到决策函数：

式中，K(x,x

K(x,x

选取朔黄重载铁路和石太高速铁路沿线，各站的SF6断路器的历史故障数据和试验管理数据，共40组作为初始数据源。其中，每种状态各10条样本用于建立PCA-SVM数据评估模型。表1给出了选取的试验样本特征及主成分累计贡献率。本申请依据主成分累计贡献率到达85％以上选择特征数量。因而选择前四个主成分作为最佳评估特征。

表1数据特征及主成分统计表

现以试验人员登录进行经验建模方式进行断路器状态评估。试验人员将测试数据送入初始数据集进行分类评估，得出评语为异常。需审核人员采用机理建模方式进一步评估确定异常模块，进而给出维护建议。

隶属函数是建立模糊集的前提，应该不断根据实际情况合理调整最后通过实践检验得出的。隶属函数的确定一般分为模糊发表调查法和指派分布函数法。模糊调查法的根据专家经验对评价对象的各项指标进行评估后并在指定表格评价等级处进行选择，统计获得各因素的等级结果。

指派法是选用已知的模糊分布数学模型去处理工程应用问题的，通常多采用直线型加以规范，即评估因素值和实际情况线性相关。由于所有指标试验数据所对应的劣化度和评语的隶属度不都呈现单一的线性变化，可能存在某些突变因素，传统的方式存在一定的局限性。隶属函数的确定有很多种，但其是否符合要求，关键看元素集合从隶属于到不隶属于集合变化过程的整体表现。

如果指标隶属于相邻评语的程度越强，则具有一定的模糊性，应选用根号隶属函数。反之隶属程度越弱，属于单个评语越明显，选择抛物线隶属函数较为合适。如果劣化程度和评语隶属度一致，则选择线性函数区分。各评语所对应的隶属函数如表2所示。其中K为控制隶属函数的切线斜率，应根据评估指标来具体确定隶属函数，知识评估组合隶属函数图如图3所示。

表2非线性隶属函数表

本申请将开断磨损、试验参数和绝缘结构子模块分别设置为抛物线型、根号型和线性模式加以区分，并进行隶属函数的计算。在得到各子模块对应的评价向量后，按照相应准则得出综合评价结果。实现有针对性的维护设备异常部件，做到恰当检修。

组合权重采用AHP算法和PCA算法结合的方式确定综合权重。最后将主观权重A和客观权重B进行线性加法组合赋权，即

现以审核人员登录进行机理建模方式进行断路器状态评估。将现场实测数据带入隶属函数，得到模糊关系矩阵的计算结果：

步骤一：开断磨损计算

步骤二：绝缘结构计算

步骤三：试验参数计算

R

步骤四：其它因素计算

分别将工作环境、外观情况、维修记录和生产厂家的相应权重和隶属度进行模糊运算，得到各子模块的评价向量为

最后将工作环境、外观情况、维修记录、生产厂家计算出的四个评价结果作为上一级其它因素的隶属度，再次进行综合评价，评价矩阵为

E

步骤五：知识评估计算

将开断磨损、运行参数、绝缘介质和其它因素的评价结果作为本级评价因素的隶属度来构建评价矩阵，则有

结合权重分配和相应模糊算子进行模糊运算，得

数据驱动方式的完善：如果试验人员采用数据评估模型，结果是注意或异常状态，则需要审核人员进行以知识驱动方式全方面状态评估。评估是哪一具体模块或试验项目存在故障风险，进而安排合理检修工作。并将本次试验记录和评语(注意/异常)上传数据库，进一步更新补充样本总数和故障数据。

知识驱动方式的完善：由于高压电器设备某一处的潜在故障可能会引发系统整体功能的失效，在采用知识评估得出的评语可能会出现某一模块评语异常，而整体性能仍为注意或良好的情况。若将该数据划分为故障/异常数据较为合理。试验人员可预先快速评估筛查故障后，审核人员再进行综合评估确认，并安排合理维护，进而降低机理模型因建模不合理造成设备的欠维护和过维护。

综上，本发明所述方法能够解决现场审查人员对各个站所不同位置及日期下断路器的运行状况做到及时发现了解，并按照试验人员通过试验管理模块和状态评估模块快速进行断路器状态评估，审核人员审核试验数据并对试验人员评估结果为注意和异常的数据再次评估，进一步确定异常模块，进而安排合理检修。管理人员可在后台监测异常状态，修改相关试验数据，合理安排检修等，提高了工作效率。