高压电子开关设备在线故障分类方法、设备及存储介质

技术领域

本发明涉及高压电子开关的状态监测和故障分类技术领域，特别是一种高压电子开关设备在线故障分类方法、设备及存储介质。

背景技术

高压电子开关设备作为电网控制和保护的主要元件，对电网的安全可靠运行至关重要。高压断路器其实是一种关合和开断的瞬间性动作，它是将操动机构的储能机构存储的能量在很短的时间内，通过能量传递作用在电机等一连串机械部件上，而在能量传递过程中，各机械部件会相互运动、摩擦和撞击。

在整个运动过程中机械部件都是高速运行和高强度冲击的，此过程加速度甚至达到100g，触头能在毫秒级数量单位内加速到每秒几米，而在制动、缓冲过程中，撞击更为强烈。对于这样高强度的冲击响应，使得断路器间的机械结构在大量分合闸操作后存在传动部件摩擦力增大、机构运动堵转卡滞、断路器缺相等情况，将引发断路器误动、拒动、拒合的问题。断路器经过多次分合闸操作后，由于长期的摩擦，表面难免有凹凸现象，这些都将增大断路器分合闸动作过程中机械部件之间的摩擦力矩，从而导致断路器分合闸时所需转矩增大。断路器的堵转卡滞通常发生在动弧触头、拨叉、镰刀拐臂位置，原因大多为装配时结构件带来的误差、运动部位缺少润滑油的保护。此类故障相较于摩擦力增大故障，造成的后果更为严重。在供电系统正常工作的情况下，开关分闸和合闸不同步会产生缺相的故障，断路器也会由于拒合而引起缺相的故障。断路器出现缺相故障主要与机械部分相关，机械部分的故障有操动机构失灵、断路器本身不工作、传动部分故障等。断路器缺相故障引发的后果严重，会严重损害电力设备。

随着数据挖掘技术和人工智能算法的飞速完善和发展，通过挖掘高压电子开关设备运行过程中积累的大量历史数据所包含的设备运行信息来进行状态监测和故障预警已经逐渐成为新的研究方向。但是，该研究方向依赖于大量的故障数据进行前期训练，训练样本越多，故障数据越完备，得到的诊断模型精度越高。

对于在线运行设备，尤其是针对小批量设备而言，仅通过设备历史正常工况的数据，无法在设备异常状态进行有效识别，分类效果欠佳。

CN115293208A提供了一种隔离开关故障诊断方法及系统，其采用SVM分类器的深度加权融合模型对隔离开关进行故障诊断。由于SVM分类器的特性，对于多分类问题解决效果并不理想，只适用于二分类问题。虽然为了弥补参数选取的错误导致的过拟合而进行了加权融合，但是固定的惩罚系数也会导致分类准确率的下降。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种高压电子开关设备在线故障分类方法、设备及存储介质，提高故障分类精度。

为解决上述技术问题，本发明所采用的技术方案是：一种高压电子开关设备在线故障分类方法，包括以下步骤：

随机选取并切分高压电子开关设备的监测参数，重构一维数据集；

利用滑动窗口处理所述一维数据集，得到多个一维子序列；若两个所述相邻一维子序列之间的距离小于设定的距离阈值，且该两个相邻一维子序列对应的类别相同，则删除该两个相邻一维子序列中的其中一个一维子序列，选取权值最大的K个一维子序列；

利用选取的权值最大的K个一维子序列构建训练集，训练卷积神经网络，得到分类模型。

本发明使用了滑动窗口对子序列进行识别，并进行了剪枝处理(即删除多余的一维子序列)，提高了数据质量，解决了现有技术因数据量过少而导致的模型训练时间持久，分类精度无法提高的问题。本发明无需采用加权融合等复杂手段，且无需设置固定的惩罚系数，分类准确率高。

本发明中，所述高压电子开关设备的监测参数包括电磁转矩Tr、实际电流Iq曲线、实际电流Id曲线。

本发明中，重构一维数据集的具体实现过程包括：

获取高压电子开关设备正常与异常运行状态下的多变量历史数据，作为训练矩阵T；

对训练矩阵T进行归一化处理；

从归一化后的训练矩阵T中随机抽取部分向量，得到一维数据集。

本发明利用高压电子开关正常与异常的历史数据构成历史记忆矩阵，能够对多维复杂数据进行处理与分类；在选用矩阵数据构造记忆矩阵和预测输出时，由于高压电子开关设备不同监测数据的量纲不同，且不同监测数据绝对值相差较大，为保证使用非线性算子正确衡量不同观测向量之间的距离，本发明对各个监测参数分别进行了归一化。

本发明中，一维子序列X

本发明通过权值而非简单的距离计算，初步选出多个特征明显的子序列与残差谱分析结合，使时间序列特征数据更为明显，便于分类，使得建模过程更加简单，满足现场的实时工况，且进一步提高了分类准确率。

利用选取的权值最大的K个一维子序列构建训练集，训练卷积神经网络，得到分类模型的具体实现过程包括：

将选取的权值最大的K个一维子序列重构为多个二维灰度图，利用所述二维灰度图获得显著性图像，多个所述显著性图像构成图像数据集；

将所述图像数据集拆分为训练集和验证集，训练卷积神经网络，得到分类模型。

本发明将一维子序列(时间序列)转换为图片形式，使时间序列特征数据更为明显，便于分类，充分利用了卷积神经网络数据挖掘的优势，进一步提高了分类模型的精度，从而进一步提高了故障分类精度。

本发明中，二维灰度图I(x)的显著性图像S(x)表达式为：S(x)＝g(I(x))*F

本发明使用了残差谱分析的方式，使特征更为鲜明，从而可以进一步提高故障分类精度。

将所述图像数据集拆分为训练集和验证集，训练卷积神经网络，得到分类模型的具体实现过程包括：

从所述训练集中随机抽取两部分数据，得到两个子训练集S和T，

利用S，T，S∩T，S∪T四个数据集，采用MAML方法训练卷积神经网络模型，得到所述分类模型。

本发明引入凸博弈的策略，使数据增强后得到的显著特征与元学习的泛化能力能够进一步的结合，进一步极大地提高了故障分类精度。为了更好地进行特征提取，在本发明中将卷积神经网络嵌入到元学习框架中，在训练时能够根据少量数据，快速达到较高的故障分类精度。

进一步地，本发明的方法还包括：

利用所述分类模型对实时获取的高压电子开关设备的监测参数进行分类。

作为一个发明构思，本发明还提供了一种终端设备，包括：

一个或多个处理器；

存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明上述方法的步骤。

作为一个发明构思，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

与现有技术相比，本发明所具有的有益效果为：

1、本发明利用高压电子开关正常与异常的历史数据构成历史记忆矩阵，进行建模，能够对多维复杂数据进行处理与分类；

2、本发明引入了滑动窗口并进行了剪枝处理，较以往在分类中使用传统的动态规划与滑动窗口的方式，提高了数据的质量，通过权值而非简单的距离计算，初步选出K个特征明显的子序列与残差谱分析结合，使时间序列特征数据更为明显，便于分类，具有建模简单、满足现场的实时工况等优点，提高分类准确率；

3、与以往时序数据直接进行处理不同，本发明将时序数据转为图片的形式，将一维数据重新塑造为二维图片形式，同时为了更好的利用卷积神经网络(CNN)数据挖掘的优势，使用了残差谱分析的方式，使特征更为鲜明，有利于提供分类精度；

4、本发明提出了一种时序数据的凸博弈策略，凸博弈是一种合作博弈。元学习本身是为了解决泛化能力提出，而残次谱分析等策略则是为了特征增强、数据增强，但是特征增强与模型泛化能力之间不是正相关的，因此本发明引入凸博弈的策略，使数据增强后得到的显著特征与元学习的泛化能力能够进一步的结合，极大地提高了故障分类精度；

5、本发明采用了基于元学习的方法，元学习本身是一个框架，为了更好地进行特征提取，在本发明中将卷积神经网络嵌入到元学习框架中，在训练时能够根据少量数据，快速达到较高的故障分类精度。

附图说明

图1为本发明实施例基于元学习的故障分类原理示意图；

图2为电机三闭环控制原理；

图3为双动断路器结构示意图；

图4为元学习方法示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整地说明，显然，所描述的实施例是本发明一部分实施例，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。

在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构成A的全部，A还可能包括C、D、E等其它元素。

实施例1

如图1所示，本实施例提供了一种高压电子开关设备在线故障分类方法，包括以下步骤：

S1、随机选取并切分多维数据重构数据集。

本发明实施例中，上述步骤S1中的多维数据集，可以采用如下方式构建：

Step1，选取关键监测参数：通过对高压电子开关设备工作原理的分析，选取高压电子开关设备的关键监测参数；

Step2，选取训练矩阵T：获取高压电子开关设备正常与异常运行状态下的多变量历史数据，作为训练矩阵T；

Step3，数据预处理：对训练矩阵T进行归一化处理；

Step4，合成数据集D：从归一化后的训练矩阵T中随机抽取部分向量，进行降维处理。

以上步骤中，Step1～Step4为离线处理阶段。

Step1中，高压电子开关二合一装置上位机界面主要用来观测伺服电机驱动机构动作波形，其可观测的参数包含位置、电机d轴/q轴电压、电机d轴/q轴电流、速度、转矩：

(1)Pos为电机实际位置值，在分闸位置其数值为6.28，在合闸位置数值为3.14，PosRef为控制器设定的电机位置值；

(2)Iq代表q轴实际电流值，IqRef代表控制器设定的q轴电流值；

(3)Id代表d轴实际电流值，IdRef代表控制器设定的q轴电流值；

(4)Ud与Uq分别为d、q轴电压值，其数值通过A、B、C三相电压合成而来，电压值不作为判断断路器状态的主要依据；

(5)Speed为实测速度波形，SpeedRef代表控制器设定的速度波形；

(7)Tr为电机的电磁转矩，由电流推算而来。

伺服电机本身是不能独立运行的，伺服电机的运行源于伺服驱动器的“驱动”，而伺服驱动器对伺服电机的驱动基于三环控制(如图2所示)。三环控制是指控制环路包含三个控制环路——位置环、速度环、电流环。每一个控制环单独形成一个闭环控制，例如在位置环中，位置控制器(伺服驱动器)向伺服电机发出指令，即PosRef，伺服电机接收指令后运行至指定位置，即Pos，Pos再以一定方式返回到位置控制器的输入端，并对输入端施加控制影响，形成一种带有反馈信息的系统控制方式。

伺服电机的运动将进而导致带着断路器运动，断路器又分为多种形式，以双动断路器(如图3所示)为例。双动断路器分为八个部分，分别是静主触头1，镰刀拐臂2，拨叉3，静弧触头4，动弧触头5，动主触头6，绝缘拉杆7和主轴拐臂8。具体来说，灭弧室由动静主触头和动静弧触头等部件组成，合闸时主轴拐臂在重力用下转动，带动绝缘拉杆和镰刀拐臂，动静主触头接触，动静弧触头接触，拨叉扣上完成一次合闸动作。分闸时，拨叉打开，拉杆与拐臂在弹簧作用下运动，动静主触头分离，动静弧触头分离，完成一次分闸运动。

判定一次分合闸动作是否正常，主要通过比较三环控制中所涉及的参数是否正常即可，观察电磁转矩Tr、实际电流Iq曲线、实际电流Id曲线、实际速度波形Speed，与控制器设定的IqRef、IdRef曲线的拟合程度大小，且有无尖峰及曲线波动情况发生。

综上所述，通过对高压电子开关设备工作原理的分析，选取高压电子开关设备的关键监测参数有：电磁转矩Tr、实际电流Iq曲线、实际电流Id曲线。

假设某一设备的“相关变量集”中共有n个相互关联的变量，这n个监测参数的观测值所组成的向量记为观测向量X(t

例如，本发明实施例中，高压电子开关中相关变量集共有3个相互关联的观测变量，这3个监测参数的观测值所组成的向量记为观测向量X(t

x

X

Step3中，选取高压电子开关设备的各个监测参数在正常与异常运行状态下的测量值形成训练矩阵，用字母T表示，m表示第m个时刻：

正常运行状态是高压电子开关设备在低失效率时期的运行状态，从各个监测参数的数据角度而言，正常运行状态是指各个监测参数的平稳变化状态，且其中的平稳变化状态还包括每个监测参数的正常退化状态。异常状态根据电流与转矩的变化情况可分为类型，分别是电流与转矩数值较正常情况略微增大，电流、转矩数值急剧增大，电流、转矩数值较正常分合闸数值较小。

关于训练数据矩阵T的选取，有以下前提要求：

1)涵盖一段足够长的运行时间，包括高压电子开关设备在不同季节、不同负荷下的运行情况，覆盖设备正常与异常运行时各监测参数所有的动态变化情况；

2)训练矩阵T中所包含的时间状态都能表达设备对象的一个状态；

3)满足每一组采样值中各个监测参数的同时性，必须是同一时刻的采样值。

综上所述，假设训练数据总共包含k个时间状态，则训练矩阵T可表示为：

T＝[X(t

Step3中，在选用矩阵数据构造记忆矩阵和预测输出时，由于高压电子开关设备不同监测数据的量纲不同，且不同监测数据绝对值相差较大，为保证使用非线性算子正确衡量不同观测向量之间的距离，需要对各个监测参数分别根据各自的极值进行归一化处理(训练矩阵和观测矩阵中的一行)，使实际测量值映射到[0,1]之间，映射关系如下：

其中，x为归一化前的数据，x

Step4中，从训练矩阵T中，使用随机种子切片(即降维处理)，选择部分观测向量X(t

S2、将数据集输入至滑动窗口并分析选出子序列。

候选子序列X

X

其中，D为时间序列，Xsub为滑动窗口选中的子序列，ω为子序列权值，

其中

初步选取得子序列存在序列重复性大的问题，因此需要进一步剪枝处理，去掉波形图过于相似的子序列。假设子序列为X1、X2，对应的类别表示为Y1、Y2，两个子序列之间的距离为d12，dx为给定的距离阈值。如果满足条件d12＜dx以及Y1＝Y2，那么这两个子序列被认定为相似子序列，X2将被从候选集中删除。通过剪枝的方式提高数据集的质量，最后提取权值最大的K个候选子序列构建新的数据集。

上式物理意义为：通过计算子序列与原始序列向量两两之间的欧氏距离来反映它们之间的相似性。最相似的，则两者之间的欧氏距离最小，数据特征也更为明显，对分类结果的贡献也最大。

S3、将子序列重构为灰度图并进行显著特征分析。

本发明实施例中，为了利用二维CNN的特征提取和降噪能力，将原始连续的一维时序数据，堆叠成二维数据构建成灰度图。

为了使数据的特征更为明显，使用谱残差法对转换后图像进行显著性检测，其过程为：

假设数据集中的一条数据对应的灰度图为I(x)。

通过计算可以得到幅度谱A(f)＝R(F[I(x)])，相位谱P(f)＝Sh(F[I(x)])和对数谱L(f)＝log(A(f))，由

R(f)＝L(f)-h(I(x))*L(f)

获得其剩余图，最终根据公式

S(x)＝g(I(x))*F

得到其显著性图像替换该灰度图存入数据集中。其中，F和F

S4、将步骤S3得到的最终图像拆分为训练集与验证集进行元学习分类。

由于简单的将数据集拆分为训练集与验证集并不能保证特征增强与元学习泛化能力的更好结合，因此在特征数据分类中引入了凸博弈策略。

v(S∪T)+v(S∩T)≥v(S)+v(T)；

公式中的v(S)在本实施例中代表损失函数，即下述的CE(S)。具体来说，首先将数据集划分为训练集与验证集，在训练集中再次进行随机划分，随机抽取出两部分S与T，

Lmeta＝CE(S∪T)+CE(S∩T)-CE(S)-CE(T)。

元学习作为一个框架，其内部嵌入使用的模型为卷积神经网络(CNN)，其网络模型结构为四层卷积网络与批归一化层，最后加一层线性层。

在本发明实施例中，由于将训练集拆分为了四个类别，对于每个类别都将运用下述MAML算法。凸博弈得到的四个类别，每个类别都将经过预训练与微调这两个阶段。

本发明实施例的元学习方法为MAML算法，分为预训练和微调两个阶段。预训练中，初始化CNN模型后随机对若干个task采样，进行第一次的梯度计算

在一个批次都结束之后，进行二次的梯度更新，通过二次梯度更新提高模型的泛化能力，使它能够更好地学习的域外的知识，更新后的梯度θ

其中的β为学习率参数，

在初步模型的基础上，需要进行进一步微调，微调的过程与预训练的过程有几点不同，微调过程的初始参数θ直接使用预训练得到的θ

本发明实施例中，对S、T、S∪T、S∩T分别进行MAML训练，每一个训练周期均包括上述预训练过程和微调过程。对于每个数据集(S、T、S∪T、S∩T)，每完成一个训练周期的训练，会得到一个交叉熵损失，四个数据集均完成一个训练周期的训练后，会得到一个总的损失Lmeta，利用该总的损失调整CNN模型的参数，调整后的参数作为下一训练周期的初始参数，以此类推，直至训练周期达到设定的次数。在每一次调整参数后，会保留每一次调整参数获得的模型，例如，若总训练周期次数为N，则会得到N个CNN模型，以验证集验证后的性能最好的模型为最终的分类模型。

实施例2

本实施例提供了一种高压电子开关设备在线故障分类系统，包括：

数据集重构单元，用于随机选取并切分高压电子开关设备的监测参数，重构一维数据集；

子序列构建单元，用于利用滑动窗口处理所述一维数据集，得到多个一维子序列；若两个相邻一维子序列之间的距离小于设定的距离阈值，且该两个相邻一维子序列对应的类别相同，则删除该两个相邻一维子序列中的其中一个一维子序列，选取权值最大的K个一维子序列；

输出单元，用于利用子序列构建单元获得的一维子序列构建训练集，训练卷积神经网络，得到分类模型。

进一步地，本实施例的输出单元包括：

图像数据集构建模块，用于将一维子序列重构为多个二维灰度图，利用二维灰度图获得显著性图像，多个显著性图像构成图像数据集；

训练模块，用于将所述图像数据集拆分为训练集和验证集，训练卷积神经网络，得到分类模型。

本实施例的系统还包括：

分类单元，用于利用分类模型对实时获取的高压电子开关设备的监测参数进行分类。

本实施例中各单元/模块实现对应功能的过程同实施例1，此处不再赘述。

实施例3

本发明实施例3提供一种对应上述实施例1的终端设备，终端设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述实施例的方法。

本实施例的终端设备包括存储器、处理器及存储在存储器上的计算机程序；处理器执行存储器上的计算机程序，以实现上述实施例1方法的步骤。

在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。

实施例4

本发明实施例4提供了一种对应上述实施例1的计算机可读存储介质，其上存储有计算机程序/指令。计算机程序/指令被处理器执行时，实现上述实施例1方法的步骤。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。