一种GIS隔离开关分合位置确认方法

技术领域

本发明属于电力设备监测技术领域，具体涉及一种GIS隔离开关分合位置确认方法。

背景技术

气体绝缘全封闭组合电器（GIS）是电力系统中实现电气设备分割和隔离的关键元件。然而，由于GIS隔离开关的机械结构容易受到装配失误和长时间使用导致结构损坏，从而引发故障。其中，分、合闸不到位问题对电力系统及人员安全构成最大威胁。

GIS隔离开关分、合位置检测技术包括直接检测法和状态感知法两类。直接检测法，因GIS隔离开关结构封闭、内部空间狭小、传动机构紧凑、且处在高压大电流环境运行。在高电位引入传感器，信号线难以引出，信号受强电磁环境干扰，破坏原有结构的密封性，且易带来绝缘隐患等原因，不适用于这一对象的检测。

基于电机电流的状态感知方法与基于振动信号的状态感知方法理论上都具有GIS隔离开关机械状态的完整信息，都可以对GIS隔离开关的触头接触状态进行监测。但是，基于电机电流的状态感知方法，无法反映电压与电流的相位变化关系，且不同电机型号的电机电流具有一定程度的分散性，导致电流特征表现不明显。即使在电流特征比较明显的前提下，现有诊断算法也属于物理分析方法，通过对电流包络线的分析进行缺陷分析，属于阈值判断，这种判断会造成两个问题，第一，对于不同的隔离开关该阈值设置难以直接量化，都需要专家介入，对隔离开关的运动过程完成物理分析，然后再进行阈值对应，同时，也难以适应工业现场的因开关机械状态离散性造成的阈值因开关差异而产生的差异。

基于振动信号的状态感知方法，只考虑了隔离开关在电磁力作用下的振动频率，而忽略了GIS隔离开关本体结构的固有频率，所得出的结论难以与实测信号进行匹配。采集数据量大，信号传输时间长，耗费存储空间大。

以上现有技术都难以可靠的确认离开关的分、合动作指令下达后，关键的关注点是设备是否完成相应的动作，并能够及时发现隔离开关分、合位置异常状态，以避免可能发生的运行事故。而这对于电力系统的安全稳定运行至关重要。

发明内容

为了更好地判断隔离开关位置，本发明提供了一种GIS隔离开关分合位置确认方法，通过核密度估计方法估计标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线对应的概率密度估计曲线，并计算相似性来判断分闸、合闸。

本发明的一种GIS隔离开关分合位置确认方法，步骤如下：

步骤一：采集GIS隔离开关的电机实时功率，并进行数据预处理，得到未知动作功率曲线；

步骤二：使用核密度估计方法估计标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线对应的概率密度估计曲线；

步骤三：采用交叉验证方法自适应选择核密度估计的带宽；

步骤四：计算未知动作功率曲线对应的核密度估计曲线与标准分闸功率曲线和标准合闸功率曲线的核密度估计曲线的相似性得分；基于相似性得分判断未知动作功率曲线是分闸还是合闸。

具体地，所述核密度估计计算过程为：

；

；

其中：

具体地，所述交叉验证方法包括最小均方误差交叉验证和最小交叉验证估计。

具体地，所述最小均方误差交叉验证：将数据集分为训练集和验证集，通常采用k折交叉验证，对于每个带宽值，对训练集进行核密度估计；使用概率密度估计曲线在验证集上计算均方误差；选择使均方误差最小化的带宽作为最佳带宽。

具体地，所述最小交叉验证估计：将数据集分为训练集和验证集；对于每个带宽值，对训练集进行核密度估计；使用概率密度估计曲线在验证集上计算期望均方误差；选择使期望均方误差最小化的带宽作为最佳带宽。

具体地，所述步骤一中，采集GIS隔离开关的电机在运行过程中的电压和电流，并根据电压和电流计算电机实时功率，得到未知动作功率曲线。

具体地，所述步骤一中，数据预处理包括数据清洗、数据格式化和数据对齐。

具体地，所述数据清洗包括处理缺失数据、处理异常值和噪声过滤。

具体地，所述数据格式化包括：检查标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线的数据点之间的时间间隔，确保它们在时间上一致；检查数据的格式。

具体地，所述数据对齐包括：

时间对齐：根据时间戳信息，将标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线进行对齐，使它们在时间上一致；

插值：如果数据点在时间上不均匀分布，使用插值方法来获得均匀时间步长的数据。

本发明可以在开关动作时实时进行状态判定，确保了电力系统的稳定运行。本发明采用核密度估计方法进行功率曲线相似性分析，相对于使用动态时间规整（DynamicTimeWarping,DTW）等传统曲线相似度分析方法，具有以下优点：

不依赖对齐过程：核密度估计方法不需要进行曲线对齐的过程，而DTW等方法通常需要在进行相似性分析前对曲线进行时间或空间上的对齐，这可能涉及复杂的计算和参数选择。核密度估计方法通过在整个曲线上进行平滑估计，允许曲线之间的自由比较，而无需强制对齐。这样可以更灵活地应对曲线之间的变化和噪声。

适用性广泛：核密度估计方法是一种非参数方法，不依赖于曲线的具体形状或模型，因此适用于各种类型的曲线数据，包括连续型、离散型、单峰、多峰等。相比之下，DTW等方法通常依赖于曲线的具体形状和特性，对不同类型的曲线可能需要调整参数或修改算法。

提供概率密度信息：核密度估计方法不仅可以用于比较曲线的相似性，还提供了曲线上每个点的概率密度信息。这意味着可以更详细地了解曲线的分布特性，识别潜在的模态或峰值，并进一步进行统计分析。这种概率密度信息在许多应用领域，如异常检测、模式识别和统计分析中，具有重要价值。

非接触式监测：此方法只需对比已有的功率曲线数据，不需要额外的物理接触或设备干预，减少了潜在的风险。

附图说明

图1为标准分闸功率曲线；

图2为标准合闸功率曲线；

图3为未知动作功率曲线；

图4为核密度估计曲线相似性比较图。

具体实施方式

下面结合实施例进一步详细阐明本发明。

一种GIS隔离开关分合位置确认方法，步骤如下：

步骤一：采集GIS隔离开关的电机实时功率，并进行数据预处理，得到未知动作功率曲线。

采集GIS隔离开关的电机在运行过程中的电压和电流，并根据电压和电流计算电机实时功率，得到未知动作功率曲线。数据预处理包括数据清洗、数据格式化和数据对齐。

数据清洗是确保数据质量的关键步骤。在此阶段，需要执行以下任务：

处理缺失数据：检查并填充缺失的数据点，或者考虑插值方法来填补缺失值；

处理异常值：识别和处理可能的异常值或离群点，以防止它们影响估计的准确性；

噪声过滤：考虑应用平滑或滤波技术，以减少数据中的噪声。

数据格式化确保数据的一致性和可用性。在这一阶段，需要执行以下任务：

数据采样频率：检查标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线的数据点之间的时间间隔，确保它们在时间上一致；

数据格式：检查数据的格式，例如数据是否以适当的结构和类型存储。

数据对齐是为了确保标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线的数据在时间上对齐，以便后续的比较。执行以下任务来实现数据对齐：

时间对齐：根据时间戳信息，将标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线进行对齐，使它们在时间上一致；

插值：如果数据点在时间上不均匀分布，可以考虑使用插值方法来获得均匀时间步长的数据；

确保对齐后标准分闸功率曲线、标准合闸功率曲线的数据集和未知动作功率曲线的数据集包含相同数量的数据点或时间步长，以便进行后续的核密度估计和比较。

步骤二：使用核密度估计方法估计标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线对应的概率密度估计曲线。核密度估计的基本原理是通过在每个数据点附近放置核函数，然后将它们叠加起来估计概率密度。以下是核密度估计的基本公式：

；

其中：

；

其中h是带宽，用于控制核函数的宽度。

核密度估计是一种非参数方法，用于估计数据的概率密度估计曲线。它通过在每个数据点周围放置核函数，然后将核函数叠加起来，以获得对整个数据分布的估计。核函数通常是以零为中心的对称函数，用于衡量数据点对估计的贡献。标准正态分布的密度函数通常用作核函数，但也可以选择其他核函数，如Epanechnikov核、三角核等。

核密度估计计算：对于第i个数据点x

将核密度估计的结果可视化，绘制估计的核密度估计曲线。这将帮助直观地理解数据的分布情况以及未知动作功率曲线的概率密度估计。核密度估计是理解数据分布并进行概率密度估计的有用工具。使用核密度估计来获得标准分闸功率曲线、标准合闸功率曲线和未知动作功率曲线的概率密度估计曲线，以支持后续的相似性评估。

步骤三：自适应带宽选择。

在核密度估计中，选择适当的带宽是关键，因为它直接影响了概率密度估计曲线的形状和平滑度。将采用交叉验证方法来选择带宽，以确保概率密度估计的准确性和鲁棒性。

交叉验证是一种常用的带宽选择方法，它通过在数据集上进行多次核密度估计并评估性能来选择最佳带宽。常见的交叉验证方法包括最小均方误差交叉验证和最小交叉验证估计。

最小均方误差交叉验证：这种方法的目标是选择带宽，以最小化核密度估计与真实概率密度曲线之间的均方误差。具体步骤如下：将数据集分为训练集和验证集，通常采用k折交叉验证，其中k是交叉验证的折数；对于每个可能的带宽值，对训练集进行核密度估计；使用概率密度估计曲线在验证集上计算均方误差；选择使均方误差最小化的带宽作为最佳带宽。

最小交叉验证估计：这种方法的目标是选择一个带宽，以最小化交叉验证估计的期望均方误差。具体步骤如下：将数据集分为训练集和验证集；对于每个可能的带宽值，对训练集进行核密度估计；使用概率密度估计曲线在验证集上计算期望均方误差；选择使期望均方误差最小化的带宽作为最佳带宽。

本发明综合采用上述两种带宽验证方法，取效果最好的，效果因实际的数据而不同。

带宽的选择通常涉及到使用交叉验证方法，其中最小均方误差交叉验证和最小交叉验证估计是常见的选择方法。这些方法的基本原理是通过在训练集上估计核密度函数，然后在验证集上评估估计的质量来选择最佳带宽。

带宽的选择考虑到了平滑度和适应性之间的权衡。较小的带宽会导致概率密度估计曲线更接近原始数据，但可能过于尖锐。较大的带宽会导致概率密度估计曲线更平滑，但可能过于平坦，失去了原始数据的细节。

通过交叉验证，可以找到一个使概率密度估计曲线在验证集上具有较小均方误差或期望均方误差的带宽。这个带宽可以用于估计未知动作功率曲线的概率密度估计曲线，以便后续的相似性评估。

总之，带宽选择的目标是找到一个使核密度估计在平滑度和适应性之间达到最佳平衡的值，以确保核密度估计能够准确反映数据的分布特征。交叉验证方法是一种常用的、基于数据的方式来实现这个目标。带宽自适应方法可以根据数据的特性自动选择合适的带宽，而不需要手动调整或预先设定带宽值。这种自适应性使方法更具通用性，可以适应不同数据集的变化。与传统的固定带宽方法相比，带宽自适应可以更好地处理数据中的不均匀性和噪声。

步骤四：计算未知动作功率曲线对应的核密度估计曲线与标准分闸功率曲线和标准合闸功率曲线的核密度估计曲线的相似性得分；基于相似性得分，解释未知动作功率曲线是分闸还是合闸的可能性，提供结果的可视化或可解释性信息，以支持最终决策。

本发明的应用实例如图1-图4所示，图1为标准分闸功率曲线，其中横轴表示数据点，纵轴表示数值，单位为瓦（W）。图2为标准合闸功率曲线，图3为未知动作功率曲线。图4为核密度估计曲线相似性比较图，曲线1为标准分闸功率曲线对应的核密度估计曲线，曲线2为标准合闸功率曲线对应的核密度估计曲线，曲线3为未知动作功率曲线对应的核密度估计曲线，横轴表示数据值，纵轴表示概率密度，无量纲。曲线3与曲线1比较的相似性得分为0.0000000954，曲线3与曲线2比较的相似性得分为0.0000040416，因此判断图3为合闸功率曲线，GIS隔离开关合闸。

本发明采用核密度估计方法进行曲线相似性分析，相对于使用动态时间规整（DynamicTimeWarping,DTW）等传统曲线相似度分析方法，具有以下三个主要优点：

不依赖对齐过程：核密度估计方法不需要进行曲线对齐的过程，而DTW等方法通常需要在进行相似性分析前对曲线进行时间或空间上的对齐，这可能涉及复杂的计算和参数选择。核密度估计方法通过在整个曲线上进行平滑估计，允许曲线之间的自由比较，而无需强制对齐。这样可以更灵活地应对曲线之间的变化和噪声。这使得核密度估计方法更容易实施，尤其对于实际数据中存在噪声或变化的情况。

适用性广泛：核密度估计方法是一种非参数方法，不依赖于曲线的具体形状或模型，因此适用于各种类型的曲线数据，包括连续型、离散型、单峰、多峰等。相比之下，DTW等方法通常依赖于曲线的具体形状和特性，对不同类型的曲线可能需要调整参数或修改算法。DTW等方法通常基于特定的曲线模型或假设，这可能限制了它们的适用性。如果曲线的形状不符合这些假设，性能可能会下降。

提供概率密度信息：核密度估计方法不仅可以用于比较曲线的相似性，还提供了曲线上每个点的概率密度信息。这意味着可以更详细地了解曲线的分布特性，识别潜在的模态或峰值，并进一步进行统计分析。这种概率密度信息在许多应用领域，如异常检测、模式识别和统计分析中，具有重要价值。

尽管已经示出和描述了本发明的实施例，详见上述详尽的描述，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。