基于神经网络的断路器离线测试系统及方法

技术领域

本说明书的一个或多个实施例涉及电力电子技术领域，具体涉及一种基于神经网络的断路器离线测试系统及方法。

背景技术

输电网及配电网中安装有大量的断路器、保险丝和其他开关设备。这些设备的作用是在电路发生故障、短路或过载情况时，能够及时断开电路，以保护电路中的器件及设备，同时保护电网，避免故障蔓延。安装这些设备后，应相应地制定预防性维护计划，以降低和设备故障相关的风险。因此，进行断路器离线测试对于确保人员安全和降低设备故障风险至关重要。断路器性能离线测试指的是对断路器的性能和断路功能进行测试，获得断路器的工作性能指标。断路器测试的目标为获得跳闸曲线或电流时间曲线（Time currentcurve, TCC）,以判定断路器正常运行的寿命。对断路器进行性能评估有助于最大程度地减少停电、停机时间和业务收入的损失，保障配电系统的安全可靠运行。

对断路器进行离线测试通常包含两项内容，分别是：（1）初级测试，通过断路器注入大电流，以测试断路器的电流路径和功能；（2）二次注入测试，通过跳闸机构注入低电流，以验证过载或故障情况下的跳闸特性。实际应用中，断路器测试往往包含更多的信息，由断路器测试报告给出。断路器测试报告给出一份表格，写明通过或失败状态以及测试结果。如果断路器出现故障，将需要提供原因分析和纠正措施建议，包括：进行断路器的驱动和运行；验证安装是否正确；验证设置是否有效并进行必要的调整；断路器是否合格等。

可以看到，现有的断路器测试仅能给出断路器是否能运行和使用寿命（开断次数）的简单判定，无法深入具体的性能指标，也无法给出有效的纠正措施建议来提升断路器性能。随着行业发展，更多需求是获得断路器性能的全面测试，要求准确地进行性能评估和给出建议，以辅助断路器的研发，满足生产和应用需求。

发明内容

本说明书一个或多个实施例描述了一种基于神经网络的断路器离线测试系统及方法，能够借助神经网络模型快速且准确的获得断路器的各种状态，完成断路器的测试。

第一方面，本说明书实施例提供了一种基于神经网络的断路器离线测试系统，包括：

离线测试子系统，基于离线测试装置对样本断路器及待测断路器进行离线短路测试，所述样本断路器为具有预设状态的断路器；

数据子系统，与所述离线测试子系统建立数据连接，检测样本断路器及待测断路器进行离线短路测试的测试数据；

模型子系统，读取样本断路器对应的测试数据，根据样本断路器的预设状态标记所述测试数据，获得样本测试数据，所述样本测试数据包括单状态样本数据和多状态样本数据，所述多状态样本数据包括多状态测试数据及关联的多状态，所述多状态测试数据通过对应的每个状态与参照正常测试数据比对获得的区别测试数据组合获得，建立并基于所述样本测试数据训练状态检测神经网络模型；

结果子系统，读取所述待测断路器对应的测试数据，基于所述测试数据及所述状态检测神经网络模型，获得待测断路器的状态。

作为优选，所述离线测试装置包括：

超级电容，用于提供电源；

保护开关，与所述超级电容连接，用于保护其后连接的电路；

固态开关，连接于所述保护开关，用于控制离线测试的启停；

采集模块，用于采集离线短路测试的测试数据。

作为优选，所述预设状态包括预设控制系统工况状态、预设电路系统工况状态及预设机械系统工况状态中的一个或多个。

作为优选，所述预设控制系统工况状态为控制正常工况状态、驱动失效状态、信号异常状态、反馈失效状态或功率过小状态。

作为优选，所述预设电路系统工况状态为电路正常状态、电路节点短路状态或电路节点断路状态。

作为优选，预设机械系统工况状态为机械正常工况状态、凸轮偏移状态、间隙误差大状态、储能弹簧失效状态、锁扣失灵状态、死点状态或卡涩状态。

作为优选，所述测试数据包括短路接通电流、短时耐受电流、极限短路分断电流及运行短路分断电流中的至少一个。

作为优选，所述状态检测神经网络模型为全连接神经网络，所述状态检测神经网络模型包括输入层、一个或多个隐藏层和输出层，所述状态检测神经网络模型的输入为所述测试数据，输出为断路器的状态。

第二方面，本说明书实施例提供了一种基于神经网络的断路器离线测试方法，包括步骤：

基于预先提供的离线测试装置对样本断路器及待测断路器进行离线短路测试，所述样本断路器为具有预设状态的断路器；

检测样本断路器及待测断路器进行离线短路测试的测试数据；

读取样本断路器对应的测试数据，根据样本断路器的预设状态标记所述测试数据，获得样本测试数据，所述样本测试数据包括单状态样本数据和多状态样本数据，所述多状态样本数据包括多状态测试数据及关联的多状态，所述多状态测试数据通过对应的每个状态与参照正常测试数据比对获得的区别测试数据组合获得；

建立并基于所述样本测试数据训练状态检测神经网络模型；

读取所述待测断路器对应的测试数据，基于所述测试数据及所述状态检测神经网络模型，获得待测断路器的状态。

作为优选，所述测试数据包括电流波形数据，

根据样本断路器的预设状态标记所述测试数据，获得样本测试数据的方法包括：

将被所述预设状态标记的所述测试数据作为单状态样本数据；

从所述样本数据中随机选择多个单状态样本数据，多个所述单状态样本数据标记的预设状态不同；

将多个所述单状态样本数据的电流波形数据分别与预设的正常波形数据比对，获得区别电流波形数据；

根据所述区别电流波形数据合成多状态电流波形数据，基于所述多状态电流波形数据获得多状态测试数据；

将多个所述单状态样本数据的预设状态组合，获得组合状态；

使用所述组合状态标记所述多状态测试数据，获得多状态样本数据。

本说明书一些实施例提供的技术方案带来的有益效果至少包括：

在本说明书一个或多个实施例中，提供的基于神经网络的断路器离线测试系统采用神经网络模型，依据测试得到的测试数据，即能够直接通过神经网络模型获得断路器的多个状态，从而快速的掌握待测断路器的工作性能及状态，有助于提高断路器离线测试后分析的效率和可靠性。借助本说明书提供的基于神经网络的断路器离线测试系统能够在各种复杂的断路器状态情况下，借助神经网络模型，仍然能够得到较为准确的测试结果判定，避免人工分析判定测试结果出现的误差及误判。借助神经网络模型能够根据测试数据，直接获得断路器的状态信息，状态信息能够直接给出断路器出现的故障的原因，从而能够方便的获得纠正措施和建议。

本说明书一个或多个实施例的其他特点和优点将会在下面的具体实施方式、附图中进一步揭示。

附图说明

为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的断路器离线测试系统示意图。

图2为断路器结构示意图。

图3为断路器内部结构示意图。

图4为本说明书实施例提供的离线测试装置示意图。

图5为本说明书实施例提供的神经网络模型示意图。

图6为本说明书实施例提供的断路器离线测试方法流程示意图。

图7为本说明书实施例提供的获得样本测试数据方法流程示意图。

图8为本说明书实施例提供的应力测试及样品电流数据示意图。

图9为本说明书实施例提供的故障识别电流数据示意图。

具体实施方式

下面结合本说明书实施例的附图对本说明书实施例的技术方案进行解释和说明，但下述实施例仅为本说明书的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本说明书的保护范围。

本说明书中的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在下文描述中，出现诸如术语“内”、“外”、“上”、“下”、“左”、“右”等指示方位或者位置关系仅是为了方便描述实施例和简化描述，而不是指示或暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本说明书的限制。

本申请所涉及的数据，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的采集遵守相关国家和地区的相关法律法规和标准。

应用场景介绍

本说明书提供的一个或多个基于神经网络的断路器离线测试系统，应用于断路器的检测，获得断路器的状态检测结果。断路器在电网系统中扮演着至关重要的角色，是电力系统运行和保护的核心设备之一。其主要功能包括电路的正常通断控制、过载保护、短路保护以及接地故障保护等，确保电力系统的安全稳定运行。请参阅附图1，将样本断路器及待测断路器与本说明书披露的离线测试子系统100连接，由离线测试子系统100进行离线短路测试后，获得测试数据。样本断路器对应的测试数据，借助数据子系统200及模型子系统300完成神经网络模型的训练，将训练后的神经网络模型装载进结果子系统400。由结果子系统400读入待测断路器对应的测试数据，并给出结果，获得待测断路器的状态。

请参阅附图2及附图3，断路器的基本结构包括壳体10、三相的静触头接线柱21、三相的动触头接线柱22、分合闸指示器11、二次回路12、计数器13、锁扣14、连杆机构15、储能电机16、弹簧17等。断路器最基本的功能是进行电路的接通与断开操作。在配电网的日常运行中，断路器能够根据调度指令或自动化设备的控制信号，准确无误地完成对电力线路或电气设备的投切任务，实现电力负荷的分配和调整，以满足各种工况下的供电需求。断路器还具有完善的保护功能。当配电网中的电流超过设定的额定值时，断路器能够迅速切断电路，防止因过载导致的导线发热融化甚至起火等安全事故，保护电力设备免受损害。同时，在发生短路故障时，断路器能在极短时间内（通常在几毫秒级别）断开电路，有效限制短路电流的上升，防止故障扩大，保障电网的安全稳定性。同时能够保障用户的生命财产安全。借助断路器还具备的接地故障保护功能，在电力系统发生单相接地故障时，断路器通过检测零序电流或零序电压变化，及时切除故障线路，避免非故障部分的设备受到损害。有助于维护配电网的连续可靠供电。

此外，现代智能化断路器还能配合继电保护装置及自动化控制系统，实现对电网运行状态的实时监测与智能判断，对各类复杂故障进行快速定位和隔离，提升电力系统的自愈能力和运行效率。

由此可见，断路器是电网系统中的“守护神”，它既是电力传输分配的重要开关设备，又是电力系统安全运行的第一道防线。通过对电流、电压等电气参数的精确控制和实时监测，断路器有效地防止了各类电力事故的发生，确保了电力系统的安全稳定运行，为社会生产和人民生活提供了坚实的能源保障。因此，对断路器进行性能的检测、工作可靠性的评估，本身也就具有了重要的意义。在出厂前、安装后以及运行过程中，对断路器进行严格而全面的检测是必不可少的环节。对断路器的主要检测项目和目的做简要说明。

机械特性检测：

操作机构检验，包括储能机构、合闸/分闸线圈、连杆传动系统的检查，确保动作灵活无卡涩，储能电机16或弹簧17能够提供足够的能量使断路器完成正常的开闭操作。

触头压力测试，测量断路器在不同工作状态下的接触压力，保证触头间有足够的接触压力以维持良好的电接触和防止过热。

机械寿命试验，模拟断路器的实际使用环境，通过多次循环操作（如电动操作和手动操作）来验证其机械结构的耐用性和稳定性。

电气性能检测：

负载电流试验，确认断路器在正常负荷条件下，承载的电流不超过额定值，同时监测温升是否符合标准要求。

短路开断能力试验，验证断路器在发生短路时能否快速可靠地切断大电流，包括瞬态恢复电压、分断时间、弧隙恢复等参数的测试。

过载保护特性试验，调整过载脱扣装置的整定值，并测试其在规定电流下能否准确跳闸。

绝缘性能测试，包括工频耐压试验、介质损耗角正切值（tanδ）测试、泄漏电流试验等，确保断路器具有良好的绝缘水平。

特殊环境适应性检测：

高低温试验，在极端温度条件下检验断路器的工作性能，确保其能在宽泛的环境温度范围内稳定运行。

湿热试验，评估断路器在高湿度环境中的抗腐蚀能力和电气性能保持情况。

电磁兼容性（EMC）试验，测试断路器对外界电磁干扰的抵抗能力及其自身产生的电磁骚扰程度。

其他重要检测项目：

真空度检测，对于真空断路器，要检测内部真空灭弧室的真空度，确保其有良好的绝缘和熄弧能力。

老化试验，通过加速老化过程来预测断路器长期使用后的性能变化。

防腐蚀检测，检查断路器材料的耐腐蚀性能，尤其是暴露于户外或恶劣环境条件下的设备。

防爆性能测试，适用于特定危险区域使用的断路器，需验证其在爆炸性气体环境中不会成为点燃源的能力。

现场运行状态检查：

外观检查，查看断路器本体及附件是否有明显的损伤、锈蚀或其他异常现象。

连接点检查，检查断路器与母线或出线电缆的连接部位是否存在过热、氧化或松动等问题。

指示仪表及信号检查，确认断路器的位置指示、故障信号及遥测数据是否准确有效。

通过以上一系列严格的检测项目，可以全方位评价断路器的设计制造质量、电气与机械性能、以及实际运行效能，确保断路器能够在各种复杂的电力系统环境下安全、可靠、高效地履行其功能。

具体而言，本说明书实施例首先提供了一种基于神经网络的断路器离线测试系统，包括：

离线测试子系统100，基于离线测试装置对样本断路器及待测断路器进行离线短路测试，所述样本断路器为具有预设状态的断路器；

数据子系统200，与所述离线测试子系统100建立数据连接，检测样本断路器及待测断路器进行离线短路测试的测试数据；

模型子系统300，读取样本断路器对应的测试数据，根据样本断路器的预设状态标记所述测试数据，获得样本测试数据，所述样本测试数据包括单状态样本数据和多状态样本数据，所述多状态样本数据包括多状态测试数据及关联的多状态，所述多状态测试数据通过对应的每个状态与参照正常测试数据比对获得的区别测试数据组合获得，建立并基于所述样本测试数据训练状态检测神经网络模型；

结果子系统400，读取所述待测断路器对应的测试数据，基于所述测试数据及所述状态检测神经网络模型，获得待测断路器的状态。

虽然对于断路器的测试项目及目的，以及测试的方法，本领域已进行较多的研究。但对于测试结果的研判，目前仍然处于较为粗放的方式，并主要依赖人工的研读。人工研读测试结果，不仅存在效率低下的问题，也存在研判准确度低、易误判的问题。如何提高断路器测试结果研判效率和准确度，成为本领域的研究课题。本说明书披露的一个或多个实施例，提供了以短路测试为切入点，基于神经网络的断路器离线测试系统及方法，借助神经网络模型实现对短路测试的测试结果的快速、准确研判，为提高断路器测试结果研判效率和准确度提供了解决方案。断路器的短路测试是断路器性能的关键检测手段，主要用于验证其在极端条件下能否迅速、准确地切断短路电流，确保电力系统的安全稳定运行。在测试过程中，通过模拟实际电网可能出现的短路故障情况，将预先设定的高额定短路电流引入断路器，检验其动作时间、分断能力以及操作后的机械与电气完整性。测试步骤包括：将断路器接入特制的短路试验回路；按照产品标准和使用环境要求设置相应的短路电流值；启动短路发生装置，模拟短路故障；记录并分析断路器的动作响应时间、触头分离状态以及设备承受短路电流后的受损情况等数据，以评估其短路保护性能是否达标。本说明书披露的一个或多个实施例，在短路测试的过程中，还会记录三相的电流时间曲线，作为测试结果的组成部分。

本说明书所指状态指断路器的性能、寿命、工况、故障的状态。在本说明书中，状态被用来刻画断路器的质量、电气与机械性能、以及实际运行效能。状态是以编码表示的，示例性的，编码000011000表示正常状态，编码001100110表示储能弹簧17变形，编码001010010表示储能弹簧17变形且二次回路12拒动。

神经网络模型具有准确度高、效率高的特点，已为本领域所知。对本实施例实施结果的优劣有较多影响的地方在于样本断路器的选择和设置。作为推荐的实施方式，将样本断路器接入离线测试子系统100后，将按照步长设置每个电气或机械性能指标，进行多次短路测试，获得每个电气或机械性能指标的多个状态对应的测试数据。或者，对待测器件进行多次开断和闭合，直到开断和闭合次数达到预定的上限或者出现各种工况和故障，人为地给出和设置判定标准，根据所出现的工况和故障判定是否继续进行开断和闭合。从而能够生成具有足够状态标记的样本测试数据。例如，测试储能弹簧17性能时，按照步长，以机械的方式，逐步加大纯弹簧17的变形量，每个变形量下进行一次短路测试，获得多个测试数据，使用相应的状态标记测试数据获得样本测试数据。标记时，状态使用正常状态、储能弹簧17变形两个状态，作为两个标签，标记每个变形量。另一方面，更为推荐的实施方式是提供更多的状态，示例性的，如使用正常状态、储能弹簧17变形小、储能弹簧17变形中、储能弹簧17变形大，标记不同的储能弹簧17变形量。具体的划分方式采用本领域已公开方式进行即可。

请参阅附图4，所述离线测试装置包括：

超级电容101，用于提供电源；

保护开关102，与所述超级电容101连接，用于保护其后连接的电路；

固态开关103，连接于所述保护开关102，用于控制离线测试的启停；

采集模块104，用于采集离线短路测试的测试数据。

超级电容101能够在以市电为充电电源的情况下，实现提供短路测试需要的电源。且测试过程中，采用离线的方式，即脱离电网的方式进行，不会对电网产生冲击和影响。保护开关102能够在出现故障电流的情况下，切断超级电容101，实现安全保障。固态开关103用于控制离线测试的启停，离线测试指离线短路测试。采集模块104采集测试数据，实施时，根据选定的测试数据，按照本领域公开的技术方案，配置相应的采集装置即可。

作为推荐的实施方式，所述预设状态包括预设控制系统工况状态、预设电路系统工况状态及预设机械系统工况状态中的一个或多个。

作为推荐的实施方式，所述预设控制系统工况状态为控制正常工况状态、驱动失效状态、信号异常状态、反馈失效状态或功率过小状态。

作为推荐的实施方式，所述预设电路系统工况状态为电路正常状态、电路节点短路状态或电路节点断路状态。

作为推荐的实施方式，预设机械系统工况状态为机械正常工况状态、凸轮偏移状态、间隙误差大状态、储能弹簧17失效状态、锁扣14失灵状态、死点状态或卡涩状态。

预设控制系统工况状态、预设电路系统工况状态、预设机械系统工况状态之间可以相互组合排列，获得更为丰富的状态的检测和识别。

作为推荐的实施方式，所述测试数据包括短路接通电流、短时耐受电流、极限短路分断电流及运行短路分断电流中的至少一个。相应的选择检测设备即可实现数据的采集，进而由数据子系统200收集、存储，并生成样本测试数据。

作为推荐的实施方式，请参阅附图5，所述状态检测神经网络模型为全连接神经网络，所述状态检测神经网络模型包括输入层、一个或多个隐藏层和输出层，所述状态检测神经网络模型的输入为所述测试数据，输出为断路器的状态。

考虑一个基本的具有两个由可学习参数构成的神经网络模型，首先，建立输入变量x1,…,xD的M个线性组合，有以下形式

其中j=1,…,M且上标(1)表示对应的参数在神经网络模型的第一层。在（1）式中，将参数

在神经网络模型里面，这些激活函数被称为隐藏单元。将上述变量进行线性合并，有

式中k=1,…,K，而K是输出的总数目。这个变化式对应神经网络模型的第二层，并且同样有

神经网络中所采用的非线性可微分函数为逻辑sigmoid函数，有如下的形式

根据实际使用效果，也可以采用如下所示tanh函数

或

。

第二方面，本说明书实施例提供了一种基于神经网络的断路器离线测试方法，请参阅附图6，包括步骤：

步骤102）基于预先提供的离线测试装置对样本断路器及待测断路器进行离线短路测试，所述样本断路器为具有预设状态的断路器；

步骤104）检测样本断路器及待测断路器进行离线短路测试的测试数据；

步骤106）读取样本断路器对应的测试数据，根据样本断路器的预设状态标记所述测试数据，获得样本测试数据，所述样本测试数据包括单状态样本数据和多状态样本数据，所述多状态样本数据包括多状态测试数据及关联的多状态，所述多状态测试数据通过对应的每个状态与参照正常测试数据比对获得的区别测试数据组合获得；

步骤108）建立并基于所述样本测试数据训练状态检测神经网络模型；

步骤110）读取所述待测断路器对应的测试数据，基于所述测试数据及所述状态检测神经网络模型，获得待测断路器的状态。

作为推荐的实施方式，请参阅附图7，所述测试数据包括电流波形数据，根据样本断路器的预设状态标记所述测试数据，获得样本测试数据的方法包括：

步骤202）将被所述预设状态标记的所述测试数据作为单状态样本数据；

步骤204）从所述样本数据中随机选择多个单状态样本数据，多个所述单状态样本数据标记的预设状态不同；

步骤206）将多个所述单状态样本数据的电流波形数据分别与预设的正常波形数据比对，获得区别区别电流波形数据；

步骤208）根据所述区别电流波形数据合成多状态电流波形数据，基于所述多状态电流波形数据获得多状态测试数据；

步骤210）将多个所述单状态样本数据的预设状态组合，获得组合状态；

步骤212）使用所述组合状态标记所述多状态测试数据，获得多状态样本数据。

实施例一

应用本断路器性能离线测试系统进行断路器的性能测试，要求测试断路器机械系统是否正常工作达到10000次而不产生应力松弛，如产生应力松弛则给出相应的工作次数。

首先，准备机械系统正常工作和应力松弛的样品断路器。然后，通过离线测试子系统100，测得样品电流数据，如图8所示。将样品电流数据进行分类和标注，其中“正常工作”和“应力松弛”分别编码为01和10，将以上所有数据存储于数据子系统200中。接着，以图8所示的样品电流数据作为神经网络的输入，数据标注作为神经网络的输出，进行神经网络的训练。训练完成后将神经网络参数导入到结果子系统400。

最后，进行待测器件的测试和结果输出。设置开断和闭合次数上限为10000次，由离线测试子系统100不断地进行断路器的开断和闭合操作，实时采集电流数据。通过结果子系统400，将采集到的数据作为神经网络模型的输入，得到神经网络模型的输出，为01或10的编码，根据编码判定待测器件为“正常工作”或“应力松弛”状态。当直到达到次数上限或出现“应力松弛”状态时，结束测试，得到结果，完成器件的机械系统应力松弛测试。

实施例二

应用本断路器性能测试平台进行断路器的测试，其中神经网络已经完成训练（基于包含有锁扣装置失效的样本断路器的测试数据进行的训练）。通过结果子系统400获得某待测器件在开断和闭合10000次后的测试电流数据，如图9所示，将测试电流数据通过结果子系统400，获得结果为“断路器出现合后即分现象，属于误动故障，原因在于锁扣装置失效”。从而能够借助本说明书提供的断路器离线测试系统进行断路器故障的识别。

以上所述的实施例仅仅是本说明书的优选实施例方式进行描述，并非对本说明书的范围进行限定，在不脱离本说明书的设计精神的前提下，本领域普通技术人员对本说明书的技术方案作出的各种变形及改进，均应落入本说明书的权利要求书确定的保护范围内。