0 引言

高压断路器在电力系统中起着至关重要的作用，它控制着线路的投入与切断，并且能够在设备或线路出现问题时迅速将其与其他正常运行的设备隔离开，防止发生更严重的事故，保障电力系统的安全稳定运行[1]。国际大电网会议对60 kV以上的高压断路器可靠性进行了3次调查，结果表明操动机构机械故障与控制回路电气故障在断路器主要故障中的占比分别为52%、72%、91%，呈现逐渐上升的趋势[2-3]。随着电网智能化、数字化建设的推进，通过传感器对高压断路器进行非侵入式在线监测已在电力设备状态监测领域发挥越来越重要的作用[4]。因此，对高压断路器的运行状态进行在线监测，及时发现故障并报警具有十分重要的意义，其中最需要关注的即为操作机构机械故障以及控制回路电气故障[5-6]。

目前，对高压断路器运行状态进行判断主要依靠对分合闸线圈电流信号[7]、振动信号[8]以及触头行程信号[9]的分析，收集各传感器信号后对其进行预处理并提取信号特征，利用机器学习算法根据特征值判断断路器运行状态。文献[10]使用最小二乘支持向量机算法分类所得的5种电流波形，使用粒子群算法对惩罚系数以及核参数进行优化，故障识别准确率可达100%。文献[11]提出一种基于线圈电流的断路器故障诊断及状态评估方法，提取电流关键时间及幅值后利用集合经验模态进行分解，将各分量能量矩作为特征值，故障诊断率达到90%以上。文献[12]提出一种基于随机森林算法的断路器故障诊断方法，提取分合闸电流信号特征后建立故障诊断模型，识别准确率可达93.65%。文献[13]利用极限学习机（KELM）对断路器振动信号进行故障分类，平均识别率达到95.76%。尽管通过单一信号进行分析具有较高的正确率，但存在难以覆盖断路器的各种故障的问题，例如线圈电流信号难以区分弹簧疲劳、机构拒动等故障[14]。因此，需要对各信号进行综合分析与处理。文献[15]提出一种基于支持向量机算法的改进分类方式，利用断路器线圈电流及触头行程信号，能够有效评估断路器运行状态，提前对主要/次要故障进行判断。文献[16]提出一种基于APSO-PCA-SVM算法的断路器故障诊断方法，提取分合闸电流与触头位移信号中的共10维特征，利用主成分分析、自适应粒子群及支持向量机算法对信号特征进行处理，对高压断路器故障进行诊断，准确率可达100%。文献[17]提出一种基于AMReliefF特征选择及SVM的高压断路器故障诊断方法，对原始数据特征进行有效筛选并生成匹配模型的最优特征子集，能够有效提高模型诊断性能，该改进方法可将故障诊断准确率由83.0%提升至98.9%。文献[18]提出一种结合振动及声信号的断路器故障诊断方法，使用支持向量机算法对信号进行分析，故障准确率可达96.67%。综上所述，目前研究主要使用机器学习算法针对单源信号或多源信号进行分析，具有判断故障种类少、诊断精度低等问题。因此，进一步开展断路器多源信号融合诊断方法研究，利用机器学习算法对多源信号进行分析具有十分重要的意义。

本文针对高压断路器操作机构机械故障以及控制回路电气故障进行诊断，首先确定了线圈电流信号、振动信号的采集方案，后开展故障模拟实验，采集线圈电流信号以及2个不同位置的振动信号，通过生成对抗网络进行样本扩充。对所得数据进行预处理与特征提取，构建特征数据集，使用支持向量机[19]、K-最近邻、决策树、轻量级梯度提升机算法（LightGBM）、随机森林（random forest）[20]等5种五种机器学习算法对信号特征进行分析，使用采用拼接融合和线性判别分析（LDA）2种方法进一步优化。

1 高压断路器信号样本获取及故障模拟

1.1 高压断路器信号采集平台

1.1.1 传感器选型与安装

霍尔电流传感器采用无接触式测量，具有响应时间快、测量精度高、对测量回路无影响等优点，因此，选用FS500E2T5型开环霍尔电流传感器采集断路器分合闸线圈电流，将其直接套在控制回路上，通过引线将输出返回到电路板，由示波器直接测量输出，如图1 （a） 所示。

图1 传感器安装位置
Fig. 1 Installation position of sensors

压电式加速度传感器利用压电陶瓷或石英等材料的压电效应，具有灵敏度高、工作频率广、体积小、对测量回路无影响等优点。选用型号为CT1000L的IEPE电压型压电加速度传感器采集断路器振动信号。为确保传感器测量的准确性，保证传感器安装平面与振动信号的传播方向保持垂直状态，将2个加速度传感器分别安装在近合闸线圈处和近操动机构处，如图1 （b） 所示。

1.1.2 信号采集系统

断路器分合闸线圈电流及振动信号采集平台如图2所示。针对振动信号，将CT5204型恒流适配器与加速度传感器配合工作，以提高数据的准确性。恒流适配器给振动传感器供电，接收并处理传感器数据后输出给示波器。针对电流信号，通过直流电源给霍尔电流传感器供电，示波器直接采集传感器数据。

图2 信号采集平台
Fig. 2 Signal acquisition platform

1.2 故障模拟实验方案

本文针对高压断路器常见的机械及电气回路故障，在CT26型弹簧操动机构上进行故障模拟实验，共模拟8类故障，包括线圈回路接触不良、线圈控制电压异常、分闸电磁铁铁芯卡涩、分闸电磁铁铁芯间隙异常、机构拒动、分合闸弹簧疲劳、地脚螺栓松动以及传动机构卡涩故障。实验中采用125 kHz的采样率。

湿热等因素可能导致线圈回路的接线部位出现锈蚀，向线圈回路中串联电阻模拟线圈回路接触不良故障；线圈控制电压异常会对线圈绝缘性能造成损害，使用特性仪调整线圈控制电压来模拟线圈控制电压异常的情况；分闸电磁铁铁芯生锈时，运动中受到的阻力变大，将加长螺杆与弹簧组合成可调的阻尼弹簧模拟铁芯所受的阻力；电磁铁安装不到位或者受到较大振动冲击时有可能造成间隙异常，通过调整螺钉来改变动静铁芯之间的间隙大小；当间隙过大时，顶杆和分闸掣子无法正常接触，将动静铁芯间隙调大直至拒动来进行模拟；弹簧容易出现强度衰减和应力释放的现象，通过调节弹簧压缩量来模拟弹簧疲劳故障；断路器动作时振动剧烈，将8颗地脚螺栓手动松动2颗来模拟地脚螺栓松动故障；断路器传动机构卡涩故障通常源于异物入侵或者机械结构遭受腐蚀等因素，在分闸法兰外部增加可调的阻尼弹簧作为额外负载，模拟传动机构卡涩故障。

正常情况和不同种类故障模拟方式及次数如表1所示。

表 1 断路器故障模拟实验种类及次数
Table 1 Types and times of circuit breaker fault simulation experiments

故障名称 模拟方式 测量次数正常情况 20次分合闸控制回路线圈老化串入10 Ω电阻 20次分合闸串入30 Ω电阻 20次分合闸串入60 Ω电阻 20次分合闸电压波动故障控制电压180 V 20次分合闸控制电压200 V 20次分合闸控制电压240 V 20次分合闸分闸电磁铁铁芯间隙异常铁芯间隙调至3 mm 20次分闸铁芯间隙调至5 mm 20次分闸分闸电磁铁铁芯卡涩 阻尼弹簧45 mm 20次分闸阻尼弹簧50 mm 20次分闸机构拒动 铁芯间隙调至最大 20次分合闸弹簧疲劳 分闸弹簧螺栓伸长10 mm 20次分合闸合闸弹簧螺栓伸长10 mm 20次分合闸地脚螺栓松动 松2颗地脚螺栓 20次分合闸传动机构卡涩 增加阻尼弹簧 20次分合闸

1.3 样本数据扩充

利用生成对抗网络模型对所得故障模拟实验数据进行扩充，根据振动信号数据特点，选取余弦相似度（CS）和皮尔逊相关系数（PCC）作为依据筛选模型生成数据。其中余弦相似度的原理为通过计算向量夹角的余弦值来判断数据的相似性，皮尔逊相关系数的原理为计算变量之间的线性相关性，两者的值越接近于1，表明数据的相似程度越高。

式中：A、B为需要评估相关性的两组样本的特征向量；n为特征向量的特征维度；θ为向量夹角；X、Y为需要评估相关性的两组样本的特征向量；µX、µY为特征向量X、Y的均值；σX、σY为特征向量X、Y的标准差。

针对生成的模拟数据，通过排列组合的方式求出同类数据的ICS、IPCC的平均值作为阈值，计算所有生成数据与真实数据的ICS、IPCC，若两者平均值大于阈值则认为该数据符合要求。

选取合闸弹簧疲劳时振动信号进行对比，真实样本与生成样本如图3所示，数据分布已十分相似。

图3 真实样本与生成样本对比
Fig. 3 Comparison of real samples and generated samples

2 基于多传感器数据特征提取的断路器故障诊断研究

2.1 分合闸线圈电流信号预处理及特征提取

2.1.1 电流信号预处理

去除直流分量并用窗口长度为100的卷积运算滑动平均滤波对电流信号进行处理，对电流信号进行10 :1的下采样，然后采用集成经验模态分解（ensemble empirical mode decomposition，EEMD）算法进一步对信号进行降噪，滤波前后的图像如图4所示。图4 （a）中，A1、B1、C1分别为滤波前电流到达峰值、谷值、最大值时波动范围的最大值，A2、B2、C2分别为滤波前电流到达峰值、谷值、最大值时波动范围的最小值。图4 （b） 中，分闸/合闸操作后铁芯开始运动，铁芯速度增大至运动反电动势占主导地位，电流开始减小（A点）；铁芯碰到锁扣 （B点） 后速度急速减小，电流再次呈指数规律上升。

图4 滤波前后电流信号对比
Fig. 4 Comparison of current signals before and after filtering

2.1.2 电流信号特征提取

典型的正常状态下分合闸线圈电流波形如图5所示，根据波形特点可分为4个阶段：t1时刻以前，断路器受到分合闸指令，电流开始呈指数规律上升，但产生的电磁力小于铁芯受到的外界阻力，铁芯保持静止状态；t1时刻电流产生的电磁力大于铁芯受到的外界阻力，铁芯开始运动，回路等效电感增大、电流减小；t2时刻铁芯撞击操作机构的脱扣/锁扣装置，锁扣打开，铁芯停止运动，电磁力使其保持在合闸位置，电流呈指数规律上升；t3时刻辅助开关动作，切断电源电压，触头产生的电弧拉长，电弧电压升高导致电流减小，直到电弧熄灭，线圈电流减小为0；t4时刻电流几乎下降为0。

图5 典型分合闸电流曲线
Fig. 5 Typical switching current curve

根据以上分析，选取I1、I2、I3作为电流信号特征。

2.2 振动信号特征提取

电流信号仅能反映与控制回路、电磁铁运动相关的故障，振动信号能反映操作机构和传动机构的状态，因此仍需结合振动信号以实现对所有机械故障的可靠诊断。在去除振动信号趋势项后提取以下特征。

2.2.1 时域特征

利用短时能量法[21]可有效抑制信号中的噪声，获取信号能量的时域分布。图6分别给出了分合闸线圈电流信号和线圈附近振动信号的短时能量波形图。由图可得，分合闸振动信号短时能量峰值E出现时刻tE均在铁芯停止运动后。本文选用长度为100的矩形窗，时间分辨率为0.8 ms，对分合闸振动信号进行短时能量分析，得到特征[E, tE]。

图6 分合闸电流波形及振动短时能量图
Fig. 6 Switching current waveform and short time energy diagram of vibration

2.2.2 时频域特征

小波变换[22]是一种时频域分析方法，在低频有较高的频率分辨率，在高频有较高的时间分辨率，适用于非平稳信号的分析。小波包变换克服了小波变换在高频时的分析局限性，能够提高频率分辨率。本文使用小波包变换方法，选用db10小波对振动信号进行6层小波包分解，计算第6层前32个频带的能量，得到时频域特征[E1,E2,…,E32]。

两个振动信号正常合闸时的小波包频带能量和不同故障状态下的小波包频带能量如图7所示。从图中可以看出，正常合闸状态下的频带能量分布较为一致，不同合闸状态下的频带能量分布有明显区别，因此，可将小波包频带能量作为区分断路器故障状态的振动信号时频域特征。

图7 两个振动信号正常及不同故障状态下频带能量分布
Fig. 7 Frequency band energy distribution of two vibration signals under normal and different fault states

2.3 基于机器学习的故障诊断模型研究

2.3.1 单源信号故障诊断研究

支持向量机（SVM）是一种二分类模型，通过寻找一个最大化类别间隔的超平面对样本数据进行分割，具有良好的泛化能力。K-最近邻（KNN）算法通过测量不同特征值之间的距离来预测新数据点的类别，适用于分布较为均匀的中小规模数据。决策树算法可将无序的待分类数据通过一系列决策规则转换为可预知的有序树状模型。LightGBM是基于决策树算法的分布式梯度提升框架，具有速度快、内存效率高的特点，适用于大规模数据。随机森林（RF）是一种集成学习方法，通过组合多个决策树来提高预测的准确性和鲁棒性，适合处理大规模数据集。

为探究所提取的3种信号特征在不同机器学习算法上的表现，选取了SVM、KNN、决策树、LightGBM和RF共5种算法进行对比实验，将数据集根据7∶3的比例划分训练集和测试集，为了避免数据划分随机性造成的影响，进行了10次随机划分，结果如图8所示。

图8 不同机器学习算法的单源信号诊断结果
Fig. 8 Single source signal diagnosis results of different machine learning algorithms

从图中可以看出，在5种机器学习算法分析下，电流信号单源诊断成功率在3个信号中均为最高，在RF算法分析下达到91.67%，表明电流特征稳定，区分度高。从振动信号中提取的特征仅在LightGBM和RF中有稍好的表现，但准确率均未超过90%。结果表明仅凭一个信号的特征无法全面诊断断路器的故障情况，需对各信号进行融合诊断分析。

2.3.2 多信号特征融合及特征降维研究

拼接融合是一种直接将所提取特征串联在一起的融合方式。电流信号及振动信号特征在数值上具有较大差异，因此需要对其进行归一化处理，防止对模型诊断结果造成影响。

选取与单源信号分析时相同的5种机器学习算法，对拼接融合方式下的4种特征向量组合进行对比实验，采用相同的训练集和测试集划分方式，并进行10次随机划分，诊断结果如图9所示。

图9 特征拼接融合诊断结果
Fig. 9 Feature splicing fusion diagnosis results

从图中可以看出，电流与振动信号特征融合诊断结果优于2个振动信号融合诊断结果，说明电流信号与振动信号诊断的故障类型互补；电流特征和振动信号2特征的融合诊断效果优于电流特征和振动信号1特征的融合诊断效果，表明不同位置振动信号会对诊断结果造成影响。其中，采用RF算法诊断准确率明显高于其他4种算法，电流信号和2个振动信号的特征融合诊断率分别为97.55%和98.75%，2个振动信号的特征融合诊断率为95.35%，当三者融合时最高，达到99.4%。

虽然多源特征拼接融合诊断具有较高的准确率，但振动信号单源有32维特征，各信号融合后维度过大，特征之间存在优劣并且可能引入噪声。此外，采用串联的方式构造融合特征会增大机器学习算法的计算量，引发“维度灾难”，产生过拟合现象。通过特征降维，可以降低模型的复杂度，提高模型训练和预测的效率，同时去除了数据中的噪音和冗余信息，提高了模型的泛化能力。

线性判别分析（LDA）是一种有监督学习算法，旨在通过最大化类间距离、最小化类内距离的方式进行降维，以提高分类性能。LDA考虑了样本的类别信息，在降维过程中更关注样本之间的类别差异，能够更好地保留样本的分类特性。由于LDA最多降到k-1维，其中k为类别数量，因此通过LDA降维后最高维度为27。将数据按照训练集和测试集划分后，对训练集进行归一化，然后将映射函数运用到测试集上；再用LDA对训练集进行降维，再将拟合好的降维函数运用到测试集上，图10给出了LDA降维后特征维度与诊断率关系图。

图10 不同信号及融合方式LDA降维后特征维度与诊断率关系图
Fig. 10 Relationship between characteristic dimension and diagnosis rate after LDA dimensionality reduction for different signals and fusion modes

分析可得，降维后特征维度大于7时，准确率趋于稳定，维度小于7时准确率较低，难以区分不同故障类型。与特征拼接融合的结果相比，采用LDA降维后SVM和KNN算法的准确率都得到了提高，而决策树、LightGBM和RF算法的准确率出现了下降，Current-Vib1和Current-Vib2诊断率最高的算法从拼接融合中RF的97.55和98.75%提升到支持向量机的97.61%和99.28%，Vib1-Vib2和Current-Vib1-Vib2的最高准确率分别为支持向量机的94.76%和99.34%，略低于拼接融合中RF的95.35%和99.4%。

其次，对拼接融合和LDA两种方式的准确率进行了对比，将准确率和10次不同数据集划分后准确率的标准差综合考虑后，给出了7种不同信号及特征组合最佳算法的准确率及标准差，如表2所示。分析可得，多源信号融合分析诊断准确率显著高于单源信号诊断准确率。

表 2 7种不同信号及特征组合最佳算法的准确率和标准差
Table 2 Accuracy and standard deviation of the best algorithm for
seven different signal and feature combinations

信号 最佳算法 准确率 标准差Current RF 91.67% 1.74 Vib1 LDA-SVM 87.08% 1.72 Vib2 LDA-SVM 92.32% 1.07 Current-Vib1 LDA-SVM 97.61% 0.75 Current-Vib2 LDA-SVM 99.28% 0.44 Vib1-Vib2 RF 95.35% 0.95 Current-Vib1-Vib2 RF 99.40% 0.24

图11则给出了Current-Vib1-Vib2模型的混淆矩阵，其中0～2分别为分闸时线圈电阻增大10、30、60 Ω，3～5分别为分闸时控制电压掉落到80%、90%、上升到110%，6为分闸时地脚螺栓松动，7为分闸时主轴卡涩，8和9为分闸/合闸拒动，10和11为分闸时分闸/合闸弹簧疲劳，12和13为合闸时合闸/分闸弹簧疲劳，14和15为分闸时动静铁芯间隙3 mm/5 mm，16和17为分闸时分闸电磁铁加装阻尼弹簧50 mm/45.3 mm，18和19为正常分闸/合闸，20～22为合闸时线圈电阻增大10、30、60 Ω，23～35分别为合闸时控制电压掉落到80%、90%、上升到110%，26为合闸时地脚螺栓松动，27为合闸时传动机构卡涩。

图11 Current-Vib1-Vib2模型采用RF算法时的混淆矩阵
Fig. 11 Confusion matrix of Current-Vib1-Vib2 model using random forest algorithm

从图11可以看出，仅有10个误判断的情况发生，分布在4个类别上，其中8个为弹簧疲劳类故障互相误判，一个为正常合闸误判为合闸时分闸弹簧疲劳，一个为合闸时传动机构卡涩判断为地脚螺栓松动。

3 结论

本文针对高压断路器故障诊断准确率低、种类少的问题，提出了一种基于多源信号融合的断路器运行状态辨识方法，搭建了故障模拟实验平台，使用机器学习算法分析断路器线圈电流及振动信号，建立了故障诊断模型，结论如下。

1）使用单源信号特征对断路器故障进行诊断时，准确率较低，使用多源信号特征作为诊断依据能够有效提高判断结果的准确率。

2）所建立的诊断模型对断路器故障的分类结果较为准确，分类准确率达99.4%，标准差低至0.24，能够有效判断断路器故障，保障其稳定运行。

因此，本文提出的故障诊断方法能够有效判断断路器机械故障，具有广泛的应用前景。