无人值守牵引变电站的断路器运行状态辨识方法及系统与流程

本发明涉及变电站故障诊断，特别是涉及一种无人值守牵引变电站的断路器运行状态辨识方法及系统。

背景技术：

1、为了提升无人值守状态下牵引变电站运行的安全性，目前工程技术人员从牵引变电站内设备的智能化角度出发，开展基于牵引变电站设备状态信息的自我诊断技术与装置研发。而在牵引变电站众多设备中，断路器作为牵引变电站保护与控制核心部件，是直接决定牵引变电站应用安全的关键。实现牵引变电站内断路器设备从事后分析、定期检修模型到运行状态主动辨识的智能检测模式转变将是牵引变电站践行无人值守运行模式的核心。

2、目前基于断路器运行状态辨识的方法研究主要集中于基于数据驱动的辨识方法优化和运行状态的特征挖掘，其核心思想在于提高描述断路器典型状态特征的全面性以及典型状态的辨识精度。但是，现有方法都局限于有限样本数据对断路器运行状态描述的不完备性，同时存在缺乏对待辨识状态样本与有限样本分布形态的分析而被强制归类的情况，这将造成相关方法模型的泛用性不足、应用效果一般。此外，部分技术忽视了单一类型的传感器信息对断路器典型状态认知的片面性，甚至存在断路器部分典型状态无法从某类检测信息中体现的问题，这将造成对断路器运行状态辨识的误判。

3、因此，亟需提供一种新的断路器运行状态辨识方法或系统，能够实现对断路器运行状态的全方位感知和综合判断，提升牵引变电站在无人值守场景下的安全性。

技术实现思路

1、本发明的目的是提供一种无人值守牵引变电站的断路器运行状态辨识方法及系统，能够实现对断路器运行状态的全方位感知和综合判断，提升牵引变电站在无人值守场景下的安全性。

2、为实现上述目的，本发明提供了如下方案：一种无人值守牵引变电站的断路器运行状态辨识方法，包括：利用不同类型的传感器获得牵引变电站内断路器的训练样本数据和待判定样本数据；不同类型的传感器包括：位移传感器、线圈电流传感器、振动传感器和声音传感器；所述训练样本数据和所述待判定样本数据均包括：行程信号、线圈电流信号、振动信号以及声音信号。

3、根据训练样本数据和待判定样本数据，采用特征挖掘方法提取不同信号的特征，确定训练样本特征数据集和待判定样本特征数据集。

4、对第t类型的传感器下的训练样本特征数据集进行聚类分析，计算各聚类簇族中心，统计聚类簇族内断路器不同运行状态下样本的数量，定义各聚类簇族所代表的断路器运行状态，并计算不同聚类簇族间的交叠体积，确定先验交叠体积矩阵。

5、确定第t类型的传感器下待判定样本特征数据集到各聚类簇族中心的距离，重新确定聚类簇族之间的重叠区域体积，确定后验交叠体积矩阵。

6、基于先验交叠体积矩阵和后验交叠体积矩阵，计算交叠体积的增量矩阵，并计算出待判定样本特征数据集归属于各聚类簇族的度量值，确定待判定样本特征数据集的归属度向量。

7、根据不同类型的传感器下待判定样本特征数据集的归属度向量确定相应的归属度向量纯度；并根据归属度向量纯度确定归属度向量的权重系数。

8、根据不同类型的传感器下的归属度向量的权重系数，采用加权平均方式，确定待判定样本特征数据集类别辨识的判别向量。

9、根据待判定样本特征数据集类别辨识的判别向量，确定断路器运行状态的辨识结果。

10、可选地，所述利用不同类型的传感器获得牵引变电站内断路器的训练样本数据和待判定样本数据，具体包括：设置牵引变电站中断路器不同运行状态。

11、利用不同类型的传感器获得断路器在不同运行状态下分合闸过程中的行程信号、线圈电流信号、振动信号以及声音信号，形成用于辨识断路器运行状态的训练样本数据。

12、利用不同类型的传感器测量断路器在牵引变电站实际应用中分合闸过程中的待判定样本数据。

13、可选地，所述根据训练样本数据和待判定样本数据，采用特征挖掘方法提取不同信号的特征，确定训练样本特征数据集和待判定样本特征数据集，具体包括：对训练样本数据和待判定样本数据中的行程信号、线圈电流信号、振动信号以及声音信号，采用特征挖掘方法提取各类信号特征，确定训练样本特征数据集和待判定样本特征数据集。

14、对训练样本特征数据集和待判定样本特征数据集进行归一化处理。

15、可选地，所述对第t类型的传感器下的训练样本特征数据集进行聚类分析，计算各聚类簇族中心，统计聚类簇族内断路器不同运行状态下样本的数量，定义各聚类簇族所代表的断路器运行状态，并计算不同聚类簇族间的交叠体积，确定先验交叠体积矩阵，具体包括：确定第t类型的传感器下的训练样本特征数据集中样本在特征空间中的欧式距离，并对第t类型的传感器下的训练样本特征数据集进行聚类分析，计算各聚类簇族中心，统计聚类簇族内断路器不同运行状态下样本的数量；聚类簇族族数等于断路器运行状态数。

16、计算每一聚类簇族中心与对应的断路器运行状态全部样本的距离，并以聚类簇族中心为球心、以聚类簇族中心与对应的断路器运行状态中全部样本的最大距离为半径，构建每一聚类簇族边界。

17、利用蒙特卡洛模拟方法，计算每两个聚类簇族范围的交叠体积，形成对应类型的传感器下训练样本特征数据集聚类下的先验交叠体积矩阵。

18、可选地，聚类分析方法包括：kmeans聚类。

19、可选地，所述根据待判定样本特征数据集类别辨识的判别向量，确定断路器运行状态的辨识结果，具体包括：对待判定样本特征数据集类别辨识的判别向量进行标幺化处理。

20、根据标幺后向量中元素的分布情况，确定断路器运行状态的辨识结果。

21、一种无人值守牵引变电站的断路器运行状态辨识系统，应用于所述的一种无人值守牵引变电站的断路器运行状态辨识方法，所述断路器运行状态辨识系统包括：数据获取模块，用于利用不同类型的传感器获得牵引变电站内断路器的训练样本数据和待判定样本数据；不同类型的传感器包括：位移传感器、线圈电流传感器、振动传感器和声音传感器；所述训练样本数据和所述待判定样本数据均包括：行程信号、线圈电流信号、振动信号以及声音信号。

22、数据集确定模块，用于根据训练样本数据和待判定样本数据，采用特征挖掘方法提取不同信号的特征，确定训练样本特征数据集和待判定样本特征数据集。

23、先验交叠体积矩阵确定模块，用于对第t类型的传感器下的训练样本特征数据集进行聚类分析，计算各聚类簇族中心，统计聚类簇族内断路器不同运行状态下样本的数量，定义各聚类簇族所代表的断路器运行状态，并计算不同聚类簇族间的交叠体积，确定先验交叠体积矩阵。

24、后验交叠体积矩阵确定模块，用于确定第t类型的传感器下待判定样本特征数据集到各聚类簇族中心的距离，重新确定聚类簇族之间的重叠区域体积，确定后验交叠体积矩阵。

25、归属度向量确定模块，用于基于先验交叠体积矩阵和后验交叠体积矩阵，计算交叠体积的增量矩阵，并计算出待判定样本特征数据集归属于各聚类簇族的度量值，确定待判定样本特征数据集的归属度向量。

26、权重系数确定模块，用于根据不同类型的传感器下待判定样本特征数据集的归属度向量确定相应的归属度向量纯度；并根据归属度向量纯度确定归属度向量的权重系数。

27、判别向量确定模块，用于根据不同类型的传感器下的归属度向量的权重系数，采用加权平均方式，确定待判定样本特征数据集类别辨识的判别向量。

28、辨识结果确定模块，用于根据待判定样本特征数据集类别辨识的判别向量，确定断路器运行状态的辨识结果。

29、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所提供的一种无人值守牵引变电站的断路器运行状态辨识方法及系统，利用各聚类中心与断路器运行状态的待判定样本间距定义出所属该类的边界，进而利用蒙特卡洛方法计算出与其他类别边界的交叠体积，通过待判定样本属于不同类别时，该类别边界与其他类别边界的交叠体积增量矩阵，可以在不受有限训练测试样本制约下衡量待判定样本所属不同类别时的影响，构建基于某个传感器信息下的断路器运行状态判别向量，为后续多传感器信息融合提供基础。相比于其他基于聚类分析下仅利用待判定样本与聚类中心距离辨识样本所属类别方法，本发明通过计算待判定样本与某聚类中心距离对其他聚类中心覆盖范围的影响，实现聚类形态的待判定样本归类辨识，可以有效地降低对待测样本所属类别的误判，有利于更清晰地认知断路器当前运行状态。本发明考虑单一传感器信息对断路器运行状态认知可能存在的片面性，利用多传感器信息融合技术，通过分析各传感器所得断路器运行状态的判别向量的纯度定义其客观权重，并通过加权平均方式形成对于断路器运行状态的最终判定。相比于传统单一传感器信息的辨识方法，多传感器信息融合方法可以更加准确地反映出断路器真实运行状态，提高了运行状态辨识的准确性。同时相比于目前多传感器融合方法，本发明通过挖掘各传感器所得判别向量的纯度客观地计算其权重，降低了不良传感器信息的误判概率，提升了融合结果对断路器运行状态辨识的客观性。