断路器操作机构检测方法及系统技术方案

本申请提供的断路器操作机构检测方法及系统中，根据合分闸线圈电流特性曲线选择聚类操作机构运行状态的特征量，然后运用主成分分析法对特征量进行降维优化处理得到新的样本数据，然后基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量，接下来选用该k个输出神经元的权向量作为K‑means算法的初始化数据，代替了传统K‑means随机抽取样本作为初始的聚类中心的方法，然后通过K‑means与SOM混合算法对优化后的线圈电流特征量进行聚类，提高了聚类的准确度，实现了断路器操作机构状态评估，对于断路器及时发现缺陷与故障、合理安排检修计划具有重要指导意义。

Detection method and system of circuit breaker operating mechanism

【技术实现步骤摘要】
断路器操作机构检测方法及系统
本申请涉及断路器运行状态评估
，尤其涉及一种断路器操作机构检测方法及系统。
技术介绍
断路器作为电力系统中起到保护和控制作用的重要设备，保证其稳定可靠运行对电力系统的安全可靠有着重要的意义。相较于其他电力设备，断路器机械结构较为复杂，动作频率较为频繁，易发生机械故障，影响断路器分合闸动作的可靠性，进而影响电力系统的安全稳定性。操作机构作为断路器分合闸动作最重要的机构，据相关统计表明，在断路器重大故障中有43％～45％的故障是由操作机构故障引起的，因此保证操作机构的稳定可靠动作直接影响高压断路器运行的安全可靠性。因此亟需一种方案来检测断路器运行状态，实现对断路器操作机构运行状态的准确掌握与故障缺陷的及时发现排除。
技术实现思路
本申请提供了一种断路器操作机构检测方法及系统，以解决对断路器操作机构运行状态的准确掌握与故障缺陷的及时发现排除的技术问题。为了解决上述技术问题，本申请实施例公开了如下技术方案：第一方面，本申请提供了一种断路器操作机构检测方法，包括：根据合分闸线圈电流特性曲线提取线圈电流特征量；基于主成分分析法对由所述线圈电流特征量构成的原始矩阵进行降维，得到降维后的矩阵；根据降维后得到的线圈电流特征量基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量；利用所述输出神经元的权向量对K-means算法进行初始化；基于K-means算法依次将输入的样本分为递增个数的聚类直到对聚类数k的取值范围[a，b]内的所有k值均聚类完毕；对比递增个数下的各聚类结果对应的DBI指数，其中DBI指数最小的聚类结果为最终结果。可选的，所述根据合分闸线圈电流特性曲线提取线圈电流特征量，包括：通过测试设备得到合分闸线圈电流特性曲线；选取所述合分闸线圈电流特性曲线的拐点处对应的电流值和时间值为线圈电流特征量。可选的，所述基于主成分分析法对由所述线圈电流特征量构成的原始矩阵进行降维，得到降维后的矩阵，包括：对原始矩阵X取转置得到矩阵Y，其中X＝(x1,x2,…,xm)T是m×n的原始数据空间矩阵；将所述矩阵Y的每一行进行零均值化得到矩阵Z；根据所述矩阵Z计算协方差矩阵C；求解所述协方差矩阵C的特征值和特征向量并且根据所述特征向量得到变换矩阵T；根据累计贡献率确定主成分矩阵P的前k列；根据N＝XP得到降维后的矩阵N。可选的，所述根据累计贡献率确定主成分矩阵P的前k列，包括：计算所述T的各列的累计贡献率；当所述T的前k列的累计贡献率Kt≥85％，则主成分矩阵P取所述T的前k列。可选的，所述根据降维后得到的线圈电流特征量基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量，包括：初始化所述SOM神经网络模型；对于所述输入的样本寻找k个获胜神经元；通过权值更新公式调整获得所述k个获胜神经元的连接权向量。可选的，所述通过权值更新公式调整获得所述k个获胜神经元的连接权向量，包括：所述权值更新公式为：wij(t+1)＝wij(t)+η(t)Tj,i(x)(x(t)-wij(t))η(t)＝η(0)×(1-t/TN)；其中{wij}为网络连接权值，学习效率η(t)是随着时间t单调递减的，Tj,i(x)(t)是获胜神经元周围的领域函数，Sj，i(x)表示节点j和获胜神经元i(x)之间的距离。可选的，所述基于K-means算法依次将输入的样本分为递增个数的聚类直到对聚类数k的取值范围[a，b]内的所有k值均聚类完毕，包括：确定聚类数k的取值范围[a，b]；基于K-means算法依次将输入的样本分为k个聚类，此时k值取a值；基于K-means算法依次将输入的样本分为k+1个聚类、k+2个聚类…，直至对聚类数k的取值范围[a，b]内的所有k值均聚类完毕。可选的，所述基于K-means算法依次将输入的样本分为k个聚类，包括：利用k个获胜神经元的连接权向量作为k个初始聚类中心；计算所述输入的样本到k个初始聚类中心的距离并根据聚类大小将所述输入的样本分配到最近的初始聚类中心处，形成k个聚类；将每一聚类中所有对象的平均值作为新的聚类中心并形成新的k个聚类；判断新的k个聚类的收敛性直至聚类收敛结束，得到所述输入的样本的聚类结果。可选的，所述对比递增个数下的各聚类结果对应的DBI指数，其中DBI指数最小的聚类结果为最终结果，包括：依次计算将输入的样本分为k个聚类、k+1个聚类、k+2个聚类…，直至对聚类数k的取值范围[a，b]内的所有k值均聚类完毕的DBI指数；DBI指数最小的聚类结果为最终结果。第二方面，本申请还提供了一种断路器操作机构检测系统，包括：特征量提取模块，用于根据合分闸线圈电流特性曲线提取线圈电流特征量；降维模块，用于基于主成分分析法对由所述线圈电流特征量构成的原始矩阵进行降维，得到降维后的矩阵；初始化结果获取模块，用于根据降维后得到的线圈电流特征量基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量；K-means初始化模块，用于利用所述输出神经元的权向量对K-means算法进行初始化；K-means算法聚类模块，用于基于K-means算法依次将输入的样本分为递增个数的聚类直到对聚类数k的取值范围[a，b]内的所有k值均聚类完毕；聚类结果获取模块，用于对比递增个数下的各聚类结果对应的DBI指数，其中DBI指数最小的聚类结果为最终结果。与现有技术相比，本申请的有益效果为：由上述技术方案可见，本申请提供的断路器操作机构检测方法及系统中，首先获取合分闸线圈电流特性曲线，根据该曲线选择聚类操作机构运行状态的特征量，然后运用主成分分析法对特征量进行降维优化处理得到新的样本数据，其中新的样本数据较初始样本数据降低了维数，去除了冗余，简化了数据结构；然后基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量，接下来选用该k个输出神经元的权向量作为K-means算法的初始化数据，代替了传统K-means随机抽取样本作为初始的聚类中心的方法，K-means算法初始化后基于K-means算法依次将输入的样本分为k个聚类，此时k值取a值；基于K-means算法依次将输入的样本分为k+1个聚类、k+2个聚类…，直至对聚类数k的取值范围[a，b]内的所有k值均聚类完毕；依次计算将输入的样本分为k个聚类、k+1个聚类、k+2个聚类…，直至对聚类数k的取值范围[a，b]内的所有k值均聚类完毕的DBI指数；DBI指数最小的聚类结果为最终结果。此时即得到了断路器操作机构运行状态评估的聚类结果。本申请中，运用主成分分析法对特征量进行降维优化处理得到新的样本数据，其中新的样本数据较本文档来自技高网...

【技术保护点】
1.一种断路器操作机构检测方法，其特征在于，包括：/n根据合分闸线圈电流特性曲线提取线圈电流特征量；/n基于主成分分析法对由所述线圈电流特征量构成的原始矩阵进行降维，得到降维后的矩阵；/n根据降维后得到的线圈电流特征量基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量；/n利用所述输出神经元的权向量对K-means算法进行初始化；/n基于K-means算法依次将输入的样本分为递增个数的聚类直到对聚类数k的取值范围[a，b]内的所有k值均聚类完毕；/n对比递增个数下的各聚类结果对应的DBI指数，其中DBI指数最小的聚类结果为最终结果。/n

【技术特征摘要】
1.一种断路器操作机构检测方法，其特征在于，包括：
根据合分闸线圈电流特性曲线提取线圈电流特征量；
基于主成分分析法对由所述线圈电流特征量构成的原始矩阵进行降维，得到降维后的矩阵；
根据降维后得到的线圈电流特征量基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量；
利用所述输出神经元的权向量对K-means算法进行初始化；
基于K-means算法依次将输入的样本分为递增个数的聚类直到对聚类数k的取值范围[a，b]内的所有k值均聚类完毕；
对比递增个数下的各聚类结果对应的DBI指数，其中DBI指数最小的聚类结果为最终结果。


2.根据权利要求1所述的断路器操作机构检测方法，其特征在于，所述根据合分闸线圈电流特性曲线提取线圈电流特征量，包括：
通过测试设备得到合分闸线圈电流特性曲线；
选取所述合分闸线圈电流特性曲线的拐点处对应的电流值和时间值为线圈电流特征量。


3.根据权利要求1所述的断路器操作机构检测方法，其特征在于，所述基于主成分分析法对由所述线圈电流特征量构成的原始矩阵进行降维，得到降维后的矩阵，包括：
对原始矩阵X取转置得到矩阵Y，其中X＝(x1,x2,…,xm)T是m×n的原始数据空间矩阵；
将所述矩阵Y的每一行进行零均值化得到矩阵Z；
根据所述矩阵Z计算协方差矩阵C；
求解所述协方差矩阵C的特征值和特征向量并且根据所述特征向量得到变换矩阵T；
根据累计贡献率确定主成分矩阵P的前k列；
根据N＝XP得到降维后的矩阵N。


4.根据权利要求3所述的断路器操作机构检测方法，其特征在于，所述根据累计贡献率确定主成分矩阵P的前k列，包括：
计算所述T的各列的累计贡献率；
当所述T的前k列的累计贡献率Kt≥85％，则主成分矩阵P取所述T的前k列。


5.根据权利要求1所述的断路器操作机构检测方法，其特征在于，所述根据降维后得到的线圈电流特征量基于SOM神经网络模型对输入的样本进行聚类，得到k个输出神经元的权向量，包括：
初始化所述SOM神经网络模型；
对于所述输入的样本寻找k个获胜神经元；
通过权值更新公式调整获得所述k个获胜神经元的连接权向量。


6.根据权利要求5所述的断路器操作机构检测方法，其特征在于，所述通过权值更新公式调整获得所述k个获胜神经元的连接权向量，包括：
所述权值更新公式为：wij(t+1)＝wij(t)+η(t)Tj,i(x)(x(t)-wij(t))



...

【专利技术属性】
技术研发人员：邓云坤，王科，赵现平，彭晶，谭向宇，霍鹏，黄小龙，成勇，陈志彬，张文兵，黄继盛，陈颍平，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南;53