《電子技術(shù)應用》
您所在的位置：首頁 > 人工智能 > 設計應用 > 基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對SF6斷路器漏氣故障診斷
基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對SF6斷路器漏氣故障診斷
電子技術(shù)應用
歐陽鑫1，趙龍周1，彭晶2，龔澤威一2，段雨廷2，馬宏明2，帥春燕3
1.昆明理工大學 信息工程與自動化學院；2.云南電網(wǎng)有限責任公司電力科學研究院；3.昆明理工大學 交通工程學院
摘要： SF6（六氟化硫）斷路器是保障電網(wǎng)穩(wěn)定運行的重要設備，但其在長期使用中容易發(fā)生漏氣問題，既影響設備性能，又威脅電網(wǎng)的安全性。為精準診斷SF6斷路器的漏氣故障，提出了一種基于Gini指數(shù)特征選擇和貝葉斯優(yōu)化（Bayesian Optimization， BO）的CNN-BiLSTM-Attention組合模型。首先，針對影響SF6斷路器漏氣的內(nèi)外部因素，進行特征映射與重要性分析，并采用KMeans-SMOTE技術(shù)解決數(shù)據(jù)分布不均的問題。其次，利用基于Gini指數(shù)的方法篩選關鍵特征，并通過貝葉斯優(yōu)化精調(diào)CNN-BiLSTM-Attention模型的超參數(shù)以提升分類性能。實驗結(jié)果表明，設備缺陷、運行年限、運維水平、天氣和溫度是導致漏氣的主要因素。與其他模型相比，所提方法在漏氣故障的0/1分類任務中展現(xiàn)出更高的分類精度和魯棒性。研究不僅驗證了方法的有效性，還揭示了引發(fā)SF6斷路器漏氣的關鍵因素，為設備巡檢和運維管理提供了科學支持，進一步提升了電網(wǎng)運行的安全性與可靠性。
中圖分類號：TP18；TM56 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.246103
中文引用格式： 歐陽鑫，趙龍周，彭晶，等. 基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對SF6斷路器漏氣故障診斷[J]. 電子技術(shù)應用，2025，51(6)：32-39.
英文引用格式： Ouyang Xin，Zhao Longzhou，Peng Jing，et al. Air leakage fault diagnosis of SF6 circuit breaker based on feature selection and optimization CNN-BiLSTM-Attention[J]. Application of Electronic Technique，2025，51(6)：32-39.
Air leakage fault diagnosis of SF6 circuit breaker based on feature selection and optimization CNN-BiLSTM-Attention
Ouyang Xin1，Zhao Longzhou1，Peng Jing2，Gong Zeweiyi2，Duan Yuting2，Ma Hongming2，Shuai Chunyan3
1.Faculty of Information Engineering and Automation， Kunming University of Science and Technology； 2.Electric Power Research Institute， Yunnan Power Grid Co.， Ltd.； 3.Faculty of Transportation Engineering， Kunming University of Science and Technology
Abstract： Sulfur Hexafluoride(SF6) circuit breaker is an important equipment to ensure the stable operation of the power grid, but it is prone to air leakage problems in long-term use, which not only affects the performance of the equipment, but also threatens the safety of the power grid. In order to accurately diagnose the air leakage failure of SF6 circuit breaker, this paper proposes a CNN-BiLSTM-Attention combination model based on Gini index feature selection and Bayesian optimization (BO). First, feature mapping and importance analysis are conducted for internal and external factors affecting SF6 circuit breaker air leakage, and KMeans-SMOTE technology is used to solve the problem of uneven data distribution. Second, the Gini index-based method is used to screen the key features and optimize the hyperparameters of the fine-tuning CNN-BiLSTM-Attention model by Bayesian to improve the classification performance. The experimental results show that the equipment defects, operation life, operation and maintenance level, weather and temperature are the main factors leading to air leakage. Compared with other models, the proposed method shows higher classification accuracy and robustness in the 0/1 classification task of air leakage failure. The study not only verifies the effectiveness of the method, but also reveals the key factors that cause the leakage of SF6 circuit breaker, which provides scientific support for equipment inspection and operation and maintenance management, and further improves the security and reliability of power grid operation.
Key words : sulfur hexafluoride circuit breaker；Bayesian optimization；feature selection；CNN-BiLSTM-Attention

引言

目前，六氟化硫（SF6）氣體已經(jīng)成為高壓、超高壓斷路器和GIS中幾乎唯一的絕緣和滅弧介質(zhì)，基于此的SF6斷路器已成為電力系統(tǒng)一類重要的高壓開關設備[1]，其可靠性、絕緣和滅弧性能一直是電力行業(yè)關注的焦點。其中，SF6氣體泄漏是導致斷路器性能下降甚至損壞的主要因素之一[2]。近年來，一些研究開始探索結(jié)合機器學習、深度學習和優(yōu)化算法來提高SF6泄漏故障的診斷精度和效率。

研究者們從不同角度開展了對SF6斷路器故障診斷的研究。較早期文獻[3]開發(fā)了一種實時監(jiān)測系統(tǒng)，其基于傳感器來測量氣體密度和露點。文獻[4]通過充分利用六氟化硫分解氣體的高精度檢測結(jié)果，提出了基于氣體分解概率統(tǒng)計的故障概率模型，并建立了基于矩估計的六氟化硫電氣設備故障概率模型。關于在高壓斷路器中機器學習算法的應用，文獻[5]使用8種基于氣體副產(chǎn)品存在和濃度的算法對RF模式識別進行了分析，該研究表明采用用氣體副產(chǎn)品分析，特別是使用RF模式識別對GIS進行有效故障診斷的可行性和適用性。文獻[6]指出對傳統(tǒng)氣體壓力和密度的單點測量方法，忽略了由于不均勻的溫度分布所引起的壓力和密度的變化。因此，研究中提出了一種四點壓力測量方法，并通過支持向量機（Support Vector Machine, SVM）算法分析數(shù)據(jù)，從而提高泄漏診斷的準確性。而在深度學習算法中，文獻[7]提出了一種基于GIS設備半監(jiān)督深度學習網(wǎng)絡的聯(lián)合故障檢測方法。該方法利用SF6氣體在線監(jiān)測傳感器獲取GIS氣室物理指標測量值，并構(gòu)建了一個基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNN）的半監(jiān)督深度學習網(wǎng)絡來檢測GIS氣室內(nèi)設備故障。

上述研究采用了多種方法對不同型號的斷路器故障進行了深入研究，為SF6斷路器漏氣問題提供了寶貴的思考角度。然而，對于泄漏因素的分析和預測研究相對較少，這表明在SF6斷路器的維護和故障預防方面還有進一步的研究空間和需求。因此，為了提高運維的準確性和電網(wǎng)的安全性，在特殊環(huán)境情況下有必要對影響SF6斷路器氣體泄漏的關鍵因素進行故障識別，這需要找到影響氣體泄漏的關鍵因素，剔除無關因素，從而提高故障識別準確率?；诖?，本文提出改進算法，對SF6斷路器漏氣缺陷進行識別。具體步驟如下。

首先，對引起漏氣的內(nèi)外部因素展開分析[8]，量化漏氣因素并進行特征映射。然后，引入KMEANS-SMOTE[9]的過采樣方法進行樣本均衡，解決漏氣缺陷樣本不足的問題，同時采用基尼指數(shù)貢獻度[10]對SF6斷路器漏氣特征進行重要度分析，從而剔除無關因素。最后，將篩選后的數(shù)據(jù)輸入到基于貝葉斯優(yōu)化的CNN-BiLSTM-Attention模型進行分類預測。為了驗證模型的有效性，本研究引入了多種先進模型進行對比分析，以確保所提出的模型在性能上的優(yōu)越性。特征工程、過采樣、特征選擇、貝葉斯優(yōu)化和深度學習模型的結(jié)合改進，解決了數(shù)據(jù)分布的不平衡問題，提升了漏氣故障識別和診斷的精度。診斷模型整體框架圖如圖1所示。

000.png

圖1　診斷模型整體框架圖


本文詳細內(nèi)容請下載：

http://www.ihrv.cn/resource/share/2000006559


作者信息：

歐陽鑫1，趙龍周1，彭晶2，龔澤威一2，段雨廷2，馬宏明2，帥春燕3

（1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；

2.云南電網(wǎng)有限責任公司電力科學研究院，云南 昆明 650217；

3.昆明理工大學 交通工程學院，云南 昆明 650500）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。