《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 基于特征选择和优化CNN-BiLSTM-Attention对SF6断路器漏气故障诊断
基于特征选择和优化CNN-BiLSTM-Attention对SF6断路器漏气故障诊断
电子技术应用
欧阳鑫1，赵龙周1，彭晶2，龚泽威一2，段雨廷2，马宏明2，帅春燕3
1.昆明理工大学 信息工程与自动化学院；2.云南电网有限责任公司电力科学研究院；3.昆明理工大学 交通工程学院
摘要： SF6（六氟化硫）断路器是保障电网稳定运行的重要设备，但其在长期使用中容易发生漏气问题，既影响设备性能，又威胁电网的安全性。为精准诊断SF6断路器的漏气故障，提出了一种基于Gini指数特征选择和贝叶斯优化（Bayesian Optimization， BO）的CNN-BiLSTM-Attention组合模型。首先，针对影响SF6断路器漏气的内外部因素，进行特征映射与重要性分析，并采用KMeans-SMOTE技术解决数据分布不均的问题。其次，利用基于Gini指数的方法筛选关键特征，并通过贝叶斯优化精调CNN-BiLSTM-Attention模型的超参数以提升分类性能。实验结果表明，设备缺陷、运行年限、运维水平、天气和温度是导致漏气的主要因素。与其他模型相比，所提方法在漏气故障的0/1分类任务中展现出更高的分类精度和鲁棒性。研究不仅验证了方法的有效性，还揭示了引发SF6断路器漏气的关键因素，为设备巡检和运维管理提供了科学支持，进一步提升了电网运行的安全性与可靠性。
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(yīng)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(guān)設(shè)備[1]，其可靠性、絕緣和滅弧性能一直是電力行業(yè)關(guān)注的焦點。其中，SF6氣體泄漏是導(dǎo)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(xué)習(xí)、深度學(xué)習(xí)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(shè)備故障概率模型。關(guān)于在高壓斷路器中機器學(xué)習(xí)算法的應(yīng)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(xué)習(xí)算法中，文獻[7]提出了一種基于GIS設(shè)備半監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)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(luò)（Convolutional Neural Networks, CNN）的半監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)來檢測GIS氣室內(nèi)設(shè)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(yù)測研究相對較少，這表明在SF6斷路器的維護和故障預(yù)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(guān)鍵因素進行故障識別，這需要找到影響氣體泄漏的關(guān)鍵因素，剔除無關(guān)因素，從而提高故障識別準確率。基于此，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(guān)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(yù)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(xué)習(xí)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(xué) 信息工程與自動化學(xué)院，云南 昆明 650500；

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

3.昆明理工大學(xué) 交通工程學(xué)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。