引言
目前，六氟化硫（SF6）气体已经成为高压、超高压断路器和GIS中几乎唯一的绝缘和灭弧介质，基于此的SF6断路器已成为电力系统一类重要的高压开关设备[1]，其可靠性、绝缘和灭弧性能一直是电力行业关注的焦点。其中，SF6气体泄漏是导致断路器性能下降甚至损坏的主要因素之一[2]。近年来，一些研究开始探索结合机器学习、深度学习和优化算法来提高SF6泄漏故障的诊断精度和效率。
研究者们从不同角度开展了对SF6断路器故障诊断的研究。较早期文献[3]开发了一种实时监测系统，其基于传感器来测量气体密度和露点。文献[4]通过充分利用六氟化硫分解气体的高精度检测结果，提出了基于气体分解概率统计的故障概率模型，并建立了基于矩估计的六氟化硫电气设备故障概率模型。关于在高压断路器中机器学习算法的应用，文献[5]使用8种基于气体副产品存在和浓度的算法对RF模式识别进行了分析，该研究表明采用用气体副产品分析，特别是使用RF模式识别对GIS进行有效故障诊断的可行性和适用性。文献[6]指出对传统气体压力和密度的单点测量方法，忽略了由于不均匀的温度分布所引起的压力和密度的变化。因此，研究中提出了一种四点压力测量方法，并通过支持向量机（Support Vector Machine, SVM）算法分析数据，从而提高泄漏诊断的准确性。而在深度学习算法中，文献[7]提出了一种基于GIS设备半监督深度学习网络的联合故障检测方法。该方法利用SF6气体在线监测传感器获取GIS气室物理指标测量值，并构建了一个基于卷积神经网络（Convolutional Neural Networks, CNN）的半监督深度学习网络来检测GIS气室内设备故障。
上述研究采用了多种方法对不同型号的断路器故障进行了深入研究，为SF6断路器漏气问题提供了宝贵的思考角度。然而，对于泄漏因素的分析和预测研究相对较少，这表明在SF6断路器的维护和故障预防方面还有进一步的研究空间和需求。因此，为了提高运维的准确性和电网的安全性，在特殊环境情况下有必要对影响SF6断路器气体泄漏的关键因素进行故障识别，这需要找到影响气体泄漏的关键因素，剔除无关因素，从而提高故障识别准确率。基于此，本文提出改进算法，对SF6断路器漏气缺陷进行识别。具体步骤如下。
首先，对引起漏气的内外部因素展开分析[8]，量化漏气因素并进行特征映射。然后，引入KMEANS-SMOTE[9]的过采样方法进行样本均衡，解决漏气缺陷样本不足的问题，同时采用基尼指数贡献度[10]对SF6断路器漏气特征进行重要度分析，从而剔除无关因素。最后，将筛选后的数据输入到基于贝叶斯优化的CNN-BiLSTM-Attention模型进行分类预测。为了验证模型的有效性，本研究引入了多种先进模型进行对比分析，以确保所提出的模型在性能上的优越性。特征工程、过采样、特征选择、贝叶斯优化和深度学习模型的结合改进，解决了数据分布的不平衡问题，提升了漏气故障识别和诊断的精度。诊断模型整体框架图如图1所示。
图1 诊断模型整体框架图
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006559
作者信息：
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，云南 昆明 650500；
2.云南电网有限责任公司电力科学研究院，云南 昆明 650217；
3.昆明理工大学 交通工程学院，云南 昆明 650500）
