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.
引言
目前，六氟化硫（SF6）氣體已經成為高壓、超高壓斷路器和GIS中幾乎唯一的絕緣和滅弧介質，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）算法分析數據，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，并構建了一個基于卷積神經網絡（Convolutional Neural Networks, CNN）的半監(jiān)督深度學習網絡來檢測GIS氣室內設備故障。
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。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，將篩選后的數據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合改進，解決了數據分布的不平衡問題，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。
圖1 診斷模型整體框架圖
本文詳細內容請下載：
http://www.jysgc.com/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）
