基于特征选择和优化CNN-BiLSTM-Attention对SF6断路器漏气故障诊断-AET-电子技术应用

基于特征选择和优化CNN-BiLSTM-Attention对SF6断路器漏气故障诊断

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。

关键词： SF6断路器贝叶斯优化特征选择卷积神经网络-双向长短时记忆网络-注意力机制

中图分类号：TP18；TM56 文献标志码：A DOI: 10.16157/j.issn.0258-7998.246103
中文引用格式： 欧阳鑫，赵龙周，彭晶，等. 基于特征选择和优化CNN-BiLSTM-Attention对SF6断路器漏气故障诊断[J]. 电子技术应用，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）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。