本發明涉及隔離開關缺陷檢測，具體涉及一種隔離開關機械狀態檢測方法及分體式檢測儀。

背景技術：

1、在眾多電力設備中，隔離開關應用規模、故障數均位列高壓輸變電設備榜首。隔離開關常與斷路器配合使用，以便形成明顯斷口，確保斷電的可靠性；當開關閉合時，它相當于導線，因此對它的動態穩定性和通流能力也有一定要求，目前，戶外隔離開關故障率居高不下，主要誘因及故障表現可歸納如下：

2、隔離開關的連桿軸承等傳動機構長時間暴露在戶外的環境中，經歷不同天氣狀況，伴隨空氣中灰塵、粉塵等顆粒污染物的長期堆積，容易被氧化和腐蝕，安裝時施加的潤滑劑也容易干枯，酸雨、鹽霧和工業廢氣等惡劣氣象的影響則更加惡劣。這些對傳動機構的損傷較輕，通常以動作時的晃動、噪聲和動作不到位表現出來。

3、隔離開關通常在現場才進行安裝調試，參考標準有一定范圍，且如何調試至標準狀態很大程度上依賴人工經驗，觸指的壓力等關鍵參數缺乏有效的檢測設備，因此調試不當引起的夾緊力不足缺陷往往難以被發現，運行后才表現出觸頭發熱等問題，造成觸頭氧化、融化等嚴重問題。

4、隔離開關不具備開斷電流的能力，電學性能相對簡單，易于制造，整體價格和利潤不高，因此相關研發投入不足，性能提升非常緩慢。

5、隔離開關分布十分廣泛、數量又極多，因此要對運行中的隔離開關進行及時檢修耗費的人力物力成本較高。隨著用電負荷的日益增長，隔離開關年久失修引起的事故占比越來越高，對電網造成巨大影響，如果不能及時發現隔離開關存在隱患，很有可能會造成大面積停電。

6、雖然隔離開關機械故障占隔離開關故障總數的比例很高，但隔離開關機械故障診斷技術的研究目前尚不完善。

7、現有隔離開關機械故障診斷技術存在三大瓶頸:一是傳統決策樹算法在特征選擇時未考慮屬性間冗余性，導致模型復雜度高;二是k-means聚類對噪聲敏感，難以處理異常狀態數據;三是多源傳感器數據融合不足，難以全面反映設備狀態。

技術實現思路

1、為解決現有技術存在的缺陷，本發明提供一種隔離開關機械狀態檢測方法及分體式檢測儀。

2、為了解決上述技術問題，本發明提供了如下的技術方案：

3、一種隔離開關機械狀態檢測方法，包括如下步驟：

4、步驟1：對采集的操作力矩和轉動角度數據進行數據預處理與特征標準化，得到操作力矩和轉動角度匹配的操作力矩-轉動角度向量；

5、步驟2：對得到的操作力矩-轉動角度向量進行核函數選擇與核矩陣計算；

6、步驟3：核k-means聚類初始化；

7、步驟4：核k-means聚類迭代優化，通過迭代調整簇中心，最小化高維空間中的簇內差異，實現故障樣本的有效分離；

8、步驟5：以輪廓系數s、戴維森堡丁指數dbi和故障密度指數構建定義強化學習的獎勵函數，通過深度強化學習進行核k-means聚類的核參數γ和簇數k優化，得到最優聚類結果；

9、步驟6：根據最優聚類結果建立簇與故障類型的映射關系，實現從數據到故障類型的診斷；

10、步驟7：以elm-tree模型(極限學習機決策樹模型)進行故障程度量化并選擇處置措施。

11、進一步優選，輪廓系數s用于衡量樣本聚類內聚性與分離性；戴維森堡丁指數dbi用于評估簇間分離度與簇內緊湊性；故障密度指數用于量化簇內故障樣本分布的緊密度，定義為：

12、；

13、其中，為第k個簇內故障樣本分布的緊密度，為第k個簇中心，為簇的樣本數；為第k個簇內樣本到簇中心的平均距離；為第u個樣本；

14、以輪廓系數s、戴維森堡丁指數dbi和故障密度指數結合，構建深度強化學習的獎勵函數r：

15、；

16、其中，α、β、η分別為輪廓系數s、戴維森堡丁指數dbi、故障密度指數的權重系數。

17、進一步優選，步驟1中，數據預處理包括通過線性插值對缺失數據進行填充，通過同步采集時鐘或時間戳匹配，確保操作力矩與轉動角度數據在同一時刻點對應，從而實現時序對齊。

18、進一步優選，步驟1中，對第j維特征進行標準化的過程為：

19、；

20、其中，為第j維特征的第i個樣本，為標準化后的第j維特征的第i個樣本，為第j維特征的均值，為第j維特征的標準差，n為樣本總數，d為特征維度。

21、進一步優選，步驟4中，核k-means聚類通過最小化簇內平方誤差（sse），將樣本分配到高維空間中距離最近的簇中心。

22、本發明還提供一種隔離開關機械狀態分體式檢測儀，包括檢測儀本體、數據采集終端和數據分析儀；所述數據采集終端通過無線通信模塊與數據分析儀數據交互，數據采集終端采集檢測儀本體所測得的隔離開關的操作力矩及轉動角度，數據分析儀用于數據管理與缺陷診斷；所述數據分析儀包括分析診斷模塊、顯示模塊和存儲模塊，所采集的操作力矩和轉動角度數據通過分析診斷模塊進行診斷分析，分析診斷模塊包括：

23、數據預處理與特征標準化單元，用于對采集的操作力矩和轉動角度數據進行數據預處理與特征標準化，得到操作力矩和轉動角度匹配的操作力矩-轉動角度向量；

24、核k-means聚類單元，用于對得到的操作力矩-轉動角度向量進行核函數選擇與核矩陣計算；進行核k-means聚類初始化和迭代優化，通過迭代調整簇中心，最小化高維空間中的簇內差異，實現故障樣本的有效分離；通過輪廓系數和戴維森堡丁指數驗證核k-means聚類有效性，建立簇與故障類型的映射關系，實現從數據到故障類型的診斷；

25、故障量化和處置措施單元，以elm-tree模型進行故障程度量化并選擇處置措施。

26、進一步優選，所述檢測儀本體包括：

27、用于驅動隔離開關分閘或合閘的步進電機；

28、用于測量隔離開關動作過程所需的操作力矩的力矩檢測模塊；

29、用于測量隔離開關的轉動角度的轉動角度檢測模塊。

30、進一步優選，數據采集終端連接轉動角度檢測模塊和力矩檢測模塊，進行隔離開關的操作力矩及轉動角度的數據采集與存儲。

31、進一步優選，在檢測儀本體中部署有fpga芯片，實現以下并行計算：

32、核函數計算單元：并行計算高斯核值；

33、矩陣分塊運算：將核矩陣塊和錨點間核矩陣分解為子塊，利用流水線技術加速矩陣求逆與乘法。

34、本發明的有益效果是：核k-means聚類通過非線性映射和優化初始化，顯著提升了隔離開關故障分類的精度；以輪廓系數s、戴維森堡丁指數dbi和故障密度指數構建定義強化學習的獎勵函數，通過深度強化學習進行核k-means聚類的核參數γ和簇數k優化，得到最優聚類結果，確保聚類結果可靠。通過參數調優與工程適配技術（如nystr?m近似）使本發明的檢測方法適用于大規?，F場數據。核k-means聚類結果為后續elm-tree模型的定量分析提供了高區分度的輸入特征，形成從故障檢測到維修指導的完整診斷閉環，為電網安全運維提供了高效解決方案。