摘要：接触网高压隔离开关是电气化铁路中使用量最大的电气开关。高压隔离开关由于其结构简单、可靠性要求高，长期暴露在室外恶劣的大气环境中，多年来频繁故障已成为影响电网安全运行的重要问题之一。根据调查统计显示，隔离开关在运行过程中普遍存在的管理不足、常年失修等情况，高压隔离开关长期暴露在恶劣自然环境下，隔离开关容易暴露出各种缺陷。
关键词：隔离开关；自适应权重；遗传算法；
随着铁路线路的快速发展，高压隔离开关成为使用量最大的高压设备。接触网隔离开关的运行可靠性对保障牵引供电的稳定运行有着重要意义。
一、k-means算法的接触网隔离开关机械故障检测
1.传统K-means算法的缺点。在运用K-means算法进行聚类分析运算时，必须事先设定好聚类数值K且其大小直接影响聚类的结果，这就使得K-means算法在实际应用中有了局限性。同时，K-means算法对初始聚类中心也有很大的依赖性，即在根据设定的K值随机设定K个初始中心点，由于是随机性质，会导致聚类的结果出现较大差异，甚至会出现过早收敛的情况，即“早熟”。在对电机电流进行聚类分析时，容易发生聚类效果不明显，计算周期较长，无法满足对隔离开关的在线监测需求，同时由于过早收敛的特性，使得对给开关卡涩程度的分析不明显。
2.K-means算法。K-means算法是基于划分的一种经典聚类分析方法，广泛应用于各个学科领域。针对隔离开关分合闸过程中电机电流的混沌特性，对信号进行相空间重构，并对重构后的信号进行K-means聚类分析，获取相应的簇中心，根据其位置的不同来判断隔离开关的运行状况。簇中心位置分布不同代表着隔离开关所处的工况状态不同。正常情况相比较，各故障矢量和模值发生明显偏差，电机电流的波动幅度较大，且随着卡涩程度的变化，其矢量模值发生偏差的程度越大，使用Kmeans算法可以较为直观的检测隔离开关故障情况。
二、GA改进的K-means算法
GA作为今年来新兴的聚类分析方法，由于其简单、通用、适用于并行处理的优点而被广泛应用。作为一种模拟生物进化的模型，通过与计算机的相互渗透与结合，产生了一种通过简单的编码，就可以实现由简单的变化到复杂规则进化的方法。通过结合GA的全局搜索能力和K-means算法的快速收敛能力，在每一步执行完GA操作之后引入K-means算法，对新生的每一个个体进行优化，优化后的个体进入下一步遗传操作，反复迭代直至出现最优解。1算法的编码：采用浮点编码方式进行编码对各个个体进行编码。设聚类中心为m维，聚类中心为k，则每条染色体的长度为l=mk，染色体为{x1，x2，…，xk}，其中每一条染色体xi={xi1，xi2，…，xik}，每条染色体代表一个聚类中心的坐标。2初始化种群：从样本空间中选出k个个体，每一个个体代表一个初始聚类中心，通过基于聚类中心的浮点编码方式将这组聚类中心编码成一条染色体。再重复进行Psize次染色体初始化生成初始种群，Psize为群体总量。3适应度函数：作为性能好坏的指标，适应度函数会直接影响算法的收敛速度和最优解的选定。GA算法的目的就是通过公式
.png)
由公式可以得出，准则函数J越小的聚类中心，所获得适应度函数值也就越大。
4选择操作：GA通过优胜劣汰来实现对群体的选择操作，适应度越低的群体遗传到下一代的概率越小，反之则大。在已有适应度函数的基础上，通过轮盘赌的方式来保证算法的收敛性。由于个体被选中的概率取决于该个体的适应度的大小。因此每一条染色体适应度在总体中的占有比例决定了其被选中的概率。具体操作如下：（一）计算当前种群个体的适应度函数，并记录适应度最大的个体；（二）通过上公式获得适应度值f（xi），（i=1，2，…，k），计算每一个个体被选择的概率
.png)
（三）根据所得的概率Pxi，使用轮盘赌法选择个体进行交叉和变异操作以产生新的个体；（四）重新计算新种群中个体的适应度值，并将记录的上一代中适应度值高的个体取代下一代中适应度值低的个体，以此产生下一代种群。在这个过程中种群的平均适应度得以提升，鲁棒性增强，整体朝着最优解的方向发展。（五）交叉操作：本文将采用算术交叉的方式来将2个个体进行线性交叉产生新的个体。假设交叉个体为x1和x2，通过如下的均匀算术交叉获得新的个体x1'和x2'
x1'=λx1＋（1-λ）x2
x2'=λx2＋（1-λ）x1
式中，λ为相应系数。
（六）变异操作：变异操作即为将同一染色体中的某一部分基因与另一部分基因进行等位替换的操作，从而增加了个体的多样性，改善的遗传算法的局部搜索能力，防止早熟收敛。本文通过均匀变异算子，其具体操作如下：①取定某一个体编码串中的变异点，确定其取值范围[Umin，Umax]；②对每一个变异点，以变异概率Pm从[Umin，Umax]取任意随机数代替原有值，从而获得新的基因
xi=Umin＋r（Umax-Umin）
式中，r表示系数。
三、算法仿真
1.信号的采集
为验证算法的有效性，通过如图1所示由数据采集卡、霍尔电流传感器和Labview软件平台构成的系统来模拟高压隔离开关在正常情况下、轻微卡涩、严重卡涩、弹簧失效、合闸不到位等常见机械故障情况下的电机电流情况，导入到C＋＋平台编译的算法中，计算仿真结果，并同传统K-means算法进行比较。
.png)
图１电机电流采集系统结构图
在不同情况下电机电流信号波形的峰值出现在不同的时间节点，时各个波峰的时间间隔也不尽相同。当弹簧失效时，波峰出现时间较正常情况有偏移出现；当机括出现或轻或重的卡涩时，电流信号的幅值也会出现或多或少的增大。可见电机电流信号可以很直观的表征高压隔离开关机械故障的状态。
2.实验结果与分析。为了验证算法的有效性，在C＋＋平台下对算法进行了仿真实验。其中以隔离开关机械故障5种工况分别进行计算，每一组数据反复计算10次以保证实验的准确性。可见，随着算法的推进，高压隔离开关弹簧失效故障的数据在经过11代的迭代下，初始中心获得最终值，且准则函数值趋于稳定在一个固定值，优化值也降为0。可见算法既确定了初始中心的个数，又确定了最终的优化值，避免了Kmeans算法的弊端，又精确的计算出优化值。高压隔离开关在工况下使用GA改进的K-means算法进行特证值提取，其中特证值的提取和准则函数均满足实验需求。
总之，通过分析一系列故障问题例如绝缘子断裂、受力异常、电回路过热、操作失灵以及金属器件腐蚀问题等，并根据其技术问题所面临的一系列问题，结合当今现状，提出了相应的对各个故障有效的解决措施。
参考文献：
[1]邱春.浅谈接触网高压隔离开关的机械故障诊断新策略.2019.
[2]杨丹阳.高压隔离开关机械故障分析及改进技术.2018.