摘" 要：

針對直流電弧分斷特性，提出一種預測直流斷路器電壽命預測方法。根據(jù)GB/T 14048.2—2020進行測試，并獲取分斷過程中的電壓波形。將斷弧發(fā)生一段時間內的電壓信號經(jīng)過CEEMDAN濾波后，作為網(wǎng)絡訓練樣本。采用觸頭質量表示電壽命狀況，利用線性插值得到觸頭質量下降曲線，并將其作為網(wǎng)絡訓練標簽。采用Pytorch框架搭建一種殘差網(wǎng)絡（ResNet）的一維卷積結構預測模型。實驗結果表明，所提方法對于觸頭質量的預測誤差＜10%，證明了所提方法可以用于預測GB/T 14048.2—2020標準下的電壽命。

關鍵詞：

直流斷路器; 電壽命預測; 殘差網(wǎng)絡; 一維卷積

楊諾銘（1998—），男，碩士研究生，研究方向為電機與電器。

吳自然（1984—），男，副研究員，博士，研究方向為電器智能化、智能制造理論和技術等。

劉澤州1989—），男，工程師，主要從事電器設計與制造工作。

*基金項目： 浙江省自然科學基金資助（LY23E070001）;溫州市重大項目資助（ZG2023049）;溫州市揭榜掛帥項目資助（ZG2023018）

中圖分類號： TM561

文獻標志碼： A

文章編號： 2095-8188（2024）10-0007-12

DOI：

10.16628/j.cnki.2095-8188.2024.10.002

Electrical Life Prediction Method of DC Circuit Breaker Based on Residual Network Regression

YANG Nuoming1，" WU Ziran1，2，" LIU Zezhou3， "WU Chenxi1，" WU Guichu4，" LIN Yigang1，2

［1.Low Voltage Apparatus Technology Research Center of Zhejiang（Wenzhou University）， Wenzhou 325035， China;

2.Technology Institute of Wenzhou University in Yueqing， Wenzhou 325699， China;

3.Zhejiang Tianzheng Electric Co.，Ltd.， Wenzhou 325604， China;

4.Zhejiang Juchuang Intelligent Technology Co.，Ltd.， Wenzhou 325005， China］

Abstract：

According to the breaking characteristics of DC arc，a method for predicting the electrical life of DC circuit breaker is proposed.According to the standard GB/T 14048.2—2020，the voltage waveform during the breaking process is obtained.After CEEMDAN filtering，the voltage signal within a period of arc break is used as the network training sample.The contact mass is used to represent the electrical life condition，and the contact mass decline curve is obtained by linear interpolation，which is used as the network training label.A one-dimensional convolutional structure prediction model of residual network（ResNet）is constructed using Pytorch framework.The experimental results show that the prediction error of the prosed method is less than 10%，which proves that the method can be used to predict the electrical life under GB/T 14048.2—2020 standard.

Key words：

DC circuit breakers; electrical life prediction; residual network; one-dimensional convolution

0" 引" 言

直流系統(tǒng)因具有系統(tǒng)效率高、供電容量大、線路損耗小、電能質量高等優(yōu)點［1］，在高壓輸電、中低壓配用電、新能源接入、船艦及軌道交通領域得到越來越廣泛的應用［2-3］。但是，直流系統(tǒng)的主接線結構復雜、運行方式多樣，進而導致其故障形式多、故障發(fā)展快、影響范圍大。因此，迫切需要提高直流系統(tǒng)的故障隔離與保護能力，確保直流系統(tǒng)的安全可靠運行。直流斷路器作為直流系統(tǒng)理想的故障隔離方式，已成為電器領域的研究熱點［4］。

相較于交流斷路器，直流斷路器發(fā)展的難點表現(xiàn)在2個方面：首先，直流系統(tǒng)電流沒有自然過零點，無法應用交流斷路器中成熟的滅弧技術［5-6］;其次，直流系統(tǒng)中的感性元件等儲存著巨大的能量，顯著增大了直流故障電流的開斷難度［7-8］。低壓直流斷路器的應用場景往往是船舶、航天、軌道交通等較為封閉的地點［9］，一旦發(fā)生過載或短路開斷失敗就會造成難以估量的損失，因此直流斷路器的使用壽命成為一個重要的課題。

早在2002年的國際真空放電與電絕緣研討會上，就有學者提出，斷路器觸頭的電蝕量取決于開斷電流和開斷次數(shù)，開斷電流Ib的對數(shù)和開斷次數(shù)N的對數(shù)成正比，建立了基于N-Ib壽命曲線的開斷電流加權累積方法，通過快速傅里葉變換（FFT）得到的工頻開斷電流來估計觸頭情況［10］。在此基礎上，文獻［11-12］考慮了燃弧時間的影響，文獻［13］考慮了開斷電流的影響，文獻［14］考慮了電流轉換時間的影響，文獻［15-17］考慮了動態(tài)接觸電阻的影響。這類方法計算過程簡單，對燒蝕過程的影響因素考慮不全面，是對觸頭磨損的粗略估計，準確性較低。文獻［18-21］結合振動信號對斷路器觸頭狀態(tài)進行評估，振動信號在采集和傳播過程中存在干擾和衰減，因此分離斷路器觸頭燒蝕程度的有關振動特征較困難。

文獻［22］基于多級模糊綜合評判了真空斷路器電壽命，文獻［23-24］探討了模糊理論應用于六氟化硫（SF6）斷路器狀態(tài)評估存在的影響因素分類不夠合理、隸屬度確定受主觀因素影響，用層次分析法（AHP）來確定權重分配將導致判斷矩陣與實際決策者思維的不一致性問題。為了減小主觀因素的影響，文獻［25］將AHP與灰色相關分析運用于真空斷路器電壽命評估，提高了評估模型的置信度。文獻［26］引入梯形云模型求取各評估因素的隸屬度，減少了隸屬度確定的主觀性和隨機性。模糊理論的應用離不開專家打分系統(tǒng)，該系統(tǒng)通過克服主觀經(jīng)驗影響來增強基于模糊理論的評估方法的可靠性，是對觸頭燒蝕程度的大致估計，難以準確預測斷路器剩余開斷次數(shù)。

文獻［27］建立了基于Wiener過程的交流接觸器電性能退化模型。文獻［28-29］結合Wiener過程理論并融合歷史數(shù)據(jù)實現(xiàn)剩余壽命計算。但通過Wiener模型實現(xiàn)電壽命預測存在著實時性不高、失效閾值確定時忽略斷路器差異，以及斷路器處于惡劣環(huán)境中，壽命下降加速導致可靠性降低等問題［30］。

針對上述的影響因素考慮不全面、特征分離困難、專家系統(tǒng)主觀性強、失效閾值導致可靠性低等問題，本文提出了一種基于殘差網(wǎng)絡（ResNet）回歸的直流斷路器電壽命預測方法。直流斷路器的電壽命特征包括接觸電阻、觸頭質量、電弧電壓、電弧電流等，這些特征往往因含有雜波、電壓電流不穩(wěn)定、測量誤差等多種因素而變得難以分析［31-32］，通過深度學習中的卷積神經(jīng)網(wǎng)絡（CNN）可以準確地提取關鍵有用的信息［33］。首先設計了一種直流斷路器電壽命實驗系統(tǒng)采集電弧電壓波形，利用CEEMDAN分解方法提出電壽命高頻分量，減少直流電脈動的低頻干擾以及其他雜波。再使用線性插值補齊標簽，基于Pytorch框架，搭建ResNet回歸計算斷路器剩余電壽命，利用瓶頸層和殘差塊構建殘差網(wǎng)絡提取電壽命特征。最后為了優(yōu)化模型，通過改變模型參數(shù)，計算驗證誤差得到訓練過程中的最優(yōu)模型，保存該模型后以均方誤差（MSE）為衡量指標對各參數(shù)模型進行進一步比對。

1" 直流斷路器電壽命實驗系統(tǒng)設計

1.1" 實驗方案及系統(tǒng)回路設計

電壽命實驗系統(tǒng)的主要組成部分如圖1所示。直流實驗系統(tǒng)回路如圖2所示。實驗系統(tǒng)中，交流電源為主電路系統(tǒng)供電，主電路系統(tǒng)控制

直流斷路器的開合操作。實驗系統(tǒng)的主要組成部分還包括與被測直流斷路器相連的控制臺系統(tǒng)、數(shù)據(jù)采集系統(tǒng)和負載系統(tǒng)等。其中，數(shù)據(jù)采集系統(tǒng)主要由傳感器構成，用于采集電壓電流波形;控制臺系統(tǒng)需要設置響應時間、不通監(jiān)控延時、黏結監(jiān)控延時等，以防直流斷路器因電壽命不足而出現(xiàn)的不通、黏結情況引發(fā)的安全隱患，同時負責保存采集得到的數(shù)據(jù)、記錄實驗次數(shù)等任務;負載系統(tǒng)串聯(lián)在負載端口處，通過調整阻抗值來整定實驗電流和時間常數(shù)。

1.2 ""直流斷路器電壓電流波形圖采集

在完成電壓與阻抗的設置以及直流斷路器的安裝后，可以利用數(shù)據(jù)采集系統(tǒng)采集直流斷路器開合閘時產生的電壓電流波形。數(shù)據(jù)采集系統(tǒng)的傳感器選擇的是電壓傳感器CHV-100/1500和電流傳感器CHB-1.25KB/200。與傳感器相對應的是4個直流壽命電源端口。傳感器擋位可供選擇的有4個。以2倍額定電流126 A為例，可以選擇第1個擋位或第2個擋位采集電流。

完成傳感器配置后，還需要配置控制臺系統(tǒng)的軟件部分。需要設置響應時間、不通監(jiān)控延時、黏結監(jiān)控延時等，這些參數(shù)是為了防止直流斷路器因電壽命不足而出現(xiàn)不通、黏結情況引發(fā)的安全隱患。通電時間視實際情況而定，只要斷路器中通過全電流即可，一般通電時間＜2 s。

正式實驗開始前，通常要進行預試驗，并在預試驗完成后在數(shù)據(jù)分析界面中查看其電壓波形、電流波形、電壓幅值、電流幅值，判斷與預期無誤后正式開始實驗。

1.3" 實驗參數(shù)設計

本文的電壽命實驗可以參考GB/T 14048.2—2020《低壓開關設備和控制設備 第2部分：斷路器》。該標準給出了斷路器需要進行測試的項目，以及對應實驗項目的有關要求和等級。本文的實驗對象是直流斷路器，額定電流為63 A，實驗2倍電流（126 A）和5倍電流（315 A）下的電壽命。電壽命實驗參數(shù)如表1所示。

在每個操作循環(huán)期間，斷路器應保持閉合足夠的時間，以保證通以全電流，但＜2 s。

在正式進入電壽命實驗之前，要確定實驗所需的負載參數(shù)，即阻抗值和感抗值，其作用是保證電壽命實驗所通的實際電流是額定電流的2倍（或5倍），同時保證其時間常數(shù)τ達到規(guī)定范圍內。負載參數(shù)的計算公式為

τ=LR（1）

Z=" R2+L2（2）

I=UZ（3）

式中：" L——電感;

R——電阻;

Z——阻抗;

I——電流;

U——電壓。

以實際電流為2倍額定電流126 A，時間常數(shù)τ為2 ms，實驗電壓為500 V為例，則電阻R取值約為3.968 Ω，電感L取值約為0.793 6 mH。在實際實驗中，阻抗系統(tǒng)無法設置如此準確的阻抗值，因此需要粗略調整。根據(jù)上述取值，又由于阻抗系統(tǒng)是由2臺電阻柜、2臺電感柜串聯(lián)而成的，每臺阻抗柜取值為計算所得的1/2。在實際實驗過程中，電壓還會因為用電的高低峰波動，實際的阻抗值還會在進行一次預試驗后有所調整。

另外還要確定實驗所需的電壓參數(shù)。在理想情況下，在對交流信號直接進行橋式整流將其轉換為直流信號時，忽略整流二極管的壓降以及濾波電路的損耗，轉換得到的直流信號是交流信號有效值的2倍。但在實際測試中，實驗室交直流轉換效率約為1.35，因此調節(jié)輸入交流電壓時，應當降壓至約370 V（500 V/1.35≈370 V）。

首先干式變壓器根據(jù)高壓D接、低壓y3P接選擇400 V檔位，再調節(jié)干式變壓器刀開關進行降壓調壓，根據(jù)實驗電壓要求，干式變壓器選擇降5%調節(jié)，最后通過實驗操作臺再次微調，將電壓穩(wěn)定至約370 V。

在實際實驗過程中，電壓會在用電高峰期下降，因此實驗電壓通常要升高5%～10%。

2" 直流斷路器實驗過程及其波形分析

2.1" 直流斷路器滅弧原理

本實驗所用的直流斷路器共有2對觸頭，每對觸頭均分為靜觸頭和動觸頭，每個靜觸頭配備1個觸點。給直流斷路器通電時，觸頭閉合的瞬間，由于是機械式的合閘，不會像電磁式那樣發(fā)生彈跳現(xiàn)象。一旦觸頭分開，觸頭之間會產生能量巨大的分斷電弧，觸頭表面會被嚴重侵蝕，對電壽命產生巨大的影響，因此，直流斷路器的電壽命與2個因素有關：分斷電弧的特性以及觸頭的質量損失［34］。

2.2" 直流斷路器電壽命特征分析研究

在通過數(shù)據(jù)采集系統(tǒng)獲取直流斷路器的電壽命特征波形圖對應的tdms文件后，在計算機上通過MATLAB軟件對其進行分析研究。以1號直流斷路器端口5、端口6第14次開合閘為例，直流斷路器開合閘電壓波形如圖3所示。根據(jù)之前研究分析得出，分閘時所產生的電弧對直流斷路器電壽命影響最大。由圖3可見，分閘時端口5、端口6的壓降達到了頂峰，此時的電弧影響也達到最大。對于圖中其他數(shù)據(jù)，如合閘時的電壓，由于金屬導體的阻抗而在0 V上下有所波動，對電壽命的預測作用不大;端口斷開時的電壓，其在250 V上下波動，因高壓電源的波動，每次的電壓有效值可能不為250 V，故也難以用于電壽命預測。

綜上所述，直流斷路器電壽命特征集中在分閘過程中產生的強電弧、高壓降。

2.3" 直流斷路器分合閘實驗前的準備過程

按1.3設置好實驗所需負載參數(shù)后，將直流斷路器安裝在直流壽命實驗系統(tǒng)端口柜，并按照直流壽命端口接線圖與壽命電源端口用16 mm2導線對應連接。斷路器端口1、端口2連接壽命柜的正極，斷路器端口5、端口6連接壽命柜的負極，負載端口已經(jīng)串聯(lián)上了負載系統(tǒng)。最后接上控制線，以24 V直流輔助電源給氣動裝置供電，以實現(xiàn)自動開合閘。

接線完成后，進入控制臺系統(tǒng)軟件界面，配置不通監(jiān)控延時為280 ms，通電時間為600 ms，黏結監(jiān)控延時為500 ms，即可開始實驗。

3" 數(shù)據(jù)處理及網(wǎng)絡結構

本文電壽命實驗采用的是某品牌CatA類直流塑殼斷路器，其額定電流In為63 A，額定電壓Ue為500 V，極限短路分斷能力Icu為20 kA，運行短路分斷能力Ics為20 kA，額定絕緣電壓Ui為1 000 V，額定沖擊耐受電壓Uimp為8 kV，基準溫度為40 ℃，基于GB/T 14048.2—2020和IEC 60947-2標準制造。網(wǎng)絡模型訓練的中央處理器（CPU）為Intel Xeon Scalable Gold 6126，圖形處理器（GPU）為NVIDIA TITAN V。

網(wǎng)絡模型訓練開始前，先進行數(shù)據(jù)預處理，再對預處理的數(shù)據(jù)進行CEEMDAN分解，最后依據(jù)分解的序列頻率特征進行網(wǎng)絡模型訓練及評估。殘差網(wǎng)絡模型電壽命預測程序框圖如圖4所示。

3.1" 數(shù)據(jù)預處理

根據(jù)2.2可知，直流斷路器電壽命特征集中在分閘過程。端口1、端口2分斷時的電弧壓降要高于端口5、端口6，其特征更加明顯，因此本文截取每個樣本的端口1、端口2分斷瞬間的1 024個數(shù)據(jù)（即1 024 ms內產生的點）為一個樣本。端口1、端口2分斷時電壓如圖5所示。

3.2" CEEMDAN分解

預處理后的電壓數(shù)據(jù)經(jīng)CEEMDAN分解為7個固有模態(tài)函數(shù)（IMF）分量和1個殘差r（t），其中IMF1～IMF7由頻率從高到低的順序排列，反映出在不同影響因素條件下電壓的分布規(guī)律，且由非平穩(wěn)狀態(tài)逐漸到平穩(wěn)狀態(tài);殘差r（t）表示電壓變化的總體趨勢。

通過對各分量的分析可知，原始數(shù)據(jù)分解得到的高低頻分量規(guī)律差異明顯，高頻分量表現(xiàn)出斷路器分閘時刻的電壓明顯抖動，而低頻分量表現(xiàn)出整個過程中電壓受到擾動。

為了消除低頻分量中的擾動，將各IMF分量分別輸入模型進行預測，與不進行CEEMDAN分解相比，雖然可以一定程度地降低預測模型的擬合難度，但同時模型的時間復雜度也會增加。因此，為降低模型的時間復雜度，將特征序列按IMF分為高頻、低頻分量分別疊加組合，對疊加后的高頻數(shù)據(jù)進行后續(xù)預測。電壓數(shù)據(jù)經(jīng)CEEMDAN分解后的前1 000條分解結果如圖6所示。

為定量描述IMF各分量的頻率特性，本文引入常用于語音信號預處理的分析方法——過零率分析。過零率Zn體現(xiàn)的是信號過零點的次數(shù)的比率，可以預估信號的基頻。Zn的計算公式為

Zn=∑N-1i=1｜ε（xi）-ε（xi-1）｜N（4）

式中：" N——數(shù)據(jù)點總數(shù);

ε（x）——單位階躍函數(shù)。

經(jīng)過對IMF各分量的過零率計算，IMF各分量的過零率如表2所示。

通過分析電壓波形的IMF各分量的過零率，設置過零率＞20%的分量為高頻分量，則IMF1、IMF2為高頻分量，IMF3～IMF7為低頻分量，殘差r（t）表示功率變化的總體趨勢。將IMF的高頻疊加，這就是之后訓練所需的樣本數(shù)據(jù)集。高頻分量如圖7所示。

3.3" 標簽處理

本文使用的標簽是通過拆卸斷路器得到的斷路器靜觸頭質量。因為拆卸次數(shù)有限，所以需要對觸頭質量進行插值處理。插值完成后將其歸一化，作為最終訓練網(wǎng)絡所使用的標簽。4號斷路器觸頭質量如圖8所示。

同理，對5號斷路器觸頭質量進行同樣的處理。5號斷路器觸頭質量如圖9所示。

3.4" 模型搭建及訓練

在得到訓練數(shù)據(jù)經(jīng)CEEMDAN分解后的高頻分量后，需要將其輸入深度學習算法中進行訓練。本文基于Pytorch框架搭建一維卷積神經(jīng)網(wǎng)絡模型進行訓練，并采用ResNet構建更深層的模型。

殘差塊是ResNet的基礎，其將輸入直接加到輸出上，使得網(wǎng)絡更容易學習到恒等映射。殘差塊示意如圖10所示。這種跨層連接的設計使得梯度能夠更好地傳播，有效地緩解了梯度消失的現(xiàn)象，使網(wǎng)絡深度得以加深。

在基于數(shù)據(jù)驅動的電壽命預測方面，尚未對殘差模型加以利用［35-37］;而在其他領域，殘差模型在預測精度上較其他網(wǎng)絡有明顯優(yōu)勢［38-40］。因此本文利用殘差模型進行電壽命預測。

網(wǎng)絡的參數(shù)配置參考了文獻［41］，并根據(jù)其二維結構設計出對應的一維網(wǎng)絡參數(shù)。網(wǎng)絡參數(shù)配置如表3所示。本文參考的是其中應用較為廣泛的ResNet34和ResNet50。ResNet34網(wǎng)絡模型示意如圖11所示。該模型包括卷積層C1、最大池化層P1、平均池化層P2、瓶頸層B1～B16、全連

接層FC1，以及1個輸入層、1個輸出層，最終以輸出的值與標簽的MSE值為模型的評判指標。以圖中的卷積層C1為例，參數(shù)64@512×1表示這一層有64個輸入矩陣，每個輸入矩陣的長為512，寬為1。

瓶頸層由2個卷積層、2個批量歸一化層（BN層）以及2個激活層（ReLU層）的組合疊加而成。首先由1個卷積層、1個BN層、1個ReLU層構成輸入向量與中間通道之間的路徑，再由1個卷積層、1個BN層、1個ReLU層構成中間通道與輸出向量之間的路徑，接下來以34-layer中的瓶頸層B4為例介紹瓶頸層的參數(shù)構成。瓶頸層B4示意如圖12所示。

首先，瓶頸層B4的輸入向量大小為64@256×1，這是由前3個瓶頸層所決定的（即表3中的Conv2.x），接著由于輸入輸出的維度不同，在第一個卷積層內將卷積步長設置為2以進行降采樣，降采樣可以通過向瓶頸層類傳入布爾參數(shù)downsampling=False或者True獲取參數(shù)后對卷積步長進行調整。值得注意的是，Conv2.x～Conv5.x每一層的輸入向量均減半，因此瓶頸層

B4、B8、B14的第一個卷積層都需要進行降采樣。經(jīng)降采樣后的維度與輸出向量維度相同，第二個卷積層則無須降采樣。2個卷積層的卷積核大小均為3×1，進行64次卷積操作。

為了構建殘差塊以加深網(wǎng)絡深度，提高模型擬合度，在瓶頸層中還需要將輸入傳遞給輸出，如圖11。經(jīng)過上述步驟，已經(jīng)獲得了64個128×1的輸出向量，還需要與64個128×1的向量疊加才能得到輸出向量，此時將下方卷積層中的卷積核大小設置為1×1，步長為2，即可得到64個128×1的輸出向量，疊加之后即可獲得所需的64個128×1個輸出向量。值得注意的是，如果輸入與輸出的維度相同，則輸入可以直接傳遞給輸出而不需要經(jīng)過下方的卷積步驟。

4" 實驗結果分析

電壽命預測模型運行階段包含3步：訓練階段、驗證階段和測試階段。特征和標簽樣本個數(shù)共計11 299個，將訓練、驗證和測試數(shù)據(jù)按6∶2∶2分配，并把特征樣本和標簽共同讀入模型中。執(zhí)行模型時，設定的迭代次數(shù)為20 000輪，用MSE值作為模型的評價指標。同時每一次訓練輸出一次訓練MSE值，每一輪訓練結束后，導入驗證集進行驗證，通過驗證集輸出一次驗證MSE值，并將該驗證MSE值保存在數(shù)組中，驗證MSE值為驗證集所有數(shù)據(jù)驗證誤差之和，僅作組內對比使用。每保存一次驗證MSE值進行一次判斷，若其是數(shù)組中最小的值，則保存本輪訓練所得的模型，否則繼續(xù)下一輪訓練和驗證。

運行模型時，訓練過程中始終采用Adam優(yōu)化器優(yōu)化參數(shù)。需要改動的模型參數(shù)包括卷積核尺寸、學習率、批次大小和網(wǎng)絡深度，其中卷積核尺寸取3×1、5×1和7×1（為了讓卷積核在計算時存在中心值，卷積核必須是奇數(shù)），學習率取0.001和0.000 1，批次大小取100和150，網(wǎng)絡深度取34層和50層。為了設置對照組，以34層模型為基礎，每次參數(shù)變化均在該模型上變化，畫出訓練和驗證階段的MSE折線圖，并與34層模型比較驗證和測試階段的MSE值。不同參數(shù)下訓練集和驗證集MSE損失如圖13所示;不同參數(shù)下的結果對比如表4所示。

在圖13中，卷積核尺寸為3×1時，其每輪最低驗證誤差在第11 322輪出現(xiàn)，其值約為0.555 2%，保存這一輪的模型并將測試集數(shù)據(jù)投入該模型，得到測試誤差約為1.085%。當卷積核尺寸為5×1時，其每輪最低驗證誤差在第3 023輪出現(xiàn)，其值約為0.614 6%，保存這一輪的模型并將測試集數(shù)據(jù)投入該模型，得到測試誤差約為1.017%。當卷積核尺寸為7×1時，其每輪最低驗證誤差在第11 471輪出現(xiàn)，其值約為

0.388 8%，保存這一輪的模型并將測試集數(shù)據(jù)投入該模型，得到測試誤差約為1.332%。

由圖13可知，模型收斂速率從大到小為7×1卷積核尺寸模型、5×1卷積核尺寸模型、3×1卷積核尺寸模型，后續(xù)波動5×1卷積核尺寸模型最小。這是由于卷積核尺寸越大，其感受野越大，越易完成對數(shù)據(jù)的擬合，所以5×1卷積核尺寸模型的測試誤差會略小于3×1卷積核尺寸模型。然而本文所設置的34層模型對電弧電壓樣本已經(jīng)足夠深，使用過大的卷積核尺寸反而容易過擬合，這也是7×1卷積核尺寸模型的最低驗證誤差遠低于5×1卷積核尺寸模型和3×1卷積核尺寸模型，但在測試集上的表現(xiàn)卻差強人意的原因。

當學習率為0.000 1時，其每輪最低驗證誤差在第18 269輪出現(xiàn)，其值約為0.603 7%，保存這一輪的模型并將測試集數(shù)據(jù)投入該模型，得到測試誤差約為0.994%。

由圖13可知，學習率0.000 1的模型收斂速率小于學習率0.001的模型，但后續(xù)波動非常小。學習率作用是讓均方誤差函數(shù)取得最優(yōu)解，學習率越小，越不容易陷入局部最優(yōu)，也就越容易取得全局最優(yōu)解，這也是學習率0.000 1模型的測試誤差低于學習率0.001模型的主要原因。但是學習率取值小，缺點也十分明顯，就是優(yōu)化、擬合數(shù)據(jù)的過程會更長，計算成本更高。

當批次大小為150時，其每輪最低驗證誤差在第13 489輪出現(xiàn)，其值約為0.540 5%，保存這一輪的模型并將測試集數(shù)據(jù)投入該模型，得到測試誤差約為1.352%。

由圖13可知，批次大小150的模型在收斂速率上與批次大小為100的模型相差不多，但是收斂時產生的振蕩較為嚴重。一般來說，批次大小決定了下降的方向。在合理范圍內，增大批次大小既能提高內存利用率，減少迭代次數(shù)，又能使下降方向更加準確，減小引起的訓練振蕩。但增大批次大小過多，在迭代總數(shù)減少的情況下，要想達到相同的精度，花費的時間也會大大增加，對參數(shù)的修正也就更加困難，這也是批次150的模型在訓練過程中發(fā)生振蕩的主要原因。

當模型網(wǎng)絡深度為50層時，其每輪最低驗證誤差在第8 088輪出現(xiàn)，其值約為0.453 8%，保存這一輪的模型并將測試集數(shù)據(jù)投入該模型，得到測試誤差約為1.473%。

由圖13可知，50層的模型在收斂時產生的振蕩非常嚴重，已經(jīng)無法區(qū)分收斂速率和拐點，通常來說，加深網(wǎng)絡模型可以更好地擬合特征，但同時會引起網(wǎng)絡的飽和，甚至某些淺層部分的學習能力下降。當模型深度達到50層時，最低驗證誤差在不到10 000輪時出現(xiàn)，而且其值遠低于模型層數(shù)為34層時的最低驗證誤差，但其測試誤差反而高了很多，過大的卷積核尺寸一樣，34層模型對電弧電壓樣本已經(jīng)足夠深，使用過深的模型反而容易導致過擬合。

經(jīng)過上述幾組對比實驗，發(fā)現(xiàn)降低學習率可以有效降低測試誤差，為了進一步優(yōu)化模型，以對照組為基礎，將學習率調整為0.000 01，但學習率的降低會延長優(yōu)化參數(shù)過程，因此將訓練輪數(shù)增大至50 000輪。最終優(yōu)化模型如圖14所示。

由于對模型的優(yōu)化無法再獲得顯著提升，將該模型作為電壽命預測最終的模型，其參數(shù)：卷積核尺寸卷積核尺寸5×1，學習率0.000 01，批次大小為100，網(wǎng)絡深度34層。最終獲得的均方根誤差（RMSE）就是預測直流斷路器電壽命的誤差程度，該方法對于觸頭質量的預測誤差＜10%，證明了該方法可以用于預測GB/T 14048.2—2020標準下的電壽命。

5" 結" 語

本文提出了一種在沒有歷史運行數(shù)據(jù)的情況下以相對較高的精度預測電壽命的方法。在本文中，將GB/T 14048.2—2020標準下的2個直流斷路器樣本混合打亂后訓練模型以提高模型泛化能力。然而，在實踐中，需要針對不同的斷路器模型以及不同的負載條件來訓練多個模型。同時，在一些應用中，負載條件是變化的，并且預構建的模型不能直接應用。因此，老化的直流斷路器的電壽命可以通過以下步驟進行預測：

（1） 使用特定的測試數(shù)據(jù)（如GB/T 14048.2—2020，或定制的負載類別）構建ResNet預測模型，數(shù)據(jù)來自其他相同型號斷路器的測試;

（2） 對斷路器進行多次操作的特定測試，并記錄數(shù)據(jù);

（3） 將預測模型應用于記錄的數(shù)據(jù)，并實現(xiàn)電壽命條件。

通過上述程序，無須考慮觸頭是如何被侵蝕的，只需要應用特定的測試，便可以計算測試數(shù)據(jù)所反映的電壽命。

此外，期望設計一種具有嵌入式微處理器的智能直流斷路器。模型訓練階段由工作站完成，將訓練后的模型移植到智能直流斷路器上。智能直流斷路器的記錄并預處理來自電壓和電流傳感器的信號，并應用這些模型來實現(xiàn)電壽命預測。

【參 考 文 獻】

［1］" 侯磊，常征，蔡毅，等.低壓直流斷路器脫扣器脫扣效果檢測裝置設計［J］.電測與儀表，2023，60（4）：155-159，175.

［2］" 曾嶸，趙宇明，趙彪，等.直流配用電關鍵技術研究與應用展望［J］.中國電機工程學報，2018，38（23）：6791-6801，7114.

［3］" 姚良忠，吳婧，王志冰，等.未來高壓直流電網(wǎng)發(fā)展形態(tài)分析［J］.中國電機工程學報，2014，34（34）：6007-6020.

［4］" 余占清，曾嶸，屈魯，等.混合式直流斷路器的發(fā)展現(xiàn)狀及展望［J］.高電壓技術，2020，46（8）：2617-2626.

［5］" 蔣原，李擎，苗磊，等.多電飛機斷路器電弧機理及滅弧技術研究綜述［J］.工程科學學報，2023，45（4）：611-620.

［6］" 徐攀騰，尚茂林，朱博，等.烏東德混合直流工程的高壓交流斷路器要求［J］.電力學報，2021，36（3）：191-199，227.

［7］" 何俊佳，袁召，趙文婷，等.直流斷路器技術發(fā)展綜述［J］.南方電網(wǎng)技術，2015，9（2）：9-15.

［8］" 李思泓.高壓直流接觸器電弧分斷關鍵技術研究［J］.電器與能效管理技術，2022（6）：15-19.

［9］" 劉思奇，胡鵬飛，江道灼，等.中壓船舶直流供電系統(tǒng)限流開斷技術［J］.電工技術學報，2021，36（增刊1）：330-343.

［10］" CAI Z， MA S， WEI L， et al.Monitor of electrical endurance of vacuum circuit breaker’s contacts［C］// 20th International Symposium on Discharges amp; Electrical Insulation in Vacuum，2002：483-486.

［11］" 關永剛，黃瑜瓏，錢家驪.真空斷路器電磨損監(jiān)測技術的改進［J］.高壓電器，2001（4）：1-3，6.

［12］" 彭搏，肖登明.斷路器電壽命的在線監(jiān)測［J］.電網(wǎng)與清潔能源，2012，28（12）：38-41，50.

［13］" 李娟，焦邵華.基于DSP的高壓斷路器狀態(tài)在線監(jiān)測裝置［J］.電力自動化設備，2004（8）：44-47.

［14］" 吳楊.SF6斷路器主弧觸頭電流轉換過程及電壽命評估［D］.武漢：武漢大學，2017.

［15］" 范敏，毛文奇，段肖力，等.基于動態(tài)電阻技術的SF6斷路器滅弧室狀態(tài)評估方法［J］.水電能源科學，2016，34（10）：189-192.

［16］" LANDRY M， MERCIER A， OUELLET G， et al.A new measurement method of the dynamic contact resistance of HV circuit breakers［C］// 2006 IEEE/PES Transmission amp; Distribution Conference and Exposition America，2006：1-18.

［17］" 藍磊，吳楊，文習山，等.SF6斷路器動態(tài)電阻測量、分析與診斷系統(tǒng)［J］.高壓電器，2018，54（1）：82-89.

［18］" SUN S， WEI S， WANG J， et al.Remaining useful life prediction for circuit breaker based on opening-related vibration signal and SA-CNN-GRU［J］.IEEE Sensors Journal，2022，22（23）：23009-23022.

［19］" SUN S， WEN Z， DU T， et al.Remaining life prediction of conventional low-voltage circuit breaker contact system based on effective vibration signal segment detection and MCCAE-LSTM［J］.IEEE sensors journal，2021，21（19）：21862-21871.

［20］" WAN S， CHEN L.Fault diagnosis of high-voltage circuit breakers using mechanism action time and hybrid classifier［J］.IEEE Access，2019，7：85146-85157.

［21］" MENG Y， JIA S， SHI Z， et al.The detection of the closing moments of a vacuum circuit breaker by vibration analysis［J］.IEEE transactions on power delivery，2006，21（2）：652-658.

［22］" 林辛，張冠生，洪翠.基于模糊理論的真空斷路器開斷電壽命綜合評判的研究［J］.中國電機工程學報，2000（2）：16-19.

［23］" 陳偉根，李偉，陳新崗，等.SF6高壓斷路器狀態(tài)分析的模糊綜合評判方法［J］.高壓電器，2004，50（5）：361-363.

［24］" 李宇，張國鋼，耿英三.基于模糊理論的高壓斷路器狀態(tài)評估研究［J］.高壓電器，2007，53（4）：274-277.

［25］" LIU S， LIU Z， ZHANG Y， et al.Application of AHP and grey correlation analysis in the study of electric life of vacuum circuit breaker［C］// 2018 28th International Symposium on Discharges and Electrical Insulation in Vacuum（ISDEIV），2018：515-518.

［26］" 劉錦杰，葉波，羅贊琛，等.一種基于云模型的SF6高壓斷路器狀態(tài)評估方法［J］.高壓電器，2019，55（4）：31-38，45.

［27］" 李奎，段宇，黃少坡，等.基于Wiener過程的交流接觸器剩余電壽命預測［J］.中國電機工程學報，2018，38（13）：3978-3986，4039.

［28］" 孫曙光，李勤，王佳興，等.基于性能退化模型的萬能式斷路器操作附件實時剩余壽命預測［J］.儀器儀表學報，2019，40（10）：120-129.

［29］" 盧揚，李永麗.基于實時狀態(tài)評估與剩余壽命計算的高壓斷路器預測性維護策略［J］.高電壓技術，2022，48（7）：2716-2726.

［30］" 孫曙光，王佳興，王景芹，等.基于Wiener過程的萬能式斷路器附件剩余壽命預測［J］.儀器儀表學報，2019，40（2）：26-37.

［31］" 牟明川，張博，趙虎，等.無極性直流微型斷路器電壽命評估研究［J］.電氣技術，2022，23（3）：11-16.

［32］" 何志鵬，趙虎.小型斷路器電壽命試驗研究［J］.電器與能效管理技術，2022（1）：19-26.

［33］" 張玉蘭.基于深度學習的圖像篡改檢測技術研究［D］.深圳：中國科學院大學（中國科學院深圳先進技術研究院），2022.

［34］" 胡國偉，計新華，榮良章，等.交流接觸器滅弧結構對電壽命影響的試驗研究［J］.電器與能效管理技術，2022（6）：20-23.

［35］" 馬飛越，李澳，吳誠威，等.基于LSTM-MIV神經(jīng)網(wǎng)絡的SF6斷路器觸頭電壽命預測［J］.高壓電器，2024，60（2）：69-77.

［36］" 馬飛越，黎煒，王堯平，等.基于思維進化和L-M法優(yōu)化BP神經(jīng)網(wǎng)絡的SF6斷路器觸頭電壽命評估［J］.高壓電器，2023，59（3）：44-52，60.

［37］" 高書豫，劉樹鑫，鄒嫣然，等.基于GA-SVR的交流接觸器剩余電壽命預測［J］.電器與能效管理技術，2023（5）：9-14，29.

［38］" 陸勤政，朱曉娟.基于并行多尺度卷積記憶殘差網(wǎng)絡的物聯(lián)網(wǎng)流量預測［J］.廊坊師范學院學報（自然科學版），2024，24（1）：33-41.

［39］" 章曙光，劉洋，張文韜，等.改進Tiny-YOLOv3的工業(yè)鋼材瑕疵檢測算法［J］.機械設計與制造，2024（5）：97-101.

［40］" 樊石鳴.基于改進ResNet算法的太陽黑子分類方法研究［J］.現(xiàn)代電子技術，2024，47（5）：80-84.

［41］" HE K， ZHANG X， REN S， et al.Deep residual learning for image recognition［C］// IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2016.DOI：10.1109/CVPR.2016.90.

收稿日期： 20240528