0 引言

高压断路器易发生机械故障,相关统计表明,在断路器重大故障中有43%~45%的故障是由操作机构的故障引起的,断路器操作机构的安全可靠性是保证断路器可靠运行的重要因素^[1-2]。操作机构的工作状态可以通过其机械特性曲线来反映。其中,分合闸线圈电流曲线可以反映分合闸电磁铁的工作状态和本体机构的部分工作状态;而触头行程-时间曲线可以反映操作机构的传动部分、本体及触头的工作状况;二者包含了操作机构的绝大部分状态信息。基于操作机构线圈电流曲线和触头行程-时间曲线的操作机构状态评估,可以及时了解和把握机构的运行状态,从而合理地制定检修计划,对保障电网安全运行具有重要意义。

国内外专家学者对高压断路器操作机构运行状态的评估进行了一些研究：文献[3-6]基于机械振动信号,分别利用动态时间规整法、支持向量机法、经验模态法和振声联合法来诊断高压断路器的操作机构机械故障;文献[7-9]研究了基于分合闸线圈电流曲线的高压断路器操作机构状态评估方法;文献[10-11]研究了基于行程-时间曲线的高压断路器操作机构状态评估方法。上述方法已经得到了一定的应用,但由于高压断路器操作机构的机械零部件多、动作复杂,致使引起故障的原因和故障点并不唯一,而上述操作机构状态评估方法都局限于利用单一的特性曲线来分析判断操作机构的健康状态,因此不能反映整个操作机构的工作状态。

本文对40.5 kV、252 kV、500 kV、800 kV和1 100 kV等多个电压等级高压断路器的弹簧和液压弹簧操作机构的机械特性进行测试,分析参数变化、机构寿命对操作机构机械性能的影响。在此基础上,研究基于操作机构的分合闸线圈电流曲线和触头行程-时间曲线的机构状态评估方法,并通过建立多级递阶ANFIS模型来综合评估操作机构的运行状况。本文研究结果对预测和防范故障、合理安排检修计划和检修重点具有重要的指导意义。

1 操作机构机械特性曲线

反映断路器操作机构机械特性的曲线主要有分合闸线圈电流曲线、触头行程-时间曲线、分合闸同期性曲线及储能电机电流曲线。其中,反映操作机构本身运行状况的主要是分合闸线圈电流曲线和触头行程-时间曲线。

1.1 分合闸线圈电流曲线

由于直流电磁系统具有可靠性高、允许频繁操作等特点,而断路器操作机构一般采用直流电磁系统,因此本文只讨论直流电磁系统。操作机构分合闸线圈电流曲线可以反映操作机构中电磁铁本身、电磁铁所控制的锁闩或阀门以及与之相连的开关本体传动机构和辅助触头在操作过程中的工作情况。操作机构的分、合闸线圈电流曲线基本相同,本文主要以分闸线圈电流曲线为例进行讨论,分闸线圈标准电流曲线如图1所示。图1中i为电流,t为时间。根据图1的标准电流曲线,可将分闸电磁铁铁芯的运动过程分为4个阶段,分别为：

1）t₀—t₁阶段。t₀时刻,线圈通电。此阶段铁芯不动作,电流与线圈电压、回路电阻、铁芯空行程以及铁芯是否卡滞等因素有关。

2）t₁—t₂阶段。t₁时刻,动铁芯动作。此阶段电流曲线可反映铁芯卡涩、撞杆变形或脱口失灵等故障。

3）t₂—t₃阶段。t₂时刻,动铁芯停止运动。此阶段动触头动作,传动机构的锁扣被打开。电流i₃的大小反映线圈电压及回路电阻的情况。此阶段的电流曲线可以反映开关本体传动机构的工作情况。

4）t₃—t₄阶段。t₃时刻,辅助触头切断线圈回路电源;t₄时刻,线圈电流降为0。此阶段电流曲线可以反映辅助触头的工作情况。

可见,t₀、t₁、t₂、t₃、t₄、i₁、i₂、i₃是反映线圈电流的关键参数,称为特征参数。通过对线圈电流曲线及特征参数的分析,可评估操作机构电磁铁的状态和本体机构的部分工作状态。

1.2 触头行程-时间曲线

断路器操作机构的行程-时间曲线是指断路器分合闸操作过程中,动触头行程随时间变化的关系曲线,它可以反映操作机构传动部分、本体及触头的工作状况。图2为操作机构分合闸触头的标准行程-时间曲线,其中s为动触头的行程,该曲线可以分为3个阶段：

1）—阶段：时刻,发出分合闸命令;时刻,动触头开始运动。此阶段为动触头固有动作时间,固有动作时间长短与分合闸线圈电压、回路电阻及锁扣装置阻力有关。

2）—阶段：时刻,触头刚分或刚合,为动触头的平稳运动阶段,反映了动触头的运动速度,此阶段状态与储能弹簧的储能和动触头运动过

图1 分闸线圈标准电流曲线 Fig.1 Standard current waveform of the tripping coil

图2 分合闸触头行程-时间标准曲线 Fig.2 Travel-time standard curve for tripping/closing contact

程中的阻力有关。此外,此阶段曲线应平滑,若机构存在卡涩,曲线将出现拐点。

3）—阶段：时刻,动触头分、合闸完

成,停止运动。此阶段反映了动触头的弹跳情况,若动触头的运动速度过大,将会使动触头的弹跳增加。

上述分析表明,\阶段的运行状况可通过动触头的固有动作时间来反映;—阶段和

—阶段的运行状况均可通过动触头的运动速度来反映。动触头固有动作时间和分合闸速度是行程-时间曲线中最重要的参数,能反映操作机构的多种状态信息。因此,将、v作为特征参数,便可监测操作机构传动部分、本体及触头的工作状况。

2 操作机构特性测试和试验研究

2.1 机构特性曲线分析

本文对40.5 kV、252 kV、500 kV、800 kV、1 100 kV电压等级的弹簧和液压弹簧操作机构进行了测试,得到了不同电压等级断路器液压弹簧操作机构的特性曲线,并开展了相应的分析。

图3和图4分别为2台相同型号的252 kV断路器弹簧操作机构的分闸特性曲线,但2者的故障情况不同。由图3可知,所测试机构的线圈电流曲线与标准曲线相比,各特征参数电流值较小,线圈通电时间长,且电流曲线第1个阶段的持续时间较长;触头行程-时间曲线相对于标准曲线发生了右移,表明触头固有动作时间增长了,而触头的运动速度未变,因此可知该机构的线圈电压降低或回路电阻增大。由图4可知,机构分闸线圈未断电,但触头行程-时间曲线正常,故可知断路器的辅助开关未正常切换。

图5为252 kV断路器弹簧操作机构的合闸特性曲线。从图5中可以看出,该机构线圈通电时间较长,因此触头行程-时间曲线的斜率变小,即动触头运动速度变小,但触头固有动作时间没有变化。由此可知,该机构储能弹簧疲软。

图6为1 100 kV断路器液压弹簧操作机构合闸特性曲线。由图6可知,机构线圈的电流曲线正常,而触头行程-时间曲线在平稳运动阶段不光滑,存在多个拐点,整条曲线的各部分斜率变化较大,即动触头运动速度变化大,因此该机构存在卡涩。

从测试结果可看出,根据机构行程-时间曲线和线圈电流曲线可以判断机构状态。

图3 252 kV断路器弹簧操作机构分闸特性曲线1 Fig.3 Tripping characteristic curve 1 of 252 kV circuit breaker spring operating mechanism

图4 252 kV断路器弹簧操作机构分闸特性曲线2 Fig.4 Tripping characteristic curve 2 of 252 kV circuit breaker spring operating mechanism

图5 252 kV断路器弹簧操作机构合闸特性曲线 Fig.5 Closing characteristic curve of 252 kV circuit breaker spring operating mechanism

2.2 机构参数变化对机构特性曲线的影响

对40.5 kV断路器弹簧操作机构分别进行线圈电压、线圈回路电阻和储能弹簧力值等参数变化的试验。以分闸操作为例分析参数变化对操作机构行程-时间曲线和线圈电流曲线的影响。

图7为线圈电压变化时的机构特性曲线,图中U_e表示线圈额定电压。从图7中可以看出,当线圈电压降低时,线圈电流曲线各特征参数电流减小,且线圈通电时间增长;触头行程-时间曲线向右平移。这表明电压变化影响动触头固有动作时间,而不影响动触头运动速度,且电压越低,动触头的固有动作时间越长,分闸时间越长。

图8为线圈电阻R_n变化时的机构特性曲线。由图8可知,随着线圈回路电阻的增大,线圈电流减小,且线圈通电时间延长,触头行程-时间曲线向右平移。这表明线圈回路电阻变化不影响动触头的运动速度,但会影响动触头的固有动作时间,且回路电阻越大,固有动作时间越长。

图9为分闸弹簧形变量ΔX变化时的机构特性曲线。从图9中可以看出,弹簧形变量变化对电流曲线几乎无影响,而触头行程-时间曲线的斜率却

图6 1 100 kV断路器液压操作机构合闸特性曲线 Fig.6 Closing characteristic curve of 1 100 kV circuit breaker hydraulic operating mechanism

图7 线圈电压变化时分闸特性曲线 Fig.7 Tripping characteristic curve under changing coil voltage

图8 线圈电阻变化时分闸特性曲线 Fig.8 Tripping characteristic curve under changing coil resistance

发生了明显变化,即动触头的速度发生了变化。由图可知,随着弹簧形变量的增加,动触头运动速度相应增大。

2.3 动作次数对机构特性曲线的影响

对126 kV和252 kV断路器的弹簧操作机构进行了寿命试验,得到断路器弹簧操作机构的分闸特性变化趋势曲线分别如图10和图11所示。从图10和图11中可以看出,随着机构动作次数的增加,线圈通电时间增长,而触头行程-时间曲线几乎无变化。综合分析可知,随着动作次数的增加,磨损会使机构润滑不充分或储能弹簧疲软,从而影响机构线圈的电流曲线。

3 基于ANFIS的操作机构状态评估

3.1 自适应神经模糊推理系统

自适应神经模糊推理系统（ANFIS）通过将模糊推理系统和人工神经网络结合,综合了神经网络的学习机制和模糊系统的推理能力。与其他神经模糊系统相比,ANFIS具有更强的自学习能力和自适应性^[12-15]。

图9 储能弹簧力值变化时分闸特性曲线 Fig.9 Tripping characteristic curve under changing spring energy

图10 126 kV断路器弹簧操作机构寿命试验分闸特性曲线 Fig.10 Tripping characteristic curve of 126 kV circuit breaker spring operating mechanism under life test

3.1.1 ANFIS的工作原理

以双输入单输出的ANFIS结构为例说明其工

作原理。ANFIS典型结构如图12所示,可由以下2条规则描述：

规则1

if x₁ is A₁ and x₂ is B₁ then y₁=p₁x₁+q₁x₂+r₁ (1)

规则2

if x₁ is A₂ and x₂ is B₂ then y₂=p₂x₁+q₂x₂+r₂ (2)

式中：x₁、x₂为系统输入;y₁、y₂为规则1、规则2的输出;A₁、A₂、B₁、B₂为前件中的模糊集合;p₁、p₂、q₁、q₂、r₁、r₂为常数。

图12所示的典型结构分为5层,图中П、N、\(\sum \)分别表示第2层、第3层和第5层的计算过程。本文中用O_j,i表示第j层第i个节点的输出。

第1层：模糊化层,该层将输入变量模糊化,计算输入数据对模糊集合的隶属度,其输出表达

式为

式中：\({{\mu }_{{{\text{A}}_{i}}}}\)和\({{\mu }_{{{\text{B}}_{i-2}}}}\)为模糊集的隶属函数;O_1,i为模糊集的隶属度。隶属函数可以是任意合适的参数化隶属函数,本文采用高斯函数

式中：c_i、σ_i为隶属函数的参数,也称为前件参数。

第2层：规则推理层,该层计算各条规则的激励强度,其输出表达式为

\({{O}_{2,i}}={{w}_{i}}={{\mu }_{{{\text{A}}_{i}}}}\left( {{x}_{1}} \right){{\mu }_{{{\text{B}}_{i}}}}\left( {{x}_{2}} \right),i=1,\ 2\) (6)

式中w_i表示对应规则的激励强度,即各模糊规则的权值。

第3层：归一化层,该层将各条规则的激励强度归一化,即计算第i条规则的激励强度与所有规则激励强度之和的比值,其输出表达式为

\({{O}_{3,i}}={{\bar{w}}_{i}}=\frac{{{w}_{i}}}{\sum\limits_{i}{{{w}_{i}}}},\ \ i=1,\ 2\) (7)

式中\({{\bar{w}}_{i}}\)为第i条规则归一化后的激励强度,表示第i条规则对最终结果的贡献。

第4层：逆模糊化层,该层计算每条规则的输出,其输出表达式为

\({{O}_{4,i}}={{\bar{w}}_{i}}{{y}_{i}}={{\bar{w}}_{i}}\left( {{p}_{i}}{{x}_{1}}+{{q}_{i}}{{x}_{2}}+{{r}_{i}} \right),\ i=1,\ 2\) (8)

图11 252 kV断路器弹簧操作机构寿命试验分闸特性曲线 Fig.11 Tripping characteristic curve of 252 kV circuit breaker spring operating mechanism under life test

图12 ANFIS典型结构 Fig.12 Typical structure of ANFIS

式中：参数p_i、q_i和r_i称为该层各个节点的后件参数,由ANFIS得到。

第5层：输出层,该层计算所有逆模糊化节点输出的总和,并产生最后的ANFIS输出

\({{O}_{5}}=Y=\sum\limits_{i}{{{{\bar{w}}}_{i}}{{y}_{i}}}=\frac{\sum\limits_{i}{{{w}_{i}}{{y}_{i}}}}{\sum\limits_{i}{{{w}_{i}}}},\ \ \ \ i=1,2\) (9)

式中：Y为系统的总输出;y_i表示第i条规则的输出。

3.1.2 ANFIS的学习算法

本文通过梯度下降法和最小二乘法的混合学习算法来辨识系统的前件参数和后件参数,进而实现模糊模型的建立。对于混合算法,每个周期的学习过程都包含正向传递和反向传播2部分。

在正向学习过程中,固定前件参数,应用最小二乘法辨识后件参数。若有n 组学习样本,则对于n组中的第k组学习样本,由式(9)可得

令矩阵A和S分别为：

则n组学习样本输入系统后系统的总输出Y可表示为

\(Y={{\left[ \begin{matrix}{{Y}_{1}} {{Y}_{2}} \cdots {{Y}_{k}} & \cdots & {{Y}_{n}} \\\end{matrix} \right]}^{\text{T}}}=AS\) (13)

根据最小二乘法可以得到均方差最小意义下的后件参数向量的最佳估计\({{\mathbf{S}}^{*}}\)

\({{S}^{*}}={{\left( {{A}^{\text{T}}}A \right)}^{-1}}{{A}^{\text{T}}}Y\) (14)

在反向学习的过程中,对上一步骤计算得到的后件参数进行误差计算,采用前馈神经网络中的BP算法,将误差由输出端反向传到输入端,最后利用梯度下降法更新前件参数。

3.2 ANFIS评估模型的建立

利用分合闸线圈电流曲线和触头行程-时间曲线的特征参数作为ANFIS的输入,进而评估操作机构运行状态。但这些输入量可能隶属不同的范畴,如电流和速度,且它们不能用相似的模糊集合来区分。因此对于这些对象,如果采用单级的ANFIS结构,很难将这些因素考虑周全得到有意义的输出结果,同时由于输入变量的大量增多,模糊规则数量会急剧增加导致“维数灾难”^[16-17]。因此,本文采用多级递阶ANFIS结构模型来评估操作机构的运行状态,其结构框图如图13所示。

图13中,将提取的线圈电流曲线和触头行程-时间曲线的特征参数分别作为ANFIS1和ANFIS2结构的输入,从而分别得到基于线圈电流曲线和触头行程-时间曲线的机构评估结果,再利用ANFIS3对2者的评估结果进行综合评估,从而得到最终的操作机构评估结果。这样降低了每个ANFIS子结构的维数,从而大大降低了整个系统的模糊规则数量,提高了ANFIS系统的整体性能。具体评估流程见图14。

4 操作机构故障诊断实例

由于操作机构分合闸操作过程类似,绝大部分情况下,相同的故障对机构分合闸线圈电流和触头行程-时间曲线的影响趋势相同,且本模型对机构分合闸操作的诊断过程相同,因此本文以机构分闸操作故障诊断实例为例进行分析。本文对500 kV断路器液压操作机构进行测试,选取了“1—正常”、“2—分闸线圈电压降低”、“3—分闸线圈电压升高”、“4—分闸过程中操作机构本体卡涩”和“5—分闸弹簧储能增加”5种类型的操作机构状态训练样本各10组对ANFIS进行训练。训练样本数据如表1所示。表1中Z表示操作机构状态。

利用表1中50组训练样本数据对ANFIS进行训练,训练次数为200次。图15为训练完毕后的误差曲线。从图15可以看出,系统训练到约90次时误差值已降至约0.06,这种情况下得到的模糊控制规则是可用的。

选取40组机构测试数据对评估系统进行测试,

图13 多级递阶ANFIS结构 Fig.13 Multilevel hierarchical structure of ANFIS

图14 ANFIS评估流程 Fig.14 Assessment process of ANFIS

表1 分闸线圈电流和触头行程特征量训练样本数据 Table1 Coil current and contact travel characteristic data of training sample

40组数据中包括的机构状态为：“1—正常”6组、“2—分闸线圈电压降低”5组、“3—分闸线圈电压升高”10组、“4—分闸过程中操作机构本体卡涩”10组及“5—分闸储能弹簧储能增加”9组。测试输出结果如图16所示。从图16可以看出,ANFIS模型能够对所有测试样本做出正确分类,且输出结果值稳定。可见系统输出结果与操作机构的实际运行状况较为相符,表明本文建立的自适应神经模糊推理系统具有较好的学习能力,能够快速有效地评估操作机构的运行状态,便于在实际工程中应用。

图15 ANFIS训练误差 Fig.15 Training error of ANFIS

图16 ANFIS测试结果 Fig.16 Testing results of ANFIS

5 结论

1）分合闸线圈电流曲线和触头行程-时间曲线的变化与操作机构的运行状态密切相关。

2）试验分析参数变化、机构寿命对操作机构机械性能的影响,结果表明操作机构线圈电流曲线和触头行程时间-曲线相结合可以准确而较全面地反映机构的运行状况。

3）建立多级递阶ANFIS模型融合线圈电流曲线和触头行程-时间曲线来综合评估操作机构的运行状况,仿真结果表明本文所建立的多级递阶ANFIS模型能够有效地评估断路器操作机构的健康状况,对预测和防范故障、合理安排检修计划和检修重点具有重要的指导意义。

编辑 曾文君 何秋萍

参考文献

[1] CHENG C Y, KAO L J C W S. Diagnosing medium voltage GIS circuit breaker by observing trip coil current with simulation and actual tests[J]. Electric Power Components & Systems, 2008, 36(2): 181-194.

[2] 韩颖,刘晓明,安跃军,等. 基于混沌理论的高压SF₆断路器机构特性[J]. 高电压技术,2015,41(9): 3136-3141. HAN Ying, LIU Xiaoming, AN Yuejun, et al.Investigation of hydraulic actuator for SF₆ circuit breaker based on the chaotic theory[J]. High Voltage Engineering, 2015, 41(9): 3136-3141.

[3] 蒋志浩,于群,董骊. 基于改进动态时间规整算法的断路器故障诊断[J]. 工矿自动化,2016(8):52-55. JIANG Zhihao, YU Qun, DONG Li.Fault diagnosis of circuit breaker based on improved dynamic time warping algorithm[J]. Industry and Mine Automation, 2016 (8): 52-55.

[4] 孙来军,胡晓光,纪延超. 基于支持向量机的高压断路器机械状态分类[J]. 电工技术学报,2006,21(8):53-58. SUN Laijun, HU Xiaoguang, JI Yanchao, et al.Mechanical fault classification of high voltage circuit breaker based on support vector machine[J]. Transactions of China Electrotechnical Technical Society, 2006, 21(8): 53-58.

[5] 张佩. 高压断路器机械故障诊断方法的研究[D]. 北京:华北电力大学,2014. ZHANG Pei.Research on mechanical fault diagnosis method of high voltage circuit breaker[D]. Beijing, China: North China Electric Power University, 2014.

[6] 赵书涛,张佩,申璐,等. 高压断路器振声联合故障诊断方法[J]. 电工技术学报,2014,29(7):216-221. ZHAO Shutao, ZHANG Pei, SHEN Lu, et al.Vibration and acoustic joint mechanical fault diagnosis method of high voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2014, 29(7): 216-221.

[7] RAZI-KAZEMI A A, VAKILIAN M, NIAYESH K, et al. Circuit breaker automated failure tracking based on coil current signature[J]. IEEE Transactions on Power Delivery, 2014, 29(1): 283-290.

[8] 张永奎,赵智忠,冯旭,等. 基于分合闸线圈电流信号的高压断路器机械故障诊断[J]. 高压电器,2013,49(2):37-42. ZHANG Yongkui, ZHAO Zhizhong, FENG Xu, et al.Mechanical fault diagnosis of high voltage ciruit breakers based on open/close coil current parameters[J]. High Voltage Apparatus, 2013, 49(2): 37-42.

[9] FOROOTANI A, AFZALIAN A A, MELLI A.Circuit breaker coil modeling and operation monitoring using feature extraction[C]∥Innovative Smart Grid Technologies-Asia. Tianjin, China: [s.n.], 2012: 1-6.

[10] YU L, GENG Y, LI Q, et al.An approach for minimum percussion welding in closing operation of a 126 kV vacuum circuit breaker[J]. IEEE Transactions on Components Packaging & Manufacturing Technology, 2014, 4(5): 840-847.

[11] RAZI-KAZEMI A A. Applicability of auxiliary contacts in circuit breaker online condition assessment[J]. Electric Power Systems Research, 2015, 128: 53-59.

[12] 孙鹏,曹雨晨,刘洋,等. 采用二进制蚁群模糊神经网络的配电网故障分类方法[J]. 高电压技术,2016,42(7):2063-2072. SUN Peng, CAO Yuchen, LIU Yang, et al.Fault classification technique for power distribution network using binary ant colony algorithm and fuzzy neural network[J]. High Voltage Engineering, 2016, 42(7): 2063-2072.

[13] 张珂斐, 郭江, 聂德鑫, 等. 基于化学反应优化神经网络与融合DGA算法的油浸式变压器模型研究[J]. 高电压技术, 2016, 42(4): 1275-1281. ZHANG Kefei, GUO Jiang, NIE Dexin, et al.Diagnosis model for transformer fault based on CRO-BP neural network and fusion DGA method[J]. High Voltage Engineering, 2016, 42(4): 1275-1281.

[14] 杨则英,黄承逵,曲建波. 基于自适应神经-模糊推理系统和遗传算法的桥梁耐久性评估[J]. 土木工程学报,2006,39(2):16-20. YANG Zeying, HUANG Chengkui, QU Jianbo, et al.Durability evaluation of bridges based on anfis and genetic algorithms[J]. China Civil Engineering Journal, 2006, 39(2): 16-20.

[15] 卫东,郑东,郑恩辉. 空冷型质子交换膜燃料电池堆温湿度特性自适应模糊建模与输出控制[J]. 中国电机工程学报,2010,20(23):114-120. WEI Dong, ZHENG Dong, ZHENG Enhui.Temperature-humidity characteristics modeling and output control based on adaptive fuzzy method for proton exchange membrane fuel cell stack[J]. Proceedings of the CSEE, 2010, 20(23): 114-120.

[16] 曹政才,赵会丹,吴启迪. 基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度[J]. 计算机集成制造系统,2010,16(10):2181-2186. CAO Zhengcai, ZHAO Huidan, WU Qidi.Failure prediction and maintenance scheduling for semiconductor wafer fabrication based on adaptive neuro-fuzzy inference system[J]. Computer Integrated Manufacturing Systems, 2010, 16(10): 2181-2186.

[17] SUHARTONO, PUSPITASARI I, AKBAR M S, et al.Two-level seasonal model based on hybrid ARIMA-ANFIS for forecasting short-term electricity load in Indonesia[C]∥2012 International Conference on Statistics in Science, Business, and Engineering. Langkawi, Malaysia: [s.n.], 2012: 1-5.