基于断路器动作特征参数的合闸弹簧储能状态预测

代文芳，赵思洋，曾 国，李鹏飞，李 俊，周文俊，贺 攀，严国志

(1. 国网黄石供电公司，湖北黄石 435000；2.武汉大学电气工程学院，湖北武汉 430072)



基于断路器动作特征参数的合闸弹簧储能状态预测

代文芳1，赵思洋2，曾 国1，李鹏飞2，李 俊1，周文俊2，贺 攀1，严国志2

(1. 国网黄石供电公司，湖北黄石 435000；2.武汉大学电气工程学院，湖北武汉 430072)

为实现在检修时对运行中断路器的合闸弹簧储能状态进行诊断，利用压力传感器、光电编码器和电流互感器在LW25-126瓷柱式六氟化硫断路器上进行实验，获取合闸弹簧储能状态和动作特征参数。研究了断路器合闸和储能过程的动作特征参数与合闸弹簧储能状态之间的对应关系，利用BP神经网络对合闸弹簧储能状态进行预测。通过对BP神经网络的训练结果和实验结果的分析，表明通过断路器动作特征参数可以有效地对合闸弹簧的储能状态进行预测。

弹簧操动机构；合闸弹簧；储能状态；BP神经网络

0 引言

弹簧操动机构以其电源容量小、功能原理简单、维护简洁[1]等优点越来越广泛应用于更高电压等级的断路器之中[2]。随着断路器运行时间的增长，由于制造工艺、材料缺陷、环境因素等原因造成断路器弹簧操动机构机械连接松动[3]、储能弹簧疲劳、蠕变等故障，直接导致储能弹簧的储能不足或过储能，对断路器整体性能的影响极为严重。

电力系统对储能弹簧的检修主要集中在弹簧是否锈蚀、变形，弹簧与传动臂连接是否松动[4]。这种检修方法不能对弹簧的性能进行检测。检修中对断路器机械性能的测试内容包括三相的合闸时间、合闸速度、分闸时间、分闸速度、同相断口间的同期性及三相间的同期性等参数[5]。通过这些参数对断路器的整体状态做出评判[6]，而对于弹簧操动机构的动力源--储能弹簧并没有行之有效的诊断方法。近年来，智能变电站在断路器储能弹簧上加入压力传感器进行实时的压力监测，此种方法虽然可以对弹簧的储能状态进行监测，但是对于当前运行中的弹簧操动机构，加装压力传感器几乎不可能实现。目前，还没有针对断路器合闸弹簧储能状态的诊断方法。

为实现在检修过程中对现役断路器的合闸储能弹簧的储能状态进行预测，本文以LW25-126瓷柱式六氟化硫断路器为对象，以断路器检修中检测的动作参数为特征值，对合闸弹簧进行储能状态诊断。采用压力传感器、光电编码器和电流互感器测量断路器的合闸弹簧压力值、合闸行程曲线和储能电机电流[7]，提取机械特征参数，建立动作特征参数与合闸弹簧储能状态的对应关系，利用BP神经网络对合闸弹簧的储能状态进行诊断[8]。结果表明，该方法可以不使用压力传感器而准确地对合闸弹簧的储能状态进行预测。

1 基本原理

1.1 弹簧操动机构动作特征参数

弹簧操动机构由合闸弹簧为合闸动作提供动力，由分闸弹簧为分闸动作提供动力。其中，110 kV及以上电压等级的操动机构中均采用压缩弹簧的方法进行储能。断路器动作包括3个动作过程：合闸动作、分闸动作和储能动作。接收到继保系统的分闸信号，分闸储能弹簧释放能量，驱动操动机构使断路器动静触头分开。合闸过程包含2个动作：第一，合闸弹簧由储能状态释放能量，完成合闸动作；第二，在合闸的过程中合闸弹簧一部分能量传递给分闸弹簧使分闸弹簧完成储能，为下一次分闸做准备。合闸动作完成后，储能电机开始工作，通过储能传动机构给合闸弹簧储能。

本文拟对合闸弹簧的储能状态进行研究，需要对与合闸储能相关的合闸动作过程和储能动作过程的特征参数开展研究。断路器检修中与之相关的机械特征参数有：合闸时间、合闸速度(最大速度、平均速度、刚合速度)、储能电机电流峰值、电机有效输出功、电机有效工作时间。

1.2 合闸弹簧储能状态特征

高压断路器一般在室外露天环境中工作，随着工作时间的增加，在长期的恒定载荷下合闸弹簧发生蠕变。蠕变直接导致储能弹簧的刚度系数降低，使弹簧在相同的压缩长度下压力值减小，储能降低。

高压断路器的合闸时间一般在50～120 ms之间。以本文实验所用的LW25-126瓷柱式六氟化硫断路器为例，其合闸时间在90～120 ms范围内为正常。合闸弹簧压力值在这个时间内从30kN变为20kN。在这个时间内如此大的力值变化产生巨大的振动，通常造成合闸弹簧的导程螺杆和螺帽的松动，或限位开关的松动，导致合闸弹簧预压长度减小或增大，进而致使储能的降低或增大。

合闸弹簧储能的增大直接影响断路器的合闸速度，过高的合闸速度会增大断路器的振动和摩擦，加速触头的老化，严重影响断路器的使用寿命。合闸弹簧的储能减小会引起合闸速度的降低，降低断路器的灭弧能力，严重时会引发灭弧室的爆炸。综上所述，合闸弹簧的储能不足和过大均对断路器的性能有较为严重的影响。

2 动作参数的获取

2.1 原始数据的获取

LW25-126是用于110 kV电压等级下的瓷柱式六氟化硫断路器，采用CT20型弹簧操动机构。其合闸弹簧为螺旋圆柱弹簧，采用压缩储能方式。合闸弹簧参数如表1所示。

表1 CT20型弹簧操动机构合闸弹簧参数

系统采用CCY-01螺旋型弹簧压力传感器来对弹簧压力值监测。CCY-01的量程为0～40 000 N，测试精度≤1%F.S，能准确测量出合闸弹簧的储能压力大小。采用E6B2-CWZ6C光电编码器监测主传动轴的转速，对转速进行数学积分获得断路器的合闸行程曲线。CT20操动机构使用的储能电机额定电流为4 A，采用TR0108-2B型穿心式电流互感器，其量程为100 A，将电机电源线在电流互感器中的穿心孔中环绕3匝进行测量。

使用MPS-140801采集卡对3个传感器信号进行采集，并将采集信号实时上传至上位机处理。硬件系统结构如图1所示。

图1 硬件结构框图

在断路器上进行动作实验，采集得到合闸过程压力和合闸行程曲线分别如图2和图3所示，储能过程中电机电流曲线如图4所示。

图2 合闸过程中压力曲线

图3 触头合闸行程曲线

图4 储能过程中电机电流

2.2 动作特征参数的提取

对压力曲线分别求取合闸动作前后的压力值Fb和Fl作为合闸弹簧的状态指示参数。对触头合闸行程曲线提取合闸时间Tc、刚合速度vj、最大合闸速度vmax、平均合闸速度vave，对储能电机电流求取包络后提取电流峰值Ip、电机有效输出功W、电机有效工作时间Tef，以此作为合闸弹簧储能状态的诊断向量。

以空载状态的LW25-126瓷柱式六氟化硫断路器为实验平台进行测试。测试方法如图5所示。

图5 测试方法示意图

通过调节行程导杆端部S′的长度来实现对合闸弹簧预储能的长度S的调节。实验进行4组，每组实验弹簧储能压缩长度分别为335 mm、330 mm、325 mm、320 mm。每组实验进行10次动作实验，每次动作实验包括分闸、合闸、储能各一次。所得动作特征参数如表2所示，表2中列出每组实验的其中一次动作特征参数。

表2 不同储能状态下动作特征参数

3 基于BP神经网络的诊断算法

3.1 BP神经网络的设计

BP(Back Propagation)神经网络[9]是人工神经网络的一个分支，由输入层、隐含层和输出层组成，其核心是通过一边向后传递误差，一边修正误差的方法来不断调节网络参数，以实现或逼近预计达到的输入、输出映射关系。本文采用MATLAB自带的神经网络工具箱建模进行合闸弹簧压力值预测。

以合闸时间Tc、刚合速度vj、最大合闸速度vmax、平均合闸速度vave、电流峰值Ip、电机有效输出功W、电机有效工作时间Tef等7个特征值作为特征向量，以合闸前后弹簧的压力值为输出，建立BP神经网络。依据BP神经网络设计经验，取其隐含层层数为输入神经元的2倍。网络结构如图6所示，其输入层层数为7，隐含层层数为14，输出层层数为2。

图6 BP神经网络结构

3.2 BP神经网络的训练与实例验证

以40组实验数据作为样本训练该神经网络。MATLAB神经网络工具箱选用40组数据中的任意20组数据作为原始数据用于网络训练，选用任意10组数据作为验证数据用于网络验证，选用任意10组数据作为测试数据用于网络测试。其训练结果如图7所示。图7为网络训练结果，网络迭代训练次数为13次，其中在第7次迭代中得到最佳测试性能。图8中列出了40组实验中合闸前后的弹簧压力值与神经网络训练输出值。图8中最大误差发生在第18组数据，误差值为170 N，该误差压力对应于弹簧储能长度为1.4 mm，仍然可以判断出其压缩储能长度在32 mm附近。

为验证训练网络的可靠性，重新调整合闸弹簧的储能压缩长度S为322 mm和332 mm，分别进行2次动作实验，所得动作特征参数如表3所示。

图7 BP神经网络训练结果

图8 网络训练输出与真实压力值对比

储能压缩长度L/mm合闸时间Tc/ms刚合速度vj/(m·s-1)最大合闸速度vmax/(m·s-1)平均合闸速度vave/(m·s-1)电流峰值Ip/A电机输出功W/kW电机工作时间Tef/s33294.22.372.441.794.213.5428.01094.22.352.411.764.223.6428.04732290.912.502.541.874.373.6928.05490.952.512.541.864.423.7788.048

利用MATLAB的神经网络工具箱中sim函数对上述2组实验中合闸弹簧的储能压力值进行预测，所得结果如表4所示。

表4中神经网络预测得到的弹簧压力值基本与实际值一致。但是，数据存在一个共同的特点，神经网络预测得到的压力值均较实际的压力值略大。其原因在于训练神经网络所用的动作特征参数为弹簧储能压缩长度分别为335 mm、330 mm、325 mm、320 mm时的实验数据，没有两个储能长度之间的特征参数，而所设计的神经网络为对储能状态的模式识别，故对332 mm和322 mm储能长度下的合闸弹簧压力的预测值有所偏差，二者分别向330 mm和320 mm储能长度的压力值偏移。为实现更为精准的预测，需要增加网络训练参数的样本种类，进行进一步的深入研究。

表4 神经网络输出向量及诊断结果

4 结束语

研究了断路器动作特征参数合闸时间、刚合速度、最大合闸速度、平均合闸速度，储能电机电流峰值、电机有效输出功、电机有效工作时间与断路器合闸弹簧的储能状态的对应关系。利用BP神经网络对合闸弹簧储能压力值进行预测。结果表明，仅使用断路器动作特征参数不使用压力传感器可以有效的对合闸弹簧的储能状态进行预测。

[1] 苑舜.高压断路器弹簧操动机构.北京：机械工业出版社，2001.

[2] 陈保伦，文亚宁.断路器弹簧操动机构介绍.高压电器,2010,46(10):75-80.

[3] 常广，王毅，王玮.采用振动信号零相位滤波时频熵的高压断路器机械故障诊断.中国电机工程学报,2013,33(3):155-162.

[4] 国家电网公司.交流高压开关设备运行管理规范．北京：中国电力出版社，2005.

[5] GB 3309—1989 高压开关设备常温下的机械试验.

[6] FEI M,JUN M,ZHENG J Y.Development and Application of Distributed Multilayer On-line Monitoring System for High Voltage Vacuum Circuit Breaker. JOURNAL OF ELECTRICAL ENGINEERING & TECHNOLOGY, 2013(8):813-823.

[7] 孙来军，胡晓光，纪延超. 改进的小波包-特征熵在高压断路器故障诊断中的应用.中国电机工程学报,2007,7(12):103-108.

[8] 郭清，夏虹，韩文伟.基于小波熵与BP神经网络的电机故障信号研究.仪表技术与传感器,2013(1):96-99.

[9] TAN K Z,CHAI Y H,SONG W X. Identification of diseases for soybean seeds by computer vision applying BP neural network.INTERNATIONAL JOURNAL OF AGRICULTURAL AND BIOLOGICAL ENGINEERING,2014,7(3):43-50.

Prediction of Closing Spring’s Energy-storing State Based on CircuitBreaker’s Running Characteristic Parameters

DAI Wen-fang1，ZHAO Si-yang2，ZENG Guo1， LI Peng-fei2，LI Jun1，ZHOU Wen-jun2，HE Pan1，YAN Guo-zhi2

(1. Huangshi Power Supply Company of State Grid Corporation of China, Huangshi 435000, China;2.School of Electrical Engineering, Wuhan University, Wuhan 430072, China)

In order to diagnose the closing spring energy-storing state of running circuit breaker during the repair process, an experiment on LW25-126 porcelain column SF6 circuit breaker was finished using pressure sensor, photoelectric encoder and current transformer , and the energy-storing state and running characteristic parameters of closing spring were acquired. The research on relationship between running characteristic parameters of circuit breaker closing and storage process and closing spring’s energy-storing state was completed, and the closing spring's energy-storing state was predicted by BP neural network. The analysis of BP neural network’s training results and experimental results indicate that the energy-storing state of closing spring can be predicted effectively by using running characteristic parameters of closing spring.

spring operating mechanism; closing spring；energy-storing state;BP neural network

2014-10-16 收修改稿日期：2015-03-10

TM932

A

1002-1841(2015)08-0107-04

代文芳(1978—)，工程师，主要研究方向为电力系统及其自动化。E-mail：16794302@qq.com