核电厂开关设备在线监测系统研究

2022-09-16秦青召桑仲庆王永鑫智旭东张俊杰位林浩程国君

中国核电 2022年2期

王凯，秦青召，桑仲庆，王永鑫，智旭东，张俊杰，位林浩，程国君

(1.中研新科智能电气有限公司, 河北石家庄 050000；2.厦门理工学院，福建厦门 361000)

在核电系统中，开关设备的地位无比重要，不仅起到控制的作用，还担负着保护的重任，所以，保证开关设备的可靠运行意义十分重大[1]。

国内外针对电气设备，尤其是开关设备，常见的检修方式分为事后检修、定期检修和状态检修三种方式[2-3]。随着智能电网的提出，事后检修和定期检修已经不能满足电力系统的需要，迫切需要对电力系各种高压一次设备实行状态检修[4-6],开关设备的在线监测尤为重要。

开关设备特性参数包括温度、机械和局放三种参量，在开关设备的参量求取中，我们至少要知道两个参数[7]。本文研究的内容主要包括：1)利用角位移传感器在线监测机械特性；2)利用霍尔传感器和温升数据预测温升趋势；3)分析局放曲线特征值，实现基本故障判断。

1 总体方案

为解决核电厂传统的一次设备定期检修，盲目解体拆卸，浪费了大量的人力、物力和财力的问题，同时也降低停电损失和提高一次成套设备自身的寿命。基于智能传感器的一次设备在线监测，通过分析现场物理层传感器收集的设备机械特性、导电特性、绝缘特性等各种状态数据，提供设备健康状态判别、故障预测及最优解决方案，以及设备寿命预测。

针对目前的开关设备信息化条件下接入种类的多样性和复杂性，采用模块化标准化的多维数据综合智能终端，接入所有信息，就地完成基本的故障处理和预测，完成多维数据的横向及综合数据的就地分析，完成数据的筛选和分类，降低信道的依赖性，提高配电设备的可观测性和可靠性，支持开关设备故障的快速切除和隔离，也为设备的智能运维奠定数据基础。

2 机械特性的在线监测

机械特性是开关设备工作状态的重要表征[8]。行程测量的基本要求是：既不能影响机构的机械特性和绝缘性能，又要真实地反映触头随时间的变化。此外，传感器还要便于安装，即监测系统的适应性要强[9]。

2.1 分合闸线圈的在线监测

开关设备触头的行程和速度可以反映开关设备操作机构机械状态，触头开距、行程、超程等参数可直接由行程曲线得出，其速度可通过对开关设备触头行程进行求导得到。传统触头行程曲线的测量较多使用直线位移传感器，它直接安装在开关设备动静触头的运动方向上，最能够直接反映开关设备的行程-时间特性[10]。这种传感器测量精准度较高，但安装过程复杂，多用于离线监测，不能满足在线监测的需求。本文选用角位移传感器实现对行程曲线的在线监测，安装方便，精度满足要求。

在开关设备分合闸过程中，动触头的行程与主轴转动角度之间有一定的对应关系，设计选用一种巨磁阻传感器，将磁铁固定至主轴上，利用巨磁阻效应，测得主轴的角位移曲线，即可间接得到动触头的直线位移曲线。这种传感器可以克服动触头附近可利用空间狭小的缺陷，同时开关设备主轴处于低电位，远离高压部分，不存在高电位隔离的问题。

图1为利用巨磁阻机械特性传感器测得RV1-12开关设备在合闸过程中，主轴的旋转角度。和传统的利用直线位移传感器测得动触头行程-时间曲线相比，二者整体特征趋势相同，能够反映过冲和反弹的特征。可根据角位移曲线，直接测得主轴旋转角度的行程及超程。主轴旋转角度的行程为32.56°，超程为5.19°。真空开关的超程取额定开距的15%～40%，角位移的超程为行程的16%。

图1 合闸过程中角位移曲线图Fig.1 The angular displacement curve during closing

2.2 分合闸线圈的在线监测

分合闸线圈电流波形与开关设备操动机构的机械特性密切相关，线圈波形包含了可以作为开关设备机械缺陷判断的多种信息[11]。

本文选用霍尔传感器来监测分、合闸线圈的电流波形，波形如图2所示。

图2 分合闸线圈电流波形图Fig.2 The current waveform opening/closing of the coil

波形中有六个时间特征点以及三个电流特征点。t1～t4可以反映整个电磁铁运动状态。I1反映铁芯运动的起始状态，I2反映铁芯运动的速度，I3反映了线圈操作电压的大小。

通过对分合闸线圈电流波形与行程特性曲线的特征值分析，可以得到分合闸线圈以及操动机构的工作状态，预测开关设备某些故障及趋势。但是，开关设备种类复杂多样，不同型号的开关设备特征值会有所差异，因此，需要尽可能多的监测不同开关设备在不同状态下的分合闸电流波形及特征值并建立波形信息库，利于之后的故障判断及处理。

3 温升预测

综合考虑开关柜的环境温度、负荷电流、温度变化时间等因素对温升的影响，经训练及测试得出开关柜温升预测模型，通过温升试验数据对预测模型的不断修正，得出了开关柜温度监测策略，依据温升-电流-时间耦合关系综合判别开关柜的运行情况，可有效发现潜伏性故障，实现温度主动预警。

采用BP神经网络算法对开关设备温升数据进行预测，导入已有的温升数据测试库，然后随机产生训练集和测试集，温升数据示例如图3所示。

图3 温升曲线图Fig.3 The temperature rise curne

图4为神经网络训练结果，从图中可以看出，在神经网络中有40个输入量，隐含层中有9个神经元，本次训练迭代次数2次，性能目标已达成，梯度为0.032 3。

图4 温降神经网络拟合结果Fig.4 The temperature drop neural network fitting results

由结果图可知，BP神经网络算法对于温升预测的结果有足够的准确度，每组的误差温度一般在1～3 K左右，实际上每次的训练结果R2的范围在0.90～0.99，大多数集中在0.95～0.99。

对于设备正常的载流致热和故障温升状态的分析可知，设备的异常温升可用于指征设备的故障状态，异常温升的程度，也就代表了故障的严重程度。通过在线监测的触头温度数据和对应的负荷电流数据，根据开关柜触头温升模型(数学建模)，计算出这个异常度指标(故障度指标或健康度指标)。通过对异常度指标(故障度指标或健康度指标)设定相应的诊断阈值，即可做出开关柜设备故障(或健康)状态的诊断。并能在设备运行时自动学习和修正。

4 局放监测

局放采用音频识别系统，对电气设备异常工作状态下的音频进行识别。音频库中除了存放所收集的异常工况音频外，还录制了人声与噪声。该识别系统通过建立模板库，需区分出这两类音频，并输出正确结果。若识别为异常工况音频，输出结果报警异常，若识别为人声或噪声，输出结果报告正常。

音频信号需要做预处理，目的是为了消除各种因素对音频信号质量的影响，尽可能保证后续音频处理得到的信号更均匀、平滑，为信号特征参数的提取提供优质的音频端，提高音频处理质量。对于分帧后的音频信号，我们还需要对其加窗处理。加窗可以认为是对抽样n附近的波形加以强调而对其余波形进行减弱。将音频信号分为许多小段进行处理，即对各个小段进行数学变换和运算处理。常见的窗函数有矩形窗、汉明窗(Hamming)和汉宁窗(Hanning)，其定义分别如下，其中N为窗长，一般等于帧长。

矩形窗：

汉明窗(Hamming)：

汉宁窗(Hanning)：

加窗的目的之一是使音频信号更加连续，且加窗之后，不仅实现了时频局域化，还可以修正谱泄露问题。因此窗口的选择十分重要。汉明窗的主瓣宽度较宽，是矩形窗的一倍，但是汉明窗的旁瓣衰减较大，具有更平滑的低通特性，能够在较高的程度上反应短时信号的频率特性。矩形窗的主瓣宽度小于汉明窗，具有较高的频谱分辨率，但是矩形窗的旁瓣峰值较大，因此其频谱泄露比较严重。

如图5所示，音频数据经过BP神经网络改进算法的，可以明确表征其工频特性，其频域特性在3 kHz左右最为丰富。此算法可以有效通过音频区分局放的放电特性。

图5 音频数据及数据处理结果Fig.5 The audio data and data processing results

5 专家诊断系统

5.1 系统架构

整个系统分为三个部分：传感器、处理模块、监控软件，结构图如图6所示。采集模块通过传感器获得开关设备的基本参数，经过处理模块完成具体状态参数的计算以及故障判断，将结果传送至远方后台，同时上传云端并建立开关设备状态信息库。将在线监测的实际曲线与信息库中的曲线进行比较，做故障判断与寿命预测。

图6 系统框架图Fig.6 The system frame

5.2 运维策略分析

本文的状态评估是通过搭建开关设备缺陷故障模拟试验平台，采用RV1-12型真空开关设备来模拟常见的故障，并与正常状态下的波形进行对比，利用自适应神经网络训练识别故障。

(1)机械特性

运维策略从分合闸线圈波形及行程曲线两方面提出。分合闸线圈故障是开关设备运行过程中较常出现的一种故障。

通过开关设备分合闸过程中的触头行程-时间曲线，可以计算触头分合闸操作的运动时间，触头行程等。这些参数在分合闸过程中都有其最佳的范围，过大或过小都会对结构的零部件造成损坏。主轴角位移-时间曲线(可转化为触头行程-时间曲线)包络线如图7所示，两条包络线距离在总行程的±10%范围内，若超过±10%的范围，则说明设备出现了故障。

图7 角位移行程曲线包络线Fig.7 The envelope of angular displacement stroke curve

基于包络线的行程曲线的运维策略分析：

1)合闸曲线低于下包络线，即超出-5%范围。若弹簧机构的储能不足，会造成合闸曲线下行(速度变慢)；机构、传动系统可能因磨损或者形变发生卡滞，也会造成合闸曲线的下降。

2)合闸曲线高于上包络线，即超出+5%范围。合闸曲线上行(速度变快)，故障可能是开关设备超行程变小。超程是开关设备动静触头接触后，机构继续动作的行程。超程减小，会影响开关设备的合闸速度。

3)分闸曲线低于下包络线，即超出-5%范围。若同时伴随着合闸速度增加，分闸曲线下行(速度变慢)，故障可能是超行程变小；若同时伴随着合闸速度降低，机构、传动部件卡滞，若合闸变化不大，有可能分闸弹簧疲劳。

(2)温升预警

本文采用融合阈值诊断法、温升速率诊断法和指标诊断法综合诊断策略。预测策略采用多级告警机制模式，具体如下：

根据仿真的柜型设置默认的温升模型，默认温升模型检测基准为30%的误差，即30%误差内，认为温升模型是正确的，否则告警。输入参数为柜型，内部设置，不允许外部修改。

内置柜型参数确认后，确定的是温升的默认的速率、负荷温度时间曲线基准以及气体流动参数基准等。如：KYN33型柜中，从0到1.2倍负荷，3 s内温升不超过2度；如负荷升高20%且不超过额定负荷下，温升稳定时间不小于3 min，温升绝对值不超过12度等。

在已经确定模型的情况下，根据历史数据(负荷、温升)和当前的温升、负荷数据以及测得的负荷、温度时间曲线，修正温升模型的各个阈值门槛；测温历史数据不得小于50组，或者运行时间超过1天；

若采用站域温度控制模式，此算法的输入包括其他开关柜的横向数据及模型参数。横向数据可以比对的基本要求是在相同的负荷情况下。

检修/告警策略是在温升预测的模型基础上根据数据计算，告警的依据是温升的速率和温升的绝对值。如负荷升高20%且不超过额定负荷下，温升稳定时间预测为3 min，温升绝对值为12度，告警的依据分为：温升稳定时间误差超过15%告警，温升绝对值误差超过3度告警，温升速率误差超过20%告警等；此告警模式，不仅是温度的告警，同时对于材料的温升系数和柜体的气流状态进行判别。