小型断路器电寿命试验研究

2022-09-17何志鹏

电器与能效管理技术 2022年1期

何志鹏, 赵虎

(西北工业大学自动化学院, 陕西西安 710129)

0 引言

小型断路器是低压配电网中非常重要的一种开关电器,不仅能够开断正常工作回路,而且具备短路、过载、漏电保护等功能,广泛安装在家庭、店铺、工厂等环境中[1-3]。随着用户对用电网络安全性和可靠性需求的增加和人工智能技术的发展,智能断路器已成为一种发展趋势[4-5]。相比传统断路器,智能断路器的优势之一就是能进行剩余寿命预测。用户可以通过剩余寿命预测及时发现和更换“危险断路器”,从而减小因小型断路器失效引发火灾事故的概率,并提高用电网络的安全性和可靠性。

小型断路器的制造工艺已经相当成熟,因此影响断路器寿命的主要因素是其电寿命。小型断路器分闸过程中产生的电弧会烧蚀触头材料,触头材料在电弧的作用下会发生蒸发侵蚀、喷溅侵蚀等物理过程[6-8],这些物理过程影响着小型断路器的电气寿命。寿命劣化的断路器存在合闸失效、保护失效、熄弧困难等问题,继续使用寿命劣化的断路器会降低用电网络的安全性和可靠性。

小型断路器和继电器、接触器等开关电器电寿命劣化的原因相同,国内外有许多专家和学者在研究电弧烧蚀触头材料的过程和机理,也有许多专家和学者在研究开关电器电寿命预测模型。总体来说,目前开关电器电寿命预测模型可以分为两类:一类是根据电弧烧蚀触头材料过程构建的数学模型;另一类是借助概率统计模型或者人工智能算法构建的电寿命预测模型[9]。哈工大翟国富等[6,10-11]一直在研究电弧烧蚀触头材料的过程和机理,并结合电弧烧蚀触头材料的机理建立了一些触头磨损的数学模型。此外,沈工大曹云东等[12-15]也一直在研究开关电器电寿命预测问题,对触头间电弧的产生及发展过程进行了研究。但是电弧烧蚀触头材料是一个复杂的物理、化学过程,建立一个融合电弧烧蚀触头材料机理且预测准确的电寿命预测模型较为困难。河工大李奎等[9,16-18]一直在研究接触器的电寿命预测问题,结合概率统计理论和人工智能算法建立了交流接触器的电寿命预测模型,并取得了不错的预测效果。但是应用概率统计模型构建开关电器的电寿命预测模型时需要大量试验数据,且需分析寿命数据的分布类型,因此试验周期较长,试验成本较大。

目前,国内外的许多专家和学者对接触器、继电器开展了电寿命评估的研究,但针对小型断路器开展电寿命评估的研究较少。开展小型断路器的电寿命评估离不开试验数据的支撑,本文结合小型断路器电寿命试验的相关标准要求[19],设计了一套小型断路器电寿命试验数据采集系统,对6只额定通断电流为16 A的小型断路器进行了电寿命试验。从试验过程中采集的电弧电压和电弧电流等信号中提取了燃弧时间、燃弧能量、允通能量、相对合闸时间、跌落时间等特征量。借助BP神经网络模型,以特征量为输入参数,断路器电寿命等级为输出参数,构建了小型断路器电寿命评估模型。

1 电寿命试验装置

1.1 小型断路器结构

小型断路器内部结构图如图1所示。小型断路器一般由电磁脱扣系统、热脱扣系统、灭弧系统、操作机构等部分组成[20]。转动手柄带动由连杆、转动板、锁扣件等组成的操作机构转动,可使断路器合分闸。小型断路器短路保护和过载保护的动作过程:在线路发生短路故障时,铁心受电磁线圈的电磁力克服反力弹簧的反作用力,向另一侧移动触发跳扣件使断路器分闸断电;在线路长时间处于过载时,双金属片受热弯曲触发跳扣件使断路器分闸断电。在断路器分闸的瞬间,动/静触头间会产生电弧,电弧能量注入触头材料后,触头材料会发生相变,部分触头材料通过蒸发、喷溅等方式离开触头区域,小型断路器的电寿命与电弧侵蚀触头材料的过程相关。

图1 小型断路器内部结构图

1.2 电寿命试验装置

小型断路器电寿命试验装置的硬件组成包含4部分,分别是试验回路、合分闸操作机构、数据采集系统和上位机。小型断路器电寿命试验装置硬件结构如图2所示。

图2 小型断路器电寿命试验装置硬件结构

试验回路由交流电压源AC、总开关QF1、试验断路器QF2、可调电阻R1组成。合分闸操作机构的硬件部分由SMART200型PLC、直流电机、动作机构和接近开关等组成。PLC根据上位机的指令驱动直流电机,电机转动带动动作机构运动,由动作机构操作小型断路器进行合闸和分闸。当小型断路器处于合闸状态时,上限位接近开关输出高电平信号;当小型断路器处于分闸状态时,下限位接近开关输出高电平信号,接近开关输出的高低电平输入PLC形成反馈信号。数据采集系统由PCI-3361型数据采集卡、DVL1000型电压传感器(1 000 V/50 mA)和采样电阻等组成。电压传感器1和电压传感器2分别转换触头电压和负载电压,通过采样电阻R2和R3将电压传感器输出的电流信号转变为可以输入数据采集卡的电压信号。上位机软件界面是基于LabWindows编程环境开发的,一方面与PLC通信驱动合分闸操作机构,另一方面驱动采集卡并读取采样数据。试验装置实物图如图3所示。

图3 试验装置实物图

1.3 电寿命试验装置运行过程

上位机运行界面如图4所示。图4中,可以设置信号的采样频率、数据长度、小型断路器合分闸频率等参数,也可以指定合分闸操作次数。

电寿命试验装置运行过程如图5所示。首先PLC通过OPC(OLE for Process Control)将接近开关的输出信号传递给上位机,上位机依据该反馈信号判断合分闸操作机构初始位置是否合适,如果初始位置不合适,则上位机向PLC传递复位信号,由PLC驱动直流电机带动动作机构运动至合适位置。其次根据用户输入参数(如信号采样频率、数据长度、触发电平等参数)驱动数据采集卡,采集卡一旦完成初始参数设置后就启动采样任务等待触发。然后上位机向PLC发送合闸操作指令,之后就一直查询反馈信号。最后上位机依据反馈信号执行下一步骤,如果合闸操作完成,上位机会从数据采集卡中读取数据并将数据保存在指定文件夹中;如果合闸操作失败或者信号采集失败,上位机会发出错误警告并停止运行。分闸操作的数据采集流程同合闸操作的数据采集流程类似。

图5 电寿命试验装置运行过程

1.4 电寿命试验的试验参数

本文对6只小型断路器进行了电寿命试验,在试验过程中每开断500次便测量一次试验样品的接触电阻、动/静触头厚度和超程等参数。触头材料烧蚀程度决定着断路器合闸成败,因此本文依据触头烧蚀量(动/静触头厚度较初始状态下的减少量)判定小型断路器电寿命状态。小型断路器电寿命试验参数如表1所示。

表1 小型断路器电寿命试验参数

2 特征量

触头材料在经过电弧烧蚀后,其厚度会减小并且触头间的开距会增大,但是触头厚度和开距难以在线实时监测,其无法直接应用于小型断路器电寿命评估中。相比触头厚度和开距,电弧电压和电弧电流更容易在线采集。此外,触头表面形貌在烧蚀前后会有较大的差异,其可能会影响触头间的燃弧过程,进而影响电弧电压和电弧电流波形,因此电弧电压和电弧电流波形中可能含有反映断路器寿命退化过程的信息。本文分析了电弧电压和电弧电流的变化过程,并从中提取了相关特征量。

2.1 电压信号波形特点

某次分断过程中,电弧电压和电弧电流信号波形如图6所示。在t在0～9.95 ms内,动/静触头稳定接触,电弧电压近似等于零,电弧电流跟随电源电压变化;在t=10.00 ms时,动/静触头间出现电弧,电弧电压开始从零迅速增大,电弧电流略微减小后继续跟随电源电压变化;在t=11.60 ms时,持续增大的电弧电压出现跌落,由高速摄像机记录的电弧运动过程可知,其原因是动触头回落引起电弧更加剧烈燃烧所致;在t=19.00 ms时,动静触头间的电弧熄灭,电弧电压跟随电源电压变化,电弧电流减小为零。

2.2 特征量提取过程

某次分断过程中,电弧电压信号的波形如图7所示。本文选取了从起弧时刻到电弧电压发生跌落的这段时间作为特征量,即t2-t1,为描述方便文中将这段时间称为跌落时间。此外,本文在电寿命试验过程中采用了2P断路器作为试验样品,一路通断16 A电流,另外一路通断25 mA电流,提取了两路断路器合闸时刻的时间差作为特征量,为方便描述文中将这段时间差称为相对合闸时间。另外本文还提取了燃弧时间、燃弧能量、允通能量等特征量。

图6 电弧电压和电弧电流信号波形

图7 电弧电压信号波形

2.3 特征量的变化过程

2.3.1 物理参数

在电寿命试验过程中,每开断500次就测量一次试验样品的动/静触头厚度和超程。触头厚度减少量包括动触头和静触头厚度减少量之和。触头厚度减少量随开断次数的变化过程如图8所示。超程随开断次数的变化过程图9所示。在动/静触头合分过程中,触头材料会经历热、力、化学作用等过程的破坏,触头材料的烧蚀量会随着开断次数增加而增加,动触头需要运动更长的路程才能和静触头稳定接触,因此超程随开断次数增加而减小。

2.3.2 电参数

在电寿命试验过程中,起弧时刻的回路电流相位是随机的,而交流电弧通常在回路电流过零时刻附近熄灭,因此燃弧时间这个特征量在交流小型断路器寿命周期内也呈现随机趋势。基于这个原因,本文特意将试验数据按照起弧相位分成了不同的组类,每一个小组内的样本数据的起弧相位基本是相同的,即每次触头分断时触头间的电压和流过触头的电流基本是相同的,而触头表面形貌会因开断次数的增加而发生改变,这样能够最大程度体现选取的特征量随触头烧蚀量增加而改变的变化过程。相对合闸时间随开断次数的变化过程如图10所示;特征量随开断次数的变化过程如图11所示。

图8 触头厚度减少量随开断次数的变化过程

图9 超程随开断次数的变化过程

图10 相对合闸时间随开断次数的变化过程

图11 特征量随开断次数的变化过程

由图10和图11可见,跌落时间和相对合闸时间随开断次数变化的趋势最明显,而其他3个特征量与开断次数之间的关联度较差。如前文所述,电弧电压跌落是因为动触头回落导致弧根更加剧烈燃烧所致,所以跌落时间与动触头回落的位置、断路器机械疲劳、触头表面形貌等有关,间接反映了断路器的电寿命状态。而相对合闸时间更体现了触头烧蚀量,通断mA级电流的触头烧蚀程度远远小于通断16 A电流的触头烧蚀程度,因此随着开断次数的增加,烧蚀程度小的触头接通时刻会远远早于触头烧蚀程度大的触头接通时刻,相对合闸时间随开断次数增加呈现增大的趋势。其他起弧相位区间内各特征量的变化趋势与该起弧相位下各特征量的变化趋势一致,这里不再赘述。

3 电寿命评估模型

含有双隐层的神经网络能够解决任何复杂的分类问题,应用BP算法的神经网络更是具有良好的非线性映射能力、泛化能力和容错能力[21],且BP神经网络在继电器和接触器电寿命预测方面得到了应用[18,22],因此本文选用BP神经网络作为小型断路器电寿命评估的分类模型。本文用提取的特征量和小型断路器电寿命等级分别作为模型的输入参数和输出参数,并且构造了相应的训练集和测试集数据库。

3.1 模型的输入输出参量

断路器电寿命的退化过程是一个不可逆的过程,选取呈现单调性变化的趋势特征量作为模型输入参数能够有效提高模型的评估准确度。在小型断路器通断电路的过程中,触头间产生的电弧会烧蚀触头材料,触头烧蚀量(触头厚度的减小量)会随开断次数的累积而单调递增,本文选用相对合闸时间和跌落时间这两个趋势特征量作为模型的输入参数,选用小型断路器的电寿命等级作为模型的输出参数。小型断路器的电寿命等级依据触头烧蚀量划分,不同的电寿命等级分别代表小型断路器的不同健康状态,其代表的含义分别是良好、正常、注意和故障。本文对电寿命等级进行了数值化,并将其作为电寿命评估模型的输出参量。小型断路器电寿命等级划分规则如表2所示。

表2 小型断路器电寿命等级划分规则

3.2 电寿命评估模型的训练过程

本文利用测量的触头烧蚀量对其他未知的与开断次数相对应的触头烧蚀量进行了插值拟合,并根据触头烧蚀量对断路器电寿命等级进行了标签化,将相对合闸时间、跌落时间和电寿命等级组成一组数据,共得到了18 994组数据,选用其中的20%作为测试集样本,剩余80%作为训练集样本。

本文选用的BP神经网络仅包含一层输入层,一层隐含层和一层输出层,为避免输入参量量纲对训练结果的影响,本文提前对训练集样本进行了归一化处理,模型训练过程如图12所示。

图12 模型训练过程

首先在训练开始前对输入层与隐含层、隐含层与输出层之间的权值矩阵进行了初始化处理。然后依据指定的神经元激活函数正向计算各层输出,并依据Levenberg-Marquarelt(LM)算法反向修正各权值矩阵。最后依据模型计算输出与期望输出的误差是否满足要求决定是否结束训练。

3.3 电寿命评估模型的测试结果

测试集数据输入训练模型后,模型预测结果与期望结果对比如图13所示。由图13可知,训练模型预测结果不是期望的电寿命等级,因此需要将预测结果整数化。预测结果整数化的思路是将预测结果与电寿命等级值进行做差,然后再将差值最小的电寿命等级值作为模型输出。预测结果整数化后的电寿命等级分布如图14所示。

图13 模型预测结果与期望结果对比

图14 预测结果整数化后的电寿命等级分布

本文通过改变隐含层神经元数目训练了不同的模型,并利用测试集数据对评估效果一一进行了测试,在训练耗时方面并无明显差异。不同隐含层神经元数目下模型评估准确度如表3所示。

表3 不同隐含层神经元数目下模型评估准确度

由表3可见,训练后的电寿命评估模型的评估准确度约为91%,能够满足一般工程应用要求,但是其也有一定的提升空间。在分析电寿命等级状态随趋势特征量的分布情况时,由于不同试验样品存在些许差异,各试验样品的趋势特征量在不同电寿命等级时对应阈值有略微差异,所以模型的评估准确度在相邻两个电寿命等级位置附近较低。其次,趋势特征量的变化过程并非呈现线性增大,而是呈现波动式增大,其对模型评估准确度也有一定的限制作用。