高压断路器分合闸线圈电流采集实验平台与故障模拟实验研究

高压断路器是电力系统的关键设备,分合闸线圈是断路器操动机构的核心部件。近年来,分合闸线圈故障时有发生,严重影响了电力系统的安全性能。文中研究了高压断路器分合闸线圈的回路结构和动作原理,设计了断路器机构模拟样机,搭建了断路器分合闸线圈电流采集试验平台。基于该平台,获取了正常和几种故障情况下的分合闸线圈电流曲线,提取了主要的特征参数并进行了分析,论证了分合闸线圈发生故障时特征参数的变化规律,为基于电流波形诊断分合闸线圈的运行状态提供了依据。     

液压式高压断路器机械特性在线监测故障几率研究

在智能变电站中,在线监测系统能够实时记录断路器机械特性数据,包括储能电机电流曲线、分合闸线圈电流曲线、分合闸行程曲线等,笔者结合液压式高压断路器机械特性的各种可能故障,分析断路器机械特性故障对在线监测结果的影响,给出了机械特性故障几率的计算方法和实际应用的参数,并通过对断路器故障的模拟,计算了实际的故障几率。这一方法能够实时了解断路器的运行状态,为保障断路器的安全可靠运行提供了重要的技术手段,已经规模化应用于智能变电站实际工程中。     

基于LabVIEW的高压断路器操作机构状态评估

针对高压断路器操作机构型号的多样性,状态评估过程中标准线圈电流波形不统一的问题。提出通过对高压断路器操作机构分/合闸线圈电流波形曲线进行纵向和横向比对,来综合评估操作机构的运行状态,掌握其运行特性变化过程。并基于Lab VIEW软件平台开发了高压断路器操作机构状态评估系统。实例分析表明该评估系统可以准确的判断高压断路器电磁铁、操作机构本体、辅助开关三个部分的运行状态,及早发现操作机构的缺陷和故障隐患以便及时处理,从而提高高压断路器运行可靠性。     

基于多参量的高压断路器分/合闸线圈的故障诊断

由于分/合闸线圈电流信号和振动信号的变化均可以反映操动机构的运行状态,因此文中阐述了根据多参量来诊断高压断路器分/合闸线圈故障的一种新方法,以提高高压断路器故障诊断的准确率。文中首先介绍了操动机构电磁铁的动作状态,并分析操动机构电流信号与运行状态的关系,其次设计了一套以NI数据采集卡和实时控制器为核心的硬件电路,最后运用多层小波包分解与重构算法对信号进行滤波,结合极值法对信号进行特征值提取,并采用粒子群优化算法与支持向量机相结合的方法进行状态分类。实验结果表明,文中提出的算法能够及时发现高压断路器运行过程中存在的安全隐患,有效提高高压断路器的运行可靠性。     

基于K-S检验法和SVM的高压断路器分合闸线圈回路故障诊断

分合闸线圈回路作为高压断路器分合动作的主控制回路,其正常工作对于高压断路器的可靠性及电力系统的稳定性具有重要的意义。但是在断路器长期的在线运行过程中,分合闸线圈回路往往会出现不同类别的电气故障,影响断路器的正常工作。分合闸线圈回路的状态可以很好地反映在其分合闸线圈电流信号中,通过对断路器分合动作线圈电流信号的采集、处理和分析,可以有效地对分合闸回路进行状态检测。通过对分合闸线圈回路常见的电气故障进行现场试验,获取分合闸线圈电流并提取有效的电流、时间特征参量及其组成的复合特征参量,针对特定的故障类型采用K-S检验法筛选影响因子较高的特征参量作为特征向量,然后通过支持向量机对特征向量进行计算并对分合闸线圈回路进行故障识别。     

基于分合闸线圈电流的某换流站开关故障分析

高压断路器作为常用的电气设备,分合闸线圈是其操动机构的关键部件,线圈电流反映了断路器的运动特性。文中首先介绍了分合闸线圈的结构,阐述了利用检测分合闸线圈电流信号来判断断路器故障的一种新方法,并针对某换流站550 kV断路器的机械故障进行了具体的应用分析,准确诊断了断路器的故障原因。根据分合闸线圈电流提供的状态信息,可以发现高压断路器存在的相关隐患,诊断出断路器的设备状态,提高断路器的状态检测水平,保障电网的安全稳定运行。     

基于K-means和SOM混合算法的高压断路器操作机构状态评估

为诊断高压断路器操作机构故障,文中基于分合闸线圈电流曲线,提出了采用K-means与SOM神经网络相结合的混合算法,对断路器操作机构进行状态评估。对某批次252 k V高压断路器操作机构进行分合闸线圈电流数据采集;建立了K-means与SOM神经网络相结合的混合算法模型;对测试的断路器操作机构进行状态分析。结果表明,混合算法能够将操作机构不同状态进行聚类,可将相同故障分在同一类别。并将混合算法模型与SOM神经网络模型和K-means模型作比较,结果表明,混合算法模型在计算速度和聚类准确率上都优于其他两种模型。     

改进随机森林法在断路器机械故障诊断中的应用

高压断路器机械故障时有发生,严重影响设备及电力系统的安全稳定运行.针对目前高压断路器机械故障诊断准确率不理想的现状,将改进后的随机森林方法应用于高压断路器机械故障诊断.结合高压断路器分合闸线圈电流信号的原理分析,提取出可有效反映断路器机械故障的相应特征量,建立高压断路器机械故障诊断模型,通过不同噪声干扰强度下高压断路器...     

基于SVM主成分分析的高压断路器分合闸线圈故障诊断研究

拒动是断路器最严重的故障类型之一,可能导致大面积停电事故,而近年来由于分合闸线圈故障导致拒动时有发生,诊断分合闸线圈的运行状态对于保障电网安全具有重要意义。文中以某型号SF6瓷柱式高压交流断路器中的分合闸线圈为研究对象,通过实验模拟电源电压跌落、供电回路接触不良、铁心卡涩、铁心空行程大这几种典型的故障类型,获取正常与故障条件下的分合闸线圈电流波形。进而采用支持向量机(SVM)算法对分合闸线圈故障进行诊断,特别是采用主成分分析法提取电流波形的特征参数作为诊断依据,实现了对故障的有效识别。基于SVM主成分分析的方法可方便构建故障诊断专家系统,以保障分合闸线圈可靠运行。     

基于深度森林的高压断路器弹簧机构状态识别

系统的安全稳定运行与高压断路器的可靠性密切相关，合闸阶段的行程曲线可以反映出高压断路器的弹簧机构机械状态，是实现状态识别的重要判据，因此基于行程数据的弹簧机构状态辨识具有重要的研究意义。文中对合闸弹簧预压缩量减少10 mm或15 mm、分闸弹簧预压缩量减少10 mm或15 mm、油缓冲器抽油10 mL或30 m L、传动构件卡阻档位1或档位2以及正常状态下9种合闸特性曲线进行了采集，然后基于深度森林（deep forest,DF）算法构建辨识模型，最后将识别结果与主成分—支持向量机、随机森林算法进行对比。结果表明，深度森林和随机森林的识别效果一致，且明显优于主成分—支持向量机。此外，深度森林的优势还体现在其避免了随机森林的调参过程，具有更好的识别效率。