CN111948528B - 开闭装置的诊断方法以及装置 - Google Patents

Abstract

提供一种开闭装置的诊断方法以及装置，能够用简便的结构高精度地掌握平时的状态。特征在于，得到安装于开闭装置的加速度传感器的信号和在开闭装置中流过的负载电流，在开闭装置的诊断的事先准备阶段中，根据对加速度传感器的信号进行波谱分析得到的结果来决定应关注的频率，制作至少将频率和负载电流作为特征量的学习数据，在开闭装置的诊断时，根据诊断时所得到的特征量和学习数据，诊断开闭装置的平时状态。

Description

开闭装置的诊断方法以及装置

技术领域

本发明涉及对开闭装置的状态进行诊断的开闭装置的诊断方法以及装置。

背景技术

在设置于变电站等电站的高电压设备中，要求高的可靠性。特别是，开闭装置发挥切断事故电流来保护负载侧的设备的重要作用。如果开闭装置一旦发生故障，则由停电引起的影响大，修复也花费时间。

因此，以切断器等开闭装置的性能确认和维持为目的，实施调查开闭动作时间等的定期检查。然而，在定期检查时，需要断开电路而停止运转，所以检查频度有限制，通常以3年或者6年这样的周期来实施。

相对于此，由于要求更高的可靠性，所以提出了保持运转状态而能够对切断器等开闭装置的状态进行监视的诊断技术。

在专利文献1中，对切断器安装加速度传感器，测量开闭时的振动波形，并计算与初始时的振动波形的相关系数，从而评价切断器的状态。

在专利文献2中，对切断器安装加速度传感器和励振器，通过励振器使切断器的框体励振，测量振动波形，评价该波谱的谐振点的与正常时的差，从而检测成为破损事故的要因的螺栓的松动。

现有技术文献

专利文献1：日本特开2011-103230号公报

专利文献2：日本特开2002-367492号公报

发明内容

在专利文献1中，为了得到振动波形，需要等待切断器的开闭动作。因此，在开闭频度低的切断器的情况下，能够对状态进行诊断的频度低，难以掌握平时的状态。

在专利文献2中，为了得到振动波形而需要还对切断器安装励振器，可靠性存在问题。

根据以上，在本发明中，目的在于提供一种能够用简便的结构来高精度地掌握平时的状态的开闭装置的诊断方法以及装置。

本发明的开闭装置的诊断方法的特征在于，得到安装于开闭装置的加速度传感器的信号和在开闭装置中流过的负载电流，在开闭装置的诊断的事先准备阶段中，根据对加速度传感器的信号进行波谱分析得到的结果来决定应关注的频率，制作至少将频率和负载电流作为特征量的学习数据，在开闭装置的诊断时，根据诊断时所得到的特征量和学习数据，诊断开闭装置的平时状态。

另外，本发明的开闭装置的诊断装置的特征在于，具备：输入部，得到安装于开闭装置的加速度传感器的信号和在开闭装置中流过的负载电流；学习数据数据库，存储学习数据，该学习数据是在开闭装置的诊断的事先准备阶段中根据对加速度传感器的信号进行波谱分析得到的结果来决定应关注的频率，并至少将频率和负载电流作为特征量来制作的学习数据；以及状态推测部，在开闭装置的诊断时，根据诊断时所得到的特征量和学习数据，诊断开闭装置的平时状态。

根据本发明，可提供能够用简便的结构而高精度地掌握平时的状态的开闭装置的诊断方法以及装置。

附图说明

图1是示出本发明的实施例所涉及的开闭装置的诊断装置的基本结构例的图。

图2是示出本发明的实施例所涉及的开闭装置的诊断装置的其它基本结构例的图。

图3是例示应用本发明的开闭装置的图。

图4是示出负载电流和加速度的大小的关系的图。

图5是示出根据观测的加速度的大小的经年变化来判定异常的例子的图。

图6是示出根据观测的加速度的大小的经年变化来判定异常的其它例的图。

图7是示出状态推测部5的内部处理之中的诊断前的事先准备阶段中的处理的图。

图8是作为决定特征量的处理的处理步骤S1的详细流程。

图9是示出对正常时的Nn个加速度波形和异常时的Na个加速度波形进行频谱分析而得到的结果例的图。

图10是示出在处理步骤S2中制作出的学习数据例的图。

图11是在三相交流电流通电的情况下计算平行直线导体的加速度的图。

图12是示出特征量的其它决定方法的详细过程的图。

图13是示出状态推测部5的内部处理之中的诊断阶段中的处理的图。

(符号说明)

1：开闭装置；5：状态推测部；6：学习数据数据库；10：加速度传感器。

具体实施方式

以下，使用附图来说明本发明的实施例。

【实施例】

本发明的特征在于，不用等待开闭动作而高精度地推测开闭装置的状态、即有无异常。

图1示出本发明的实施例所涉及的开闭装置的诊断装置的基本结构例。本发明的诊断装置包括安装于成为诊断对象的开闭装置1的加速度传感器10、状态推测部5以及学习数据数据库6。安装的加速度传感器10也可以是多个。对状态推测部5，除了输入来自加速度传感器10的加速度振动波形以外，还输入在开闭装置1中所通电的电流I(负载电流)以及电压V(施加电压)。

图2示出本发明的实施例所涉及的开闭装置的诊断装置的其它基本结构例。在图1的结构中，取入到状态推测部5的电压V(施加电压)的信息通常被保持为固定，所以其大小没有多大的意义，反而是能够判别是否为电压施加状态即可，所以代用开闭器触点的开闭信息S。

图3是例示应用本发明的开闭装置1的图，例如在变电站中与母线连接的变压器的电源侧切断器1e、负载侧切断器1d、以及从变电站的母线分支的送电线的切断器1a、1b、1c等成为应用的对象。或者，虽然未图示，各种断路器也能够成为本发明的应用对象。

在图1、图2中，状态推测部5基于根据代表正常时的输入状态的存储于学习数据数据库6的学习数据进行的学习，计算与输入的一致度，通知(结果通知)与从正常状态起的背离量相当的评价结果。评价结果越小，则意味着越与正常时的模式一致，如果变大则意味着劣化度增加。

在本发明中，着眼于电流I以及电压V分别产生电磁力以及静电力而相对开闭装置1成为励振源这样的点。图4是示出负载电流(横轴)和加速度的大小(纵轴)的关系的图，示出对与负载电流对应的加速度的大小进行实测得到的结果。如图所示，加速度的大小按照负载电流的平方而变大。另外，负载电流为0(A)时的加速度可以认为是噪声分量和由电压引起的静电力的合计值。即，加速度的大小依赖于电流I以及电压V。基于这样的想法，考虑电流I以及电压V的大小，从平时测定的加速度振动波形，能够高灵敏度地识别正常时和异常时的状态。

例如，在负载电流是I1、I2的情况下，针对通常运转时可测量的加速度的大小的范围(例如在I1的情况下为11l，在I2的情况下为I2l)，探测到大的加速度，据此能够判断为开闭装置1的异常。

另外，关于测量的加速度，劣化伴随开闭装置1的运转时间等的推移而发展，通常持续地观测到处于与电流I对应的预定范围内的数值有时脱离阈值的状态。

图5以及图6是示出根据所观测的加速度的大小的评价结果(纵轴)的经年变化(横轴)来判定异常的例子的图。图5以及图6示出根据状态推测部5提供的通知结果而使趋势数据显示的画面的一个例子。其中，在图5中，按照时间序列逐次描绘通过解析得到的评价结果，在超过预定的阈值的情况下判定为异常。

另外，在图6中，关于评价结果的趋势，监视趋势的变化率，在评价结果渐渐上升的情况下将该状态辨识为异常预备状态，通过预测来估算与阈值交叉的时间，推测异常发生时刻，从而能够进行计划性的检查。根据这些方法，在评价值或者其变化率超过预定值或者预定范围的情况下采取对策，从而能够发现以往看漏的紧固件或螺栓的松动、接触压力不足等异常，所以对未然地防止事故有作用。

以下，作为状态推测部5中的内部处理，根据流程图来说明使用多变量解析方法(例如马氏田口方法(Mahalanobis Taguchi Method)、VQC)的更具体的评价方法。

将状态推测部5中的内部处理分为诊断前的事先准备阶段中的处理和准备各种数据而进行诊断的诊断阶段中的处理来执行。

图7示出诊断前的事先准备阶段中的处理。在诊断前的事先准备阶段中制作图1的学习数据数据库6，此处的处理为决定特征量的处理(处理步骤S1)和制作学习数据的处理(处理步骤S2)这2个阶段处理。其中，图8示出作为决定特征量的处理的处理步骤S1的详细流程。

在图8所示的决定特征量的处理(处理步骤S1)的最初的处理步骤S11中，首先从安装于开闭装置1的加速度传感器10，将正常时的加速度波形测定Nn个，将异常时的加速度波形测定Na个。此外，关于异常时的加速度波形，使用将模拟用的开闭装置故意地设为异常状态(紧固件或螺栓的松动、接触压力不足等异常)来运用时的加速度波形，或者从已知的信息中准备为宜。

接下来，在处理步骤S12中，利用FFT来导出这些所有加速度波形(Nn+Na个)的频谱。其结果，在加速度波形(Nn+Na个)的各波形中，决定针对离散化的各频率的波谱值。此外，虽然还有将波谱波形自身作为特征量的观点，但为了求出异常和正常的识别性能，需要抽出与状态诊断相关的部分。

图9示出对正常时的Nn个加速度波形和异常时的Na个加速度波形进行频谱分析得到的结果例。在横轴示出频率、纵轴示出波谱值的图9中，设为正常时的Nn个加速度波形的分析结果呈现N那样的倾向，相对于此，异常时的Na个加速度波形的分析结果呈现A那样的倾向。根据这个结果例，2个波形呈现大的差异的是频率f为f1、f2，所以通过将该频率f1、f2中的大小作为特征量来掌握并监视，能够识别异常和正常。该识别处理例如能够通过如以下所示那样进行来实现。

具体而言，例如接下来在处理步骤S13中，关于正常时的Nn个加速度波形群，计算针对频率f的波谱的平均值Mn(f)和标准偏差σn(f)。另外，关于异常时的Na个加速度波形群，计算针对频率f的波谱的平均值Ma(f)和标准偏差σa(f)。

在处理步骤S14中，为了决定与易于识别为异常和正常的波谱值对应的频率，制作在正常时和异常时的平均的差|Mn(f)-Ma(f)|大时变大、并在标准偏差σn(f)、σa(f)大时变小那样的评价式g(f)。可以理解为在灵敏度良好地识别异常和正常时，在平均的差大的情况下易于识别，在小的情况下未对识别作出贡献。另外，为了防止误检测，优选为使用偏差低的例子。作为评价式g(f)，例如采用接下来的(1)式为宜。

【数学式1】

在处理步骤S15中，选择N-2个使评价式g(f)的值变大的频率f，分别设为f(1)、f(2)、……、f(N-2)。

最终在处理步骤S16中，决定将电流I、电压V以及与频率f(1)、f(2)、……、f(N-2)对应的波谱值Sp(1)、……、Sp(N-2)作为特征量。由此，能够从某个时刻的测常数据抽出1组特征量。根据以上，能够通过图8中的处理来决定特征量。

接下来，在处理步骤S2中，制作图10所示的学习数据。构成图10所示的学习数据的特征量是针对各频率(f(1)、f(2)、……、f(N-2))时的波谱值，按照电压、电流的大小的每个组合来收集多个采样而得到的特征量。

上述学习数据是取得Nsm个(>N)正常时的数据，并将在图7的处理步骤S1中决定的特征量抽出Nsm组而得到的数据。关于该学习数据，优选为大量取得在正常时可能引起的各种条件的数据。通过取得电流变化、或者电压变动、或者施加日常的环境噪声等正常时可能产生的各种模式的波谱，从而在由N个特征量形成的N维空间中根据学习数据来规定在正常时可能产生的区域。

此外，作为决定波谱的特征量的其它方法，有以下的方法。在这个事例中，近似为在切断器、电缆中流过的负载电流的电路是对象配置，研究通过由负载电流引起的电磁力呈现什么样的加速度。

如图11所示，设为对在1边的长度为d的正三角形的顶点处平行地配置的u、v、w相的导体通电了对称三相交流电流iu、iv、iw(将从纸面的表向里的朝向设为正)。该情况下的各电流能够用(2)式表示。

【数学式2】

其中，在此I是电流的有效值(A)，ω(＝2πf)是角频率(rad/s)，t是时间(s)。此时，导体u的加速度au、导体w的加速度aw分别用(3)式、(4)式表示。

【数学式3】

【数学式4】

根据这些式，从加速度av以及au，导体的加速度在水平方向上与电流的有效值的平方成比例。另外，针对ωt，以周期π呈现周期性。即，可知以基频的2倍的频率进行励振。

从以上可知，一般与商用频率50Hz连接的设备在100Hz下通过电磁力而被励振振动，与商用频率60Hz连接的设备在120Hz下通过电磁力而被励振振动。换言之，有用的是将针对商用频率的高次谐波选择为监视对象频率。

根据以上，图12示出特征量的其它决定方法的详细过程。首先，在处理步骤S21中，针对施加电压的频率fo，设为f(n)＝n·fo(Hz)(n＝1、2、……、N-1)。接下来，在处理步骤S22中，与上述同样地决定为将电流I、电压V以及与频率f(1)、f(2)、……、f(N-2)对应的波谱值Sp(1)、……、Sp(N-2)作为特征量。这个方法在无法获得异常时的数据的情况下有效，是简便的方法。

接下来，说明状态推测部5的内部处理之中的准备各种数据进行诊断的诊断阶段中的处理。图13示出诊断阶段中的处理。

在图13的诊断时的过程中，首先在处理步骤S30中测定加速度振动波形，接下来在处理步骤S31中导出其频谱，接下来在处理步骤S32中抽出上述特征量。最后在处理步骤S33中，通过马氏田口方法、VQC等多变量解析，参照图10所示的学习数据来计算针对抽出的特征量的评价值。

通过以上的方法，平时就能够评价开闭装置的状态。

上述的图6是示出在本发明的实施例中模拟异常进行实验时的结果例的图，使用该图来说明识别结果。此外，在图6中，白圈表示正常时的评价结果，黑圈表示异常时的评价结果。

正常时的评价结果以低值成为恒定，相对于此，在异常时，根据电流I的大小、电压V的有无等条件，评价结果变动。通过恰当地设置阈值，能够检测异常。

此外，检测灵敏度和误检测处于折中的关系，如果将阈值设定得高则误检测减少，但灵敏度变差。如果降低阈值则误检测增加，但检测灵敏度提高。作为用于尽可能排除误检测的阈值的决定方法，例如考虑将通过所测定的正常时的数据的评价值的最大的值的直线用作阈值，或者使用正常时的评价值的平均值和标准偏差，例如将“平均值+3×标准偏差”作为阈值。

Claims (5)

1.一种开闭装置的诊断方法，其特征在于，

得到安装于开闭装置的加速度传感器的信号和在开闭装置中流过的负载电流，

在所述开闭装置的诊断的事先准备阶段中，根据对加速度传感器的信号进行波谱分析得到的结果来决定应关注的频率，制作至少将所述频率和所述负载电流作为特征量的学习数据，

在所述开闭装置的诊断时，根据诊断时所得到的所述特征量和所述学习数据，诊断所述开闭装置的平时状态，

在所述开闭装置的诊断的事先准备阶段中，把将所述开闭装置的正常时以及异常时的所述加速度传感器的信号的波谱的平均值除以标准偏差而得到的值变大的频率，选择为所述应关注的频率。

2.根据权利要求1所述的开闭装置的诊断方法，其特征在于，

在所述开闭装置的诊断的事先准备阶段中，将对所述开闭装置施加的电压的频率的整数倍选择为所述应关注的频率。

3.根据权利要求1或者2所述的开闭装置的诊断方法，其特征在于，

所述学习数据是将所述频率、所述负载电流以及对所述开闭装置施加的电压作为特征量来制作的。

4.根据权利要求3所述的开闭装置的诊断方法，其特征在于，

根据所述开闭装置的电源侧开关的开闭信息，推测向所述开闭装置施加的电压。

5.一种开闭装置的诊断装置，其特征在于，具备：

输入部，得到安装于开闭装置的加速度传感器的信号和在开闭装置中流过的负载电流；

学习数据数据库，存储学习数据，该学习数据是在所述开闭装置的诊断的事先准备阶段中根据对加速度传感器的信号进行波谱分析得到的结果来决定应关注的频率，并至少将所述频率和所述负载电流作为特征量来制作的学习数据；以及

状态推测部，在所述开闭装置的诊断时，根据诊断时所得到的所述特征量和所述学习数据，诊断所述开闭装置的平时状态，

在所述开闭装置的诊断的事先准备阶段中，把将所述开闭装置的正常时以及异常时的所述加速度传感器的信号的波谱的平均值除以标准偏差而得到的值变大的频率，选择为所述应关注的频率。

Images