JP7227846B2 - 開閉装置の診断方法及び装置 - Google Patents

Description

本発明は、開閉装置の状態を診断する開閉装置の診断方法及び装置に関する。

変電所などの電気所に設置されている高電圧設備には、高い信頼性が求められている。特に開閉装置は事故電流を遮断して負荷側の機器を保護する重要な役割がある。開閉装置が一旦故障すると停電による影響が大きく、修復にも時間がかかる。

そこで、遮断器などの開閉装置の性能確認と維持を目的として、開閉動作時間などを調べるなどの定期点検が実施されている。しかしながら、定期点検時には、電路を切り離し、運転を止める必要があるため、点検頻度に限界があり、３年または６年といった周期で実施されるのが一般的である。

これに対して、より高い信頼性を求めるために、運転状態のまま遮断器などの開閉装置の状態を監視できる診断技術が提案されてきている。

特許文献１では、遮断器に加速度センサを取り付け、開閉時の振動波形を計測し、初期時の振動波形との相関係数を計算することで、遮断器の状態を評価する。

特許文献２では、遮断器に加速度センサと加振器を取り付けて、加振器により遮断器の筐体を加振させて、振動波形を計測し、そのスペクトルの共振点の正常時からの差を評価することにより、破損事故の要因となるボルトの緩みを検出する。

特開２０１１－１０３２３０号公報 特開２００２－３６７４９２号公報

特許文献１では、振動波形を得るために遮断器の開閉動作を待つ必要がある。そのため、開閉頻度の低い遮断器の場合には、状態を診断できる頻度が低く、常時の状態把握が困難であった。

特許文献２では、振動波形を得るために遮断器に加振器も取り付ける必要があり、信頼性に課題があった。

以上のことから本発明においては、簡便な構成で、高精度に常時の状態把握が可能となる開閉装置の診断方法及び装置を提供することを目的とする。

本発明の開閉装置の診断方法は、開閉装置に取り付けた加速度センサの信号と開閉装置に流れる負荷電流を得、開閉装置の診断の事前準備段階において、加速度センサの信号をスペクトル分析した結果から着目すべき周波数を決定し、少なくとも周波数と負荷電流を特徴量とする学習データを作成し、開閉装置の診断時において、診断時に得られた特徴量と学習データから、開閉装置の常時状態診断することを特徴とする。

また本発明の開閉装置の診断装置は、開閉装置に取り付けた加速度センサの信号と開閉装置に流れる負荷電流を得る入力部と、開閉装置の診断の事前準備段階において、加速度センサの信号をスペクトル分析した結果から着目すべき周波数を決定し、少なくとも周波数と負荷電流を特徴量として作成された学習データを記憶する学習データデータベースと、開閉装置の診断時において、診断時に得られた特徴量と学習データから、開閉装置の常時状態診断する状態推定部を備えることを特徴とする。

本発明によれば、簡便な構成で、高精度に常時の状態把握が可能となる開閉装置の診断方法及び装置を提供することができる。

本発明の実施例に係る開閉装置の診断装置の基本構成例を示す図。 本発明の実施例に係る開閉装置の診断装置の他の基本構成例を示す図。 本発明の適用される開閉装置を例示した図。 負荷電流と加速度の大きさの関係を示す図。 観測される加速度の大きさの経年変化から異常を判定する例を示す図。 観測される加速度の大きさの経年変化から異常を判定する他の例を示す図。 状態推定部５における内部処理のうち診断前の事前準備段階での処理を示す図。 特徴量を決定する処理である処理ステップＳ１の詳細フロー。 正常時のＮｎ個の加速度波形と、異常時のＮａ個の加速度波形を周波数スペクトル分析した結果例を示す図。 処理ステップＳ２において作成した学習データ例を示す図。 三相交流電流が通電した場合に平行直線導体の加速度を計算した図。 特徴量の別の決め方の詳細手順を示す図。 状態推定部５における内部処理のうち、診断段階での処理を示す図。

以下本発明の実施例について図面を用いて説明する。

本発明は、開閉動作を待つことなく開閉装置の状態、即ち、異常の有無を高精度に推定することを特徴としている。

図１に本発明の実施例に係る開閉装置の診断装置の基本構成例を示す。本発明の診断装置は、診断対象となる開閉装置１に取り付けられる加速度センサ１０と、状態推定部５と、学習データデータベース６から構成される。取り付ける加速度センサ１０は複数でもよい。状態推定部５には、加速度センサ１０からの加速度振動波形の他に、開閉装置１に通電される電流Ｉ（負荷電流）及び電圧Ｖ（印加電圧）が入力される。

図２は、本発明の実施例に係る開閉装置の診断装置の他の基本構成例を示している。図1の構成で、状態推定部５に取り込む電圧Ｖ（印加電圧）の情報は、通常は一定に保持されていることから、その大きさに重大な意味合いは少なく、むしろ電圧印加状態か、否かが判別できればよいことから、開閉器接点の開閉情報Ｓを代用したものである。

図３は、本発明の適用される開閉装置１を例示したものであり、例えば変電所において母線に接続された変圧器の電源側遮断器１ｅ、負荷側遮断器１ｄ、さらには変電所の母線から分岐する送電線の遮断器１ａ、１ｂ、１ｃなどが適用の対象となる。または図示していないが、各種の断路器も本発明の適用対象とし得る。

図1、図２において状態推定部５は、正常時の入力状態を代表する学習データデータベース６に記憶された学習データによる学習に基づき、入力との一致度を計算し、正常状態からの乖離量に相当する評価結果を通知（結果通知）する。評価結果は小さいほど正常時のパターンと一致していることを意味し、大きくなると劣化度が増していることを意味する。

本発明では、電流Ｉ及び電圧Ｖがそれぞれ電磁力及び静電気力を生じて開閉装置１に対して加振源になるという点に着目している。図４は、負荷電流(横軸)と加速度の大きさ(縦軸)の関係を示した図であり、負荷電流に対する加速度の大きさを実測した結果を示す。図示するように、負荷電流の２乗で加速度の大きさが大きくなっている。また、負荷電流が０（Ａ）のときの加速度はノイズ成分と、電圧による静電気力の合算値だと考えられる。即ち、加速度の大きさは電流Ｉ及び電圧Ｖに依存する。このような知見に基づき、電流Ｉ及び電圧Ｖの大きさを考慮して、常時測定される加速度振動波形から正常時と異常時の状態を高感度に識別可能とした。

例えば負荷電流がＩ１、Ｉ２の場合に、通常運転時に計測できる加速度の大きさの範囲（例えばＩ１の場合に１１ｌ，Ｉ２の場合にＩ２ｌ）に対して、大きな加速度が検知されることをもって、開閉装置１の異常と判断し得る。

また、計測された加速度は、開閉装置１の運転時間などの進展に伴い劣化が進行し、通常は電流Ｉに応じた所定範囲内にある数値が、あるときに閾値を逸脱する状態が継続して観測される。

図５および図６は、観測される加速度の大きさの評価結果(縦軸)の経年変化(横軸)から異常を判定する例を示した図である。図５および図６は、状態推定部５が与える通知結果に基づきトレンドデータを表示させた画面の一例を示す。このうち図５は、解析による評価結果を時系列的に逐次プロットしていき、所定の閾値を超過した場合に異常と判定する。

また図６では、評価結果のトレンドについてトレンドの変化率を監視し、徐々に評価結果が上昇していく場合にはこの状態を異常予備状態と認識し、閾値と交わる時間を予測により概算し異常発生時刻を推定することで、計画的な点検が可能となる。これらの手法によれば、評価値あるいはその変化率が所定値あるいは所定範囲を超えた場合に対策を打つことで、従来見逃していた固渋やボルトの緩み、接圧不足などの異常が発見できるため事故未然防止に役立つ。

以下、状態推定部５における内部処理として、多変量解析手法（例えば、マハラノビスタグチメソッドや、ＶＱＣ）を使ったより具体的な評価方法について、フローチャートに基づき説明する。

状態推定部５における内部処理は、診断前の事前準備段階での処理と、各種データが準備できて診断を行う診断段階での処理に分けて実行される。

診断前の事前準備段階での処理が、図７に示されている。診断前の事前準備段階では、図１の学習データデータベース６を作成するが、ここでの処理は、特徴量を決定する処理（処理ステップＳ１）と、学習データを作成する処理（処理ステップＳ２）の２段階処理になっている。このうち、特徴量を決定する処理である処理ステップＳ１の詳細フローが、図８に示されている。

図８に示す特徴量を決定する処理（処理ステップＳ１）の最初の処理ステップＳ１１では、まず開閉装置１に取り付けた加速度センサ１０から、正常時の加速度波形をＮｎ個、異常時の加速度波形をＮａ個測定する。なお異常時の加速度波形については、模擬用の開閉装置を故意に異常状態（固渋やボルトの緩み、接圧不足などの異常）として運用したときの加速度波形を用い、あるいはすでに知られた情報の中から準備するのがよい。

次に処理ステップＳ１２では、それらすべての加速度波形（Ｎｎ＋Ｎａ個）の周波数スペクトルをＦＦＴで導出する。この結果、加速度波形（Ｎｎ＋Ｎａ個）の各波形において、離散化された各周波数に対するスペクトル値が定まる。なお、スペクトル波形そのものを特徴量とする考え方もあるが、異常と正常の識別性能を求めるためには、状態診断に関係する部分を抽出する必要がある。

図９は、正常時のＮｎ個の加速度波形と、異常時のＮａ個の加速度波形を周波数スペクトル分析した結果例を示している。横軸に周波数、縦軸にスペクトル値を示す図９において、正常時のＮｎ個の加速度波形の分析結果はＮのような傾向を示すに対して、異常時のＮａ個の加速度波形の分析結果はＡのような傾向を示したものとする。この結果例によれば、２つの波形が大きな相違を示すのは周波数ｆがｆ１、ｆ２であることから、この周波数ｆ１、ｆ２における大きさを特徴量と把握して監視することで、異常と正常を識別可能となる。この識別処理は例えば以下に示すように行うことで実現が可能である。

具体的には例えば、次に処理ステップＳ１３では、正常時のＮｎ個の加速度波形群について、周波数ｆに対するスペクトルの平均値Ｍｎ（ｆ）と標準偏差σｎ（ｆ）を計算する。また異常時のＮａ個の加速度波形群について、周波数ｆに対するスペクトルの平均値Ｍａ（ｆ）と標準偏差σａ（ｆ）を計算する。

処理ステップＳ１４では、異常と正常と識別しやすいスペクトル値に対応する周波数を決定するために、正常時と異常時との平均の差｜Ｍｎ（ｆ）－Ｍａ（ｆ）｜が大きい時には大きく、標準偏差σｎ（ｆ）、σａ（ｆ）が大きい時には小さくなるような評価式ｇ（ｆ）を作成する。異常と正常とを感度良く識別するには、平均の差が大きい方が識別しやすく、小さい場合には識別に寄与していないと考えることができる。また、誤検出を防止するには、ばらつきが低いものを用いた方が望ましい。評価式ｇ（ｆ）としては、たとえば、次の（１）式を採用するのがよい。

処理ステップＳ１５では、評価式ｇ（ｆ）の値を大きくする周波数ｆをＮ－２個選択し、それぞれｆ（１）、ｆ（２）、…、ｆ（Ｎ－２）とする。

最終的に処理ステップＳ１６では、電流Ｉ、電圧Ｖ及び、周波数ｆ（１）、ｆ（２）、…、ｆ（Ｎ－２）に対応するスペクトル値Ｓｐ（１）、…、Ｓｐ（Ｎ－２）を特徴量とすることに決める。これにより、ある時刻の測定データから１組の特徴量を抽出できることとなる。以上により、図８での処理により特徴量を決定できる。

次に処理ステップＳ２において、図１０に示す学習データを作成する。図１０に示した学習データを構成する特徴量は、各周波数（ｆ（１）、ｆ（２）、…、ｆ（Ｎ－２））の時のスペクトル値を電圧、電流のおおきさの組み合わせごとに複数サンプルを集めたものである。

係る学習データは、Ｎｓｍ個（＞Ｎ）の正常時のデータを取得し、図７の処理ステップＳ１で定めた特徴量をＮｓｍ組抽出したものである。この学習データは、正常時に起こり得るいろいろな条件のものを多数取得した方がよい。電流が変わったり、電圧が変動したり、日常的な環境ノイズが加わったりするなど、正常時に生じ得る様々なパターンのスペクトルを取得することで、Ｎ個の特徴量で作られるＮ次元空間に正常時に生じ得る領域が学習データにより規定される。

なおスペクトルの特徴量を定める他の方法として以下のものがある。この事例では、遮断器やケーブルに流れる負荷電流の電路が対象配置であると近似して、負荷電流による電磁力によりどのような加速度が表れるのかを検討する。

図１１に示すように、１辺の長さｄの正三角形の頂点に平行に配置されたｕ、ｖ、ｗ相の導体に対称三相交流電流ｉｕ、ｉｖ、ｉｗ（紙面の表から裏向きを正とする）を通電したとする。この場合の各電流は（２）式で表すことができる。

ただし、ここで、Ｉは電流の実効値（Ａ）、ω（＝２πｆ）は角周波数（ｒａｄ／ｓ）、ｔは時間（ｓ）である。このとき、導体ｕの加速度ａｕ、導体ｗの加速度ａｗは、それぞれ（３）（４）式で表せる。

これらの式によれば、加速度ａｖ及びａｕから導体の加速度は水平方向に電流の実効値の２乗に比例する。また、ωｔに対して周期πで周期的である。即ち、基本周波数の２倍の周波数で加振されることが分かる。

以上のことから、一般に商用周波数５０Ｈｚに接続された機器は１００Ｈｚで、６０Ｈｚに接続された機器は１２０Ｈｚで電磁力により加振振動されることが分かる。別な言い方をすると、商用周波数に対する高調波を監視対象周波数として選択するのが有用である。

以上を踏まえて、図１２に特徴量の別の決め方の詳細手順を示した。まず処理ステップＳ２１では、印加電圧の周波数ｆｏに対して、ｆ（ｎ）＝ｎ・ｆｏ（Ｈｚ）（ｎ＝１、２、…、Ｎ－１）とする。次に処理ステップＳ２２では、前述と同様に電流Ｉ、電圧Ｖ及び、周波数ｆ（１）、ｆ（２）、…、ｆ（Ｎ－２）に対応するスペクトル値Ｓｐ（１）、…、Ｓｐ（Ｎ－２）を特徴量とすることに決める。この手法は、異常時のデータが入手できない場合に有効であり、簡便な方法である。

次に、状態推定部５における内部処理のうち、各種データが準備できて診断を行う診断段階での処理について説明する。診断段階での処理が、図１３に示されている。

図１３の診断時の手順では、まず処理ステップＳ３０において、加速度振動波形素測定し、次に処理ステップＳ３１においてその周波数スペクトルを導出し、次に処理ステップＳ３２において前述した特徴量を抽出する。最後に処理ステップＳ３３においてマハラノビスタグチメソッドやＶＱＣなどの多変量解析により、図１０に示す学習データに照らし、抽出した特徴量に対する評価値を計算する。

以上の方法によって、開閉装置の状態を常時評価可能となる。

先述した図６は、本発明の実施例で異常を模擬して実験したときの結果例を示したものでもあるので、この図を用いて識別結果について説明する。なお図６において白丸は正常時における評価結果、黒丸は異常時における評価結果を示している。

正常時の評価結果は低い値で一定となるのに対して、異常時では、電流Ｉの大きさや電圧Ｖの有無などの条件により評価結果が変動した。適切に閾値を設けることで、異常を検出可能となっている。

なお、検出感度と誤検出とはトレードオフの関係にあり、閾値を高く設定すると誤検出が減るが、感度が悪くなる。閾値を低くすると誤検出が増えるが、検出感度が高まる。誤検出を極力排除するための閾値の決め方としては、例えば、測定した正常時のデータの評価値の最大のものを通る直線を閾値として用い、あるいは正常時の評価値の平均値と標準偏差とを用いて、例えば、「平均値＋３×標準偏差」を閾値とすることが考えられる。

１…開閉装置、５…状態推定部、６…学習データデータベース、１０…加速度センサ

Claims (4)

1. 開閉装置に取り付けた加速度センサの信号と開閉装置に流れる負荷電流を得、
   前記開閉装置の診断の事前準備段階において、加速度センサの信号をスペクトル分析した結果から着目すべき周波数を決定し、少なくとも前記周波数と前記負荷電流と前記開閉装置に印可される電圧を特徴量とする学習データを作成し、
   前記開閉装置の診断時において、診断時に得られた前記特徴量と前記学習データから、前記開閉装置の常時状態診断するとともに、前記開閉装置の電源側スイッチの開閉情報から前記開閉装置への印加電圧を推定することを特徴とする開閉装置の診断方法。
2. 請求項１記載の開閉装置の診断方法であって、
   前記開閉装置の診断の事前準備段階において、前記開閉装置の正常時及び異常時の前記加速度センサの信号のスペクトルの平均値を標準偏差で除した値が大きくなる周波数を、前記着目すべき周波数として選択することを特徴とする開閉装置の診断方法。
3. 請求項１記載の開閉装置の診断方法であって、
   前記開閉装置の診断の事前準備段階において、前記開閉装置に印可されている電圧の周波数の整数倍を、前記着目すべき周波数として選択することを特徴とする開閉装置の診断方法。
4. 開閉装置に取り付けた加速度センサの信号と開閉装置に流れる負荷電流を得る入力部と、前記開閉装置の診断の事前準備段階において、加速度センサの信号をスペクトル分析した結果から着目すべき周波数を決定し、少なくとも前記周波数と前記負荷電流と前記開閉装置に印可される電圧を特徴量として作成された学習データを記憶する学習データデータベースと、前記開閉装置の診断時において、診断時に得られた前記特徴量と前記学習データから、前記開閉装置の常時状態診断する状態推定部を備えるとともに、前記状態推定部は前記開閉装置の電源側スイッチの開閉情報から前記開閉装置への印加電圧を推定することを特徴とする開閉装置の診断装置。

Images