低压开关柜运行在线监测和诊断系统设计

doi:10.11985/2021.04.024

低压开关柜运行在线监测和诊断系统设计

王建新^,, 李铁军^,, 朱军^,, 杜一锦^,

国网冀北电力有限公司廊坊供电公司廊坊 350001

Design of On-line Monitoring and Diagnosis System for Low-voltage Switchgear Operation

WANG Jianxin^,, LI Tiejun^,, ZHU Jun^,, DU Yijin^,

Langfang Power Supply Company, State Grid Jibei Electric Power Co., Ltd., Langfang 350001

收稿日期: 2020-12-1 修回日期: 2021-10-11

Received: 2020-12-1 Revised: 2021-10-11

作者简介 About authors

王建新,男,1978年生,硕士,高级工程师。主要研究方向为高压试验技术、状态检修管理。E-mail： rtgpo4om@21cn.com

李铁军,男,1973年生,工程师。主要研究方向为电力运行、维护、检修。E-mail： 15921036681@163.com

朱军,男,1986年生,硕士,工程师。主要研究方向为高压试验技术、状态检修管理。E-mail： 13937408280@163.com

杜一锦,女,1988年生,初级工程师。主要研究方向为运检专业变电设备相关管理。E-mail： 19945603262@163.com

摘要

针对于低压开关柜人工巡检成本高、效率低下的问题,设计一种低压开关柜运行状态与检测故障在线监测系统。该系统通过传感器获取低压开关柜的运行数据,采用云样本熵的方法对数据进行处理,获取其正常运行和故障运行的特征值,对特征值使用马氏距离算法进行计算。该方法首先通过训练样本寻找马氏距离的阈值,再通过试验样本数据计算马氏距离,马氏距离的值介于7~9,最后将该距离使其与马氏距离的阈值进行比较,进而可以实时、在线监测其运行状态。试验表明,该系统的故障检测正确率大于98%。

关键词： 低压开关柜 ; 智能电网 ; 云样本熵 ; 马氏距离 ; 在线监测

Abstract

Aiming at the problem of high cost and low efficiency of manual inspection of low-voltage switchgear, a system that can detect the operating status and faults of low-voltage switchgear online is researched. The system obtaines operating data of low-voltage switchgear through sensors. The data is processed by the method of cloud sample entropy, and the characteristic values of its normal operation and fault operation are obtained. The eigenvalues are calculated by using Mahalanobis distance algorithm. The Mahalanobis distance threshold is obtained through the training samples, and then the Mahalanobis distance from the experimental sample data is calculated. The Mahalanobis distance is between 7-9, and finally the distance is compared with the Mahalanobis distance threshold, realizing real-time and online monitoring of its operating status. Experiments show that the fault detection accuracy rate of this system is greater than 98%.

Keywords： Low voltage switchgear ; smart grid ; cloud sample entropy ; Mahalanobis distance ; online monitoring

PDF (491KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王建新, 李铁军, 朱军, 杜一锦. 低压开关柜运行在线监测和诊断系统设计. 电气工程学报[J], 2021, 16(4): 189-195 doi:10.11985/2021.04.024

WANG Jianxin, LI Tiejun, ZHU Jun, DU Yijin. Design of On-line Monitoring and Diagnosis System for Low-voltage Switchgear Operation. Journal of Electrical Engineering[J], 2021, 16(4): 189-195 doi:10.11985/2021.04.024

1 引言

低压开关柜是由多个开关和测量设备构成的一种装置,能够将电路控制和检测装置整合到一个柜子中,大大提高使用的安全性和管理效率,因此该装置被广泛应用于配电所中,成为电力输送和调配的重要载体^[1,2]。

由于低压开关柜在长时间运行中容易出现多种故障数据,快速准确地检测出设备的故障位置和故障原因是快速恢复电力的主要步骤。文献[3]介绍一种通过对低压开关柜进行红外光线测温监测一次接插件,进而实现对低压开关柜的检测,但是该方法仅仅是低压开关柜可能发生故障的一个功能组件,低压开关柜有很多潜在故障的部分都需要进行检测,同时需要人看守,人力资源耗费巨大;文献[4]介绍一种对局部放电的检测方法,电气设备在运行过程中出现局部放电现象时,放电会产生电荷的转移,这些电荷会聚集在接地的金属组件上,形成对地电流,这就产生了暂态对地电压,通过对暂态对地电压的测量来实现对局部放电的检测,但是该方法并不能够准确得出放电部位;文献[5]介绍了一种压力检测仪,通过使用压力检测器对低压开关柜一次触头压力进行测量,据此能够解决因触头接触不良造成的短路现象,但是由于触头的弹力会随着时间减小,需要再次进行人力检测,造成大量人力浪费。

针对上述方法的缺点,本文设计了一种能够在线监测低压开关柜运行状态的系统,该系统通过获取数据和来源推断出故障的具体位置和原因,大大节省人力资源和提高电力故障处理的效率。

2 低压开关柜监测系统架构

为及时发现以及预防开关柜的故障问题,需要及时地监测和处理故障诊断。本文设计了一种低压开关柜运行状态在线监测及故障诊断系统^[6,7],该系统的整体框架图如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 在线监测系统整体框架

图1中在线监测系统通过信息传感器获得低压开关柜运行状态相关数据,通过数据传输网络将相关数据传输到数据库,实现数据分析和人机交互^[8,9]。

低压开关柜的结构一般由继电器仪表室、电缆室、断路器手车室和母线室四部分组成,并且开关柜不同的组成部分有着非常显著的差异,因此需要对低压开关柜采用不同的数据采集模块来采集多种数据,数据采集模块组成结构如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 数据监测装置整体框架

图2中,低压开关柜中温度、湿度的变化会影响很多元件的性能和使用情况,又因开关柜每个组成部分都是分隔成一个小隔间,本文设计对每一个小隔间安装温度、湿度传感器,通过数据传感器采集其中温度、湿度数据^[10];通过仪器采集继电器仪表室用于显示开关柜的运行情况和电力维护仪表的数据。

3 低压开关柜故障特征提取和分析

针对于开关柜故障特征进行提取和分析时,由于信号传感器采集的数据无法直接使用,因此需要对监测的低压开关柜数据进行量化处理,并对每个观测点数据在时间序列上的关联特征和每个观测点之间的关联特征进行分析,获取低压开关柜的运行状态特征^[11,12]。再通过马氏距离对特征值进行分析,检测故障的情况,其基本流程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 故障检测流程图

3.1 基于云样本熵的故障特征提取

为提取低压开关柜的运行状态特征,通过云样本理论对传感器采集的数据进行处理,对每个观测点数据在时间序列上的关联特征和每个观测点之间的关联特征进行分析,获取低压开关柜的运行状态特征^[13,14]。

现假设能够采集低压开关柜的M个运行状态量,利用标准的时间间隔对其运行状态数据进行采集,构成检测点的时间序列向量如式(1)所示

(1)${x_m} = \{ {x_{m1}},{x_{m2}},...,{x_{mn}},...,{x_{MN}}\}$

式中,${x_n}$表示时间序列为m时各个监测点的数据,m=1,2,…,M;N为需要监测的数据个数。

把各个监测点检测的运行状态通过时间因子$\tau$进行变换,得到不同标准时间间隔的运行状态时间序列向量$y_{mi}^\tau $如式(2)所示

(2)$y_{mi}^\tau = \frac{1}{\tau }\sum\limits_{k = (i - 1)\tau + 1}^{i\tau } {{x_{mk}}}$

式中,i的取值范围是$1 \le i \le {\rm N}/\tau$。

通过式(2)中求得的时间序列向量$y_m^\tau$对M个低压开关柜进行求解多变量样本熵,构建复合延迟向量$Y_j^D$如式(3)所示

(3)$\begin{array}{c} Y_j^D = [y_{1j}^\tau,y_{1(j + {\lambda _1})}^\tau,...,y_{1(j + ({d_1} - 1){\lambda _1})}^\tau,\\ y_{2j}^\tau,y_{2(j + {\lambda _2})}^\tau,...,y_{2(j + ({d_2} - 1){\lambda _2})}^\tau,\\ y_{mj}^\tau,y_{m(j + {\lambda _m})}^\tau,...,y_{m(j + ({d_m} - 1){\lambda _m})}^\tau,\\ y_{Mj}^\tau,y_{M(j + {\lambda _M})}^\tau,...,y_{M(j + ({d_M} - 1){\lambda _M})}^\tau ] = \\ [{y_j},{y_{j + 1}},...,{y_{j + D - 1}}] \end{array}$

式中,复合延迟向量$Y_j^D$是一个$1 \times D$阶的向量,其中$D = \sum\limits_{m = 1}^M {{d_m}}$,$1 \le j \le N - \max (d) \times \max (\lambda )$;为了能够保证各运行状态量的非线性关系不发生改变,在式中嵌入维数向量$d$,其中$d = [{d_1},{d_2}, \cdots,{d_m}, \cdots,{d_M}]$;为了压缩运行状态监测数据同时不丢失数据引入了延时时间向量$\lambda = \left[ {{\lambda _1},{\lambda _2}, \cdots,{\lambda _m}, \cdots,{\lambda _M}} \right]$。

通过计算样本故障复合向量$Y_k^D$和真实运行状态复合向量$Y_j^D$之间的距离,即计算运行状态与故障样本数据的偏差,如式(4)所示

(4)$d(Y_j^D,Y_k^D) = \max \sum\limits_{l = 1}^D {(|{y_{j + l - 1}} - {y_{k + l - 1}}|)}$

通过相似容量r的方式统计$d(Y_j^D,Y_k^D)$的监测数据向量个数,以此获得其总占比$P_j^D(r)$,如式(5)所示

(5)$P_j^D(r) = \frac{{num[d(Y_j^D,Y_k^D) < r]}}{{N - \max (d) \times \max (\lambda ) - 1}}$

通过对所有复合延迟向量所占比例$P_j^D(r)$取其平均值,得到样本故障复合向量$Y_k^D$和真实运行状态复合向量$Y_j^D$的相似度

(6)$\begin{array}{c}{P^D}(r) = \frac{1}{{N - \max (d) \times \max (\lambda )}} \times \\\sum\limits_{i = 1}^{N - \max (d) \times \max (\lambda )} {P_j^D(r)} \end{array}$

把多变量复合延时向量从D维提升到D+1维,就可以得到新的复合延时向量$Y_j^{D + 1}$,通过把新的复合延时向量$Y_j^{D + 1}$代入式(5)和式(6)就可以计算出D+1维时的相似度${P^{D + 1}}(r)$,进而计算出多个监测设备监测数据的多变量多尺度云样本熵(Multivariate multiscale cloud sample entropy,MMCSE),MMCSE如式(7)所示

(7)$MMCSE(x,\tau,d,\lambda,r) = - \ln \left[ {\frac{{{P^{D + 1}}(r)}}{{{P^D}(r)}}} \right]$

如式(7)所示,通过将多个信息监测装置获取的数据经过时间尺度因子$\tau$进行离散化处理,形成一个个离散度数据点,并通过时间序列化获得不同时间长度下的时间序列MMCSE,通过这种构建复合延时向量代替原始的监测数据,表征各个系统的运行故障特征,选取低压开关柜故障特征最优集合。

3.2 基于马氏距离的故障诊断设计

本文采用马氏距离的计算方法对低压开关柜常见故障进行诊断,要使用马氏距离的计算方法,需要引入已知故障样本特征值构成的标准特征值向量集合X和需要测定的监测数据特征值Z两组数据,把需要测量的样本特征值和已知的故障样本特征值、正常运行的样本特征值通过马氏距离算法进行比较,观察其相似度,通过相似度来判断低压开关柜的运行状态和可能的故障种类^[15,16]。

现假设低压开关柜有m组信号探测装置,也就是每个观察样本有m个特征值,在已知故障的样本数据库中有n组数据,因此就可以假设一个特征量$x_{ij}^{'}$表示第i组数据的第j个特征值,由于其数据范围不确定,需要对其进行标准化,标准化公式如式(8)所示

(8)${x_{ij}} = \frac{{{{x'}_{ij}} - \frac{1}{n}\sum\limits_{i = 1}^n {{{x'}_{ij}}} }}{{\sqrt {\frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{({{x'}_{ij}} - \frac{1}{n}\sum\limits_{i = 1}^n {{{x'}_{ij}}} )}^2}} } }}$

如式(8)所示,${x_{ij}}$就是标准化后的特征值。对标准化后的特征值计算马氏距离,如式(9)所示

(9)$\left\{ \begin{array}{l}{d_m} = \sqrt {{{(z - \bar x)}^T}{C^{ - 1}}(z - \bar x)} \\\bar x = \frac{1}{n}\sum\limits_{i = 1}^n {x_i^T} \end{array} \right.$

式中,z表示测定的监测数据特征值Z的一组$m \times 1$阶向量,$\bar x$表示已知故障样本特征值X的一组$m \times 1$阶向量,C表示已知故障样本特征值X的一组$m \times m$阶协方差矩阵,如式(10)所示^[17,18]

(10)$C = \frac{1}{{n - 1}}\sum\limits_{i = 1}^n {(x_i^T - \bar x)} {(x_i^T - \bar x)^T}$

为计算被测样本与标准样本之间的相似度,本文采用了马氏距离的计算方法,在马氏距离中使用协方差矩阵来协助进行数据处理,能够减小冗余数据对于数据分析的影响,同时考虑到数据之间的关联性,因此通过马氏距离算法能够较好地处理低压开关柜的检测和故障诊断问题。

4 仿真试验设计

通过对低压开关柜各种故障原因进行分析,可以很明显地发现常见的低压开关柜故障主要如下：拒动、误动故障,开断与关合故障,绝缘故障,载流故障以及其他故障^[19,20]。分析这些故障发生的原因大致分为三大类：第一类是机械结构故障,这种类型的故障是由于操作失误、部件损坏等原因造成的机械故障;第二类是绝缘故障,是由于绝缘层老化、短路等造成的电气线路和器件过渡发热现象;第三类是电弧故障,是由于潮气、污染和灰尘等外来物的入侵造成的电弧现象。

为了验证本文方法的有效性和可靠性,本次模拟试验通过获取新疆某10 kV配电房低压开关柜的运行数据作为测试样本进行模拟仿真试验。本文试验设备选取的低压开关柜为某地电力调控中心,品牌为上华电气380 V的开关柜,试验数据为该设备在2020年6~9月的设备运行数据,并统计近三年该开关柜的故障数据,数据包含低压开关柜正常运行状态数据,机械结构故障、绝缘故障和电弧故障这三种运行故障状态数据,对于这4种运行数据每种获取20组数据,共计80组数据,对于每种运行状态的20组数据采用其中10组为训练样本,另外10组为试验样本。在每组数据中包含各种数据传感器采集的数据,数据采集器每间隔50 ms采集一次数据,一共选取500个采样点^[21,22]。本文所选取的设备如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 低压开关柜在线监测及故障诊断系统

在本次试验中采用仿真试验环境的参数设置如下：选用Windows 10作为操作系统平台,Matlab2020为仿真软件,设置计算机内存为5 G,Intel Xeon W-2145 CPU 3.70 GHz。本次选取了500组数据为训练数据,其中200组数据为低压开关柜正常运行的数据,300组数据为已知故障类型数据。图5、6、7分别为正常运行、电弧故障和绝缘故障三种不同的低压柜运行状态在电缆接口和电缆室内的温度折线统计图,每种状态选取500个采样点。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 正常运行温度统计

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 电弧故障温度统计图

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 绝缘故障温度统计图

如图5所示,该图像为低压开关柜正常运行时的温度数据统计图,其中电缆接头的温度保持在32~36 ℃,电缆室内的温度保持在22~24 ℃。由于电路长时间运行会产热,所以电缆接头的温度会略高于电缆室内温度。电缆室电流大小稳定,所以温度没有较大波动。

如图6所示,该图像为低压开关柜电弧故障的温度数据统计图,由于电弧的产生是周期性的,当产生电弧时,电缆接口和电缆室的温度会快速升高,电缆接口的温度会达到150 ℃左右,但电弧消失后,温度会回到正常运行状态。

如图7所示,该图像为低压开关柜绝缘故障电缆接口和电缆室的温度数据统计图,通常发生绝缘故障时,电路常常会发生短路现象,线路会快速升温,使线路长时间处于高温状态,会达到200 ℃ 左右。

为计算马氏距离的阈值,选取500组数据作为训练样本,其中200组数据为低压开关柜正常运行的数据,300组数据为低压开关柜运行故障数据,其马氏距离计算结果统计图像如图8所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 样本马氏距离统计图

由图8可知,左侧虚线数据是正常运行样本的马氏距离统计图像,其马氏距离主要分布在1左右,其中最小值为0.05,最大值为7.35;右侧实线数据是故障样本的马氏距离统计图像,可以看出故障样本和正常运行样本的马氏距离有很大区别,故障样本中的马氏距离最小值为21.24。因此马氏距离阈值的选取应该在7.35~21.24。

在低压开关柜故障检测中,由于故障检测的正确率与马氏距离阈值有关,因此需要监测不同的马氏距离在故障检测中的正确率,如图9所示为马氏距离和故障检测正确率折线图像,其中虚线为训练样本的折线图,实线为测试样本的折线图。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 诊断正确率统计图

如图9所示,通过观察测试样本正确率数据统计图可知,随着马氏距离阈值从零不断增加,其故障检测的准确率不断增加,但是当马氏距离阈值增加到一定值时,其准确率会不断减小,所以马氏距离的阈值需要选取合适的值。由统计数据可知,当马氏距离阈值选取在7~9时,能够更好地检测低压开关柜故障问题,其正确率在98%以上。

为研究本文设计马氏距离故障检测方法在不同种类的低压开关柜的适应性,本文另选取五种不同品牌的电压开关柜的使用数据进行验证,每种品牌统计200组数据,其中包含50组故障数据和150组正常数据,其检测正确率统计结果如图10所示。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 不同品牌检测正确率

如图10所示,这五种品牌的低压开关柜检测正确率都保持在97%以上,因此本文设计的马氏距离检测方法拥有在多种品牌低压开关柜检测的普适性。

5 结论

随着我国电力行业的快速发展,电力事务管理逐渐自动化、智能化,需要更高效率的事务管理系统来对事务进行管理。对于低压开关柜的在线监测和故障诊断很有必要,可以很大程度上减小人力成本、故障监测和维修效率。本文通过设计一个低压开关柜的在线监测及故障诊断系统来对低压开关柜的运行情况进行监测,通过云样本熵的方法获取数据特征值,使用马氏距离对特征值数据进行计算分析,通过计算马氏距离的方法分析其是否处于故障阶段。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

肖先勇, 崔灿, 汪洋, 等.

电压暂降分类特征可比性、相关性及马氏距离分类法

[J]. 中国电机工程学报, 2015(6):1299-1305.