Intelligente Diagnose en Analyse van Mechanische Storingen in Hoogspanningsafschakelaars

In moderne elektriciteitsnetwerken spelen hoogspanningsafsluiters een cruciale rol. Ze zorgen voor de veilige isolatie van elektrische apparatuur of leidingen tijdens onderhoud en voor betrouwbaarheid tijdens normale bedrijfsomstandigheden. Mechanische storingen in hoogspanningsafsluiters, zoals slechte contacten, stuurmechanismestoringen of vermoeidheid van structurele componenten, kunnen de stabiliteit en veiligheid van het gehele elektriciteitsnetwerk ernstig beïnvloeden.Traditionele foutdetectiemethoden vertrouwen op regelmatig onderhoud en handmatige inspecties.

Deze methoden zijn niet alleen tijdrovend en arbeidsintensief, maar missen ook vaak het optimale interventietijdstip in een vroeg stadium van een storing. Met de voortdurende vooruitgang van technologie zijn intelligente diagnostische technieken ontstaan, die een efficiëntere en nauwkeurigere oplossing bieden voor foutmonitoring en -diagnose.

Intelligente diagnostische methoden, zoals sensorgebaseerde gegevensverzameling, gegevensverwerking en -analyse, stroommotorsignaalanalyse en weerstandsvervormingsmeting, kunnen afwijkingen in de werking van hoogspanningsafsluiters in real-time identificeren, potentiële storingen voorspellen en bijdragen aan onderhoudsbeslissingen. Dit verhoogt aanzienlijk de betrouwbaarheid en operationele efficiëntie van het elektriciteitsnetwerk.

1 Algemene typen mechanische storingen in hoogspanningsafsluiters
1.1 Storingen door slecht contact

Slecht contact wordt voornamelijk veroorzaakt door oxidatie van de contactoppervlakken, onvoldoende contactdruk of een verminderd contactoppervlak. Dit type storing leidt meestal tot een toename van de weerstand, waardoor de geleidbaarheid van de hoogspanningsafsluiter wordt beïnvloed. Door slecht contact wordt meer warmte geproduceerd wanneer stroom door de contactpunten loopt. Dit versnelt niet alleen de slijtage van de contactpunten, maar veroorzaakt ook ernstiger thermische problemen, zoals lasstoringen of lokale oververhitting.

Slecht contact kan ook leiden tot spanningsonstabielheid, wat de kwaliteit van de spanning in het elektriciteitsnetwerk beïnvloedt. Aanhoudende problemen met slecht contact kunnen gemakkelijk leiden tot een afname van de isolatieprestaties van de hoogspanningsafsluiter, waardoor de operationele veiligheidsrisico's van het systeem toenemen. Daarom is het essentieel om problemen met slecht contact in hoogspanningsafsluiters snel te detecteren en adequaat aan te pakken om de stabiele en veilige werking van het elektriciteitsnetwerk te waarborgen.

1.2 Storingen in het stuurmechanisme

Storingen in het stuurmechanisme zijn een belangrijk probleem dat de prestaties van hoogspanningsafsluiters beïnvloedt. Dit type storing omvat mechanische slijtage, onvoldoende smering en componentveroudering. Mechanische slijtage verwijst meestal naar schade aan aandrijfcomponenten zoals lagers en tandwielen na langdurige herhaalde operaties. Onvoldoende smering verhoogt de wrijving, waardoor de slijtagesnelheid van mechanische delen toeneemt en de operationele efficiëntie van het stuurmechanisme afneemt.

Naarmate de serviceleeftijd toeneemt, verliezen verschillende componenten van het stuurmechanisme hun oorspronkelijke eigenschappen of vervormen door materialenveroudering, waardoor de betrouwbaarheid en veiligheid van de werking van de hele hoogspanningsafsluiter worden beïnvloed. Als deze storingen niet tijdig worden gedetecteerd en aangepakt, kan dit leiden tot foute werking van de hoogspanningsafsluiter en in ernstige gevallen zelfs de stabiele werking van het hele elektriciteitsnetwerk in gevaar brengen.

1.3 Vermoeidheid en beschadiging van structurele componenten

Vermoeidheid en beschadiging van structurele componenten komen meestal voor onder invloed van langdurige mechanische belasting en milieu factoren. Structurele componenten zoals pilaren, verbindingstangen en lagers ervaren geleidelijk materiaalvermoeidheid onder de werking van langdurige mechanische belasting, vooral tijdens frequente open- en sluitoperaties. Naarmate de tijd verstrijkt, accumuleren deze spanningen in het materiaal, wat leidt tot de vorming en uitbreiding van microbarsten, die uiteindelijk veranderen in significante mechanische schade.

Daarnaast kunnen milieufactoren zoals temperatuurschommelingen, vochtigheid en corrosieve omgevingen de vermoeidheidssnelheid van structurele componenten versnellen, wat hun mechanische eigenschappen en levensduur beïnvloedt. Vermoeidheid en beschadiging van structurele componenten beïnvloeden niet alleen de normale functie van hoogspanningsafsluiters, maar vormen ook een bedreiging voor de algemene stabiliteit van het elektriciteitsnetwerk.

2 Intelligente diagnostische methoden voor mechanische storingen in hoogspanningsafsluiters
2.1 Sensoren en gegevensverzameling

Sensoren spelen een cruciale rol in de mechanische foutdiagnose van hoogspanningsafsluiters. Ze zijn voornamelijk verantwoordelijk voor het vastleggen van belangrijke fysieke parameters tijdens de werking van de apparatuur, zoals trilling, geluid, temperatuur en stroom. Voor hoogspanningsafsluiters worden voornamelijk trillingsensoren, akoestische emissiesensoren en stroom- en spanningsensoren gebruikt.

Trillingsensoren worden gebruikt om de trillingfrequentie en -amplitude te detecteren die door apparatuurcomponenten tijdens de werking worden gegenereerd. Door trillingsgegevens te analyseren, is het mogelijk om apparatuurslijtage en bestaande storingen te voorspellen. In het algemeen moet de trillingfrequentie van een normaal werkende hoogspanningsafsluiter binnen de standaardbereik liggen (doorgaans is de drempel ingesteld op meer dan 10 keer de werkingssnelheid). Als deze de grens overschrijdt, kan dit wijzen op een anomalie. Een schematische weergave van een trillingsensor is getoond in figuur 1.

Akoestische emissiesensoren vangen geluid op op basis van hoge-frequente geluidsgolven die worden gegenereerd door materiële of structurele defecten. Tijdens de werking van een hoogspanningsafsluiter, als er scheuren of losse verbindingen zijn, kunnen akoestische emissiesensoren de geluidsfluctuaties die door deze kleine deformaties of ruptures worden veroorzaakt, snel vastleggen. Het principe van een akoestische emissiesensor is getoond in figuur 2.

Stroom- en spanningsensoren monitoren voornamelijk de veranderingen in de stroom- en spanningniveaus die door de hoogspanningsafsluiter passeren. Abnormale stroom- of spanningwaarden van deze sensoren duiden meestal op problemen met elektrische verbindingen of functionaliteit.

1 - Bolgaten; 2 - Fundering; 3 - Pizo-elektrische kristallen; 4 - Elektronische versterker; 5 - Terminalconnector

Wat gegevensverzameling betreft, is de hoofdtaak om de door sensoren verzamelde gegevens om te zetten in bruikbare informatie. Een gegevensverzamelingsysteem bestaat doorgaans uit de volgende drie aspecten:

• Gegevensverzameleenheden (GVE). De GVE zijn voornamelijk verantwoordelijk voor het ontvangen van analoge signalen van diverse sensoren en het omzetten van deze analoge signalen in digitale signalen. De GVE zorgt ervoor dat gegevens met een geschikte frequentie (doorgaans met een responstijd in milliseconden) en met een bepaalde precisie (doorgaans 16 bits of hoger) worden verzameld, om aan latere verwerkingsvereisten te voldoen.

• Gegevensoverdracht. De verzamelde gegevens worden via een stabiel communicatienetwerk overgebracht naar een centrale verwerkingsserver. Deze stap verloopt vaak via draadloze communicatietechnologieën zoals Wi-Fi of 4G/5G-netwerken, wat de snelheid en efficiëntie van de gegevensoverdracht verder kan verhogen en de complexiteit en kosten van bedrading kan verlagen.

• Gegevensopslag en -beheer. Na succesvolle gegevensoverdracht moet effectieve gegevensopslag en -beheer worden uitgevoerd op een server of in de cloud om een meer complete database op te zetten. Gegevensopslag moet snelle toegang en grootschalige gegevensanalyse ondersteunen, dus er zijn high-performance databases vereist om gegevensquery’s en -opvragen te verwezenlijken. Een schematische weergave van databaseoprichting is getoond in figuur 3.

Door middel van sensoren en gegevensverzameling kan de werkingstoestand en prestatie-indicatoren van apparatuur in real-time worden gemonitord, waardoor potentiële defecten snel kunnen worden gedetecteerd, wat een noodzakelijke basis vormt voor intelligente diagnose van mechanische storingen, het voorkomen van storingen en het waarborgen van de stabiele werking van het elektriciteitsnetwerk.

2.2 Gegevensverwerking en -analyse
2.2.1 Tijd-frequentieanalyse

Tijd-frequentieanalyse is een efficiënte gegevensverwerkingsmethode die signalen kan transformeren van de tijd-domein naar het frequentiedomein, waardoor de interne kenmerken en veranderingspatronen van signalen worden onthuld. Vaak gebruikte tijd-frequentieanalysemethoden zijn Short-Time Fourier Transform (STFT), wavelettransformatie en Wigner-Ville-verdeling.

STFT voert een lokale Fouriertransformatie uit op het signaal via een venster van vaste grootte, waardoor het geschikt is voor het analyseren van signalen waarvan de frequenties langzaam in de loop van de tijd veranderen. Bijvoorbeeld, bij het monitoren van het stuurmechanisme kan STFT effectief frequentiedrifts veroorzaakt door wrijving of structurele losheid identificeren.

De wavelettransformatie kan vensters van variabele grootte bieden, waardoor het geschikt is voor het verwerken van signalen met momentane mutatiekenmerken. Door de moedersymbolfunctie aan te passen, kan een precieze identificatie van abnormale trillingen binnen een specifiek frequentieband worden bereikt.

Als een geavanceerd tijd-frequentieanalyseinstrument genereert de Wigner-Ville-verdeling, ondanks kruisterferentie, een meer verfijnde analyse van de tijd en frequentie van het signaal, waardoor het bijzonder geschikt is voor foutdetectie in complexe signaalomgevingen.

In praktische toepassingen kan de combinatie van bovengenoemde tijd-frequentieanalysemethoden met de originele gegevens die door sensoren zijn gemeten, de werkingstoestand van hoogspanningsafsluiters nauwkeurig monitoren en diagnosticeren. Onder normale werkingstoestanden kan het frequentiebereik van hoogspanningsafsluiters meestal worden gehandhaafd tussen 50-100 Hz; terwijl in het geval van slecht contact, vermoeidheid van structurele componenten en schade storingen, de frequentie van hoogspanningsafsluiters significant zal verschuiven of nieuwe frequentiecomponenten zullen verschijnen.

2.2.2 Machine Learning en patroonherkenning

Ten eerste, na gegevensverzameling, wordt via een voorbewerkingsfase zoals ruiseliminatie en kenmerkextractie, invoergegevens voorbereid voor machine-learning algoritmen. De gegevens omvatten frequentiecomponenten van trillingsignalen, golfvormkenmerken van elektrische parameters, enz.

Ten tweede, gesuperviseerde leer-algoritmen zoals Support Vector Machines (SVM) en Random Forest kunnen worden gebruikt om de gegevens die door sensoren zijn verkregen, te classificeren. Deze algoritmen worden getraind om verschillende soorten foutpatronen te identificeren, zoals de unieke signaalmusten veroorzaakt door slecht contact of stuurmechanisme storingen. In praktische toepassingen worden duizenden datapunten in de algoritmen ingevoerd voor training om ervoor te zorgen dat ze fouttoestanden nauwkeurig kunnen identificeren.

Tot slot worden deep-learning technieken, vooral Convolutional Neural Networks (CNN), gebruikt voor complexe patroonherkenning. Deep-learning technieken kunnen nuttige informatie uit grote hoeveelheden multi-dimensionale gegevens extraheren door hun automatische kenmerkleerfuncties, waardoor de accuratesse van de diagnose wordt verbeterd. Bijvoorbeeld, in een specifiek CNN-model, worden meerdere convolutielagen en poolinglagen ontworpen om de verzamelde video-beeldgegevens te verwerken om typische foutkenmerken te identificeren.

2.3 Analyse van stroommotorsignalen

Real-time monitoring en analyse van de stroomsignalen die tijdens de werking van de stroommotor worden gegenereerd, kan potentiële mechanische storingen voorspellen en diagnosticeren. De analyse van stroommotorsignalen richt zich meestal op het detecteren van kleine veranderingen in het stroomsignaal om anomalieën of slijtage van mechanische componenten te bepalen.

Als er storingen zijn in de mechanische componenten van de hoogspanningsafsluiter, zoals lagerbeschadiging, tandwielverslijtage of onevenwichtigheid, zal dit indirect de belasting van de stroommotor beïnvloeden, waardoor specifieke patroonvariaties in het stroomsignaal optreden.

Wat gegevensanalyse betreft, wordt een stroomsensor gebruikt om de stroomgolfvorm te registreren onder normale werkingstoestanden rond de stroomkring van de motor. De bemonsteringsfrequentie wordt meestal ingesteld op boven 20 kHz om gedetailleerde informatie vast te leggen en hoge precisie gegevensanalyse te garanderen.

Wat kenmerkextractie betreft, wordt de Fouriertransformatie gebruikt om het tijd-domeinstroomsignaal om te zetten in een frequentiedomeinsignaal, wat helpt om harmonische anomalieën veroorzaakt door mechanische storingen te identificeren. Bijvoorbeeld, onder storingvrije omstandigheden bevat het stroomsignaal van de stroommotor voornamelijk de grondfrequentie en haar integer veelvouden. Als er een storing is, zoals lagerbeschadiging, zullen nieuwe pieken worden waargenomen op specifieke frequenties.

In latere gegevensverwerking kunnen statistische methoden worden gebruikt om de geëxtraheerde frequenties te analyseren. Bijvoorbeeld, bereken de amplitudewijzigingen van elk frequentiepunt, en train een foutidentificatiemodel met behulp van een machine-learning algoritme. De invoer van het algoritme zijn de frequentiekenmerken van het stroomsignaal, en de uitvoer is de voorspelling van het faltype en de ernst.

Door het stroomsignaal te analyseren, kan de afwijking van het stroomsignaal worden gequantificeerd. Bijvoorbeeld, in het beginstadium van lagerbeschadiging, kan de amplitude van de stroomharmonische 5-10 A toenemen, terwijl in het geval van tandwielverslijtage de amplitude van de relevante harmonische 3-8 A kan toenemen. Dit stelt het onderhoudsteam in staat om de status van de apparatuur nauwkeurig te bepalen en onderhoudsactiviteiten te plannen, waardoor grote stroomuitval door storingen wordt voorkomen.

2.4 Toepassing van weerstandsvervormingsmetingstechnologie

Weerstandsvervormingsmetingstechnologie kan worden gebruikt om de structuurspanningen en -deformaties van hoogspanningsafsluiters te monitoren. Deze technologie wordt gerealiseerd door weerstandsvervormingsgauges op belangrijke componenten te installeren.

Een weerstandsvervormingsgauge is een sensor die mechanische vervorming omzet in een elektrisch signaal. Het werksprincipe is gebaseerd op de eigenschap dat de weerstandswaarde van een metalen geleider verandert wanneer hij onder kracht wordt vervormd. Een schematische weergave van de structuur van een weerstandsvervormingsgauge is getoond in figuur 4.

Bij de selectie van weerstandsvervormingsgauges kunnen hoogprecisie metalen folieweerstandsvervormingsgauges worden gekozen. Deze gauges hebben goede lineaire kenmerken en stabiele temperatuurreactie, en worden meestal geïnstalleerd op de posities waar de hoogspanningsafsluiter het meest belast is en het meest vatbaar is voor vermoeidheid, zoals de contactarm en de draaischacht.

Nadat de selectie en installatie van de weerstandsvervormingsgauges is voltooid, moeten de gauges via draden worden aangesloten op het gegevensverzamelingsysteem. Het gegevensverzamelingsysteem is verantwoordelijk voor het vastleggen van de weerstandswijzigingen die van de weerstandsvervormingsgauges worden overgebracht en deze om te zetten in spanningssignalen voor lezing. Het gegevensverzamelingsysteem moet een hoge bemonsteringsfrequentie en hoge resolutie hebben om ervoor te zorgen dat het de snelle vervormingswijzigingen kan vastleggen die tijdens de werking van de hoogspanningsafsluiter worden gegenereerd. De gebruikte bemonsteringsfrequentie ligt meestal in het kilohertzbereik, en de resolutie bereikt het millivolt niveau.

Approprié software wordt gebruikt om de verzamelde spanningssignalen te verwerken. Eerst wordt gefilterd om mogelijke ruisinterferentie te verwijderen, en vervolgens worden wiskundige algoritmen zoals de Fast Fourier Transform (FFT) gebruikt om het signaalspectrum te analyseren en vervormingsgegevens te extraheren. De vervormingsgegevens kunnen worden omgezet om de werkelijke spanningstoestand van de corresponderende component te verkrijgen.

De gemeten vervormingsgegevens worden vergeleken met het vooraf opgestelde spanningmodel van de hoogspanningsafsluiter om de huidige gezondheidstoestand van de apparatuur te evalueren. Wanneer de bewaakte spanning de ontwerpdrempel overschrijdt, zal het gegevensverzamelingsysteem automatisch een waarschuwingssignaal genereren om de operatie- en onderhoudspersoneel te waarschuwen voor inspecties of onderhoud.

3 Conclusie

Dit artikel heeft diepgaand de algemene typen mechanische storingen van hoogspanningsafsluiters en hun intelligente diagnostische methoden verkend. Het gebruik van intelligente diagnostische methoden voor mechanische storingen in hoogspanningsafsluiters kan niet alleen de betrouwbaarheid van de apparatuurverbetering, maar ook aanzienlijk de onderhoudskosten verlagen en het onderhoudsbeslissingsproces optimaliseren.

Met de vooruitgang van wetenschap en technologie en de toenemende rijpheid van gegevensanalysetechnologie, moeten relevante personen meer onderzoeksinvestering doen om het intelligentediagnosepeil van mechanische storingen in hoogspanningsafsluiters te verbeteren, en sterke ondersteuning bieden voor de stabiele werking van het elektriciteitsnetwerk.