Yhteydenottosuuttimen kuluminen korkean jännitteen sf6-puristussululla

Korkean jännitteen SF6-sulkuisten suuttimien tarkastus ja huolto

1. Tausta ja perinteiset tarkastusmenetelmät

Korkean jännitteen SF6-sulkujen käyttö on laajasti levinnyt sähköverkoissa suojaamaan piirityksiä lyhytkiertosulun ja ylikuormituksen vaikutuksilta. Niiden luotettavuuden ja turvallisuuden varmistamiseksi valmistajat suosittelevat säännöllistä purkamista ja näkyvän tarkastuksen pääyhteyksien, kaarileikkeiden ja kaasusuuttimien käsittelyssä. Nämä tarkastukset pyrkivät arvioimaan näiden komponenttien kuluvuustilaan ja päättelemään, onko korvaus tarpeen.

Historiallisesti nämä tarkastukset perustuvat useisiin kriteereihin:

• Ajanjakso: Esimerkiksi yksipaineiselle SF6-sulkulle suositellaan yhteyksien tarkastamista 12 vuoden käytön jälkeen.

• Sähköiset operaatiot: Esimerkiksi tarkastus suositellaan 2000 sähköisen toiminnon jälkeen.

• Pielet: Esimerkiksi tarkastus suositellaan 10 mittasuuren lyhytkierroksen katkaisun jälkeen.

• Yhdistetty kriteeri: Usein käytetään yhdistettyä kriteeriä, joka sisältää edellä mainitut tekijät kattavampaan arviointiin.

Ajan myötä nämä aika- ja toimintamääräperusteiset tarkastusmenetelmät ovat paljastaneet joitakin rajoitteita. Vaikka nämä tarkastukset auttavat varmistamaan laitteen turvallisuuden, ne eivät aina täsmällisesti heijastele yhteyksien ja suuttimien todellista kuluvuustilaa. Lisäksi nämä tarkastukset voivat olla kalliita, epäjohdonmukaisia ja aiheuttaa potentiaalisia riskejä paikan päällä tehdyn sisäisen tarkastuksen aikana, mikä voi johtaa laitteen vahingoittumiseen.

2. Kaarion vaikutus sulkuisten parametreihin

Kaario on monimutkainen lämpö- ja sähköprosessi, joka vaikuttaa merkittävästi sulkujen toimintaan. Lyhytkierrosvirran keskeyttäminen aikana kaarion muodostuminen vaikuttaa sulkun parametreihin suuttimen eritysprosessin kautta. Suuttimen eritys tarkoittaa suuttimen materiaalin kuluvuutta kaarion korkean lämpötilan seurauksena. Tämä prosessi vaikuttaa sulkun keskeyttämisominaisuuteen kahdella tavalla:

• Kammion paineen kasvu: Kun suutin erityy, suuttimen kurkun poikkileikka-ala kasvaa, mikä johtaa korkeampaan paineeseen sulkukammiossa. Tämä korkeampi paine auttaa nopeuttamaan kaarion katoamista estämällä uudelleensytymisen.

• Suuttimen kurkun poikkileikka-ala kasvaa: Suuttimen kurkun laajentuminen mahdollistaa enemmän kaasun virtauksen kaarion alueelle, mikä kuljettaa pois enemmän lämpöä ja vähentää kaarion lämpötilaa. Tämä hajottaa kuitenkin kaarion energian, mikä voi heikentää sulkun itsepurkua ominaisuutta.

Näin ollen suuttimen eritysprosessilla on sekä positiivisia että negatiivisia vaikutuksia itsenäisen purkun sulkun keskeyttämisominaisuuteen. Kun sulkun keskeyttää lyhytkierrosvirran, suuttimen eritys poistaa osan kaarion energiaa, lisää kaasun massaa suuttimen tilassa ja nostaa kaasun tiheyttä kaarion yhteyksien ympärillä, mikä vähentää uudelleensytymisen mahdollisuutta.

3. Arvio suuttimen eritysvaiheesta ja sen tärkeys

Ottaen huomioon suuttimen erityksen merkittävän vaikutuksen sulkun toimintaan, eritysvaiheen (eli suuttimen kurkun halkaisijan kasvu) arviointi ja erityksen massa laskeminen on tärkeä tehtävä. Tarkka arvio suuttimen erityksestä auttaa huollon henkilöstöä paremmin ymmärtämään sulkun kunnon ja tekemään tietoon perustuvia päätöksiä tulevasta huollosta.

Eritysvaihetta voidaan arvioida seuraavilla menetelmillä:

• Näkyvä tarkastus: Sulkun purkamalla ja suoran havainnoinnin avulla suuttimen kuluvuudesta. Vaikka tämä menetelmä on suora, se on kallista ja sisältää inherenttejä riskejä, kuten aiemmin mainittiin.

• Ei-invaasiviset havaintomenetelmät: Edistyneitä ei-invaasivisia havaintotekniikoita, kuten infrapunaspektrogrammetria ja ultraviolettihavainto, käytetään yhä enemmän sulkujen huollossa. Nämä teknologiat mahdollistavat suuttimen erityksen ja muiden potentiaalisten ongelmien arvioinnin ilman laitteen purkamista.

• Data-analyysi ja ennustava mallintaminen: Historiallisten toimintatietojen analysoimalla sulkusta ja yhdistämällä ne kaarifysiikan malleihin, ennustavat mallit voivat arvioida suuttimen eritysvaihetta. Tämä lähestymistapa vähentää tarpeettomia purkamistarkastuksia ja parantaa huollon tehokkuutta.

4. Tulevaisuuden kehityssuunnat

Korkean jännitteen SF6-sulkujen huollon tehokkuuden ja luotettavuuden parantamiseksi tulevat huollon strategiat saattavat perustua enemmän tilanteen seurantaan ja älykkäisiin diagnostiikkatekniikoihin. Reaaliaikainen seuranta sulkun toimintaparametreja (esim. virta, jännite ja lämpötila), yhdistettynä edistyneisiin data-analyysialgoritmeihin, voi antaa tarkan ennustuksen suuttimen erityksestä ja avainkomponenttien kokonaisterveydestä. Tämä lähestymistapa voi vähentää tarpeettomia tarkastuksia ja korjauksia, pidentää laitteen käyttöikää ja alentaa huollon kustannuksia.

Lisäksi materiaalitieteen edistys asettaa painopisteen enemmän lämpökestävien ja erityksen vastustavien suuttimateriaalien kehittämiseen. Uusien materiaalien käyttö voi entisestään parantaa sulkun luotettavuutta ja keskeyttämisominaisuuksia, lievittäen suuttimen erityksen negatiivisia vaikutuksia.

Mittaustapa suuttimen eritykselle korkean jännitteen sulkujen käsittelyssä

1.Suuttimen erityksen mittaamisen periaatteet

1.1 Painesignaalien ja suuttimen erityksen välinen suhde

Tutkimukset ovat osoittaneet, että suuttimen eritys, joka kasvattaa suuttimen kurkun halkaisijaa, muuttaa kaasun virtausominaisuuksia sulkussa. Tämä muutos vaikuttaa painejakaumaan, mikä johtaa painesignaalien vaihteluun, jotka voidaan havaita painepiireillä. Erityisesti suuttimen eritys johtaa kahden pääasiallisen vaikutuksen:

• Painevuosimuodon muutokset: Suuttimen halkaisijan kasvu muuttaa kaasun virtausvastusta, mikä muuttaa painevuosimuodon muotoa.

• Spektrin ominaisuudet: Suuttimen eritys vaikuttaa myös painesignaalien spektrin ominaisuuksiin, erityisesti korkean taajuuden alueessa.

Näiden painesignaalien ominaisuuksien analysoimalla on mahdollista välillisesti päätellä suuttimen erityksen laajuuden.

1.2 Painepiirien asennus ja mittaaminen

Tarkkojen painesignaalien saamiseksi painepiirit voidaan asentaa eri pisteisiin riippuen sulkun rakenteesta ja mittausrakenteista:

• Yksipisteen mittaaminen: Jokaisella polulla on valssi sen pohjalla, jota voidaan käyttää painepiireiden yhdistämiseen. Tämä asetus mahdollistaa yhden polun painevuosien mittaamisen, välttäen monipolun signaalien yhteisvaikutusta.

• Kolmipisteen mittaaminen: Normaali toiminnassa kolme polua yhdistetään kuparin putkien avulla, ja pääomaistin on sulkun pohjassa, yhdistämässä kaikki kolme polua. Jos pääomaistinta käytetään painepiirien yhdistämiseen, mitattu signaali on kolmen yksittäisen painesignaalin yhteisvaikutus.

Tarkkojen mittausten varmistamiseksi käytetään korkean herkyyden piezoelektrisiä painepiireitä, jotka on varustettu sopivilla ladunkerroinlaajennuksilla. Painodata tallennetaan kytkemisen alusta kuudennen värähtelyn loppuun. Raaka painosignaali voidaan käsitellä suodattamatta tai suodatettuna riippuen analyysitarpeista.

• Epäsuodatettu signaali: Nopea Fourier-muunnos (FFT) sovelletaan suoraan epäsuodatettuun signaaliin analysoimaan sen taajuusalueen ominaisuuksia.

• Suodatettu signaali: 100 Hz:n alipäästösuodatus poistaa korkean taajuuden häiriöt, säilyttäen vain matalan taajuuden komponentit.

Kuvat 1 ja 2 esittävät painehistoriaa ja spektriä, tarjoten visuaalisen kuvan painesignaalien ominaisuuksista.

2. Suuttimen tilan luokittelu koneoppimismenetelmällä

Diagnoosin tarkkuuden parantamiseksi tässä tutkimuksessa käytetään koneoppimismenetelmää, joka perustuu k-Nearest Neighbors (k-NN) -menetelmään. Prosessi sisältää seuraavat vaiheet:

• Ominaispiirien poiminta: Avainominaispiirteitä poimitaan painesignaleista, kuten huippu- ja nollassarvoja, taajuuskomponentteja jne. Nämä ominaispiirteet toimivat syöttöparametreinä koneoppimismenetelmälle.

• Mallin opettaminen: k-NN-malli opetetaan tunnettujen tietojen avulla suuttimen ja elektroden tilasta. Opiskelun aikana algoritmi määrittää lähimmät naapurit ominaispiirten etäisyyden perusteella luokittelemaan tiedot.

• Uuden datan luokittelu: Uusille, tuntemattomille mittaustuloksille opetettu malli käytetään luokittelemaan suuttimen ja elektroden tila.

Tämä lähestymistapa mahdollistaa suuttimen erityksen ja muiden kriittisten komponenttien tilan arvioinnin ilman kaasukammion avaamista, tarjoten tarkkoja huoltosuosituksia ja pidentäen sulkun käyttöikää.

Yhteyspiste painepiireille suuttimen erityksen mittaamiseksi (kuva lähteestä 1)

Perusvalmistimen mittausdatan raakadata (sininen), suodatettu signaali (punainen) (kuva lähteestä 1)

Raw data of measurement at the main filling valve in original condition (blue), filtered signal (red)(photo from the source no 1)

Korkean jännitteen sulkujen suuttimen erityksen tilapainemenetelmän yhteenveto

1. Ominaispiirien poiminta suodatetuista ja epäsuodatetuista painesignaleista

Useita ominaispiirteitä voidaan poimia sekä suodatetuista että epäsuodatetuista painesignaleista. Nämä ominaispiirteet kuvastavat eri mittausten unikaaleja ominaisuuksia ja ovat olennaisia suuttimen tilan tunnistamiseksi. Koska nämä ominaispiirteet ovat laajalti levitettyjä, ei ole käytännöllistä suoraan yhdistää eri eritysvaiheita yksittäisiin ominaispiirteisiin. Tämän haasteen ratkaisemiseksi käytetään k-Nearest Neighbors (k-NN) -algoritmia arviointiin.

k-NN-algoritmi luo n-ulotteisen vektorin jokaiselle mittaukselle, missä n edustaa ominaispiirteiden määrää. Kaksi vektorin välistä etäisyyttä lasketaan euklidisella etäisyydellä, johon lisätään varianssipainotus tietojen vaihtelun huomioon ottamiseksi. Tämä lähestymistapa varmistaa, että algoritmi voi tehokkaasti erottaa eri eritysvaiheet useiden ominaispiirteiden yhdistetyn tiedon perusteella.

2. Tilapainemenetelmän etuja ja haasteita

Tilapainemenetelmällä on etuja, sillä sitä voidaan helposti toteuttaa käyttämällä olemassa olevia täyttöventtiileitä yhdistämään painepiirit. Yksi päähaaste on kuitenkin tilanteen indikaattoreiden (ominaispiirteiden) huono levittyminen, mikä tekee suuttimen tilan tarkastuksesta vaikeaksi. Tämän rajoitteen ylittämiseksi ominaispiirteiden skaalat optimoitiin herkkyysanalyysin avulla. Vaikka yksittäinen ominaispiirre ei ehkä tarjoa riittävää tietoa kaikissa tapauksissa, kaikkien seitsemän ominaispiirteen yhdistäminen k-NN-luokittelualgoritmilla parantaa merkittävästi diagnostisen tarkkuuden.

3. Luokittelualgoritmien arviointi

Useita luokittelualgoritmeja testattiin, ja tulokset osoittivat, että k-NN-algoritmi, joka käyttää standardia euklidista etäisyyttä, saavutti pienimmän virherateen alle 0,9 % ristiinvalidaation aikana. Tämä ominaispiirteiden ja k-NN-algoritmin yhdistelmä sovellettiin sitten luokittelemaan kenttämittaustuloksia eri sulkutyypeille. Huomioituissa sulkumittaustuloksissa tämä lähestymistapa kykeni suorittamaan luokittelun virheittä.