Kapcsolat csapoly erosódása magfeszültségű sf6 áramköri törésben

Magas feszültségű SF6 átmenetek szivattyúinak ellenőrzése és karbantartása

1. Háttér és hagyományos ellenőrzési módszerek

A magas feszültségű SF6 átmenetek széles körben használódnak az elektromos rendszerekben, hogy védjék a köröket rövidzárlatoktól és túlterheléstől. A megbízhatóságuk és biztonságuk érdekében a gyártók általában időnkénti felbontást és vizuális ellenőrzést követelnek a fő kapcsolókról, ívkapcsolókról és gázszivattyúkról. Ezek az ellenőrzések célja, hogy megítéljék ezeknek a komponenseknek a szenvedélyét, és eldöntsék, szükséges-e cseréjük.

Történetileg ezek az ellenőrzések több kritériumon alapulnak:

• Időintervallum: Például, ajánlott 12 év után ellenőrizni a kapcsolókat egyegy nyomású SF6 halott-tároló átmeneten.

• Elektromos műveletek: Például, 2000 elektromos művelet után ajánlott ellenőrzés.

• Hibás műveletek: Például, 10 nominális rövidzárlat után ajánlott ellenőrzés.

• Kombinált kritériumok: Néha a fenti tényezők kombinációját használják egy teljesebb értékeléshez.

Azonban az idő múlásával ezek az időalapú és műveletszám-alapú ellenőrzési módszerek néhány korlátozást is felmutattak. Bár ezek az ellenőrzések segítenek a berendezések biztonságának garantálásában, nem mindig pontosan tükrözik a kapcsolók és szivattyúk valódi szenvedélyét. Továbbá ezek az ellenőrzések drágák lehetnek, inkonzisztensek, és potenciális kockázatokat jelenthetnek a helyszíni belső ellenőrzések során, ami esetleges károsodáshoz vezethet.

2. Az ív hatása az átmeneti paraméterekre

Az ív egy összetett hő- és elektromos folyamat, amely jelentősen befolyásolja az átmeneti teljesítményt. A rövidzárlatok megszakítása közben az ív hatással van az átmeneti paraméterekre a szivattyú erosziója révén. A szivattyú erosziója a szivattyúszerkezet anyagának megszívódását jelenti az ív magas hőmérséklete miatt. Ez a folyamat kétféleképpen hat az átmeneti leállítási képességre:

• Növekvő kamra nyomás: Ahogy a szivattyú erosziódik, a szivattyúszerkezet keretszélessége növekszik, ami a kamra belső nyomásának növekedését eredményezi. Ez a növekvő nyomás segít a tűz kioltásának gyorsításában újragyújtás elkerülése érdekében.

• Növekvő szivattyúszerkezet keretszélessége: A szivattyúszerkezet keretszélességének növekedése engedélyezi, hogy több gáz áramoljon az ív területébe, eltávolítva további hőt, és csökkentve az ív hőmérsékletét. Ugyanakkor ez szórást okoz az ívenergiának, ami potenciálisan gyengítheti az átmeneti önkioltó képességét.

Tehát a szivattyú erosziója mind pozitív, mind negatív hatással van az önkioltó átmeneti leállítási képességre. Amikor az átmenet rövidzáratot állít le, a szivattyú erosziója részben elveszti az ív oszlop energiáját, növeli a gáz mennyiségét a szivattyú térben, és növeli a gáz sűrűségét az ívkapcsolók körül, ezzel csökkentve a tűz újragyújtásának valószínűségét.

3. A szivattyú eroszió intenzitásának becslése és jelentősége

Mivel a szivattyú eroszió jelentős hatással van az átmeneti teljesítményre, a szivattyú eroszió intenzitásának (azaz a szivattyúszerkezet átmérőjének növekedésének) becslése és a megszívódott tömeg kiszámítása egy nagyon fontos feladat. A szivattyú eroszió pontos becslése segít a karbantartási személyzetnek jobban megérteni az átmenet állapotát, és informált döntéseket hozni a jövőbeli karbantartásról.

A szivattyú eroszió intenzitását a következő módszerekkel lehet becsülni:

• Vizuális ellenőrzés: Az átmenet felbontásával és a szivattyú szenvedélyének közvetlen megfigyelésével. Bár ez a módszer egyszerű, drága és olyan kockázatokkal jár, mint amiket korábban említettünk.

• Nem invazív detektálási technikák: A legújabb nem invazív detektálási technológiák, például a hőképfényképezés és az ultrahangvizsgálat, egyre gyakrabban használódnak az átmeneti karbantartásban. Ezek a technikák lehetővé teszik a szivattyú eroszió és más potenciális problémák értékelését anélkül, hogy a berendezést fel kellene bontani.

• Adatelemzés és előrejelző modellek: Az átmeneti történeti működési adatainak elemzése és az ívfizika modellekkel való kombinálása előrejelző modelleket adhat, amelyek becsülhetik a szivattyú eroszió intenzitását. Ez a megközelítés csökkenti a felesleges felbontási ellenőrzéseket, és javítja a karbantartási hatékonyságot.

4. Jövőbeli fejlesztési irányok

A magas feszültségű SF6 átmenetek karbantartási hatékonyságának és megbízhatóságának növelése érdekében a jövőbeli karbantartási stratégiák többet fognak támaszkodni a feltételmonitoringre és intelligens diagnosztikai technológiákra. Az átmenet működési paramétereinek (pl. áramerősség, feszültség, hőmérséklet) valós idejű monitorozása, összevetve haladólagos adatelemzési algoritmusokkal, pontosabb előrejelzést tud adni a szivattyú eroszióról és a kulcsfontosságú komponensek teljes állapotáról. Ez a megközelítés csökkentheti a felesleges ellenőrzéseket és javításokat, meghosszabbíthatja a berendezések élettartamát, és csökkentheti a karbantartási költségeket.

Továbbá, a anyagtudományi fejlesztések fókuszba fogják venni a hőt és erosziót kevésbé szenvedő szivattyúszerkezet anyagok kifejlesztését. Az új anyagok alkalmazása tovább javíthatja az átmeneti megbízhatóságot és leállítási képességét, enyhítve a szivattyú eroszió negatív hatásait.

A magas feszültségű átmenetek szivattyú erosziójának mérési módszere

1.Szivattyú eroszió mérése alapelvei

1.1 Nyomássignál és szivattyú eroszió közötti összefüggés

Kutatások kimutatták, hogy a szivattyú eroszió, ami a szivattyúszerkezet átmérőjének növekedését eredményezi, megváltoztatja a gázáramlás jellemzőit az átmenetben. Ez a változás hatással van a nyomás eloszlásra, ami a nyomássensorok által rögzíthető nyomássignál változásához vezet. Konkrétan, a szivattyú eroszió két fő hatást eredményez:

• Nyomáswaveform változásai: A szivattyúszerkezet átmérőjének növekedése módosítja a gázáramlás ellenállását, ami a nyomáswaveform alakjának megváltozását eredményezi.

• Spektrális jellemzők változásai: A szivattyú eroszió hatással van a nyomássignál spektrális jellemzőire, különösen a magas frekvenciaterületen.

Ezeknek a nyomássignál jellemzőinek elemzése révén lehet közvetetten következtetni a szivattyú eroszió mértékéről.

1.2 Nyomássensorok telepítése és mérése

A pontos nyomássignál megszerzéséhez a nyomássensorokat különböző pontokon lehet telepíteni, attól függően, hogy az átmenet szerkezete és a mérési igények milyenek:

• Egyoldalú mérés: Minden oldal alján található egy ventill, amelyet fel lehet használni a nyomássensorok összekötésére. Ez a beállítás lehetővé teszi, hogy a nyomásvállalatokat egy oldalon mérjék, elkerülve a többszörös oldalú jel superpozícióját.

• Háromoldalú mérés: A szabványos működés során a három oldal réz csöveken keresztül van összekötve, ahol a fő töltőventill a szakasz alján található, összekötve a három oldalt. Ha a fő töltőventillt használják a nyomássensorok összekötésére, a mérési jel a három egyéni nyomássignál superpozíciója lesz.

A pontos mérések érdekében magas érzékenységű piezoelektromos nyomássensorokat használnak, amelyek alkalmas töltési erősítőkkel felszereltek. A nyomásadatokat a kapcsolási művelet kezdete óta rögzítik, amíg a hatodik rezgéssel véget ér. A nyers nyomássignált szűrés nélküli vagy szűrt formában is feldolgozhatják, attól függően, hogy az elemzési igények milyenek.

• Szűrés nélküli jel: A gyors Fourier-transzformációt (FFT) közvetlenül a szűrés nélküli jelre alkalmazzák, hogy elemzését a frekvencia tartományban végezze.

• Szűrt jel: Egy 100 Hz-os alsóhalteres szűrőt használnak, hogy eltávolítsák a magasfrekvenciás zajt, csak az alacsonyfrekvenciás komponenseket hagyva meg.

A 1. és 2. ábrák a nyomásvállalatok és spektrumokat ábrázolják, szemléletesen mutatva a nyomássignál jellemzőit.

2. Gépi tanulási algoritmus a szivattyú állapotának osztályozására

A diagnosztika pontosságának javítása érdekében ebben a tanulmányban a k-Nearest Neighbors (k-NN) alapú gépi tanulási algoritmust használják. A folyamat a következő lépésekből áll:

• Jellemzők kivonása: A nyomássignálok fő jellemzői, például a csúcs- és mélyértékek, frekvencia komponensek stb., kivonhatók. Ezek a jellemzők a gépi tanulási algoritmus bemeneti paraméterei lesznek.

• Modell betanítása: A k-NN modellt ismert adatokkal, a szivattyúk és elektrodák állapotával betanítják. A betanítás során az algoritmus a jellemzők távolsága alapján határozza meg a legközelebbi szomszédokat, hogy osztályozást végezzen.

• Új adatok osztályozása: Ismeretlen, új mérések esetén a betanított modellt használják a szivattyúk és elektrodák állapotának osztályozására.

Ez a megközelítés lehetővé teszi a szivattyú eroszió és más kritikus komponens állapotának értékelését anélkül, hogy a gáztárolót fel kellene bontani, pontos karbantartási ajánlásokat ad, és meghosszabbítja az átmenet élettartamát.

Nyomássensorral ellátott csatlakozási pont a szivattyú eroszió méréséhez (kép forrása: 1. forrás)

Feltöltőventilltől származó nyers mérési adatok eredeti állapotban (kék), szűrt jel (piros) (kép forrása: 1. forrás)

Magas feszültségű átmenet nyomásmódszerének frekvenciaspektruma (kép forrása: 1. forrás)

A magas feszültségű átmenetek szivattyú erosziójának átmeneti nyomásmódszerének következtetése

1. Jellemzők kivonása szűrt és szűrés nélküli nyomássignálokból

Számos jellemző kivonható a szűrt és szűrés nélküli nyomássignálokból. Ezek a jellemzők kapták a különböző mérési signálok egyedi jellemzőit, és létfontosságúak a szivattyúk állapotának azonosításához. Mivel ezek a jellemzők széles körben szóroznak, nem praktikus közvetlenül párosítani a különböző eroszió állapotokat egyedi jellemzőkhöz. Ehhez a kihíváshoz a k-Nearest Neighbors (k-NN) algoritmust használják a kiértékeléshez.

A k-NN algoritmus minden méréshez egy n-dimenziós vektort generál, ahol n a jellemzők számát jelöli. Két vektor közötti távolságot euklideszi távolság alapján számítják, variancia súlyozással, hogy figyelembe vegyék az adatok variabilitását. Ez a megközelítés biztosítja, hogy az algoritmus hatékonyan megkülönböztethesse a különböző eroszió állapotokat a több jellemző kombinált információin alapulva.

2. Az átmeneti nyomásmódszer előnyei és kihívásai

Az átmeneti nyomásmódszer előnye, hogy könnyen implementálható a meglévő feltöltőventillel, amelyekkel a nyomássensorokat összeköthetik. Azonban a legfőbb kihívás, hogy az állapotindikátorok (jellemzők) széles körben szóroznak, ami nehézséget okoz a szivattyú állapotának pontos diagnosztizálásában. Ez a korlátozás megszüntetésére a jellemző skálákat érzékenységi elemzéssel optimalizálták. Bár egyetlen jellemző nem ad elegendő információt minden esetre, a hét jellemző kombinációja a k-NN osztályozási algoritmussal jelentősen javítja a diagnosztikai pontosságot.

3. Osztályozási algoritmusok kiértékelése

Számos osztályozási algoritmust teszteltek, és az eredmények azt mutatták, hogy a k-NN algoritmus, a standard euklideszi távolság használatával, a legkisebb hibaráta alatta 0,9% volt a kereszteződő validáció során. Ez a jellemzők és a k-NN algoritmus kombinációja majd alkalmazva lett a különböző típusú átmenetek mezői mérései osztályozására. A figyelembe vett átmeneti mérések esetében ez a megközelítés képes volt a klasszifikációt hibák nélkül végrehajtani.