低压断路器瞬动校验电流的产生与逼近控制方法与流程

文档序号:14686259发布日期:2018-06-15 00:12

本发明的技术方案涉及低压断路器瞬动校验试验,具体地说是低压断路器瞬动校验电流的产生与逼近控制方法。



背景技术:

目前对于低压断路器瞬动校验电流的发生主电路一般采用大电流变压器原边抽头,保证原副边变比为1、8、12。当与抽头连接的接触器分别闭合时,大电流变压器副边电压近似保持1、8、12倍的关系,用以分别进行额定、8倍额定、12倍额定电流试验,避免了与大电流变压器相连的电动调压器大范围的变化,但由于大电流变压器原边采用的是一组线圈,进行8倍与12倍额定电流试验时变压器原边电流很大,需要原边线圈的线径很大,而为进行额定电流试验,原边总匝数值很大,从而增加了大电流变压器的体积,使得其生产成本增加。

瞬动校验电流具有幅值大、精度高、非周期分量小等特点。由于过载保护特性的要求,断路器即使流过8IN电流,IN为额定电流,当电流持续200ms以上时也要脱扣。因此,要准确做出判定,校验电流的持续时间应当严格控制在200ms。另外,脱扣器的脱扣是一个由电转换成热,从而导致形变的过程,和电流大小与持续时间有关系。这就要校验电流在规定的时间内应当快速达到要求的幅值,过度过程短。而常规的反馈控制和恒流技术都需要一个调整时间,因此在这里并不适用,所以一般瞬动校验电流控制为开环控制,在提高试验电流的精度上存在不足。

其试验过程为试品内阻在线检测,试验时首先采用反馈控制调整来产生额定电流,通过检测带载电压和空载电压,计算出断路器的内阻和试验电源的内阻。它们之间的关系为:

U10=rsIN+U1(1)

其中:U10为空载电压、rs是电源的等效内阻、U1是带载电压,即试品内阻与电流的乘积。

大电流变压器原边切换与电动调压相结合,产生校验电流对应的电压。可以推导出产生8IN所对应的空载电压U80:

U80=8rsIN+8U1=8U10(2)

通过接触器的切换,可以得到一个粗略的8IN对应的空载电压,然后采用反馈控制,配合电动调压保证U80的精度。通过选相合闸得到8IN。

然而,rs包含原边折算电阻,它不是一个恒定的数值,影响它的因素有:大电流变压器的变比匝数、电动自偶调压器的变比匝数,是一个很复杂的函数,无法精确表示。实际使用时的处理方法是,令U80=8k8U10。定义k8为8倍电流补偿系数,它近似等于1,根据实际情况人为设定。同样定义k12为12倍电流补偿系数。要保证瞬动调试电流的精度,补偿系数k8与k12是关键,由于电源、电动调压器和大电流变压器容量等因素,各个等级的瞬动电流要求的补偿系数k8和k12是不同的,因此系统产生的瞬动电流误差较大。



技术实现要素:

本发明所要解决的技术问题是:提供低压断路器瞬动校验电流的产生与逼近控制方法,大电流变压器原边为四个线圈L1、L2、L3、L4,四个线圈的匝数比为2:2:1:1,在试验过程中采取电动调压与线圈串并组合的方式减小大电流变压器原边线径,节约成本;瞬动校验试验是可以重复重新进行的,本次试验的电流误差可以作为下次试验的修正,组成一个广义闭环控制。控制采用基于在线训练的复合神经网络逐步逼近控制方法,对非周期分量和幅值误差实现逐步消除,提高瞬动校验电流的控制精度。

本发明解决该技术问题所采用的技术方案是:低压断路器瞬动校验电流的产生与逼近控制方法,具体步骤是:

第一步,调节瞬动校验电流发生主电路的电动调压器,并且大电流变压器原边四个线圈串联,在大电流变压器副边产生一个初始电压,对应产生初始电流,计算回路功率因数角,也即所需的合闸相角,并根据初始电流计算4IN对应的试验空载电压U′40;

第二步,调节电动调压器,并且大电流变压器原边四个线圈串联,将大电流变压器副边电压调整到U′40,闭合电路,闭环将电流调整到4IN,断开电路检测空载电压U40;

第三步,神经网络控制器根据要求的瞬动调试的期望电流I*、回路功率因数角、4倍额定电流对应的空载电压U40,计算出8倍或者12倍电压补偿系数k8或者k12,并按照公式(3)或(4)分别计算8倍或者12倍额定空载电压U80或U120;

U80=2k8U40(3)

U120=3k12U40(4)

第四步,若瞬动校验试验电流不合格,则通过∫K1ΔI、∫KψΔψ分别对空载电压U80或者U120和合闸相角进行修正,∫K1ΔI为电流幅值误差的累积项;∫KψΔψ为合闸相角误差的累积项;

第五步,大电流变压器原边线圈L1和L3串联、L2和L4串联后,再将两组串联后的线圈并联,得到8IN对应的试验空载电压U80,然后采用反馈控制,配合电动调压保证U80的精度;

或者大电流变压器原边两个线圈工作,线圈L1和L2并联,得到12IN对应的试验空载电压,然后采用反馈控制,配合电动调压保证空载电压U120的精度;

第六步,在电压相位为回路功率因数角时控制可控硅接通回路,选相合闸,进行瞬动校验试验;

第七步,瞬动试验测试后,进行校验电流的误差分析,将校验电流的误差分解为由于选相不准带来的非周期分量Δψ,即为暂态误差,和试验电压不精确带来电流幅值误差ΔI,通过对电流响应波形分段积分,可以分解计算电流幅值误差和暂态误差,同时分别规定电流幅值误差和暂态误差的容限,对产生的电流进行是否合格的评价;

第八步,通过在线网络训练机构进行在线训练,训练和样本调整规则定为(∫KIΔI)2+(∫KψΔψ)2超过某一数值后进行,对非周期分量和电流幅值误差实现逐步消除。

本发明的有益效果是:瞬动校验电流发生主电路大电流变压器的原边为四个线圈,进行4倍额定电流试验四个线圈串联;进行8倍额定电流试验L1和L3串联、L2和L4串联后,再将两组串联后的线圈并联;进行12倍额定电流试验,线圈L1与L2并联,经过上述变化增加了大电流变压器原边线圈的利用率,同时减小了原边线圈的线径,大大缩小大电流变压器的体积,节约了生产成本;根据瞬动校验试验可重复的特点,提出了校验电流广义闭环控制的思想,即将上次的误差作为本次试验的校正调节量,可提高瞬动校验电流的控制精度。

与现有技术相比,本发明低压断路器瞬动校验电流的产生与逼近控制方法的显著的进步是:

(1)将校验电流的误差分解为由于选相不准带来的非周期分量和试验电压不精确带来电流幅值误差,通过对电流响应波形分段积分,可以分解电流幅值误差和暂态误差,提出这两个误差的综合容限,评价校验电流是否合格。

(2)设计实现了广义闭环的校验电流神经网络控制方法,采用逐步逼近的控制方法,解决了校验电流很难保证快速达到要求幅值的问题。

(3)神经网络控制器可以在线训练,当模型输出误差超过容限时,根据新的数据样本在线重新训练。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为低压断路器瞬动校验电流发生主电路图。

图2为低压断路器瞬动校验电流的产生与逼近控制方法工作流程图。

具体实施方式

本发明低压断路器瞬动校验电流的产生与逼近控制方法,具体步骤是:

第一步,调节瞬动校验电流发生主电路的电动调压器,并且大电流变压器原边四个线圈串联,在大电流变压器副边产生一个初始电压,对应产生初始电流,计算回路功率因数角,也即所需的合闸相角,并根据初始电流计算4IN对应的试验空载电压U′40;

第二步,调节电动调压器,并且大电流变压器原边四个线圈串联,将大电流变压器副边电压调整到U′40,闭合电路,闭环将电流调整到4IN,断开电路检测空载电压U40;

第三步,神经网络控制器根据要求的瞬动调试的期望电流I*、回路功率因数角、4倍额定电流对应的空载电压U40,计算出8倍或者12倍电压补偿系数k8或者k12,并按照公式(3)或(4)分别计算8倍或者12倍额定空载电压U80或U120;

U80=2k8U40(3)

U120=3k12U40(4)

第四步,若瞬动校验试验电流不合格,则通过∫K1ΔI、∫KψΔψ分别对空载电压U80或者U120和合闸相角进行修正,∫K1ΔI为电流幅值误差的累积项;∫KψΔψ为合闸相角误差的累积项;

第五步,大电流变压器原边线圈L1和L3串联、L2和L4串联后,再将两组串联后的线圈并联,得到8IN对应的试验空载电压U80,然后采用反馈控制,配合电动调压保证U80的精度;

或者大电流变压器原边两个线圈工作,线圈L1和L2并联,得到12IN对应的试验空载电压,然后采用反馈控制,配合电动调压保证空载电压U120的精度;

第六步,在电压相位为回路功率因数角时控制可控硅接通回路,选相合闸,进行瞬动校验试验;

第七步,瞬动试验测试后,进行校验电流的误差分析,将校验电流的误差分解为由于选相不准带来的非周期分量Δψ,即为暂态误差,和试验电压不精确带来电流幅值误差ΔI,通过对电流响应波形分段积分,可以分解计算电流幅值误差和暂态误差,同时分别规定电流幅值误差和暂态误差的容限,对产生的电流进行是否合格的评价;

第八步,通过在线网络训练机构进行在线训练,训练和样本调整规则定为(∫KIΔI)2+(∫KψΔψ)2超过某一数值后进行,对非周期分量和电流幅值误差实现逐步消除。

要保证瞬动调试电流的精度,补偿系数k8或者k12是一个关键的因素。瞬动调试的期望电流、回路的功率因数角、试品阻抗以及回路阻抗是影响补偿系数的关键参数。这些参数相互联系、相互影响又相互制约,是一个多数据融合系统,而神经网络最适合解决这类问题。BP网络是目前应用最广泛的神经网络模型,它具有强大的非线性映射能力和容错功能,它的学习规则是通过反向传播来调整网络权值和阈值使网络误差平方和最小。BP神经网络控制器根据要求的瞬动调试的期望电流I*、回路的功率因数角、4倍额定电流对应的空载电压U40,计算出8倍或者12倍电压补偿系数k8或者k12,并计算8倍或者12倍额定空载电压U80或者U120。

瞬动校验试验是可以重复重新进行的,本次试验的电流误差可以作为下次试验的修正,组成一个广义闭环控制。控制采用基于在线训练的复合神经网络逐步逼近控制方法,对非周期分量和幅值误差实现逐步消除。其中∫K1ΔI为电流幅值误差的累积项;∫KψΔψ为合闸相角误差的累积项。通过∫K1ΔI、∫KψΔψ对试验电压和合闸相角的修正,可以保证被控量的逐步逼近。

进行校验电流的误差分解与评价

1)电流的幅值误差:

交流电路合闸后电流为:

其中:ψ—电压合闸相角,—试验电路功率因数角,Im—电流周期分量的幅值。

产生的校验电流有稳态分量i1和暂态分量i2两部分组成。其中暂态分量i2是呈现指数衰减的。一般认为当后i2≈0。因此,检测得到的校验电流数组中取靠后的一段就可以认为只包含稳态分量i1。用这段数据求均方根值,即为电流的有效值I。它与瞬动调试的期望电流I*之间的误差ΔI=I*-I,即为幅值误差。

2)电流的非周期分量(暂态误差):

电流的非周期分量的求取可以采用积分的方法。理论推导如下。将(5)两边从0~tN积分

让k为整数,同时保证则式(6)右面的第一项为0。

设代入式(6)整理后可得

式(7)左面是对校验电流时间上从0~tN的积分,它可以用校验电流采样值时间上0~tN之和代替。整理后可得

上式中T为校验电流的采样周期。

根据以上误差分析分解结果,分别得出了稳态误差、暂态误差的解析方法,用它们可以对下次试验的电压和选相相角进行调整,以分别修正误差。

3)校验电流的评价:

校验电流选相合闸误差和幅值的误差,来自试验设备的不同环节,合闸相角误差是电压补偿与电动调压环节,幅值误差是功率因数检测与选相执行环节。对校验电流的评价也需要分别进行。有一个环节误差超标就可以认为校验电流的精度没有达到要求。

校验电流幅值误差的评价可以采用相对误差EI。假定相对误差不超过3%为合格。即

E I = ΔI I * 3 % - - - ( 9 ) ]]>

可以根据式(7)得到的非周期分量和电流周期分量的幅值Im的相对误差Eψ,来评价选相合闸误差。假定最大相对误差不超过5%为合格。即

从式(10)可见,对非周期分量和电流周期分量的幅值Im的相对误差Eψ的限定,同时是对选相角精度提出的要求。

伴随设备老化等问题,一些参数要发生变化,神经网络训练机构中总是采用一成不变的训练样本及目标向量,长时间运行会产生较大误差。采用在线调整方法不断改变输入样本和目标向量,使它们不断接近设备的真实值。在线训练机构的核心是根据实际电流和期望电流的误差调整训练数据样本。替换训练样本需遵循不断扩充训练样本,使样本中含有不同等级的期望电流;为避免输入向量变成单一的数据样本,保证期望电流是不同等级,新输入向量对原输入向量中与其最接近的一组进行替换;将与训练样本相差太多的故障数据进行剔除,即剔除奇异样本的原则。每变更一次训练样本,网络重新训练一次,计算得出电压补偿系数,再由电流产生机构产生瞬动调试电流。训练规则和样本调整规则定为(∫KIΔI)2+(∫KψΔψ)2超过某一数值后进行。

图2表明,本发明低压断路器瞬动校验电流的产生与逼近控制方法的工作流程是:

(1)开始→是否开始试验,如果不开始实验则继续等待;如果开始试验则进入步骤(2);

(2)输出小电压、小电流,计算回路的功率因数角并计算4IN对应的4倍额定空载电压U′40;

(3)调节电动调压器与线圈组合输出4倍额定空载电压U40;

(4)神经网络控制器计算输出8倍或12倍额定空载电压补偿系数k8或者k12,并计算8倍或者12倍额定空载电压U80或者U120;

(5)校验电流合格标志是否为0,若校验电流合格标志为0,则对试验电压和合闸相角进行修正,即合闸相角与8倍或12倍额定空载电压U80或者U120误差修正;若校验电流合格标志不为0,则调节电动调压器与线圈组合输出8倍或12倍额定空载电压;

(6)选相合闸进行瞬动校验试验;

(7)校验电流的分解与评价,判断校验电流是否合格,若合格则校验电流合格标志置1,然后判断是否进行下一次试验;若不合格则校验电流合格标志置0,再判断神经网络样本是否更新,若更新,则进行更新样本在线训练,之后再判断是否进行下一次试验;若不更新,则直接判断是否进行下一次试验;

(8)若判断需要进行下一次试验,则返回步骤(2);若判断不需要进行下一次试验,则直接退出。

实施例1

本实施例的低压断路器瞬动校验电流的产生与逼近控制方法,选取额定电流为250A的低压断路器8倍额定电流瞬动校验试验进行。

第一步,调节瞬动校验电流发生主电路的电动调压器,并且大电流变压器原边四个线圈串联,在大电流变压器副边产生一个小电压,对应产生电流,计算回路的功率因数角为0.4rad,也即所需的合闸相角,并根据这个电流计算1000A对应的空载电压为10.20V;

第二步,调节电动调压器,并且大电流变压器原边4个线圈串联,将大电流变压器副边电压调整到10.20V,闭合电路,闭环将电流调整到1000A,断开电路检测空载电压为10.54V;

第三步,神经网络控制器根据要求的瞬动调试的期望电流2000A、回路的功率因数角0.4rad、4倍额定电流对应的空载电压10.54V,计算出8倍电压补偿系数K8为1.01,并计算8倍额定空载电压U80为21.30V。

第四步,为第一次试验无需对试验电压与合闸相角进行修正;

第五步,大电流变压器原边线圈L1、L3串联,L2、L4串联后,再将以上两组线圈并联,然后采用反馈控制,配合电动调压使得试验回路的空载电压为21.19V;

第六步,在电压相位为回路功率因数角0.4rad时控制可控硅接通回路,选相合闸,进行瞬动校验试验;

第七步,经检测实际校验电流2080.5A,ΔI=80.5A;EI>3%,Eψ<5%,所以校验电流精度不合格。

第八步,计算(∫KIΔI)2+(∫KψΔψ)2不超过容限,神经网络样本无需更新,不用在线训练;

校验电流不合格,进行下一次试验

重复以上第一、二、三步。

第四步,通过∫KIΔI对试验电压U80进行修正;

第五步,大电流变压器原边线圈L1、L3串联,L2、L4串联后,再将以上两组线圈并联,然后采用反馈控制,配合电动调压使得试验回路的空载电压为20.39V;

第六步,在电压相位为回路功率因数角0.4rad时控制可控硅接通回路,选相合闸,进行瞬动校验试验;

第七步,经检测实际校验电流2001.5A,ΔI=1.5A;EI=0.075%,Eψ<5%,所以校验电流精度合格。

实施例2

本实施例的低压断路器瞬动校验电流的产生与逼近控制方法,选取额定电流为200A的低压断路器12倍额定电流瞬动校验试验进行。

第一步,调节瞬动校验电流发生主电路的电动调压器,并且大电流变压器原边四个线圈串联,在大电流变压器副边产生一个小电压,对应产生电流,计算回路的功率因数角为1.51rad,也即所需的合闸相角,并根据这个电流计算800A对应的空载电压为8.16V;

第二步,调节电动调压器,并且大电流变压器原边4个线圈串联,将大电流变压器副边电压调整到8.16V,闭合电路,闭环将电流调整到800A,断开电路检测空载电压8.17V;

第三步,神经网络控制器根据要求的瞬动调试的期望电流2400A、回路的功率因数角1.51rad、4倍额定电流对应的空载电压8.17V,计算出12倍电压补偿系数K12为1.004,并计算12倍额定空载电压U120为24.62V。

第四步,为第一次试验无需对试验电压与合闸相角进行修正;

第五步,大电流变压器原边线圈L1、L3串联,L2、L4串联后,再将以上两组线圈并联,然后采用反馈控制,配合电动调压使得试验回路的空载电压为24.49V;

第六步,在电压相位为回路功率因数角1.51rad时控制可控硅接通回路,选相合闸,进行瞬动校验试验;

第七步,经检测实际校验电流2405A,ΔI=5A;EI=0.208%,Eψ>5%,所以校验电流精度不合格。

第八步,计算(∫KIΔI)2+(∫KψΔψ)2不超过容限,神经网络样本无需更新,不用在线训练;

校验电流不合格,进行下一次试验

重复以上第一、二、三步。

第四步,通过∫KψΔψ对合闸相角进行修正。

第五步,大电流变压器原边线圈L1、L3串联,L2、L4串联后,再将以上两组线圈并联,然后采用反馈控制,配合电动调压使得试验回路的空载电压为24.49V;

第六步,在电压相位为回路功率因数角1.525rad时控制可控硅接通回路,选相合闸,进行瞬动校验试验;

第七步,经检测实际校验电流2404.4A,ΔI=4.4A;EI=0.183%,Eψ<5%,所以校验电流精度合格。

实施例3

本实施例的低压断路器瞬动校验电流的产生与逼近控制方法,选取额定电流为100A的低压断路器8倍额定电流瞬动校验试验进行。

在本实施例中期望电流为800A,进行多次试验,分为两类,一种为神经网络训练样本不更新且神经网络不进行在线训练,另一种为神经网络按照低压断路器瞬动校验电流的产生与逼近控制方法的第八步在满足条件时,进行样本更新与神经网络训练。经过一段时间样本不更新的方式下实际输出瞬动校验电流为787.2A,而样本更新进行在线训练的方式下实际输出瞬动校验电流为800.9A,可见加入神经网络在线训练机构后具有更高的控制精度。

上述实施例中将大电流变压器原边线圈分为四个,采用线圈组合的方式进行不同试验。

上述实施例中,8倍与12倍额定电压补偿系数由神经网络控制器计算得出。

上述实施例中,瞬动试验测试后,进行误差分析,将校验电流的误差分解为由于选相不准带来的非周期分量Δψ,和试验电压不精确带来幅值误差ΔI,以便分别进行处理;同时分别规定它们的容限,对产生的电流进行是否合格的评价。

上述实施例中本次试验的电流误差可以作为下次试验的修正,组成一个广义闭环控制,控制采用基于在线训练的复合神经网络逐步逼近控制方法,对非周期分量和幅值误差实现逐步消除。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1