摘要：为评估SF6断路器触头的烧蚀状态，对断路器进行模拟烧蚀试验，并采用3种不同测试电流分别测量动态电阻行程。结果表明：增大测试电流可以减少动态电阻曲线的波动；除电流烧蚀作用外，操动机构松动会造成触头分合闸不到位，导致动态电阻曲线中主触头行程不断减小。将触头烧蚀状态按照烧蚀次数划分为4个等级；从动态电阻行程曲线中提取5个状态参数作为输入参数，基于极限学习机建立触头烧蚀状态的评估模型，并使用人工鱼群算法对模型进行优化；建立未优化的极限学习机模型进行对比。结果表明：利用优化后的模型能够准确分类测试集样本的烧蚀等级，准确率为100%；人工鱼群算法可以提高模型的评估准确率，使模型具有更好的稳定性。

　　关键词：极限学习机；人工鱼群算法；SF6断路器；触头烧蚀；动态电阻

　　Abstract:In order to evaluate the ablation state of the contacts of the SF6 circuit breaker,a simulated ablation test is carried out on the circuit breaker,and the dynamic resistance-travel curve is measured with three types of test currents.The results showed that increasing the test current can reduce the fluctuation of the dynamic resistance-travel curve;in addition to the ablation effect of current,the loosening of the operating mechanism will affect the accuracy of opening and closing action of the contact,resulting in the continuous reduction of the main contact stroke in the dynamic resistance-travel curve.The ablation state of contact is divided into four grades according to the number of ablations;five parameters are extracted from the dynamic resistance curve as a function of contact travel as input parameters,an evaluation model of contact ablation state is established based on extreme learning machine optimized by artificial fish swarm algorithm,and the model is optimized by using an artificial fish swarm algorithm.The results show that by using the optimized model,the ablation level of test samples can be accurately classified with an accuracy of 100%;by using the artificial fish algorithm,the evaluation accuracy can be improved and make the model more stable.

　　Key words:extreme learning machine;artificial fish school algorithm;SF6 circuit breaker;contact ablation;dynamic resistance

　　引言

　　随着我国电力系统的蓬勃发展，电网设备量不断增多，网络复杂性不断提高，一旦发生故障无法及时切除，将带来极大的经济损失。断路器作为电力系统最重要的控制和保护设备，其重要性不言而喻，其中SF6断路器由于其灭弧介质电负性高、电气强度大、热化学性能优异，已得到广泛应用[1-2]。SF6断路器的机械寿命次数一般可达到几千甚至上万次，而在开断额定短路电流情况下，其电寿命次数只有几十不到一百次[3]。SF6断路器灭弧室开关由静触头和动触头并联而成，由于弧触头的接触行程大于主触头，在开断电流时要承受全部的电弧烧蚀，再加上触头材料表面的粗糙引起相对摩擦，和电弧高温造成的触头熔融烧蚀，灭弧室在开断电流过程中存在复杂的电-热-力物化过程，造成弧触头质量损失和状态恶化，最终表现为寿命退化。弧触头烧蚀状态成为制约断路器寿命的关键因素，如不能及时发现问题并更换，极易造成开断电流失败甚至灭弧室爆炸。

　　由于触头的不可拆卸性，依据外部测量参数对断路器触头烧蚀进行准确评估十分重要。目前关于SF6断路器触头电寿命状态评估的方法有电寿命公式法、静态电阻法、模糊综合判定法与动态电阻法等[4-6]。其中，动态电阻法通过提取动态接触电阻-行程曲线中的特征参数，对触头的烧蚀状态进行评估，是目前采用的较为广泛的一种评估方法。诸多学者从动态电阻曲线的测量、特征参数的提取和触头电寿命评估方面开展深入的研究，获取了丰富的成果[7-9]。但由于曲线中特征参量丰富，不同学者选择的参量不同，各参量的权重选择一般也凭借经验确定，目前尚未有公认的方法。基于多个评价参数对于触头状态进行评估的体系仍然不明晰，评价方法可靠性和适用性还有待进一步验证。

　　神经网络算法寻求建立网络输入量与输出量之间的准确关系，但各输入量权重通过算法的学习过程获得，排除了人为因素的干扰，有效地利用数据获得准确的结果。目前已有学者将BP神经网络算法运用到断路器的寿命评估方面，但缺乏对算法准确性的定量评估[10]。

　　本文结合目前对于断路器动态电阻的研究成果，开展35 kV SF6断路器触头烧蚀试验和动态电阻测量试验，获取丰富的动态电阻数据，并利用极限学习机开展基于动态电阻-行程曲线的断路器触头烧蚀状态评估，可为SF6断路器触头烧蚀状态评估提供新思路。

　　1烧蚀试验与动态电阻曲线测量

　　1.1烧蚀试验回路布置

　　断路器在开断短路电流过程中，存在着大短路电流和高恢复电压，但是由于燃弧烧蚀阶段回路中主要存在大电流，电弧电压不高。若在烧蚀结束后施加瞬态恢复电压则有可能造成次数不等的重燃，不利于定量研究单次电弧烧蚀对触头状态的影响，故仅考虑大电流回路。试验电路与接线图如图1所示。

　　1.2试品断路器

　　本试验选用LW34-40.5型户外六氟化硫断路器，其额定电流为2.5 kA，额定开断短路电流为40 kA，动触头行程为96±2.5 mm，额定主回路电阻小于等于40μΩ。断路器模拟烧蚀试验现场布置如图2所示。为确保试验回路和设备安全，使用75%额定短路电流开展断路器模拟烧蚀试验，即30 kA。试验断路器触头是否结束试验的判断标准是测量显示动态电阻值是否超出仪器量程。

　　1.3动态电阻测量

　　由于断路器合闸过程中的动态电阻-行程曲线波动较大，本文以分闸动态电阻-行程曲线作为分析目标。动态电阻测量试验布置如图3所示。采用超级电容作为测试电源，最高充电电压为12 V，放电电流幅值可达3 000 A；速度传感器选用旋转传感器，通过旋转角度与行程的对应关系换算得到速度参数，量程为±120°/s；电流传感器采用霍尔传感器，最大量程为2 000 A。由于后续动态电阻曲线测量结果中三相数据基本一致，本文研究仅以B相数据为例进行分析。

　　1.4动态电阻-行程曲线测量结果与分析

　　1.4.1触头状态参数提取

　　试验中断路器触头每次烧蚀完后，对它进行分闸动态电阻-行程测量。为比较不同测试电流对测量的影响，选取0.5、1、1.5 kA 3种测试电流。典型分闸动态电阻-行程曲线如图4所示。根据以往学者的研究，本文从中选取7个特征参数，分析其随触头烧蚀的变化情况。

　　(1)主触头接触行程Lm：主触头与弧触头并联接触阶段的行程，单位为mm；

　　(2)弧触头接触行程La：弧触头单独接触阶段的行程，单位为mm；

　　(3)触头总接触行程Lc：触头的总接触行程，单位为mm；

　　(4)主触头电阻均值Rm：主触头阶段动态电阻-行程曲线的电阻平均值，单位为μΩ；

　　(5)弧触头电阻均值Ra：弧触头阶段动态电阻-行程曲线的电阻平均值，单位为μΩ；

　　(6)弧触头阶段电阻-行程包围面积S：弧触头阶段动态电阻-行程曲线与横轴包围面积，单位为mΩ·mm；

　　(7)补偿后弧触头阶段电阻-行程包围面积S'，即为图3中阴影部分面积之和，单位为mΩ·mm。

　　1.4.2触头状态参数的变化规律与分析

　　根据每次烧蚀后测量的动态电阻-行程曲线，提取上节所述的7个表征触头状态的特征参数，其随烧蚀次数的变化规律如图5所示。

　　由图5(a)~图5(c)可知，随着烧蚀次数的增加，弧触头接触行程和总行程均不断减少，符合推测，弧触头在电弧的累积烧蚀下，不断损失质量，顶部长度减少。主触头行程也随烧蚀次数增加而减小，与之前学者开展的试验结果不一致。理论上只有在试验开始前弧触头已经接近寿命终点，开断电流功能由主触头实现，才会出现主触头接触行程不断减小的现象。但在试验中，弧触头仍然在不断被烧蚀，且倘若试验开始前弧触头寿命已到终点，无法开展数十次烧蚀试验。因此，认为主触头接触行程减少是操动机构松动造成触头分闸不到位导致。

　　由图5(d)~图5(e)可知，主触头的接触电阻随烧蚀次数的增加而增大，这是因为在主触头和弧触头之间发生电流转移时，主触头上仍然会有较微弱的电弧产生，对主触头仍然起到一定烧蚀效果，加之断路器反复动作引起的材料磨损，都会造成主触头阶段动态电阻增大。弧触头接触电阻波动较大，没有明显的规律。由图5(f)可知，前期变化较为波动，但整体随烧蚀呈现下降趋势；补偿后的面积S变化规律更加显著，前期出现较大幅度的降低后，随烧蚀次数的增加呈现明显平滑增长趋势。

　　此外，从7个参数的测量结果来看，增大测试电流可以明显的较少曲线的波动，1.5 kA电流下的各个曲线均更平滑，而0.5 kA电流下的曲线波动较大。这是因为增大测试电流有助于清除金属材料在开断电流时由于烧蚀作用在触头表面堆积残留的氟化物，因此提高测试电流有助于获取准确的动态电阻和接触行程值。但测试电流也不宜过大，电流过大可能导致较为明显的温升，且会对触头造成轻微烧蚀，影响动态电阻测量结果，一般测试电流不宜超过断路器额定工作电流。本文选择较大的1.5 kA电流值下的数据做下一步状态评估。

　　2基于极限学习机的触头烧蚀状态评估

　　2.1极限学习机原理

　　极限学习机(Extreme Learning Machine，ELM)由黄广斌等于2004年提出，是单隐层神经网络的一种新算法。极限学习机中神经元的权值与阈值在训练前随机产生，且在训练中无需调整，而是通过求解隐含层输出矩阵的广义逆获得隐含层与输出层之间的连接权值[11-13]。相比传统的反向传播算法，极限学习机具有优良的泛化性和更快的训练速度，因此在回归拟合、分类与模式识别等领域获得广泛应用。

　　SLFN由输入层、隐含层和输出层组成，各层之间的神经元全连接，其典型结构拓扑图如图6所示。

　　网络的输出可以表示为：Hβ=T(1)

　　式中：H为隐含层的输出矩阵；β为隐含层与输出层间的连接权值矩阵；T为网络的输出矩阵。

　　ELM的权值和阈值可以在训练前随机选择且在训练过程中保持不变，β通过解以下方程组的最小二乘解获得。

　　n||Hβ-T||

　　其解为：=H+T

　　式中：H+为隐含层输出矩阵H的Moore-Penrose广义逆。

　　2.2人工鱼群算法

　　由于极限学习机在训练过程中不再调整输入层与隐含层间的连接权值以及隐含层神经元的阈值，当隐含层节点个数确定后，极限学习机的性能实际上由随机产生的初始权值和阈值决定，算法的表现具有一定的不稳定性。因此采用人工鱼群算法进行初始权值和阈值的寻优。

　　李晓磊等[14]于2002年提出人工鱼群算法(Artificial Fish Swarm Algorithm，AFSA)，通过模拟鱼类的觅食、聚群、追尾和随机等行为在解空间中进行搜索寻优。待优化的参数可表示为高位空间中的一个点X=(x1，x2，x3，…，xn)，n为待优化参数的个数。在该n维解空间中，产生一定数量的人工鱼群，记录每条人工鱼的位置为Xi。根据待优化的问题类型设置合适的目标函数作为解空间内的食物浓度。人工鱼群在复杂的行为下趋向于食物浓度最高的位置，该位置即对应优化获得的最优参数。

　　人工鱼群的觅食行为如图7所示，记一条人工鱼的当前位置为Xi，如果它视线所在位置Xvi的食物浓度更高，则向该方向移动s达到Xv’i；如果Xvi的食物浓度低于当前位置，则不移动，而是继续在视野范围V内巡视。除此之外，人图7人工鱼视觉与移动工鱼群还有聚群、追尾、随机行为，这些行为能够进一步增加寻优的效率与跳出局部最优的能力。

　　2.3输入参数选取与数据预处理

　　适当的输入参数选取是获取理想输出的关键因素，第1.4节给出了7个可以表征烧蚀程度的特征参量。舍弃包围面积作为输入参量，因为其本质是Ra×La的值，是经过二次处理得到的参数，其物理意义也不明确，所以选择以下参数作为ELM模型的输入参数：(1)Lm，可表征机械性能恶化情况；(2)Rm，表征主触头烧蚀情况；(3)Rd，表征弧触头表面状态；(4)La，表征弧触头轴向烧蚀情况；(5)Ra，反应弧触头表面整体的劣化状态。

　　2.4触头烧蚀状态评估

　　模拟烧蚀试验中通过高精度时序控制系统控制试品断路器的开断，保证每次电弧燃弧时间相同，因此可以认为每次模拟烧蚀试验中电弧烧蚀导致的触头状态恶化程度相同。基于此，将触头烧蚀状态按照烧蚀次数的增加依次划分为1、2、3、4共4个等级，等级1表示烧蚀作用较轻微，触头状态良好；等级4表示严重烧蚀，触头临近电寿命极限。基于人工鱼群算法优化的极限学习机建立触头烧蚀状态的评估模型。模拟烧蚀试验中进行动态电阻测量获得79组有效数据，选取其中59组数据作为训练集，提供给AFSA-ELM模型进行训练；另外20组数据包含了4个烧蚀等级的数据各5组，不参与模型的训练，作为验证模型触头烧蚀状态评估准确率的测试集。设置ELM隐含层神经元个数为10，人工鱼群规模为50，迭代次数为15，人工鱼试探次数为50，视觉距离V为3.8，拥挤度因子为1，步长s为0.774 6，分类准确率作为优化的目标函数，即解空间内的食物浓度。使用训练集完成模型的训练，人工鱼群算法优化过程中最优个体分类准确率随迭代次数的变化曲线如图8所示。由图可知，在第12次迭代后，最优个体的分类准确率由95%上升为100%。

　　将人工鱼群最优个体的坐标作为极限学习机的初始权值和阈值，进行训练。训练完成后输入测试集数据，AFSA-ELM模型评估的烧蚀等级如图9所示。可见，AF⁃SA-ELM模型能够将测试集样本的烧蚀等级全部准确分类，分类准确率为100%。

　　由于极限学习机每次训练时初始权值与阈值都不同，程序单次运行结果可能具有偶然性，分别对AFSA-ELM模型和ELM模型进行5次独立的运行计算，结果如表1所示。由表可知，ELM模型评估准确率波动较大，最低为85%，最高为95%，5次结果平均值为91%。而经过AFSA算法优化初始权值和阈值后，5次结果准确率均为100%。将AFSA算法和ELM相结合，可以提高模型的分类准确率，同时使模型具有更好的稳定性。

　　2.5断路器触头烧蚀状态评估分级方法

　　DL/T 1686-2017六氟化硫高压断路器状态检修导则中将断路器状态分为正常状态、注意状态、异常状态与严重状态，针对不同状态采取A~D 4个不同等级检修策略[15]。为此，本文将模型评估结果与断路器状态相对应，参数分级如表2所示，可为检修工作提供可操作性和实用性指导。

　　3结束语

　　本文搭建了35 kV SF6断路器模拟烧蚀和动态电阻测量试验平台，开展触头的模拟烧蚀和动态电阻测量试验，分析了相关参数变化规律，并基于试验数据利用极限学习机实现断路器触头烧蚀状态评估。文中主要结论如下：

　　(1)增大测试电流可以减少动态电阻曲线的波动。

　　(2)动态电阻-行程曲线中，触头总接触行程、主/弧触头接触行程随烧蚀次数增加而减小，主/弧触头电阻随烧蚀次数增加而增大，弧触头阶段电阻-行程包围面积变化规律不明显，而补偿后包围面积随烧蚀程度加深而加大。

　　(3)主触头接触行程随烧蚀次数增加而减小，可能并非烧蚀导致，而是在多次开合下操动机构松动造成触头分合闸不到位而导致的。

　　(4)基于AFSA-ELM建立SF6断路器触头烧蚀等级评估模型，对于20个测试集样本，评估准确率为100%。对比未优化的ELM模型，AFSA-ELM模型具有更高的准确率和更好的稳定性。

　　参考文献：

　　[1]崔景春.高压交流断路器[M].北京:中国电力出版社,2016:1-20.

　　[2]晏卫江.断路器电寿命影响因素的研究及其改进优化[D].南京:东南大学,2014:1-6.

　　[3]李绍武,孙锦,刘页,等.断路器液压操作机构带电注油装置的研制及应用[J].机电工程技术,2022,51(3):246-248.

　　[4]孙福杰,王章启,秦红三,等.高压断路器触头电寿命诊断技术[J].电网技术,1999,23(3):59-61.

　　[5]林辛,张冠生,洪翠.基于模糊理论的真空断路器开断电寿命综合评判的研究[J].中国电机工程学报,2000,20(2):16-19.

　　[6]杨秋玉,彭彦卿,庄志坚,等.基于随机模糊理论的高压断路器剩余机械寿命评估[J].高压电器,2016,52(8):161-165.

　　[7]LIU Y,ZHANG G,GENG Y,et al.Research on impact of opening velocity in DRM tests of SF6 high voltage circuit breakers[C]//Proceedings of 2017 4th International Conference on Electric Power Equipment-Switching Technology.IEEE,2017:38-41.

　　[8]ABDOLLAH M,RAZI-KAZEMI A.Condition assessment of arc contacts through dynamic resistance measurement(DRM)and wavelet analysis[C]//Proceedings of 2017 Iranian Conference on Electrical Engineering.IEEE,2017:1139-1143.

　　[9]蓝磊,陈功,文习山,等.基于动态电阻测量的SF6断路器触头烧蚀特性[J].高电压技术,2016,42(6):1731-1738.

　　[10]刘北阳,李志兵,刘春,等.基于BP神经网络的弧触头烧蚀状态评估方法[J].电力科学与技术学报,2019,34(1):76-81.

　　[11]吕忠,周强,周琨,等.基于遗传算法改进极限学习机的变压器故障诊断[J].高压电器,2015,51(8):49-53.

　　[12]HUANG G B,CHEN L,SIEW C K.Universal approxima⁃tion us⁃ing incremental construction feed forward networks with random HiddenNodes[J].IEEE Transactions on Neural Networks,2006,17(4):879⁃892.

　　[13]ZONG Weiwei,HUANG Guangbin.Face recognition based on extreme learning machine[J].Neurocomputing,2011,74(16):2541⁃2551.

　　[14]李晓磊,邵之江,钱积新.一种基于动物自治体的寻优模式:鱼群算法[J].系统工程理论与实践,2002(11):32-38.

　　[15]DL/T 1686-2017,六氟化硫高压断路器状态检修导则[S].北京:中国电力出版社,2017.