智能电器与智能电网厦门理工学院电气工程与自动化学院研究生课程(本讲内容主要源自福州大学张培铭教授课题组研究成果)2、低压断路器智能化技术短路故障是电力系统最常见也是危害最大的故障类型之一。

在低压配电系统中，由于规模和容量的日益扩大，短路电流随之迅速增大，所造成的损失也越来越大。

因此，在短路故障出现的早期对其进行预判并快速切断故障源就成为低压配电系统和电器领域重要的研究课题——显然这正是适应智能电网发展的要求。

目前，智能型低压保护电器存在共同问题，它们所提供的保护相对于故障发生时刻有一定的滞后，因此难以获得准确的良好的限流功能。

对短路故障进行准确地早期检测的主要难题在于故障特征的准确提取与抗干扰。

短路故障的早期检测与短路电流快速分断控制—小波与数学形态学小波分析作为信号处理方法的出现，给故障诊断技术带来了新的生机和活力，而小波与形态学滤波器相结合的短路故障早期检测模型从理论上解决了上述问题。

小波分解变换的细节分量既能体现信号变化率的大小，又剔除了噪声干扰的影响。

这一特性可用来提取低压系统短路故障的故障特征以达到故障早期检测的目的。

但是小波变换在脉冲噪声的滤波效果方面存在着不足。

因此，引入了一种基于数学形态学的形态滤波器，它可以有效剔除正负脉冲噪声的干扰。

建立了基于形态小波理论的故障早期预测模型。

利用短路故障早期检测模型构建适用于计算机的数学理论模型，形成比较完善和实用的短路电流快速分断控制系统软、硬件方案。

在DSP系列数字信号控制器上实时实现了短路电流的早期检测和快速分断。

低压断路器智能化技术目前，智能控制器的瞬时脱扣信号触发时间最短在10ms 左右，而采用上述设计方案，瞬时脱扣信号触发时间在1ms 左右，说明短路电流快速分断控制系统正确地实现了早期检测和快速分断控制。

因此，将形态小波算法作为短路电流的故障判定算法是可行的，并且具有其它算法无法比拟的优势。

3、电器智能动态测试技术(1)光机电交流接触器动态测试装置（1）信号检测1）励磁电压与电流采用高精度与快速响应的电压、电流传感器，以检测励磁电源电压与线圈电流。

2）通过动静触头之间的电信号，检测触头系统的动态状况。

3）衔铁的位移与加速度采用先进的传感技术，在不影响电磁系统原有运动规律的前提下，实现上述两个参数的动态检测。

位移电磁系统往往封装在电器的外壳内，采用非接触、光电检测技术，应用高速线阵C C D，将移动的光束转换成受光像元沿线阵快速运动；利用电荷藕合原理，C C D将输出随衔铁运动变化的视频信号。

（2）信号调理电路（3）软测量在电磁系统动态测试中，存在一些难以直接检测或现有传感器不能满足动态过程机理的特性参数，如电磁吸力、气隙磁链与速度等，而这些参数却是电器设计与开发中，表征电器性能的重要参数。

本装置在高精度测量有关特性参数的基础上，采用软测量技术，根据电器动态过程的机理性数学模型，推导出非直接测量参数，即实现难以直接测量参数的软测量。

吸合过程动态测试界面3、电器智能动态测试技术（续）(2)基于高速摄像机的电器动态测试技术3、电器智能动态测试技术（续）采用PCO1200S高速摄像机的智能交流接触器动态测试装置。

利用该装置对智能交流接触器的机构运动形态进行测试，可以进行二维测试，并且可将触头与铁心的运动形态真实地反映。

其摄取速率高达30167.73fps(相当于每毫秒30个采样点以上)。

（上述光机电电磁电器动态测试装置的采样速率只能达到每毫秒10个采样点左右）显然，基于高速摄像机的电器动态测试技术（非接触测试）将在电器智能化研究与电器产品研发中发挥重要作用。

基于图像测量技术的智能交流接触器全过程动态优化设计技术的研究是智能电器设计的有效手段，是智能化电器虚拟样机动态优化设计的最新研究方向。

以上述智能交流接触器为例电器智能动态测试技术吸合过程动态特性测试波形释放过程动态特性测试波形本动态测试装置首次从电器测试的角度真实地反映了电器动态过程的复杂性。

根据上述动态过程的测试与分析，提出了电器动态测试与设计数据统计处理的观点。

只有采用动态测试与设计数据统计处理的方法，才能如实地反映其真实的动态特性与性能。

这种思路将为今后的电器虚拟样机优化设计技术奠定基础。

4、电动机智能保护技术电动机三维热特性研究与保护在工业企业中，大量的电动机保护器被用于保护电机以最大限度地减少电机烧毁以及由此引发的生产事故带来的经济损失。

各种故障对电机的损害最终都体现为绕组温度超过允许值导致绝缘快速老化甚至击穿而引发电机烧毁等事故，电动机保护器的任务归根到底是保护电机不因温度过高而烧毁。

电动机保护器应该根据故障的危害程度采取不同的保护措施。

对于短路、堵转以及接地等危害性大的故障，故障发生后应快速采取保护措施，避免危害扩大；对于过载、三相不平衡（包括断相）、过电压、欠电压等温度变化较缓慢、危害性较小的故障，为了最大限度发挥电机的作用，减少生产过程中断带来的损失，故障后不应该立即切断电源，可以先给出报警信号，只有绕组温度超过允许值才采取保护措施。

以实测的电机三维温度分布为基础，应用ANSYS有限元分析软件，建立了基于参数反计算的异步电动机定子全域三维温度场模型。

以全封闭外置风扇冷却电机为例电动机智能保护技术电动机智能保护技术铁芯温度分布图机座温度分布图绕组温度分布图从轴向看，端部导体温度高，槽内导体温度低；风扇侧的端部绕组温度低于传动侧端部绕组的温度；从周向看，接线盒区域的绕组温度高于其他区域；定子的最高温度区域位于接线盒区域传动侧绕组端部。

基于理论分析和实际测量相结合的参数确定方法，建立了全封闭外置风扇冷却电机定子全域三维温度模型。

实验结果表明该电机定子全域三维温度场模型可以较准确地计算出定子各部位的温度值，其动态响应特性与实际电机特性相吻合。

全封闭外置风扇冷却电机定子的最高温度区域位于接线盒区域传动侧绕组端部。

基于理论与参数反计算建立的异步电动机定子全域三维温度场有限元仿真模型为核心，以V B 程序构建的人机界面为平台建立了异步电动机定子三维温度分布虚拟测试平台。

该平台可以实现包括故障在内的各种运行状态下稳态温度分布及瞬态温度变化的虚拟测量。

改善散热结构提高长期过载性能研究。

异步电动机定子绕组最高温度保护模型研究。

电动机智能保护技术结论：对最高温度区域的温度进行监测可以实现准确的电动机热保护；采用仿真的方法可以实现电机定子温度分布的智能监测与控制;采取措施改善最高温度区域的散热条件可以实现电动机的优化设计,并提高电机运行的效率。

5、电器智能集成技术电器智能集成技术集成电器基本功能:集成断路器、接触器、电动机保护器、隔离器功能；断路器——短路故障早期检测，快速分断；接触器——吸合过程，分断过程；电动机保护器——各种负载条件下准确的保护，满足要求。

电器智能研发技术人工鱼群算法AFSA人工鱼群算法（Artificial Fish-Swarm Algorithm）是一种新的寻优算法。

它的主要内容是利用鱼群的觅食、聚群和追尾等行为，并充分应用比较公告板的历史信息，通过鱼群个体寻优达到全局最优。

遗传算法（genetic algorithm ，GA ）是Holland 教授首先提出来的一类仿生型进化算法。

GA 通过将当前群体中具有较高适应度的个体遗传给下一代，并且不断淘汰适应度低的个体，从而寻找出适应度最大的个体。

其优点是：具有大范围全局搜索的能力，与问题领域无关；搜索从群体出发，具有潜在的并行性；可进行多值比较，鲁棒性强；搜索使用评价函数启发，过程简单；使用概率机制进行迭代，具有随机性，可扩展性，容易与其它算法结合。

但是GA 算法对于系统中的反馈信息利用不够。

遗传算法吸取遗传算法和人工鱼群算法的优点，将遗传算法和人工鱼群算法有机结合应用于智能电器优化计算。

6、电器的新概念人工智能技术在电器领域应用的研究举例。

例：由于电动机的发热和散热过程是十分复杂的，属动态不确定过程，其精确的数学模型难以建立或者说，由于电动机的发热和散热过程的复杂性，无精确的数学模型可依。

因此寻找一种不依赖于精确数学模型来描述电动机的热模型的方法，成为解决从外部模拟电动机热保护一个关键问题。

鉴于人工神经网络理论以其高度非线性映射、自组织结构、高度并行处理方式和不需预先建模等优点，为方便、快捷、准确地计算和预测电动机的绕组温度提供了可能。

以大量实验为基础并基于神经网络理论进行电动机热过载保护模型的探讨，从而对异步电动机长期稳定负载和频繁起动绕组温升进行预测研究，从而进行电动机的人工智能热过载保护的探讨。

考虑到电流是影响电动机绕组温升的主要因素，仅取电流值作为输入量，其结构是隐含层为10个节点的三层B P网络，对训练样本进行训练。

用训练样本和测试数据的条件作为训练后网络的输入条件来预测温升曲线，然后将它们跟实测数据进行比较，训练后的网络的预测误差基本在±2℃(即5%)之间。

只要给它一个电流值，它就能预测出一条对应的温升曲线。

下图是利用这个网络预测出来的一组温升曲线，图中电流从4.8A～27A变化，相邻两条温升曲线的电流相差0.2A。

至今，一直未见有较精确反映在不同的过载情况下电动机所能允许的最大过载时间曲线。

目前正在使用和开发的很多电子式和微机型的保护装置，过载保护都以热继电器保护特性作为依据。

现在，我们就可利用这个训练过的网络来精确求出这条保护特性曲线。

下图是用神经网络预测出的保护特性曲线与双金属片热继电器的典型保护特性曲线的比较图。

显然，热继电器的保护特性曲线留有较大的裕度，不能充分发挥电动机的过载能力，这是其原理与结构决定的。

图为神经网络预测的保护特性曲线与热继电器保护特性曲线的比较。

用训练样本和测试用数据的条件作为训练后网络的输入条件来预测频繁起动温升曲线，训练后的网络的预测误差基本在±4℃(即10%)之间。

图8就是用这个网络预测出来的一组温升曲线，图中电流从5A～10A变化，相邻两条温升曲线的电流相差0.5A。

人工智能电器电磁系统的优化设计近几年,很多源于大自然生物过程启迪的优化算法逐渐得到开发与重视.如模拟生物种群进化的遗传算法(GA)，模拟昆虫觅食的蚁群算法（ACA），模拟人体免疫能力的免疫算法（IA），模拟鸟群觅食活动的粒子群算法（PSO），模拟鱼群活动的人工鱼算法(AFSA),模拟细胞无性繁殖的克隆算法（CA）等等。

这些基于群体智能的优化算法对于求解多峰、难以建模的优化问题具有很好的效果。