郭鳳儀，馬文龍，李 斌

(遼寧工程技術大學電氣與控制工程學院，遼寧葫蘆島125105)

0 引言

作為電力輸配系統中應用最廣泛的開關電器—高壓斷路器在電力系統中既要實現正常輸電線路的投切，又要斷開過載、短路等故障電流。由于斷路器的基本功能體現在觸頭的分合動作上，因此，決定分合動作的操縱機構的工作性能對高壓斷路器的穩定性和可靠性起著極為重要的作用。

本文針對斷路器分合操作模型具有很強的非線性以及受測試噪聲的影響，通常對其進行在線故障診斷比較困難，而RBF神經網絡能夠以任意精度逼近任意復雜的非線性函數關系，可以實現那些難以用數學模型表示的復雜映像關系，能夠自學習和自適應不確定系統的動態特性，具有較強的魯棒性和容錯性。因此，利用RBF神經網絡的這些優點，將其運用到斷路器的故障預測、故障診斷及模式識別當中，則可提高設備運行的安全性、可靠性、經濟性及利用率。

1 RBF神經網絡

RBF神經網絡是利用RBF作為隱含層單元的基從而構成隱含層空間，這樣，就可將輸入矢量直接映射到隱，含層空間。當RBF的中心點確定以后，這種映射關系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網絡的輸出是隱含層單元輸出的線性加權和，此處的權即為網絡可調參數。由此可見，網絡由輸人到輸出的映射是非線性的，而網絡輸出對可調參數而言卻又是線性的。這樣網絡的權就可由線性方程組直接解出，從而大大加快學習速度并避免局部極小問題。

1.1 RBF函數網絡模型

RBF神經網絡由兩層組成，如圖1所示。輸入層實現從x到Ψ(‖·‖)的非線性映射，輸出層實現從Ψ(‖·‖)到y的線性映射。RBF函數網的輸出層第j個神經元的輸出可表示為

由于 Ψ(‖·‖)為高斯函數，因而，對任意 x均有Ψ(‖·‖)＞0，從而失去局部調整權值的優點。而當x遠離c時，Ψ(‖·‖)已非常小，可作為0對待。因此實際上只當Ψ(‖·‖)大于某一數值(如0.06)時才對相應的權值w進行修改。經過這樣處理后RBF神經網絡也同樣具備局部逼近網絡學習收斂快的優點。

圖1 RBF神經網絡結構框圖Fig 1 Structure diagram of RBF neural network

1.2 RBF神經網絡訓練步驟

RBF神經網絡包含中心位置C和方差σ22個可調參數。此時，整個網絡可調參數有3組，即各基函數的中心位置、方差和輸出單元的權值。對于寬度參數有

式中 dm為所選中心之間的最大距離;M為隱含層單元個數。

此時，一種較好確定C和W的方法為聚類方法實時調整中心并同時調整權值［3］。中心調整算法以聚類最小距離為指標，將輸入數據集分類為K類，給出K個中心。權值更新算法是將輸出層的每個節點或線性組合器是一個權值估計，可用最小二乘法求取。

以上過程實際是有指導學習，y是指導數據，通過對權值的訓練后估計輸出逼近實際輸出。K均值聚類算法是獨立的學習算法，與BP算法相比，由于參數調整是線性的，可獲得較快的收斂速度，非常適合于系統的實時辨識與控制。

2 高壓斷路器分閘信號故障分析

本文以ZNY—6型高壓真空斷路器的分閘曲線為試驗研究對象，通過現場試驗獲取線圈電流隨時間變化波形如圖2所示［4］。其固有分閘時間 To≤60 ms。t0－t1時，線圈通電，電流按指數規律上升。t1－t2時，鐵芯開始運動，由于運動負荷增加，線圈電流顯下降趨勢。t2－t3時，鐵芯運動停止，線圈電流又按照指數規律增至接近最大穩態值。t3－t4時，是上一階段的延續，電流達最大穩態值。t4－t5時，輔助開關分斷，迫使線圈電流迅速減小，直至最終降至為零值。

綜上分析，由于此變化波形可直接反映斷路器在分閘動作時操縱過程的動作狀態，如，分閘速度、鐵芯行程、穩態情況、開關關斷等有無故障。因此，對電流波形進行檢測就可實現線圈操縱狀態的監測和斷路器的故障預測。此外，對正常狀態下分閘電流隨時間變化的波形作多次測量，確認電流波形具有良好的重復性。

圖2 分閘線圈電流隨時間變化波形Fig 2 Waveform about the relationship between trip coil current and time

3 應用實例分析

利用RBF神經網絡實現對高壓斷路器分閘線圈時間信號的監測過程進行建模。該模型易于實現且具有較高精度，可用于斷路器操縱過程狀況的預估。根據經驗與試驗結果分析，輸入特征量要對輸出影響大且彼此間不相關，選取為t1，t2，t3，t4，t5;輸出特征量的選用則要代表實際可能出現的故障類型，選擇操縱機構正常、分閘起始故障、鐵芯行程故障、分閘穩態故障及開關斷電故障等5類。

神經網絡的輸入輸出特征量用編碼表示且網絡的輸出值在0到1之間。數值大小表示對應的故障程度，0表示此種情況未發生，1表示此種情況發生，數值越接近1表示發生此類故障的幾率越大;反之，則越小。針對本系統，設定輸出值大于或等于0.65便認為有此類故障，小于0.65無此類故障。表1列出了高壓斷路器操縱機構的故障原因及其編碼。

表1 高壓斷路器操縱機構故障樣本Tab 1 High-voltage circuit breaker control mechanism fault samples

4 系統仿真測試

在Matlab開發環境下選用NNTOOL工具箱，在相同條件下分別選用BP和RBF神經網絡對分閘線圈操作電流隨時間變化曲線進行學習和預測。根據m≥3n(m為樣本個數，n為考察對象個數)，選擇30個數據作為學習樣本，另外10個作為預測樣本。

BP神經網絡初始參數設置:輸入層為5個輸入;隱含層數為1層;節點數為8個;輸出層的輸出個數為5個;初始權值?。?，l］隨機數;訓練最高次數為10 000次;誤差上限為0.01。訓練結果如圖3所示。

圖3 BP神經網絡故障診斷結果Fig 3 BP neural network fault diagnosis result

訓練最終平方誤差和為1.047，訓練最終時間為189.719 s。

RBF神經網絡初始參數設置:輸入層為5個輸入;隱含層數為1層;節點數由系統自動生成為6個;誤差上限為0.01;訓練最高次數為200次;RBF函數寬度為0.7。訓練結果如圖4所示。

圖4 RBF神經網絡故障診斷結果Fig 4 RBF neural network fault diagnosis result

訓練最終訓練平方誤差和為0.0083，訓練最終時間為0.608 s。

由上圖比較結果可知，BP網絡權值的調節采用負梯度下降法，這種方法存在其局限性，即局部極小問題和收斂速度慢等。而RBF神經網絡所具有的任意函數逼近、自動優化網絡結構和較好的泛化能力，使其在故障診斷方面的應用前景廣闊。因此，將RBF函數網絡用于斷路器的故障診斷是可行的和實用的。

5 結論

1)在研究高壓斷路器分閘線圈電流隨時間變化關系的基礎上，利用RBF神經網絡對此非線性曲線進行快速逼近，并準確判斷出操縱機構的故障類型。

2)經與BP網絡對比說明了RBF神經網絡能取得良好的訓練效果，可高效快速地監測高壓斷路器操縱機構的運行狀態，體現出很好的辨識能力。

［1］苑舜編.高壓開關設備狀態監測與診斷技術［M］.北京:機械工業出版社，2001:2.

［2］劉 安，劉春生.基于RBF神經網絡的非線性系統故障診斷［J］.計算機仿真，2007(2):141－144.

［3］胡小光，齊 明，紀延超.基于徑向基網絡的高壓斷路器在線監測和故障診斷［J］.電網技術，2001，25(8):41－44.

［4］李 巖，王勝輝，林 莘.真空斷路器永磁機構設計與分析軟件的開發［J］.高壓電器，2003，39(1):24－26.

［5］李國勇.智能控制及其MATLAB實現［M］.北京:電子工業出版社，2005.

［6］周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計［M］.北京:清華大學出版社，2005.