基于INTLBO?SVR的低壓斷路器熱脫扣時間預(yù)測

張凌波 操春名 徐震浩

摘? 要： 熱脫扣時間是低壓斷路器的關(guān)鍵指標(biāo)，利用斷路器生產(chǎn)過程中可檢測數(shù)據(jù)可以實現(xiàn)熱脫扣時間的預(yù)測。針對支持向量回歸（SVR）進行熱脫扣時間預(yù)測，參數(shù)的選擇對預(yù)測的精度和泛化性能影響較大問題，提出一種基于隔離小生境教學(xué)算法（Isolated Niche Teaching?Learning?Based Optimization Algorithm，INTLBO）優(yōu)化支持向量回歸的熱脫扣時間預(yù)測方法。該方法針對教學(xué)算法易陷入局部最優(yōu)的缺點，采用隔離機制的小生境技術(shù)對其進行改進，然后利用INTLBO尋優(yōu)找到最優(yōu)的SVR參數(shù)。根據(jù)低壓斷路器生產(chǎn)歷史數(shù)據(jù)，建立基于INTLBO?SVR的熱脫扣時間預(yù)測模型。仿真結(jié)果表明，與TLBO?SVR和常規(guī)SVR等方法相比，INTLBO?SVR模型具有較好的預(yù)測性能。

關(guān)鍵詞： 低壓斷路器; 熱脫扣時間預(yù)測; 支持向量回歸; 隔離小生境教學(xué)算法; 參數(shù)優(yōu)化; 預(yù)測模型

中圖分類號： TN133?34; TP273? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）16?0030?06

0? 引? 言

低壓斷路器是低壓供配電系統(tǒng)主要的開關(guān)電器，熱脫扣器是斷路器在電路發(fā)生過載、短路等現(xiàn)象時的核心保護部件，其中，雙金屬片是熱脫扣器動作特性的關(guān)鍵元件[1]。熱脫扣時間是低壓斷路器的關(guān)鍵指標(biāo)，斷路器的工業(yè)化生產(chǎn)中需要驗證斷路器的熱脫扣保護特性是否符合要求，采用標(biāo)準(zhǔn)規(guī)定的實驗條件進行驗證，需耗費大量時間，故生產(chǎn)中通常采用提高電流以縮短校驗時間的等效方法進行驗證。熱脫扣時間的影響因素有雙金屬片推力、脫扣行程和脫扣機構(gòu)脫扣力等，通過實驗測得的雙金屬片特性及脫扣力等數(shù)據(jù)可以仿真計算熱脫扣時間。由于斷路器生產(chǎn)中，雙金屬片特性及脫扣力等參數(shù)不能實時檢測，故通過生產(chǎn)可測的通電電流、環(huán)境溫度、雙金屬片初始位置和焊接位置等數(shù)據(jù)估算熱脫扣時間。本文基于質(zhì)量合格的斷路器生產(chǎn)可測數(shù)據(jù)建立熱脫扣時間預(yù)測模型，在生產(chǎn)中利用該模型在線預(yù)測斷路器熱脫扣時間，并結(jié)合實際測得的熱脫扣時間，可以用于雙金屬片特性或脫扣力異常的檢測。

由于斷路器熱脫扣過程具有非線性突出、耦合較強的特點，故考慮使用支持向量回歸（SVR）來對熱脫扣時間進行建模和預(yù)測。支持向量回歸是SVM在解決函數(shù)回歸方面的應(yīng)用，是一種完備的統(tǒng)計學(xué)習(xí)方法，在研究非線性數(shù)據(jù)方面更有優(yōu)勢。在模型預(yù)測中，利用SVR提高了模型的泛化能力，取得了較好的預(yù)測結(jié)果[2?3]。但在SVR的應(yīng)用中，如何選取影響算法性能的參數(shù)仍無有效解決方法。

針對以上問題，本文提出一種基于隔離小生境教學(xué)算法優(yōu)化的支持向量回歸方法（INTLBO?SVR），即采用隔離機制的小生境思想對教學(xué)算法進行改進，克服教學(xué)算法易陷入局部最優(yōu)、收斂速度慢等缺點[4]，在提高其全局尋優(yōu)能力和全局搜索性能的基礎(chǔ)上，對SVR進行參數(shù)優(yōu)化，進而建立熱脫扣時間預(yù)測模型。基于INTLBO?SVR的預(yù)測方法提高了熱脫扣時間預(yù)測精度，對低壓斷路器生產(chǎn)有指導(dǎo)意義。

1? 斷路器熱脫扣原理及影響因素分析

低壓斷路器在電路中起控制和保護的作用。斷路器熱脫扣利用過載電流直接或間接通過雙金屬片或電阻發(fā)熱元件，使雙金屬片受熱彎曲，推動斷路器操作機構(gòu)動作斷開電流。影響熱脫扣時間的因素有雙金屬片推力、脫扣行程和脫扣機構(gòu)脫扣力等。其中，雙金屬片推力、脫扣行程都與雙金屬片特性相關(guān)，脫扣力與斷路器脫扣機構(gòu)特性相關(guān)。雙金屬片特性需考慮雙金屬片熱敏感性能[K]、撓度[S]（雙金屬片自由端的偏移量，單位：mm）、推力[F]和內(nèi)應(yīng)力[σ]（單位：N/mm2），公式如下：

[K=34（α2-α1）S=KL2τδF=3EJL2S=KEbδ24Lτσ=E2（α2-α1）（θ-θ0）] （1）

式中：[δ]為雙金屬片厚度（單位：mm）;L為雙金屬片有效長度（單位：mm）;[τ]（[τ=θ-θ0]）為雙金屬片溫升（單位：[℃]）;E為彈性模量（單位：N/mm2）;J為雙金屬截面慣性矩（單位：mm4）;b為雙金屬片的寬度（單位：mm）;[α1]，[α2]分別為主動層和被動層的膨脹系數(shù)。

通過實驗可以測得雙金屬片元件特性、脫扣力等參數(shù)，并利用測得的數(shù)據(jù)進行仿真計算可以求得斷路器熱脫扣時間[5]。斷路器生產(chǎn)中，由于雙金屬片特性和脫扣力等無法實時檢測，因此無法通過計算得到其熱脫扣時間。隨著自動化設(shè)備的發(fā)展，部分低壓斷路器生產(chǎn)線實現(xiàn)了通電電流、環(huán)境溫度、雙金屬片初始位置與焊接位置、熱脫扣時間等數(shù)據(jù)的在線檢測。其中，電流和環(huán)境溫度會影響雙金屬片推力和撓度。另外，通過計算雙金屬片從初始位置到焊接位置變形量可以反映雙金屬片自由端的偏移量。對于脫扣力，在生產(chǎn)中采用抽檢的方式進行檢查，實際檢測結(jié)果表明脫扣力較為穩(wěn)定，可以作為平穩(wěn)的變量。因此，在斷路器生產(chǎn)中，可以通過電流、環(huán)境溫度、雙金屬片初始位置和焊接位置估算熱脫扣時間。

熱脫扣時間是低壓斷路器的關(guān)鍵指標(biāo)。按照國家標(biāo)準(zhǔn)，要求雙金屬片在冷態(tài)通入1.05倍額定電流2 h后，不脫扣的情況下，直接通入1.3倍額定電流，通電2 h內(nèi)應(yīng)完成脫扣[6]。在斷路器生產(chǎn)中，若按標(biāo)準(zhǔn)進行熱脫扣保護特性校驗，則耗費的時間過長，因此在大批量的工業(yè)化生產(chǎn)中，通常采用提高電流以縮短校驗時間的等效方法來測量相應(yīng)的斷路器熱脫扣時間。然后利用等效的熱脫扣時間上下界（熱脫扣時間窗口）來驗證斷路器熱脫扣特性，若斷路器熱脫扣時間超出時間窗口，則說明產(chǎn)品質(zhì)量不合格。

由于斷路器熱脫扣影響因素較多且非線性關(guān)系突出，因此出現(xiàn)過斷路器熱脫扣特性校驗時的等效熱脫扣時間正常，即符合等效方法中的熱脫扣時間窗口，但在實際使用時，其相應(yīng)的熱脫扣時間不符合標(biāo)準(zhǔn)。故為了進一步確定斷路器實際的熱脫扣時間，本文通過斷路器生產(chǎn)中質(zhì)量合格產(chǎn)品的歷史生產(chǎn)數(shù)據(jù)建立斷路器熱脫扣時間預(yù)測模型，利用生產(chǎn)可檢測數(shù)據(jù)作為輸入預(yù)測熱脫扣時間。

由于斷路器雙金屬片特性或脫扣力發(fā)生變化，會導(dǎo)致熱脫扣時間發(fā)生較大偏差。比較模型計算結(jié)果和實際測得的熱脫扣時間，若兩者偏差較小，則說明生產(chǎn)工況穩(wěn)定;若兩者偏差超過設(shè)定值，則說明該批次斷路器雙金屬片特性或脫扣力存在異常，則需要工藝人員對異常原因進行分析診斷，從而及早發(fā)現(xiàn)和減少產(chǎn)品質(zhì)量異常情況。因此，利用該模型可以實現(xiàn)熱脫扣時間在線預(yù)測和斷路器生產(chǎn)異常檢測。

4? 結(jié)? 論

本文基于低壓斷路器生產(chǎn)歷史數(shù)據(jù)，以斷路器生產(chǎn)中可檢測的電流、環(huán)境溫度、雙金屬片初始位置和焊接位置等數(shù)據(jù)估算熱脫扣時間，從而提出一種基于INTLBO?SVR的熱脫扣時間預(yù)測模型。建模結(jié)果表明，與TLBO?SVR模型和常規(guī)SVR模型相比，INTLBO?SVR有更好的預(yù)測精度和泛化能力，可實現(xiàn)斷路器生產(chǎn)中熱脫扣時間提前預(yù)測，還可用于斷路器生產(chǎn)異常檢測。

參考文獻

[1] 曹梅玲.塑殼斷路器延時脫扣過程的仿真與分析[D].天津：河北工業(yè)大學(xué)，2012.

CAO Meiling. Simulation and analysis on delay tripping of moulded case circuit breaker [D]. Tianjin： Hebei University of Technology， 2012.

[2] 張春友，閆偉，吳曉強，等.基于SVR的圖書館數(shù)字資源服務(wù)績效評價方法[J].現(xiàn)代電子技術(shù)，2018，41（22）：21?24.

ZHANG Chunyou， YAN Wei， WU Xiaoqiang， et al. Performance evaluation method based on SVR for digital resource service of library [J]. Modern electronics technique， 2018， 41（22）： 21?24.

[3] 彭道剛，陳躍偉，錢玉良，等.基于粒子群優(yōu)化?支持向量回歸的變壓器繞組溫度軟測量模型[J].電工技術(shù)學(xué)報，2018，33（8）：1742?1749.

PENG Daogang， CHEN Yuewei， QIAN Yuliang， et al. Transformer winding temperature soft measurement model based on particle swarm optimization?support vector regression [J]. Transactions of China electrotechnical society， 2018， 33（8）： 1742?1749.

[4] 畢曉君，王佳薈.基于混合學(xué)習(xí)策略的教與學(xué)優(yōu)化算法[J].浙江大學(xué)學(xué)報（工學(xué)版），2017，51（5）：1024?1031.

BI Xiaojun， WANG Jiahui. Teaching?learning?based optimization algorithm with hybrid learning strategy [J]. Journal of Zhejiang University （Engineering science）， 2017， 51（5）： 1024?1031.

[5] 于永站.低壓塑殼式斷路器熱磁脫扣特性研究[D].南京：南京航空航天大學(xué)，2012.

YU Yongzhan. Research on thermomagnetic release capacity of moulded case circuit breaker [D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2012.

[6] 朱金保，路莉.塑殼斷路器熱保護特性的驗證及快速等效方法的應(yīng)用[J].電器與能效管理技術(shù)，2015（16）：35?37.

ZHU Jinbao， LU Li. Verification of MCCB′s thermal protection characteristic and application of rapid thermal equivalent method [J]. Low voltage apparatus， 2015（16）： 35?37.

[7] 張明，田娜，紀(jì)志成，等.基于小生境技術(shù)的改進引力搜索算法[J].南京航空航天大學(xué)學(xué)報，2016，48（5）： 753?760.

ZHANG Ming， TIAN Na， JI Zhicheng， et al. Niching behavior based advanced gravitational search algorithm [J]. Journal of Nanjing University of Aeronautics & Astronautics， 2016， 48（5）： 753?760.

[8] 張國榮，陳夏冉，顏麗花.基于隔離小生境粒子群算法的APF優(yōu)化配置[J].電子測量與儀器學(xué)報，2017，31（2）：208?215.

ZHANG Guorong， CHEN Xiaran， YAN Lihua. APF optimization allocation based on isolated niche particle swarm algorithm [J]. Journal of electronic measurement and instrument， 2017， 31（2）： 208?215.

[9] LI G Q， NIU P F， XIAO X J， et al. Development and investigation of efficient artificial bee colony algorithm for numerical function optimization [J]. Applied soft computing， 2012， 12（1）： 320?332.

[10] JUANG C F， HSIEH C D. A fuzzy system constructed by rule generation and iterative linear SVR for antecedent and consequent parameter optimization [J]. IEEE transactions on fuzzy systems， 2012， 20（2）： 372?384.