RBF神經(jīng)網(wǎng)絡(luò)在斷路器故障診斷中的應(yīng)用*

郭鳳儀，馬文龍，李 斌

(遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，遼寧葫蘆島125105)

0 引言

作為電力輸配系統(tǒng)中應(yīng)用最廣泛的開關(guān)電器—高壓斷路器在電力系統(tǒng)中既要實現(xiàn)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(xiàn)在觸頭的分合動作上，因此，決定分合動作的操縱機構(gòu)的工作性能對高壓斷路器的穩(wěn)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(jìn)行在線故障診斷比較困難，而RBF神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意復(fù)雜的非線性函數(shù)關(guān)系，可以實現(xiàn)那些難以用數(shù)學(xué)模型表示的復(fù)雜映像關(guān)系，能夠自學(xué)習(xí)和自適應(yīng)不確定系統(tǒng)的動態(tài)特性，具有較強的魯棒性和容錯性。因此，利用RBF神經(jīng)網(wǎng)絡(luò)的這些優(yōu)點，將其運用到斷路器的故障預(yù)測、故障診斷及模式識別當(dāng)中，則可提高設(shè)備運行的安全性、可靠性、經(jīng)濟(jì)性及利用率。

1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是利用RBF作為隱含層單元的基從而構(gòu)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(dāng)RBF的中心點確定以后，這種映射關(guān)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(wǎng)絡(luò)的輸出是隱含層單元輸出的線性加權(quán)和，此處的權(quán)即為網(wǎng)絡(luò)可調(diào)參數(shù)。由此可見，網(wǎng)絡(luò)由輸人到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對可調(diào)參數(shù)而言卻又是線性的。這樣網(wǎng)絡(luò)的權(quán)就可由線性方程組直接解出，從而大大加快學(xué)習(xí)速度并避免局部極小問題。

1.1 RBF函數(shù)網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)由兩層組成，如圖1所示。輸入層實現(xiàn)從x到Ψ(‖·‖)的非線性映射，輸出層實現(xiàn)從Ψ(‖·‖)到y(tǒng)的線性映射。RBF函數(shù)網(wǎng)的輸出層第j個神經(jīng)元的輸出可表示為

由于 Ψ(‖·‖)為高斯函數(shù)，因而，對任意 x均有Ψ(‖·‖)＞0，從而失去局部調(diào)整權(quán)值的優(yōu)點。而當(dāng)x遠(yuǎn)離c時，Ψ(‖·‖)已非常小，可作為0對待。因此實際上只當(dāng)Ψ(‖·‖)大于某一數(shù)值(如0.06)時才對相應(yīng)的權(quán)值w進(jìn)行修改。經(jīng)過這樣處理后RBF神經(jīng)網(wǎng)絡(luò)也同樣具備局部逼近網(wǎng)絡(luò)學(xué)習(xí)收斂快的優(yōu)點。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框圖Fig 1 Structure diagram of RBF neural network

1.2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟

RBF神經(jīng)網(wǎng)絡(luò)包含中心位置C和方差σ22個可調(diào)參數(shù)。此時，整個網(wǎng)絡(luò)可調(diào)參數(shù)有3組，即各基函數(shù)的中心位置、方差和輸出單元的權(quán)值。對于寬度參數(shù)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(shù)。

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

以上過程實際是有指導(dǎo)學(xué)習(xí)，y是指導(dǎo)數(shù)據(jù)，通過對權(quán)值的訓(xùn)練后估計輸出逼近實際輸出。K均值聚類算法是獨立的學(xué)習(xí)算法，與BP算法相比，由于參數(shù)調(diào)整是線性的，可獲得較快的收斂速度，非常適合于系統(tǒng)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(xiàn)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(shù)規(guī)律上升。t1－t2時，鐵芯開始運動，由于運動負(fù)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(shù)規(guī)律增至接近最大穩(wěn)態(tài)值。t3－t4時，是上一階段的延續(xù)，電流達(dá)最大穩(wěn)態(tài)值。t4－t5時，輔助開關(guān)分?jǐn)?，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(tài)，如，分閘速度、鐵芯行程、穩(wěn)態(tài)情況、開關(guān)關(guān)斷等有無故障。因此，對電流波形進(jìn)行檢測就可實現(xiàn)線圈操縱狀態(tài)的監(jiān)測和斷路器的故障預(yù)測。此外，對正常狀態(tài)下分閘電流隨時間變化的波形作多次測量，確認(rèn)電流波形具有良好的重復(fù)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(yīng)用實例分析

利用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)對高壓斷路器分閘線圈時間信號的監(jiān)測過程進(jìn)行建模。該模型易于實現(xiàn)且具有較高精度，可用于斷路器操縱過程狀況的預(yù)估。根據(jù)經(jīng)驗與試驗結(jié)果分析，輸入特征量要對輸出影響大且彼此間不相關(guān)，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(xiàn)的故障類型，選擇操縱機構(gòu)正常、分閘起始故障、鐵芯行程故障、分閘穩(wěn)態(tài)故障及開關(guān)斷電故障等5類。

神經(jīng)網(wǎng)絡(luò)的輸入輸出特征量用編碼表示且網(wǎng)絡(luò)的輸出值在0到1之間。數(shù)值大小表示對應(yīng)的故障程度，0表示此種情況未發(fā)生，1表示此種情況發(fā)生，數(shù)值越接近1表示發(fā)生此類故障的幾率越大;反之，則越小。針對本系統(tǒng)，設(shè)定輸出值大于或等于0.65便認(rèn)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(gòu)的故障原因及其編碼。

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

4 系統(tǒng)仿真測試

在Matlab開發(fā)環(huán)境下選用NNTOOL工具箱，在相同條件下分別選用BP和RBF神經(jīng)網(wǎng)絡(luò)對分閘線圈操作電流隨時間變化曲線進(jìn)行學(xué)習(xí)和預(yù)測。根據(jù)m≥3n(m為樣本個數(shù)，n為考察對象個數(shù))，選擇30個數(shù)據(jù)作為學(xué)習(xí)樣本，另外10個作為預(yù)測樣本。

BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)設(shè)置:輸入層為5個輸入;隱含層數(shù)為1層;節(jié)點數(shù)為8個;輸出層的輸出個數(shù)為5個;初始權(quán)值?。?，l］隨機數(shù);訓(xùn)練最高次數(shù)為10 000次;誤差上限為0.01。訓(xùn)練結(jié)果如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果Fig 3 BP neural network fault diagnosis result

訓(xùn)練最終平方誤差和為1.047，訓(xùn)練最終時間為189.719 s。

RBF神經(jīng)網(wǎng)絡(luò)初始參數(shù)設(shè)置:輸入層為5個輸入;隱含層數(shù)為1層;節(jié)點數(shù)由系統(tǒng)自動生成為6個;誤差上限為0.01;訓(xùn)練最高次數(shù)為200次;RBF函數(shù)寬度為0.7。訓(xùn)練結(jié)果如圖4所示。

圖4 RBF神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果Fig 4 RBF neural network fault diagnosis result

訓(xùn)練最終訓(xùn)練平方誤差和為0.0083，訓(xùn)練最終時間為0.608 s。

由上圖比較結(jié)果可知，BP網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)采用負(fù)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(jīng)網(wǎng)絡(luò)所具有的任意函數(shù)逼近、自動優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和較好的泛化能力，使其在故障診斷方面的應(yīng)用前景廣闊。因此，將RBF函數(shù)網(wǎng)絡(luò)用于斷路器的故障診斷是可行的和實用的。

5 結(jié)論

1)在研究高壓斷路器分閘線圈電流隨時間變化關(guān)系的基礎(chǔ)上，利用RBF神經(jīng)網(wǎng)絡(luò)對此非線性曲線進(jìn)行快速逼近，并準(zhǔn)確判斷出操縱機構(gòu)的故障類型。

2)經(jīng)與BP網(wǎng)絡(luò)對比說明了RBF神經(jīng)網(wǎng)絡(luò)能取得良好的訓(xùn)練效果，可高效快速地監(jiān)測高壓斷路器操縱機構(gòu)的運行狀態(tài)，體現(xiàn)出很好的辨識能力。

［1］苑舜編.高壓開關(guān)設(shè)備狀態(tài)監(jiān)測與診斷技術(shù)［M］.北京:機械工業(yè)出版社，2001:2.

［2］劉 安，劉春生.基于RBF神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)故障診斷［J］.計算機仿真，2007(2):141－144.

［3］胡小光，齊 明，紀(jì)延超.基于徑向基網(wǎng)絡(luò)的高壓斷路器在線監(jiān)測和故障診斷［J］.電網(wǎng)技術(shù)，2001，25(8):41－44.

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

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

［6］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計［M］.北京:清華大學(xué)出版社，2005.