基于RBF神經網絡的高壓斷路器機構故障診斷

喬維德

（無錫開放大學，江蘇 無錫 214011）

高壓斷路器是電力系統中重要的電氣設備，起著開關通斷和安全保護的作用，它在電力系統中能隔斷電流，具有控制及保護電網的功能，高壓斷路器性能直接影響電力系統是否能夠安全穩定運行［1］［2］。如果高壓斷路器運行過程中產生故障，會導致非正常的大面積停電，并嚴重燒毀電力設備，造成較大的經濟損失甚至人身傷亡，而機械操作機構故障為最主要的故障，約占高壓斷路器故障的八成［3］［4］。因此，及時監測高壓斷路器操作機構狀態并對出現的故障加以有效診斷是保障電力系統安全可靠運行的重要措施。

目前高壓斷路器故障診斷方法中多采用BP神經網絡，學者們在研究高壓斷路器故障診斷技術時，采用BP算法、粒子群算法等不同群體智能算法，取得一定的成效，但這些算法在迭代尋優過程中存在計算量大、收斂速度慢、陷入局部最優等各種不足和缺陷，往往在高壓斷路器發生故障時容易誤診斷，從而影響高壓斷路器故障診斷的準確性。所以，為提高神經網絡應用于高壓斷路器故障診斷的性能和效率，本文通過分析果蠅算法和粒子群算法這兩種智能算法的優勢和缺陷，組合形成果蠅—粒子群混合算法，用于優化訓練RBF神經網絡，建立用于對高壓斷路器機構故障加以診斷的RBF神經網絡模型。

1 高壓斷路器機構故障診斷系統模型

圖1為高壓斷路器機構故障診斷系統模型。系統功能包括：高壓斷路器操作機構故障數據的歸一化處理與輸入、RBF神經網絡優化訓練、輸出故障編碼及故障識別。選定高壓斷路器合/分閘電流i1、i2、i3和對應時間t1、t2、t3、t4、t5等數據進行歸一化處理后作為RBF神經網絡輸入量，RBF神經網絡輸出s1～s5，經過特征編碼分別對應高壓斷路器操作機構的五種故障狀態，分別是合閘鐵芯開始階段有卡澀、鐵芯空行程過大、操作機構有卡澀、輔助開關接觸不良、供電電源電壓過低，其中RBF神經網絡采取果蠅—粒子群混合算法進行優化訓練。

圖1 高壓斷路器機構故障診斷系統模型

2 RBF神經網絡及其優化

高壓斷路器機構故障診斷采用的RBF神經網絡結構示意圖如圖2所示。

圖2 RBF神經網絡結構示意圖

RBF神經網絡由輸入層、隱含層、輸出層組成。隱含層單元的激活函數采用徑向基高斯函數Hi，RBF神經網絡輸入為x1～xn，對應高壓斷路器合/分閘電流和時間。RBF神經網絡輸出為s1～sm，RBF神經網絡輸出層第d個神經元輸出yd為：

式中，i=1,2,…，k，k表示隱含層神經元的個數；ωid表示隱含層間和輸出層之間的連接權值；Hi表示隱含層中第i個節點處神經元的徑向基高斯函數，高斯函數的計算公式為：

公式中的ci、δi分別為徑向基高斯函數的中心和寬度。利用RBF神經網絡對高壓斷路器機構故障診斷時，因為參數ci、δi、ωid對RBF神經網絡的學習速度以及其診斷準確率有很大影響，故采取果蠅—粒子群算法優化RBF神經網絡。果蠅算法具有很強的全局尋優能力和較快的收斂速度，但在后期局部尋優時速度變得很慢，尋優精度也不高；然而粒子群算法尋優速度很快，精度也較高，所以，由果蠅算法和粒子群算法融合而成的果蠅—粒子群算法能全面提高RBF神經網絡優化速度及其精確度。利用果蠅—粒子群算法優化RBF神經網絡的大致流程為［5］：

（1）選定果蠅—粒子群算法的初始化參數。設定果蠅群體數量為M，果蠅群體初始位置坐標為（X0，Y0），果蠅算法迭代步進值為v，果蠅算法最大迭代次數為L1。粒子群算法的最大迭代次數為L2，最大慣性權重和最小慣性權重系數分別為ωmax、ωmin。

（2）計算果蠅個體所處位置。根據嗅覺果蠅個體獲取搜尋食物的目標方向及距離。

（3）計算果蠅個體的味道濃度。果蠅個體位置距離原點距離記為hi，味道濃度判別函數（或適應度函數）記為Fit，味道濃度判定值記為Gi，果蠅個體位置對應的味道濃度記為Concentration，味道濃度計算公式為：

（4）搜尋全局味道濃度最高的果蠅個體

在果蠅群體中，全局搜尋味道濃度最高的果蠅個體，最高味道濃度值設為bestConcentration，味道濃度最高的果蠅個體位置坐標值記為X、Y，此時其余的果蠅個體會利用嗅覺飛向并不斷靠近坐標值X、Y位置，便產生新的果蠅群聚位置。

（5）果蠅算法迭代尋優。如果果蠅算法的更新迭代尋優次數沒有達到算法的最大迭代次數L1，那么轉入式（2）重復執行；如果迭代次數達到L1，則轉入式（6）繼續執行。

（6）由上述果蠅算法尋優而組成新果蠅群體，將新果蠅群體中各個體作為粒子群算法的初始種群，更新粒子群中的運動速度和所處位置［6］。

其中，j=1,2,…d,d表示粒子搜索空間維數；t表示粒子的進化迭代次數；Xij（t）表示在t次迭代時當前粒子位置；Vij（t）表示在t次迭代時當前粒子速度；Pj（t）表示當前粒子最優位置，Gj（t）表示粒子群所有粒子的最優位置；C1、C2均選取為1.6，R1、R2為［0，1］范圍數值；Fit表示粒子適應度值，Fitmax表示粒子最大適應度，Fitave表示粒子平均適應度。

（7）粒子迭代進化尋優。如果粒子進化迭代次數小于粒子群算法中的最大迭代次數L2，則轉入式（6）重新更新粒子速度和位置［7］；如果粒子進化迭代次數達到最大迭代次數L2，則輸出得到全局最優解（粒子最優位置），全局最優解便作為RBF神經網絡的最優結構參數。

果蠅—粒子群算法優化RBF神經網絡示意框圖見圖3。

圖3 果蠅－粒子群算法優化RBF神經網絡示意框圖

將果蠅—粒子群算法優化輸出得到的全局最優解對應RBF神經網絡的最佳結構參數，并代入ci、δi、ωid，選取高壓斷路器機構故障樣本數據對RBF神經網絡進行學習訓練，直到得出RBF神經網絡的均方誤差達到最小。此處定義均方誤差J與果蠅—粒子群算法的適應度Fit互為倒數，即J=1/Fit，均方誤差J的計算公式為：

上式中，sik、qik分別為第i個訓練樣本在RBF神經網絡第k個輸出神經元節點處的網絡輸出和期望輸出，m為RBF神經網絡的輸出神經元節點個數（m=5），n為輸入RBF神經網絡的訓練樣本數。

3 高壓斷路器機構故障診斷算例

3.1 高壓斷路器機構故障樣本選取

針對高壓斷路器操作機構的機械特性，選取ZN28A-12/1250-20系列戶內高壓真空斷路器進行試驗，利用LYDT-105高壓開關/斷路器機械特性測試儀檢測斷路器合/分閘時的電流數據，先后20次測量高壓斷路器正常運行時的線圈電流，其典型的正常線圈電流波形如圖4所示［8］。

圖4 高壓斷路器線圈正常電流波形

由圖示分析可知，在t0時刻高壓斷路器通電時，線圈電流按指數規律增加。當線圈通電至t1時刻，線圈電流增加至i2，同時高壓斷路器中的鐵芯將開始產生運動變化，因為鐵芯運動負荷的增加及變化，線圈電流開始逐漸減小，直到時間達到t2時刻線圈電流降至最小值i3。在t2～t3時間段內，高壓斷路器鐵芯運動停止，但線圈電流大小繼續按照指數變化規律增加，并不斷趨于電流最大穩態值i1。在t3～t4時間段內，當線圈電流增加至i1（最大電流穩態值）時不再增加。由于高壓斷路器的輔助開關執行分斷操作，在t4～t5時間段內，線圈電流急劇下降至零為止。根據對圖4高壓斷路器合/分閘時的線圈電流變化情況分析，將線圈電流i1、i2、i3和運行時間t1、t2、t3、t4、t5選取為特征向量，建立高壓斷路器的特征空間到故障空間的映射樣本集。本實驗選取現場檢測的220組高壓斷路器故障數據作為RBF神經網絡樣本，其中包括訓練樣本200組，測試樣本20組。

3.2 高壓斷路器機構故障樣本數據的歸一化處理

線圈電流和運行時間具有不同的量綱和單位，為便于對數據的統一規范處理，需要對數據進行歸一化的數學處理轉化為［0，1］區間數值，然后輸入RBF神經網絡，從而加快RBF神經網絡訓練速度，避免一些不利數據影響網絡學習訓練精度。歸一化處理的轉化公式為：

式中，X＊（k）表示故障樣本數據歸一化后數值，xkmin表示第k個樣本數據的最小值，xkmax表示第k個樣本數據的最大值。

3.3 高壓斷路器機構故障特征編碼

用于高壓斷路器機構故障論斷的RBF神經網絡輸出值范圍為［0，1］，數值高低反映了高壓斷路器發生的故障輕重程度，數值如果越趨近1，表示故障出現概率越大或者故障發生程度越嚴重。如：當高壓斷路器合閘鐵芯開始階段出現卡澀故障時，RBF神經網絡輸出神經元輸出s1的期望值q1為1，其它輸出神經元輸出s2～s5的期望值q2～q5都為0。RBF神經網絡輸出編碼與高壓斷路器故障類型對應關系如表1所示。

表1 故障類型對應的網絡輸出編碼表

3.4 高壓斷路器機構故障診斷實驗分析

通過反復試驗,采取的果蠅—粒子群算法參數初始值選取如下：果蠅群體數量M為350，果蠅算法的最大迭代次數L1為450，優化迭代步進值v為0.55。粒子群算法的最大迭代次數L2為250，最小慣性權重ωmin和最大慣性權重ωmax分別為0.2和1.6。RBF神經網絡的拓撲結構為8—11—5，RBF神經網絡訓練的目標誤差精度為10-4。對高壓斷路器的200組訓練樣本故障數據作歸一化處理后輸入RBF神經網絡進行學習訓練，直至RBF神經網絡的輸出誤差達到訓練目標誤差精度。為了比較不同算法優化訓練RBF神經網絡性能情況，分別利用BP算法、粒子群算法、果蠅-粒子群算法優化訓練RBF神經網絡，通過MATLAB2015b仿真軟件分析它們的訓練性能及其訓練誤差，訓練指標及訓練誤差曲線圖如表2和圖5所示。從圖表的分析結果得出，采用果蠅-粒子群算法訓練RBF神經網絡，訓練時間最短，訓練步數最少，訓練精度最高。

圖5 RBF神經網絡的訓練誤差曲線圖

表2 RBF神經網絡不同算法訓練指標

3.5 高壓斷路器機構故障診斷測試

現場隨機選取20組高壓斷路器故障數據作為測試樣本，如表3所示，將測試樣本輸入經果蠅—粒子群算法優化訓練的RBF神經網絡,測試樣本診斷結果如表4所示。由表4看出，RBF神經網絡診斷結論和高壓斷路器的實際故障完全一致，所以RBF神經網絡的診斷準確度高，具有優良的工作可靠性。

表3 高壓斷路器故障測試樣本

表4 高壓斷路器故障樣本測試結果

4 結論

RBF神經網絡是一種性能優良、高效的前饋型神經網絡，具有比BP神經網絡更優的泛化能力和更高的逼近精度。鑒于BP算法、粒子群算法等存在的不足和問題，設計果蠅—粒子群算法優化RBF神經網絡的高壓斷路器機構故障診斷方法。仿真算例結果分析表明,經過果蠅—粒子群算法優化訓練的RBF神經網絡能對高壓斷路器機構的各類故障進行準確判斷，故障診斷模型為高壓斷路器故障診斷提供了一種嶄新的技術途徑，具有較高的應用價值和實踐意義。