一种基于FOA‑RBF的高压断路器故障诊断方法与流程
本发明涉及一种高压断路器故障诊断技术，尤其涉及一种基于FOA-RBF的高压断路器故障诊断方法。
背景技术：
高压断路器能在正常或故障情况下接通或断开高压电路的开关装置，在配电网系统中起着控制及保护的双重作用，其运行状况的好坏直接决定着整个电力系统能否正常运行。因此，对高压断路器进行故障诊断意义重大。
过去断路器的检修依靠定期的停运检修制度，这种方法盲目性大，针对性不强，费时费力，且造成大面积停电。高压断路器故障类型变化多样，故障现象与故障原因存在复杂多样的非线性关系，传统的故障诊断方法效果并不明显。随着人工智能和计算机技术的飞速发展，产生了一批高压断路器的智能诊断方法，如基于误差反向传播(BP)神经网络的高压断路器故障诊断方法、基于径向基(RBF)神经网络的高压断路器故障诊断方法等。但这些方法存在收敛速率慢、容易陷入局部极点、扩展参数选取复杂等问题。
高压断路器的合闸线圈电流波形随时间变化的特性曲线反应了合闸铁芯和其控制的连锁触头等相关机构的运行状态，包含了丰富的断路器操作机构的机械特性曲线。提取合闸线圈电流波形中有关信息，可以推断出高压断路器的工作状态，如操作电压电压、铁芯空行程、操作机构动作状态等，因此，合闸线圈电流波形曲线是高压断路器故障诊断的一个重要切入点。
神经网络是由大量简单神经元模拟人脑行为，通过广泛连接实现其输入、输出间非线性映射的复杂的网络系统。神经网络能够对生理人脑的抽象思维、联想记忆等功能实施模拟抽象，从而实现与人脑相似的学习、推测、识别、记忆等信息处理功能，适用于断路器故障诊断。
针对高压断路器故障特性具有非线性以及合闸线圈电流随时间变化特性曲线，如何快速准确地进行智能诊断，成为问题的关键。
现有技术一：
采用定期停运检修制度进行高压断路器故障诊断，主要是采用大修和小修相结合进行预防性检修，小修是检修高压断路器绝缘性能、操作机构动作状况等，在定期更换零件时进行大修。
现有技术一的缺点：
不能及时发现和排查异常的故障征兆，检修具有盲目性，费时费力，带来不必要的大面积停电，同时经常性人工检修操作可能会增加新的故障，降低断路器使用寿命。
现有技术二：
采用BP神经网络进行高压断路器故障诊断，将高压断路器合闸电流波形的特征量转化为BP神经网络的输入信号，BP神经网络通过信息正向传播和误差反向传播的双向过程，对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，建立高压断路器系统输入的故障征兆与输出的故障原因间的映射。
现有技术二的缺点：
存在收敛速率慢、易陷入局部极点、推理能力较差等缺陷，收敛精度不高，甚至不收敛，从而降低高压断路器故障诊断的准确率。
现有技术三：
采用RBF神经网络的高压断路器故障诊断方法，提取合闸线圈电流波形特征量，建立基于RBF神经网络的高压断路器故障诊断模型。RBF神经网络是一种前馈反向传播网络，采用高维空间插值方法，相对BP神经网络，收敛速率更快，准确度更高。
现有技术三的缺点：
扩展参数spread是RBF神经网络性能重要影响因素，spread越大，函数拟合越平滑，但是逼近误差会变大；spread越小，函数的逼近会越精确，但是逼近过程会不平滑，网络性能差，会出现过适应现象。现有的基于RBF神经网络断路器故障诊断方法中，通常分别选取不同的spread预设值进行尝试，这样既费时又费力，有时还达不到理想的效果。
技术实现要素：
本发明的目的是提供一种基于FOA-RBF的高压断路器故障诊断方法。
本发明的目的是通过以下技术方案实现的：
本发明的基于FOA-RBF的高压断路器故障诊断方法，包括以下步骤：
A、根据高压断路器合闸电流随时间变化波形，提取特征量I1、I2、I3、t1、t2、t3、t4、t5，选取24组典型数据作为特征量样本；
B、将特征量样本进行预处理，其中特征量I1、I2、I3、t1、t2、t3、t4、t5进行归一化处理，诊断类型Y1、Y2、Y3、Y4、Y5、Y6进行二进制编码；
C、利用FOA算法搜索能力强、寻优精度高的优势，在全局范围内对RBF网络的扩展参数spread进行迭代寻优，保留最佳spread值，避免了人为设定预设值反复试凑，建立基于FOA-RBF的故障诊断模型；
D、选取样本特征量I1、I2、I3、t1、t2、t3、t4、t5作为FOA-RBF网络的输入量，Y1、Y2、Y3、Y4、Y5、Y6作为FOA-RBF神经网络的输出量，选取18组特征量样本作为FOA-RBF网络的训练样本，剩下6组作为检验样本，进行高压断路器故障诊断；
上述步骤中，各参数表示：
在t0-t1阶段，线圈通电，电流上升到极大值I1；
在t1-t2阶段，铁芯开始动作，负载增加电流下降，直至铁芯撞击到扣板电流达到极小值I2；
在t2-t3阶段，铁芯停止动作，线圈电流呈指数上升至接近最大稳态值I3；
在t3-t4阶段，上一阶段的延续，电流达到最大稳态值I3；
在t4-t5阶段，辅助开关分断，电流迅速下降至为零；
Y1、Y2、Y3、Y4、Y5、Y6表示高压断路器可能的故障诊断类型，其中：网络输出量Y1代表断路器正常，Y2代表操作电源太低，Y3代表合闸铁芯初始时刻卡涩，Y4代表操作机构卡涩，Y5代表铁芯空行程太大，Y6代表辅助开关动作接触不佳。
由上述本发明提供的技术方案可以看出，本发明实施例提供的基于FOA-RBF的高压断路器故障诊断方法，将FOA-RBF的人工智能方法运用于高压断路器的故障诊断中，是一种基于FOA-RBF的高压断路器故障诊断方法，能够对故障进行快速有效检测。
附图说明
图1为本发明实施例中利用机械特性测试仪采集高压断路器合闸电流随时间变化波形；
图2为本发明实施例中FOA优化RBF神经网络的流程图；
图3为本发明实施例中基于FOA-RBF的高压断路器故障诊断结构；
图4为本发明实施例中网络训练的性能误差曲线；
图5为本发明实施例中BP网络训练误差曲线。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明的基于FOA-RBF的高压断路器故障诊断方法，其较佳的具体实施方式是：
包括以下步骤：
A、根据高压断路器合闸电流随时间变化波形，提取特征量I1、I2、I3、t1、t2、t3、t4、t5，选取24组典型数据作为特征量样本；
B、将特征量样本进行预处理，其中特征量I1、I2、I3、t1、t2、t3、t4、t5进行归一化处理，诊断类型Y1、Y2、Y3、Y4、Y5、Y6进行二进制编码；
C、利用FOA算法搜索能力强、寻优精度高的优势，在全局范围内对RBF网络的扩展参数spread进行迭代寻优，保留最佳spread值，避免了人为设定预设值反复试凑，建立基于FOA-RBF的故障诊断模型；
D、选取样本特征量I1、I2、I3、t1、t2、t3、t4、t5作为FOA-RBF网络的输入量，Y1、Y2、Y3、Y4、Y5、Y6作为FOA-RBF神经网络的输出量，选取18组特征量样本作为FOA-RBF网络的训练样本，剩下6组作为检验样本，进行高压断路器故障诊断；
上述步骤中，各参数表示：
在t0-t1阶段，线圈通电，电流上升到极大值I1；
在t1-t2阶段，铁芯开始动作，负载增加电流下降，直至铁芯撞击到扣板电流达到极小值I2；
在t2-t3阶段，铁芯停止动作，线圈电流呈指数上升至接近最大稳态值I3；
在t3-t4阶段，上一阶段的延续，电流达到最大稳态值I3；
在t4-t5阶段，辅助开关分断，电流迅速下降至为零；
Y1、Y2、Y3、Y4、Y5、Y6表示高压断路器可能的故障诊断类型，其中：网络输出量Y1代表断路器正常，Y2代表操作电源太低，Y3代表合闸铁芯初始时刻卡涩，Y4代表操作机构卡涩，Y5代表铁芯空行程太大，Y6代表辅助开关动作接触不佳。
上述步骤中，通过分析合闸线圈电流波形随时间变化波形的特征量I1、I2、I3、t1、t2、t3、t4、t5，得到铁芯启停时间、线圈通电时间、结合断路器相关参数，进而得到断路器运行状态，包括操作电压电压、铁芯空行程、操作机构状况、辅助开关动作。
本发明实施例提供的基于FOA-RBF的高压断路器故障诊断方法，高压断路器故障诊断方法要解决技术问题如下：
1、部分高压断路器采用定期停运检修制度，这种相对保守的计划检修，具有一定的盲目性。因此，及时准确的掌握断路器的运行状况、故障点，减少过度大面积停电检修，增强检修的针对性，可达到提高配电网系统的可靠性和经济性的目的。
2、部分高压断路器采用基于BP神经网络的故障诊断方法，此方法具有收敛速率慢、网络性能差、易陷入局部极点、容错能力不强等缺点,因此提高收敛速率和诊断效果显得尤为重要。
3、部分高压断路器采用采用基于RBF神经网络的故障诊断方法，此方法需要分别对扩展参数spread不同的预设值进行尝试,费时费力,因此需要一种能够在全局范围内自动寻找spread最优值的RBF神经网络故障诊断方法，使网络性能得到最优。
4、本发明将FOA-RBF的人工智能方法运用于高压断路器的故障诊断中，是一种基于FOA-RBF的高压断路器故障诊断方法，能够对故障进行快速有效检测。
具体实施例：
1建立高压断路器故障诊断特征量样本：
1.1特征量样本提取：
利用机械特性测试仪采集高压断路器合闸电流随时间变化波形如图1所示，在t0-t1阶段，线圈通电，电流上升到极大值I1；在t1-t2阶段，铁芯开始动作，负载增加电流下降，直至铁芯撞击到扣板电流达到极小值I2；在t2-t3阶段，铁芯停止动作，线圈电流呈指数上升至接近最大稳态值I3；在t3-t4阶段，上一阶段的延续，电流达到最大稳态值I3；在t4-t5阶段，辅助开关分断，电流迅速下降至为零。通过分析合闸线圈电流波形随时间变化波形的特征量I1、I2、I3、t1、t2、t3、t4、t5等，得到铁芯启停时间、线圈通电时间等参数，结合断路器相关参数，进而得到断路器运行状态，如操作电压电压、铁芯空行程、操作机构状况、辅助开关动作等。
随机选取24组典型的高压断路器合闸电流随时间变化波形特征量样本，如表1所示。其中，选取样本特征量I1、I2、I3、t1、t2、t3、t4、t5作为FOA-RBF网络的输入量，Y1、Y2、Y3、Y4、Y5、Y6作为FOA-RBF神经网络的输出量，表示高压断路器可能的故障诊断类型。网络输出量Y1代表断路器正常，Y2代表操作电源太低，Y3代表合闸铁芯初始时刻卡涩，Y4代表操作机构卡涩，Y5代表铁芯空行程太大，Y6代表辅助开关动作接触不佳。神经网络输出量用二进制编码进行表示：Y1(1 0 0 0 0 0)；Y2(0 2 0 0 0 0)；Y3(0 0 1 0 0 0)；Y4(0 0 0 1 0 0)；Y5(0 0 0 0 1 0)；Y6(0 0 0 0 0 1)。
表1高压断路器合闸电流随时间变化波形特征量样本
1.2特征量样本预处理
由于样本特征I1、I2、I3、t1、t2、t3、t4、t5具有不同的量级和单位，需要进行预处理对样本特征进行归一化，以提高网络训练速率。归一化的方法是将神经网络的输入量转化为[0，1]之间的数值，归一化公式如下：
Pik*＝(Pik-PK-min)/(PK-max-PK-min)
其中，Pik表示高压断路器合闸电流随时间变化波形中第k种特征量的第i个数据；PK-min表示第k种特征量中所有数据的最小值；PK-max表示第k种特征量中所有数据的最大值；Pik*表示第k种特征量的第i个数据归一化后的结果数据。
24组样本特征量作为神经网络输入量经过归一化处理(精确小数点后三位)，故障诊断类型作为神经网络输出量进行二进制编码，得到预处理后的数据，如表2所示。
表2预处理后的特征量样本
2建立高压断路器故障诊断的FOA-RBF网络模型：
2.1RBF神经网络原理：
RBF神经网络是有输入层、隐含层、输出层组成的三层前馈式神经网络。在输入层，任一个节点代表一个高压断路器合闸电流波形样本特征量，其输入向量为X＝[I1，I2，I3，t1，t2，t3，t4，t5]。在隐含层，径向基函数实现输入层到输出层的非线性映射，其激励函数多采用高斯函数：
其中：c与σ分别表示高斯函数的中心和方差，||xp-ci||为欧式范数。
在输出层，网络输出为：
其中：xp表示高压断路器第p个样本特征输入值，为隐含层到输出层的连接权值，wij为隐含层到输出层的连接权值，yj表示与输入样本对应的网络第j个输出节点的实际输出。
2.2RBF网络性能影响参数spread
在Matlab软件的神经网络工具箱中调用格式可创建一个径向基神经网络：
net＝newrb(P,T,goal,spread)
其中：P是输入向量，T是目标输出向量，goal为网络均分误差目标，而spread是径向基函数的扩展参数。
扩展参数spread反应了神经元输出对输入的响应宽度，spread值的大小直径影响RBF神经网络的性能。spread的取值越大，函数拟合曲线越平滑，但逼近误差值也增大；spread的取值越小，函数逼近误差值减小，但拟合曲线会不平滑，逼近过程会出现过适应。spread的选取，既要使神经元产生响应的输入范围覆盖足够大的区域，又要避免spread过大引起各个神经元具有重叠的输入向量响应区域。以往设计RBF神经网络时，通常分别选取不同的spread预设值进行尝试，这样既费时又费力，有时还达不到理想的效果。
2.3FOA-RBF模型
针对扩展参数spread的取值直接影响RBF神经网络的性能，利用果蝇优化算法(FOA)搜索能力强、收敛速率快的优势，在全局范围内寻找spread最优值，以优化RBF网络性能。由于果蝇的觅食能力强、视觉敏锐，将spread最优解作为食物源，通过迭代寻优使神经网络输出值与实际值均方差达到最小。然后计算出果蝇个体位置与坐标原点间距离并计算倒数以求出味道浓度判定值，即扩展参数spread，将Spread的值代入RBF网络训练语句中，得到网络输出值，以输出值和样本目标输出值的均方误差MSE作为味道浓度判定函数Smell(q)：
其中：n为RBF网络训练样本数，m为RBF网络输出层节点数，xpq为网络实际输出，ypq为网络目标输出。
FOA优化RBF神经网络的流程图如图2所示,具体步骤如下：
(1)给定果蝇群体规模为Sizepop，最大迭代次数为Maxgen，随机初始化果蝇群体位置坐标为：(X_axis,Y_axis)；
(2)赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离，Random为搜索距离,则
Xi＝X_axis+Random
Yi＝Y_axis+Random
(3)由于事先无法得知食物位置，因此先估计与原点的距离Disti，再计算味道浓度判定值Si，即扩展函数spread，此值为距离的倒数:
Si＝1/Disti
(4)将扩展函数spread的值带入到BBF神经网络工具箱训练函数语句
net＝newrb(P,T,goal,spread)中，通过网络训练，利用sim函数仿真得到神经网络输出
值，以输出值和样本输出值的均方误差MSE作为味道浓度判定函数Smelli，也就是误差平方和。
Smelli＝function(si)
(5)找出该果蝇群体中味道浓度最低的果蝇即为最优个体，使得误差平方和的值达到最小；
[bestSmll bestindex]＝min(Smelli)
(6)记录并保留最佳味道浓度值bestSmell与其在X,Y轴的坐标，这时候果蝇群体利用视觉向该位置飞去：
Smellbest＝bestSmell
X_axis＝X(bestindex)
Y_axis＝Y(bestindex)
(7)然后依次迭代寻优，重复执行步骤(2)～(5)，并判断最佳味道浓度是否优于前一迭代最佳味道浓度，并且当前迭代次数小于最大迭代数，若是则执行步骤(6)。
2.2.3FOA-RBF网络故障诊断
在表2中选取18组特征量样本作为RBF神经网络的训练样本，剩下6组样本用于网络诊断效果的检验,建立基于FOA-RBF的高压断路器故障诊断结构如图3所示。
在仿真计算软件Matlab R2010b运行环境中，编写程序在全局范围内迭代寻优，保留最佳扩展函数spread的值，使用神经网络工具箱建立基于FOA-RBF的高压断路器故障诊断。设定果蝇群体初始位置为[0，1]，果蝇随机飞行方向与距离区间为[-10，10]，种群规模为20，最大迭代次数为50。神经网络工具箱调用格式net＝newrb(P,T,goal,spread)，设置网络均分误差目标goal为0.01。在Matlab软件中仿真运行，得到扩展参数spread最佳值为0.1623，网络训练的性能误差曲线如图4所示。
为了比较网络训练的性能误差，设计BP神经网络。根据多层神经网络映射存在定理，理论上证明一个任意的连续函数都能与一个三层神经网络建立映射关系，故本文采用三层BP神经网络，其中输入层节点数为8，分别表示着高压断路器合闸电流随时间变化波形特征量I1、I2、I3、t1、t2、t3、t4、t5；输出层节点数为6，分别表示着高压断路器可能的故障诊断类型Y1、Y2、Y3、Y4、Y5、Y6；选取隐含层节点个数m＝10。由于模糊逻辑的隶属度是在[0,1]之间取值，所以各神经元的激活函数分别为tansig和purelin，训练函数采用traingda。利用神经网络工具箱中newff函数创建一个结构为8-10-6的三层BP网络，最大训练次数为2000，训练目标误差为0.01，学习速率为0.1。BP网络训练误差曲线如图5所示。
网络训练误差曲线图4和图5，在同时设置的网络均分误差目标goal为0.01的情况下，BP神经网络需要716步才能达到训练目标误差，且网络训练误差性能的振荡变化比较明显，而FOA-RBF网络只需5步即可达到训练目标误差，收敛速率显著提高，网络训练效果明显提高。
将表2中19-24这六组测试样本输入量，输入到上述已经训练完毕的FOA-RBF网络中，运行得到高压断路器故障诊断的实际输出，如表3所示。根据最大隶属度原则，对比实际输出和目标输出，可得经过训练的FOA-RBF网络的实际输出与目标输出相吻合，能够准确的识别高压断路器各种可能的故障类型，基于FOA-RBF的高压断路器故障诊断方法有效可靠。
表3高压断路器故障诊断的实际输出与目标输出
本发明技术方案带来的有益效果如下：
1在高压断路器合闸电流随时间变化曲线中，将不同的量级和单位的样本特征I1、I2、I3、t1、t2、t3、t4、t5进行预处理，通过归一化提高收敛速率；
2利用FOA优化算法实现简单、搜索能力强、寻优精度高的优势，在全局范围内寻找RBF神经网络扩展参数spread最优值，相对于传统RBF网络选取不同的spread预设值进行反复试凑的方法，FOA-RBF法避免人为干预，程序自动寻优和保留最佳Spread值，省时省力，同时网络性能得到优化；；
3基于FOA-RBF的高压断路器故障诊断与基于BP网络的高压断路器故障诊断相比，收敛速率更快、推理能力更强、网络训练误差性能更优；
4基于FOA-RBF的方法对高压断路器进行故障诊断，实际输出与目标输出相符，能够准确的识别高压断路器各种可能的故障类型，诊断效果明显。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！