CN104538222A - 基于人工神经网络的高压开关选相控制器及方法 - Google Patents

Abstract

本发明提供了一种基于人工神经网络的高压开关选相控制器及方法。包括微控制器以及与微控制器电连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器，以及通讯模块；所述微控制器通过通讯模块获得高压选相开关的储能水平及充气压力；当微控制器MCU获得环境温度、操作电压、储能水平、充气压力，以及间歇时间后，基于人工神经网络计算断路器的分/合闸时刻，最后当捕捉到电压/电流过零点时，在适当的分/合闸时刻发出分/合闸命令。本发明通过人工神经网络迅速计算开关的固有分/合闸时间,实时控制开关分/合于最佳的电流/电压相位从而有效降低开关操作对电网产生的冲击。

Description

基于人工神经网络的高压开关选相控制器及方法

技术领域

本发明涉及一种配用液压机构的SF6断路器控制器，具体为一种基于人工神经网络的高压开关选相控制器及方法。

背景技术

配液压机构的SF6断路器广泛应用在220kV电压等级及以上的高压电网中。SF6断路器在进行分合闸操作时，容易产生很高的操作过电压和涌流，例如在关合电容器组时，断路器接收合闸命令的时刻是随机的，断路器在合闸操作时其触头两端电压大多数情况下不为零，触头之间在合闸瞬间会产生最大可达50倍稳态值的高频涌流，给电力系统和用户设备造成严重危害，解决这一问题的最佳方法是采用选相操作的方法。即选择合理的电压/电流相位进行分/合闸操作。 

以并联电容器组的操作为例，当触头两端电压为零时合闸，涌流会大大减轻，理论上涌流峰值只有稳态值的1.6倍。当断路器分闸时，在电流过零熄灭时，如果保证触头间有足够的熄弧间距以承受恢复电压，则重击穿的几率会显著降低。

高压选相开关可以选择最有利的电压/电流相位进行合/分闸操作以有效降低开关操作对电网产生的冲击。高压开关选相操作的关键在于准确预知其分/合闸动作时间，然而高压开关的动作时间受环境温度、控制电压、充气压力、机构储能水平以及操作间歇时间(idle time)等多种因素影响。这些因素对开关动作时间的影响极其复杂且 同时作用，根本无法建立它们之间的解析表达式，而当变化参数多于两个时，用插值法进行描述也成为不可能。目前业界通常的做法是采用插值法，只考虑对开关动作时间影响最大的两个因素——环境温度和控制电压对动作时间的影响。然而这实在是舍弃控制精度的无奈之举，无法完全满足工程实际的要求。

发明内容

本发明提供了一种基于人工神经网络的高压开关选相控制器及方法，利用人工神经网络描述影响选相开关动作时间的诸多因素与开关动作时间之间的关系，满足了工程实际对高压开关选相操作控制精度的要求。

为实现上述目的，本发明采用以下技术方案：

一种基于人工神经网络的高压开关选相控制器，包括微控制器MCU以及与微控制器MCU连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器，以及通讯模块；所述电流/电压过零点检测模块及控制电压检测模块通过光耦与微控制器MCU连接，所述微控制器通过通讯模块获取高压选相开关的储能水平及充气压力；当控制器接到分/合闸指令后，微控制器MCU通过相应功能模块获取环境温度、操作电压、储能水平、充气压力，以及间歇时间，随后，基于人工神经网络计算断路器的分/合闸时间并据此计算出使开关操作冲击降至最小的最佳分/合闸指令发出时刻,最后当捕捉到电压/电流过零点后，等待一段时间，该在分/合闸时刻发出分/合闸命令。 

作为本发明的优选实施例，所述电流/电压过零点检测模块的输 入端进一步连接有霍尔电压传感器和霍尔电流传感器用以捕获输电系统的电压和电流信号，进而获得高压开关的过零点电压/电流。

作为本发明的优选实施例，所述人工神经网络采用三层结构，第一层为输入层，包括环境温度、控制电压、充气压力、储能水平及间歇时间，第二层为隐层，采用高斯基函数作为激活函数，第三层为输出层，为分闸和合闸时间。

作为本发明的优选实施例，所述微控制器MCU的输出端电连接有分合闸线圈驱动模块，用以控制高压开关的动作。

作为本发明的优选实施例，所述微控制器MCU通过光耦连接分合闸线圈驱动模块。

一种基于人工神经网络的高压开关选相控制器的控制方法，包括以下步骤：

(1)高压开关发送分合闸命令给微控制器；

(2)微控制器采集环境温度、控制电压、充气压力、储能水平及间歇时间，将该五个参数作为人工神经网络的输入，计算得出断路器的固有合闸时间T_c和分闸时间T_o；

(3)根据人工神经网络计算得出的断路器固有合闸时间T_c和分闸时间T_o计算断路器接收到电压/电流过零点信号后需要等待的时间T_w；

(4)微控制器搜索到高压开关的电压/电流过零点信号后，等待T_w时间，发送分闸或合闸指令，控制高压开关分/合与最佳之电压/电流相位，使开关操作对电网的冲击将至最小。

作为本发明的优选实施例，分闸时的等待时间T_w根据公式T_w＝N·T_zero-T_o-T_arcing计算；合闸时的等待时间T_w根据公式T_w＝N·T_zero-T_c计算，其中，N为正整数，T_zero为交流的半波时间，T_arcing为期望的最佳燃弧时间。

作为本发明的优选实施例，利用人工神经网络计算断路器的分/合闸时间的方法为：

第一层输入层节点数N＝5，即有5个输入变量，分别是环境温度、控制电压、充气压力、储能水平及间歇时间，用X_k(k＝1,2,3,4,5)表示；第三层输出层节点数M＝2，即有2个输出变量：分闸和合闸时间，用Y_i(i＝2)表示；第二层隐层采用高斯基函数作为激活函数，其输出用V_j(j＝1,2,…，L)表示，L为隐含层节点数；隐含层函数采用高斯型径向基函数，并进行归一化处理；假设P为样本个数，给定输入为(u＝1,2，…，P)，隐含层给定输出为(u＝1,2，…，P)，输出层给定输出为(u＝1,2，…，P)，则隐含层输出为：  $V_j^u=R_j^u/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{R}_j^u,$ 其中，为高斯型径向基函数，c_jk＝(c_j1,c_j2,...,c_jk,c_jN)^T为隐含层节点基函数的中心，σ_j为隐含层节点基函数的宽度，为归一化的径向基函数，N为正整数；

输出层节点的输出为W_ij为隐含层节点与输出层节点之间的连接权值。

作为本发明的优选实施例，所述人工神经网络的网络训练按照以下步骤进行：

a)对所有变量进行归一化处理

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中X和X’分别为原始数据和归一化后的数据；

b)确定RBF网络逼近的性能指标函数为

$E=\frac{1}{2}{(y\left(k\right)-y_m\left(k\right))}^2$

其中y(k)为实测的分/合闸时间(导师信号)，y_m(k)为网络的实际输出值；

c)根据梯度下降法，输出权、节点基宽参数及节点中心矢量的迭代算法如下：

${\mathrm{\Δb}}_j=(y\left(k\right)-y_m\left(k\right))w_j{h}_j\frac{{\left|\right|X-C_j\left|\right|}^2}{b_j^3}$

b_j(k)＝b_j(k-1)+ηΔb_j+α(b_j(k-1)-b_j(k-2)) 

${\mathrm{\Δc}}_{\mathrm{ji}}=(y\left(k\right)-y_m\left(k\right))w_j{h}_j\frac{x_i-c_{\mathrm{ji}}}{b_j^2}$

c_ji(k)＝c_ji(k-1)+ηΔc_ji+α(c_ji(k-1)-c_ji(k-2)) 

式中，h_j为高斯基函数，

$h_j=\exp (-\frac{{\left|\right|X-C_j\left|\right|}^2}{2b_j^2}),j=\mathrm{1,2},...,L$

η为学习速率，α为动量因子，η∈[0,1],α∈[0,1]；

d)用实验方式离线获得断路器分/合闸时间与环境温度、控制电压、充气压力、储能水平及间歇时间的关系，形成训练对数据，按上述(a-c)步骤，对所述的人工神经网络进行训练，获得神经网络的网络参数。

与现有技术相比，本发明控制器及其方法至少具有以下有益效 果：高压开关选相操作的关键在于准确预知其分/合闸动作时间，然而现有的高压开关的动作时间受环境温度、控制电压、充气压力、机构储能水平以及操作间歇时间(idle time)等多种因素影响，这些因素对开关动作时间的影响极其复杂且同时作用，根本无法建立它们之间的解析表达式，而当变化参数多于两个时，用插值法进行描述也几乎成为不可能。本发明构造了离线的人工神经网络模型，用人工神经网络模型描述上述诸多因素与开关动作时间之间的关系，考虑上述所有参数对开关动作时间的影响，满足了工程实际对高压开关选相操作控制精度的要求。

附图说明

图1是开关动作时间与环境温度、控制电压等5个影响变量之间关系的RBF人工神经网络算法示意图。

图2是本发明选相断路器控制系统结构框图。

具体实施方式

本发明的技术方案包括以下5个步骤：

1.构造开关动作时间(分/合闸时间)与环境温度、操作电压、储能水平、充气压力以及间歇时间5个变量之间关系的三层RBF(径向基函数)人工神经网络；

2.通过实验离线获取高压开关动作时间与环境温度、操作电压、储能水平、充气压力以及间歇时间5个变量之间关系的训练对数据；

3.训练之前对数据进行归一化处理；

4.根据梯度下降法执行输出权值、节点基宽参数及节点中心矢量 的迭代算法以确定人工神经网络参数；

5.在开关进行分/合闸操作时，通过人工神经网络迅速计算开关分/合闸时间。以此为根据，实时控制开关分/合于最佳的电流/电压相位，从而有效降低开关操作对电网产生的冲击。

下面结合附图对本发明控制器及其控制方法做详细介绍：

如图2所述，本发明基于人工神经网络的高压开关选相控制器包括微控制器MCU，以及与MCU连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器，以及通讯模块。本发明以微控制器MCU为核心，微控制器通过光耦与电流/电压过零点检测模块、控制电压检测模块连接。

所述电流/电压过零点检测模块的输入端进一步连接有霍尔电压传感器或霍尔电流传感器，霍尔电压传感器与霍尔电流传感器检测来自经电压、电流互感器变换后的输电系统电压、电流信号，捕捉系统电压、电流的过零点并输入微控制器。

选相断路器的控制电压信号通过线性光耦送入微控制器MCU。环境温度由控制器自带的温度传感器测量。充气压力、储能水平等信息通过通讯模块送入微控制器。MCU记录断路器两次开关操作的间歇时间。

本发明的工作过程为：当微控制器接收到分/合闸命令后，微控制器将温度传感器采集的环境温度、控制电压检测模块采集的操作电压、通讯模块传输的储能水平、充气压力，以及微控制器记录的断路器两次开关操作的间歇时间输入到人工神经网络中，计算得到断路器 的固有分/合闸时间；接着，微控制器根据该分/合闸时间计算分/合闸命令发出时刻，最后，在检测到电流/电压过零点后等待一段特定的时间，在分/合闸时刻发出分/合闸命令，使开关操作对电网形成的冲击最小。

如图1所示，本发明的人工神经网络有三层，输入层有5个节点X_k(k＝1…….5)，分别对应环境温度、操作电压、储能水平、充气压力以及间歇时间，输出层2节点，为分闸时间和合闸时间。中间层有L个节点，为隐层。

通过实验获取高压开关动作时间与环境温度、操作电压、储能水平、充气压力以及间歇时间5个变量之间关系的训练对数据；

网络训练包括以下步骤：

a)对所有变量进行归一化处理

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中X和X’分别为原始数据和归一化后的数据，X_min为对应数据的最小值，X_max为对应数据的最大值。

b)确定RBF网络逼近的性能指标函数为

$E=\frac{1}{2}{(y_i\left(k\right)-y_{\mathrm{mi}}\left(k\right))}^2$

其中，y(k)为实测的分/合闸时间(导师信号)，(k为训练样本数)y_m(k)为网络的实际输出值。

c)根据梯度下降法，输出权w_j(k)、节点基宽参数b_j及节点中心矢量c_ji的迭代算法如下

${\mathrm{\Δb}}_j=(y\left(k\right)-y_m\left(k\right))w_j{h}_j\frac{{\left|\right|X-C_j\left|\right|}^2}{b_j^3}$

b_j(k)＝b_j(k-1)+ηΔb_j+α(b_j(k-1)-b_j(k-2)) 

${\mathrm{\Δc}}_{\mathrm{ji}}=(y\left(k\right)-y_m\left(k\right))w_j{h}_j\frac{x_i-c_{\mathrm{ji}}}{b_j^2}$

c_ji(k)＝c_ji(k-1)+ηΔc_ji+α(c_ji(k-1)-c_ji(k-2)) 

式中，h_j为高斯基函数，

η为学习速率，α为动量因子，η∈[0,1],α∈[0,1]

用实验获得的训练对数据按上述方法，对所述的人工神经网络进行训练，获得该神经网络的网络参数。

选相控制器在接收到分/合闸命令后，测量环境温度、控制电压、同时根据事先由通讯接口输入的充气压力和储能水平数值以及控制器记录的间歇时间数据，得到所有RBF神经网络的输入参数。随后，通过该神经网络模型计算出此时条件下的断路器分/合闸时间，并且据此计算出断路器的等待时间。最后，检测到电网电流/电压相位(即检测到电网的过零点电压/电流信号)后，延迟一段时间(上述计算出的等待时间)，，随后发送断路器的分/合闸命令，令断路器分/合于最佳的电流/电压相位，使断路器操作对电网的影响降至最小。

本发明人工神经网络模型在高压选相断路器控制器中的应用进一步说明如下：

该网络第一层的5个输入变量分别是环境温度、控制电压、充气压力、储能水平及间歇时间，用X_k(k＝1,2,3,4,5)表示；第三层1个输出变量：为分闸或合闸时间(分闸操作时为分闸时间，合闸操作时为合闸时间)，用Y_i(i＝2)表示；第二层隐层采用高斯基函数作为 激活函数，其输出用V_j(j＝1,2,…，L)表示，L为隐含层节点数。隐含层函数采用高斯型径向基函数，并进行归一化处理。假设P为样本个数，给定输入为(u＝1,2，…，P)，隐含层给定输出为(u＝1,2，…，P)，输出层给定输出为(u＝1,2，…，P)，则隐含层输出如下：

$V_j^u=R_j^u/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{R}_j^u$

其中，为高斯型径向基函数，C_jk＝(c_j1,c_j2,...,c_jk,c_jN)^T表示隐含层节点基函数的中心σ_j表示隐含层节点基函数的宽度，为归一化的径向基函数，上表u代表第u次测量。 为归一化的径向基函数。

输出层节点的输出为

其中W_j为隐含层节点与输出层节点之间的连接权值。

对每一种型号的高压断路器，可以通过实验的方法测量其动作时间与控制电压、环境温度、充气压力、储能水平以及间歇时间等5个变量之间的关系。具体方法如下：

以控制电压、环境温度、充气压力、储能水平以及间歇时间等5个变量作为自变量，以分闸时间和合闸时间为因变量，控制上述5个自变量变化，对每一组自变量，测量开关的分/合闸时间。每一组自变量及其对应的因变量构成一个训练对。重复上述方法获得更多的训练对数据。

用上述训练对数据对本发明构造的人工神经网络进行训练， 获得该神经网络的网络参数。

Claims (9)

1.一种基于人工神经网络的高压开关选相控制器，其特征在于：包括微控制器MCU以及与微控制器MCU连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器，以及通讯模块；所述电流/电压过零点检测模块及控制电压检测模块通过光耦与微控制器MCU连接，所述微控制器通过通讯模块获取高压选相开关的储能水平及充气压力；当控制器接到分/合闸指令后，微控制器MCU通过相应功能模块获取环境温度、操作电压、储能水平、充气压力，以及间歇时间，随即基于人工神经网络计算断路器的固有分/合闸时间并据此计算出使开关操作冲击降至最小的最佳分合闸指令发出时刻，最后当捕捉到过零点电压/电流时，在该分/合闸时刻发出分/合闸命令。

2.根据权利要求1所述的一种基于人工神经网络的高压开关选相控制器，其特征在于：所述电流/电压过零点检测模块的输入端进一步连接有霍尔电压传感器和霍尔电流传感器用以捕获输电系统的电压和电流信号，进而获得高压开关的电压/电流过零点。

3.根据权利要求1所述的一种基于人工神经网络的高压开关选相控制器，其特征在于：所述人工神经网络采用三层结构，第一层为输入层，包括环境温度、控制电压、充气压力、储能水平及间歇时间，第二层为隐层，采用高斯基函数作为激活函数，第三层为输出层，为分闸和合闸时间。

4.根据权利要求1至3中任意一项所述的一种基于人工神经网络的高压开关选项控制器，其特征在于：所述微控制器MCU的输出端电连接有分合闸线圈驱动模块，用以控制高压开关的动作。

5.根据权利要求4所述的一种基于人工神经网络的高压开关选相控制器，其特征在于：所述微控制器MCU通过光耦连接分合闸线圈驱动模块。

6.一种基于权利要求1至5中任意一项所述的基于人工神经网络的高压开关选项控制器的控制方法，其特征在于：包括以下步骤：

(1)高压开关发送分合闸命令给微控制器；

(2)微控制器采集环境温度、控制电压、充气压力、储能水平及间歇时间，将该五个参数作为人工神经网络的输入，计算得出断路器的固有合闸时间T_c和固有分闸时间T_o；

(3)根据人工神经网络计算得出的断路器固有合闸时间T_c和分闸时间T_o计算断路器接收到过零点电压/电流信号后需要等待的时间T_w；

(4)微控制器搜索到高压开关的电压/电流过零点信号后，等待T_w时间，发送分闸或合闸指令，控制高压开关的分合。

7.根据权利要求6所述的控制方法，其特征在于：分闸时的等待时间T_w根据公式T_w＝N·T_zero-T_o-T_arcing计算；合闸时的等待时间T_w根据公式T_w＝N·T_zero-T_c计算，其中，N为正整数，T_zero为交流的半波时间(对于工频50Hz为10ms)，T_arcing为期望的最佳燃弧时间。

8.根据权利要求6所述的控制方法，其特征在于：利用人工神经网络计算断路器的分/合闸时间的方法为：

第一层输入层节点数N＝5，即有5个输入变量，分别是环境温度、控制电压、充气压力、储能水平及间歇时间，用X_k(k＝1,2,3,4,5)表示；第三层输出层节点数M＝1，即有1个输出变量：分闸时间或合闸时间，用Y表示；第二层隐层采用高斯基函数作为激活函数，其输出用V_j(j＝1,2,…，L)表示，L为隐含层节点数；隐含层函数采用高斯型径向基函数，并进行归一化处理；假设P为样本个数，给定输入为 $X_j^u(u=\mathrm{1,2},...,P),$ 隐含层给定输出为 $V_j^u(u=\mathrm{1,2},...,P),$ 输出层给定输出为 $Y_j^u(u=\mathrm{1,2},...,P),$

则隐含层输出为： $V_j^u=R_j^u/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{R}_j^u,$ 其中， $R_j^u=\exp [-\frac{1}{2}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{X_k^u-c_{\mathrm{jk}}}{{\mathrm{\σ}}_j}\right)}^2]$ 为高斯型径向基函数，c_jk＝(c_j1,c_j2,...,c_jk,c_jN)^T为隐含层节点基函数的中心，σ_j为隐含层节点基函数的宽度，为归一化的径向基函数，N＝5，为输入节点数；输出层节点的输出为W_ij为隐含层节点与输出层节点之间的连接权值。

9.根据权利要求8所述的控制方法，其特征在于，所述人工神经网络的网络训练按照以下步骤进行：

a)对所有变量进行归一化处理

$X^{\′}=\frac{X-X_m}{X_{\max }-X_{\min }}$

其中X和X’分别为原始数据和归一化后的数据；

b)确定RBF网络逼近的性能指标函数为

$E=\frac{1}{2}{(y\left(k\right)-y_m\left(k\right))}^2$

其中y(k)为实测的分/合闸时间(导师信号)，y_m(k)为网络的实际输出值；

c)根据梯度下降法，输出权、节点基宽参数及节点中心矢量的迭代算法如下

w_j(k)＝w_j(k-1)+η(y(k)-y_m(k))h_j+α(w_j(k-1)-w_j(k-2))

${\mathrm{\Δb}}_j=(y\left(k\right)-y_m\left(k\right))w_j{h}_j\frac{{\left|\right|X-C_j\left|\right|}^2}{b_j^3}$

b_j(k)＝b_j(k-1)+ηΔb_j+α(b_j(k-1)-b_j(k-2))

${\mathrm{\Δc}}_{\mathrm{ji}}=(y\left(k\right)-y_m\left(k\right))w_j{h}_j\frac{x_i-c_{\mathrm{ji}}}{b_j^2}$

c_ji(k)＝c_ji(k-1)+ηΔc_ji+α(c_ji(k-1)-c_ji(k-2))

式中，h_j为高斯基函数，

$h_j=\exp (-\frac{{\left|\right|X-C_j\left|\right|}^2}{{2b}_j^2}),j=\mathrm{1,2},...,L$

η为学习速率，α为动量因子，η∈[0,1],α∈[0,1]；

d)用实验方式离线获得断路器分/合闸时间与环境温度、控制电压、充气压力、储能水平及间歇时间的关系，形成训练对数据，按上述(a-c)步骤，对所述的人工神经网络进行训练，获得神经网络的网络参数。