CN104657908A - 一种新的断路器发热量计算方法 - Google Patents

Abstract

本发明公开了一种新的断路器发热量计算方法。本发明利用RBF神经网络进行建模预测，以断路器工作环境条件、断路器设备状态、继电保护配置等作为模型的输入变量，以断路器分合闸线圈的发热量作为模型的输出变量，训练并建立断路器发热量预测模型；采用粒子群算法优化RBF神经网络的输入变量，简化了人工神经网络的输入结构，提高了RBF神经网络的学习速度和精度。

Description

一种新的断路器发热量计算方法

技术领域

本发明属于断路器保护技术领域，具体涉及一种新的断路器发热量计算方法。

背景技术

电力系统运行中经常发生跳合闸线圈烧毁事故。众所周知，跳合闸线圈都是按照短时通电设计的。跳合闸线圈的烧毁、主要是由于跳、合闸线圈回路的电流不能正常切断，导致跳合闸线圈长时间通电而造成的。作为电力系统中重要的电气元件，在电力系统发生故障时，断路器接受继电保护及自动装置的跳闸命令，并且要求其以毫秒级的速度去执行跳闸动作，以避免事故的蔓延和扩大。因此，要求断路器在投运中能随时处于待命状态，且可以做到令行禁止。尤其不允许出现有跳闸命令时，断路器拒绝跳闸的现象。在电力系统的中低压变电站中，还有大量的电磁操作机构断路器在运行。实践证明，这类断路器的操作机构稳定性较差。操作过程中,时有拒分拒合或辅助触点断不开的故障发生。在常规的有人值班变店站中，人工操作断路器，当出现上述故障时，可由控制开关KK或者及时断开该路控制电源，人工切断操作电流。因此，烧毁分合闸线圈的故障较少。即使目前已大量采用的弹簧储能操作机构的断路器，特别在调试、检修中，也多次发生在机械闭锁状态下错误进行电动操作而烧线圈的事。

跳合闸线圈烧毁的问题很有必要研制一种跳合闸线圈监测及保护装置。该装置要求能监测及记录每次断路器分合的状态(通过线圈的电流、分合 的时间、分合次数等)，并且要求能在跳合闸过程中由于种种原因导致跳合闸线圈拒动时能有效保护跳合闸线圈(此功能要能够投退，并且不影响原操作回路特性)。该装置还要求能记录跳合闸电流波形，为跳合闸线圈拒动原因分析提供数据支持。同时为以后能进行推广应用，要求该装置性能可靠、安全、经济。专利号为CN201310215635.9，名称为“断路器分合闸线圈状态检测及保护方法”的发明专利申请设计了一种断路器分合闸线圈状态检测及保护系统，通过理论计算及线圈分合闸材料分析，推导出线圈等效发热公式，通过对发热量的计算，在线圈达到发热熔点前切断通电回路达到保护线圈的目的。但是该专利并未考虑发热量计算的历史数据，使得当次测量计算的发热量数值的精确度较低。

综上所述，考虑到目前断路器分合闸线圈检测和保护存在的问题，需要一种新的方法以解决上述问题。

发明内容

为克服上述缺陷，本发明提供了一种新的断路器发热量计算方法，所述方法包括以下步骤：

步骤A、分析并确定影响断路器分合闸线圈发热量的因素；

步骤B、根据确定的影响因素的历史数据生成输入向量，以所对应的采集到的直流电流的历史数据作为输出，得到训练样本；

步骤C、利用所述训练样本对RBF神经网络进行训练，得到训练后的RBF神经网络模型；所述神经网络的输入层节点数为所述输入向量的特征维数，输出层节点数为1；

步骤D、根据所选取的影响因素的待预测时刻的实际数据生成测试输入相量，并将测试输入向量输入训练后的RBF神经网络，其输出即为待预测时刻的可采集到的直流电流数值。

所述一种新的断路器发热量计算方法采用基于RBF神经网络的方法建立断路器发热量预测模型。

所述一种新的断路器发热量计算方法采用粒子群算法优化RBF神经网络的输入变量。

所述一种新的断路器发热量计算方法的影响因素包括：断路器工作环境条件、断路器设备状态、继电保护配置、断路器动作时间、断路器分合次数。

附图说明

图1为本发明预测模型的结构示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明。

需要声明的是，本发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用，不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理启发下，可作各种修改、等同替换、或改进。但这些变更或修改均在申请待批的保护范围内。

图1为本发明预测模型的结构示意图。本发明所述方法包括以下步骤：

步骤A、分析并确定影响断路器分合闸线圈发热量的因素；

步骤B、根据确定的影响因素的历史数据生成输入向量，以所对应的 采集到的直流电流的历史数据作为输出，得到训练样本；

步骤C、利用所述训练样本对RBF神经网络进行训练，得到训练后的RBF神经网络模型；所述神经网络的输入层节点数为所述输入向量的特征维数，输出层节点数为1；

步骤D、根据所选取的影响因素的待预测时刻的实际数据生成测试输入相量，并将测试输入向量输入训练后的RBF神经网络，其输出即为待预测时刻的可采集到的直流电流数值。

所述一种基于RBF神经网络的断路器发热量计算方法采用基于RBF神经网络的方法建立断路器发热量预测模型。

所述一种基于RBF神经网络的断路器发热量计算方法采用粒子群算法优化RBF神经网络的输入变量。

所述一种基于RBF神经网络的断路器发热量计算方法的影响因素包括：断路器工作环境条件、断路器设备状态、继电保护配置、断路器动作时间、断路器分合次数。

输入变量的选择：

基于RBF神经网络的断路器发热量计算方法的影响因素包括：断路器工作环境条件、断路器设备状态、继电保护配置、断路器动作时间、断路器分合次数。

基于粒子群算法的输入变量优化：

(1)编码的实现；采用二进制编码；

(2)初始化群体：初始化群体规模设定为30，采用随机取种法产生初 始群种的二进制串；

(3)适应度函数：选择通用回归神经网络(GRNN)作为对每个样本的适应性进行评估；

(4)算子的选择、交换、变异：选用单点交叉方式进行父串信息的交换；

设定RBF神经网络的输入变量、预测值、输入层与隐含层的权值，其训练的具体步骤如下：

(1)RBF神经网络初始化：根据模型确定输入层节点数、隐含层节点数和输出层节点数，初始化各层的阀值，给定学习速率和神经元激励函数；

(2)隐含层输出计算：根据输入向量，输入层和隐含层的连接权值和隐含层阀值，计算隐含层输出；

(3)输出层输出计算：根据隐含层输出、连接权值和阀值，计算RBF神经网络预测输出；

(4)误差计算：根据神经网络预测输出值和期望输出，计算网络预测误差；

(5)权值更新：根据网络预测误差更新网络连接权值；

(6)阀值更新：根据网络预测误差更新网络节点阀值；

(7)判断算法迭代是否结束，若没有，则返回步骤(2)。

神经网络模型的训练误差和预测误差均由下式计算：

其中，“p”代表所有样本的数目；“i_a”表示样本j的预测值；“i_b”表示模型样本p的目标值。 

RBF神经网络模型是基于相关径向基函数的线性组合，采用高斯型函数，其表达式为：

$h(x;c_j;{\mathrm{\σ}}_j)=\exp [-{\left(\frac{{x-c}_j}{\sqrt{{2\mathrm{\σ}}_j}}\right)}^2]$

其中h(x；c_j；σ_j)表示隐含层中第j个RBF单元的输出值；x-c_j表示第j个网络模型的中心矢量c_j和输入变量x的Eucliidean间的距离；_j代表第j个网络模型的扩展程度。模型的输出公式表示为：

$Y_k\left(x\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{h}_j\left(x\right)+b_k$

其中，jk表示输出层单元k与隐含层单元j间的连接权重；y_k(x)为输入矢量x经网络模型计算后的输出层单元k中的输出值。b_k表示输出单元k的偏置。

以K-均值算法为RBF模型的中心，且以K-最临近偏差分配算法进行模型宽度的选择。最优网络模型的误差函数E为：

$E=\underset{p=1}{\overset{p}{\mathrm{\Σ}}}{E}_p=\frac{1}{2}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{(t_k^{\left(p\right)}-y_k^{\left(p\right)})}^2.$

Claims (4)

1.一种新的断路器发热量计算方法，其特征在于，包括以下步骤：

步骤A、分析并确定影响断路器分合闸线圈发热量的因素；

步骤B、根据确定的影响因素的历史数据生成输入向量，以所对应的采集到的直流电流的历史数据作为输出，得到训练样本；

步骤C、利用所述训练样本对RBF神经网络进行训练，得到训练后的RBF神经网络模型；所述神经网络的输入层节点数为所述输入向量的特征维数，输出层节点数为1；

步骤D、根据所选取的影响因素的待预测时刻的实际数据生成测试输入相量，并将测试输入向量输入训练后的RBF神经网络，其输出即为待预测时刻的可采集到的直流电流数值。

2.根据权利要求1所述的一种新的断路器发热量计算方法，其特征在于：采用基于RBF神经网络的方法建立断路器发热量预测模型。

3.根据权利要求1所述的一种新的断路器发热量计算方法，其特征在于：采用粒子群算法优化RBF神经网络的输入变量。

4.根据权利要求1所述的一种新的断路器发热量计算方法，其特征在于，所述影响因素包括：断路器工作环境条件、断路器设备状态、继电保护配置、断路器动作时间、断路器分合次数。