基于RBF神经网络的高压断路器机构故障诊断

乔维德

（无锡开放大学，江苏 无锡 214011）

高压断路器是电力系统中重要的电气设备，起着开关通断和安全保护的作用，它在电力系统中能隔断电流，具有控制及保护电网的功能，高压断路器性能直接影响电力系统是否能够安全稳定运行［1］［2］。如果高压断路器运行过程中产生故障，会导致非正常的大面积停电，并严重烧毁电力设备，造成较大的经济损失甚至人身伤亡，而机械操作机构故障为最主要的故障，约占高压断路器故障的八成［3］［4］。因此，及时监测高压断路器操作机构状态并对出现的故障加以有效诊断是保障电力系统安全可靠运行的重要措施。

目前高压断路器故障诊断方法中多采用BP神经网络，学者们在研究高压断路器故障诊断技术时，采用BP算法、粒子群算法等不同群体智能算法，取得一定的成效，但这些算法在迭代寻优过程中存在计算量大、收敛速度慢、陷入局部最优等各种不足和缺陷，往往在高压断路器发生故障时容易误诊断，从而影响高压断路器故障诊断的准确性。所以，为提高神经网络应用于高压断路器故障诊断的性能和效率，本文通过分析果蝇算法和粒子群算法这两种智能算法的优势和缺陷，组合形成果蝇—粒子群混合算法，用于优化训练RBF神经网络，建立用于对高压断路器机构故障加以诊断的RBF神经网络模型。

1 高压断路器机构故障诊断系统模型

图1为高压断路器机构故障诊断系统模型。系统功能包括：高压断路器操作机构故障数据的归一化处理与输入、RBF神经网络优化训练、输出故障编码及故障识别。选定高压断路器合/分闸电流i1、i2、i3和对应时间t1、t2、t3、t4、t5等数据进行归一化处理后作为RBF神经网络输入量，RBF神经网络输出s1～s5，经过特征编码分别对应高压断路器操作机构的五种故障状态，分别是合闸铁芯开始阶段有卡涩、铁芯空行程过大、操作机构有卡涩、辅助开关接触不良、供电电源电压过低，其中RBF神经网络采取果蝇—粒子群混合算法进行优化训练。

图1 高压断路器机构故障诊断系统模型

2 RBF神经网络及其优化

高压断路器机构故障诊断采用的RBF神经网络结构示意图如图2所示。

图2 RBF神经网络结构示意图

RBF神经网络由输入层、隐含层、输出层组成。隐含层单元的激活函数采用径向基高斯函数Hi，RBF神经网络输入为x1～xn，对应高压断路器合/分闸电流和时间。RBF神经网络输出为s1～sm，RBF神经网络输出层第d个神经元输出yd为：

式中，i=1,2,…，k，k表示隐含层神经元的个数；ωid表示隐含层间和输出层之间的连接权值；Hi表示隐含层中第i个节点处神经元的径向基高斯函数，高斯函数的计算公式为：

公式中的ci、δi分别为径向基高斯函数的中心和宽度。利用RBF神经网络对高压断路器机构故障诊断时，因为参数ci、δi、ωid对RBF神经网络的学习速度以及其诊断准确率有很大影响，故采取果蝇—粒子群算法优化RBF神经网络。果蝇算法具有很强的全局寻优能力和较快的收敛速度，但在后期局部寻优时速度变得很慢，寻优精度也不高；然而粒子群算法寻优速度很快，精度也较高，所以，由果蝇算法和粒子群算法融合而成的果蝇—粒子群算法能全面提高RBF神经网络优化速度及其精确度。利用果蝇—粒子群算法优化RBF神经网络的大致流程为［5］：

（1）选定果蝇—粒子群算法的初始化参数。设定果蝇群体数量为M，果蝇群体初始位置坐标为（X0，Y0），果蝇算法迭代步进值为v，果蝇算法最大迭代次数为L1。粒子群算法的最大迭代次数为L2，最大惯性权重和最小惯性权重系数分别为ωmax、ωmin。

（2）计算果蝇个体所处位置。根据嗅觉果蝇个体获取搜寻食物的目标方向及距离。

（3）计算果蝇个体的味道浓度。果蝇个体位置距离原点距离记为hi，味道浓度判别函数（或适应度函数）记为Fit，味道浓度判定值记为Gi，果蝇个体位置对应的味道浓度记为Concentration，味道浓度计算公式为：

（4）搜寻全局味道浓度最高的果蝇个体

在果蝇群体中，全局搜寻味道浓度最高的果蝇个体，最高味道浓度值设为bestConcentration，味道浓度最高的果蝇个体位置坐标值记为X、Y，此时其余的果蝇个体会利用嗅觉飞向并不断靠近坐标值X、Y位置，便产生新的果蝇群聚位置。

（5）果蝇算法迭代寻优。如果果蝇算法的更新迭代寻优次数没有达到算法的最大迭代次数L1，那么转入式（2）重复执行；如果迭代次数达到L1，则转入式（6）继续执行。

（6）由上述果蝇算法寻优而组成新果蝇群体，将新果蝇群体中各个体作为粒子群算法的初始种群，更新粒子群中的运动速度和所处位置［6］。

其中，j=1,2,…d,d表示粒子搜索空间维数；t表示粒子的进化迭代次数；Xij（t）表示在t次迭代时当前粒子位置；Vij（t）表示在t次迭代时当前粒子速度；Pj（t）表示当前粒子最优位置，Gj（t）表示粒子群所有粒子的最优位置；C1、C2均选取为1.6，R1、R2为［0，1］范围数值；Fit表示粒子适应度值，Fitmax表示粒子最大适应度，Fitave表示粒子平均适应度。

（7）粒子迭代进化寻优。如果粒子进化迭代次数小于粒子群算法中的最大迭代次数L2，则转入式（6）重新更新粒子速度和位置［7］；如果粒子进化迭代次数达到最大迭代次数L2，则输出得到全局最优解（粒子最优位置），全局最优解便作为RBF神经网络的最优结构参数。

果蝇—粒子群算法优化RBF神经网络示意框图见图3。

图3 果蝇－粒子群算法优化RBF神经网络示意框图

将果蝇—粒子群算法优化输出得到的全局最优解对应RBF神经网络的最佳结构参数，并代入ci、δi、ωid，选取高压断路器机构故障样本数据对RBF神经网络进行学习训练，直到得出RBF神经网络的均方误差达到最小。此处定义均方误差J与果蝇—粒子群算法的适应度Fit互为倒数，即J=1/Fit，均方误差J的计算公式为：

上式中，sik、qik分别为第i个训练样本在RBF神经网络第k个输出神经元节点处的网络输出和期望输出，m为RBF神经网络的输出神经元节点个数（m=5），n为输入RBF神经网络的训练样本数。

3 高压断路器机构故障诊断算例

3.1 高压断路器机构故障样本选取

针对高压断路器操作机构的机械特性，选取ZN28A-12/1250-20系列户内高压真空断路器进行试验，利用LYDT-105高压开关/断路器机械特性测试仪检测断路器合/分闸时的电流数据，先后20次测量高压断路器正常运行时的线圈电流，其典型的正常线圈电流波形如图4所示［8］。

图4 高压断路器线圈正常电流波形

由图示分析可知，在t0时刻高压断路器通电时，线圈电流按指数规律增加。当线圈通电至t1时刻，线圈电流增加至i2，同时高压断路器中的铁芯将开始产生运动变化，因为铁芯运动负荷的增加及变化，线圈电流开始逐渐减小，直到时间达到t2时刻线圈电流降至最小值i3。在t2～t3时间段内，高压断路器铁芯运动停止，但线圈电流大小继续按照指数变化规律增加，并不断趋于电流最大稳态值i1。在t3～t4时间段内，当线圈电流增加至i1（最大电流稳态值）时不再增加。由于高压断路器的辅助开关执行分断操作，在t4～t5时间段内，线圈电流急剧下降至零为止。根据对图4高压断路器合/分闸时的线圈电流变化情况分析，将线圈电流i1、i2、i3和运行时间t1、t2、t3、t4、t5选取为特征向量，建立高压断路器的特征空间到故障空间的映射样本集。本实验选取现场检测的220组高压断路器故障数据作为RBF神经网络样本，其中包括训练样本200组，测试样本20组。

3.2 高压断路器机构故障样本数据的归一化处理

线圈电流和运行时间具有不同的量纲和单位，为便于对数据的统一规范处理，需要对数据进行归一化的数学处理转化为［0，1］区间数值，然后输入RBF神经网络，从而加快RBF神经网络训练速度，避免一些不利数据影响网络学习训练精度。归一化处理的转化公式为：

式中，X＊（k）表示故障样本数据归一化后数值，xkmin表示第k个样本数据的最小值，xkmax表示第k个样本数据的最大值。

3.3 高压断路器机构故障特征编码

用于高压断路器机构故障论断的RBF神经网络输出值范围为［0，1］，数值高低反映了高压断路器发生的故障轻重程度，数值如果越趋近1，表示故障出现概率越大或者故障发生程度越严重。如：当高压断路器合闸铁芯开始阶段出现卡涩故障时，RBF神经网络输出神经元输出s1的期望值q1为1，其它输出神经元输出s2～s5的期望值q2～q5都为0。RBF神经网络输出编码与高压断路器故障类型对应关系如表1所示。

表1 故障类型对应的网络输出编码表

3.4 高压断路器机构故障诊断实验分析

通过反复试验,采取的果蝇—粒子群算法参数初始值选取如下：果蝇群体数量M为350，果蝇算法的最大迭代次数L1为450，优化迭代步进值v为0.55。粒子群算法的最大迭代次数L2为250，最小惯性权重ωmin和最大惯性权重ωmax分别为0.2和1.6。RBF神经网络的拓扑结构为8—11—5，RBF神经网络训练的目标误差精度为10-4。对高压断路器的200组训练样本故障数据作归一化处理后输入RBF神经网络进行学习训练，直至RBF神经网络的输出误差达到训练目标误差精度。为了比较不同算法优化训练RBF神经网络性能情况，分别利用BP算法、粒子群算法、果蝇-粒子群算法优化训练RBF神经网络，通过MATLAB2015b仿真软件分析它们的训练性能及其训练误差，训练指标及训练误差曲线图如表2和图5所示。从图表的分析结果得出，采用果蝇-粒子群算法训练RBF神经网络，训练时间最短，训练步数最少，训练精度最高。

图5 RBF神经网络的训练误差曲线图

表2 RBF神经网络不同算法训练指标

3.5 高压断路器机构故障诊断测试

现场随机选取20组高压断路器故障数据作为测试样本，如表3所示，将测试样本输入经果蝇—粒子群算法优化训练的RBF神经网络,测试样本诊断结果如表4所示。由表4看出，RBF神经网络诊断结论和高压断路器的实际故障完全一致，所以RBF神经网络的诊断准确度高，具有优良的工作可靠性。

表3 高压断路器故障测试样本

表4 高压断路器故障样本测试结果

4 结论

RBF神经网络是一种性能优良、高效的前馈型神经网络，具有比BP神经网络更优的泛化能力和更高的逼近精度。鉴于BP算法、粒子群算法等存在的不足和问题，设计果蝇—粒子群算法优化RBF神经网络的高压断路器机构故障诊断方法。仿真算例结果分析表明,经过果蝇—粒子群算法优化训练的RBF神经网络能对高压断路器机构的各类故障进行准确判断，故障诊断模型为高压断路器故障诊断提供了一种崭新的技术途径，具有较高的应用价值和实践意义。