[发明专利]一种智能型永磁真空断路器的控制系统及控制方法

摘要

本发明属于断路器技术领域，公开了一种智能型永磁真空断路器的控制系统及控制方法，控制系统包括：信号采集模块、合闸控制模块、中央控制模块、光电隔离模块、故障识别模块、报警器、显示屏。本发明通过合闸控制模块能对断路器的合闸时间进行补偿，以使断路器的分合闸时间在不同工况下都能保持稳定，从而为实现同步合闸提供可靠的基础；同时通过故障识别模块将支持向量机与增量学习相结合，识别永磁机构高压真空断路器常见故障。充分利用小样本数据来训练模型，提高了故障识别的泛化能力，并通过学习新增数据不断丰富样本库，可将分类识别精度提高到90％以上。

主权项

1.一种智能型永磁真空断路器的控制方法，其特征在于，所述智能型永磁真空断路器的控制方法包括：通过信号采集模块采集电路信号，根据接收的信号产生相应的驱动信号；通过合闸控制模块对断路器合闸时间进行粗调和微调控制；通过光电隔离模块以光为媒介传输电信号；通过故障识别模块采集电路故障信号数据，建立故障特征数据样本进行识别故障特征；如果识别出故障信号，则触发报警器进行报警；通过显示屏显示采集的信号信息及故障状态信息。中央控制模块对驱动信号、粗调和微调后合闸信号、光传输电信号、故障识别信号进行控制处理，其中，首先对驱动信号、粗调和微调后合闸信号、光传输电信号、故障识别信号进行利用k均值聚类算法进行样本预选，依据数据预选的结果，在未标记实例集中对重要样本集L*中的每个实例进行查询，将查询得到的类标返回；得到未标记实例集中的部分“重要”实例并获取标记，来代替全部未标记实例；利用样本预选结果，重要样本集L*作为支持向量机主动学习的训练集，构建神经网络模型BP，产生神经网络模型BP的初始权值；将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：其中H为网络隐含层节点数；对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA‑DBP，根据预测模型AIGA‑DBP计算驱动信号、粗调和微调后合闸信号、光传输电信号、故障识别信号的预测值；具体有：调整神经网络模型BP隐含层与输出层之间的权值w_kj；调整w_kj的目的是希望输出节点j的新输出比当前输出o_pj更接近目标值t_pj，其中，α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，有：其中w_kj和分别为更新前后的权值，y_pk为隐含层输出，△w_kj为w_kj的改变量；得到△w_kj的求解方程：其中，根据最小平方和误差原则求解方程得到△w_kj的近似解：对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；调整神经网络模型BP输入层与隐含层之间的权值v_ik；调整v_ik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；不考虑阈值，隐含层节点k的权值的改变通过以下方程得：其中δ_pj＝f^‑1(y_pk+Δy_pk)‑f^‑1(y_pk)，M为自然数，隐含层输出y_pk求解公式为：其中△y_pk为y_pk的改变量，有：根据最小平方和误差原则求解公式构建的矩阵方程，得：综合公式和计算隐含层与输出层之间权值的动态平均改变量得计算输入层与隐含层之间权值的动态平均改变量得，M取10～20之间的自然数，获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；判断预测值与期望值的误差是否满足设定的条件，输出控制指令。