一种智能型永磁真空断路器的控制系统及控制方法技术方案

本发明专利技术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。本发明专利技术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。

Control System and Control Method of an Intelligent Permanent Magnet Vacuum Circuit Breaker

The invention belongs to the technical field of circuit breakers, and discloses a control system and control method of an intelligent permanent magnet vacuum circuit breaker. The control system includes signal acquisition module, closing control module, central control module, photoelectric isolation module, fault identification module, alarm and display screen. The closing time of the circuit breaker can be compensated by the closing control module, so that the opening and closing time of the circuit breaker can be kept stable under different working conditions, thus providing a reliable basis for synchronous closing. At the same time, the support vector machine and incremental learning are combined by the fault recognition module to identify the high permanent magnet mechanism. Common faults of voltage vacuum circuit breaker. By making full use of small sample data to train the model, the generalization ability of fault recognition is improved, and by learning new data to enrich the sample database, the accuracy of classification and recognition can be improved to more than 90%.

【技术实现步骤摘要】
一种智能型永磁真空断路器的控制系统及控制方法
本专利技术属于断路器
，尤其涉及一种智能型永磁真空断路器的控制系统及控制方法。
技术介绍
目前，业内常用的现有技术是这样的：断路器是指能够关合、承载和开断正常回路条件下的电流并能关合、在规定的时间内承载和开断异常回路条件下的电流的开关装置。断路器按其使用范围分为高压断路器与低压断路器，高低压界线划分比较模糊，一般将3kV以上的称为高压电器。断路器可用来分配电能，不频繁地启动异步电动机，对电源线路及电动机等实行保护，当它们发生严重的过载或者短路及欠压等故障时能自动切断电路，其功能相当于熔断器式开关与过欠热继电器等的组合。而且在分断故障电流后一般不需要变更零部件。目前，已获得了广泛的应用。然而，现有断路器没有考虑因温度变化对断路器机械结构的影响，从而造成合闸时间改变，不能同步合闸，给实际使用带来不方便；同时使用时，难以捕获设备故障时的状态信息，故障数据样本缺乏，数据不丰富；故障分析方法针对性不强，且难以建立对应的故障识别数学模型。综上所述，现有技术存在的问题是：现有断路器没有考虑因温度变化对断路器机械结构的影响，从而造成合闸时间改变，不能同步合闸，给实际使用带来不方便；同时使用时，难以捕获设备故障时的状态信息，故障数据样本缺乏，数据不丰富；故障分析方法针对性不强，且难以建立对应的故障识别数学模型。现有利用未标记实例提高分类器学习性能的方法存在只能应用主动学习的思想而并没有解决特定问题的具体办法，需要做到“具体问题，具体分析”；算法计算复杂度高，导致算法难以应用在断路器的快速控制需求上。但到目前为止，尚无一种在大数据驱动下对影响因素进行分析挖掘，并将动态特性融入预测模型的调整策略预测方法。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种智能型永磁真空断路器的控制系统及控制方法。本专利技术是这样实现的，一种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wkj；调整wkj的目的是希望输出节点j的新输出o*pj比当前输出opj更接近目标值tpj，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wkj和分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；得到△wkj的求解方程：其中，根据最小平方和误差原则求解方程得到△wkj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vik；调整vik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δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，隐含层输出ypk求解公式为：其中△ypk为ypk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计算输入层与隐含层之间权值的动态平均改变量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。进一步，K均值聚类算法包括：给定样本集D＝{x1,x2,；；；,xm},“k均值”算法针对聚类所得簇划分C＝{c1,c2,；；；,ck}最小化平方误差：其中，x是簇ci的均值向量；生成的聚类个数K＝2；进一步，运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。进一步，合闸控制方法包括：首先，根据已知永磁真空断路器的合闸线圈电流，确定真空断路器动触头的始动时刻t1、刚合时刻ta，以及真空断路器动触头始动时刻线圈的电流值I1，线圈在分闸位置的时间常数τ1和合闸位置的时间常数τ2，并计算文中所述的参数S；然后，根据前述参数，确定VVVE拟合电流方程的参数，从而得出VVVE参考电流曲线；最后，通过不断调节系数k和η，重新计算拟合电流方程参数，得到修正的参考电流曲线，应用线圈电流跟踪法实现对断路器合闸时间的粗调和微调，以优化断路器动触头运动特性。进一步，故障识别方法包括：：1)归一化故障特征数据，并将数据随机分为A、B、C3组数据，建立故障特征数据样本；2)利用支持向量机分类算法训练数据A得到分类模型M1，利用支持向量机增量学习算法训练数据B得到模型M2；3)利用数据C验证模型M1与M2的准确性。本专利技术的另一目的在于提供一种实现所述智能型永磁真空断路器的控制方法的计算机程序。本专利技术的另一目的在于提供一种实现所述智能型永磁真空断路器的控制方法的计算机。本专利技术的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的智能型永磁真空断路器的控制方法。本专利技术的另一目的在于提供一种智能型永磁真空断路器的控制系统包括：信号采集模块，与中央控制模块连接，用于采集电路信号，根据本文档来自技高网...

【技术保护点】
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：

【技术特征摘要】
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wkj；调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值tpj，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wkj和分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；得到△wkj的求解方程：其中，根据最小平方和误差原则求解方程得到△wkj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vik；调整vik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δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，隐含层输出ypk求解公式为：其中△ypk为ypk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。2.如权利要求1所述智能型永磁真空断路器的控制方法，其特征在于，K均值聚类算法包括：给定样本集D＝{x1,x2,；；；,xm},“k均...

【专利技术属性】
技术研发人员：陈雷，武佩依，杨津听，洪昆，张润东，隋维利，钊向飞，马克伟，
申请(专利权)人：云南海力特电气自动化有限公司，
类型：发明
国别省市：云南,53