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】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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（idletime)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 素一一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】
[0005] 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。
[0006] 为实现上述目的，本发明采用以下技术方案：
[0007] 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。
[0008] 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。
[0009] 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。
[0010] 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。
[0011] 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。
[0012] 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：
[0013] (1)高压开关发送分合闸命令给微控制器；
[0014] (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。和分闸时间T。；
[0015] (3)根据人工神经网络计算得出的断路器固有合闸时间T。和分闸时间T。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Tw;
[0016] (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1；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。
[0017] 作为本发明的优选实施例，分闸时的等待时间Tw根据公式Tw=N?T 计算；合闸时的等待时间Tw根据公式Tw=N?TZ_-T。计算，其中，N为正整数，T。为交流 的半波时间，Tarcing为期望的最佳燃弧时间。
[0018] 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：
[0019] 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Xk(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Yji=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'(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=l，2，…，P)，隐含 层给定输出为1^.(u=l，2,…，P)，输出层给定输出为K(u=l，2,…，P)，则隐含层 输出为：其中，<=exp[-去为高斯型径向基函数，Cjk= / -/=! ' 2±=1C j (4，(^2，...，(^，(^)1为隐含层节点基函数的中心，0^%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；
[0020] 输出层节点的输出为扩=1%^Wij为隐含层节点与输出层节点之间的连接权 值。
[0021] 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：
[0