本发明属于断路器技术领域，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。
背景技术
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。
技术实现要素：
针对现有技术存在的问题，本发明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。
本发明是这样实现的，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：
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，
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：
根据最小平方和误差原则求解公式
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。
本发明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。
本发明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。
本发明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。
本发明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，根据接收的信号产生相应的驱动信号；
合闸控制模块，与中央控制模块连接，用于对断路器合闸时间进行粗调和微调控制；
中央控制模块，与信号采集模块、合闸控制模块、光电隔离模块、故障识别模块、报警器、显示屏连接，用于控制各个模块正常工作；
光电隔离模块，与中央控制模块连接，用于以光为媒介传输电信号；
故障识别模块，与中央控制模块连接，用于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；
报警器，与中央控制模块连接，用于根据识别的故障信号进行触发报警；
显示屏，与中央控制模块连接，用于显示采集的信号信息及故障状态信息。
本发明的另一目的在于提供一种搭载所述智能型永磁真空断路器的控制系统的永磁真空断路器控制设备
本发明的优点及积极效果为：
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。
传统的主动学习方法对如何选择需要的数据，并没有给出完善的解决方案。而本发明利用整合成员变量的方法，为主动学习方法提供了一套基于聚类假设的解决方案范式；使得主动学习中的样本类标查询有据可依，且适用范围广。
本发明公布的基于样本预选的svm模型生成技术，在保证了svm模型分类精确度的基础上，大大降低了分类器对类标的需求。实验证明了本发明的可行性，其分类准确性高于同类svm方法，高精确性、稳定性，也是现有svm模型生成方法所不具备的。
本发明构建神经网络模型bp，对神经网络模型bp的权值和阈值进行动态改进，从而获得动态神经网络模型dbp，再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，最后运用预测模型aiga-dbp计算出需要调整信号的预测值，能够优化控制信号的输出指令准确性。
本发明中运用了大数据分析技术，使得影响因素的挖掘更为高效和准确，影响因素考虑更加全面，有效提高预测的准确性。
附图说明
图1是本发明实施例提供的智能型永磁真空断路器的控制系统结构框图。
图中：1、信号采集模块；2、合闸控制模块；3、中央控制模块；4、光电隔离模块；5、故障识别模块；6、报警器；7、显示屏。
图2是本发明实施例提供的故障识别方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
如图1所示，本发明实施例提供的智能型永磁真空断路器的控制系统，包括：信号采集模块1、合闸控制模块2、中央控制模块3、光电隔离模块4、故障识别模块5、报警器6、显示屏7。
信号采集模块1，与中央控制模块3连接，用于采集电路信号，根据接收的信号产生相应的驱动信号；
合闸控制模块2，与中央控制模块3连接，用于对断路器合闸时间进行粗调和微调控制；
中央控制模块3，与信号采集模块1、合闸控制模块2、光电隔离模块4、故障识别模块5、报警器6、显示屏7连接，用于控制各个模块正常工作；
光电隔离模块4，与中央控制模块3连接，用于以光为媒介传输电信号；
故障识别模块5，与中央控制模块3连接，用于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；
报警器6，与中央控制模块3连接，用于根据识别的故障信号进行触发报警；
显示屏7，与中央控制模块3连接，用于显示采集的信号信息及故障状态信息。
本发明提供的合闸控制模块2控制方法如下：
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。
本发明提供的故障识别模块5识别方法如下：
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。
本发明工作时，通过信号采集模块1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2对断路器合闸时间进行粗调和微调控制；中央控制模块3调度光电隔离模块4以光为媒介传输电信号；通过故障识别模块5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6进行报警；通过显示屏7显示采集的信号信息及故障状态信息。
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：
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，
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：
根据最小平方和误差原则求解公式
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；
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。
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。
如图2，本发明实施例提供的故障识别方法包括：：
s101: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；
s102: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；
s103:利用数据c验证模型m1与m2的准确性。
验证方法包括：
算法1；activesvm；
输入：样本集u、groundtrue
输出：最佳分类超平面(ω,b)
得到当前p下的l*
利用l*训练支持向量机模型m*
ifm*优于基于u、groundtrue生成的模型m,then
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。