0 引 言

GIS作为气体绝缘全封闭组合式电器设备，与普通的高压变电站设备相比，具有体积小、空间利用率高、故障率小、运行安全性高的特点，因此目前在高压、超高压和特高压领域被广泛应用。但是由于其密封式的结构设计，也带来了故障定位困难，检修流程繁杂，事后断电时间久，断电范围大等缺点。对于GIS频发的分合闸故障，传统的对设备进行定期定点故障检测和修理的方法已经不能满足设备自身的工作要求，因此设计出一种能够快速准确分析GIS分合闸状态的方法便具有了重要的意义。

目前对于GIS分合闸故障检测的方法主要是在设备分合闸动作时对激励线圈中的驱动电流进行采样，然后再利用相应的算法对采样的电流波形进行故障分析。例如华中科技大学的易慧于2006年提出了最小二乘法和小波理论可以对分合闸电流进行故障分析[1]。浙江大学的曹飞于2008年采用分散包络统计法对分合闸线圈电流波形的轮廓进行综合分析和研究[2]。江苏财经学院的宋锦刚于2011年提出了将分合闸信号进行小波分解后对固定频段的信号重构，然后利用相似性原则对故障信号进行分类的方法[3]。上海交通大学的黄志于2015年利用核主元分析法对分合闸线圈电流波形特征值进行降维，再利用支持向量机对故障波形进行分类[4]。本文借鉴和参考了国内外学者对同类课题的研究成果，针对以往算法中模型复杂，预测精度差等缺点，依据GIS分合闸经典波形的特征点搭建了BP神经网络，并利用遗传算法和大量的样本对神经网络进行优化和训练，实现了GIS分合闸故障的有效分析和精准分类。

受控核聚变的研究之所以如此艰难，原因在于所有原子核都带正电。当2个带正电的原子核互相接近时，二者之间的静电斥力也越来越大。只有当它们之间的距离达到约3×10-8mm时，核力方可起作用。这时，由于核力大于静电斥力，2个原子核才能聚合到一起，释放出巨大的能量。由于2个原子核聚合前首先要克服强大的静电斥力。因此核聚变反应在地球上的自然条件下很难发生。

1 GIS基本特性和故障分析

1.1 正常分合闸电流波形

图1显示了GIS正常分合闸时驱动线圈上的经典电流波形[5]285，整个分合闸过程可以被分为4个阶段，其中T1～T2阶段为线圈初始通电阶段，此时电流按照指数形式上升，但由于铁芯受到的机械阻力大于电磁力，铁芯无法运动。随着通电线圈内的电流的不断增加，到达T2时刻时，铁芯的电磁力将和其受到的阻力相等，此时铁芯处于运动的临界状态，随后在T2～T3阶段铁芯在电磁力的作用下开始做加速运动并产生反向感应电动势，使得线圈电流减小，直至铁芯在T3时刻触碰到分合闸触发器后停止运动，此后线圈电流会在T3～T4阶段再次以指数形式上升，直至T4时刻铁芯能够推动脱扣装置脱扣，脱扣后，分合闸弹簧将释放弹性势能，带动断路器本体迅速动作，在T4～T5阶段辅助开关将开始动作，产生电弧，此时电压迅速升高，电流将迅速减小到最初值。

图1 正常分合闸情况下线圈电流波形

从图中可以看到，分合闸过程中线圈电流波形存在三个极值点，分别出现在T2，T3，T4三个时刻，其中T2时刻是铁芯动作的临界点，T3时刻铁芯撞击到分合闸触发器，T4时刻脱扣装置脱扣，这三组极值点的数值大小对于分析分合闸故障具有非常重要的意义。

1.2 脱扣卡滞或过软电流波形

图2显示了出现脱扣卡滞或者脱扣过软情况时线圈电流的变化趋势，大量试验证明，机构老化和润滑过度经常是导致分合闸出现脱扣问题的主要原因[6]。当GIS设备出现老化时，脱扣装置卡滞会延长T3～T4区间的时间，此时线圈电流达到第二个峰值的时间会加长，也会间接导致电流的峰值增大。相反，当GIS设备出现润滑过度时，脱扣装置过软会缩短T3～T4区间的时间，此时线圈电流达到第二个峰值的时间会缩短，其电流的峰值也会小于正常分合闸时的情况。

图2 脱扣卡滞或过软情况下线圈电流波形

1.3 供电电压过高或过低电流波形

式中:对输出层均有j=0,1,…,m; k=1,2,…,l;对隐藏层均有i=0,1,…,n; j=1,2,…m;f′(netk)代表了输出层转移函数对输出层第k个神经元的偏导数;f′(netj)代表了隐藏层转移函数对隐藏第j个神经元的偏导数。

从1932年起，尤其是中共临时中央由上海迁到瑞金后，国民党反动派在对中央苏区进行军事“围剿”的同时，加紧了对中央苏区的经济封锁。这使苏区急需的布匹、棉花、煤油、电池、医药器材、军火原料，特别是食盐严重短缺，直接影响军民日常生活与健康，影响红军战斗力。而苏区盛产的稻谷、茶油、土纸、竹木等农林产品又销不出去，以致减少了工农群众的经济收入，抑制了苏区生产和经济文化建设。为此，中央苏区各级党组织、苏维埃政府和群众团体紧急动员，带领广大群众投入反封锁斗争。全总苏区中央执行局雷厉风行，刘少奇亲自抓这项工作。

图3 供电电压过高或过低情况下线圈电流波形

2 BP神经网络结构设计

2.1 BP神经网络原理

式中:w和v分别代表了隐藏层到输出层的权值和输入层到隐藏层的权值;负号代表了权值按照负梯度下降;常数η代表了神经网络的学习速率，其一般定义为(0,1)中的一常数。对上述两式继续推导，可得:

(1)

式中:dk代表了输出层第k个神经元的期望输出;ok代表了输出层第k个神经元的实际输出。将上式展开到隐藏层，有:

(2)

式中:函数f代表了从隐藏层到输出层的转移函数;wik代表了隐藏层第i个神经元到输出层第k个神经元的网络权值;yj代表了隐藏层第j个神经元的网络输出。

其中权值矩阵V的第i行第j列元素对应的输入层的第i个神经元和隐藏层的第j个神经元之间的权值大小。而隐藏层和输出层之间的权值系数W为:

BP神经网络对权值调整的原则是使输出误差不断减小，因此权值调整量被定义为与输出误差的负梯度成正比关系，即:

脑卒中是威胁人类健康及生命的重大疾病之一，发病后可导致大脑皮质下结构的神经细胞萎缩、病变，进而可使认知功能发生障碍，导致患者康复时间的延长，生活质量降低，因此针对脑卒中患者应对认知功能障碍进行干预。常规的治疗及康复训练较难促进患者认知功能障碍的恢复，因此笔者采用早期认知康复训练进行干预，不仅可有效促进患者认知障碍的恢复，又可促进患者病情的有效控制，生活质量明显提高，效果理想，故值得推广。

j=0,1,…,m ; k=1,2,…,l

(3)

i=0,1,…,n ; j=1,2,…,m

(4)

BP神经网络是目前应用最为普遍的一种神经网络，其网络的拓扑结构一般包含输入层，隐藏层和输出层，其中隐藏层又以单隐层应用最多。BP神经网络的训练由输入信号的正向计算和输出信号的反向回馈组成，当输入信号经过网络计算后，其网络输出与期望输出之间有误差时，我们可以将误差定义为:

η(dk-ok)f′(netk)yj

(5)

(6)

图3显示了当供电电压高于或低于正常值时线圈电流的变化趋势，大量试验表明，当供电电压过高时，由于设备的等效电阻没有变化，此时激励电流的增长速度会快于正常情况，铁芯产生的电磁力会大于正常值，从而导致铁芯的临界运动时间和脱扣装置的脱扣时间提前到达，使得分合闸线圈电流的波形被整体抬升。相反，当供电电压不足的时候，激励电流的增长速度会慢于正常情况，铁芯产生的电磁力会小于正常值，从而导致铁芯的临界运动时间和脱扣装置的脱扣时间延缓到达，使得分合闸线圈电流的波形被整体拉低。

利用上述公式即可对网络权值和神经元阈值进行一次调整，反复利用样本数据对神经网络进行训练即可使神经网络误差不断收敛以致达到理想状态。

2.2 BP神经网络算法设计

在本设计中，根据GIS分合闸电流波形的特点，建立三层且隐藏层神经元个数为10的神经网络。图4展示了本神经网络系统的整体结构， 其中神经网络输入层对应分(合)闸线圈电流波形中三组极值点处的6个特征值，输出层对应分合闸动作后设备的5种状态类型。设备的状态类型和其对应的标签值如表1所示。

图4 BP神经网络结构

表1 BP神经网络输出层状态类型和对应标签值

故障类型电压过高电压过低正常情况脱扣过软脱扣卡滞标签值-4-2024

本设计中输入层到隐藏层和隐藏层到输出层的转移函数都设置为Sigmoid函数，学习效率η设置为0.2，权值引用动量表达式ΔW(t)=ηδX+αΔW(t-1)，其中α=0.2，利用神经网络对GIS分合闸故障判断的算法流程图如图5所示，其一共分为以下几个步骤:

第一步，搭建三层BP神经网络，并为神经网络权值和神经元阈值设置初始值，设置转移函数和学习效率。

通州作为北京城市副中心履行其对接中心城区功能和疏解首都交通功能的示范带动作用，形成配套完善的城市综合功能离不开智能化交通管理设施，构建智慧交通管理系统已是城市发展所需.

第二步，将GIS所有的分合闸线圈电流样本输入到神经网络中，经过神经网络拓扑结构计算得到输出值，并利用式(1)计算出样本标签值和实际输出之间的误差。

由表2可知，实验前，实验组总体凝聚力及各维度均略低于对照组总体凝聚力及相应维度，并且实验组和对照组总体凝聚力及各个维度均没有存在显著性差异(P>0.05)。两组在各个方面相差都不大，基本处于同一水平，说明实验组和对照组凝聚力水平相同或相近。

第三步，利用式(2)～式(6)和第二步得到的误差值对网络的权值和神经元阈值进行负梯度调整，并反复迭代，直至达到训练次数。判断误差值是否达到精度要求，如果没有达到则重新进行训练，如果达到了则表明训练过程结束。

第四步：将进化过的离散种群中的每个个体的数值重新赋值给神经网络权值和神经元阈值，针对新种群中的由每个个体组成的神经网络，再次输入样本计算子代的目标函数值。

图5 BP神经网络整体流程图

3 遗传算法优化设计

3.1 遗传算法的引入

对于上节利用神经网络进行故障分类的算法，虽然其结构简单且易于操作，但是却具有一些天生的缺陷，例如误差经常仅能收敛到局部极小点而无法达到全局最优点，这种问题经常是由于神经网络的初始权值和神经元阈值设置不当而导致的。针对这些问题，可以用遗传算法来进行优化。遗传算法的原理是将问题的待求量转化成二进制染色体，然后在问题求解的过程中，反复根据“适者生存”的原则对染色体进行选择，交叉和变异，以此来交换染色体的基因，使其能够达到最优解。

3.2 遗传算法优化的实现

图6展示了如何利用遗传算法对基于神经网络的GIS故障分类方法进行优化，其主要算法流程分为以下几步。

第一步：建立神经网络，设置神经网络参数，将GIS分合闸线圈电流样本归一化。

第二步：为神经网络的连接权值和神经元阈值进行二进制编码，并将其连接成串组成一个个体，随机生成40组这样的个体组成一个种群，针对种群中的每个个体对应的神经网络，分别将归一化后的样本输入并计算网络输出值。

第三步：利用网络输出值计算适应度函数值，根据适应度函数值对样本重新选择，对于适应度不高的个体进行淘汰，随后对种群中的个体进行交叉和变异以丰富种群特性。

第四步，将测试样本代入训练后的神经网络中，利用输出值与设定标签值之间误差判断神经网络的性能。

第五步：根据子代的目标函数值，将子代个体选择性的插入到父代样本中。

第六步：遗传代数计数器加1，判断遗传代数是否达到设定数值，如果没有达到，返回步骤三继续进行进化，如果达到了，输出每次进化后的误差值。

图6 遗传算法优化设计流程图

4 试验过程和结果

将100组数据点输入到神经网络中经过100次训练后，可以得到相应的网络参数，输入层和隐藏层之间的权值系数V为:

表2 GIS分合闸线圈电流经典特征值

极值点T2/msA2/AT3/msA3/AT4/msA4/A典型波形13.463.3622.944.3214.633.25脱扣过软13.463.3621.654.2114.883.25脱扣卡滞13.463.3624.324.3814.883.25110%额定电压12.583.4222.654.4714.153.2990%额定电压14.863.3123.324.2614.963.18

利用表2中的经典特征数据，针对每种分合闸情况拟合40组特征点，并将前20组用于神经网络的训练，后20组用于训练后神经网络的性能测试，表3为抽调的100组训练样本中的5组，并分别将不同的分合闸电流特征值赋予相应标签值。

表3 神经网络训练样本抽调

样本序号121416181T2/ms13.4613.4613.4614.8612.58A2/A3.363.363.363.313.42T3/ms22.9421.6524.3223.3222.65A3/A4.324.214.384.264.47T4/ms14.6314.8814.8814.9614.15A4/A3.253.253.253.183.29标签数值024-2-4

对于GIS分合闸过程中线圈电流的一些经典特征值，经过对文献[5]289的查阅将其列在表2中，从表2的数据可以发现其特征值的变化趋势与第1节所描述的电流波形特性基本一致。其中(T2，A2)对应铁芯动作临界点的时间和线圈电流，(T3，A3)对应铁芯撞击到分合闸触发器的时间和线圈电流，(T4，A4)对应脱扣装置脱扣的时间和线圈电流。

课题组在长三角地区的苏州、无锡、杭州和上海四地的劳动力市场发放了3 400份调查问卷。利用“出生时的户籍”（城市/农村）、“近30年来家中是否有过被征地的情况”（有过/未曾有过）这两道题遴选出失地农民（这两道题是参与上述开放式问题作答的前置条件），在剔除掉无效作答样本之后，最终获得有效样本513份。这些样本的被试，均具有出生时为“农村”户籍、近30年来家中“有过”被征地情况的特征。鉴于这些被试都在劳动力市场中求职，可将其视作“失业或无业状态”中的失地农民。被试的人口学特征如表1所示。

文学作品除了按著者的国籍，还需按时代因素进行归类。文学作品集有总集和别集之分：多人作品集，称为总集；个人作品集，称为别集。作品集可能只限于一个时代，也可能横跨两个或多个时代。文学作品在依时代复分时，最容易引起分类混乱的是跨时代作家的作品集。比如，一个文学作品总集，有鲁迅作品，也有老舍、茅盾和巴金解放后发表的作品，是将其归入现代文学还是当代文学。再比如，巴金文集，既有1949年之前的作品，也有1990年后的，应归入当代文学还是现代文学。

W=[0.407 -0.138 -0.059 -0.369 0.014 -0.501 0.079 -1.180 0.005 0.208]T

文中首先通过识别每个脉搏波的起始位置对PPG信号进行周期分割；接着对每个脉搏波的特征点进行识别；进而对PPG信号进行基线校准和归一化处理便于计算特征值；最后探究特征值与血压之间的相关性，筛选出相关性较大的特征值并建立血压计算模型，从而计算出血压。本文设计的血压算法基本流程，如图1所示。

权值矩阵W的第k列元素对应的隐藏层的第k个神经元和输出层神经元之间的权值大小。此外，经过神经网络训练的还有隐藏层和输出层的阈值，经过训练后其值为:

T1=[-2.352 2.112 -1.784 -0.719 1.031 -1.140 -0.289 -2.303 -2.057 -1.530]TT2=-0.235

根据牙龈的解剖部位，可分为游离龈、附着龈和龈乳头；牙龈表面色的形成是由于入射光在牙龈表面发生光的吸收、分散和反射。游离龈呈环状包绕着牙颈部，健康游离龈呈粉红色，半透明状；附着龈的表面为角化的复层鳞状上皮,质地坚韧，血管分布较少，呈亮粉色。皮肤颜色的光谱反射比曲线的类型和牙龈颜色相似，由于反射比在短波范围内相对较低，并会随波长的增加而逐渐增大，因此软组织的结构及其色素含量的不同，可能会导致两种不同组织之间的光学性质差异[9]。王频等[19]报道，光在牙龈表面的反射和吸收也会受牙槽骨及牙齿的影响。

至此，经过100次训练的神经网络已经形成，图7展示了在100次神经网络训练的过程中，输出误差的变化情况。

聚焦精准管理。严格规范乡、村、户建档立卡档案及系统数据录入工作，重点完善贫困规模、致贫原因、脱贫需求、帮扶责任、扶持举措等方面资料，确保建档立卡档案与扶贫信息系统相衔接，真实完整记录和反映精准识别、精准帮扶、精准脱贫全过程。

图7 BP神经网络训练过程误差变化

从图7中可以看到，神经网络误差值在前10次训练过程中收敛迅速，但是在第10次到第50次之间速度变缓，直到训练到53次时，神经网络的网络权重和神经元阈值进入到极小值区域，网络趋于稳定。网络经过100次训练后其输出与期望值的误差为1.824。图8显示了经过50次进化后，每次进化过程中种群中适应性最优个体经过100次训练后对应的误差值。

图8 遗传算法进化过程中误差的变化

在拟定遗传算法参数时，将子代和父代之间的代沟设置为0.95，这样可以保证误差随着遗传代数的变化持递减性的变化。图8显示出当种群进化到22代时，其误差值已经达到0.119，在随后的的进化过程中误差值没有再缩小，对比单独利用神经网络进行故障分类时，当训练到53次便进入极小值区域且误差值为1.824，其性能有了极大的提高。

针对训练结束后的神经网络，本试验利用剩余的100组样本对网络性能进行测试，表4抽调了100组测试样本中的5组。

表4 神经网络训练样本抽调

样本序号121416181T2/ms13.4313.4513.4814.8912.59A2/A3.343.353.383.363.44T3/ms22.9321.6424.3023.3622.66A3/A4.324.234.364.234.45T4/ms14.6414.8614.8614.9314.13A4/A3.213.243.263.173.28分类判据(-0.2,0.2)正常(1.8,2,2)过软(3.8,4.2)卡滞(-2.2,-1.8)电压过高(-4.2,-3.8)电压过低网络输出/A0.132.164.20-1.767-3.883故障分类正常脱扣过软脱扣卡滞未知故障电压过低优化输出/A0.072.044.01-1.977-3.983故障分类正常脱扣过软脱扣卡滞电压过高电压过低

从表4中可以看出，单单使用神经网络进行故障分类，当判据苛刻时，成功率只有80%，而应用遗传算法优化后的算法，其成功率为100%。

情境教学应用在教学过程中有着非常好的作用，学生可以通过情境提高代入感，达到更高效的数学学习效果。但是，现阶段情境教学的方法在数学教学中并没有很好发挥出其作用，并且在教师使用这种方法的过程中存在一定的问题。

此外，图9展示了100个测试样本在遗传算法优化前后输出误差的对比，图中清晰地表明了经过了遗传算法优化的神经网络，在50次进化后，测试样本的输出误差明显减小。

图9 引入遗传算法前后误差对比

5 结束语

本文简介了GIS分合闸时的基本特性和典型故障类型，并提出了基于BP神经网络的和遗传算法的故障分类方法，试验表明，利用遗传算法优化的BP神经网络具有结构简单，分类精度高的优点，能够很好地对GIS分合闸故障进行分类。

参考文献：

[1] 易慧.断路器综合在线监测分析[J].水电能源科学, 2006,24(6):87-91.

[2] 曹飞.断路器在浅监测数据分析的研究与应用[D].杭州：浙江大学，2008.

[3] 宋锦刚.基于波形辨识技术的SF6断路器分/合闸线圈电流监测[J].电力建设, 2011,32(3):65-68.

[4] 黄志.基于分合闸线圈电流信号的GIS状态监测方法研究[D].上海：上海交通大学，2015.

[5] RAZI KAZEMI A A, VAKILIAN M, NIAYESH K, et al. Circuit-breaker automated failure tracking based on coil current signature[J].Power Delivery, IEEE Transactions on, 2014, 29(1): 283-290.

[6] 许大宇.高压断路器状态在线检测系统研究[J].南京工程学院学报,2006,4(3):35-39.