本發(fā)明涉及高壓直流主設(shè)備領(lǐng)域，尤其涉及一種交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法。

背景技術(shù)：

隨著電網(wǎng)規(guī)模的擴大，電力系統(tǒng)的建設(shè)和發(fā)展，電力設(shè)備數(shù)量不斷增加，各種新型設(shè)備的投入運行，直流主設(shè)備的可靠性已成為電力系統(tǒng)安全運行的保證。

換流站的小組交流濾波器不僅承擔系統(tǒng)的濾波工作，還提供一定的無功容量，屬于換流站的重要設(shè)備之一。濾波器的投切操作和故障會在其元件上產(chǎn)生暫態(tài)應(yīng)力，若超過了設(shè)計的暫態(tài)額定值則可能損壞元件。濾波器小組開關(guān)裝設(shè)選相合閘裝置可以有效防止大角度合閘產(chǎn)生的過電壓應(yīng)力，減小對元件的沖擊。

選相合閘裝置的原理是通過設(shè)定合閘定值，使得交流濾波器三相開關(guān)分別在電壓過零點附近合閘，以期可以抑制暫態(tài)過程中的過電壓和涌流。開關(guān)從接到合閘命令到機構(gòu)動靜觸頭接觸、回路導(dǎo)通的時間為實際合閘時間，該實際合閘時間具有一定的分散性，并且隨著開關(guān)投運年限的增加具有一定的漂移性。然而從選相合閘的原理可以知道，選相合閘技術(shù)對斷路器機構(gòu)的動作時間穩(wěn)定性要求比較高，若選相合閘裝置無法準確預(yù)測下次操作機構(gòu)的合閘時間，則無法精確控制開關(guān)在理想相位合閘。

目前選相合閘裝置合閘時間定值的設(shè)置通用方式為定值一經(jīng)設(shè)定則在日后運行過程中不做修改。但在機構(gòu)老化，合閘線圈阻值變化等因素的影響下，實際合閘時間隨著運行年限會有一定程度的偏移。據(jù)統(tǒng)計廣東某換流站全站交流濾波器開關(guān)實際運行情況，實際合閘時間與投運前設(shè)置的選相合閘裝置定值相比都出現(xiàn)了漂移，幅度在1-5ms之間不等。這就要求定值的設(shè)置必須隨著實際合閘時間的變化趨勢而自適應(yīng)改變。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提出一種交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法，解決了現(xiàn)有技術(shù)中選相合閘裝置無法準確預(yù)測下次交流濾波器開關(guān)合閘操作的合閘時間的問題，本發(fā)明開關(guān)選相合閘裝置定值的設(shè)置隨著實際合閘時間的變化趨勢而自適應(yīng)改變，能精確控制開關(guān)在理想相位合閘。

本發(fā)明的技術(shù)方案是：一種交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法，包括以下步驟：

步驟1、獲取選相合閘裝置定值初值；

所述步驟1包括以下步驟：

步驟11、將小組交流濾波器開關(guān)進行若干次離線機械特性試驗，得到該小組交流濾波器開關(guān)的固有合閘時間平均值；

步驟12、考慮預(yù)計穿時間和二次回路延時，得到選相合閘裝置定值初值，所述選相合閘裝置定值初值為所述固有合閘時間平均值、預(yù)計穿時間以及二次回路延時三者之和；

步驟2、投運小組交流濾波器，所述小組交流濾波器開關(guān)下一次合閘前的歷史實際合閘時間組成合閘時間序列x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)}，其中x⁽⁰⁾(k)表示第k次合閘對應(yīng)的合閘時間，定義k為x⁽⁰⁾(k)在合閘時間序列x⁽⁰⁾中對應(yīng)的時間序列號，k＝1,2,3...n，以x⁽⁰⁾進行一次累和操作生成累和序列作為訓(xùn)練樣本；

所述步驟2包括：投運小組交流濾波器，以該小組交流濾波器開關(guān)若干次離線機械特性試驗的合閘時間序列生成訓(xùn)練樣本的初值，小組交流濾波器開關(guān)合閘時間序列x⁽⁰⁾跟隨該組交流濾波器開關(guān)的合閘操作進行更新，更新方法為：該小組交流濾波器開關(guān)每合閘1次后，將小組交流濾波器該次合閘的實際合閘時間更新到該小組交流濾波器開關(guān)的合閘時間序列x⁽⁰⁾，形成新的合閘時間序列，為削弱樣本的離散性，對合閘時間序列進行累和操作生成累和序列作為下一次合閘時間預(yù)測的訓(xùn)練樣本，具體為：

定義原始合閘時間序列為x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)}，則一次累和序列x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3),...,x⁽¹⁾(n)}，其中k＝1,2,3...n；

步驟3、確定網(wǎng)絡(luò)響應(yīng)函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，建立gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，所述小組交流濾波器開關(guān)下一次合閘前，使用所述訓(xùn)練樣本并運用粒子群優(yōu)化算法對建立的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將粒子群優(yōu)化算法訓(xùn)練得到的結(jié)果作為gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，得到訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型；

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)的輸入層、輸出層神經(jīng)元個數(shù)均為1，隱層層數(shù)為2，所述2層隱層神經(jīng)元個數(shù)分別為1個和2個，網(wǎng)絡(luò)的輸入為時間序列號k，網(wǎng)絡(luò)的輸出為時間序列號k對應(yīng)的累和序列相應(yīng)值；

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)為：

其中：w11,w21,w22,w31,w32為神經(jīng)元各層權(quán)值；θ為閾值，k為網(wǎng)絡(luò)輸入即合閘時間序列號，x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)}為由歷史實際合閘時間組成的原始時間序列，x⁽¹⁾表示x⁽⁰⁾的累和向量即a,b為灰色參數(shù)，

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)的隱層包括第一隱層和第二隱層，第一隱層的傳遞函數(shù)設(shè)為sigmoid函數(shù)，輸入層、輸出層以及第二隱層的傳遞函數(shù)均為線性函數(shù)g(x)＝x。

用粒子群優(yōu)化算法對gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化的方法是：

步驟31：以網(wǎng)絡(luò)的輸出誤差為各粒子的適應(yīng)度，每個粒子的維數(shù)設(shè)定為2維，初始化粒子群，設(shè)定第i個粒子的初始位置zi＝(ai,bi)，其中，ai,bi為第i組網(wǎng)絡(luò)的灰色參數(shù)，并選取合適的粒子適應(yīng)度函數(shù)；

所述粒子適應(yīng)度函數(shù)選取為：

其中：n為訓(xùn)練樣本的維度，o(k)為網(wǎng)絡(luò)輸出，d(k)為目標輸出。

步驟32：比較每個粒子的適應(yīng)度與已存儲的最佳適應(yīng)度，將二者較小值作為當前粒子的局部極值，同時更新二者較小值為已存儲的最佳適應(yīng)度，將所有粒子適應(yīng)度中最小的值，作為全局極值；同時更新粒子速度和粒子位置；

步驟33：如果所述輸出誤差滿足預(yù)設(shè)的誤差精度，或者達到最大迭代次數(shù)，則結(jié)束粒子群優(yōu)化算法對權(quán)值和閾值的優(yōu)化，將所述粒子群優(yōu)化算法訓(xùn)練得到的結(jié)果作為gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；否則返回所述的步驟32，繼續(xù)優(yōu)化；

所述粒子更新速度和位置的方程為：

vij(m+1)＝ωvij(m)+c1r1[qij(m)-zij(m)]+c2r2[qgj(m)-zij(m)]

zij(m+1)＝zij(m)+vij(m+1)

其中，ω為慣性因子；c1,c2為加速因子；r1,r2為兩隨機數(shù)，取值區(qū)間為[01]；vij∈[-vmax,vmax]為第i個粒子第j維空間的速度，vmax為允許移動的最大速度，vij∈[-vmax,vmax]為第i個粒子第j維空間的位置，xmax為允許的最大空間位置；qij為第i個粒子第j維空間的局部極值，qgj為第j為空間的全局極值。

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)的選取方法為：

首先確定網(wǎng)絡(luò)響應(yīng)函數(shù)，根據(jù)gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型確定的網(wǎng)絡(luò)響應(yīng)函數(shù)為

設(shè)從而推導(dǎo)出

進一步的推導(dǎo)出

o＝f(w11k)w21w31+f(w11k)w22w32-θ

設(shè)得到gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)為：

步驟4、將所述小組交流濾波器下一次合閘對應(yīng)的時間序列號輸入訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)輸出進行一次累減還原得到小組交流濾波器開關(guān)下一次合閘的合閘時間預(yù)測值；

所述步驟4包括：訓(xùn)練好gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型后，將小組交流濾波器下一次合閘時間序列號輸入訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)輸出進行一次累減還原獲得合閘時間預(yù)測值；

所述累減還原方法為：

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k)，k＝1,2,...n；

從而得到小組交流濾波器開關(guān)下一次合閘的合閘時間預(yù)測值。

步驟5、輸出所述的合閘時間預(yù)測值，并將該合閘時間預(yù)測值設(shè)為小組交流濾波器開關(guān)下一次合閘前所述選相合閘裝置的新定值。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：本發(fā)明基于灰色神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化算法，考慮到開關(guān)實際合閘時間的分散性與漂移性，運用歷次實際合閘時間序列生成訓(xùn)練樣本對建立的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，利用訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型得到下一次合閘的合閘時間預(yù)測值作為相合閘裝置的新定值，選相合閘裝置的定值隨著每一次合閘操作不斷更新，保持與實際合閘時間一樣的變化趨勢，保證交流濾波器三相開關(guān)均能在電壓過零點附近合閘，減小暫態(tài)沖擊，具有步驟簡單、網(wǎng)絡(luò)收斂速度快及預(yù)測精度高的特點。

附圖說明

圖1為本發(fā)明交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法實施例1的流程示意圖；

圖2為本發(fā)明交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)拓撲示意圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明的內(nèi)容做進一步詳細說明。

一種交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法，包括以下步驟：

步驟1、獲取選相合閘裝置定值初值；

所述步驟1包括以下步驟：

步驟11、將小組交流濾波器開關(guān)進行若干次離線機械特性試驗，得到該小組交流濾波器開關(guān)的固有合閘時間平均值；

步驟12、考慮預(yù)計穿時間和二次回路延時，得到選相合閘裝置定值初值，所述選相合閘裝置定值初值為所述固有合閘時間平均值、預(yù)計穿時間以及二次回路延時三者之和。

步驟2、投運小組交流濾波器，所述小組交流濾波器開關(guān)下一次合閘前的歷史實際合閘時間組成合閘時間序列x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)}，其中x⁽⁰⁾(k)表示第k次合閘對應(yīng)的合閘時間，定義k為x⁽⁰⁾(k)在合閘時間序列x⁽⁰⁾中對應(yīng)的時間序列號，k＝1,2,3...n，以x⁽⁰⁾進行一次累和操作生成累和序列作為訓(xùn)練樣本；

所述步驟2包括：投運小組交流濾波器，以該小組交流濾波器開關(guān)若干次離線機械特性試驗的合閘時間序列生成訓(xùn)練樣本的初值，小組交流濾波器開關(guān)合閘時間序列x⁽⁰⁾跟隨該組交流濾波器開關(guān)的合閘操作進行更新，更新方法為：該小組交流濾波器開關(guān)每合閘1次后，將小組交流濾波器該次合閘的實際合閘時間更新到該小組交流濾波器開關(guān)的合閘時間序列x⁽⁰⁾，形成新的合閘時間序列，為削弱樣本的離散性，對合閘時間序列進行累和操作生成累和序列作為下一次合閘時間預(yù)測的訓(xùn)練樣本，具體為：

定義原始合閘時間序列為x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)}，則一次累和序列x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3),...,x⁽¹⁾(n)}，其中k＝1,2,3...n；

步驟3、確定網(wǎng)絡(luò)響應(yīng)函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，建立gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，所述小組交流濾波器開關(guān)下一次合閘前，使用所述訓(xùn)練樣本并運用粒子群優(yōu)化算法對建立的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將粒子群優(yōu)化算法訓(xùn)練得到的結(jié)果作為gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，得到訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型；

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)的輸入層、輸出層神經(jīng)元個數(shù)均為1，隱層層數(shù)為2，所述2層隱層神經(jīng)元個數(shù)分別為1個和2個，網(wǎng)絡(luò)的輸入為時間序列號k，網(wǎng)絡(luò)的輸出為時間序列號k對應(yīng)的累和序列相應(yīng)值；

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)為：

其中：w11,w21,w22,w31,w32為神經(jīng)元各層權(quán)值；θ為閾值，k為網(wǎng)絡(luò)輸入即合閘時間序列號，x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)}為由歷史實際合閘時間組成的原始時間序列，x⁽¹⁾表示x⁽⁰⁾的累和向量即a,b為灰色參數(shù)，

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)的隱層包括第一隱層和第二隱層，第一隱層的傳遞函數(shù)設(shè)為sigmoid函數(shù)，輸入層、輸出層以及第二隱層的傳遞函數(shù)均為線性函數(shù)g(x)＝x。

用粒子群優(yōu)化算法對gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化的方法是：

步驟31：以網(wǎng)絡(luò)的輸出誤差為各粒子的適應(yīng)度，每個粒子的維數(shù)設(shè)定為2維，初始化粒子群，設(shè)定第i個粒子的初始位置zi＝(ai,bi)，其中，ai,bi為第i組網(wǎng)絡(luò)的灰色參數(shù)，并選取合適的粒子適應(yīng)度函數(shù)；

所述粒子適應(yīng)度函數(shù)選取為：

其中：n為訓(xùn)練樣本的維度，o(k)為網(wǎng)絡(luò)輸出，d(k)為目標輸出。

步驟32：比較每個粒子的適應(yīng)度與已存儲的最佳適應(yīng)度，將二者較小值作為當前粒子的局部極值，同時更新二者較小值為已存儲的最佳適應(yīng)度，將所有粒子適應(yīng)度中最小的值，作為全局極值；同時更新粒子速度和粒子位置；

步驟33：如果所述輸出誤差滿足預(yù)設(shè)的誤差精度，或者達到最大迭代次數(shù)，則結(jié)束粒子群優(yōu)化算法對權(quán)值和閾值的優(yōu)化，將所述粒子群優(yōu)化算法訓(xùn)練得到的結(jié)果作為gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；否則返回所述的步驟32，繼續(xù)優(yōu)化；

所述粒子更新速度和位置的方程為：

vij(m+1)＝ωvij(m)+c1r1[qij(m)-zij(m)]+c2r2[qgj(m)-zij(m)]

zij(m+1)＝zij(m)+vij(m+1)

其中，ω為慣性因子；c1,c2為加速因子；r1,r2為兩隨機數(shù)，取值區(qū)間為[01]；vij∈[-vmax,vmax]為第i個粒子第j維空間的速度，vmax為允許移動的最大速度，vij∈[-vmax,vmax]為第i個粒子第j維空間的位置，xmax為允許的最大空間位置；qij為第i個粒子第j維空間的局部極值，qgj為第j為空間的全局極值。

所述gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)的選取方法為：

首先確定網(wǎng)絡(luò)響應(yīng)函數(shù)，根據(jù)gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型確定的網(wǎng)絡(luò)響應(yīng)函數(shù)為

設(shè)從而推導(dǎo)出

進一步的推導(dǎo)出

o＝f(w11k)w21w31+f(w11k)w22w32-θ

設(shè)得到gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)為：

步驟4、將所述小組交流濾波器下一次合閘對應(yīng)的時間序列號輸入訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)輸出進行一次累減還原得到小組交流濾波器開關(guān)下一次合閘的合閘時間預(yù)測值；

所述步驟4包括：訓(xùn)練好gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型后，將小組交流濾波器下一次合閘時間序列號輸入訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)輸出進行一次累減還原獲得合閘時間預(yù)測值；

所述累減還原方法為：

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k)，k＝1,2,...n；

從而得到小組交流濾波器開關(guān)下一次合閘的合閘時間預(yù)測值。

步驟5、輸出所述的合閘時間預(yù)測值，并將該合閘時間預(yù)測值設(shè)為小組交流濾波器開關(guān)下一次合閘前所述選相合閘裝置的新定值。

下面結(jié)合具體實施例來說明。

實施例1：，此處以從西換流站551交流濾波器斷路器為應(yīng)用實例，如圖1所示，本發(fā)明一種交流濾波器開關(guān)選相合閘裝置定值自適應(yīng)選取方法流程示意圖包括如下步驟：

s11、對551交流濾波器斷路器進行機械特性試驗，獲取5次合閘時間。取預(yù)計穿時間為0.4ms，二次回路延遲為0.1ms，獲得選相合閘裝置三相定值初值分別為60.5ms，60.5ms，60.8ms；

s12、從西換流站交流濾波器開關(guān)選用國立智能3yl型選相合閘裝置，對551開關(guān)選相合閘裝置進行定值設(shè)置，定值為s11步驟獲得的定值初值；

s13、裝置初始化后投運551小組濾波器，每次濾波器合閘的時間定值預(yù)測以該次之前五次合閘的歷史合閘時間作為訓(xùn)練樣本，組成一組5維合閘時間序列x⁽⁰⁾。

s14和s15、建立并訓(xùn)練gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型。

人工神經(jīng)網(wǎng)絡(luò)是從微觀結(jié)構(gòu)以及功能上對人腦神經(jīng)系統(tǒng)模擬而建立起來的一類計算模型,具有模擬人的部分形象思維能力，適合非線性預(yù)測及推理，而灰色預(yù)測方法能夠很好的表現(xiàn)數(shù)據(jù)變化的總體趨勢，其將累加生成數(shù)列作為樣本數(shù)列的主要生成手段能夠很好的削弱原數(shù)據(jù)隨機性的干擾,經(jīng)過一次或多次累加生成后的序列呈現(xiàn)出單調(diào)遞增的特性,相比于原始的隨機性強的數(shù)據(jù)來說更加適合作為神經(jīng)網(wǎng)絡(luò)的樣本進行訓(xùn)練。傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)采用bp算法進行網(wǎng)絡(luò)收斂訓(xùn)練，但bp算法速度慢，并且容易陷入局部極值。使用粒子群優(yōu)化算法(pso，particleswarmoptimization)對gnnm(1,1)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行訓(xùn)練，能夠達到運算簡單，快速收斂的目的，以適應(yīng)在處理能力有限，小內(nèi)存的選相合閘裝置中運行。

前述建立gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型并利用粒子群優(yōu)化算法對

gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值進行訓(xùn)練的具體步驟為：

a、確定網(wǎng)絡(luò)響應(yīng)函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)：網(wǎng)絡(luò)響應(yīng)函數(shù)為

其中，

設(shè)可以得到gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)為：

式中：w11,w21,w22,w31,w32為神經(jīng)元各層權(quán)值；θ為閾值，k為自然數(shù)，x⁽⁰⁾為由歷史合閘時間組成的原始時間序列，x⁽¹⁾表示x⁽⁰⁾的累和向量即a,b為灰色參數(shù)，gnnm(1,1)的學習訓(xùn)練過程實質(zhì)上就是對a,b不斷白化得過程。

網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，訓(xùn)練樣本為該次合閘之前五次合閘的歷史合閘時間生成的一次累和序列，網(wǎng)絡(luò)輸入為時間序列號，網(wǎng)絡(luò)輸出為序列號對應(yīng)的累和序列預(yù)測值，網(wǎng)絡(luò)的輸入層、輸出層神經(jīng)元個數(shù)均為1；網(wǎng)絡(luò)隱含層數(shù)目為2，每層的神經(jīng)元個數(shù)分別為1個和2個；

b、根據(jù)a所述，除第一隱層的傳遞函數(shù)設(shè)為sigmoid函數(shù)外，其余各層的傳遞函數(shù)皆為線性函數(shù)g(x)＝x。

c、設(shè)定粒子群優(yōu)化算法的優(yōu)化參數(shù)為粒子的維度；初始化粒子群：

zi＝(ai,bi)(3)

其中，ai,bi為第i組網(wǎng)絡(luò)輸入的灰色參數(shù)；

根據(jù)gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)方程得到網(wǎng)絡(luò)權(quán)值和閾值初始值。

d、根據(jù)粒子的適應(yīng)度函數(shù)計算各粒子的適應(yīng)度，其中n為訓(xùn)練樣本維度，o(k)為目標輸出，d(k)為輸出誤差；

e、比較當前粒子的適應(yīng)度與已存儲的最佳適應(yīng)度，將二者較小值作為當前粒子的局部極值，同時更新二者較小值為已存儲的最佳適應(yīng)度；

f、將所有粒子適應(yīng)度中最小的值，作為全局極值；

g、按下式更新粒子速度：

vij(m+1)＝ωvij(m)+c1r1[qij(m)-zij(m)]+c2r2[qgj(m)-zij(m)](4)

其中，ω為慣性因子；c1,c2為加速因子；r1,r2為兩隨機數(shù)，取值區(qū)間為[01]；vij∈[-vmax,vmax]為第i個粒子第j維空間的速度，vmax為允許移動的最大速度，zij∈[-zmax,zmax]為第i個粒子第j維空間的位置，xmax為允許的最大空間位置；qij為第i個粒子第j維空間的局部極值，qgj為第j為空間的全局極值。

h、按下式更新粒子的位置：

zij(m+1)＝zij(m)+vij(m+1)(5)

i、如果所述輸出誤差滿足預(yù)設(shè)的誤差精度，或者達到最大迭代次數(shù)，則退出所述粒子群優(yōu)化算法，否則返回步驟d；

j、將所述粒子群優(yōu)化算法訓(xùn)練得到的結(jié)果作為gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，得到訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型。

s16、對訓(xùn)練好的gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型輸入下一次合閘時間序列號即輸入合閘時間序列號6，得到該合閘時間序列號對應(yīng)的累和序列預(yù)測值，對累和序列預(yù)測值進行累減操作輸出下一次合閘時間預(yù)測值作為選相合閘裝置新定值；

實施例2：

從西換流站551交流濾波器裝設(shè)了國立智能3yl型選相合閘裝置，在551交流濾波器投運前對其開關(guān)進行了分合閘機械特性試驗，獲取551開關(guān)三相合閘時間平均值，取預(yù)計穿時間為0.4ms，二次回路延遲為0.1ms，獲得選相合閘裝置定值初值為60.5ms，60.5ms，60.8ms。將該三相平均值作為551交流濾波器開關(guān)選相合閘裝置的定值初值，并投運了該551交流濾波器斷路器。2017年4月3日對該選相合閘裝置進行了錄波讀取，讀取的分合閘時間如表1所示。

表1551開關(guān)3yl裝置錄波數(shù)據(jù)

建立gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型，使用(1)-(5)組數(shù)據(jù)作為訓(xùn)練樣本，第(6)組數(shù)據(jù)作為檢驗樣本。利用訓(xùn)練樣本并運用粒子群優(yōu)化算法對gnnm(1,1)灰色神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，誤差精度設(shè)為0.01，最大迭代次數(shù)為10000，模型收斂后使用檢驗樣本對模型進行檢驗，結(jié)果如表2所示。

表2預(yù)測結(jié)果

進一步的，為了說明本發(fā)明的有效性及適用性，對從西換流站其余21小組交流濾波器開關(guān)使用本法進行合閘時間預(yù)測，最大誤差為2.1ms，最大相對誤差為3.5％。應(yīng)用效果表明本發(fā)明能夠很好的跟隨實際合閘時間的變化趨勢，并進行有效預(yù)測。有效防止交流濾波器開關(guān)大角度合閘，減小過電壓應(yīng)力損壞元件。具有步驟簡單、網(wǎng)絡(luò)收斂速度快及預(yù)測精度高的特點

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。