基于INTLBO?SVR的低压断路器热脱扣时间预测

张凌波 操春名 徐震浩

摘  要： 热脱扣时间是低压断路器的关键指标，利用断路器生产过程中可检测数据可以实现热脱扣时间的预测。针对支持向量回归（SVR）进行热脱扣时间预测，参数的选择对预测的精度和泛化性能影响较大问题，提出一种基于隔离小生境教学算法（Isolated Niche Teaching?Learning?Based Optimization Algorithm，INTLBO）优化支持向量回归的热脱扣时间预测方法。该方法针对教学算法易陷入局部最优的缺点，采用隔离机制的小生境技术对其进行改进，然后利用INTLBO寻优找到最优的SVR参数。根据低压断路器生产历史数据，建立基于INTLBO?SVR的热脱扣时间预测模型。仿真结果表明，与TLBO?SVR和常规SVR等方法相比，INTLBO?SVR模型具有较好的预测性能。

关键词： 低压断路器; 热脱扣时间预测; 支持向量回歸; 隔离小生境教学算法; 参数优化; 预测模型

中图分类号： TN133?34; TP273                       文献标识码： A                  文章编号： 1004?373X（2019）16?0030?06

0  引  言

低压断路器是低压供配电系统主要的开关电器，热脱扣器是断路器在电路发生过载、短路等现象时的核心保护部件，其中，双金属片是热脱扣器动作特性的关键元件[1]。热脱扣时间是低压断路器的关键指标，断路器的工业化生产中需要验证断路器的热脱扣保护特性是否符合要求，采用标准规定的实验条件进行验证，需耗费大量时间，故生产中通常采用提高电流以缩短校验时间的等效方法进行验证。热脱扣时间的影响因素有双金属片推力、脱扣行程和脱扣机构脱扣力等，通过实验测得的双金属片特性及脱扣力等数据可以仿真计算热脱扣时间。由于断路器生产中，双金属片特性及脱扣力等参数不能实时检测，故通过生产可测的通电电流、环境温度、双金属片初始位置和焊接位置等数据估算热脱扣时间。本文基于质量合格的断路器生产可测数据建立热脱扣时间预测模型，在生产中利用该模型在线预测断路器热脱扣时间，并结合实际测得的热脱扣时间，可以用于双金属片特性或脱扣力异常的检测。

由于断路器热脱扣过程具有非线性突出、耦合较强的特点，故考虑使用支持向量回归（SVR）来对热脱扣时间进行建模和预测。支持向量回归是SVM在解决函数回归方面的应用，是一种完备的统计学习方法，在研究非线性数据方面更有优势。在模型预测中，利用SVR提高了模型的泛化能力，取得了较好的预测结果[2?3]。但在SVR的应用中，如何选取影响算法性能的参数仍无有效解决方法。

针对以上问题，本文提出一种基于隔离小生境教学算法优化的支持向量回归方法（INTLBO?SVR），即采用隔离机制的小生境思想对教学算法进行改进，克服教学算法易陷入局部最优、收敛速度慢等缺点[4]，在提高其全局寻优能力和全局搜索性能的基础上，对SVR进行参数优化，进而建立热脱扣时间预测模型。基于INTLBO?SVR的预测方法提高了热脱扣时间预测精度，对低压断路器生产有指导意义。

1  断路器热脱扣原理及影响因素分析

低压断路器在电路中起控制和保护的作用。断路器热脱扣利用过载电流直接或间接通过双金属片或电阻发热元件，使双金属片受热弯曲，推动断路器操作机构动作断开电流。影响热脱扣时间的因素有双金属片推力、脱扣行程和脱扣机构脱扣力等。其中，双金属片推力、脱扣行程都与双金属片特性相关，脱扣力与断路器脱扣机构特性相关。双金属片特性需考虑双金属片热敏感性能[K]、挠度[S]（双金属片自由端的偏移量，单位：mm）、推力[F]和内应力[σ]（单位：N/mm2），公式如下：

[K=34（α2-α1）S=KL2τδF=3EJL2S=KEbδ24Lτσ=E2（α2-α1）（θ-θ0）] （1）

式中：[δ]为双金属片厚度（单位：mm）;L为双金属片有效长度（单位：mm）;[τ]（[τ=θ-θ0]）为双金属片温升（单位：[℃]）;E为弹性模量（单位：N/mm2）;J为双金属截面惯性矩（单位：mm4）;b为双金属片的宽度（单位：mm）;[α1]，[α2]分别为主动层和被动层的膨胀系数。

通过实验可以测得双金属片元件特性、脱扣力等参数，并利用测得的数据进行仿真计算可以求得断路器热脱扣时间[5]。断路器生产中，由于双金属片特性和脱扣力等无法实时检测，因此无法通过计算得到其热脱扣时间。随着自动化设备的发展，部分低压断路器生产线实现了通电电流、环境温度、双金属片初始位置与焊接位置、热脱扣时间等数据的在线检测。其中，电流和环境温度会影响双金属片推力和挠度。另外，通过计算双金属片从初始位置到焊接位置变形量可以反映双金属片自由端的偏移量。对于脱扣力，在生产中采用抽检的方式进行检查，实际检测结果表明脱扣力较为稳定，可以作为平稳的变量。因此，在断路器生产中，可以通过电流、环境温度、双金属片初始位置和焊接位置估算热脱扣时间。

热脱扣时间是低压断路器的关键指标。按照国家标准，要求双金属片在冷态通入1.05倍额定电流2 h后，不脱扣的情况下，直接通入1.3倍额定电流，通电2 h内应完成脱扣[6]。在断路器生产中，若按标准进行热脱扣保护特性校验，则耗费的时间过长，因此在大批量的工业化生产中，通常采用提高电流以缩短校验时间的等效方法来测量相应的断路器热脱扣时间。然后利用等效的热脱扣时间上下界（热脱扣时间窗口）来验证断路器热脱扣特性，若断路器热脱扣时间超出时间窗口，则说明产品质量不合格。

由于断路器热脱扣影响因素较多且非线性关系突出，因此出现过断路器热脱扣特性校验时的等效热脱扣时间正常，即符合等效方法中的热脱扣时间窗口，但在实际使用时，其相应的热脱扣时间不符合标准。故为了进一步确定断路器实际的热脱扣时间，本文通过断路器生产中质量合格产品的历史生产数据建立断路器热脱扣时间预测模型，利用生产可检测数据作为输入预测热脱扣时间。

由于断路器双金属片特性或脱扣力发生变化，会导致热脱扣时间发生较大偏差。比较模型计算结果和实际测得的热脱扣时间，若两者偏差较小，则说明生产工况稳定;若两者偏差超过设定值，则说明该批次断路器双金属片特性或脱扣力存在异常，则需要工艺人员对异常原因进行分析诊断，从而及早发现和减少产品质量异常情况。因此，利用该模型可以实现热脱扣时间在线预测和断路器生产异常检测。

4  结  论

本文基于低压断路器生产历史数据，以断路器生产中可检测的电流、环境温度、双金属片初始位置和焊接位置等数据估算热脱扣时间，从而提出一种基于INTLBO?SVR的热脱扣时间预测模型。建模结果表明，与TLBO?SVR模型和常规SVR模型相比，INTLBO?SVR有更好的预测精度和泛化能力，可实现断路器生产中热脱扣时间提前预测，还可用于断路器生产异常检测。

参考文献

[1] 曹梅玲.塑壳断路器延时脱扣过程的仿真与分析[D].天津：河北工业大学，2012.

CAO Meiling. Simulation and analysis on delay tripping of moulded case circuit breaker [D]. Tianjin： Hebei University of Technology， 2012.

[2] 张春友，闫伟，吴晓强，等.基于SVR的图书馆数字资源服务绩效评价方法[J].现代电子技术，2018，41（22）：21?24.

ZHANG Chunyou， YAN Wei， WU Xiaoqiang， et al. Performance evaluation method based on SVR for digital resource service of library [J]. Modern electronics technique， 2018， 41（22）： 21?24.

[3] 彭道刚，陈跃伟，钱玉良，等.基于粒子群优化?支持向量回归的变压器绕组温度软测量模型[J].电工技术学报，2018，33（8）：1742?1749.

PENG Daogang， CHEN Yuewei， QIAN Yuliang， et al. Transformer winding temperature soft measurement model based on particle swarm optimization?support vector regression [J]. Transactions of China electrotechnical society， 2018， 33（8）： 1742?1749.

[4] 毕晓君，王佳荟.基于混合学习策略的教与学优化算法[J].浙江大学学报（工学版），2017，51（5）：1024?1031.

BI Xiaojun， WANG Jiahui. Teaching?learning?based optimization algorithm with hybrid learning strategy [J]. Journal of Zhejiang University （Engineering science）， 2017， 51（5）： 1024?1031.

[5] 于永站.低压塑壳式断路器热磁脱扣特性研究[D].南京：南京航空航天大学，2012.

YU Yongzhan. Research on thermomagnetic release capacity of moulded case circuit breaker [D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2012.

[6] 朱金保，路莉.塑壳断路器热保护特性的验证及快速等效方法的应用[J].电器与能效管理技术，2015（16）：35?37.

ZHU Jinbao， LU Li. Verification of MCCB′s thermal protection characteristic and application of rapid thermal equivalent method [J]. Low voltage apparatus， 2015（16）： 35?37.

[7] 张明，田娜，纪志成，等.基于小生境技术的改进引力搜索算法[J].南京航空航天大学学报，2016，48（5）： 753?760.

ZHANG Ming， TIAN Na， JI Zhicheng， et al. Niching behavior based advanced gravitational search algorithm [J]. Journal of Nanjing University of Aeronautics & Astronautics， 2016， 48（5）： 753?760.

[8] 张国荣，陈夏冉，颜丽花.基于隔离小生境粒子群算法的APF优化配置[J].电子测量与仪器学报，2017，31（2）：208?215.

ZHANG Guorong， CHEN Xiaran， YAN Lihua. APF optimization allocation based on isolated niche particle swarm algorithm [J]. Journal of electronic measurement and instrument， 2017， 31（2）： 208?215.

[9] LI G Q， NIU P F， XIAO X J， et al. Development and investigation of efficient artificial bee colony algorithm for numerical function optimization [J]. Applied soft computing， 2012， 12（1）： 320?332.

[10] JUANG C F， HSIEH C D. A fuzzy system constructed by rule generation and iterative linear SVR for antecedent and consequent parameter optimization [J]. IEEE transactions on fuzzy systems， 2012， 20（2）： 372?384.