乔维德

（无锡开放大学，江苏 无锡 214011）

高压断路器是电力系统中重要的电气设备，起着开关通断和安全保护的作用，它在电力系统中能隔断电流，具有控制及保护电网的功能，高压断路器性能直接影响电力系统是否能够安全稳定运行［1］［2］。如果高压断路器运行过程中产生故障，会导致非正常的大面积停电，并严重烧毁电力设备，造成较大的经济损失甚至人身伤亡，而机械操作机构故障为最主要的故障，约占高压断路器故障的八成［3］［4］。因此，及时监测高压断路器操作机构状态并对出现的故障加以有效诊断是保障电力系统安全可靠运行的重要措施。

目前高压断路器故障诊断方法中多采用BP神经网络，学者们在研究高压断路器故障诊断技术时，采用BP算法、粒子群算法等不同群体智能算法，取得一定的成效，但这些算法在迭代寻优过程中存在计算量大、收敛速度慢、陷入局部最优等各种不足和缺陷，往往在高压断路器发生故障时容易误诊断，从而影响高压断路器故障诊断的准确性。所以，为提高神经网络应用于高压断路器故障诊断的性能和效率，本文通过分析果蝇算法和粒子群算法这两种智能算法的优势和缺陷，组合形成果蝇—粒子群混合算法，用于优化训练RBF神经网络，建立用于对高压断路器机构故障加以诊断的RBF神经网络模型。

1 高压断路器机构故障诊断系统模型

图1为高压断路器机构故障诊断系统模型。系统功能包括：高压断路器操作机构故障数据的归一化处理与输入、RBF神经网络优化训练、输出故障编码及故障识别。……