基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的大電網(wǎng)故障診斷方法

基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的大電網(wǎng)故障診斷方法

0基于神經(jīng)網(wǎng)絡(luò)與模糊積分融合的分區(qū)故障診斷方法電力損失診斷是指通過繼電保護和配電裝置的操作信息來識別故障源的過程?？焖贉?zhǔn)確地診斷電網(wǎng)故障對縮短故障停電時間,防止事故擴大化,快速恢復(fù)電網(wǎng)運行具有重要意義。目前,已提出了多種電網(wǎng)故障診斷方法,包括專家系統(tǒng)、Petri網(wǎng)、貝葉斯網(wǎng)、優(yōu)化方法、數(shù)據(jù)挖掘等。由于神經(jīng)網(wǎng)絡(luò)(neuralnetwork,NN)具有分布式并行處理、自適應(yīng)以及隱形知識表示等特點,在電網(wǎng)故障診斷領(lǐng)域逐步得到了應(yīng)用?；谏窠?jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法可分為集中故障診斷方法和分區(qū)故障診斷方法。集中故障診斷方法將整個電網(wǎng)作為一個整體,通過構(gòu)建一個神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障元件辨識。該方法原理簡單、易于實現(xiàn);但當(dāng)電網(wǎng)規(guī)模增大時,網(wǎng)絡(luò)維數(shù)急劇增加,神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度增大,易陷入局部極值,甚至不能有效收斂,從而使得該方法僅限用于小規(guī)模電網(wǎng)。而分區(qū)故障診斷方法將整個電網(wǎng)劃分為若干小規(guī)模區(qū)域,針對每個區(qū)域分別建立相應(yīng)的區(qū)域神經(jīng)網(wǎng)絡(luò)診斷模塊,各子模塊并行完成各自的診斷任務(wù),從而提高診斷效率,適用于大規(guī)模電網(wǎng)。實現(xiàn)電網(wǎng)分區(qū)故障診斷除了文獻提出的需要解決的2個問題,即如何將大規(guī)模電網(wǎng)進行分區(qū)以及如何解決分區(qū)區(qū)域內(nèi)部的故障診斷問題,還有第3個需要解決的關(guān)鍵問題,即如何解決分區(qū)區(qū)域之間聯(lián)絡(luò)線的故障診斷。其中,文獻已較好地解決了第1個問題;文獻研究內(nèi)容主要側(cè)重于解決第2個問題;針對第3個問題,文獻雖已涉及,但當(dāng)聯(lián)絡(luò)線發(fā)生故障,主保護和近后備保護未能有效切除故障,需要遠(yuǎn)后備保護動作時,文獻中的無重疊分區(qū)方法(各分區(qū)區(qū)域間沒有重疊部分)限制了它的應(yīng)用,使其不能有效診斷聯(lián)絡(luò)線故障。針對電網(wǎng)分區(qū)故障診斷存在的上述問題,本文提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的分區(qū)故障診斷方法。該方法采用網(wǎng)絡(luò)重疊分區(qū)方法將大電網(wǎng)劃分為具有重疊聯(lián)絡(luò)線的若干區(qū)域;針對每個區(qū)域,在訓(xùn)練階段,通過準(zhǔn)確徑向基網(wǎng)絡(luò)快速有效地構(gòu)建區(qū)域診斷模塊,而在診斷階段,則根據(jù)警報信息選擇性觸發(fā)相應(yīng)區(qū)域的區(qū)域診斷模塊,提高故障診斷效率;對于相連區(qū)域之間聯(lián)絡(luò)線的診斷,先利用相連區(qū)域的區(qū)域診斷模塊獨立并行完成各自診斷任務(wù),而后通過模糊積分關(guān)聯(lián)融合相連區(qū)域關(guān)于聯(lián)絡(luò)線的診斷輸出,實現(xiàn)對聯(lián)絡(luò)線的有效診斷。算例仿真結(jié)果表明:該方法易于構(gòu)造和實現(xiàn),能有效解決電網(wǎng)分區(qū)故障診斷關(guān)于聯(lián)絡(luò)線的故障診斷問題,且能正確處理各種復(fù)雜故障情況,診斷正確率高,具有良好的故障容錯能力。1徑向基函數(shù)徑向基函數(shù)(radialbasisfunction,RBF)神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖1所示。RBF神經(jīng)網(wǎng)絡(luò)由3層神經(jīng)元構(gòu)成,即輸入層、隱含層和輸出層。其中,輸入層包含n個神經(jīng)元(x1,x2,uf0bc,xn),對應(yīng)于輸入向量的特征維數(shù);隱含層包含h個神經(jīng)元,采用徑向基函數(shù)作為其激勵函數(shù)uf066i:Rnuf0aeR;輸出層包含m個神經(jīng)元(y1,y2,uf0bc,ym),對應(yīng)于電網(wǎng)包含的m個元件。徑向基函數(shù)一般選擇高斯函數(shù)形式:式中:xuf03d[x1,x2,uf0bc,xn]T為n維輸入向量;ciuf03d[ci1,ci2,uf0bc,cin]T為第i個隱含層神經(jīng)元徑向基函數(shù)的中心;qi為相應(yīng)神經(jīng)元的“寬度”,稱為擴展常數(shù),iuf03d1,2,…,h。圖2所示為具有不同中心和寬度的徑向基函數(shù)。由圖1可知,輸出層第j個神經(jīng)元的響應(yīng)為式中:wij為輸出層權(quán)值,表示第i個隱含層神經(jīng)元對第j個輸出層神經(jīng)元響應(yīng)的貢獻。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單,收斂速度快,且在理論上具有任意函數(shù)逼近能力,從而在多個領(lǐng)域得到了廣泛的應(yīng)用。2模糊測量與模糊積分2.1可測性條件分析模糊積分以模糊集理論為基礎(chǔ),能有效表達和處理系統(tǒng)中不精確的、含糊的不確定性問題。模糊積分融合是一種非線性融合方法,它不僅考慮各個信源(分類器)的可信度,還綜合考慮每個信源對最終融合(分類)結(jié)果的相對重要程度,從而能很好地度量不具有獨立性的各因子間存在的交互影響特性,具有多因素綜合分析的特點,并在多個領(lǐng)域得到了應(yīng)用。定義1設(shè)Zuf03d{z1,z2,uf0bc,zr}為一有限集合,P(Z)為Z的冪集,定義在P(Z)上的集合函數(shù)g:P(Z)→[0,1]若滿足以下條件:1)正則性:g(uf046)uf03d0,g(Z)uf03d1;2)單調(diào)性:uf022A,Buf0ceP(Z),若Auf0ccB,則g(A)uf0a3g(B);3)連續(xù)性:若{Ai}∞i=1為可測集合里的遞增序列,有l(wèi)imi→∞g(Ai)uf03dg(limi→∞Ai)。則稱g為模糊測度。在此基礎(chǔ)上,Sugeno引入了guf06cuf02d模糊測度的定義。定義2對于所有的A,Buf0ccZ,Auf0c7Buf03duf046,存在uf06c>uf02d1使得成立,則稱該模糊測度為gλuf02d模糊測度。由式(3)可知,當(dāng)uf06cuf03d0時,guf06cuf02d模糊測度將成為標(biāo)準(zhǔn)的概率測度。對于集合Zuf03d{z1,z2,uf0bc,zr},令giuf03dg({zi}),(iuf03d1,2,uf0bc,r),稱其為模糊密度,模糊密度度量了某個信源(分類器)的重要程度。若已知各分類器的模糊密度,則有:由模糊測度的正則性條件gλ(Z)=1可得:由式(5)可快速求出uf06c,其中uf06cuf03euf02d1且uf06cuf0b90。2.2構(gòu)造模糊性和可信源性定義3對于有限集合Zuf03d{z1,z2,uf0bc,zr},函數(shù)h:Z→[0,1],g是定義在Z上的guf06cuf02d模糊測度,則h在Z上關(guān)于g的模糊積分定義為式中:函數(shù)值h(·)按照降序排列,即h(z1)uf0b3h(z2)uf0b3uf0bcuf0b3h(zr)。函數(shù)h(zi)(iuf03d1,2,uf0bc,r)可視為信源zi的可信度?；诖?Murofushi和Sugeno提出了Choquet積分的概念:式中:Aiuf03d{z1,z2,uf0bc,zi}為論域里的一個子集。模糊測度g(Ai)可通過以下遞歸形式求解:由式(7)可知,Choquet積分可視為函數(shù)h(zi)(iuf03d1,2,uf0bc,r)的加權(quán)和。由于Choquet積分是Lebesgue積分嚴(yán)格意義上的推廣,即可以還原為Lebesgue積分,從而其應(yīng)用范圍較廣。本文將采用Choquet積分作為相連分區(qū)區(qū)域關(guān)于聯(lián)絡(luò)線診斷輸出的融合策略。3電網(wǎng)區(qū)域故障診斷策略3.1網(wǎng)絡(luò)重疊分區(qū)算法一個合適的網(wǎng)絡(luò)分區(qū)方法是實現(xiàn)電網(wǎng)分區(qū)故障診斷的前提。然而,當(dāng)電網(wǎng)被劃分為若干區(qū)域后,如何處理相連區(qū)域之間聯(lián)絡(luò)線的故障診斷則是完成分區(qū)故障診斷系統(tǒng)診斷任務(wù)的關(guān)鍵。由于電網(wǎng)繼電保護系統(tǒng)存在擴大性保護,即當(dāng)電網(wǎng)發(fā)生故障而故障元件的非擴大性保護(主保護和近后備保護)未能隔離故障時,擴大性保護(遠(yuǎn)后備保護)將動作以切除故障,導(dǎo)致電網(wǎng)故障區(qū)域蔓延擴大。若相連區(qū)域間聯(lián)絡(luò)線故障導(dǎo)致擴大性保護動作時,此時需要融合相連兩個區(qū)域的警報信息才能準(zhǔn)確地診斷聯(lián)絡(luò)線故障。為了有效解決該問題,本文采用網(wǎng)絡(luò)重疊分區(qū)方法對電網(wǎng)進行分區(qū)(本文并不討論網(wǎng)絡(luò)的分區(qū)算法,而僅討論分區(qū)策略),如圖3所示。圖3中虛線陰影部分為區(qū)域間的聯(lián)絡(luò)線,歸相連的兩個區(qū)域共同擁有,如線路L12既屬于區(qū)域1,又屬于區(qū)域2,是兩個區(qū)域的重疊部分。網(wǎng)絡(luò)重疊分區(qū)方法的特點是將聯(lián)絡(luò)線歸屬于兩個相連區(qū)域,而并不是嚴(yán)格歸屬于某個區(qū)域。該方法的優(yōu)點是當(dāng)聯(lián)絡(luò)線故障時,診斷系統(tǒng)能同時觸發(fā)互連的兩個區(qū)域診斷模塊并行完成各自的診斷任務(wù),然后利用模糊積分關(guān)聯(lián)融合兩個區(qū)域的診斷結(jié)果,完成對聯(lián)絡(luò)線的故障診斷。3.2區(qū)域rbf神經(jīng)網(wǎng)絡(luò)診斷模塊的工作原理電網(wǎng)規(guī)模日趨復(fù)雜、龐大,使得集中故障診斷不能有效適應(yīng)其發(fā)展。電網(wǎng)故障時故障元件往往集中于某一局部區(qū)域,使得保護系統(tǒng)警報信號的分布呈現(xiàn)局域性的特點。由于分區(qū)故障診斷采用局部診斷策略,能有效克服集中故障診斷存在的不足,從而提高診斷效率。假設(shè)給定的電網(wǎng)被劃分為N個區(qū)域,則本文采用的分區(qū)故障診斷系統(tǒng)如圖4所示。電網(wǎng)發(fā)生故障后,首要任務(wù)是對監(jiān)控中心收到的故障警報信息進行預(yù)處理,主要完成信息分組、歸并和轉(zhuǎn)換(轉(zhuǎn)換為診斷系統(tǒng)能識別的二進制數(shù),其中1表示動作的保護或斷路器信息,0表示未動作信息)等任務(wù);故障警報信息經(jīng)預(yù)處理系統(tǒng)處理后進入RBF神經(jīng)網(wǎng)絡(luò)診斷模塊,被選擇觸發(fā)的各區(qū)域神經(jīng)網(wǎng)絡(luò)并發(fā)地進行診斷;經(jīng)區(qū)域神經(jīng)網(wǎng)絡(luò)模塊診斷后將得到部分元件的故障結(jié)論,若存在相連的兩個或多個區(qū)域神經(jīng)網(wǎng)絡(luò)模塊被選擇觸發(fā),則需通過模糊積分關(guān)聯(lián)融合相連區(qū)域關(guān)于聯(lián)絡(luò)線元件的診斷輸出,實現(xiàn)對聯(lián)絡(luò)線的故障診斷;最后通過故障結(jié)論綜合處理模塊將神經(jīng)網(wǎng)絡(luò)和模糊積分的輸出結(jié)果匯總,整理出完整的診斷報告并輸出。值得注意的是,區(qū)域RBF神經(jīng)網(wǎng)絡(luò)診斷模塊的觸發(fā)機制是只要該神經(jīng)網(wǎng)絡(luò)存在警報信息輸入,則該模塊將被觸發(fā),也即只要某一分區(qū)區(qū)域出現(xiàn)警報信息,則對應(yīng)的神經(jīng)網(wǎng)絡(luò)將被觸發(fā);而模糊積分融合模塊的觸發(fā)機制是只要相連的兩個區(qū)域神經(jīng)網(wǎng)絡(luò)診斷模塊都被觸發(fā),則該融合模塊就被觸發(fā)。3.3rbf神經(jīng)網(wǎng)絡(luò)診斷模塊基于RBF神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷流程如圖5所示。首先通過電網(wǎng)的靜態(tài)數(shù)據(jù)(網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和保護配置信息)將網(wǎng)絡(luò)劃分為若干區(qū)域,針對每個區(qū)域分別建立相應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)診斷模塊;然后對互連的兩個區(qū)域建立模糊積分融合模塊,完成診斷系統(tǒng)的構(gòu)建。當(dāng)電網(wǎng)故障時,結(jié)合電網(wǎng)的靜態(tài)數(shù)據(jù)將監(jiān)控中心收到的實時數(shù)據(jù)(保護和斷路器動作信息)進行預(yù)處理,然后運行相應(yīng)的神經(jīng)網(wǎng)絡(luò)診斷模塊和模糊積分融合模塊,計算出診斷結(jié)果,最后經(jīng)過故障結(jié)論綜合處理模塊完成診斷結(jié)果的整理、輸出,完成整個診斷過程。4模擬分析4.1各區(qū)域內(nèi)的聯(lián)絡(luò)線網(wǎng)本文以圖6所示的14節(jié)點電力系統(tǒng)模型作為仿真系統(tǒng)。該系統(tǒng)由14條母線、20條輸電線路組成。其中,母線主保護為B01m~B14m,線路主保護為LXm,線路近后備保護為LXp,線路遠(yuǎn)后備保護為LXs(其中X代表斷路器編號)。本文將該電力系統(tǒng)劃分為3個區(qū)域。圖6中虛線部分為兩兩互連區(qū)域的聯(lián)絡(luò)線,實線部分為分區(qū)后的3個區(qū)域。每兩個區(qū)域間的聯(lián)絡(luò)線均歸兩個區(qū)域擁有,如線路L0506同時歸屬于1#、2#兩個區(qū)域。網(wǎng)絡(luò)分區(qū)完成后,則可針對每個區(qū)域分別建立相應(yīng)的區(qū)域神經(jīng)網(wǎng)絡(luò)診斷模塊。4.2網(wǎng)絡(luò)擴展常數(shù)的確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)對神經(jīng)網(wǎng)絡(luò)的逼近泛化能力產(chǎn)生重要影響。由圖2可知,徑向基函數(shù)的中心和擴展常數(shù)決定著該函數(shù)的特性。為了提高網(wǎng)絡(luò)的訓(xùn)練速度并強化網(wǎng)絡(luò)的逼近能力,本文采用準(zhǔn)確徑向基網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)模塊。該網(wǎng)絡(luò)在訓(xùn)練時能保證其實際輸出以零誤差逼近期望輸出,從而實現(xiàn)無誤差設(shè)計,訓(xùn)練前唯一需要確定的是徑向基函數(shù)的擴展常數(shù)。擴展常數(shù)越大,徑向基網(wǎng)絡(luò)逼近曲線越光滑,但過大的擴展常數(shù)導(dǎo)致網(wǎng)絡(luò)欠缺選擇性;擴展常數(shù)越小,徑向基函數(shù)的逼近效果越差。為了確定合適的擴展常數(shù),本文定義2個優(yōu)選指標(biāo):診斷正確率η和均方根誤差uf078:式中:T為測試樣本總數(shù);m為輸出層神經(jīng)元數(shù);yij和y*ij分別為網(wǎng)絡(luò)的實際輸出和理想輸出。優(yōu)選過程中,具有最高診斷正確率并對應(yīng)最小均方根誤差的擴展常數(shù)被確定為最終的選擇(計算過程中,輸出大于0.5則認(rèn)為相應(yīng)元件故障)。仿真過程各神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)和最終確定的擴展常數(shù)如表1所示,仿真結(jié)果如圖7所示。由圖7可知,各神經(jīng)網(wǎng)絡(luò)的診斷正確率很高,分別為95.63%、94.63%、97.17%,具有很好的診斷效果。4.3模糊積分獲取相關(guān)信源由于不同區(qū)域神經(jīng)網(wǎng)絡(luò)具有不同的診斷能力,且對同一聯(lián)絡(luò)線故障,不同區(qū)域神經(jīng)網(wǎng)絡(luò)給出的故障結(jié)論可能不同,因此,需要通過模糊積分進行綜合決策。由模糊積分可知,模糊密度度量了信源(對應(yīng)于本文的區(qū)域神經(jīng)網(wǎng)絡(luò))在融合過程中的重要程度,而當(dāng)前信源關(guān)于某個樣本的輸出則表示相應(yīng)輸出對于融合結(jié)果的可信度。因此,模糊積分的關(guān)鍵在于確定各個信源的模糊密度以及信源關(guān)于某個樣本的輸出。由于各區(qū)域神經(jīng)網(wǎng)絡(luò)關(guān)于某個樣本的輸出即為相應(yīng)信源的輸出,從而確定了第2個參數(shù)。對于模糊密度,由于每個區(qū)域神經(jīng)網(wǎng)絡(luò)的診斷正確率反映了相應(yīng)網(wǎng)絡(luò)的故障診斷能力,且故障正確率來源于相應(yīng)網(wǎng)絡(luò)對已有測試樣本的數(shù)據(jù)統(tǒng)計,蘊含著歷史經(jīng)驗信息。因此,本文將各個區(qū)域神經(jīng)網(wǎng)絡(luò)的診斷正確率確定為相應(yīng)網(wǎng)絡(luò)的模糊密度。待確定模糊密度后,則可按式(5)快速求解各信源之間的參數(shù)uf06c,所得結(jié)果如表2所示。由此可知,模糊密度代表某一信源的歷史經(jīng)驗信息,信源關(guān)于某個樣本的輸出表示當(dāng)前的狀態(tài)信息,而通過模糊積分則實現(xiàn)了歷史經(jīng)驗信息與當(dāng)前狀態(tài)信息的有機融合。此外,由于函數(shù)h:Zuf0ae[0,1]的映射結(jié)果在[0,1]內(nèi),而各區(qū)域神經(jīng)網(wǎng)絡(luò)的輸出可能超出該范圍,因此需要進行相應(yīng)的預(yù)處理。本文采用如下截斷處理方法:4.4故障元件的診斷與診斷正確率分析為檢驗本文分區(qū)故障診斷方法的有效性,本文做了大量仿真實驗,表3僅給出了部分故障情況較為嚴(yán)重的診斷樣本。1)算例1——區(qū)域內(nèi)單重故障存在保護或斷路器拒動。樣本1和2屬于區(qū)域內(nèi)故障(所有警報信號局限于某個區(qū)域內(nèi))情況,其診斷結(jié)果如表4所示。由表4可知,區(qū)域內(nèi)故障僅觸發(fā)警報信息所在區(qū)域的神經(jīng)網(wǎng)絡(luò)診斷模塊,而其它診斷模塊均未被觸發(fā),此時對應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出即為相應(yīng)元件的故障可信度。診斷結(jié)果顯示,當(dāng)故障樣本存在保護或斷路器拒動,甚至多重拒動時,本文故障診斷方法仍能有效診斷故障元件,且其故障可信度較高。2)算例2——區(qū)域內(nèi)單重故障存在信息畸變(或誤動)。樣本3和4仍屬于區(qū)域內(nèi)故障的情況,其診斷結(jié)果如表5所示。由表5可知,因某種原因(如信息傳輸干擾等)導(dǎo)致警報信息丟失或保護系統(tǒng)動作過程存在誤動時,本文方法仍能有效診斷故障元件。3)算例3——聯(lián)絡(luò)線故障。表6為區(qū)域間聯(lián)絡(luò)線故障的診斷結(jié)果。聯(lián)絡(luò)線故障時,警報信息將不局限于某個區(qū)域內(nèi),此種情況下,多個區(qū)域神經(jīng)網(wǎng)絡(luò)模塊會被同時觸發(fā),待這些模塊并行完成各自診斷任務(wù)后,需通過模糊積分關(guān)聯(lián)融合各神經(jīng)網(wǎng)絡(luò)關(guān)于聯(lián)絡(luò)線的診斷輸出,完成聯(lián)絡(luò)線的故障診斷。當(dāng)聯(lián)絡(luò)線故障情況較為嚴(yán)重,如存在拒動或信息丟失,甚至擴大性保護動作時,不同區(qū)域接收到的警報信息不同,若僅依靠某一區(qū)域網(wǎng)絡(luò)接收到的警報信息進行診斷,則不能有效診斷故障,易導(dǎo)致故障可信度較低(如診斷樣本5中的NN2對應(yīng)的輸出),甚至造成診斷錯誤(如診斷樣本6的NN3對應(yīng)的輸出)。此時通過模糊積分融合兩個區(qū)域的診斷輸出,對故障結(jié)論做進一步?jīng)Q策,從而有效克服上述不足,且能化解診斷結(jié)論發(fā)生的沖突(診斷樣本6),得出正確的診斷結(jié)果。4)算例4——多重故障伴隨拒動或信息畸變(誤動)。電網(wǎng)發(fā)生多重故障的復(fù)雜情況對故障診斷方法提出了更高要求,特別是伴隨著保護/斷路器拒動或信息畸變(誤動)的情況。此時要求診斷方法具有很強的故障容錯能力,能利用監(jiān)控中心收集的復(fù)雜警報信息有效診斷故障元件。而本文分區(qū)故障診斷方法在電網(wǎng)發(fā)生多重故障情況時仍具有很好的診斷效果。當(dāng)某一區(qū)域內(nèi)同時發(fā)生多重故障時(診斷樣本7),雖然元件的故障可信度可能會降低(如母線B05),但并不影響故障元件的診斷結(jié)論(如表7所示);而當(dāng)多重故障不積聚于某一區(qū)域時(診斷樣本8),分區(qū)故障診斷策略可將全網(wǎng)多重故障轉(zhuǎn)化為多個區(qū)域內(nèi)的單重故障,進而利用相應(yīng)區(qū)域的診斷模塊分區(qū)診斷,從而降低診斷任務(wù)的復(fù)雜度。雖然本文沒有討論電網(wǎng)結(jié)構(gòu)具體分區(qū)算法對電網(wǎng)分區(qū)故障診斷方法的影響,但分區(qū)的不同的確會對該診斷方法產(chǎn)生影響,主要表現(xiàn)為:1)聯(lián)絡(luò)線發(fā)生變化;2)各區(qū)域RBF神經(jīng)