專利名稱::一種基于Gradation-Boosting算法的電力電子系統(tǒng)故障診斷方法
技術(shù)領(lǐng)域:
:本發(fā)明屬于電力電子系統(tǒng)故障診斷領(lǐng)域,涉及一種基于Gradation-Boosting算法的故障診斷方法。
背景技術(shù):
:故障檢測是指確定系統(tǒng)是否發(fā)生故障的過程,即對一非正常狀態(tài)的檢測過程。通過不斷監(jiān)測系統(tǒng)可測量變量的變化,在標稱情況下,認為這些變量在某一不確定性下滿足一已知模式,而當系統(tǒng)任一部件故障發(fā)生時,這些變量偏離其標稱狀態(tài)。通常根據(jù)系統(tǒng)輸出或狀態(tài)變量的估計殘差的特性來判斷故障。目前研究的目標是檢測的及時性、準確性和可靠性及最小誤報和漏報率。電力電子技術(shù)是利用電力電子器件對電能進行控制和轉(zhuǎn)換的新興學科。通過使用電力半導體器件,應(yīng)用電路和設(shè)計理論以及分析開發(fā)工具,實現(xiàn)對電能的高效能變換和控制。近年來,功率變流技術(shù)得到了迅猛發(fā)展,經(jīng)過變流技術(shù)處理的電能在整個國民經(jīng)濟的耗電量中所占比例越來越大。電力電子技術(shù)已廣泛應(yīng)用于國防軍事、工業(yè)、交通、農(nóng)業(yè)、商業(yè)、醫(yī)藥制造以至家用電器。電力電子設(shè)備一旦發(fā)生故障,小則造成電器產(chǎn)品損壞、工礦企業(yè)停產(chǎn),大則會威脅人民生命、財產(chǎn)安全,甚至造成重大災(zāi)難事故,影響國民經(jīng)濟的正常運行。所以,對電力電子設(shè)備進行故障檢測和診斷顯得日趨重要。由于電力電子系統(tǒng)故障種類復(fù)雜,發(fā)生故障的原因繁多,因此僅僅依靠人工查找或維修人員的經(jīng)驗去定位故障往往很困難。這就要求建立一種能進行故障自動檢測和診斷的系統(tǒng)來對電力電子設(shè)備故障進行有效的診斷。過去十幾年,電力電子電路的故障診斷技術(shù)得到了迅速發(fā)展,故障自動檢測和診斷系統(tǒng)日趨智能化,特別是近幾年,人工神經(jīng)網(wǎng)絡(luò)在故障診斷的廣泛應(yīng)用,為電力電子電路的故障診斷提出了一種全新的診斷方法?;谀P偷墓收显\斷方法必須建立準確的數(shù)學模型,但往往很多實際系統(tǒng)難以用數(shù)學模型來描述。而基于知識的故障診斷方法盡管不須建立系統(tǒng)模型,但由于人們知識或經(jīng)驗所限,未必會使所有故障包含在知識庫中,因此不能診斷知識庫中未描述的故障現(xiàn)象。基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法可以利用神經(jīng)網(wǎng)絡(luò)的非線性映射特性和自學能力來反映系統(tǒng)故障輸出特征和故障類型之間的映射關(guān)系,從而達到對系統(tǒng)進行故障診斷的目的。BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)由于其在模式識別和模型分類上的優(yōu)越性能以及精確的數(shù)學描述、清晰的處理過程和易于實現(xiàn)的特點,因此在故障診斷中應(yīng)用的最廣泛、最成功。目前在電力系統(tǒng)的故障診斷中廣泛采用的人工神經(jīng)網(wǎng)絡(luò)模型是BP神經(jīng)網(wǎng)絡(luò)模型。
發(fā)明內(nèi)容本發(fā)明的目的是提供一種應(yīng)用神經(jīng)網(wǎng)絡(luò)同Gradation-Boosting算法相結(jié)合的方法,本發(fā)明能對電力系統(tǒng)電子電路故障進行診斷。本發(fā)明的目的通過下述方法和步驟實現(xiàn)本發(fā)明首先建立了三相電力電子逆變電路的仿真模型,然后根據(jù)實際情況對系統(tǒng)的故障情況進行仿真,獲得各類故障發(fā)生時所對應(yīng)的電路參數(shù)作為故障樣本,將所有樣本根據(jù)實際故障的發(fā)生頻率劃分成不同的等級,然后用這些樣本作為學習樣本對神經(jīng)網(wǎng)絡(luò)進行反復(fù)訓練,最后用Gradation-Boosting算法將訓練好的神經(jīng)網(wǎng)絡(luò)整合成一個完整的高性能的故障診斷系統(tǒng)。以下對本發(fā)明的內(nèi)容作進一步闡述1、建立三相電力電子逆變電路的仿真模型電路模型如附圖所示,我們需要檢測的故障為Tl-T6這六個功率半導體元件IGBT斷路故障??紤]到在實際應(yīng)用中的情況,我們假設(shè)最多有兩個功率半導體元件同時故障,所有的故障情況可分類如下第一大類僅有一只功率半導體元件IGBT故障,分六小類T1故障、T2故障、T3故障、T4故障、T5故障、T6故障第二大類同一半橋的兩只功率半導體元件IGBT同時故障,分三小類T1和T2故障、T3和T4故障、T5和T6故障第三大類交叉兩只功率半導體元件IGBT同時故障,分六小類T1和T4故障、Tl和T6故障、T3和T6故障、T2和T3故障、T4和T5故障、T2和T5故障第四大類同一上(或下)橋臂兩只功率半導體元件IGBT同時故障,分六小類T1和T3故障、TI和T5故障、T3和T5故障、T2和T4故障、T2和T6故障、T4和T6故障2、故障樣本的獲得以及BP神經(jīng)網(wǎng)絡(luò)的Gradation-Boosting過程在以上所列的故障中,因為兩只功率半導體元件IGBT在某一時刻同時故障的可能性非常小,所以僅有一只功率半導體元件IGBT故障是最頻繁的故障,也是我們對電力系統(tǒng)進行故障檢測的重中之重。因此,我們將系統(tǒng)發(fā)生這些故障的狀態(tài)以及無故障狀態(tài)作為重點檢測狀態(tài),將發(fā)生兩只功率半導體元件IGBT故障(即第二、三、四大類)的狀態(tài)作為系統(tǒng)的非重點檢測狀態(tài)。對于重點檢測狀態(tài),其訓練樣本在故障檢測系統(tǒng)中將會受到更多的關(guān)注,以保證較高的故障檢測正確率。對不同故障情況下的輸出電壓V進行分析我們可獲得電路的故障特征參數(shù)。通過傅立葉變換把時域中的V的波形信號變換到頻域上來分析,得到各次諧波的幅值和相角。對V的波形信號的各次諧波進行分析可知,信號的前二次諧波(含直流分量)基本上就包含了能進行故障識別的各種信息。因此,選用V的直流分量(D),基波幅值(Al),基次諧波的相位角(Pl),二次諧波的相位角(P2)作為故障特征參數(shù),輸入到BP神經(jīng)網(wǎng)絡(luò)的輸入層。關(guān)于訓練樣本的數(shù)目,我們選取輸入電壓400V不同的負載功率30千瓦、40千瓦、50千瓦時各類故障特征信號以及加入強度為1%的噪聲后得到的樣本作為訓練樣本,用于神經(jīng)網(wǎng)絡(luò)組的學習。訓練樣本總數(shù)是6600組,表1列出了所得到的部分訓練樣本。表l:部分訓練樣本負載功率故障類型DAlPIP2網(wǎng)絡(luò)期望輸出(共21位>30kw無:故陣o細o0.7045-0—33150.307S0000.......030kwTl故:障0.50850.5505-0.23430.08031000......030kwT2故障0.50730.5536-0.2335-0.92350100.......030kwT4,T6故臃0-5,0"W5-0,4610-0,10800000......140.kw.無故障0細207005-0.33100.09530000...040kwTl故障0.54150.5388-0.23300.1095,0...040kwT2故障0.52400.5423-0..2340-O鄰OS0100......040kwT4,T6故障0.67250.4768-0.411.50.31960000......1無故障0.00000:70〖5-0.33180,33860000...050kw■Tl故障0.50280.5603-0-23360.06221000...050lewT2故降0.50360.5645-0.2321-0.942.90100...ft50kwT4,T6敏P聿0.58730.4131-0.42230.29290000......1為了更好地驗證訓練后的神經(jīng)網(wǎng)絡(luò)組的性能,我們在表2所示的情況下獲得各類故障特征信號以及加入不同比例的噪聲(強度為分別為5%、10%、15%和20)后得到的樣本作為測試樣本,測試樣本總數(shù)是11000組。表2、獲取測試樣本時的參數(shù)設(shè)置輸入電壓(F》4004404403603節(jié)-負載功率fsw》35鄰35鄰35本發(fā)明采用了BP神經(jīng)網(wǎng)絡(luò)作為故障診斷系統(tǒng)的基本組成單元。它由三層組成輸入層、隱層和輸出層。輸入層節(jié)點數(shù)是4,它是由故障特征參數(shù)的個數(shù)所決定的;輸出層節(jié)點數(shù)是21,它是由故障的種類決定的,一種故障對應(yīng)一個輸出節(jié)點,該故障發(fā)生時,相對應(yīng)的輸出節(jié)點輸出為l,否則輸出為O;隱層節(jié)點的個數(shù)沒有固定的理論可循,需要通過一系列的仿真實驗來調(diào)整,隱層節(jié)點數(shù)太少,網(wǎng)絡(luò)的泛化能力差,甚至網(wǎng)絡(luò)學習根本就不能收斂,隱層節(jié)點數(shù)太多,訓練時間過長,網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、龐大。為了使故障檢測系統(tǒng)能更好的對那些發(fā)生頻率高、危害程度大的故障進行監(jiān)控,我們在經(jīng)典Boosting算法的基礎(chǔ)上提出了Gradation-Boosting算法,算法的基本思想是初始化,為每個訓練樣本分配權(quán)重,樣本的等級越高,分配的權(quán)重越大。接著調(diào)用BP神經(jīng)網(wǎng)絡(luò)進行T次迭代,每次迭代后,按照訓練結(jié)果更新訓練集上的分布,對于訓練失敗的樣本賦予較大的權(quán)重,使得下一次迭代更加關(guān)注這些訓練樣本,從而得到一個預(yù)測函數(shù)序列hl,h2,…,ht(其中t二1,2,…,T),每個預(yù)測函數(shù)ht也賦予一個權(quán)重,預(yù)測效果好的,相應(yīng)的權(quán)重越大。T次迭代之后,在分類問題中最終的預(yù)測函數(shù)H采用帶權(quán)重的投票法產(chǎn)生。單個神經(jīng)網(wǎng)絡(luò)的學習準確率不是很高,運用Gradation-Boosting算法之后,整個故障診斷系統(tǒng)的檢測準確率將得到較大的提高,尤其是對于發(fā)生頻率高、危害程度大、需要重點檢測故障。本發(fā)明所提出的基于Gradation-Boosting的電力電子系統(tǒng)故障診斷方法,應(yīng)用神經(jīng)網(wǎng)絡(luò)同Gradation-Boosting算法相結(jié)合的方法對電力系統(tǒng)電子電路故障進行診斷,同時提出了將故障根據(jù)其危害程度和發(fā)生的頻率劃分輕重等級的思想,對那些危害程度大、發(fā)生頻率高的故障重點對待,使得這些故障能夠被及時準確無誤地檢測出來;同時對于其他危害小、發(fā)生頻率低的故障,神經(jīng)網(wǎng)絡(luò)組的檢測也可達到較高的檢測正確率,這樣便在較低的網(wǎng)絡(luò)規(guī)模的基礎(chǔ)上大大提高了網(wǎng)絡(luò)的故障監(jiān)控能力,可很好地滿足實際應(yīng)用的需要。圖1是三相電力電子變頻電路模型。具體實施例方式以下結(jié)合具體的實施例,對本發(fā)明做進一步的闡述。實施例僅用于對本發(fā)明做說明而不是對本發(fā)明的限制。實施例1本實施例以附圖所示的電路模型,進一步闡述本發(fā)明。1、初始化,將由仿真模型所獲得電路的故障參數(shù)作為第一個BP神經(jīng)網(wǎng)絡(luò)的學習樣本,并為每組樣本分配初始權(quán)重如
發(fā)明內(nèi)容所述,本實施例1或2個半導體元件故障共有21種情況(其中重點檢測故障6種,非重點檢測故障15種),另外我們也需要考慮電路正常工作樣本(即無故障發(fā)生時的電路的各項參數(shù)組成的樣本)。我們的故障診斷系統(tǒng)需要重點對待的樣本是6種重點檢測故障的樣本以及一種正常工作樣本。因此,初始化時,我們?yōu)槊拷M重點對待的樣本分配權(quán)重為2,為其他樣本分配權(quán)重為1。2、進入T次迭代,得到預(yù)測函數(shù)序列hl、h2、…、ht(其中t=1,2,…,T),同時為每個預(yù)測函數(shù)ht計算一個置信權(quán)重,此權(quán)重決定了ht在最終投票時對結(jié)果影響程度的大小第t次迭代過程如下用第t-l次迭代調(diào)整過的含有不同權(quán)重的樣本來訓練本次的BP神經(jīng)網(wǎng)絡(luò),得到預(yù)測函數(shù)ht,訓練結(jié)束后用剛剛訓練時所用的樣本來逐個測試這個BP神經(jīng)網(wǎng)絡(luò),將測試輸出結(jié)果與實際故障不符合的樣本的權(quán)重記錄并作累加,此累加結(jié)果用所有樣本權(quán)重的和歸一化后作為ht的置信權(quán)重。同時,對樣本的權(quán)重進行調(diào)整,對于本次用ht測試結(jié)果正確的樣本,減小其樣本權(quán)重;對于本次用ht測試結(jié)果錯誤的樣本,增加其權(quán)重。然后使用這些剛剛調(diào)整過的樣本進行第t+l次迭代。3、由預(yù)測函數(shù)序列hl、h2、…、ht進行投票作為故障診斷系統(tǒng)的最終輸出恥l,=豐"力、/Jx"4、結(jié)果分析用前面所獲得的測試樣本(共11000組)對網(wǎng)絡(luò)故障檢測的準確性進行測試,同時與基于故障分等級的神經(jīng)網(wǎng)絡(luò)組進行比較。診斷的結(jié)果如表3所示。表3、故障診斷結(jié)果比較<table>tableseeoriginaldocumentpage7</column></row><table>從以上實施例結(jié)果可知,本發(fā)明能很好地提高系統(tǒng)故障診斷的能力,即使檢測過程中存在較大的噪聲,系統(tǒng)仍可以達到較高的故障診斷正確率,充分證明了本發(fā)明的在故障診斷方面的可行性和優(yōu)越性。權(quán)利要求一種基于Gradation-Boosting算法的電子電力系統(tǒng)故障診斷方法,其特征在于包括下述步驟首先建立三相電力電子逆變電路的仿真模型,然后根據(jù)實際情況對系統(tǒng)的故障情況進行仿真,獲得各類故障發(fā)生時所對應(yīng)的電路參數(shù)作為故障樣本,將所有樣本根據(jù)實際故障的發(fā)生頻率劃分成不同的等級,然后用這些樣本作為學習樣本對神經(jīng)網(wǎng)絡(luò)進行反復(fù)訓練,最后用Gradation-Boosting算法將訓練好的神經(jīng)網(wǎng)絡(luò)整合成一個完整的高性能的故障診斷系統(tǒng)。2.根據(jù)權(quán)利要求1所述的基于Gradation-Boosting算法的電子電力系統(tǒng)故障診斷方法,其特征在于所述的根據(jù)實際故障的發(fā)生頻率劃分成不同的等級,是將無故障狀態(tài)和最頻繁發(fā)生的故障作為重點檢測狀態(tài),將故障的可能性小的狀態(tài)作為系統(tǒng)的非重點檢測狀態(tài)。3.根據(jù)權(quán)利要求l所述的基于Gradation-Boosting算法的電子電力系統(tǒng)故障診斷方法,其特征在于對不同故障情況下的輸出電壓V進行分析,獲得電路的故障特征參數(shù),通過傅立葉變換把時域中的V的波形信號變換到頻域上分析,得到各次諧波的幅值和相角;選用V的直流分量(D),基波幅值(Al),基次諧波的相位角(Pl),二次諧波的相位角(P2)作為故障特征參數(shù),輸入到BP神經(jīng)網(wǎng)絡(luò)的輸入層。4.根據(jù)權(quán)利要求1所述的基于Gradation-Boosting算法的電子電力系統(tǒng)故障診斷方法,其特征在于采用BP神經(jīng)網(wǎng)絡(luò)作為故障診斷系統(tǒng)的基本組成單元,神經(jīng)網(wǎng)絡(luò)由三層組成輸入層、隱層和輸出層,輸入層節(jié)點數(shù)由故障特征參數(shù)的個數(shù)所決定;輸出層節(jié)點數(shù)是由故障的種類決定,一種故障對應(yīng)一個輸出節(jié)點,故障發(fā)生時,相對應(yīng)的輸出節(jié)點輸出為1,否則輸出為0;隱層節(jié)點的個數(shù)通過一系列的仿真實驗來調(diào)整。5.根據(jù)權(quán)利要求l所述的基于Gradation-Boosting算法的電子電力系統(tǒng)故障診斷方法,其特征在于在經(jīng)典Boosting算法的基礎(chǔ)上提出了Gradation-Boosting算法,為每個訓練樣本分配權(quán)重,樣本的等級越高,分配的權(quán)重越大;調(diào)用BP神經(jīng)網(wǎng)絡(luò)進行T次迭代,每次迭代后,按照訓練結(jié)果更新訓練集上的分布,對于訓練失敗的樣本賦予較大的權(quán)重,使得下一次迭代更加關(guān)注這些訓練樣本,從而得到一個預(yù)測函數(shù)序列hl,h2,…,ht,每個預(yù)測函數(shù)ht也賦予一個權(quán)重,預(yù)測效果好的,相應(yīng)的權(quán)重越大;T次迭代之后,在分類問題中最終的預(yù)測函數(shù)H采用帶權(quán)重的投票法產(chǎn)生。全文摘要本發(fā)明是一種基于Gradation-Boosting算法的電子電力系統(tǒng)故障診斷方法,首先建立了三相電力逆變電路的仿真模型,根據(jù)實際情況對系統(tǒng)的故障情況進行仿真,獲得各類故障樣本,將所有樣本根據(jù)實際故障的發(fā)生頻率劃分成不同等級,然后用這些樣本作為學習樣本對神經(jīng)網(wǎng)絡(luò)進行反復(fù)訓練,最后用Gradation-Boosting算法將訓練好的神經(jīng)網(wǎng)絡(luò)整合成一個完整的高性能故障診斷系統(tǒng)。本發(fā)明可提高電力電子故障診斷系統(tǒng)的故障檢測正確率,降低實際應(yīng)用系統(tǒng)中由于漏檢、誤檢造成的損失。文檔編號G06F17/50GK101782625SQ20091004549公開日2010年7月21日申請日期2009年1月16日優(yōu)先權(quán)日2009年1月16日發(fā)明者付偉,顧曉東,馬成才申請人:復(fù)旦大學