基于多信息融合的UPS系統(tǒng)故障診斷研究

王 愚 李紹堅 黃 勇 鄧高峰 韋宗春

（廣西電網(wǎng)有限責(zé)任公司南寧供電局 南寧 530031）

引言

當(dāng)今世界經(jīng)濟(jì)不斷發(fā)展，也帶動著科學(xué)技術(shù)的不斷進(jìn)步。在科技發(fā)展過程中，無論是計算機(jī)、人工智能等新興產(chǎn)業(yè)，還是醫(yī)療、制造業(yè)、通信系統(tǒng)等傳統(tǒng)行業(yè)，對于供電系統(tǒng)的需求都在不斷提高，具體則是對供電連續(xù)性的高標(biāo)準(zhǔn)要求。市面上雖有著型式各異的穩(wěn)壓器，但對供電質(zhì)量保障之局限性很高，因此對于新型電力設(shè)備的需求日益迫切。為了應(yīng)對這種社會問題，保證供電系統(tǒng)的穩(wěn)定性，不間斷電源被研發(fā)出來并逐漸運(yùn)用到了各電網(wǎng)系統(tǒng)中。

UPS（Uninterruptible Power System），即不間斷電源，是一種以整流器、逆變器為主要部件的電力元器件，可以通過輸出恒壓恒頻的不間斷電壓，并在市電保障時保證對負(fù)載設(shè)備供電的連續(xù)性[1-4]。

從意識到供電質(zhì)量對于生產(chǎn)的關(guān)鍵性之后，人們便著手研發(fā)能夠保證電能質(zhì)量的電力設(shè)備，并于20世紀(jì)60年代左右將UPS系統(tǒng)推廣向世界。早期的UPS系統(tǒng)更多的應(yīng)用在重工業(yè)，但隨著其他產(chǎn)業(yè)的不斷發(fā)展，當(dāng)今的UPS系統(tǒng)已經(jīng)涵蓋了通信、金融、數(shù)據(jù)中心、新能源發(fā)電廠等眾多領(lǐng)域。同時在微電子技術(shù)、數(shù)控技術(shù)、電池技術(shù)等技術(shù)的支撐下，UPS系統(tǒng)得到了大力發(fā)展，國內(nèi)外都涌現(xiàn)出一批優(yōu)質(zhì)的不間斷電源品牌，如APC、Cyberpower、Tripp Lite等，在工業(yè)生產(chǎn)或家用等場合都發(fā)揮了巨大的作用。并在今后向著智能化、高可靠性、高頻性、小型化、數(shù)字化、綠色化的方向發(fā)展[5,6]。

但與此同時，由于系統(tǒng)的組成部件繁多，UPS系統(tǒng)也存在故障問題，這些故障可能造成大量經(jīng)濟(jì)損失與社會危害。因此如何有效的進(jìn)行UPS系統(tǒng)故障診斷，從而達(dá)到預(yù)防、排查和處理故障的目的這一問題成為了UPS系統(tǒng)的研究和發(fā)展方向[7,8]。而信息融合技術(shù)，可運(yùn)用多傳感器將從目標(biāo)獲得的信息進(jìn)行收集并整合，在此基礎(chǔ)上對其進(jìn)行評估以及自我完善[9,10]。

信息融合技術(shù)在故障診斷領(lǐng)域的優(yōu)勢日益突出。文獻(xiàn)[11]面向大規(guī)模電網(wǎng)建立了一種信息融合模型，通過不同故障診斷技術(shù)的融合，分析各區(qū)域的各種故障信息，可在短時間內(nèi)完成故障診斷任務(wù)。文獻(xiàn)[12]綜合基于證據(jù)理論的信息融合技術(shù)，并利用小波神經(jīng)網(wǎng)絡(luò)方法，以小波神經(jīng)網(wǎng)絡(luò)對各類信息進(jìn)行故障特征提取，在決策層構(gòu)建信息融合框架。文獻(xiàn)[13]對以多層信息為基礎(chǔ)的輔助決策構(gòu)架進(jìn)行分析，結(jié)合融合單元的結(jié)構(gòu)特點(diǎn)，構(gòu)建了決策層、特征層、數(shù)據(jù)層的融合機(jī)制。

同時，目前的相關(guān)研究大多集中于UPS系統(tǒng)中的逆變器故障診斷。文獻(xiàn)[14]中利用電流參考矢量與電流測量矢量的偏差來診斷逆變器的開關(guān)管的開路故障，以此來減少負(fù)載對診斷方法的影響。文獻(xiàn)[15]利用三相電流經(jīng)Clark變換后的電流矢量在空間中的斜率和軌跡對發(fā)生開路故障的逆變器開關(guān)管進(jìn)行定位。文獻(xiàn)[16]采用基于歸一化相電流的UPS逆變器開路故障診斷技術(shù)，可以有效地檢測出任意橋臂上開關(guān)管的開路故障。然而對于UPS系統(tǒng)整體的故障診斷研究甚少。

本文將多信息融合技術(shù)與UPS系統(tǒng)的故障診斷進(jìn)行融合，利用傳感器采集信息，實(shí)現(xiàn)對系統(tǒng)故障更精準(zhǔn)的判斷，以達(dá)成快速修復(fù)故障的目的。

1 信息融合技術(shù)概述

信息融合（Information Fusion），即數(shù)據(jù)融合（Data Fusion），也稱作多傳感器信息融合（Multi-Sensor Information Fusion）。信息融合技術(shù)是對多個傳感器采集的信息進(jìn)行統(tǒng)籌歸納，同時加以綜合處理分析，已達(dá)到人們對于目標(biāo)實(shí)現(xiàn)優(yōu)化的目的。多傳感器系統(tǒng)是數(shù)據(jù)融合的硬件基礎(chǔ)，而多源信息是數(shù)據(jù)融合的對象，協(xié)調(diào)優(yōu)化和綜合處理是數(shù)據(jù)融合的核心[17]。

信息融合的常用方法包括以下幾種：信號處理與估計理論方法、統(tǒng)計推斷方法、信息論方法、決策論方法以及人工智能方法。其中信號處理與估計理論方法又包括Kalman濾波、最小二乘法、小波變換等，統(tǒng)計推斷法可分為Bayes推理、隨即理論等，人工智能方法包括模糊邏輯、神經(jīng)網(wǎng)絡(luò)等?？紤]到UPS系統(tǒng)中的故障形式與故障量呈非線性關(guān)系，但對故障判斷誤差較大等特點(diǎn)，本文選取人工智能方法中的神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)分為生物神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)，在人類已知的認(rèn)識范圍之內(nèi)，生物神經(jīng)網(wǎng)絡(luò)中的人類大腦系統(tǒng)是最為復(fù)雜的，是一種高效的信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）則是人為對人類大腦系統(tǒng)的一種模仿。其原理是利用算法與模型模擬神經(jīng)元，通過不斷調(diào)整內(nèi)部節(jié)點(diǎn)之間的聯(lián)結(jié)關(guān)系，以到達(dá)對信息進(jìn)行分布式并行處理的目的。

人工神經(jīng)網(wǎng)絡(luò)按照模擬規(guī)則，需要將若干個內(nèi)部節(jié)點(diǎn)，即人工神經(jīng)元進(jìn)行連接，作為神經(jīng)網(wǎng)絡(luò)中的最小劃分單元，人工神經(jīng)元是一種多輸入單輸出的非線性元件，其結(jié)構(gòu)圖如圖1所示。其中xi為輸入值, Wk1為神經(jīng)元k連接權(quán)值，θk為閾值，φ（x）為神經(jīng)元的傳遞函數(shù)，yk為神經(jīng)元k的輸出值。其中常用的傳遞函數(shù)包括閾值函數(shù)、分段線性函數(shù)、Sigmoid函數(shù)三種。

人工神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)元按一定拓?fù)浣Y(jié)構(gòu)連接而構(gòu)成的，其連接規(guī)則將會決定神經(jīng)網(wǎng)絡(luò)的性質(zhì)及功能，一般分為前饋型神經(jīng)網(wǎng)絡(luò)與反饋型神經(jīng)網(wǎng)絡(luò)兩種。而將神經(jīng)網(wǎng)絡(luò)融入信息融合中的技術(shù)稱為神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)，這種技術(shù)可以收集各用于測速診斷對象的傳感器的數(shù)據(jù)和各傳感器的隸屬度，并將數(shù)據(jù)的隸屬度適量輸入神經(jīng)網(wǎng)絡(luò)，最后神經(jīng)系統(tǒng)輸出故障的隸屬度適量，通過以上步驟來進(jìn)行故障診斷。

UPS一般使用于一個復(fù)雜系統(tǒng)之中的，因此難以搭建精準(zhǔn)的數(shù)學(xué)模型，進(jìn)而無法準(zhǔn)確地診斷系統(tǒng)故障。而人工神經(jīng)網(wǎng)絡(luò)提供了一種新的解決方式，通過神經(jīng)網(wǎng)絡(luò)可系統(tǒng)的診斷分析問題轉(zhuǎn)換成一個系統(tǒng)模式的識別與分類問題，即把UPS系統(tǒng)的運(yùn)行狀態(tài)分類成正常和故障兩種狀態(tài)，其中故障狀態(tài)又由許多不同故障種類組成，確定具體的故障種類又是一個模式識別問題。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于UPS系統(tǒng)的故障診斷分析中，主要是基于神經(jīng)網(wǎng)絡(luò)的以下特點(diǎn)[18]：

1）高效的非線性問題處理能力。通常，UPS系統(tǒng)的故障量和與其對應(yīng)的故障種類之間并非呈嚴(yán)格的線性關(guān)系，而是相對繁雜的非線性關(guān)系，為了更好地逼近這一種非線性關(guān)系，則需要用到人工神經(jīng)網(wǎng)絡(luò)。根據(jù)神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)也為非線性的特點(diǎn)，可以使用多層神經(jīng)網(wǎng)絡(luò)來最優(yōu)化地搭建目標(biāo)系統(tǒng)的數(shù)學(xué)模型，同時通過所使用的神經(jīng)網(wǎng)絡(luò)對UPS系統(tǒng)完成故障診斷與分析。

2）較強(qiáng)的學(xué)習(xí)能力。使用神經(jīng)網(wǎng)絡(luò)之前一般先需要對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，同時神經(jīng)網(wǎng)絡(luò)會根據(jù)外部信息進(jìn)行結(jié)構(gòu)性能的調(diào)整，這是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式的特點(diǎn)。因此，在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷和預(yù)測時，需要將已獲得的歷史數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)以便網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后神經(jīng)網(wǎng)絡(luò)將會對訓(xùn)練結(jié)果進(jìn)行融合歸納，從而能根據(jù)后期的數(shù)據(jù)來判斷故障類型。

3）良好的抗干擾能。UPS系統(tǒng)在運(yùn)行過程中必然會受到源于運(yùn)行環(huán)境的多方面干擾，如噪聲污染等，這將會對系統(tǒng)故障診斷的準(zhǔn)確性造成一定的影響。而基于人工神經(jīng)網(wǎng)絡(luò)分布式并行處理數(shù)據(jù)的運(yùn)行特點(diǎn)，以及其通過訓(xùn)練結(jié)果進(jìn)行故障信息識別的工作過程，使得利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的UPS系統(tǒng)可以穩(wěn)定的在環(huán)境干擾下完成診斷工作，同時系統(tǒng)的容錯率和魯棒性也有一定的提高與增強(qiáng)。

2 BP神經(jīng)網(wǎng)絡(luò)原理

在人工神經(jīng)網(wǎng)絡(luò)多種多樣的模型體系與使用方法中，BP神經(jīng)網(wǎng)絡(luò)（Back Propagation）是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型，這是一種前饋型神經(jīng)網(wǎng)絡(luò)，按照人工神經(jīng)網(wǎng)絡(luò)的規(guī)則也可劃分為輸入層（input layer）、隱含層（hidden layer）以及輸出層（output layer），每一層都可能含有若干神經(jīng)元。對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用具有一個隱層的BP網(wǎng)絡(luò)來逼近, 因而一個三層的BP網(wǎng)絡(luò)可以完成任意的M維數(shù)到m維的映射[19,20]。BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

相比其他典型的神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)具有整體足夠逼近網(wǎng)絡(luò)、可以并行處理能力、輸出類型不限、實(shí)用性強(qiáng)以及執(zhí)行速度快等優(yōu)勢，但同時也有著訓(xùn)練時間較長等缺陷?；诒菊n題建模規(guī)格小，使用參數(shù)少，信息較為充足等特點(diǎn)，充分利用BP網(wǎng)絡(luò)的優(yōu)勢，可以實(shí)現(xiàn)全局逼近網(wǎng)絡(luò)，進(jìn)而準(zhǔn)確進(jìn)行故障診斷分析的設(shè)計目標(biāo)。

BP神經(jīng)網(wǎng)絡(luò)為前饋型神經(jīng)網(wǎng)絡(luò)，這意味著輸入信號始終是按照輸入層、隱含層和輸出層的傳遞方向進(jìn)行的。為保證BP神經(jīng)網(wǎng)絡(luò)可以按照預(yù)期去無限逼近實(shí)際模型，因此在輸入信號的傳遞過程中，需要引入傳遞函數(shù)，也稱作激活函數(shù)，對于加權(quán)后的輸入信號，需要先與下一層神經(jīng)元的閾值進(jìn)行比較，然后在通過傳遞函數(shù)進(jìn)行“激活”處理，并傳導(dǎo)至再下一層神經(jīng)元，直至得到最終輸出結(jié)果。本文神經(jīng)網(wǎng)絡(luò)使用的傳遞函數(shù)為tansig函數(shù)：

而輸出層使用的傳遞函數(shù)為purelin函數(shù)：

輸入層、隱含層、輸出層分別為M，N，L的BP神經(jīng)網(wǎng)絡(luò)輸入信號正向傳遞時的算法為：

式中：

xi—輸入層第i個節(jié)點(diǎn)的輸入；

xj—隱含層第j個節(jié)點(diǎn)的輸入；

xk—輸出層第k個節(jié)點(diǎn)的輸入；

ωij—輸入層第i個節(jié)點(diǎn)與隱含層第j個節(jié)點(diǎn)間的權(quán)值；

ωjk—輸出層第k個節(jié)點(diǎn)與隱含層第j個節(jié)點(diǎn)間的權(quán)值；

θj—隱含層第j個節(jié)點(diǎn)的閾值；

θk—輸出層第k個節(jié)點(diǎn)的閾值；

φ(x)—隱含層的傳遞函數(shù)；

φ(x)—輸出層的傳遞函數(shù)；

yj—隱含層第j個節(jié)點(diǎn)的輸出；

yk—輸出層第k個節(jié)點(diǎn)的輸出。

同時，BP神經(jīng)網(wǎng)絡(luò)在信號正向傳遞的同時，其誤差的傳播方向與信號的相反，為反向傳播方式。這是因為BP神經(jīng)網(wǎng)絡(luò)在建立的時候會為各參數(shù)隨機(jī)賦予初值，此時的神經(jīng)網(wǎng)絡(luò)并不能準(zhǔn)確地模擬目標(biāo)模型，因此需要通過誤差的反饋，來進(jìn)一步對神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值進(jìn)行修正，下面將介紹誤差反向傳播時，權(quán)值與閾值修正的算法。其中所用的方法為梯度下降法，其目的是為求得損失函數(shù)的最小值。梯度下降法的計算公式為：

式中：

Δυ—目標(biāo)參數(shù)的修正值；

α—梯度下降時的步長，即學(xué)習(xí)率，表示的是梯度下降的速度；

E—υ的函數(shù)。

本文中主要對隱含層和輸出層的閾值θj、θk，以及兩個權(quán)值ωij、ωjk進(jìn)行修正，用表達(dá)式進(jìn)行表示為：

其中引入了均方誤差代價函數(shù)：

這是對于總體中某一樣本的函數(shù)。

式中：

m—樣本數(shù)量；

v(xi)—理想輸出。

對于本文中P個訓(xùn)練樣本的總體，其誤差代價函數(shù)為：

再根據(jù)正向傳遞時輸入輸出的表達(dá)式，聯(lián)立可以解得各參數(shù)修正值的表達(dá)式：

BP神經(jīng)網(wǎng)絡(luò)可以通過反復(fù)進(jìn)行上述步驟，不斷迭代得到偏差最小時的網(wǎng)絡(luò)參數(shù)值，在確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)學(xué)習(xí)率后，即可實(shí)現(xiàn)利用樣本對BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

3 BP神經(jīng)網(wǎng)絡(luò)在UPS故障診斷中的應(yīng)用

作為在UPS系統(tǒng)的故障診斷診斷中加入信息融合技術(shù)而使用的神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的設(shè)計流程包括以下幾個步驟。通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行UPS系統(tǒng)的故障診斷需要先確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，其中包括神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)以及傳遞函數(shù)等。對于小功率在線式UPS，選取輸出電壓與輸出功率作為系統(tǒng)的故障特征量，同時輸出的參數(shù)為故障類型，因此輸出參數(shù)和輸出參數(shù)分別為兩個和一個，即輸入層和輸出層節(jié)點(diǎn)數(shù)分別為2個和1個。進(jìn)而可以判斷隱含層節(jié)點(diǎn)數(shù)，其中的經(jīng)驗公式為：

式中：

n1—輸入層節(jié)點(diǎn)數(shù)；

n2—隱含層節(jié)點(diǎn)數(shù)；

n0—輸出層節(jié)點(diǎn)數(shù)；

ε—范圍為[ 1.10 ]的常數(shù)。

此次仿真模擬中，選取n2= 6。由此確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為2～6～1，依次為輸入層，隱含層，輸出層的節(jié)點(diǎn)個數(shù)。

然后需要確認(rèn)的是神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。由于輸入?yún)?shù)呈非線性關(guān)系，因此神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)設(shè)置為S型正切函數(shù)tansig()，又因為此次仿真的結(jié)果只有電容器故障和電阻器故障兩種類型，所以選取線性函數(shù)purelin()作為輸出層神經(jīng)元的傳遞函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)之所以能對故障類型進(jìn)行預(yù)測和診斷，是因為其能通過歷史數(shù)據(jù)進(jìn)行訓(xùn)練與學(xué)習(xí)，不斷修正權(quán)值與閾值，從而達(dá)到減少輸出誤差的目的，這是運(yùn)行神經(jīng)網(wǎng)絡(luò)時必不可少的一步。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程如圖3。

按照BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練規(guī)則，需要先對樣本進(jìn)行歸一化，即符合tansig函數(shù)的輸入范圍[-1，1]，使用的表達(dá)式為：

歸一化所用的MATLAB程序語言為：

在設(shè)置BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)以及最小誤差后，選取神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，即可完成對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

對于訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)，其輸出誤差已經(jīng)滿足目標(biāo)條件，在對神經(jīng)網(wǎng)絡(luò)的測試結(jié)果進(jìn)行反歸一化操作后，即可通過所設(shè)置的代數(shù)值來反應(yīng)系統(tǒng)的故障類型，從而實(shí)現(xiàn)故障診斷。

4 仿真結(jié)果

本次仿真的訓(xùn)練樣本為在人為模擬的UPS故障所采集到的故障特征量，輸出樣本為故障類型。按照在線式UPS的結(jié)構(gòu)原理圖，在Matlab2016a/Simulink的仿真環(huán)境中給出如圖4所示的仿真模型。模型中整流電路為單相橋式全控整流電路，斬波電路選擇的是升壓斬波電路，并且選取單相橋式PWM逆變電路作為UPS的逆變模塊。系統(tǒng)參數(shù)如下：系統(tǒng)電壓U= 48 V，系統(tǒng)頻率f= 60 Hz，同時按照市面上常見的在線式UPS，設(shè)置本系統(tǒng)的功率因數(shù)cosφ= 0.8。

與此同時，將BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)置為3 000次，訓(xùn)練目標(biāo)最小誤差為0.000 1，在比對訓(xùn)練次數(shù)和輸出誤差之后，選取神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為 0.1。在MATLAB程序中通過仿真來驗證次故障診斷系統(tǒng)的可行性。本文選取輸出電壓和功率作為故障特征量，故障類型選取電容器故障和電阻器故障。表1中所列的是人為模擬的在線式UPS系統(tǒng)故障的八組數(shù)據(jù)，其中電壓和功率是輸入訓(xùn)練樣本，故障類型的代數(shù)值為輸出訓(xùn)練樣本。

表1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

代入訓(xùn)練樣本后，獲得BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，其中訓(xùn)練迭代過程如圖5所示。BP神經(jīng)網(wǎng)絡(luò)在迭代34次后，可以達(dá)到所設(shè)置的訓(xùn)練目標(biāo)。

將BP神經(jīng)網(wǎng)絡(luò)的與實(shí)際故障類型的代數(shù)值進(jìn)行比對，并分別計算每組數(shù)據(jù)的絕對誤差和相對誤差，計算結(jié)果如表2所示，電阻器故障類型取代數(shù)1，電容器故障類型取代數(shù)2。

表2 BP神經(jīng)網(wǎng)絡(luò)測試誤差分析

通過比對數(shù)據(jù)以及誤差分析，可以發(fā)現(xiàn)在利用BP神經(jīng)網(wǎng)絡(luò)對UPS系統(tǒng)進(jìn)行故障診斷評估時，UPS系統(tǒng)故障的實(shí)際代數(shù)值與BP神經(jīng)網(wǎng)絡(luò)輸出評估值的相對偏差能保持在± 1 % 范圍之內(nèi)，即神經(jīng)網(wǎng)絡(luò)的評估故障類型可以在很大程度上逼近實(shí)際故障類型。

5 結(jié)論

本文提出了一種基于多信息融合的UPS系統(tǒng)故障診斷方法，本方法基于BP神經(jīng)網(wǎng)絡(luò)，對UPS系統(tǒng)中的電容器和電阻器兩種常見故障進(jìn)行診斷。仿真結(jié)果表明，該故障診斷方法可以通過較少的迭代次數(shù)達(dá)到較高的收斂精度，證明了該方法的可行性。