基于IPSO-PNN的整流電路故障診斷

賈 凱, 吳玉虹, 高 英, 王 建

昆明理工大學(xué) 信息工程與自動化學(xué)院, 云南 昆明 650504

針對電路故障進(jìn)行相關(guān)診斷是保持電路正常運(yùn)行的重要手段。在電力電子電路故障中最為頻發(fā)的是結(jié)構(gòu)性故障,也被稱為硬故障,主要是指電力電子電路發(fā)生開路或短路等嚴(yán)重故障而導(dǎo)致電路拓?fù)潢P(guān)系改變[1]的情況。其中晶閘管的開路和短路等情況尤為常見。由于此類電路元件過載能力不佳,且發(fā)生故障后其故障信息在數(shù)毫秒到數(shù)十毫秒之內(nèi)會隨即斷電而不易獲得,如果不能對這些故障進(jìn)行及時(shí)處理,往往會造成諸多安全隱患以及對社會經(jīng)濟(jì)產(chǎn)生較大的影響,所以對此類電路進(jìn)行實(shí)時(shí)診斷和在線分析就顯得尤為重要[2],因此,針對電力設(shè)備安全性及其可靠性的需求使得故障檢測和診斷方法逐漸成為熱點(diǎn)問題。隨著計(jì)算機(jī)及人工智能技術(shù)的快速發(fā)展和應(yīng)用,對于電路故障診斷的相關(guān)研究也在逐步走向智能化[3-4],現(xiàn)如今衍生出了基于神經(jīng)網(wǎng)絡(luò)[5-6]、支持向量機(jī)[7]和其他應(yīng)用計(jì)算機(jī)進(jìn)行分析的智能故障診斷方法。文獻(xiàn)[8]依靠負(fù)載輸出電壓波形的變化情況,針對其變化規(guī)律進(jìn)行相關(guān)分析,判斷電路開路故障的可能,但人工分析難免出錯(cuò)。文獻(xiàn)[9]提出了依據(jù)輸入電流與輸出電壓波形特征來進(jìn)行晶閘管開路故障的診斷,能夠確定開路故障的疑似時(shí)間和位置,但診斷時(shí)間較長,在工業(yè)應(yīng)用中難以廣泛使用。文獻(xiàn)[10]在工況發(fā)生變化的情況下,分析誤差電流來確定晶閘管開路位置,在應(yīng)對電流突變方面取得了一定成效。目前,對于開路故障的診斷主要集中于針對異常電流或電壓進(jìn)行信號分析,該方法能夠直觀地反映出電路開路故障特征,為檢測故障支路以及定位故障晶閘管提供了數(shù)據(jù)基礎(chǔ),但對于信號分析獲取的非線性不相關(guān)數(shù)據(jù),如何進(jìn)行快速有效地分類,仍然是實(shí)現(xiàn)準(zhǔn)確診斷的關(guān)鍵因素。

為了縮短診斷時(shí)長,提升故障診斷準(zhǔn)確率,本文選取概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)對電路進(jìn)行開路故障分類訓(xùn)練及診斷。通過搭建工業(yè)上使用最為廣泛的三相整流電路模型為例,采用PNN將故障電路的特征信息與神經(jīng)網(wǎng)絡(luò)相結(jié)合,從而實(shí)現(xiàn)對故障電路的診斷[11]。PNN結(jié)合了經(jīng)典概率密度估計(jì)的相關(guān)原理,其本身具有快速收斂和非線性分類能力強(qiáng)等優(yōu)點(diǎn),對于電力電子電路的故障分類具有較高的適應(yīng)性和針對性,因此可以很好地應(yīng)用于該類型的故障分類診斷中[12]。在PNN中平滑參數(shù)σ在很大程度上能夠影響故障分類識別性能,但該數(shù)值往往憑借經(jīng)驗(yàn)進(jìn)行選取,本文通過改進(jìn)的粒子群算法對平滑參數(shù)進(jìn)行迭代優(yōu)化,選取出最佳平滑參數(shù),最終精準(zhǔn)地找出發(fā)生故障的晶閘管,從而盡早實(shí)現(xiàn)對故障部分的維修,減少故障對人民財(cái)產(chǎn)和生命安全的影響。

1 建模仿真與故障診斷

圖1 三相整流電路

當(dāng)運(yùn)行中的電路存在晶閘管處于開路狀態(tài)時(shí),電路中阻性負(fù)載的輸出電壓波形就會受到影響并發(fā)生變化,由此就可以獲取晶閘管的故障信息。圖2為開路故障時(shí)負(fù)載輸出電壓波形及其快速傅里葉變換分析示例。為了減小負(fù)載輸出波形的諧波分量以及輸入功率因數(shù)對仿真結(jié)果的影響,本文設(shè)置控制角為30°,三相交流電壓為工頻380 V。在實(shí)際應(yīng)用過程中,多個(gè)晶閘管同時(shí)開路的情況極少發(fā)生,就不考慮該種情況。樣本數(shù)據(jù)選用故障相輸出電壓,通過調(diào)整交流電壓初始相位采集單管與雙管故障時(shí)負(fù)載輸出電壓波形,將采集到的故障相電壓信號進(jìn)行快速傅里葉變換,提取信號的直流分量、基波、二次諧波和三次諧波作為一組特征參數(shù),共選用145組,其中90組數(shù)據(jù)用作訓(xùn)練樣本,余下55組作為驗(yàn)證樣本整理最終分類結(jié)果,將特征信息進(jìn)行歸一化處理后結(jié)合PNN進(jìn)行相應(yīng)的故障類型診斷。

PNN結(jié)構(gòu)由4個(gè)部分組成,如圖3所示。輸入層主要負(fù)責(zé)收集數(shù)據(jù)樣本,其神經(jīng)元個(gè)數(shù)與輸入向量長度相對應(yīng),通過計(jì)算輸入樣本向量與訓(xùn)練樣本向量之間存在的差值,獲取向量間的近似度作為故障分類依據(jù)。模式層負(fù)責(zé)將上一層得到的近似度做系統(tǒng)劃分,將輸入向量與對應(yīng)種類之間的關(guān)系作為劃分依據(jù)進(jìn)行分類。求和層根據(jù)劃分種類個(gè)數(shù)設(shè)置節(jié)點(diǎn)n,每一個(gè)種類與一個(gè)節(jié)點(diǎn)相對應(yīng),通過競爭型傳遞函數(shù)判別數(shù)據(jù)樣本中概率最大的一類,輸出值判定為1,其余結(jié)果判定為0,最后通過輸出層輸出結(jié)果。

圖3 PNN結(jié)構(gòu)示意圖

該神經(jīng)網(wǎng)絡(luò)的基本思想是基于貝葉斯決策規(guī)則通過高維空間生成決策空間,從而達(dá)到錯(cuò)誤分類的期望風(fēng)險(xiǎn)最小的目的[14]。貝葉斯決策理論可以表示為

ifP(wi|x)>P(wj|x),?j≠i, thenx∈wi,

(1)

其中,

P(wi|x)>P(wi)P(x|wi)。

(2)

在實(shí)際的應(yīng)用當(dāng)中,模式分類的概率密度函數(shù)P(x|wi)是依據(jù)訓(xùn)練樣本、向量維數(shù)和平滑參數(shù)等數(shù)值進(jìn)行求解的,其表達(dá)式為

(3)

其中:xik作為第wi類的第k個(gè)訓(xùn)練樣本;h代表訓(xùn)練樣本參數(shù)中的向量維數(shù);Ni代表第wi類的訓(xùn)練樣本總數(shù);‖x-xik‖表示輸入樣本向量與訓(xùn)練樣本向量的差值;σ是訓(xùn)練過程中的平滑參數(shù),通過選取合適的σ值能夠有效提高神經(jīng)網(wǎng)絡(luò)的分類性能。由PNN實(shí)現(xiàn)電力電子電路的故障診斷結(jié)果如圖4所示。

圖4 PNN故障診斷結(jié)果

2 粒子群算法及其改進(jìn)

2.1 標(biāo)準(zhǔn)粒子群算法

標(biāo)準(zhǔn)粒子群算法(Particle Swarm Optimization,PSO)是從鳥類種群的捕食行為特性中啟發(fā)而來,主要應(yīng)用于求解優(yōu)化問題。在一個(gè)n維搜索空間中,運(yùn)用粒子來模擬鳥群中的個(gè)體,粒子本身只具有速度和位置這兩個(gè)屬性[15]?，F(xiàn)有m個(gè)粒子構(gòu)成種群X=(x1,x2,…,xm),每個(gè)個(gè)體以不同的速度V=(vs1,vs2,…,vsm)T在n維搜索空間中移動,使得個(gè)體的位置P=(ps1,ps2,…,psm)T在空間中不斷更新[16]。在這一過程中,粒子的速度與位置兩個(gè)屬性[17]可以表示為

(4)

(5)

傳統(tǒng)的φ線性遞減策略由于其斜率恒定,會導(dǎo)致粒子速度改變始終保持同一水平,如果在迭代初期沒有尋到較好的位置,隨著粒子逐漸衰減速度,則極有可能導(dǎo)致結(jié)果陷入局部最優(yōu)。針對該問題,本文通過調(diào)整慣性權(quán)值φ的遞減方式,將φ表示為隨迭代次數(shù)而變化的函數(shù)來增強(qiáng)粒子在故障空間中的全局和局部搜索能力,提升算法的尋優(yōu)性能。圖5為PSO-PNN算法實(shí)現(xiàn)電路故障診斷結(jié)果。

圖5 PSO-PNN故障診斷結(jié)果

2.2 慣性權(quán)值變化的改進(jìn)

為了最大程度平衡粒子的局部和全局搜索能力以獲取最佳效果,采用曲線遞減策略改善φ的變化情況。其計(jì)算公式為

(6)

式中,φ1為初始慣性權(quán)值,φ2為終止慣性權(quán)值,t為當(dāng)前迭代次數(shù),T代表最大迭代次數(shù)。

在以往的研究中,當(dāng)φ1=0.9,φ2=0.4時(shí)算法性能最好[18],此時(shí)的慣性權(quán)值在0.9到0.4區(qū)間中曲線遞減,該取值范圍既能保證粒子前期搜尋速度,又能在后期維持粒子動態(tài)。初始階段在較大范圍內(nèi)快速搜尋最優(yōu)解的大致位置,在φ不斷減小的過程中,粒子速度減慢,利于對局部位置進(jìn)行細(xì)致搜尋,最終尋取最優(yōu)結(jié)果。調(diào)整后的φ動態(tài)變化情況如圖6所示,相較于傳統(tǒng)的線性遞減慣性權(quán)值,這種φ變化策略能夠?qū)αＷ铀俣冗M(jìn)行靈活調(diào)整,在不同搜尋階段,匹配最佳的搜索性能。

圖6 慣性權(quán)值變化情況

當(dāng)進(jìn)化代數(shù)為t時(shí)

(7)

(8)

以上二式描述了c1由初始值c1i線性減小至終值c1u,c2由初始值c2i線性增加至終值c2u。圖7為改進(jìn)粒子群算法(Improved Particle Swarm Optimization,IPSO)與PNN相結(jié)合的故障診斷流程。

圖7 IPSO-PNN故障診斷流程圖

基于IPSO故障診斷的具體步驟如下:

1)參數(shù)初始化。采用隨機(jī)定義的方式初始化粒子群參數(shù),將粒子個(gè)數(shù)與晶閘管故障類型數(shù)相對應(yīng),設(shè)置21個(gè)粒子,其最大迭代次數(shù)為300,學(xué)習(xí)因子隨初始值、終值及迭代次數(shù)動態(tài)變化,φ1=0.9,φ2=0.4設(shè)定最小誤差為10-3。

2)計(jì)算種群中粒子的適應(yīng)度,記錄個(gè)體極值點(diǎn)與全局極值點(diǎn),同時(shí)計(jì)算出每一代種群的平均適應(yīng)度。

3)通過更新粒子的速度與位置兩個(gè)屬性,對新一代適應(yīng)度進(jìn)行尋優(yōu)并計(jì)算。

4)檢驗(yàn)終止條件。對迭代過程中粒子的適應(yīng)度進(jìn)行評估,調(diào)整粒子的速度和位置,在沒有達(dá)到既定的最大迭代次數(shù)或誤差精度時(shí)重復(fù)執(zhí)行以上操作,直至滿足要求,獲取最優(yōu)參數(shù)輸入PNN中進(jìn)行診斷。

IPSO-PNN算法故障診斷結(jié)果如圖8所示。將傳統(tǒng)PNN、PSO-PNN及IPSO-PNN方法的故障診斷結(jié)果作綜合對比,結(jié)果見表1。

表1 故障診斷結(jié)果對比

圖8 IPSO-PNN故障診斷結(jié)果

該實(shí)驗(yàn)表明,所提出的改進(jìn)算法能夠?qū)﹄娮与娐饭收系姆蔷€性數(shù)據(jù)進(jìn)行有效地分類,并且在應(yīng)用于多管開路的情況下依然有效。由于PNN神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)樣本的需求量較大,同時(shí)存在收斂速度較為緩慢等問題,使得仿真結(jié)果與性能表現(xiàn)不佳;通過PSO對其進(jìn)行優(yōu)化后,在診斷的準(zhǔn)確率以及收斂速度方面都有了相應(yīng)提升,但由于傳統(tǒng)PSO慣性權(quán)值的變化策略限制導(dǎo)致結(jié)果仍然存在誤差,通過改進(jìn)相關(guān)策略后,平衡了算法局部搜索和全局搜索性能,從而有效提高了故障診斷的準(zhǔn)確率。

3 結(jié)語

針對PNN在電力電子電路故障診斷分類效果、診斷準(zhǔn)確率等方面的不足,對其進(jìn)行了有效地改進(jìn),提出了將IPSO算法與PNN相結(jié)合的診斷方法,通過對慣性權(quán)值和平滑因子等參數(shù)的優(yōu)化來提升算法的分類性能。實(shí)驗(yàn)結(jié)果表明,IPSO-PNN的診斷準(zhǔn)確率達(dá)到了98.181%,驗(yàn)證了該算法能夠有效地提升對電力電子電路故障診斷的準(zhǔn)確率。在分類故障診斷中,特征參數(shù)與故障類型之間的相關(guān)性決定著分類的準(zhǔn)確率,今后可以對相關(guān)故障的特征提取做進(jìn)一步研究,通過特征參數(shù)對故障類型做更細(xì)致準(zhǔn)確的反映,從而在電子電路故障診斷效率方面獲得更大提升。