基于PSO-RBF监测预测模型的电力电子电路

王绅宇，　陈丹江，　叶银忠

基于PSO-RBF监测预测模型的电力电子电路

王绅宇1，陈丹江2，叶银忠1

(1.上海应用技术学院电气与电子工程学院，上海201418；2.浙江万里学院电子信息学院，浙江宁波315100)

针对现有电力电子电路故障状态预测技术的不足，提出将电路特征性能参数与粒子群算法(PSO)优化的径向基函数(RBF)神经网络相结合，对电力电子电路进行故障状态监测预测.以电源电路中Buck电路为例，选择电路输出电压作为监测信号，提取输出电压平均值及纹波电压值作为电路特征性能参数，并利用改进后的RBF神经网络实现状态预测.结果表明，利用PSO改进后的RBF神经网络对电路输出平均电压和纹波电压的预测比单纯RBF神经网络预测的结果更加精准，能够跟踪电源电路状态特征性能参数的变化趋势，有效实现电力电子电路状态监测和预测.

故障状态预测；RBF神经网络；粒子群算法；电力电子电路

现代控制系统和设备的复杂性不断增加、规模不断扩大，这类系统一旦发生故障可能导致重大灾害事故.故障诊断是提高系统可靠性和降低事故风险的重要方法和有力措施。无论故障的规模多大、来势多凶猛，大多是从微小故障(早期故障、初始故障、初期故障)开始的[1-2].微小故障的检测诊断和预测是预防和减少灾难发生的关键.

现阶段电力电子电路故障预测大多是对电路中关键元器件的故障预测，如电解电容器，而对多个元器件性能参数作为整体综合考虑的电路故障预测研究相对较少.从电路的总体性能出发，将多个元器件的性能参数随时间变化综合考虑，预测电路的输出，需要同时观测多个随时间变化的输入、输出变量，因而观测得到的信号是非线性的.神经网络方法在多输入输出的非线性领域中得到了非常广泛的应用.径向基函数(Radial Basis Function，BRF)神经网络是最为常用的方法之一，其优点是不需要对电路进行数学建模，有很强的非线性、自组织、自适应和容错的能力[3-6].但该方法容易陷入局部最优，收敛速度慢，精度较低，跟踪性较弱[7-9].电力电子电路在状态监测中遇到的数据变化多为微小变化，其值的变化范围较小.RBF神经网络在处理此类问题时，表现出精度不够，跟踪系统变化的能力较弱，不能够精确描述和及时反映系统的状态，因此需要对RBF神经网络进行改进.粒子群算法(Particle Swarm Optimization，PSO)是一种并行的、随机的优化算法，其搜索速度快，能够有效地优化各种函数.PSO擅长优化计算，可跟踪数据集，若用于优化智能算法中的某些阀值常数，能够使阀值随着数据的变化而做出调整，大大提高智能算法对数据的跟踪能力，从而使智能算法具有时效性和精确性[10-11].

本文针对电力电子电路的故障状态监测预测，提出采用PSO对RBF神经网络进行优化的方法对电力电子电路微小故障进行预测.其基本思想为：选取电路故障特征性能参数，利用PSO-RBF预测所选特征性能参数，实现电力电子电路的微小故障状态监测预测.

1　电测力方电法子电路微小故障状态监测预

1.1特征性能参数提取

要实现电力电子电路故障预测，首先必须选取合适的电路故障特征性能参数.一般的电力电子电路，除电源及负载外，基本都是由功率管、电容、电感等按一定组合组成.对于不同的电路，要根据电路结构和功能的特点，确定能够反映电路健康状态的主要元器件特征性能参数[1213].本文以图1所示的Buck电路为例，分析电力电子电路故障特征性能参数提取.

图1　Buck电路Fig.1　Buck circuit

1.2特征性能参数的选择

Buck电路的功能是实现DCDC的降压转换.由于有充放电过程，其输出电压并不是理想的直流电压，而是有一定的波动[14].一般来说，Buck电路输出电压的直流值在一定波动范围内，才能满足电路输出要求.因此Buck电路输出电压是否满足要求是其电路性能最重要的衡量标准，而电感L、电容C以及RESR的性能改变，共同影响着输出电压的变化.据此分析，可以调整L、C以及RESR，从而监测电路输出电压，提取输出平均电压作为电路故障特征性能参数，对电路的健康状态进行评估.

1.3特征性能参数的计算

输出电压平均值Uo：根据电路原理，以稳态时电路Uo为监测变量，进行采样，得到电压数据，由下式可求得式中：α是占空比；E为输入电压；Ton、Toff分别为开关开通时间和开关关闭时间.

纹波电压：由于Buck电路的工作原理，纹波电压必然存在，故其纹波大小直接反映一个Buck电路的稳定性.本文选取稳态时的电路输出电压，得到纹波电压的波形及数据，取其峰谷值之差Δu，作为监测信号.

根据各元器件参数的缓变故障及其变化趋势，设定电路各元器件参数(包括C、RESR和L)在假定工作温度升高及长时间持续工作后的情况.在以上两种情况共同作用下，各元件的性能定会有一定程度的降低，任何单一元件性能的降低都不足以使电路工作产生故障影响，但综合考虑，各元件性能降低从而整体上会对电路运行及输出产生一定的影响.

2　R故B障F预神测经算网法络以及PSO改进后的

2.1RBF神经网络

RBF是一种具有单隐藏层的3层前馈网络.RBF网络模拟了人脑中的局部调整、相互覆盖接收域(或称感受野，Receptive Field)的神经网络结构，并且已经证明RBF能以任意精度逼近任意连续函数.RBF的作用函数是高斯函数，其值在输入空间中有限范围内为非零值，因而RBF网络是局部逼近的神经网络[15].

在RBF的3层前向网络中，由输入到隐含层的变化是非线性的，而从隐含层到输出空间的映射是线性的，采用RBF网络可以大大加快学习速度并且避免局部最小问题，适合于实时控制的要求.采用RBF神经网络构成网络控制或预测方案，能够有效地提高系统的精度、鲁棒性和自适应性[16].

在RBF网络结构中，X=[x1，x2，…，xn]T为网络的输入向量.设RBF网络的径向基向量H=[h1，h2，…，hm]T，其中hj是高斯函数，即

式中，网络第j个节点的中心向量Cj=[c1，c2，…，cm]T，j=1，2，…n，‖·‖为2范数，也称为欧式范数.

设网络的基宽向量

bj为节点j的基宽参数，且为大于零的数.RBF输入层到隐含层的权值为1.0，网络隐含层到输出层权向量为

RBF网络的逼近性能指标函数为

2.2PSO以及对RBF神经网络的改进

为统一变量，下文所使用的变量与上文的变量符号相同.假设粒子群算法中每个粒子在n维搜索空间中以一定的速度飞行，hi=(hi1，hi2，…hin)为粒子i的当前位置，vi=(vi1，vi2，…，vin)为粒子i的当前飞行速度.

hbesti=(hbesti1，hbesti2，…，hbestin)为粒子i所经历的最优位置，称作个体最优位置.

设f(h)为最小化的目标函数，则粒子i当前的最优位置由下式决定：

设群体中的粒子数为N，群体中所有粒子所经历过的最好位置为g best(t)为全局最优的位置，则

由于选取了在Buck电路中对电路性能起主要影响因素并且就电子元件本身而言容易出现故障的C、RESR、L和U0，故本文选取3—N—1的RBF网络结构.N的选取，根据神经网络节点经验公式

式中：m为输入层节点数；n为输出层节点数；a为2 ～10中的任取值.

本文将N设为8，即3个输入变量，8个隐含神经元，1个输出变量.RBF网络结构如图2所示.

由于隐含层有8个神经元，每个神经元需要同时接受3个输入神经元传来的信息，并且最终将这8个神经元的信息送到输出层；即8+3×8+2×8= 48.因此，一共需要对48个阈值及权值进行粒子群最优化训练.每一个的训练模式由式(8)g best决定.再将训练好的阈值和权值进行梯度下降法进行迭代，从而最终确定神经网络模型.

3　电力电子电路故障预测

此方法适用于3系统运行参数决定2系统状态参数的一类电子电路或系统.即确定某电路或系统中，对系统性能起决定性作用的3个参数以及2个能体现电路或系统运行状态的参数.下面将以Buck电路为实验对象，证明该方法的可行性与准确性.利用粒子群改进的RBF神经网络预测算法对该数据进行训练，获得故障特征性能参数变化趋势模型，预测未来时刻故障特征性能参数值，对该值进行分析便可实现对电力电子电路的故障预测.电力电子电路进行故障预测实现流程如图3所示.

4　故障预测实例及实验结果分析

首先，根据各元件在不同时刻的参数值逐次设置电路，使用MATLAB的Simulink物理仿真软件进行动态仿真，选择电路的U0及Δu作为监测信号并获取稳态时的波形数据；然后，在MATLAB环境下，编程并计算各时刻对应输出电压平均值及纹波电压作为电路的故障特征性能参数数据；最后，将预测值与实际值进行比较，从而预测Buck电路未来某一时刻是否会发生故障.根据各元器件参数的缓变故障及其变化趋势，设定电路各元器件参数(包括L、C和RESR)随时间变化.由于仿真软件不会出现老化现象，故本文采取固定时间间隔每个记录点Δt=100 h，按照元器件参数老化公式计算得到各个元器件参数，记录数据见表1.

图3　PSO-RBF故障预测流程图Fig.3　PSO-RBF fault prediction models

表1　Buc1k电路元件参数　Tab.1　Buck circuit component parameter

5　故障预测模型的建立及准确度检测

5.1故障预测模型的建立

选择表2中1～10组数据进行POS-RBF网络训练，并用这组数据对训练后的POS-RBF神经网络进行检测.然后，选择表中11～15组数据写入训练好的POS-RBF神经网络中，进行预测.并将结果与实际值进行对比.

表2　特征参数Tab.2 Feature parameters

5.2Buck电路故障预测结果及分析

选择电路平均电压U0和纹波电压Δu作为Buck电路的特征性能参数.先进行未加改进的RBF神经网络进行预测，用前10组数据训练，再用11～15组数据进行故障预测；再用PSO-RBF进行预测，预测步骤如下：首先以前10个时刻测量点的数据训练样本，对第11时刻的U0和Δu进行预测；而后，采用迭代训练的方式把第11个时刻点的数据加入到训练数据中，重新训练并得到第12个点的数据(见图4).经PSO-RBF预测，数据将更加符合实际与精准.计算结果与数据比较见表3、4.

图4　PSO-RBF训练过程图Fig.4　PSO-RBF training course map

从表3、4中明显看出，随着时间的推移，RBF的跟踪性和精确性明显降低，平均电压误差最多达到3.5%左右，纹波电压差值也达到了2%左右；而PSO-RBF的性能表现良好，无论是平均电压还是纹波电压，误差都在0.2%左右.

电路元器件在高温及长时间的工作状态下，必然会导致电路输出产生变化.本文通过定时间隔的方式来记录电路平均电压和纹波电压，能够预测出下一个或几个的时刻点的电路输出，跟踪和预测出电路未来状态，从而对电路的良好状态进行评估并及时调整.

表3　RBF和PSO-RBF神经网络的电路Uo值Tab.3　The results of Uoby RBF and PSO-RBF neural network

表4　RBF和PSO-RBF神经网络的电路Uo值Tab.4　The results of Uo by RBF and PSO-RBF neural network

6　结　语

本文将电力电子电路级故障特征性能参数与PSO-RBF相结合实现电力电子电路故障预测.文中虽仅对典型开环Buck电路进行实验验证，但所提预测思想能够推广应用于其他电力电子电路，其关键在于确定不同的电力电子电路对应的电路故障特征性能参数.此方法是根据Buck电路设计的31输入输出模型，模型训练时间较快.下一步将具体研究电路中具体元器件对平均电压、纹波电压的影响作用，从故障诊断的角度来分析电源电路.

[1]李娟，周东华，司小胜，等.微小故障诊断综述[J].控制理论与应用，2012，29(12)：12.

[2]DeMäetriou M A，Polycarpou M M.Incipient fault diagnosis of dynamical systems using online approximators[J].IEEE Transactions on Automatic Control，1998，43(11)：13.

[3]Chen S，Wolfgang A，Harris C J，et al.SymMäetric RBF classifier for nonlinear detection in multipleantennaaided systems[J].IEEE Transactions on Neural Networks，2008，19(5)：735745.

[4]Gonzalez J，Rojas I，Ortega J，et al.Multiobjective evolutionary optimization of the size，shape，and position parameters of radial basis function networks for function approximation[J].IEEE Transactions on Neural Networks，2003，14(6)：14771496.

[5]MISHRA S，PECHT C.Insitu sensors for product reliability monitoring[J].Proceedings SPIE，2002，4755：1018.

[6]Li J，Tang G Y.Fault diagnosis for networked control systems with delayed measurements and inputs [J].IET Control Theory&Applications，2010，4 (6)：10471054.

[7]Hwang I，Sungwan K，Youdan K，et al.A survey of fault detection，isolation and reconfiguration Mäethods [J].IEEE Transactions on Control Systems Technology，2010，18(3)：636653.

[8]Yang J B，Liu J，Xu D L，et al.Optimization models for training beliefrulebased systems[J].IEEE Transactions on Systems，Man，and Cybernetics，Part A：Systems and Humans，2007，37(4)：569585.

[9]Xu Z B，Xuan J P，Shi T L，et al.Application of a modified fuzzy ARTMAP with featureweight learning for the fault diagnosis of bearing[J].Expert Systems with Applications，2009，36(6)：99619968.

[10]叶世伟.神经网络原理[M].北京：机械工业出版社，2004.

[11]赵慧.人工神经网络原理[M].北京：机械工业出版社，2013.

[12]王兆安.电力电子技术[M].北京：机械工业出版社，2009.

[13]洪乃刚.电力电子基础[M].北京：清华大学出版社，2008.

[14]Chen Y M，Chou H W，LEE Kungyen.Online failure prediction of the electrolytic capacitor for LC filter of switchingmode power converters[J].IEEE Transactions on Industrial Electronics，2008，55(1)：400406.

[15]Chen S，Wang X X，Brown D J.Sparse increMental regression modeling using correlation criterion with boosting search[J].IEEE Signal Processing Letters，2005，12(3)：198201.

[16]Feng H M.Selfgeneration RBFNs using evolutional PSO learning[J].Neurocomputing，2006，70：241251.

(编辑俞红卫)

Fault Condition Monitoring Prediction Technique of Power Electronic Circuits Based on PSO-RBF Neural Network

WANG Shenyu1，CHEN Danjiang2，YE Yinzhong1
(1.School of Electrical and EleSchtr aonngihcaiE2n0gi 1n4e1e8ri，nCgh，inSaha；nghai Institute of Technology，2.School of Electronic Information，Zhejiang Wanli University，Ningbo 315100，Zhejiang，China)

Aiming at the issue of fault condition monitoring prediction technique of power electronic circuits，a Mäethod based on characteristic parameter data and particle swarm optimization(PSO)radial basis function(RBF)neural network for the fault condition monitoring prediction of power electronic circuits was proposed.The Buck converter circuit was taken as an example，then the average voltage was extracted as characteristic parameters，the fault prediction of power electronic circuits was achieved.The output voltage was selected as monitoring signal，then the average voltage was extracted as characteristic parameters.PSO-RBF neural network was used to predict the Buck converter circuit.The Experimenta results showed that the PSO-RBF neural network was more accurate in predicting than that of the only RBF neural network.The new Mäethod could trace the characteristic parameters'trend and could be effectively applied in fault condition monitoring prediction of power electronic circuits.

condition monitoring prediction；RBF neural network；particle swarm optimization(PSO)；power electronic circuits

TP 206.3

A

16717333(2015)02016205

10.3969/j.issn.16717333.2015.02.013

2015-01-10

国家自然科学基金资助项目(61374132)

王绅宇(1988-)，男，硕士生，主要研究方向为故障诊断与容错控制.E-mail：Wangshenyu00@163.com

叶银忠(1964-)，男，教授，博士生导师，主要研究方向为控制理论与控制工程、系统仿真技术等.E-mail：yzye@sit.edu.cn