基于综合网络和小波分解的逆变器故障诊断

李从飞，　田　丽，　吴道林，　凤志明

(安徽工程大学 电气工程学院， 安徽 芜湖 241000)



基于综合网络和小波分解的逆变器故障诊断

李从飞，田丽，吴道林，凤志明

(安徽工程大学 电气工程学院， 安徽 芜湖 241000)

由电力开关管组成的逆变器非线性较强，进行故障诊断比较困难。采用SAPSO-BP综合诊断网络(模拟退火算法、粒子群算法和BP神经网络的有效结合)和小波分解相结合的方式，以输出侧电压作为特征信号，经小波分解后的离散近似信号和离散细节信号作为特征向量，通过模拟退火算法对粒子群算法权重和加速因子的优化，结合被粒子群算法优化了阈权值的BP网络及其分类预测功能，对特征向量诊断。由实验结果表明，SAPSO-BP网络和小波分解相结合对故障元件的诊断有良好的效果。

小波分解；模拟退火算法；综合诊断网络；粒子群算法；故障诊断

随着当今社会对清洁能源的不断追求，光伏发电越来越受到人们的青睐，光伏发电主要由太阳能板、逆变器[1]及控制电路组成。逆变电路是太阳能转化为电能必不可少的部件，由逆变器工作状态统计结果表明，逆变器主电路中的功率开关管交替工作在导通和关断状态，并且持续承受较大的正、反向工作电压和电流，使得功率开关管易于损坏，从而出现断路或短路等现象。在实际应用中如何快速准确地找到故障源，完成逆变器故障诊断[2]，识别主控开关管元件的好坏，对逆变器转换装置的可靠运转具有特殊的意义。如今使用电力电子器件的故障诊断方法大部分为小波和支持向量机[3]、故障分级和神经网络[4]、小波分解与BP神经网络[5]结合对故障源进行诊断，以上所述方法中的诊断网络均存在一定的局限性。

本文对逆变器(如图1)AC端输出电压进行多频率小波三层次分解。利用小波变换，对正常信号(如图2(a))和故障信号(如图2(b))进行多分辨率分解，得到多尺度的信号幅值，并通过计算获得表征各尺度的能量特征值，经标准化处理后可以得到获取诊断信号的特征向量，将其作为BP神经网络输入向量，相比较于其他特征提取方式[6]，这种提取方式更加方便准确。通过模拟退火(Simulated Annealing，SA)算法对粒子群(Particle Swarm Optimization，PSO)算法权重和加速因子两项参数的优化，粒子群(PSO)算法对BP网络的权阈寻优调整的结合，提高了整体的搜索能力，并有效地避免陷入局部收敛的风险，从而获取更加可靠的诊断结果。

(a) 输出正常电压　　　　　(b) IGBT3故障时输出B相电压图2　仿真输出电压

1　小波故障特征向量提取

1.1故障分析

已有研究[7-10]表明逆变器的主要故障源来源于功率开关管，因此本文只对开关管的故障作为研究对象。然而在现实系统中，大于等于3个及以上电力开关管同时出现故障的概率较少，因此只针对假设最多只有两个开关管同时出现故障的情况进行诊断。采取经典的转换电路：电力开关元件组成的主电路和LC滤波以及阻性负载相连接。利用示波器输出波形。电路正常运行时作为一类故障类型可以分为5大类22种情况(如图1所示)开关管的位置。

第一类：无故障，正常运行；

第二类：只有一个功率电力开关管故障，包括6小类，即：IGBT1、IGBT2、IGBT3、IGBT4、IGBT5、IGBT6；

第三类：同一桥臂两个电力开关管故障，包括3小类，即：IGBT1&IGBT4、IGBT2&IGBT5、IGBT3&IGBT6；

第四类：同一半桥臂中相临位置的两个电力开关故障，包括6小类，即：IGBT1&IGBT2、IGBT1&IGBT3、IGBT2&IGBT3、IGBT4&IGBT5、IGBT4&IGBT6、IGBT5&IGBT6；

第五类：相同半桥中相对位置的两个电力开关管故障，包括6小类，即：IGBT1&IGBT5、IGBT1&IGBT6、IGBT2&IGBT6、IGBT2&IGBT4、IGBT3&IGBT4、IGBT3&IGBT5。

1.2小波多分辨率分解

多分辨率分解由S.Mallat根据空间概念提出，并第一次将小波变换理论统一在一起。Mallat于1989年受到塔式算法理论启发提出了塔式多分辨率分解与重构算法，即Mallat算法。多分辨率分析本质内容为使用小波函数的二进制伸缩性和平移性着重处理整体函数集，而非个体函数。即利用小波分解[11]能力将故障信号分解到不同的频段尺度上，获得不同频段尺度上的近似分量信号和细节分量信号，某一f(t)∈L2(R)信号的分解公式表示为

(1)

小波多频率尺度分解系数如式(2)、式(3)所示：

(2)

(3)

1.3故障特征提取

(1)选取db3小波作为基函数量，对逆变器输出正常电压以及采样故障电压波形(如图3)多分辨率分解，获得6个分解序列(如图4)，其中A2、A1为低频序列，D4、D3、D2、D1为高频序列，高频与低频的结合更有利于特征信号的表征。

(3)输出能量值标准化后的特征待诊断向量P={EA2,EA1,ED4,ED3,ED2,ED1}，为诊断SAPSO-BP网络的输入。

图3　IGBT3故障时B相电压波形　　　　　　　　　图4　多分辨率分解波形

2　基于SAPSO-BP的学习算法

2.1模拟退火算法基本原理

模拟退火算法[12](SA)最先由Metropolis提出，是建立在Mente-Carlo迭代求解策略的一种概率随机寻优方法，具有极强的全局优化能力，其原理类似于物理固体退火过程。先初始温度T0，随机选取一个初始状态S1，并计算目标函数值f(S1)，当系统受到随机扰动量Δ时产生新的状态为S2=S1+Δ，系统的目标函数值相应变为f(S2)，此时系统按Metropolis准则：

若df=f(S2)-f(S1)<0，以概率1接受S1=S2；若df≥0，则以概率exp(-df/T)接受。

2.2粒子群算法

粒子群算法[13](PSO)源自Kennedy和Eberhart对鸟类捕食的探索，于1995年提出关于仿生群体智能化寻优算法。在众多智能寻优算法中，PSO优化算法操作简便，易于计算机程序实现，可调参数少，寻优速度快。随着21世纪计算机技术和集成化的快速发展，这种生物进化算法[14]已在众多领域得到了应用。我们假设有n个粒子组成一个种群X=(X1,X2,…,Xn)，第i个粒子的位置为Xi=(x11,x21,…,xi1)，利用适应度函数计算和评价当前每一个粒子所处坐标向量的优劣。第i个粒子的速度为Vi=(Vi1,Vi2,…,Vid)，个体极值为Pi=(Pi1,Pi2,…,Pid)，种群的集体极值为Pg=(Pg1,Pg2,…,Pgd)，每经过一次迭代之后，粒子即可更新一次位置。由于每一个粒子相对应的运动轨迹和速度是不同的，可用公式(4)和(5)更新种群中每一个粒子的位置X变量与运动速度V变量，则第k+1次迭代寻优计算后，第i个粒子所处的位置以及对应的速度和位置分别为

(4)

(5)

2.3基于SAPSO-BP算法的网络学习

BP网络[15]为误差反向传播算法多层前馈网络，三层网络可以完成n维度到m维度映射，使用简单便捷，然而BP网络学习过程中的权阈值是随机产生和更新的，这就使其收敛速度慢，易于陷入局部最优。本文利用公式n=(p+1)l+(l+1)q确定粒子群维度，其中p为输入层数，q为输出层数，l为隐含层数，n选取40个粒子并对其前两维进行观察。粒子群算法(PSO)中的3个参数：惯性权重ω，学习因子c1和c2设置大多时候都根据经验值而定。如图5(a)所示是对40个粒子随机选取的初始化位置，粒子毫无规律可循，容易陷入局部极值，本文将ω、c1、c2作为一组优化问题，利用SA对PSO的3个参数进行寻优，并将结果作为PSO初始化结果。如图5(b)所示是对40个粒子优化过后前两维的初始位置，大大增强了PSO算法的整体寻优能力，再利用优化后的PSO对BP网络进行权阈值寻优[16]，将结果赋给BP网络初始阈权值。具体优化思路如下：

Step2：初始化各算法参数：种群规模，迭代次数imax，因子(c1,c2)，权重ω，退火温度T0，退火速率α等；

Step3：生成退火初解S(ω,c1,c2)，取评估函数c(S)=Pg；

(a) 前两维随机粒子初始位置　　　　　　　　　　　　　　(b) SA优化后粒子初始位置图5　粒子初始位置

Step6：计算c(S′)=min[fn(n=1,2,…,m)](n为维度)，dc=c(S′)-c(S)；ifdc<0，则c(S)=c(S′)，并接受新S′，T=αT0；else if exp(-dc/T)>rand(0,1)，则c(S)=c(S′)，S=S′；else 保持原来值S，并继续退火；

Step7：满足是否条件：是，跳出输出最优值ω,c1,c2；否，转至step4；

由训练后的曲线(图6)可以看出，相比于仅用BP神经网络训练(如图6(a))，模拟退火(SA)算法、粒子群(PSO)算法和BP神经网络有效结合而成的综合神经网络(SAPSO-BP)(如图6(b))对故障诊断收敛所需的时间有明显的提高。表1中给出了经过小波分解后标准化的部分故障特征向量P和经过故障诊断后的输出结果，从数据中可以看出本文所用的训练网络基本可以实现对逆变器中电力开关管的故障诊断。

(a) BP训练曲线　　　　　　　　　　　　　　　　　　(b) SAPSO-BP训练曲线图6　训练曲线

故障特征向量P故障编号1.00000.99990.99870.37921.00000.6000正常0000000.80301.00001.00000.51101.00000.5307IGBT10010100.98000.81081.00000.71340.30020.9986IGBT20011001.00000.97730.80120.98471.00000.0601IGBT30011100.80201.00000.89050.05380.99851.0000IGBT40010111.00000.80021.00000.41321.00000.6034IGBT5001101SAPSO-BP训练结果训练故障编号0.00310.00000.00000.00080.00090.0013正常0000000.00700.00180.99900.00091.00000.0000IGBT10010100.00080.00010.99950.99900.00000.0005IGBT20011000.00010.00090.99921.00000.99910.0004IGBT30011100.00060.00020.99970.00081.00001.0000IGBT40010110.00320.00040.99960.99910.00121.0000IGBT5001101

3　结束语

通过对提取数据进行训练诊断，仅使用BP网络诊断后的结果误差较大、迭代数较大以及收敛时间长。本文利用小波变换多分辨率分析能力将采样波形在不同频率尺度上分解，使用各频率输出能量值作为故障特征信号，提高了特征提取的准确性，并使用SAPSO混合法获取一组最优权阈值作为诊断网络初始值。采用SAPSO-BP网络训练避免了PSO算法局部收敛的弊端，提高了整体搜索能力，整体准确性大幅度提高，同时相比于BP网络诊断有效缩短训练时间，提升了神经网络对逆变器的诊断效果。

[1]陈坚，康勇.电力电子学[M].北京:高等教育出版社,2011.

[2]GONZALEZ M,RAISON B,BACHA S.Fault diagnosis in a grid-connected photovoltaic system by applying a signal approach[J].IEEE Industrial Electronics Society,2011(6):1354-1359.

[3]KIM Dong-Eok,LEE Dong-Choon.Fault Diagnosis of Three-Phase PWM Inverters Using Wavelet and SVM[J].Journal ofpowerelectronics,2009,9(3):337-384.

[4]MA Cheng-cai,GU Xiao-dong.Fault diagnosis of power electronic system based on fault gradation and neural Network group[J].Neurocomputing,2009,72(13-15):2909-2914.

[5]何朝辉.基于小波变换和人工神经网络的电能质量扰动分类[D].长沙:湖南大学,2009.

[6]闵月梅,韩伟,王宏华.电力电子技术中故障诊断特征提取方法的研究[J].电工电气,2013(4):3-4.

[7]樊京路,易韵岚.基于小波分析的光伏并网逆变器故障诊断[J].大功率变流技术,2014,26(5):13-15.

[8]甘醇,吴建华,杨仕友.基于小波包能量分析的开关磁阻电机功率变换器故障诊断[J].中国电机工程学报,2014,34(9):1415-1422.

[9]陈亚爱,刘劲东,周京华.太阳能并网逆变器故障穿越控制策略[J].中国电机工程学报,2014,34(21):3405-3412.

[10]万晓凤,胡海林,余运俊,等.光伏三电平逆变器故障检测和诊断技术研究进展[J].电子测量与仪器学报,2015,29(12):1727-1738.

[11]邹威,费金龙,祝跃飞,等.基于提升小波变换的网络流量混合预测模型[J].计算机工程,2015,41(1):24-30.

[12]赵慧娟,孙文辉.基于退火遗传算法的单元测试方法[J].计算机工程,2013,39(1):50-53.

[13]史峰,王辉,郁磊,等.MATLAB智能算法30个案例分析[M].北京:北京航空航天大学出版社,2011.

[14]刘秋丽,马晓军,袁东,等.粒子群优化神经网络在SOC估算中的应用[J].计算机工程,2012,38(12):144-148.

[15]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005.

[16]王爱平,江丽.基于PSO的BP神经网络学习算法[J].计算机工程,2012,38(21):193-196.

[责任编辑：魏 强]Diagnosis of inverter fault based on integrated Network and wavelet decomposition

LI Cong-fei,TIAN Li,WU Dao-lin,FENG Zhi-ming

(School of Electrical Engineering, Anhui Polytechnic University,Wuhu 241000, China)

The inverter which is constituted by power electronic circuits has strong nonlinearity. Usually it is difficult to diagnose the fault. In this paper, the integrated Network of SAPSO-BP (that is an effective combination of simulated annealing algorithm, particle swarm optimization algorithm and BP neural Network) is combined with wavelet decomposition, and then voltage of output is used as characteristic signal and discrete approximation signals, and discrete detail signals after wavelet decomposition are used as feature vectors. And simulated annealing algorithm is applied to optimize the weight and acceleration factors of particle swarm optimization algorithm. Combining BP Network after being optimized by particle swarm algorithm and its predicative function, to diagnose feature vector. The experimental results show that the combination of SAPSO-BP Network and wavelet decomposition has a good effect on fault diagnosis.

inverter;wavelet decomposition;simulated annealing(SA);integrated Network (SAPSO-BP);particle swarm optimization(PSO);fault diagnosis

1673-2944(2016)05-0057-06

2016-06-30

2016-08-13

安徽省教育厅自然科学研究重点项目(KJ2014A282)

李从飞(1990—)，男，安徽省六安市人，安徽工程大学硕士研究生，主要研究方向为先进传感与检测技术；[通信作者]田丽(1962—)，女，安徽省芜湖市人，安徽工程大学教授，硕士生导师，主要研究方向为复杂系统建模与仿真；吴道林(1993—)，男，江苏省南京市人，安徽工程大学硕士研究生，主要研究方向为先进传感与检测技术；凤志明(1992—)，男，安徽省芜湖市人，安徽工程大学硕士研究生，主要研究方向为先进传感与检测技术。

TM46; TP393.06

A