基于IPSO-PNN的整流电路故障诊断

贾 凯, 吴玉虹, 高 英, 王 建

昆明理工大学 信息工程与自动化学院, 云南 昆明 650504

针对电路故障进行相关诊断是保持电路正常运行的重要手段。在电力电子电路故障中最为频发的是结构性故障,也被称为硬故障,主要是指电力电子电路发生开路或短路等严重故障而导致电路拓扑关系改变[1]的情况。其中晶闸管的开路和短路等情况尤为常见。由于此类电路元件过载能力不佳,且发生故障后其故障信息在数毫秒到数十毫秒之内会随即断电而不易获得,如果不能对这些故障进行及时处理,往往会造成诸多安全隐患以及对社会经济产生较大的影响,所以对此类电路进行实时诊断和在线分析就显得尤为重要[2],因此,针对电力设备安全性及其可靠性的需求使得故障检测和诊断方法逐渐成为热点问题。随着计算机及人工智能技术的快速发展和应用,对于电路故障诊断的相关研究也在逐步走向智能化[3-4],现如今衍生出了基于神经网络[5-6]、支持向量机[7]和其他应用计算机进行分析的智能故障诊断方法。文献[8]依靠负载输出电压波形的变化情况,针对其变化规律进行相关分析,判断电路开路故障的可能,但人工分析难免出错。文献[9]提出了依据输入电流与输出电压波形特征来进行晶闸管开路故障的诊断,能够确定开路故障的疑似时间和位置,但诊断时间较长,在工业应用中难以广泛使用。文献[10]在工况发生变化的情况下,分析误差电流来确定晶闸管开路位置,在应对电流突变方面取得了一定成效。目前,对于开路故障的诊断主要集中于针对异常电流或电压进行信号分析,该方法能够直观地反映出电路开路故障特征,为检测故障支路以及定位故障晶闸管提供了数据基础,但对于信号分析获取的非线性不相关数据,如何进行快速有效地分类,仍然是实现准确诊断的关键因素。

为了缩短诊断时长,提升故障诊断准确率,本文选取概率神经网络(Probabilistic Neural Network,PNN)对电路进行开路故障分类训练及诊断。通过搭建工业上使用最为广泛的三相整流电路模型为例,采用PNN将故障电路的特征信息与神经网络相结合,从而实现对故障电路的诊断[11]。PNN结合了经典概率密度估计的相关原理,其本身具有快速收敛和非线性分类能力强等优点,对于电力电子电路的故障分类具有较高的适应性和针对性,因此可以很好地应用于该类型的故障分类诊断中[12]。在PNN中平滑参数σ在很大程度上能够影响故障分类识别性能,但该数值往往凭借经验进行选取,本文通过改进的粒子群算法对平滑参数进行迭代优化,选取出最佳平滑参数,最终精准地找出发生故障的晶闸管,从而尽早实现对故障部分的维修,减少故障对人民财产和生命安全的影响。

1 建模仿真与故障诊断

图1 三相整流电路

当运行中的电路存在晶闸管处于开路状态时,电路中阻性负载的输出电压波形就会受到影响并发生变化,由此就可以获取晶闸管的故障信息。图2为开路故障时负载输出电压波形及其快速傅里叶变换分析示例。为了减小负载输出波形的谐波分量以及输入功率因数对仿真结果的影响,本文设置控制角为30°,三相交流电压为工频380 V。在实际应用过程中,多个晶闸管同时开路的情况极少发生,就不考虑该种情况。样本数据选用故障相输出电压,通过调整交流电压初始相位采集单管与双管故障时负载输出电压波形,将采集到的故障相电压信号进行快速傅里叶变换,提取信号的直流分量、基波、二次谐波和三次谐波作为一组特征参数,共选用145组,其中90组数据用作训练样本,余下55组作为验证样本整理最终分类结果,将特征信息进行归一化处理后结合PNN进行相应的故障类型诊断。

PNN结构由4个部分组成,如图3所示。输入层主要负责收集数据样本,其神经元个数与输入向量长度相对应,通过计算输入样本向量与训练样本向量之间存在的差值,获取向量间的近似度作为故障分类依据。模式层负责将上一层得到的近似度做系统划分,将输入向量与对应种类之间的关系作为划分依据进行分类。求和层根据划分种类个数设置节点n,每一个种类与一个节点相对应,通过竞争型传递函数判别数据样本中概率最大的一类,输出值判定为1,其余结果判定为0,最后通过输出层输出结果。

图3 PNN结构示意图

该神经网络的基本思想是基于贝叶斯决策规则通过高维空间生成决策空间,从而达到错误分类的期望风险最小的目的[14]。贝叶斯决策理论可以表示为

ifP(wi|x)>P(wj|x),∀j≠i, thenx∈wi,

(1)

其中,

P(wi|x)>P(wi)P(x|wi)。

(2)

在实际的应用当中,模式分类的概率密度函数P(x|wi)是依据训练样本、向量维数和平滑参数等数值进行求解的,其表达式为

(3)

其中:xik作为第wi类的第k个训练样本;h代表训练样本参数中的向量维数;Ni代表第wi类的训练样本总数;‖x-xik‖表示输入样本向量与训练样本向量的差值;σ是训练过程中的平滑参数,通过选取合适的σ值能够有效提高神经网络的分类性能。由PNN实现电力电子电路的故障诊断结果如图4所示。

图4 PNN故障诊断结果

2 粒子群算法及其改进

2.1 标准粒子群算法

标准粒子群算法(Particle Swarm Optimization,PSO)是从鸟类种群的捕食行为特性中启发而来,主要应用于求解优化问题。在一个n维搜索空间中,运用粒子来模拟鸟群中的个体,粒子本身只具有速度和位置这两个属性[15]。现有m个粒子构成种群X=(x1,x2,…,xm),每个个体以不同的速度V=(vs1,vs2,…,vsm)T在n维搜索空间中移动,使得个体的位置P=(ps1,ps2,…,psm)T在空间中不断更新[16]。在这一过程中,粒子的速度与位置两个属性[17]可以表示为

(4)

(5)

传统的φ线性递减策略由于其斜率恒定,会导致粒子速度改变始终保持同一水平,如果在迭代初期没有寻到较好的位置,随着粒子逐渐衰减速度,则极有可能导致结果陷入局部最优。针对该问题,本文通过调整惯性权值φ的递减方式,将φ表示为随迭代次数而变化的函数来增强粒子在故障空间中的全局和局部搜索能力,提升算法的寻优性能。图5为PSO-PNN算法实现电路故障诊断结果。

图5 PSO-PNN故障诊断结果

2.2 惯性权值变化的改进

为了最大程度平衡粒子的局部和全局搜索能力以获取最佳效果,采用曲线递减策略改善φ的变化情况。其计算公式为

(6)

式中,φ1为初始惯性权值,φ2为终止惯性权值,t为当前迭代次数,T代表最大迭代次数。

在以往的研究中,当φ1=0.9,φ2=0.4时算法性能最好[18],此时的惯性权值在0.9到0.4区间中曲线递减,该取值范围既能保证粒子前期搜寻速度,又能在后期维持粒子动态。初始阶段在较大范围内快速搜寻最优解的大致位置,在φ不断减小的过程中,粒子速度减慢,利于对局部位置进行细致搜寻,最终寻取最优结果。调整后的φ动态变化情况如图6所示,相较于传统的线性递减惯性权值,这种φ变化策略能够对粒子速度进行灵活调整,在不同搜寻阶段,匹配最佳的搜索性能。

图6 惯性权值变化情况

当进化代数为t时

(7)

(8)

以上二式描述了c1由初始值c1i线性减小至终值c1u,c2由初始值c2i线性增加至终值c2u。图7为改进粒子群算法(Improved Particle Swarm Optimization,IPSO)与PNN相结合的故障诊断流程。

图7 IPSO-PNN故障诊断流程图

基于IPSO故障诊断的具体步骤如下:

1)参数初始化。采用随机定义的方式初始化粒子群参数,将粒子个数与晶闸管故障类型数相对应,设置21个粒子,其最大迭代次数为300,学习因子随初始值、终值及迭代次数动态变化,φ1=0.9,φ2=0.4设定最小误差为10-3。

2)计算种群中粒子的适应度,记录个体极值点与全局极值点,同时计算出每一代种群的平均适应度。

3)通过更新粒子的速度与位置两个属性,对新一代适应度进行寻优并计算。

4)检验终止条件。对迭代过程中粒子的适应度进行评估,调整粒子的速度和位置,在没有达到既定的最大迭代次数或误差精度时重复执行以上操作,直至满足要求,获取最优参数输入PNN中进行诊断。

IPSO-PNN算法故障诊断结果如图8所示。将传统PNN、PSO-PNN及IPSO-PNN方法的故障诊断结果作综合对比,结果见表1。

表1 故障诊断结果对比

图8 IPSO-PNN故障诊断结果

该实验表明,所提出的改进算法能够对电子电路故障的非线性数据进行有效地分类,并且在应用于多管开路的情况下依然有效。由于PNN神经网络对于数据样本的需求量较大,同时存在收敛速度较为缓慢等问题,使得仿真结果与性能表现不佳;通过PSO对其进行优化后,在诊断的准确率以及收敛速度方面都有了相应提升,但由于传统PSO惯性权值的变化策略限制导致结果仍然存在误差,通过改进相关策略后,平衡了算法局部搜索和全局搜索性能,从而有效提高了故障诊断的准确率。

3 结语

针对PNN在电力电子电路故障诊断分类效果、诊断准确率等方面的不足,对其进行了有效地改进,提出了将IPSO算法与PNN相结合的诊断方法,通过对惯性权值和平滑因子等参数的优化来提升算法的分类性能。实验结果表明,IPSO-PNN的诊断准确率达到了98.181%,验证了该算法能够有效地提升对电力电子电路故障诊断的准确率。在分类故障诊断中,特征参数与故障类型之间的相关性决定着分类的准确率,今后可以对相关故障的特征提取做进一步研究,通过特征参数对故障类型做更细致准确的反映,从而在电子电路故障诊断效率方面获得更大提升。