基于IOOA 优化SVM 的电力电子软故障诊断

2024-03-28王浩

信息记录材料 2024年2期

王浩

（1 安徽理工大学电气与信息工程学院安徽淮南 232001）

（2 安徽理工大学环境友好材料与职业健康研究院安徽芜湖 241003）

0 引言

电力电子电路作为智能电网、医疗设备和新能源汽车的基础部件，为整个系统正常运行提供稳定的性能。电力电子电路的故障类型包括结构性故障和参数性故障。参数性故障又称为软故障，主要由电解电容、电感和金氧半场效晶体管等引起。并且电路软故障具有缓变性，最终会导致电路硬故障，造成重大危害。因此，电力电子电路软故障的有效诊断是提高电子设备稳定运行的有效途径［1－2］。

故障诊断算法方面，支持向量机（support vector machine，SVM）因为其优秀的分类效果被广泛应用在故障诊断中，然而其参数设置十分困难且对分类结果有较大的影响［3］。因此本文采用群智能优化算法优化SVM 参数。本文提出一种改进鱼鹰优化算法优化SVM 的电力电子电路软故障诊断方法。

1 鱼鹰优化算法

鱼鹰优化算法（osprey optimization algorithm，OOA）通过模拟鱼鹰猎食行为进行寻优，具有寻优能力强、收敛速度快等特点。 OOA［4］分为两个阶段，第一阶段是定位和捕鱼阶段，对于每只鱼鹰，搜索空间中具有更好目标函数值的其他鱼鹰的位置被视为水下鱼类，每个鱼鹰的鱼组由式（1）指定。

式（1）中，FPi是第i只鱼鹰的鱼集合，Xbest是最佳鱼鹰的位置。鱼鹰随机检测其中一条鱼的位置进行攻击。通过式（2）模拟鱼鹰的移动方式，更新鱼鹰的位置，具体如式（2）所示。

式（2）中，SF为鱼鹰选中的鱼，r为［0，1］之间的随机数，I的值为｛1，2｝中的一个。

第二阶段把鱼带到合适的位置，鱼鹰将鱼带到合适位置并在那里进食，导致鱼鹰在搜索空间中的位置发生微小变化，需要再进行一次鱼鹰位置更新。对于种群中的每个成员，使用式（3）计算一个新的随机位置作为适合吃鱼的位置。

式（3）中，t为迭代次数，T为最大迭代次数。

2 改进的鱼鹰优化算法

目前鱼鹰优化算法在后期无法获得最优解，因此，本文提出3 种策略改进OOA，以提升性能。

（1）Circle 混沌映射初始化种群

原始OOA 种群初始化随机生成种群个体位置，使得种群个体具有较大的随机性和不确定性，影响最终收敛速度和精度。为了使种群个体分布更加均匀，搜索空间更广，Circle 混沌序列定义式如式（4）所示。

式（4）中，mod 为取余函数。设定迭代1000 次。

Circle 混沌映射分布与随机分布相比，可使得种群多样性得到提升，扩大种群搜索范围，提升算法的寻优性能。

（2）记忆功能

本文在鱼鹰位置更新公式中引入全局最优位置，根据历史最优位置和当前鱼的位置控制鱼鹰的移动方向，该方法有效避免了OOA 搜索后期易陷入局部极值的问题，提高了算法的搜索精度。 IOOA 的位置更新公式如式（5）所示：

式（5）中，r1，r2为［0，1］之间的随机数，xbest为全局最优位置。

（3）方向因子扰动

在OOA 的第二阶段鱼鹰会将鱼带至合适的位置进行进食，会随机微调当前鱼鹰位置，这里引入方向因子扩大式（3）中随机微调的鱼鹰位置，扩大搜索解的范围，增加种群的多样性。如式（6）、式（7）所示。

综上所述，改进的鱼鹰优化算法的具体步骤如下：

步骤（1）：初始化鱼鹰参数，如鱼鹰种群规模N，目标函数维度D，初始值的上下界ub、lb，最大迭代次数T；

步骤（2）：根据式（4）Circle 混沌映射对种群进行初始化；

步骤（3）：根据式（1）确定鱼鹰的鱼组，随机确定选择的鱼；

步骤（4）：根据式（5）计算鱼鹰的新位置；

步骤（5）：根据式（6）鱼鹰将鱼带至合适进食位置，更新鱼鹰位置；

步骤（6）：判断是否满足最大迭代次数要求，若已经满足，则输出结果，否则返回步骤（3）。

3 IOOA 优化SVM

3.1 SVM

SVM 具有优秀的泛化和低数据要求的分类建模能力，被广泛应用在故障诊断中。是相关的计算在低维空间中进行的一种算法，如式（8）所示。

式（8）中，b为偏移量，ω为权向量，C为惩罚参数。通过拉格朗日乘子α得到最优分类决策函数如式（9）所示：

以径向基函数作为内核可得到其分类决策函数如式（10）所示：

3.2 IOOA 优化SVM 的故障诊断模型

从SVM 的公式可以看出，惩罚参数（C）和核函数参数（g）决定了SVM 的分类性能，本文通过IOOA 优化SVM的惩罚参数和核函数参数，建立IOOA-SVM 模型，进行电力电子故障诊断。故障诊断过程如图1 所示。

图1 IOOA-SVM 诊断流程

4 电力电子电路软故障诊断

4.1 电路结构与软故障参数分析

实验中的150W DC-DC 升压测试电路使用UC3842 芯片控制DC～DC 转换电路。电路正常工作时，输入电压为10～32V，输出电压为12～35V。图2 为电路原理图。

图2 电路原理图

在本文中，研究人员选择的电容值在标称值的基础上进行了10%～40%的退化，及与常见的电容值相结合设置16 种电路软故障模式，如表1 所示。

表1 故障模式设定

4.2 实验结果与分析

（1）不同分类器对比实验

为了验证SVM 的分类优势，使用SVM、反向传播（back propagation，BP）神经网络和极限学习机（extreme learning machine，ELM）作为分类器进行对比实验，其中实验参数设置如下：BP 神经网络的结构为［52，9，16］，ELM的网络结构为［52，10000，16］，各分类器的实验结果如表2 所示。

表2 故障模式设定

从表2 中可以看出，BP 分类的准确率最高，但运行时间最长；ELM 的运行速度最快，但准确率相比BP 与SVM较低。其中SVM 的准确率和运行速度达到了很好的平衡，为实际的进一步应用提供了理论基础。

（2）对比实验

为进一步验证改进后的IOOA 算法优化SVM 的有效性，本文选取了斑马优化算法（zebra optimization algorithm，ZOA）、麻雀搜索算法（sparrow search algorithm，SSA）、飞蛾扑火优化（moth-flame optimization，MFO）算法以及原始的OOA 等群智能优化算法对SVM 的参数进行优化，每种算法对电力电子电路电容参数故障数据进行了30 次测试并取其正确率的平均值，实验结果如表3 所示。