基于小波神经网络的通信电源逆变器故障诊断方法

张 勇

（积成电子股份有限公司，山东 济南 250104）

0 引 言

通信电源逆变器能够将直流电源转换为交流电源，为通信设备提供稳定的电力环境。在通信环境中，受电源故障和设备老化等因素的影响，电压可能会出现波动，电流也可能出现异常情况，影响逆变器的正常运行。针对逆变器故障问题，研究人员设计多种诊断方法。其中，基于混合电源控制（Mixed Power Control，MPCC）的通信电源逆变器故障诊断方法和基于模型预测的通信电源逆变器故障诊断方法在应用中较为广泛。

基于MPCC 的通信电源逆变器故障诊断方法利用模型预测电流控制，将故障诊断模型的代价函数与电流检测相结合，缩短故障诊断时间[1]。而基于模型预测的通信电源逆变器故障诊断方法利用模型预测，通过对逆变器中的故障点进行诊断，利用负载电压与电流的幅值来确定故障诊断的计算扇区，已提高故障诊断效率[2]。以上两种方法均能完成逆变器故障诊断的任务，但是受逆变器故障信号特征的影响，诊断结果不准确[3]。因此，文章结合小波神经网络的优势，设计通信电源逆变器故障诊断方法。

1 通信电源逆变器故障的小波神经网络诊断方法设计

1.1 提取通信电源逆变器故障特征

通信电源逆变器主电路的元件包括逆变桥、直流滤波器、逆变输出端口，能够实现电流转换、电流滤波、电流负载连接等功能[4]。文章根据通信电源逆变器的能量交换环境和结构特点，对逆变器故障进行分类，并从中提取通信电源逆变器的故障特征。为简化逆变器故障诊断过程，将开关器件看做理想器件，不考虑导通压降。在逆变器故障状态下，当负载电流方向为正时，电流从直流侧经过开关器件流向交流侧[5]。当负载电流方向为负时，电流从交流侧经过二极管流向直流侧。无论输出电流方向为正还是负，交流侧的输出端均与通信电源正端等电位，则交流侧与直流侧的故障电压特征为

式中：Ua为交流侧故障点a的电压输出值；Up为通信电源正端故障点p的电压输出值；Ud为逆变器正常运行电压输出值。当负载电流为正方向时，故障点a与母线电容等电位，则Ua=0。逆变器输出电压存在正、负两种状态，由此定义逆变器的故障状态为

当Pa=1 时，交流侧故障点a的电压输出值为正，点a为正常运行状态；Pa=-1 时，交流侧故障点a的电压输出值为负，点a 为故障运行状态。

1.2 基于小波神经网络构建电源逆变器故障诊断模型

将逆变器故障特征作为诊断模型的输入参数，并根据通信电源逆变器的电压变化情况，分析逆变器故障的等效电路。小波神经网络的拓扑结构如图1所示。

图1 小波神经网络的拓扑结构

图中：x1、x2、xi为通信电源逆变器的故障特征；Wij为第i个输出故障点与第j个隐含层节点之间的连接权重值；Wjk为第j个隐含层节点与第k个输出参数的权重值；y为故障诊断输出结果[8]。小波输出层的输出值公式为

式中：hj为第j个隐含层节点的输出参数。将Ua转换为有限信号Ua(t)，在小波基下信号处理，构建逆变器故障诊断模型，表达式为

式中：W(t)为逆变器故障诊断模型；yk(t)为小波输出层的输出信号；Ψ(·)为小波母函数；t为故障时刻；τ为平移参数；a为尺寸参数。a与τ为连续变化状态，针对Ua(t)的变化进行实时转换，以提取更加准确的故障特征。当小波母函数Ψ(·)满足容许条件时，将Ua(t)与yk(t)进行逆变换，并离散化处理a与τ。当a＞0、τ≠0时，小波采样频率带宽较大，间隔同样增加，不会出现故障丢失的情况。当逆变器处于故障状态时，逆变器绕组与通信电源的负极相连，W(t)=0。Ua(t)与yk(t)经过小波变换之后，等效电路流出绕组的方向为负，负载电流与绕组形成回路。

1.3 求解通信电源逆变器故障电压空间矢量

求解电压空间矢量，相关表达式为

式中：Ur为电压空间矢量；α为电压状态参数。将P、N、O作为电压空间矢量，得到多种电压状态组合。逆变器输出电压空间矢量的不同情况如表1 所示。

表1 逆变器输出电压空间矢量的不同情况

将故障电压空间设定为P、O、N，并考虑三者之间的任意排列组合。具体来说，PPP、OOO和NNN表示零矢量的情况。当矢量无变化时，则为零矢量；当存在矢量变化时，则为小矢量；当有3 个不同的矢量时，则为中矢量；当有2 个相同的矢量时，则为大矢量。输出的矢量不允许出现重复的情况，避免诊断冗余的情况。

2 实 验

为验证文章所提方法，需要开展实验，最终实验结果以基于MPCC的通信电源逆变器故障诊断方法、基于模型预测的通信电源逆变器故障诊断方法、文章设计的基于小波神经网络的通信电源逆变器故障诊断方法进行对比的形式呈现。

2.1 实验过程

本次实验随机选择一个型号的通信电源进行测试，输入电压范围为100 ～240 V，输出电压范围为10 ～220 V，输入频率为50 ～60 Hz，额定功率为1 000 W，质量为10 kg，尺寸为220 mm×180 mm×120 mm。负载电流、输出电压可直接获得，故障电流无法获得，在逆变器结构上加入电流传感器，而监测故障电流情况。通信电源逆变器的结构如图2所示。

图2 逆变器结构

F1出现故障时，为输入电源故障；F2出现故障时，为输出电压故障；F3出现故障时，为输出电流故障；F4出现故障时，为温度异常故障；F5出现故障时，为保护电路故障；F6出现故障时，为通信故障；F7出现故障时，为风扇故障；F8出现故障时，为内部电路故障；F9出现故障时，为外部连接故障；F10出现故障时，为电源模块故障。为获取逆变器结构的电流变化情况，增加电流传感器。将诊断输出结果函数定义为K，并通过输出电压K进行故障诊断。如果K≥（220±10）V，则逆变器发生开路故障；如果K＜（220±10）V，则逆变器发生短路故障。

2.2 实验结果

文章随机选取出10 种通信电源逆变器故障类别，将逆变器的输出电压与F[i]作为故障诊断的评价指标。F[i]指用于故障诊断的参考标准，比较和评估逆变器的状态和性能。将文献[1]中基于MPCC 的通信电源逆变器故障诊断方法的性能指标、文献[2]中基于模型预测的通信电源逆变器故障诊断方法的性能指标、文章设计的基于小波神经网络的通信电源逆变器故障诊断方法的性能指标进行对比，结果如表2所示。

表2 实验结果

输出电压正常状态为10 ～220 V，超过或低于该值，诊断为逆变器故障状态。在其他条件均一致的情况下，使用基于MPCC 的通信电源逆变器故障诊断方法后，输出电压在132 ～240 V 变化，F[i]在75%～89%变化。可见，该方法的故障诊断准确性较低，容易出现故障诊断失误的问题。使用基于模型预测的通信电源逆变器故障诊断方法后，输出电压和F[i]范围有所改善，但F[i]仍低于95%，需要进一步优化。文章设计的小波神经网络方法表现出更高的故障诊断准确性，F[i]波动小，多处达到100%，满足通信电源逆变器故障诊断需求，应用效果最好。

3 结 论

通信电源逆变器是通信网络的重要元件，其运行状态是保障通信网络稳定运行的关键。因此，文章利用小波神经网络，设计一种通信电源逆变器故障诊断方法。从故障特征、诊断模型、电压空间矢量等方面，快速寻找逆变器运行中的非线性、非稳态信号。通过小波神经网络处理故障信号，可以更好地处理信号中的噪声和异常，提高逆变器故障诊断的准确性。