基于QGA优化的BP神经网络在电力电子电路故障诊断中的应用研究

摘要

目前,电力电子技术在工业生产中应用范围十分广泛,如电力、交通、机械、化工、矿冶、轻纺、航天、激光、通信、机器人以及能源的高效利用等领域。电力电子设备通常充当电源供应或者控制器的作用,一旦故障而不能得到及时诊断,就会损毁设备,破坏连续生产,甚至导致系统瘫痪、人员伤亡,这些都会造成巨大经济损失,因此在电力电子电路中采用故障诊断技术,有着巨大的经济意义和必要性。
　　 集成化和复杂化是当今电力电子技术的一大发展趋势,这使得传统的仅仅依靠经验的人工诊断方法已经很难满足要求。国、内外经常采用的电力电子故障诊断方法如故障字典法只能解决单故障,故障树法建树工作量大,易发生错误,直接检测法硬件电路难于实现、投资大,残差法需要建立精确的数学模型,专家系统法存在知识获取“瓶颈”,这些方法由于自身的局限性都限制了应用。基于人工神经网络的故障诊断方法由于良好的非线性映射特性和自学习能力,很好地适应了这一趋势,成为了故障诊断领域的研究热点。
　　 在神经网络电力电子电路故障诊断中广泛采用的BP网络存在收敛速度慢、易陷入局部极值的缺陷,这严重影响了其故障诊断性能。量子遗传算法结合了量子计算和遗传算法的特点,全局寻优能力强,收敛速度快,但在进化后期速度较慢,染色体有效利用率低,对此提出了改进措施,然后采用改进的量子遗传算法对BP神经网络进行优化,在为BP网络赋予良好初始连接系数的同时,还为其定位了一个包含全局最优解的较小.搜索空间,这就有效改善了BP网络的缺陷,加快了网络的学习速度,从而实现更高的诊断性能。
　　 课题以完善和发展基于BP神经网络的电力电子电路故障诊断方法为目的,具体做了如下工作:
　　 针对双链量子遗传算法和基于Bloch球面坐标编码的量子遗传算法在寻优后期出现的进化速度较慢、局部寻优能力较弱、染色体有效利用率低的缺陷,提出了两点改进措施,即改进种群进化机制和加入比较种群寻优过程。通过多峰值函数寻优实例,验证了改进算法有效改善了上述缺陷,同时种群多样性更强,收敛速度更快。最后选择性能更为优秀的基于Bloch球面坐标编码的量子遗传算法对BP神经网络进行优化,完成算法的程序设计。
　　 以整流电路为例,结合基于频谱分析的故障信息提取方法和MATLAB软件对电路故障进行了仿真研究。通过分析确定故障模式,结合仿真软件对电路故障进行了仿真,通过频谱分析理论提取故障信息,设计故障样本。
　　 结合改进的量子遗传算法、BP神经网络、频谱分析的故障信息提取技术对电力电子电路故障进行了诊断研究,并于其它算法的仿真结果进行了对比。改进算法具有网络学习速度快,诊断率高的优点,同时,对于非标准检测样本也具有一定的泛化能力。验证了基于改进量子遗传算法和BP神经网络的电力电子电路故障诊断方法的有效性和优越性。