基于改进人工神经网络参数辨识的变流器软故障诊断方法

摘要

本发明涉及一种基于改进人工神经网络参数辨识的变流器软故障诊断方法，包括离线建模和在线参数辨识两个过程；所述离线建模包括：确定变流器等效电路及其故障特征参数；以双Boost电路建立混合逻辑模型，得到故障特征参数；初步建立基于改进人工神经网络的参数辨识模型；获取相应电路历史数据，对数据进行拟合，调整结构与超参，建立最终的参数辨识模型；所述在线参数辨识包括：实时采集具体的电力电子变流器内部器件的相应数据，利用建立的参数辨识模型拟合数据，从内部权值中推导得到具体的器件参数，得到器件的老化状态，完成电力电子变流器的软故障诊断。该方法有利于提高变流器软故障诊断的精度和效率。

说明书

技术领域

本发明属于电力电子变流器领域，具体涉及一种基于改进人工神经网络参数辨识的变流器软故障诊断方法。

背景技术

随着我国电力行业的发展，工商业、交通、民用等领域都在朝着电气化的方向发展，应用场景与自身结构也愈发复杂多样，对电力电子变流器的要求也逐步提高，对其可靠性和可维护性的要求也越来越高。电力电子变流器的人工智能故障诊断可以提前、快速、准确地定位故障位置，减少停机时间，提高电力电子变流器的可靠性。电力电子电路故障发生的条件、现象和特点不尽相同，一般分为结构性故障和参数性故障。其中结构性故障主要包括开路故障和短路故障，因为有着危害性大、故障现象明显等特点，结构性故障长期以来一直是人们研究的重点，故障诊断方法已相对成熟。参数性故障又称软故障，指的是电路因长期工作在高频高功率的环境中，内部器件参数与标称值相比发生较大偏移。参数性故障因为失效特征不明显、易被外界噪声掩盖等特点，难以通过分析输入输出波形的畸变等常见方法诊断。因此，找到一种有效的参数性故障诊断方法对提高电力电子变流器的可靠性有着十分重要的现实意义。

发明内容

本发明的目的在于提供一种基于改进人工神经网络参数辨识的变流器软故障诊断方法，该方法有利于提高变流器软故障诊断的精度和效率。

为实现上述目的，本发明采用的技术方案是：一种基于改进人工神经网络参数辨识的变流器软故障诊断方法，包括离线建模和在线参数辨识两个过程；

所述离线建模包括：

确定变流器等效电路及其故障特征参数；

以双Boost电路建立混合逻辑模型，得到故障特征参数；

初步建立基于改进人工神经网络的参数辨识模型；

获取相应电路历史数据，对数据进行拟合，调整结构与超参，建立最终的参数辨识模型；

所述在线参数辨识包括：

实时采集具体的电力电子变流器内部器件的相应数据，利用建立的参数辨识模型拟合数据，从内部权值中推导得到具体的器件参数，得到器件的老化状态，完成电力电子变流器的软故障诊断。

进一步地，对于电解电容，等效电路由等效电容和等效串联电阻串联构成，当电解电容的电容值衰减至原先的80％或者增加100％-200％时，即判定电解电容失效；对于电感器，等效电路为一个理想电感，并将电感值L作为其特性参数，以感值衰减至标称值的80％作为电感器完全失效的阈值。

进一步地，针对双Boost整流器的工作模态，建立双Boost整流器电路的混合逻辑模型，得到故障特征参数，包括以下步骤：

a)当电路运行在模态一和模态三时，对回路列写基尔霍夫电压方程并离散化整理得：

当电路运行在模态二时，对回路列写基尔霍夫电压方程并离散化整理得：

当电路运行在模态四时，对回路列写基尔霍夫电压方程并离散化整理得：

b)定义逻辑变量ξ，并分别用逻辑变量ξ＝1和ξ＝0表示开关管的导通S＝1和关断S＝0，则公式(1)、(2)、(3)、(4)、(5)修改为：

U

其中A

其中A

其中A

c)得到电容、电感故障特征参数：c＝TRCB

进一步地，所述基于改进人工神经网络，即IANN的参数辨识模型通过改进ANN的激活函数和学习率设定规则获得；

改进ANN的激活函数的方法为：在函数初段加入随机值，得到随机修正线性单元RReLU，其函数表达式如下：

改进ANN的学习率设定规则的方法为：采用热重启随机梯度下降SGDR的学习率设定策略代替传统ANN的固定学习率策略。

进一步地，所述基于改进人工神经网络的参数辨识模型采用三层神经网络，构造三个多输入-单输出的神经网络分别拟合三个目标函数，采集变流器工作在整流状态下的负载电压U

改进人工神经网络中隐含层第j个节点的输出为：

式中ω

输出层第o个节点的输出为：

式中ω

定义权值矩阵：

进一步地，对数据进行拟合，调整结构与超参，具体方法为：

获取变流器多组历史数据，归一化后作为神经网络的训练样本进行离线训练，从而确定神经网络的结构与超参；

使用热重启随机梯度下降SGDR变学习率策略的误差反向传播算法调整神经网络的权值矩阵W，当误差满足设定的性能指标后，将离线训练得到的权值矩阵作为在线拟合数据的初始值。

进一步地，所述在线参数辨识中，实时采集电力电子变流器内部器件的相应数据，并使用神经网络拟合公式(6)、(7)、(8)并不断调整权值矩阵W，使得神经网络的输出估计值

利用建立的参数辨识模型在线拟合数据，从得到的内部权值矩阵中推导得到器件的特征参数，即电容、电感故障特征参数：C＝TRCB

根据得到的电力电子变流器内部关键器件的特征参数，利用电解电容和电感的失效阈值，得出器件的软故障状态，实现变流器的软故障预警。

与现有技术相比，本发明具有以下有益效果：提供了一种基于IANN(改进人工神经网络)来进行数据拟合的参数辨识的变流器故障诊断方法，利用IANN对采用数据进行拟合，当拟合误差足够小时，能够从内部权值中反推得到器件参数，获取电力电子变流器内部器件的老化估计，实现故障预警；本方法在实际电路的软故障预警中，有较高的参数辨识精度和效率，不仅可以为电力电子级的器件老化程度进行健康状态评估、剩余寿命预测提供保障，同时为电力电子变流器的容错控制、延长设备的使用周期和增强设备的可靠性。

附图说明

图1是本发明实施例的方法实现流程图。

图2是本发明实施例中双Boost整流器在一个工频周期内工作模态。

图3是本发明实施例中IANN前向传播示意图。

图4是本发明实施例中IANN仿真辨识结果。

图5是本发明实施例中IANN实验辨识结果。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种基于改进人工神经网络参数辨识的变流器软故障诊断方法，包括离线建模和在线参数辨识两个过程。

所述离线建模包括：

确定变流器等效电路及其故障特征参数；

以双Boost电路建立混合逻辑模型，得到故障特征参数；

初步建立基于改进人工神经网络的参数辨识模型；

获取相应电路历史数据，对数据进行拟合，调整结构与超参，建立最终的参数辨识模型。

所述在线参数辨识包括：

实时采集具体的电力电子变流器内部器件的相应数据，利用建立的参数辨识模型拟合数据，从内部权值中推导得到具体的器件参数，得到器件的老化状态，完成电力电子变流器的软故障诊断。

步骤1：确定变流器等效电路与故障特征参数。

对于电解电容，等效电路由等效电容和等效串联电阻串联构成，当电解电容的电容值衰减至原先的80％或者增加100％-200％时，即判定电解电容失效；对于电感器，等效电路为一个理想电感，并将电感值L作为其特性参数，以感值衰减至标称值的80％作为电感器完全失效的阈值。

步骤2：以双Boost电路建立混合逻辑模型，得到故障特征参数。

如图2所示，这是双Boost整流器在一个工频周期内的工作模态，针对整流器的工作模态，建立双Boost整流器的电路混合逻辑模型，得到故障特征参数。

a)当电路运行在模态一和模态三时，即高频开关管S

当电路运行在模态二时，即高频开关管S1和S2关断，D1和D4导通，对回路列写基尔霍夫电压方程并离散化整理得：

当电路运行在模态四时，即高频开关管S1和S2关断，D2和D3导通，对回路列写基尔霍夫电压方程并离散化整理得：

b)定义逻辑变量ξ，并分别用逻辑变量ξ＝1和ξ＝0表示开关管的导通S＝1和关断S＝0，则公式(1)、(2)、(3)、(4)、(5)修改为：

U

其中A

其中A

其中A

c)得到电容、电感故障特征参数：c＝TRCB

步骤3：IANN变流器软故障诊断的参数辨识模型。

所述基于改进人工神经网络(IANN)的参数辨识模型通过改进ANN的激活函数和学习率设定规则获得。

a)改进激活函数，对传统ANN的Sigmod激活函数和近年来应用较为广泛的修正线性单元(Rectified Linear Unit，ReLU)函数进行改进，在函数初段加入随机值，解决了传统激活函数神经元“死亡”的问题。此外RReLU在反向梯度传播时求导运算简便，并且一定程度上缓解了ReLU函数均值发生偏移的缺点。因此，改进ANN的激活函数采用RReLU可以有效提高电力电子变流器在软故障诊断中参数辨识的效率和精度。RReLU随机修正线性单元(Randomized Leaky ReLU，RReLU)的函数表达式如下：

b)改进学习率设定规则，采用一种热重启随机梯度下降(Stochastic GradientDescent with Warm Restarts，SGDR)的学习率设定策略代替传统ANN的固定学习率策略，只需要确定一个能让神经网络收敛的最大学习率即可，有效降低了固定学习率策略中人工确定学习率的盲目性和时间成本，提高了神经网络的智能性。

步骤4：初步建立IANN故障诊断的参数辨识模型。

所述基于改进人工神经网络的参数辨识模型采用三层神经网络，构造三个多(单)输入-单输出的神经网络分别拟合三个目标函数，如图3所示，采集变流器工作在整流状态下的负载电压U

改进人工神经网络中隐含层第j个节点的输出为：

式中ω

输出层第o个节点的输出为：

式中ω

定义权值矩阵：

步骤5：离线训练模型，完成最终建模。

a)IANN拟合数据，调整结构和超参，完成最终建模。

b)获取变流器多组历史数据，归一化后作为神经网络的训练样本进行离线训练，从而确定神经网络的结构与超参。

c)使用SGDR(热重启随机梯度下降)变学习率策略的误差反向传播算法调整神经网络权值矩阵W(公式(12))，当误差满足一定性能指标后，将离线训练得到的权值矩阵作为在线拟合数据的初始值。

步骤6：开始对电力电子变流器的内部关键器件进行老化状态监测。

实时采集电力电子变流器内部器件的相应数据，并使用神经网络拟合公式(6)、(7)、(8)并不断调整权值矩阵W，使得神经网络的输出估计值

步骤7：IANN参数辨识模型在线拟合数据，得到器件特征参数。

利用建立的参数辨识模型在线拟合数据，从得到的内部权值矩阵中推导得到器件的特征参数，即电容、电感故障特征参数：C＝TRCB

步骤8：得到内部器件的“软故障”状态，实现变流器的软故障预警。

步骤9：根据得到的电力电子变流器内部关键器件的特征参数，利用步骤1提到的电解电容和电感的失效阈值，得出器件的“软故障状态”，实现变流器的软故障预警。

如图4、5所示，本发明方法在实际电路的软故障预警中，有较高的参数辨识精度，不仅可以为电力电子级的器件老化程度进行健康状态评估、剩余寿命预测提供保障，还可以为电力电子变流器的容错控制、延长设备的使用周期和增强设备的可靠性奠定理论基础。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。