CN110083992B - 一种基于多新息递推最小二乘的Boost变换器故障诊断方法 - Google Patents

一种基于多新息递推最小二乘的Boost变换器故障诊断方法 Download PDF

Info

Publication number
CN110083992B
CN110083992B CN201910455779.9A CN201910455779A CN110083992B CN 110083992 B CN110083992 B CN 110083992B CN 201910455779 A CN201910455779 A CN 201910455779A CN 110083992 B CN110083992 B CN 110083992B
Authority
CN
China
Prior art keywords
boost converter
moment
innovation
vector
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910455779.9A
Other languages
English (en)
Other versions
CN110083992A (zh
Inventor
王子赟
刘子幸
王艳
纪志成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201910455779.9A priority Critical patent/CN110083992B/zh
Publication of CN110083992A publication Critical patent/CN110083992A/zh
Application granted granted Critical
Publication of CN110083992B publication Critical patent/CN110083992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Dc-Dc Converters (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种基于多新息递推最小二乘的Boost变换器故障诊断方法，属于电力变换器故障诊断领域。该方法包括建立Boost变换器的混杂系统离散模型；获取Boost变换器的最小二乘递推模型；根据最小二乘递推模型获取新息标量；获取预定时间范围内Boost变换器的信息向量和系统输出；根据新息长度扩展出多新息向量，获取信息矩阵和输出向量；估计Boost变换器的参数向量；根据估计得到的参数向量，确定Boost变换器中各个元件的估计值并判断Boost变换器是否发生故障；解决了目前Boost变换器故障诊断数据利用率低的问题；达到了平滑各元件的参数估计数值，提高Boost变换器故障诊断的精度和收敛速度的效果。

Description

一种基于多新息递推最小二乘的Boost变换器故障诊断方法
技术领域
本发明实施例涉及电力变换器故障诊断领域，特别涉及一种基于多新息递推最小二乘的Boost变换器故障诊断方法。
背景技术
随着电力电子技术的发展，各种类型的电力变换器已广泛应用于电动汽车、电力系统、航空航天、农业等领域。随着应用领域的不断扩展，对电力变换器的可靠性、稳定性等性能提出了更为严格的要求。
研究表明，电解电容的退化、开关管的故障和焊点的失效都会导致电力变换器发生故障。其中电解电容的退化是导致电力变换器故障的主要原因，主要表现为串联电阻的增大。
电力变换器的故障诊断方法存在多种，其中递推最小二乘算法以其简单方便而被广泛应用，但是在面对在线电力变换器故障诊断中，存在着数据利用率低、收敛速度慢、辨识精度低等问题。相比于递推最小二乘算法，多新息递推最小二乘算法充分利用了系统的观测数据，在一定程度上平滑了故障诊断结果，有着更快的收敛速度、更好的辨识精度。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种基于多新息递推最小二乘的Boost变换器故障诊断方法。该技术方案如下：
第一方面，提供了一种基于多新息递推最小二乘的Boost变换器故障诊断方法，该方法包括：
建立Boost变换器在电感电流持续导通情况下的混杂系统离散模型；
根据混杂系统离散模型，获取Boost变换器的最小二乘递推模型；
根据Boost变换器的最小二乘递推模型获取新息标量；
获取预定时间范围内Boost变换器在工作状态下的电感电流、输出电压和MOSFET管的切换状态，并确定Boost变换器的信息向量和系统输出；
设置新息长度，根据新息长度将新息标量扩展为多新息向量；
根据新息长度和信息向量得到信息矩阵，根据新息长度和系统输出得到输出向量；
根据多新息向量、信息矩阵和输出向量，按如下公式估计k时刻Boost变换器的参数向量：
Figure BDA0002076542040000021
P-1(k)＝P-1(k-1)+Φ(p,k)ΦT(p,k)，
Figure BDA0002076542040000022
Figure BDA0002076542040000023
P-1(k)＝P-1(k-1)+Φ(p,k)ΦT(p,k)，
Figure BDA0002076542040000024
根据估计得到的k时刻的Boost变换器的参数向量，确定k时刻Boost变换器中各个元件的估计值；
根据Boost变换器中各个元件的估计值判断Boost变换器是否发生故障；
其中，Φ(p,k)表示信息矩阵，
Figure BDA0002076542040000025
X1(p,k)和X2(p,k)表示输出向量，
X1(p,k)＝[X1(k) X1(k-1) … X1(k-p+1)]T，
X2(p,k)＝[X2(k) X2(k-1) … X2(k-p+1)]T，
p表示新息长度，k表示离散时间，P(k)表示k时刻的协方差阵；
E1(p,k)和E2(p,k)表示k时刻的多新息向量，
Figure BDA0002076542040000026
Figure BDA0002076542040000027
e1(k)和e2(k)表示k时刻的新息标量，
Figure BDA0002076542040000028
Figure BDA0002076542040000031
X1(k)和X2(k)表示k时刻的系统输出量，系统输出Y(k)为
Figure BDA0002076542040000032
Figure BDA0002076542040000033
表示信息向量，
Figure BDA0002076542040000034
θ1(k)和θ2(k)表示k时刻Boost变换器的参数向量，
Figure BDA0002076542040000035
和
Figure BDA0002076542040000036
表示k时刻Boost变换器的参数向量的估计，
Figure BDA0002076542040000037
Figure BDA0002076542040000038
T表示采样周期，E表示Boost变换器的输入电压，R表示Boost变换器中电阻的值，L表示Boost变换器中电感的值，Boost变换器中电解电容C'等效为电容和串联电阻，C表示电容的值，RC表示串联电阻的值。
可选的，根据Boost变换器中各个元件的估计值判断Boost变换器是否发生故障，包括：
在预定时间范围内，针对Boost变换器中每个元件，检测k时刻的估计值与参考值之差是否都在预定范围内；预定时间范围为1至N，N为整数，1≤k≤N；
若检测到k时刻的估计值与参考值之差在预定范围内，则确定元件未发生故障；
若检测到k时刻的估计值与参考值之差在预定范围外，则检测k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量是否为j：j为整数，j＞1，k+j＜N；
若检测到k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量为j，则确定元件发生故障；
若检测到k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量不为j，则确定元件未发生故障。
可选的，根据估计得到的k时刻Boost变换器的参数向量，确定k时刻Boost变换器中各个元件的估计值，包括：
按如下公式确定k时刻Boost变换器中电感的估计值：
Figure BDA0002076542040000041
按如下公式确定k时刻Boost变换器中电阻的估计值：
Figure BDA0002076542040000042
按如下公式确定k时刻Boost变换器中电解电容等效得到的串联电阻和电容的估计值：
Figure BDA0002076542040000043
Figure BDA0002076542040000044
本发明实施例提供的技术方案带来的有益效果是：
通过建立Boost变换器在工作状态下的混杂系统离散模型，根据混杂系统模型获取Boost变换器的最小二乘递推模型，根据最小二乘递推模型获取新息标量，获取Boost变换器在工作状态下的切换状态、电感电流和输出电压的数值，根据获取到的数值确定Boost变换器的信息向量和系统输出，通过设置合适的新息长度，将新息标量扩展为多新息向量，以及获取信息矩阵和输出向量，在预定时间范围内根据信息矩阵和输出向量递推估计Boost变换器在各个时刻的向量，根据估计得到的参数向量中的各个元素确定Boost变换器中各个元件的估计值，根据元件的估计值实时检测判断Boost变换器是否发生故障；解决了目前Boost变换器故障诊断数据利用率低的问题；达到了平滑各元件的参数估计数值，提高Boost变换器故障诊断的精度和收敛速度的效果。
此外，还可以得到在元件发生故障时的故障数值，具有可靠性高的特点。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种基于多新息递推最小二乘的Boost变换器故障诊断方法的流程图；
图2是根据一示例性实施例示出的一种Boost变换器的拓扑图；
图3是根据一示例性实施例示出的一种Boost变换器的等效原理图；
图4是根据一示例性实施例示出的一种Boost变换器中电阻R对应的参数变化曲线图；
图5是根据一示例性实施例示出的一种Boost变换器中电感L对应的参数变化曲线图；
图6是根据一示例性实施例示出的一种Boost变换器中电容C对应的参数变化曲线图；
图7是根据一示例性实施例示出的一种Boost变换器串联电阻RC对应的参数变化曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供的基于多新息递推最小二乘的Boost变换器的故障诊断方法，是在Boost变换器处于工作状态下进行的，且假定Boost变换器在同一时刻只有单个元件发生故障。
请参考图1，其示出了本发明一个实施例提供的基于多新息递推最小二乘的Boost变换器故障诊断方法的流程图。如图1所示，该基于多新息递推最小二乘的Boost变换器故障诊断方法可以包括以下步骤：
步骤101，建立Boost变换器在电感电流持续导通情况下的混杂系统离散模型。
Boost变换器的拓扑图如图2所示，对Boost变换器进行等效简化，即将开关管MOSFET等效为理想开关S1，将二极管D等效为理想开关S2，将电感L视为理想元件，电解电容C'等效为电容C和串联电阻RC，得到的Boost变换器等效原理图如图3所示。
1、建立Boost变换器的混杂系统模型。
由于Boost变换器在电感电流连续导通(Continuous Conduction Mode,CCM模式)时存在两种情况：S1闭合且S2开通、S1开通且S2闭合，将两种情况下的状态结合，得到在CCM模式下Boost变换器的混杂系统模型：
Figure BDA0002076542040000051
式(1)中S表示Boost变换器的开关管的切换状态，E表示Boost变换器的输入电压，iL表示Buck变换器的电感电流，uo表示Buck变换器的输出电压，
Figure BDA0002076542040000052
表示iL关于时间t的一阶导数，
Figure BDA0002076542040000053
表示uo关于时间t的一阶导数。
如图3所示，Boost变换器的元件包括电感L、电阻R、电解电容C'等效得到的电容C和串联电阻RC。
2、对式(1)进行离散化处理，得到Boost变换器在电感电流持续导通情况下的混杂系统离散模型：
Figure BDA0002076542040000061
式(2)中T表示采样周期，k为离散时间，iL(k)表示k时刻Boost变换器的电感电流，uo(k)表示k时刻Boost变换器的输出电压；S(k)表示Boost变换器中MOSFET管的切换状态，在一个周期T内S(k)的值为1或0，S(k)的值为1时表示MOSFET管处于导通状态，S(k)的值为0时表示MOSFET管处于断开状态。
步骤102，根据混杂系统离散模型，获取Boost变换器的最小二乘递推模型。
根据混杂系统离散模型即式(2)，定义k时刻Boost变换器的信息向量
Figure BDA0002076542040000062
k时刻Boost变换器的参数向量θ1和θ2、k时刻Boost变换器的系统输出Y(k)。
Figure BDA0002076542040000063
Figure BDA0002076542040000064
Figure BDA0002076542040000065
Figure BDA0002076542040000066
根据式(2)、(3)、(4)、(5)，可得Boost变换器的最小二乘递推模型：
Figure BDA0002076542040000067
Figure BDA0002076542040000068
其中，未知的参数向量θ1有6个元素θ1i，未知的参数向量θ2有6个元素θ2i，i＝1,2,…,6；系统输出Y(k)的元素即电感电流iL(k)和输出电压uo(k)，可以通过对Boost电路进行测量获得，X1(k)和X2(k)表示k时刻的系统输出量。
式(4)和式(5)所示的参数向量θ1、θ2中的元素根据Boost变换器中元件的值确定。
根据式(4)和式(5)可以得到Boost变换器的参数矩阵为：
Figure BDA0002076542040000071
步骤103，根据Boost变换器的最小二乘递推模型获取新息标量。
根据式(7)、式(8)所示的最小二乘递推模型可得新息标量e1(k)和e2(k)：
Figure BDA0002076542040000072
Figure BDA0002076542040000073
需要说明的是，带有“^”的向量和参数表示估计值。
步骤104，获取预定时间范围内Boost变换器在工作状态下的电感电流、输出电压和MOSFET管的切换状态，并确定Boost变换器的信息向量。
在预定时间范围内，获取Boost变换器在工作状态下的电感电流iL(k)、输出电压uo(k)和MOSFET管的切换状态S(k)。
预定时间范围为1至N，N为整数，N的值是预先设置的。
可选的，在未知参数的Boost变换器中，利用电压表测量和示波器采样，得到MOSFET管的切换状态S、电感电流iL和输出电压uo；再根据式(3)确定出Boost变换器的信息向量
Figure BDA0002076542040000076
k的取值范围为1至N，k为整数；根据式(6)确定出Boost变换器的系统输出Y(k)。
步骤105，设置新息长度，根据新息长度将新息标量扩展为多新息向量。
在多新息递推最小二乘算法中，为增加Boost变换器在工作过程中对系统观测数据的使用效率，减小Boost变换器在线故障诊断的数据波动，提高故障诊断的精度和收敛速度，将式(9)、式(10)所示的新息标量e1(k)和e2(k)拓展为长度为p的多新息向量E1(p,k)和E2(p,k)：
Figure BDA0002076542040000074
Figure BDA0002076542040000075
其中，p为新息长度，取值为一个大于零的整数，p的值可以人为进行设置。在一个例子中，p的值设置为64；本发明实施例对此不作限定。
步骤106，根据新息长度和信息向量得到信息矩阵，根据新息长度和系统输出得到输出向量。
根据设置的新息长度p和信息向量
Figure BDA0002076542040000081
按如下公式可以获得k时刻的信息矩阵Φ(p,k)：
Figure BDA0002076542040000082
根据设置的新息长度p和系统输出量X1(k)和X2(k)，可以按如下公式可以得到k时刻的输出向量X1(p,k)和X2(p,k)：
X1(p,k)＝[X1(k) X1(k-1) … X1(k-p+1)]T (14)
X2(p,k)＝[X2(k) X2(k-1) … X2(k-p+1)]T (15)
步骤107，根据多新息向量、信息矩阵和输出向量，估计k时刻Boost变换器的参数向量。
在预定时间范围内，根据多新息向量E1(p,k)和E2(p,k)、信息矩阵Φ(p,k)、输出向量X1(p,k)和X2(p,k)，估计k时刻Boost变换器的参数向量θ1(k)和θ2(k)；预定时间范围为1至N，N为整数，N的值是预先设置的；即k的取值范围为1至N。
对于参数向量θ1(k)，根据多新息递推最小二乘算法进行递推计算(式16～式18)，可以估计k时刻Boost变换器的参数向量
Figure BDA0002076542040000083
Figure BDA0002076542040000084
P-1(k)＝P-1(k-1)+Φ(p,k)ΦT(p,k) (17)
Figure BDA0002076542040000085
其中，P(k)为协方差阵，协方差阵和参数向量的初始值设定为：
Figure BDA0002076542040000086
P(0)＝p0I6 (20)
16为所有元素为1，长度为6的列向量；p0为大于1的常数，一般取p0＝106；I6为6阶单位矩阵。
对参数向量θ1(k)估计的递推过程为：
(1)利用k时刻的输出向量X1(p,k)、信息矩阵Φ(p,k)和k-1时刻的参数向量的估计值
Figure BDA0002076542040000087
对k时刻的多新息向量进行计算，得到k时刻的多新息向量E1(p,k)，即式(16)；
(2)根据k时刻的信息矩阵Φ(p,k)和k-1时刻的协方差阵P(k-1)，计算的到k时刻的协方差阵P(k)，即式(17)；
(3)利用k时刻的协方差阵P(k)、信息矩阵Φ(p,k)、多新息向量E1(p,k)和k-1时刻的参数向量的估计值
Figure BDA0002076542040000091
得到k时刻的参数向量的估计值
Figure BDA0002076542040000092
即式(18)。
估计得到的k时刻的参数向量
Figure BDA0002076542040000093
为：
Figure BDA0002076542040000094
同理，对于参数向量θ2(k)，根据如下多新息递推最小二乘算法进行递推计算(式22～式24)，估计得到k时刻Boost变换器的参数向量
Figure BDA0002076542040000095
Figure BDA0002076542040000096
P-1(k)＝P-1(k-1)+Φ(p,k)ΦT(p,k) (23)
Figure BDA0002076542040000097
估计得到的k时刻的参数向量
Figure BDA0002076542040000098
为：
Figure BDA0002076542040000099
从而得到k时刻Boost变换器的参数矩阵的估计值
Figure BDA00020765420400000910
Figure BDA00020765420400000911
步骤108，根据估计得到的k时刻的Boost变换器的参数向量，确定k时刻Boost变换器中各个元件的估计值。
由于，
Figure BDA00020765420400000912
Figure BDA00020765420400000913
Figure BDA00020765420400000914
Figure BDA00020765420400000915
所以，可以根据参数向量中的元素确定出Boost变换器中各个元件的估计值。
具体地：
按式(28)确定k时刻Boost变换器中电感的估计值
Figure BDA00020765420400000916
Figure BDA0002076542040000101
按式(29)确定k时刻Boost变换器中电阻的估计值
Figure BDA0002076542040000102
Figure BDA0002076542040000103
按式(30)和式(31)确定k时刻Boost变换器中电解电容C'(k)等效的串联电阻和电容的估计值，即
Figure BDA0002076542040000104
和
Figure BDA0002076542040000105
Figure BDA0002076542040000106
Figure BDA0002076542040000107
步骤109，根据Boost变换器中各个元件的估计值判断Boost变换器是否发生故障。
根据估计值可以实时确定Boost变换器中的哪个元件发生了故障，确定元件发生故障时的参数值。
在进行故障诊断之前，每个元件的参考值已知。
在预定时间范围内，针对Boost变换器中每个元件，检测k时刻的参数估计值与参考值之差是否在预定的范围内。
可选的，预定范围是预先设置的，预定范围根据实际需要确定。
预定时间范围为1至N，N为整数，1≤k≤N。预定时间范围内的每个时刻的估计值均与参考值比较，并检测估计值与参考值之差是否都在预定范围内。
若检测到k时刻的估计值与参考值之差在预定范围内，则确定元件无故障。
若检测到k时刻的估计值与参考值之差在预定范围外，则检测从k+1时刻至k+j时刻，估计值与参考值之差在预定范围外的数量是否为j；j为整数，j＞1，k+j＜N；具体地，依次检测k+1时刻的估计值与参考值之差是否在预定范围内，k+2时刻的估计值与参考值之差是否在预定范围内，k+3时刻的估计值与参考值之差是否在预定范围内，……，k+j时刻的估计值与参考值之差是否在预定范围内；检测从k+1时刻至k+j时刻，估计值与参考值之差在预定范围外的数量是否为j。
若检测到k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量为j，则确定元件故障。
j的值是预先设置的，j的值根据实际需要确定，比如j＝5。
在确定元件发生故障后，将在预定时间范围内最终得到的稳定的估计值确定为故障元件的故障值。
可选的，在预定时间范围内，针对Boost变换器中每个元件，根据元件的估计值绘制元件参数变化曲线，即针对电感、电阻、电解电容等效得到的串联电阻和电容分别绘制元件参数变化曲线。
根据元件参数变化曲线可以直观地看出元件在各个时刻的估计值，根据元件参数变化曲线的波动和跳变状态可以直观地看出哪个元件发生了故障，从元件参数变化曲线上发生跳变后的最终稳定值可以得到故障元件的故障数值。
在一个例子中，设置新息长度p＝64，在预定时间范围内，执行步骤101至步骤109后，得到在预定时间范围内的各个时刻的电阻R、电感L、电解电容C'等效得到的电容C和串联电阻RC的估计值，根据电阻R的估计值绘制电阻参数变化曲线如图4所示，根据电感L的估计值绘制电感参数变化曲线如图5所示，根据电容C绘制电感参数变化曲线如图6所示，根据串联电阻RC的估计值绘制串联电阻参数变化曲线如图7所示；根据图7可以看出串联电阻RC对应的参数变化曲线上存在明显的波动，并且在一段时间内的数值保持持续的上升和下降，可以判断出串联电阻RC出现故障；根据图4、5、6可以确定出Boost变换器中电阻R、电感L、电容C没有发生故障。
综上所述，本发明实施例提供的基于多新息递推的最小二乘的Boost变换器故障诊断方法，通过建立Boost变换器在工作状态下的混杂系统离散模型，根据混杂系统模型获取Boost变换器的最小二乘递推模型，根据最小二乘递推模型获取新息标量，获取Boost变换器在工作状态下的切换状态、电感电流和输出电压的数值，根据获取到的数值确定Boost变换器的信息向量和系统输出，通过设置合适的新息长度，将新息标量扩展为多新息向量，以及获取信息矩阵和输出向量，在预定时间范围内根据信息矩阵和输出向量递推估计Boost变换器在各个时刻的向量，根据估计得到的参数向量中的各个元素确定Boost变换器中各个元件的估计值，根据元件的估计值实时检测判断Boost变换器是否发生故障；解决了目前Boost变换器故障诊断数据利用率低的问题；达到了平滑各元件的参数估计数值，提高Boost变换器故障诊断的精度和收敛速度的效果。
此外，还可以得到在元件发生故障时的故障数值，具有可靠性高的特点。
需要说明的是：上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于多新息递推最小二乘的Boost变换器故障诊断方法，其特征在于，所述方法包括：
建立Boost变换器在电感电流持续导通情况下的混杂系统离散模型；
根据混杂系统离散模型，获取Boost变换器的最小二乘递推模型，包括：
所述根据混杂系统离散模型，定义k时刻Boost变换器的信息向量
Figure FDA0002556816180000011
k时刻Boost变换器的参数向量θ1和θ2、k时刻Boost变换器的系统输出Y(k)；
Figure FDA0002556816180000012
Figure FDA0002556816180000013
Figure FDA0002556816180000014
Figure FDA0002556816180000015
根据上述四式，得到Boost变换器的最小二乘递推模型：
Figure FDA0002556816180000016
Figure FDA0002556816180000017
其中，未知的参数向量θ1有6个元素θ1i，未知的参数向量θ2有6个元素θ2i，i＝1,2,…,6；系统输出Y(k)的元素即电感电流iL(k)和输出电压uo(k)，可以通过对Boost电路进行测量获得，X1(k)和X2(k)表示k时刻的系统输出量；
所述参数向量θ1、θ2中的元素根据Boost变换器中元件的值确定；
根据所述参数向量θ1、θ2得到Boost变换器的参数矩阵为：
Figure FDA0002556816180000018
根据Boost变换器的最小二乘递推模型获取新息标量；
获取预定时间范围内Boost变换器在工作状态下的电感电流、输出电压和MOSFET管的切换状态，并确定Boost变换器的信息向量和系统输出；
设置新息长度，根据新息长度将新息标量扩展为多新息向量；
根据新息长度和信息向量得到信息矩阵，根据新息长度和系统输出得到输出向量；
根据多新息向量、信息矩阵和输出向量，按如下公式估计k时刻Boost变换器的参数向量：
Figure FDA0002556816180000021
P-1(k)＝P-1(k-1)+Φ(p,k)ΦT(p,k)，
Figure FDA0002556816180000022
Figure FDA0002556816180000023
P-1(k)＝P-1(k-1)+Φ(p,k)ΦT(p,k)，
Figure FDA0002556816180000024
根据估计得到的k时刻的Boost变换器的参数向量，确定k时刻Boost变换器中各个元件的估计值；
根据Boost变换器中各个元件的估计值判断Boost变换器是否发生故障；
其中，Φ(p,k)表示信息矩阵，
Figure FDA0002556816180000025
X1(p,k)和X2(p,k)表示输出向量，
X1(p,k)＝[X1(k) X1(k-1)…X1(k-p+1)]T，
X2(p,k)＝[X2(k) X2(k-1)…X2(k-p+1)]T，
p表示新息长度，k表示离散时间，P(k)表示k时刻的协方差阵；
E1(p,k)和E2(p,k)表示k时刻的多新息向量，
Figure FDA0002556816180000026
Figure FDA0002556816180000027
e1(k)和e2(k)表示k时刻的新息标量，
Figure FDA0002556816180000028
Figure FDA0002556816180000031
Figure FDA0002556816180000032
和
Figure FDA0002556816180000033
表示k时刻Boost变换器的参数向量的估计，
Figure FDA0002556816180000034
Figure FDA0002556816180000035
T表示采样周期，E表示Boost变换器的输入电压，R表示Boost变换器中电阻的值，L表示Boost变换器中电感的值，Boost变换器中电解电容C'等效为电容和串联电阻，C表示电容的值，RC表示串联电阻的值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述Boost变换器中各个元件的估计值判断所述Boost变换器是否发生故障，包括：
在预定时间范围内，针对所述Boost变换器中每个元件，检测k时刻的估计值与参考值之差是否都在预定范围内；预定时间范围为1至N，N为整数，1≤k≤N；
若检测到k时刻的估计值与参考值之差在预定范围内，则确定所述元件未发生故障；
若检测到k时刻的估计值与参考值之差在预定范围外，则检测k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量是否为j：j为整数，j＞1，k+j＜N；
若检测到k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量为j，则确定所述元件发生故障；
若检测到k+1时刻至k+j时刻的估计值与参考值之差在预定范围外的数量不为j，则确定所述元件未发生故障。
3.根据权利要求1或2所述的方法，其特征在于，所述根据估计得到的k时刻Boost变换器的参数向量，确定k时刻Boost变换器中各个元件的估计值，包括：
按如下公式确定k时刻Boost变换器中电感的估计值：
Figure FDA0002556816180000036
按如下公式确定k时刻Boost变换器中电阻的估计值：
Figure FDA0002556816180000041
按如下公式确定k时刻Boost变换器中电解电容等效得到的串联电阻和电容的估计值：
Figure FDA0002556816180000042
Figure FDA0002556816180000043
CN201910455779.9A 2019-05-29 2019-05-29 一种基于多新息递推最小二乘的Boost变换器故障诊断方法 Active CN110083992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910455779.9A CN110083992B (zh) 2019-05-29 2019-05-29 一种基于多新息递推最小二乘的Boost变换器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910455779.9A CN110083992B (zh) 2019-05-29 2019-05-29 一种基于多新息递推最小二乘的Boost变换器故障诊断方法

Publications (2)

Publication Number Publication Date
CN110083992A CN110083992A (zh) 2019-08-02
CN110083992B true CN110083992B (zh) 2020-11-17

Family

ID=67422414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910455779.9A Active CN110083992B (zh) 2019-05-29 2019-05-29 一种基于多新息递推最小二乘的Boost变换器故障诊断方法

Country Status (1)

Country Link
CN (1) CN110083992B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110489891B (zh) * 2019-08-23 2020-11-17 江南大学 一种基于多胞空间滤波的工业过程时变参数估计方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393578B (zh) * 2008-11-03 2010-06-02 天津理工大学 基于有限状态机的Boost电路建模方法及其应用
CN106096298B (zh) * 2016-06-20 2019-02-15 重庆大学 基于观测器的变换器参数在线辨识方法
CN106250306B (zh) * 2016-08-18 2019-05-17 电子科技大学 一种适用于企业级运维自动化平台的性能预测方法
WO2019064749A1 (ja) * 2017-09-28 2019-04-04 日本電産株式会社 故障診断方法、電力変換装置、モータモジュールおよび電動パワーステアリング装置
CN109725213B (zh) * 2018-12-12 2020-05-22 江南大学 基于逆向卡尔曼滤波器的Buck变换器故障检测方法
CN109444604A (zh) * 2018-12-13 2019-03-08 武汉理工大学 一种基于卷积神经网络的dc/dc变换器故障诊断方法
CN109720204A (zh) * 2018-12-24 2019-05-07 汉腾汽车有限公司 一种dc/dc转换器的故障检测系统及方法

Also Published As

Publication number Publication date
CN110083992A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
Naseri et al. Online parameter estimation for supercapacitor state-of-energy and state-of-health determination in vehicular applications
Lee et al. Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering
CN109188293B (zh) 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
CN109725213B (zh) 基于逆向卡尔曼滤波器的Buck变换器故障检测方法
CN106096298B (zh) 基于观测器的变换器参数在线辨识方法
Liu et al. State of charge and online model parameters co-estimation for liquid metal batteries
US11002802B2 (en) Fault detection method for buck converter based on inverse kalman filter
Susanna et al. Comparison of simple battery model and thevenin battery model for SOC estimation based on OCV method
CN109932598B (zh) 一种不确定噪声扰动下Buck变换器的故障检测方法
Rojas-Dueñas et al. Nonlinear least squares optimization for parametric identification of DC–DC converters
CN110110461A (zh) 基于卡尔曼滤波算法的mmc中igbt参数估计方法
Qiuting et al. State of health estimation for lithium-ion battery based on D-UKF
CN107991628B (zh) 一种基于相关与回归分析的蓄电池模型建模方法
CN113761726A (zh) 一种锂电池参数辨识方法及系统
CN110083992B (zh) 一种基于多新息递推最小二乘的Boost变换器故障诊断方法
CN115201563A (zh) 一种基于联合熵的多谐波源定位方法及系统
CN115754741A (zh) 储能系统的soc估算方法及装置、设备及存储介质
Liu et al. Condition monitoring of power electronics converters based on digital twin
CN114755582A (zh) 一种环境温度不同时锂离子电池健康状态预估方法
CN111965548A (zh) 一种基于状态估计法的电池系统传感器故障诊断方法
Naseri et al. Co-Estimation of supercapacitor states and parameters considering three-branch equivalent circuit model
CN116522773A (zh) 一种基于数据驱动的wpt系统建模方法
CN115630546A (zh) 一种考虑工作温度影响的三相换流器软故障诊断方法
CN112649758B (zh) 开路故障检测方法、装置、计算机设备
CN110619147B (zh) 一种应用于恒压工况的二阶及多阶电池等效电路模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant