CN110286279A - 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，包括以下步骤：信号采集与特征提取；故障特征降维预处理，利用极端树算法ET计算原始特征数据集中所有特征的重要性评分，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；故障特征进一步提取，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，获取最后一个稀疏自编码器的隐含层特征作为故障样本；分类训练，将训练集和测试集中的故障样本输入到分类器中进行训练，得到训练好的分类器；模式识别，使用训练好的分类器对待诊断的电力电子电路故障进行分类识别，并对故障进行定位。

Description

基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路 故障诊断方法

技术领域

本发明涉及一种电力电子电路故障诊断方法，特别是涉及一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法。

背景技术

电力电子技术作为一门新兴综合应用技术基础学科，随着技术的进步与发展，其应用领域也正在日益扩大，目前在国防军事、航天航空、电能变换与传输和信息通信等领域都可见电力电子装置的使用。其中，电力电子电路作为电力电子装置的重要组成部分，主要由主电路和控制电路两部分组成，在实际工作中，主电路发生故障的概率远远高于其它组成部分，其任何一个元器件发生故障，都有可能导致整个系统和装置的工作状态发生异常，因此对电力电子电路和装置的工作状态进行监测和迅速的故障诊断是非常重要的。

目前，电力电子故障诊断方法主要分为解析模型诊断法、信号识别法和知识融合诊断法。解析模型故障诊断方法又可分为状态估计故障诊断和参数估计故障诊断，该方法需要精确地建立待诊断电路的故障模型；信号识别法即基于信号处理的故障诊断法，它最大的特点是不需要建立被诊断电路准确的诊断模型，具有较强的自适应能力，选取合适的电路输出量分析其包含的故障信息，常用的处理方法包括傅里叶变换法、Park变换法和小波变换法，但是通过该方法进行信号处理的结果可能不具有实际物理意义，过程中可能会导致有效故障信息的丢失，或者在故障类型比较多时变换后选取的故障特征量无法有效区别不同的故障类型；基于知识融合的故障诊断方法，是近年来在电力电子电路故障诊断领域发展的另一分支的故障诊断方法，比如人工神经网络法，但是采用通常的BP神经网络识别法在训练时容易陷入局部最优解，且在初始连接权值和阈值的选择上具有很大的盲目性，在参数调整及故障特征向量的选择方面难度较大。

发明内容

本发明针对目前故障诊断方法的局限性，提供一种能对电力电子电路进行快速准确的器件级故障定位融合极端随机森林与堆栈式稀疏自编码方法。

本发明解决其技术问题所采用的技术方案是：

提供一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，包括以下步骤：

1)信号采集与特征提取，对每一种电力电子电路故障状态下获得的电流信号进行EMD分解，选取多阶IMF分量，计算每阶分量的时域、频域以及能量特征，获得原始特征数据集；

2)故障特征降维预处理，利用极端树算法ET计算原始特征数据集中所有特征的重要性评分，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；

3)故障特征进一步提取，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，降低故障特征维度，获取最后一个稀疏自编码器的隐含层特征作为故障样本，避免由特征数据维度过高导致训练耗时较长，然后将不同故障下的故障样本作为数据集，并按照一定比例划分为训练集和测试集；

4)分类训练，将训练集和测试集中的故障样本输入到分类器中进行训练，得到训练好的分类器；_

5)模式识别，使用训练好的分类器对待诊断的电力电子电路故障进行分类识别，并对故障进行定位。

接上述技术方案，步骤1)中，选取前7阶IMF分量计算电力电子电路故障的特征信息。

接上述技术方案，步骤3)中选择两层稀疏自编码组成的网络对电力电子电路故障数据进行训练和特征优化。

接上述技术方案，步骤2)中的极端树算法ET是通过基尼指数计算决策树节点的纯度来衡量特征重要性。

接上述技术方案，所述步骤2)具体为：

假设有m个特征X₁,X₂,X₃,…,X_m，每个特征的重要性评分通过基尼指数评分表示，亦即第j个特征X_j在ET所有决策树中节点分裂不纯度的平均改变量；

Gini指数的计算公式为：

其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例；特征X_j在节点m的重要性，即节点m分枝前后的Gini指数变化量为：

其中，GI_l和GI_r分别表示分枝后两个新节点的Gini指数。

如果特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i棵树的重要性为：

假设ET共有n棵树，那么

最后做归一化处理可得该特征的重要性评分为：

最后将计算所得的特征重要性评分降序排列，确定要剔除的比例，剔除后得到一个新的特征集。

本发明还提供了一种计算机可读存储介质，其具有可被处理器执行的计算机程序，该计算机程序执行上述技术方案的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法的步骤。

本发明产生的有益效果是：该方法在电力电子电路故障诊断中融合了极端随机森林与堆栈式稀疏自编码方法。先通过极端随机森林进行特征选择，丢弃重要性较低的故障特征，避免应用原始故障特征数据直接训练分类器出现过拟合问题；然后利用堆栈式稀疏自编码方法降低故障特征的维度，避免由特征数据维度过高导致训练耗时较长，同时还可以有效提高电力电子电路故障诊断的准确率，具有单独使用其中一种方法不具备的优势。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例的三相电压型PWM整流器仿真模型；

图2为本发明实施例的故障诊断模型流程图；

图3为本发明实施例的堆栈式稀疏自编码网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明的一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，包括以下步骤：

1)信号采集与特征提取，对每一种故障状态下获得的电流信号进行EMD 分解，本文选取前7阶IMF分量，计算每阶分量的时域、频域以及能量特征，获得原始特征数据集；

2)故障特征降维预处理，利用极端树算法(ET)计算所有特征的重要性评分，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；，丢弃重要性较低的故障特征，避免应用原始故障特征数据直接训练分类器出现过拟合问题；

3)故障特征进一步提取，利用堆栈式稀疏自编码(SSAE)算法得到维度更小且更具有代表性的特征数据；本发明实施例中，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，降低故障特征维度，获取最后一个稀疏自编码器的隐含层特征作为故障样本，避免由特征数据维度过高导致训练耗时较长，然后将不同故障下的故障样本作为数据集，并按照一定比例划分为训练集和测试集；

4)模式识别，根据故障类型设置样本数据的标签，如表1编码所示，设置训练集、测试集后，将训练集样本输入到分类器对分类器进行训练，然后用测试集对分类器进行测试，采用的分类器为sklearn神经网络模块中的MLPClassifier，实现电力电子电路故障的器件级定位。

进一步，所述步骤1)中，各个IMF分量分别包含了信号不同时间特征尺度大小的成份，残余分量代表信号的平均趋势，因此可以从电路输出信号的IMF分量中提取反映电力电子电路故障的特征信息。

进一步，所述步骤2)中的ET算法是通过基尼指数(GI，Gini index)计算决策树节点的纯度来衡量特征重要性，具体实现方案如下：

假设有m个特征X₁,X₂,X₃,…,X_m，每个特征的重性评分(VIM，variable importancemeasures)可通过基尼指数评分表示，亦即第j个特征X_j在 ET所有决策树中节点分裂不纯度的平均改变量。

Gini指数的计算公式为：

其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例。

特征X_j在节点m的重要性，即节点m分枝前后的Gini指数变化量为：

其中，GI_l和GI_r分别表示分枝后两个新节点的Gini指数。

如果特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i棵树的重要性为：

假设ET共有n棵树，那么

最后做归一化处理可得该特征的重要性评分为：

最后将计算所得的特征重要性评分降序排列，确定要剔除的比例，剔除后得到一个新的特征集。

进一步，所述步骤3)中堆栈式稀疏自编码网络，构造原理如下：

1)首先对于自编码器，其学习过程包括两个过程：

①首先是编码过程：假设输入样本数据为x:{x₁,x₂,x₃,...,x_n},利用编码函数对每个输入样本x_n进行编码转化为隐含层的矢量h:{h₁,h₂,h₃,...,h_n},编码函数公式如下所示：

h_v(x)＝σ_v(W_v·x+b_v)∈R^v (6)

其中，为网络激励函数，{W_v,b_v}为网络参数，W_v为输入层与隐含层权值，b_v是编码网络的偏置项系数,v为隐含层单元个数。

②解码过程：对解码过程得到的隐含层矢量用解码函数进行矢量重构，得到输入样本的预测估计，解码函数公式如下所示：

其中，为网络激励函数，{W_h,b_h}为网络参数，W_h为隐含层与输出层权值，b_h是解码网络的偏置项系数,u为输出层单元个数。

在解码过程中进行矢量重构时，会得到实际输入x与预测估计输出之间的误差，由于自编码网络的训练目的是保证网络的实际输入x与预测估计输出尽可能一致,因此需要构建误差损失函数对网络的误差进行计算，获得优化目标函数进而得到最优的输出结果。本发明基于能量的损失构建的优化目标函数为：

其中损失项中的输出为输入x⁽ⁿ⁾的预测，其期望的输出为x⁽ⁿ⁾，另外参数与正则项定义为：

其中，N为输入样本的个数，δ是衰减系数。本发明是利用BP反向传播算法与梯度下降法进行网络权值的调整，通过迭代得到减小误差函数的值，如果最后的输出向量接近于输入向量x,说明在隐含层的矢量h存在着高维特征的相关信息，从而隐含层的输出矢量能够表示输入数据的特征。

2)对于堆栈式稀疏自编码网络，在自编码器网络的训练过程中，通过隐含层中的部分网络激活状态的限制而使得与输入数据相关联的神经元节点处于激活状态，进而实现高维特征的提取。这种让部分神经元网络处于未激活状态的限制称为自编码器网络的稀疏性。一般情况下当神经元的输出接近于1时定义它被激活，而输出接近于0时则定义为被抑制，那么使得神经元大部分时间都是被抑制的限制则被称作稀疏性限制。本发明采取利用KL距离引入稀疏性约束的方式，具体如下：

首先，隐层输出每个节点的平均值为：

期望隐层每个节点的平均输出值尽量为0，大部分的隐层节点处于静默状态，为了量化隐层这种特性，通常假设隐层每个节点以一定的概率ρ(本发明ρ＝0.05)进行响应，且节点之间相互独立。进一步利用KL距离构造的稀疏正则项为：

其中，为的第j个元素，即隐层第j个节点响应的平均值，其中 j＝1，2，...，v。在自编码网络优化目标公式(8)的基础上，得到稀疏自编码网络的优化目标函数为：

μ为惩罚因子，为了得到更好的结果，利用BP反向传播算法与梯度下降法对网络进行微调，从而达到更新参数θ的目的，更新方程如下：

为使最终得到的特征数据维度更小且更具有代表性，本发明采取堆栈稀疏自编码器，将多个稀疏自编码器级联，以完成逐层特征提取的任务。获取最后一个稀疏自编码器的隐含层特征并将其输入到分类器中进行分类识别。

由于稀疏自编码器个数过多会造成参数过多，网络训练不稳定，层数太少容易造成高维特征提取不够彻底。因此本发明选择两层稀疏自编码组成的网络对电力电子电路故障数据进行训练和特征优化，如图2所示，其由两个自编码器(输入层和两个隐含层)和一个分类器组成，然后将得到的特征数据输入到网络末端的分类器中进行分类识别。

图1为三相电压型PWM整流器仿真模型，以下将图1所示电路作为待诊断电路进行故障诊断说明。

如图1所示，通过matlab建立三相电压型PWM整流器仿真模型，电网相电压幅值为频率为50Hz，交流侧电感为1mH，电感的寄生电阻为0.5Ω，直流侧电容C为4000uF，并联电阻为10Ω，直流侧电压为600V，假定开关频率为10kHz，采样频率为100kHz，注入的交流电流i_de,in＝5sin(100πt)。其控制器均采用双闭环结构。在三相交流对称系统中，若只考虑交流基波分量，在dq坐标系下，dq分量存在耦合，所以对电流进行解耦，则可得到独立的dq直流分量，从而把电流跟踪系统电流变成了恒值调节系统。使d轴与Us轴重合，则d 轴可以表示为有功分量参考值，q轴表示无功分量参考值，从而便于有功、无功电流的独立控制。在本发明中，控制q轴电流为0保证电源侧功率因数为1，控制d轴电流维持直流侧输出电压恒定。

假定在无负载条件下，输出功率为0，如果输出直流电压为定值，则此时的d轴电流应控制为0，整体处于平衡状态，不利于进行故障信号提取。因此，为了在直流输出侧收集到有效的故障特征提取量，选择向PWM整流器交流侧电流d轴分量中注入特定频率的交流电流，则会在直流输出侧产生相同频率的纹波电压。本发明中选择向d轴注入电流i_de,in＝5sin(100πt)。由于直流输出侧电容的存在，可以补偿某些故障引起的电压降和谐波的变化，从而影响故障的正常检测，所以在此选取直流侧电流信号为故障特征信号。

不同于DC侧输出电压可直接测量，DC侧输出电流很少被直接测量。相反，交流侧电流多被测量用于电流控制和过电流保护。因此，DC侧输出电流采用间接测量方式，利用AC输入电流(i_as,i_bs,i_cs)和开关函数(S_a,S_b,S_c)重构，如下式：

i_dc＝S_ai_as+S_bi_bs+S_ci_cs

其中，当上臂器件处于导通状态时，S_i＝1(i＝a,b,c)；当上臂开关器件处于截止状态时，S_i＝0(i＝a,b,c)。

本发明选择失效率仅低于电解电容的开关器件IGBT为研究对象，其大多数情况是由于过电压、过电流造成其寄生体三极管或二极管不可控的导通，导致开关击穿，瞬时失效。本发明主要分析开关器件IGBT的开路故障，对不同位置IGBT故障类型进行判定。针对单元器件故障，包含正常情况在内的7 种故障模式，如表1所示。从每种故障模式中提取60个直流侧电流信号样本，每个样本包含10k个点。

表1故障分类及编码

故障类型	类别	编码
			正常	0	[1，0，0，0，0，0，0]
VT<sub>1</sub>断路	1	[0，1，0，0，0，0，0]
			VT<sub>2</sub>断路	2	[0，0，1，0，0，0，0]
VT<sub>3</sub>断路	3	[0，0，0，1，0，0，0]
			VT<sub>4</sub>断路	4	[0，0，0，0，1，0，0]
VT<sub>5</sub>断路	5	[0，0，0，0，0，1，0]
			VT<sub>6</sub>断路	6	[0，0，0，0，0，0，1]

对电流信号进行EMD分解，获取前7阶IMF分量，并计算其17种特征 (见表2)，共计获得119种故障特征，定义此时的样本数据集为初始数据集 A(420*119)。然后利用ET算法计算119种特征的重要性评分后进行降序排列。根据降序排列设置剔除的比例为0.6，剔除后得到一个新的数据集B (420*48)。

表2 17种特征计算方法

本发明选择构造一个两层的堆栈式稀疏自编码网络结构，根据数据集B 的维数设置堆栈稀疏自编码网络结构为48-25-10(其中30为输入的特征值个数，20为第一个稀疏自编码器隐含层节点数，10为第二个稀疏自编码器隐含层节点个数)。将数据集B进行[0,1]归一化处理后，然后对稀疏自编码器进行参数初始化设置5，其中网络参数正则化系数δ设置为0.01，稀疏正则化系数μ设置为5，利用随机梯度法对网络参数优化的学习率设置为0.01，迭代次数设置为500。最后通过稀疏自编码器将数据集B降维后得到的数据集C(10*48)。

最后将数据集C进行[0,1]归一化处理，然后以0.3的比例将数据集划分为测试集和训练集，分别输入到MLPClassifier，经试验比较各项参数设置为：

激活函数activation＝'relu'；

优化器solver＝'lbfgs'；

正则化项参数alpha＝0.01；

恒定学习率learning_rate_init＝0.001；

隐藏层神经元个数hidden_layer_sizes＝(20,10)，其它设置均为默认值。

实验仿真得到的故障识别准确率高达97.62％，比较而言，单独使用ET 算法降维处理得到的故障诊断准确率为88.89％，单独使用SSEA降维处理后得到的故障诊断准确率为91.27％。证明了本发明一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法的有效性。

本发明还提供了一种计算机可读存储介质，其具有可被处理器执行的计算机程序，该计算机程序执行上述技术方案的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法的步骤。

综上，本发明在电力电子电路故障诊断中融合了极端随机森林与堆栈式稀疏自编码方法。先通过极端随机森林进行特征选择，丢弃重要性较低的故障特征，避免应用原始故障特征数据直接训练分类器出现过拟合问题；然后利用堆栈式稀疏自编码方法降低故障特征的维度，避免由特征数据维度过高导致训练耗时较长，同时还可以有效提高电力电子电路故障诊断的准确率，具有单独使用其中一种方法不具备的优势。

以上内容结合附图对本发明进行了示例性说明，本领域的技术人员可以对本发明进行各种修改和变型，因此等同的技术方案也属于本发明的范畴，采用本发明构思和方案的实质性改进，均在本发明的保护范围之内。说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (6)

1.一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，包括以下步骤：

1)信号采集与特征提取，对每一种电力电子电路故障状态下获得的电流信号进行EMD分解，选取多阶IMF分量，计算每阶分量的时域、频域以及能量特征，获得原始特征数据集；

2)故障特征降维预处理，利用极端树算法ET计算原始特征数据集中所有特征的重要性评分，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；

3)故障特征进一步提取，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，获取最后一个稀疏自编码器的隐含层特征作为故障样本，然后将不同故障下的故障样本作为数据集，并按照一定比例划分为训练集和测试集；

4)分类训练，将训练集和测试集中的故障样本输入到分类器中进行训练，得到训练好的分类器；

5)模式识别，使用训练好的分类器对待诊断的电力电子电路故障进行分类识别，并对故障进行定位。

2.根据权利要求1所述的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，步骤1)中，选取前7阶IMF分量计算电力电子电路故障的特征信息。

3.根据权利要求1所述的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，步骤3)中选择两层稀疏自编码组成的网络对电力电子电路故障数据进行训练和特征优化。

4.根据权利要求1所述的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，步骤2)中的极端树算法ET是通过基尼指数计算决策树节点的纯度来衡量特征重要性。

5.根据权利要求4所述的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，其特征在于，所述步骤2)具体为：

假设有m个特征X₁,X₂,X₃,…,X_m，每个特征的重要性评分通过基尼指数评分表示，亦即第j个特征X_j在ET所有决策树中节点分裂不纯度的平均改变量；

Gini指数的计算公式为：

其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例；特征X_j在节

点m的重要性，即节点m分枝前后的Gini指数变化量为：

其中，GI_l和GI_r分别表示分枝后两个新节点的Gini指数；

如果特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i棵树的重要性为：

假设ET共有n棵树，那么

最后做归一化处理可得该特征的重要性评分为：

最后将计算所得的特征重要性评分降序排列，确定要剔除的比例，剔除后得到一个新的特征集。

6.一种计算机可读存储介质，其特征在于，其具有可被处理器执行的计算机程序，该计算机程序执行权利要求1-5中任一项所述的基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法的步骤。