CN110490248B - 一种电力电子变换器故障诊断方法、终端设备及存储介质 - Google Patents

Abstract

本发明涉及一种电力电子变换器故障诊断方法、终端设备及存储介质，该方法中包括：S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；S4：根据训练后的稀疏自编码器模型和宽度学习模型对变换器的故障类型进行诊断。本发明，能够有效的解决由固定步长带来的收敛速度慢的弊端，且与其他传统的方法具有较高的精度。

Description

一种电力电子变换器故障诊断方法、终端设备及存储介质

技术领域

本发明涉及变换器技术领域，尤其涉及一种电力电子变换器故障诊断的方法、终端设备及存储介质。

背景技术

近年来电力电子变换器已经广泛应用于新能源汽车、工业机器人、高压直流输电、大功率电解和电机驱动系统等领域。然而，变换器发生故障占整个电力系统的38％，并且大多数的故障主要是开关管发生开路或者短路。由于变换器存在继电保护装置，短路故障会转化成开路故障，虽然开路故障不会立即对系统造成破坏，但是它会逐渐降低整流器性能，若不及时处理将会对其他组件，甚至对整个电力系统造成严重的破坏。因此电力电子变换器开关管的故障诊断研究对提高系统稳定性，保证系统安全高效运行起到了至关重要的作用。

电力电子故障诊断方法有很多种，主要是数据处理方法、解析模型诊断法和智能算法。在解析模型法中通过对电路建立故障模型，分析出详细的故障方程式。但是这种方法鲁棒性较差，而且对参数非常敏感，极易受到外部干扰的影响。如今，随着系统不断复杂，除了数据量随之增长之外，数据维度也会大幅度增加。若将高维度原始数据直接代入神经网络中，不仅提高系统运算时间，而且效率也会有所下降。解决高维度数据这一问题的方法主要是特征提取。常用的特征提取方法为小波变换法，且大多数的故障诊断方法过分依赖于需要有先验认知的特征。

发明内容

为了解决上述问题，本发明提出了一种电力电子变换器故障诊断方法、终端设备及存储介质。

具体方案如下：

一种电力电子变换器故障诊断方法，包括以下步骤：

S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；

S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；

S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；

S4：将待诊断变换器的输出电压数据输入训练后的稀疏自编码器模型得到中间层输出后，将输出电压数据和中间层数据共同输入宽度学习模型中，根据宽度学习模型的输出结果对其故障类型进行诊断。

进一步的，步骤S3具体包括以下步骤：

S31：将训练集作为宽度学习模型的增强节点H_j，将对应的中间数据集作为宽度学习模型的映射特征Z_i输入宽度学习模型，则宽度学习模型的输出为：

Y＝[Z₁,...Z_n|H₁,...,H_n]Wⁿ

＝[Zⁿ|Hⁿ]Wⁿ

其中，Wⁿ表示输出层权重，竖线表示合并成一行；

S32：设定稀疏自编码器模型的中间层为：

Z＝φ(W₁X+b₁)

则将宽度学习模型转换为：

σ＝φ([X₁,...X_n|φ(XW₁+b₁)])

＝φ([X|Z]W^n+m)

其中，φ表示神经网络激活函数，σ表示宽度学习模型的实际输出，W^n+m表示系统的权重系数；

S33：设定权重系数W^n+m的更新方程为：

其中，E(.)表示宽度学习模型的损失函数，E'(.)表示损失函数的导数，δ表示宽度学习模型的期望输出，J表示步长，k∈[1,q]表示模型输出向量维数，t表示迭代次数；

S34：设定步J的更新方式为：

当满足E(W^n+m)≤η时，设定步长等于常数l；

当满足E(W^n+m)>η时，设定步长J为；

其中，η表示参考值，γ<<1表示梯度补偿值；

S35：对宽度学习模型进行迭代训练得到训练后的模型。

进一步的，宽度学习模型采用L2范数作为损失函数，即：

其中，

表示L2正则化项，

为常数参数，||.||₂表示弗罗贝尼乌斯范数。

一种电力电子变换器故障诊断终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

本发明采用如上技术方案，采用了一种基于误差精度自适应步长更新方法优化宽度学习分类器，能够有效的解决由固定步长带来的收敛速度慢的弊端，并将其与稀疏自编码器特征提取方法相结合用于诊断电力电子变换器的故障，且与其他传统的方法具有较高的精度。

附图说明

图1所示为本发明实施例一中方法的流程图。

图2所示为该实施例中三相桥式全控整流电路的电路图。

图3所示为该实施例中三相桥式整流电路的输出电压波形图。

图4所示为该实施例中晶闸管T1开路时的输出电压波形图。

图5所示为该实施例中晶闸管T2开路时的输出电压波形图。

图6所示为该实施例中晶闸管T3开路时的输出电压波形图。

图7所示为该实施例中稀疏自编码器的网络结构图。

图8所示为该实施例中宽度学习系统的网络结构图。

图9所示为该实施例中稀疏自编码器与宽度学习系统结合的网络结构图。

图10所示为该实施例中步长与分离精度无关时的曲线图和步长与损失函数的梯度成比例时的曲线图。

图11所示为该实施例中不同步长更新策略下迭代次数与训练误差之间的关系曲线图。

图12所示为该实施例中J＝J_s与J＝l＝0.1时步长参数迭代次数与训练误差之间的关系曲线图。

图13所示为该实施例中J＝J_s与J＝l＝0.1/0.2时步长参数迭代次数与训练误差之间的关系曲线图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

本发明实施例提供了一种电力电子变换器故障诊断方法，以三相整流器为例进行说明，如图1所示，该方法包括以下步骤：

S1：设定三相整流电路的故障类型，采集所有故障类型对应的三相整流电路的输出电压数据作为训练集。

首先对三相整流电路的故障模型进行说明。三相桥式全控整流电路如图2 所示。正常工作状态下，晶闸管的导通顺序为T1-T2–T3–T4–T5–T6，整流输出电压一个周期将会脉动六次，且每次脉动的波形都一样，如图3所示。

晶闸管T1、T2、T3发生开路故障时，其输出电压的波形分别如图4-图6 所示。由图4、图5和图6的波形可知：不同故障类型输出电压的波形很相似； T2开路故障波形相当于T1滞后1/6个周期，T3开路故障波形相当于T2滞后 1/6个周期，其余晶闸管开路故障的特点也是如此。不同晶闸管发生短路故障时输出电压的特点与开路故障相似。现有的故障诊断方法很难将其有效的区分开。

该实施例中提取出了单一开关管、同一桥臂开关管和不同桥臂开关管共22 种开路故障类型，具体的故障类型和对应的故障代码如表1所示。

表1

针对每个故障类型，采集多个故障数据，其中每个故障数据包括多个故障特征，该实施例中为输出电压在一个周期内的不同时间点的多个电压数据。将包含所有故障类型的故障数据组成训练集。

S2：构建稀疏自编码器模型。将训练集输入稀疏自编码器模型后，对稀疏自编码器模型的模型参数进行训练后，得到训练后的模型。将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集。

稀疏自编码是指隐藏层特征具有稀疏响应特征(一般隐藏层特征的维数小于输入信号维数)，其结构如图7所示。

通常稀疏性的引入会使信号更加清晰，且计算方便。考虑到隐藏层的维数与输入的维数之间的关系，利用KL距离引入稀疏性约束。对于故障样本集

有隐藏特征的输出如式(1)所示。

Z＝f(W₁X+b₁) (1)

式中，W₁和b₁分别表示输入层的权重和偏置矩阵，经过Sigmoid激活函数 f(.)变换后得出中间层特征输出Z，其计算方法如式(2)所示。同理可以得出实际输出y，如式(3)所示。

y＝f(W₂Z+b₂) (3)

式中，W₂和b₂分别表示重构层的权重和偏置矩阵。通过如下公式(4)计算中间层输出每个节点的平均值。

式中，

表示中间层第j个单元的平均激活度，期望中间层每个节点的平均输出值尽量为零，大部分的中间层节点处于静默状态。为了量化中间层这种特性，通常假设中间层每个节点以一定的概率进行响应，且节点之间相互独立，一般会事先给每个点响应的期望值ρ(如ρ＝0.05)。进一步利用KL距离构造稀疏正则项为：

由式(5)可以看出，KL距离表示平均激活值和期望值之间的差异，ρ越接近于零，中间层平均激活度就越小，其目标函数是在最小二乘误差函数基础上，加入稀疏正则化项，得到稀疏自编码网络优化目标函数E为：

式中，y_n，r_n分别表示实际输出和期望输出。平均激活度越接近期望值，误差函数E越收敛于极小值。β是在原来的误差函数基础上增加的参数，用于控制稀疏性的权重。在训练网络是需要不断调整参数使β达到极小值。稀疏自编码器的训练采用误差反向传播算法，对输入层和重构层的权重和偏置进行调整。通过稀疏编码器得到的故障特征向量Z将作为宽度学习系统输入的一部分。

S3：构建宽度学习系统(Broad Learning System，BLS)模型，将训练集和步骤S2得到的中间数据集共同输入宽度学习模型中进行训练得到训练后的宽度学习模型。

下面对宽度学习系统进行说明。

假设使用Φ(XW_ei+β_ei)呈现输入数据X并投影数据，以成为第i个映射特征Z_i，其中W_ei和β_ei是具有适当尺寸的随机权重和偏置。类似的第j组增强节点Φ(Z_iW_hj+β_hj)表示H_j。当然两者之间的激活函数Φ也可以是不相同的。其原理如图8所示。

在宽度学习系统中，利用稀疏自编码器特性的优点，可以对W_ei进行调整。因此对于n个映射可以表示为：

Z_i＝φ(XW_ei+β_ei),i＝1,...n (7)

其中，W_hj和β_hj是随机生成的，将所有特征节点表示为Zⁿ＝[Z₁,…Z_n]，将n 个增强节点表示为：

H_i＝φ(Z_iW_hi+β_hi),i＝1,...n (8)

因此，宽度学习系统的输出可以表示为：

其中，Wⁿ表示输出层权重，竖线表示合并成一行。

由于W_hj和β_hj是随机生成的权重和偏置，因此Hⁿ和Zⁿ无法建立对应关系。该实施例中通过稀疏编码器将增强节点转换成其特征向量，并结合三相全桥电路输出电压特征。从而简化BLS模型如图8所示。

Z＝φ(W₁X+b₁) (10)

其中，φ表示神经网络激活函数，W^n+m表示权重系数。

为了减少网络训练过程中出现过拟合的情况，该实施例中采用L2范数作为损失函数E(W)惩罚项，如式(12)所示。

其中，σ，δ分别表示图9中宽度神经网络的实际输出和期望输出，k∈[1,q] 表示模型输出向量维数，

表示L2正则化项，

是用户指定的参数。其中||.||₂表示弗罗贝尼乌斯范数，其计算方法如式(13)所示。

同样宽度神经网络的权重和偏置也是通过梯度算法进行更新。通过对误差函数求导就能得到给定点的梯度，即可在误差大时增加调整值。连接权重调整值ΔW可以用式(14)表示。同理也可以得出权重系数W^n+m的更新方程如式(15) 所示。

其中，J表示步长，根据误差的程度用于权重的调整，t表示迭代次数。

表示当前权重更新值。

大多数神经网络算法中其步长一般是固定的与频率无关的常数(如J＝0.1)。固定步长方法不依赖于分离误差，由于样本具有特殊性，有时可能会出现收敛速度慢甚至无法收敛的情况。

如图10所示，若信号外部出现噪音或者其他环境变化的干扰，导致曲线会比先前估计的曲线更陡时，应当减小更新W的量，若使用固定步长，则更新的数量就会增加。当分离误差高时，应将步长设定为较大的值。相反当分离误差较小时，应将步长设置为较小的值。采用与E(W)梯度E’(W)成比例的方法可以加快算法收敛，如式(16)所示。

使用这种步长自适应方法，当分离误差很高时步长会增加，当误差很小时它会很低。但当数据样本量较少时，网络在训练过程中会出现误差梯度消失的情况，即：

其中，

表示权重系数W^n+m第q行第(n+m)列数值。梯度消失导致训练停止，而实际精度并未达到理想值。因此在实际计算过程中，应人为加入一个梯度补偿值γ(γ<<1)，使误差梯度不会降至零。即新的步长J^*计算公式为：

采用这种自适应步长的更新方法，可以加快网络训练的收敛速度。由式(18) 可以看出，假设当梯度接近临界值时，误差趋于常数ε。此时步长J^**与参数γ，ε有关，即：

由式(19)可以看出，当梯度趋于临界值时，此时步长是一个不受分离误差影响远大于1的常数，分离误差不但不减少，反而会出现增加的情况。该实施例中根据误差达到参考值η时，步长自动更新为常数l，避免因步长数值过大导致误差增加的情况，如式(20)所示。

误差参考值η取值一般大于误差收敛常数ε，当误差未达到参考值，步长可以根据式(21)进行更新，即：

如图11所示，训练误差随着迭代次数的增加而不断减少，梯度也会不断下降，但两者的比值始终是一个大于1的数。由图中A点可以看出，采用步长J_s误差降到参考值η的速度要比采用稳定步长l速率更快。

采用式(22)的步长更新策略，既可以加快算法收敛速度，同时也避免因步长数值过大导致误差曲线发散的情况。

S4：针对待诊断的电力电子变换器，通过采集其在一个周期的多个时间点的输出电压数据后，首先输入训练后的稀疏自编码器模型，得到输出的中间层数据(即特征数据)，再将输出电压数据和中间层数据共同输入训练后的宽度学习模型输出对应的故障类型代码，进而得到对应的故障类型。

仿真实验

该实施例中，采用Matlab平台进行仿真模拟实验。为了验证基于误差精度的自适应步长更新策略有效性，通过与固定步长算法进行比较，结果如图12和 13所示。

由图12可看出，在Bp分类训练背景下采用步长J_s误差降到A点(误差参考值η)的速度比采用稳定步长l速率更快。图13表明在BLS分类背景下，采用步长J_s要比J为0.1或者0.2固定步长收敛效果更为理想。

将分类实验应用于三相整流器故障识别，为了确认基于该实施例中的 (SAE-BLS)故障诊断方法的有效性，与SAE-DNN(稀疏自编码器-深度神经网络)、BP神经网络和BLS(宽度学习系统)三种方法进行比较。实验参数和结果如表2和表3所示。

表2

表3

从表3中可以看出，该实施例中方法在信噪比大于30db时，其测试精度均在90％以上；信噪比为35db时，测试精度为100％，与其它方法相比具有较高的分类精度和鲁棒性。

本发明实施例一为了实现电力电子变换器的非监督故障诊断，利用稀疏自编码器提取开关管发生故障信号的特征，采用一种基于误差精度自适应步长更新方法优化宽度学习分类器，能够有效的解决由固定步长带来的收敛速度慢的弊端，并将其与稀疏自编码器特征提取方法相结合用于诊断电力电子变换器的故障。三相桥式整流电路开关管故障诊断仿真实验表明了该实施例中方法的可行性，并且它与其他传统的方法具有较高的精度。需要说明的是，该方法还可以推广到其他类型电力电子电路的故障诊断中。

实施例二：

本发明还提供一种电力电子变换器故障诊断终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。

进一步地，作为一个可执行方案，所述电力电子变换器故障诊断终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电力电子变换器故障诊断终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述电力电子变换器故障诊断终端设备的组成结构仅仅是电力电子变换器故障诊断终端设备的示例，并不构成对电力电子变换器故障诊断终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电力电子变换器故障诊断终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。

进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit， ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电力电子变换器故障诊断终端设备的控制中心，利用各种接口和线路连接整个电力电子变换器故障诊断终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电力电子变换器故障诊断终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

所述电力电子变换器故障诊断终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (4)

1.一种电力电子变换器故障诊断方法，其特征在于，包括以下步骤：

S1：设定变换器的故障类型，采集所有故障类型对应的变换器的输出电压数据作为训练集；

S2：构建稀疏自编码器模型，通过训练集对稀疏自编码器模型进行训练后，将训练集输入训练后的稀疏自编码器模型得到模型的中间层输出的中间数据集；

S3：构建宽度学习模型，将训练集和中间数据集共同输入宽度学习模型中进行训练得到训练后的模型；步骤S3具体包括以下步骤：

S31：将训练集作为宽度学习模型的增强节点H_j，将对应的中间数据集作为宽度学习模型的映射特征Z_i输入宽度学习模型，则宽度学习模型的输出为：

Y＝[Z₁,...Z_n|H₁,...,H_n]Wⁿ

＝[Zⁿ|Hⁿ]Wⁿ

其中，Wⁿ表示输出层权重，竖线表示合并成一行；

S32：设定稀疏自编码器模型的中间层为：

Z＝φ(W₁X+b₁)

则将宽度学习模型转换为：

σ＝φ([X₁,...X_n|φ(XW₁+b₁)])

＝φ([X|Z]W^n+m)

其中，φ表示神经网络激活函数，σ表示宽度学习模型的实际输出，W^n+m表示系统的权重系数；

S33：设定权重系数W^n+m的更新方程为：

其中，E(.)表示宽度学习模型的损失函数，E'(.)表示损失函数的导数，δ表示宽度学习模型的期望输出，J表示步长，k∈[1,q]表示模型输出向量维数，t表示迭代次数；

S34：设定步J的更新方式为：

当满足E(W^n+m)≤η时，设定步长等于常数l；

当满足E(W^n+m)>η时，设定步长J为；

其中，η表示参考值，γ<<1表示梯度补偿值；

S35：对宽度学习模型进行迭代训练得到训练后的模型

S4：将待诊断变换器的输出电压数据输入训练后的稀疏自编码器模型得到中间层输出后，将输出电压数据和中间层数据共同输入宽度学习模型中，根据宽度学习模型的输出结果对其故障类型进行诊断。

2.根据权利要求1所述的电力电子变换器故障诊断方法，其特征在于：宽度学习模型采用L2范数作为损失函数，即：

其中，

表示L2正则化项，

为常数参数，||.||₂表示弗罗贝尼乌斯范数。

3.一种电力电子变换器故障诊断终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～2中任一所述方法的步骤。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～2中任一所述方法的步骤。

Images