CN111464022A - 一种基于多特征的dc-dc变换器关键器件参数辨识方法 - Google Patents

Abstract

一种基于多特征的DC‑DC变换器关键器件参数辨识方法，属于电力电子技术领域，解决了现有电力电子变换器主电路参数辨识方法中，存在建模复杂，需要引入的电流传感器，增加电路复杂度，易引发新的故障，且降低了待辨识器件所在电路的可靠性的问题。本发明获取待进行参数识别的DC‑DC变换器的M个关键元器件的参考信号和采样信号，采用遗传算法，分别对每个器件的特征进行选择，获取每个元器件的敏感特征，利用每个器件的敏感特征和参考特征向量，建立基于回归算法的变换器关键元器件参数辨识模型，获取每个关键器件的特征参数值。本发明适用于DC‑DC变换器器件参数识别。

Description

一种基于多特征的DC-DC变换器关键器件参数辨识方法

技术领域

本发明属于电力电子技术领域，具体涉及一种基于多特征的DC-DC关键器件参数辨识方法。

背景技术

如今，电力电子变换器在航空航天、交通运输、工业制造、电力等各个产业中得到广泛应用。电力电子变换器通常承担着核心的电能变换、电机驱动等作用，一旦发生故障，轻则设备损坏、停止工作，重则造成重大事故，危及人身安全。尤其在国防军事领域、民航、高铁等大型交通运输设备领域，对电力电子装备的安全性要求更高。其关键器件主要包括两类：一类是高灵敏度元器件，即该类器件的参数偏差对电路输出响应影响较大；二类是高退化率元器件，工作一段时间后，由于器件参数变化速率大，相对于其他器件参数偏差较大，对电路输出性能造成较大的影响。因此研究电力电子变换器的参数辨识技术，对于提高设备的维修效率，减少故障损失具有重要的经济及安全意义。

已有的电力电子变换器参数辨识方法，如果是基于模型的参数辨识方法，则不得不建立时域、频域和混杂系统等复杂的数学模型；侵入式辨识通常需要在原电路中引入电流传感器，增加电路复杂度，易引发新的故障，降低待辨识器件所在电路的可靠性。

发明内容

本发明的目的是为了解决现有电力电子变换器主电路参数辨识方法中，存在建模复杂，辨识结果可靠性差的问题，提出一种基于多特征的DC-DC变换器关键器件参数辨识方法。

本发明所述的一种基于多特征的DC-DC变换器关键器件参数辨识方法，具体包括：

步骤一、获取待进行参数识别的DC-DC变换器的M个关键元器件的参考信号和采样信号；其中，2≤M≤5；

步骤二、对参考信号和采样信号分别进行特征提取，获得参考特征向量和采样特征向量；所述采样特征向量的位数与参考特征向量的位数相同；

步骤三、采用遗传算法，分别对每个器件的采样特征向量进行选择，获取每个元器件的敏感特征；

步骤四、利用每个器件的敏感特征和参考特征向量，建立基于回归算法的变换器关键元器件参数辨识模型，获取每个关键器件的特征参数值。

进一步地，步骤一所述的获取待进行参数识别的DC-DC变换器的M个关键元器件的参考信号和采样信号的具体方法为：

采用仿真软件对DC-DC变换器进行仿真，通过改变M个关键元器件的参数状态，获取参考信号；

通过改变待进行参数辨识的DC-DC变换器的M个关键元器件的参数状态，采集输出信号作为采样信号；

每个关键器件获取P组采样信号和P组参考信号；其中，10≤P≤50。

进一步地，步骤一还包括对参考信号和采样信号进行预处理的过程，具体为：对参考信号和采样信号分别进行除去坏点后再进行插值拟合。

进一步地，步骤二所述的获得的参考特征向量采样特征向量的方法相同，具体为：

对每组采样信号或参考信号进行时域特征提取、频域特征提取、基于小波包分解的特征提取和PCA特征提取，并将获得的特征向量按照顺序进行排列，获得一组K维特征向量，K为特征的项数，20≤K≤50。

进一步地，步骤三所述的采用遗传算法对每个器件进行特征选择，获得每个器件的敏感特征的方法相同，具体为：

步骤三一、对遗传算法进行初始化；令遗传种群中的每个遗传个体的长度与采样特征向量的位数相同，所述遗传个体的每一位均为0或1，所述遗传个体的每一位为0或1的概率相同；

步骤三二、将集总欧式距离函数作为适应度函数，利用遗传算法获取适应度函数值高的遗传个体，并将适应度函数值最高的个体作为最优遗传个体；最优遗传个体中包括V个为1的位，其余位为0；

步骤三三、利用最优遗传个体与采样特征向量，将最优遗传个体中为1的位对应特征向量的特征作为敏感特征，获得V个敏感特征。

进一步地，步骤三二所述的集总欧式距离函数：

式中，J为集总欧式距离函数值，P为一个器件在不同参数情况下的采样样本数，k为特征向量中的特征数目，Y_ij为该器件在第j个参数情况下输出电压信号的第i项特征，

为P个样本的第i项特征的平均值。

进一步地，步骤四所述的回归算法包括：选用多元线性回归、支持向量回归、K近邻、决策树回归、随机森林回归和梯度加速回归方法。

本发明提出的一种基于多特征的参数辨识方法，可以将其应用于DC-DC主电路中关键器件的参数辨识中。不同于以往的电力电子变换器参数辨识方法，本发明提出的基于多特征的参数辨识方法为非侵入式辨识，只提取输出信号特征完成参数辨识，无需额外引入传感器，而且不需要建立复杂的数学模型，可以辨识电路中多个关键器件的参数，平均相对误差小于5.2％，取得了较好的辨识精度，这是目前传统电力电子变换器参数辨识方法所没有达到的效果。

附图说明

图1是本发明所述基于多特征的DC-DC变换器关键器件参数辨识方法的流程图；

图2是boost电路图；

图3是ESR单独变化时的辨识结果对比柱状图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述一种基于多特征的 DC-DC变换器关键器件参数辨识方法，具体包括：

步骤一、获取待进行参数识别的DC-DC变换器的M个关键元器件的参考信号和采样信号；其中，2≤M≤5；

步骤二、对参考信号和采样信号分别进行特征提取，获得参考特征向量和采样特征向量；所述采样特征向量的位数与参考特征向量的位数相同；

步骤三、采用遗传算法，分别对每个器件的采样特征向量进行选择，获取每个元器件的敏感特征；

步骤四、利用每个器件的敏感特征和参考特征向量，建立基于回归算法的变换器关键元器件参数辨识模型，获取每个关键器件的特征参数值。

本实施方式中所述的关键器件包括DC-DC变换器中的一个或多个电阻、电容、电感或晶体管，实现通过改变器件的参数，获取输出量的变化，采用本发明所述方法实现对参数进行识别。

进一步地，本实施方式中，步骤一所述的获取待进行参数识别的DC-DC变换器的M个关键元器件的参考信号和采样信号的具体方法为：

采用仿真软件对DC-DC变换器进行仿真，通过改变M个关键元器件的参数状态，获取参考信号；

通过改变待进行参数辨识的DC-DC变换器的M个关键元器件的参数状态，采集输出信号作为采样信号；

每个关键器件获取P组采样信号和P组参考信号；其中，10≤P≤50。

本实施方式中，在软件PSpice中建立DC-DC变换器仿真电路，依次改变DC-DC变换器M个关键元器件的参数状态，采集模拟的DC-DC变换器的输出信号，每个器件获取 P组参考信号；

在实际电路中依次改变DC-DC变换器M个关键元器件的参数状态，采集DC-DC变换器的输出信号，每个器件获取P组采样信号；其中，P的范围位10-50；PSpice是一种电路模拟软件，用仿真的数据作为参考，实测作为采样用来做参数辨识。

本实施方式无需引入电流传感器，降低了电路的复杂度，避免增加新的故障，且采用仿真获取参考信号，有效的提高了识别参数的可靠性。

进一步地，步骤一还包括对参考信号和采样信号进行预处理的过程，具体为：对参考信号和采样信号分别进行除去坏点后再进行插值拟合。

本实施方式在进行信号采样后要对采样的信号进行预处理，保证数据的有效性。

进一步地，步骤二所述的获得的参考特征向量采样特征向量的方法相同，具体为：

对每组采样信号或参考信号进行时域特征提取、频域特征提取、基于小波包分解的特征提取和PCA特征提取，并将获得的特征向量按照顺序进行排列，获得一组K维特征向量，K为特征的项数，20≤K≤50。

本实施方式中，每组采样信号或参考信号分别进行时域、频域、小波包分解、PCA特征提取，整理特征提取结果，构造特征向量的具体过程为：

提取均值

峰值X_P、最小值X_min、最大值X_max、方差σ²、标准差、σ、均方根X_rms、方根幅值X_r、峭度β、斜度α、峰峰值X_VPP共11个时域特征，编号为F1～F11；重心频率、均方频率、均方根频率、频率方差、频率标准差5个频域特征，编号为F12～F16；以db5 小波为母小波，对变换器输出电压信号进行3层小波包分解第一段能量占比，编号为F17； PCA的第一主成分，编号为F18。得到特征向量：F＝[F1 F2...F18]，共提取18项特征，。仅选取其中4个最能反映样本间差异的特征用于后续的参数辨识，为了选出最具代表性的 4个特征，使样本间差异最大化，将特征子集的集总欧氏距离作为适应度函数，即待优化的目标函数。

进一步地，步骤三所述的采用遗传算法对每个器件进行特征选择，获得每个器件的V 项敏感特征的方法为：

步骤三一、对遗传算法进行初始化；令遗传种群中的每个遗传个体的长度与采样特征向量的位数相同，所述遗传个体的每一位均为0或1，所述遗传个体的每一位为0或1的概率相同；

当原始特征共有K个，则个体长度为K，每一个遗传个体代表一个可能的特征选择子集，当个体中的某个基因位为“1”时，表示该基因位对应的特征被选入特征子集，为“0”时，表示该特征未被选用。例如，个体001001表示第3项、第6项特征被选用；

步骤三二、将集总欧式距离函数作为适应度函数，利用遗传算法获取适应度函数值高的遗传个体，并将适应度函数值最高的个体作为最优遗传个体；最优遗传个体中包括V个为1的位，其余位为0；其中，V为大于0小于或等于采样特征向量位数的整数；

所述集总欧式距离函数：

式中，J为集总欧式距离函数值，P为一个器件在不同参数情况下的采样样本数，k为特征向量中的特征数目，Y_ij为该器件在第j个参数情况下输出电压信号的第i项特征，

为P个样本的第i项特征的平均值。

所述遗传算法为模拟生物进化的过程，通过基因的复制、交叉、突变等操作产生下一代的解，逐步淘汰适应度函数值低的解，最终进化出适应度函数值高的个体，即最优个体。

步骤三三、利用最优遗传个体与采样特征向量，将最优遗传个体中为1的位对应特征向量的特征作为敏感特征，获得V个敏感特征。

进一步地，步骤四所述的回归算法包括：选用多元线性回归(Multiple LinearRegression， MLR)、支持向量回归(Support Vector Regression，SVR)、K近邻(K NearestNeighbor， KNN)、决策树回归(Decision Tree Regression，DTR)、随机森林回归(RandomForest Regression，RFR)和梯度加速回归方法(Gradient Boosting Regression，GBR)。

以MLR为例，具体计算过程为：

若器件参数Y与V项特征X₁，X₂，…，X_V之间具有线性关系，是V项特征的多元线性函数，称为多元线性回归模型，即：

Y＝β₀+β₁X₁+β₂X₂+…+β_VX_V+μ

其中Y为器件参数，X_j(j＝1，2，…，V)为V项敏感特征，β_j(j＝0，1，2，…，V)为V+1个未知参数，μ为随机误差项。

器件参数Y的期望值E(Y)与特征X₁，X₂，…，X_V的线性方程为：

E(Y)＝β₀+β₁X₁+β₂X₂+…+β_VX_V

称为多元总体线性回归方程，简称总体回归方程。

对于Y_i，X_1i，X_2i，…，X_Vi，(i＝1，2，…，P)，Y_i为第i个参考信号对应的器件参数、X_Vi为第 i个参考信号的第V项特征值，μ_i，(i＝1，2，…，P)为第i个参考信号的随机误差项。

其矩阵形式为：

即：Y＝Xβ+μ，

其中：

为器件参数的观测值向量；

为特征的观测值矩阵；

为总体回归参数向量；

为随机误差项向量。

总体回归方程表示为：E(Y)＝Xβ

由于参数β₀，β₁，β₂，…，β_V都是未知的，可以利用参考特征向量和参考器件值 (X_1i，X_2i，…，X_Vi；Y_i)对参数β₀，β₁，β₂，…，β_V进行最小二乘估计。若计算得到的参数估计值为

用参数估计值替代总体回归函数的未知参数β₀，β₁，β₂，…，β_V，则得多元线性样本回归方程：

其中

为参数估计值，

为Yi的采样辨识值，对每个器件分别建立回归模型，利用采样特征向量的敏感特征项和回归模型即可以分别实现采样信号的多器件参数辨识。

本发明所述方法，其应用于DC-DC主电路参数辨识中，该方法为非侵入式辨识，提取输出信号多域特征用于参数辨识，无需引入额外的传感器，而且不需要建立复杂的数学模型，取得了较好的辨识精度，这是传统的方法所没有达到的效果。

变换器电路中由于存在高灵敏度、高退化率元器件，当这些关键器件出现参数偏差，对电路多角度输出性能造成较大的影响。元件参数变化导致输出电压的不同特征发生变化，所以本发明提出的算法就是基于器件参数漂移导致输出多特征变化这一特性展开的。不同元器件参数变化，对其敏感的输出信号特征也不完全相同。因此本发明利用不同输出特征集作为辨识不同元器件参数的依据，算法的核心目标是选取对特定器件参数敏感而对其他器件参数不敏感的特征分别进行参数辨识。

输出电压信号的故障特征参数中一些重要的时域指标有平均值、均方根、峰峰值、斜度等。在进行特征指标选择过程中，若仅对其中某一特征参数进行提取，则可能出现特征信息不完整、无法准确描述特征信息等缺点，使得选择的特征不足以有效代表变换器的器件参数状态和电路工作状态，因此考虑提取多项时域特征。选择均值

峰值X_P、最小值X_min、最大值X_max、方差σ²、标准差σ、均方根X_rms、方根幅值X_r、峭度β、斜度α、峰峰值X_VPP11个时域特征，编号为F1～F11。

对信号进行时域分析简单直观，但无法体现信号的频域特性。因此，通过傅里叶变换将时域信号转化为频域信号，进行频谱分析，实现频域特征提取。提取重心频率、均方频率、均方根频率、频率方差、频率标准差5个频域特征，编号为F12～F16。

小波包分析可以分析局部特性，低频和高频信息都能够得到十分完整的体现，使时域与频域的分辨精度都得到相应的提高。所以，小波包分析特征有重要的参考价值。

以

表示第3层第m个频带的小波包系数。各个频带的信号能量

计算公式为：

上式中，

表示小波包分解系数，N为重构信号的长度。

设

为便于数据分析，对向量T进行归一化处理，令：

则可得到归一化后的向量

经大量仿真实验对比分析发现，选取db5小波为母小波，对变换器输出电压信号进行 3层小波包分解时，

具有最佳的样本间分离度，因此选取该特征为本文所提取的小波包变换特征，编号为17。

由于变换器输出电压信号具有周期性，为了更细致的体现输出信号随时间连续变化的特征，对变换器输出电压采样数据进行主成分分析，经仿真实验发现，变换器输出电压信号在无噪声、信噪比为70dB等情况下第一主成分几乎没有变化，因此，第一主成分受噪声影响较小，选用该特征，编号18。

综合上述特征提取的结果，得到特征向量：F＝[F1 F2...F18]。

特征选择是从一组数量为K的原始特征集合中选出数量为V(K＞V)的最优特征集。选择的过程是一个组合优化的过程，因此可以采用寻优算法来解决。遗传算法具有全局隐含并行性、易跳出局部极值的特点，适合作为特征选择算法。

采用遗传算法进行特征选择，对个体通常采用二进制编码。原始特征集合中每个特征由一个二进制基因位表示。由于原始特征共有K个，则个体长度为K。每一个遗传个体代表一个可能的特征选择子集，当个体中的某个基因位为“1”时，表示该基因位对应的特征被选入特征子集，为“0”时，表示该特征未被选用。例如，个体001001表示第3 项和第6项特征被选用。

遗传算法需要从一个种群开始，每一个遗传个体就是一个可能解，该种群由若干遗传个体组成。初始种群的生成采用随机方法，每个个体的每一位基因取到0或1的概率相等。

共提取K项特征，特征数量较多，其中可能存在特征冗余、特征不显著的情况，增加无效的计算量，因此仅选取其中V个最能反映样本间差异的特征用于后续的参数辨识，为了选出最具代表性的V个特征，使样本间差异最大化，将特征子集的集总欧氏距离作为适应度函数，即待优化的目标函数，集总欧式距离计算公式：

式中，P为某一器件在不同参数情况下的采样样本数，k为特征子集中的特征数目，Y_ij为该器件在第j个参数情况下输出电压信号的第i项特征，

为P个样本的第i项特征的平均值。

随机森林以决策树为基础，利用多个决策树进行分类、预测，能够处理分类、回归等问题。若是用于回归问题，则最终结果为所有节点求出的均值。

随机森林回归伪代码如下表所示：

表1随机森林回归伪代码

将遗传算法选出的V个特征作为输入，元件参数值作为输出，建立回归辨识模型。

以平均相对误差和最大相对误差作为指标，评价辨识精度，计算公式如下：

平均相对误差：

最大相对误差：

其它步骤及参数与具体实施方式一至三之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本发明以boost电路为例详细说明基于多特征的DC-DC关键器件参数辨识方法。首先，在PSPice软件中搭建仿真电路如图2所示。图中Rd＝0.01mΩ，C＝4700uF，ESR＝0.01Ω，L＝100uH。电路的关键元器件包括高灵敏度器件和高退化率器件，针对boost电路，关键元器件为电解电容、mosfet、电感。

初始时刻，电路电容值C、等效串联电阻ESR、电感L、mosfet导通电阻Rd等关键器件参数均处于标称值状态，选取初始时刻，以及C、Rd、L值以1％为步进，从标称值 100％参数漂移至标称值的70％，共31个时刻点提取输出电压，ESR取值如下表所示。

表2 ESR取值

对于ESR单独变化的31组参考信号进行预处理，构造参考特征向量，将18个特征标准化后，通过遗传算法选择出4个特征，使得ESR单独变化各样本的特征之间集总欧式距离最大。针对ESR单独变化样本的特征选择结果为：F6、F11、F12、F18，即标准差、峰峰值、重心频率、PCA最相关特征4项敏感特征。ESR单独变化时的辨识结果对比柱状图，如图3所示；

选用多元线性回归(Multiple Linear Regression，MLR)、支持向量回归(SupportVector Regression，SVR)、K近邻(K Nearest Neighbor，KNN)、决策树回归(Decision TreeRegression，DTR)、RFR和梯度加速回归方法(Gradient Boosting Regression，GBR)，将采样特征向量中遗传算法选出的四个特征作为输入，ESR值作为输出，分别进行参数分析。

参考特征向量及其器件值作为训练数据，采样特征向量及其器件值作为测试数据，分别通过MLR、RFR等方法进行参数辨识，对比各种方法的辨识效果。

表3 ESR辨识结果

可以看出，KNN方法的平均相对误差是1.79％，最大相对误差为5.24％，辨识精度在几种方法中最高，辨识效果较为理想，证明了该方法的实用性。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (7)

1.一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，具体包括：

步骤一、获取待进行参数识别的DC-DC变换器的M个关键元器件的参考信号和采样信号；其中，2≤M≤5；

步骤二、对参考信号和采样信号分别进行特征提取，获得参考特征向量和采样特征向量；所述采样特征向量的位数与参考特征向量的位数相同；

步骤三、采用遗传算法，分别对每个器件的采样特征向量进行选择，获取每个元器件的敏感特征；

步骤四、利用每个器件的敏感特征和参考特征向量，建立基于回归算法的变换器关键元器件参数辨识模型，获取每个关键器件的特征参数值。

2.根据权利要求1所述一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，步骤一所述的获取待进行参数识别的DC-DC变换器的M个关键元器件的参考信号和采样信号的具体方法为：

采用仿真软件对DC-DC变换器进行仿真，通过改变M个关键元器件的参数状态，获取参考信号；

通过改变待进行参数辨识的DC-DC变换器的M个关键元器件的参数状态，采集输出信号作为采样信号；

每个关键器件获取P组采样信号和P组参考信号；其中，10≤P≤50。

3.据权利要求1或2所述一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，步骤一还包括对参考信号和采样信号进行预处理的过程，具体为：对参考信号和采样信号分别进行除去坏点后再进行插值拟合。

4.根据权利要求1或2所述一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，步骤二所述的获得的参考特征向量和采样特征向量的方法相同，具体为：

对每组采样信号或参考信号进行时域特征提取、频域特征提取、基于小波包分解的特征提取和PCA特征提取，并将获得的特征向量按照顺序进行排列，获得一组K维特征向量，K为特征的项数，20≤K≤50。

5.根据权利要求1所述一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，步骤三所述的采用遗传算法对每个器件进行特征选择，获得每个器件的敏感特征的方法相同，具体为：

步骤三一、对遗传算法进行初始化；令遗传种群中的每个遗传个体的长度与采样特征向量的位数相同，所述遗传个体的每一位均为0或1，所述遗传个体的每一位为0或1的概率相同；

步骤三二、将集总欧式距离函数作为适应度函数，利用遗传算法获取适应度函数值高的遗传个体，并将适应度函数值最高的个体作为最优遗传个体；最优遗传个体中包括V个为1的位，其余位为0；

步骤三三、利用最优遗传个体与采样特征向量，将最优遗传个体中为1的位对应采样特征向量的特征作为敏感特征，获得V个敏感特征。

6.根据权利要求5所述一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，步骤三二所述的集总欧式距离函数：

式中，J为集总欧式距离函数值，P为一个器件在不同参数情况下的采样样本数，k为特征向量中的特征数目，Y_ij为该器件在第j个参数情况下输出电压信号的第i项特征，

为P个样本的第i项特征的平均值。

7.根据权利要求1、2、5或6所述一种基于多特征的DC-DC变换器关键器件参数辨识方法，其特征在于，步骤四所述的回归算法包括：选用多元线性回归、支持向量回归、K近邻、决策树回归、随机森林回归和梯度加速回归方法。

Images