基于PSO-NGM模型的电力电子电路故障预测方法.pdf

电气与自动化 朱宝琳 等 基于 P S O N G M模型的电力电子电路故障预测方法 基于 P S O N GM 模型 的电力电子 电路 故障预 测方法 朱宝琳 ， 陈则王 ， 贾云涛 ( 南京航空航天大学 自动化学院 ， 江苏 南京 2 1 0 0 1 6 ) 摘要： 针对现有电力 电子电路故障预测技术的不足 ， 提 出了将电路特征性能参数和粒子 群 非 齐次灰 色模型 P S O N G M( p a r t i c l e s w a r m o p t i mi z a t i o n n o n h o m o g e n o u s g r e y mo d e 1 ) 模 型 结合 。 对 电力 电子 电路进 行 故 障预 测 。 以 B u c k B o o s t电路 为例 选 择 电路 输 出 电压作 为 监测信号， 提取输 出电压平均值和纹波值作为电路特征性能参数 并利用 P S O NG M预测 模型实现故障预测。实验结果表明 利 用 P S O N G M 对电路 输 出平均 电压和输 出纹波电 压的预测相对误差很小， 能够跟踪故障特征性能参数的变化趋势 有效 实现 电力电子 电路 故 障预 测。 关键词： 电力电子电路 ； 故障预测； 特征性能参数； 粒子群非齐次灰色模型 中图分类号 ： T P 2 0 6 3 文献标 志码 ： B 文章 编号 ： 1 6 7 1 5 2 7 6 I 2 0 1 5 ) 0 5 0 1 5 5 0 4 Re s e a r c h o n Fa u l t Pr e d i c t i o n M e t ho d o f Po we r El e c t r o n i c Ci r c u i t s Ba s e d o n Pa r t i c l e Swa r m Op t i mi z a tio n No n- h o mo g e n o us Gr e y M o d e l Z HU Ba o l i nCHE N Z e w a n g。J I A Yu n t a o ( Na n j i n g U n i v e r s i t y o f A e r o n a u t i c s a n d A s t r o n a u t i c s ， Na n j i n g 2 1 0 0 1 6 ，C h i n a ) Abs t r a c t：Ai ming a t t h e is s u e e x is t in g i n t h e f au lt pr e dic t i o n t e c h niqu e o f p ower ele c t r o nic cir c uit s，t h i s p ap e r p r op o s es t h a t t h e c h a r - a c t e r is t i c p a r a me t e r d a t a is u s e d wit h t h e p a r t ic l e s wa r m o p t i miz a t io n n o n h o mo g e n o u s g r e y mo d e l ( P S O- NGM)t o p r e d ic t t h e p o we r e l e c t r on ic c i r c uit s f a i l u r e The Bu c k - B oo s t co n v ert e r c i r c uit is t a k en a s a n e x amp l e t o pr ed ic t it s f ail u r e Th e o u t p u t v o lt a g e i s s e l e c t e d a s mon it or i n g s ign a l an d t h e a v e r ag e v o lt a g e a n d r ipp le v olt ag e a r e e x t r a c t e d a s c h a r a cte r is t i c p ar ame t er s，t h e n t h e PSO- NGM algo mh m i s u se d t o pr e dic t Bu c k - Bo o s t c on v ert er c ir c u it Th e ex p er i me n t al r es u lt s s h o w t h a t u s i n g t h e PSO NGM algo r it hm t o pr e dic t t h e a v e rag e v olt ag e a n d r i p p l e v o lt a g e，i t s e r r or is sma l ler Th e n e w me t h o d c a n b e u s e d t o t r a c e t h e c h ar a cter is t ic p a r a me t e r t r e n d a n d p r ed ic t he f a i l u r e of p o we r ele c t r o nic c i r c u it s e ff e c t i v e l y Ke ywo r ds：p o we r ele c t r o nic c ir c u it s；f a u l t p r ed i c t ion； c h a r a c t e r is t i c p a r a me t e r ；p ar t ic l e s war m o p t i miz a t ion n o n ho mo ge n ou s g r e y mo d el 0 引言 随着电力电子技术的进步 。 电力电子装置得到快速的 发展并广泛应用于人们的生活、 传统工业和高新技术产业 等领域。电力电子装置一旦发生故障， 小则造成电器产品 损坏、 交通阻塞 、 工矿企业停产， 大则会威胁人民生命、 财 产安全 造成重大的人员伤亡和灾难事故。对电力 电 子装置进行故障预测可以有效监测系统故障状况及故障 发展趋势， 实现对系统的事先维修 ， 避免重大事故的发生， 因此电力电子装置的故障预测技术对提高整个系统的安 全性和可靠性具有十分重要的意义。 目前无人机 、 雷达系统等健康预测研究 比较热， 机载 电子设备故障预测技术研究也逐步受到重视。现有故障 预测算法种类繁多。 其中包括： 贝叶斯估计、 曲线拟合法 自 回归滑 动 平 均 模 型 A R M A( a u t or e g r e s s i v e mo v i n g a v e r a g e ) 模 型_ 2 、 人工神经 网络 A N N( a r t i fi c i a l n e u r a l n e t w o r k s ) 】 、 蚁群算法 A C O( a n t c o l o n y o p t i mi z a t i o n ) 5 - 6 1 、 支 持向量机 S V M( s u p p o v e c t o r m a c h i n e s ) 、 灰色系统 G M ( gre y m o d e 1 ) 、 遗传算法 G A( g e n e t i c a l g o ri t h m s ) 、 粒子 滤波 P F ( p a r t i c l e fi l t e r ) 0 等智能处理算法。时间序列预 测方法对序列变化比较均匀的短期预测情况较为理想 ， 优 点是所需历史数据少 、 工作量少， 但该方法在非线性预测 中预测效果较差 。神经 网络方 法在非线 性领域 中得 到广 泛的应用， 但该方法存在容易陷入局部最优、 收敛速度慢 等缺点。灰色系统以“ 部分信息 已知， 部分信息未知” 的 “ 小样本” 、 “ 贫信息” 不确定系统为研究对象 ， 通过对部分 已知信息的开发。 提取数据内部隐含的系统特征 ， 实现对 系统运行规律的正确认识 ， 在故障预测领域具有很好的发 展前景 。 。 现针对电力电子电路级故障预测 提出了粒子群非齐 次灰色系统模型P S O - N G M( p a rt i c l e s w a r l Y l o p t i mi z a t i o n n o n h o m o g e n o u s gre y m o d e 1 ) 的电力电子电路故障预测新方 法， 其基本思想为： 优选电路级故障特征性能参数 ， 利用 P S O N G M模型预测所选特征性能参数， 实现电力电子电 路的故障预测。 作者简介 ： 朱宝琳( 1 9 8 8 - )， 男， 江西九江人 ， 硕士研究生 ， 研究方向为电力电子电路故障预测。 Ma c h i n e B u il d in g Au t o m a t i o n ，O c t 2 0 1 5， 4 4 ( 5 ) ： J 1 5 8 l 5 5 电气与自动化 朱宝琳， 等 基于 P S O N G M模型的电力电子电路故障预测方法 1 电力电子 电路故 障预测方法 1 1 特征性能参数提取 要实现电力电子电路的故障预测 首先必须优选合适 的电路故障性能特征参数。对于不同的电路。 需要根据电 路的功能和结构特点， 确定能够反映电路健康状态的特征 性能参数。以图 l 所示非理想情况下的 B u c k - B o o s t 电路 为例。 分析电力电子电路故障特征性能参数提取过程。 图 1 非理想情况 下 B u c k B o o s t 主电路的原理 图 在图 1中 对 B u c k B o o s t 电路的特性分析假设： 1 ) 不 计功率开关管的寄生电容， 设其导通电阻为 ， 关断电阻 为无穷大； 2 ) 二极管结电容影响不计 ， 正向压降为 ， 正 向导通电阻为 R ， 关断 电阻无穷大 ； 3 ) 忽略 电感 寄生 电容 的影响， 其等效串联电阻为 R 4 ) 电容等效串联电阻 为 E S R。 a )特征性能参数的选择 B u c k B o o s t 电路的功能是实现 D C D C的升降压转 换。由于有充放电过程， 其输出电压并不是理想的直流电 压， 而是有一定的波动。一般 B u c k B o o s t 电路输出电压 的直流值、 纹波值都在一定波动范围内， 才能满足电路输 出要求。因此， B u c k B o o s t 电路输出电压是否满足要求是 其 电路性能最重要的衡量标准 。据此分析 ， 可监测 电路输 出电压， 提取输出平均电压及纹波电压作为电路故障特征 性能参数 。 对电路的健康状态进行评估。 b )特征性能参数的计算 1 )输出电压平均值。根据均值定理， 以稳态时电路 输 出电压 “ 为监测变量 ， 进行 采样 ， 得 到 电压 波形 数据 ， 由式( 1 ) 可求得输出电压平均值 ， 其中： 为采样点数， ( i ) 为电路输出电压的第 i 个采样点。 1 = 音 “ 。 ( i ) ( 1 ) 1 i=1 2 )纹波 电压 。纹波 电压是 指输 出电压 的交流 分量 ， 可以用有效值或峰值表示。选择峰一 峰值表示纹波的大 小。监测稳态时电路输出电压， 得到输出电压的波形数 据 。 提取其最大 、 最小值 ， 两者之差 即为纹 波电压 的峰一 峰 值 。 1 2 P S o NGM 预 测模 型 灰色预测的思想是原始序列累加后符合指数光滑序 列趋势， 而很多实际数据并不满足这个标准。由于非齐次 方程 = 锻 + + c 可通过适当的选取系数去拟合类似单一 直线。 二次曲线、 抛物线等曲线形式。因此将指数方程与 1 56 二次方程结合去拟合累加生成后的序列 “ ( t ) ， 就可以 去拟合所有二次方程和指数方程组成的曲线形式。根据 该思路 ， 将累加序列的拟合方程式表示为： ( t ) =C l e “ + C 2 t + C 3 + C 4 ( 2 ) 其中： V ， C ， C ， C 3 ， C 为待定系数。 1 )初 始化 过程 包括粒子群的个数； 最大迭代次数； 最大权值 ； 最小权 值： 最大速度 ； 粒子初始位置和初始速度的设置。这里粒 子 即待估参数 V 。 2 )数据累加过程 记原始数据序列 为非 负序 列 ： X 。 = 。 ( 1 )， 。 ( 2 )， 。 ( 3 ) ， ， 。 ( n ) 其 中： ( k ) I0 ， =1 ， 2 ， ， 7 , 待预测的第 n + l 期， 第 n + 2期， 的值为： ( + 1 ) ， 。 ( n + 2 ) ， 原始数 据进 行 1 一A G O( 一次 累 加)生成 的序 列 为 ”： X = ( 1 )， ( 2 )， ( 3 )， ( n ) 其中： ( ) =Xx ( i ) ， =1 ， 2 ， ， n 3 )参数 C ， C ， C ， ， C 的求解过程 得到最优粒子 的值后 ， 令： A： l l 2 l ，B： C= Cl C2 C3 C4 ( 3 ) 应用最小二乘法可求得参数 C 。 ， C ： ， C ， C 的估计值： C=( A A)I 1 A B ( 4) 4 )数据 还原 过程 将计算得到的V ， C 。 ， C ， C ， ， C 带入式 ( 2 ) ， 通过累减 还原得到原始数据序列的预测值为： 。 ( t ) = ( t ) 一 ( k 一 1 ) ( 5 ) 5 )粒子速度和位置更新过程 适应度函数选取训练数据模拟值与实际值的误差和， 每次循环对所有粒子得到的误差和比较， 求取全局最优粒 子和最小误差和。 结合下式修改粒子的速度和位置 ： ( +1 ) ：W V ( t ) + c l x r a n d ( ) ( p b e s t q - ( t ) ) + c 2 x r a n d ( ) ( g b e s tj ( ) ) ( 6 ) ( t + 1 ) = ( t ) + ( f +1 ) ( 7 ) 式中： p b e s t ， g b e s 分别代表叠代过程 中找到的粒子最优 解和种群最优解， r a n d ( ) 是 ( 0 ， 1 ) 范围内的随机数 ； c 。 ， c ： 为粒子加速度常数； W表示惯性权重。在 P S O迭代过程 中 W值一般根据不同时刻粒子的情况进行动态调整。一 般取 ： = ( W m a x - W ) ( t in X - t ) t + ( 8 ) 其中， W 、 W 分别为最大、 最小惯性权重； t 为最大迭 代次数。 1 3 电力电子电路故障预测 确定电路故障特征性能参数， 获得历史及当前时刻故 障特征性能参数数据， 利用 P S O - N G M预测算法对该数据 h t t p ： Z Z HD c h i n a j o u r n a 1 n e t e n E - ma i l ： Z Z H Dc h a i n a j o u ma 1 n e t c a 机械制造与 自动化 ， L 电气与自动化 朱宝琳。 等 基于P S O N G M模型的电力电子电路故障预测方法 进行建模， 获得故障特征性能参数变化趋势模型 预测未 来时刻故障特征性能参数值， 对该值进行分析便可实现对 电力电子电路的故障预测。 电力电子电路进行故障预测实现流程如图2所示。 粒子初始化 训练数据累加 r一 求c l ， c 2 ， c 3 ， c 4 二二二工二二二 求解时间响应函数 二二二 序列累减还原 I 计算适应度函数， l求全局最优粒子v =二二工二 I 修改粒子 1 位置和速度 否1一 + 0 3 V时 ， 电路性能不能满足负载需 求， 即认定电路发生故障。本电路正常工作输出平均电压 为一 5 8 3 8 1 V， 纹波值 0 1 3 7 2V， 由表 3中P S O N G M模型 对电路未来 6 个 时刻点 的输 出电压预测结果看 出， 该模 型 能够成功预测在未来第 5个时刻之后电压均值和纹波值 不满足要求， 与实际情况一致。从图 4和图 5 可以看出原 始的 G M模型并不能完成对电路输出电压故障的预测。 3 结 诊 一 V 对电力电子电路故障预测技术进行了研究， 将电力电 子电路级故障特征性能参数与 P S O N G M模型相结合实 现了电力电子电路级故障预测。文中以典型电路 B u c k B o o s t 电路为例进行了实验验证， 证明了所提模型的有效 性和可行性 。所提预测思想 能够推 广应用 于其他 电力 电 子电路 其关键在于确定不同的电力电子电路对应的电路 级故障特征性能参数 。 参考文献： 1 杨荫福 ， 段善旭 ，朝泽云 电力电子装置及 系统 M 北京 ： 清华大学出版社 2 0 0 6 2 Wu W， H u J ， Z h a n g J P r o g n o s t i c s o f Ma c h i n e H e a l t h C o n d i t i o n u s i n g a n I m p r o v e d AR I MA b a s e d P r e d i c t i o n m e t h o d C ： I E E E， 2 0 0 7： 1 0 6 2 1 0 6 7 3 李瑞莹 ，康锐 基 于 A RMA模 型的故 障率预测 方法研究 J 系统工程与电子技术 ， 2 0 0 8 ， 3 0 ( 0 0 8 ) ： 1 5 8 8 ， 1 5 9 1 4 Y a n g G， Wu X F a u l t p r e d i c t i o n o f s h i p ma c h i n e r y b a s e d o n g r a y n e u r al n e t w o r k m o d e l C ： I E E E， 2 0 0 7 ： 1 0 6 3 1 0 6 6 5 G o e b e l K S a h a B，S a x e n a A， e t a 1 P r o g n o s t i c s i n b a tt e ry h e a l t h ma n a g e me n t J I n s t r u me n t a t i o n Me a s u r e m e n t Ma g a z i n e ， I E E E， 2 0 0 8 ， l 1 ( 4 ) ： 3 3 4 0 6 唐 阳山，方嫒 ，白艳 ，等 基 于蚁群算法 的交 通 出行 生成预 测方法 的研 究 及应 用 J 辽 宁 工业 大 学学 报 (自然 科学 版) ， 2 0 0 9 ， ( 0 2 ) ： 1 0 8 1 1 0 7 Wa n g Q， Z h a n g S， K a n g R R e s e a r c h o f s ma l l s a mp l e s a v i o n i c s p r o g n o s t i c s b a s e d o n S u p p o rt Ve c t o r Ma c h i n e C ， P r o gno s t i c s a n d S y s t e m H e a l t h Ma n a g e m e n t C o n f e r e n c e( P H M S h e n z h e n ) ， 2 0 1 1 ， ( 1 1 ) ： 1 5 8 G u J ， V i c h a r e N， A y y u b B ， e t a 1 A p p l i c a t i o n o f G r e y P r e d i c t i o n Mo d e l f o r F a i l u r e P rogno s t i c s o f E l e c t r o n i c s J 1 I n t e r n a t i o n a l J o u r n a l o f P e r f o r m a b i l i t y E n g i n e e r i n g ， 2 0 1 0， 6 ( 5 ) ： 4 3 5 9 C a m c i F S y s t e m Ma i n t e n a n c e S c h e d u l i n g Wit h P r o g n o s t i c s I n f o r - ma t i o n U s in g G e n e t ic A l g o r i t h m j R e l i a b i l i t y ，I E E E T r a n s a c t i o n s o n ， 2 0 0 9 ， 5 8 ( 3 ) ： 5 3 9 - 5 5 2 1 0 L i u J ， Wa n g W， Ma F A r e g u l a r i z e d a u x i l i a r y p a r t i c l e fi l t e r i n g a p p r o a c h for s y s t e m s t a t e e s t i ma t io n a n d b a t t e ry l if e p r e d i c t i o n J S m a r t Ma t e ri a l s a n d S t r u c t u r e s ， 2 0 1 1 ， 2 0： 0 7 5 0 2 1 1 1 崔杰 ， 党耀 国，刘思峰 一种新 的灰色预测模型及其建模 机 理 J 控制与决策， 2 0 0 9 ， ( 1 1 ) ： 1 7 0 2 - 1 7 0 6 收稿 日期 ： 2 0 1 40 2 2 4 h t t p ： Z Z HD c h i n a j o u r n a 1 n e t c n E - m a il ： Z Z H D e h a i n a j o u r n a 1 n e t c n 机械制造与 自动化