基于核极限学习机的电力电子电路故障诊断的研究

摘 要：电力电子技术诞生于上世纪九十年代，紧接着就发展成为一门新兴的科学技术。电力电子器件主要完成对电能的控制和转换，这是电力电子技术的核心思想。在这一思想的引领下，其在改造传统产业、发展高新技术等多种领域里发挥着举足轻重的作用。从另一方面来讲就使得电力电子电路在不同领域的各类设备中取得了广泛的应用。因此对于它的故障检测与诊断就显得尤为重要，其一旦出现故障，轻则设备停机造成经济损失，重则导致人员伤亡。为此文章设计一种基于核极限学习机的电力电子电路故障诊断的方法，对于电力电子电路出错率较高的问题，利用Simulink软件搭建故障仿真模型。采集不同故障下单周期固定采样点数据，将此数据利用小波包分解重构的方法提取能量作为特征，并将该特征作为极限学习机故障分类输入。但因电力电子电路具有较强的非线性，传统的极限学习机算法得不到较好的分类结果。因此课题引入核函数的思想，利用核极限学习机的方法对其进一步分类测试，经过调整参数可以得到较好的分类效果，从理论的角度说明了此方法的合理性。

关键词：电力电子电路；simulink仿真；小波包；核极限学习机；故障诊断

中图分类号：TN710 文献标志码：A 文章编号：2095-2945（2017）30-0014-04

1 概述

随着电力电子技术的快速发展，电力电子产品在社会生产及生活等方面得到了广泛应用，如电气牵引装置、电力传动系统、航空电源、变频器等。电源或电机驱动器的核心部分通常由电力电子装置担当。因此，电力电子装置是整个工程电源系统的关键，一旦其发生故障将导致设备停产，造成巨大的经济损失，更有可能造成人员的伤亡，引发严重事故[1]。在一些有高可靠性要求的应用场合，如航空军事系统中，一旦其发生故障将会给国防安全带来严重危害。

三相整流电路广泛应用于电力电子装置中。晶闸管本身损坏以及触发脉冲一场导致的不导通和误导通都会使该晶闸管所在的整流电路发生故障并引发整流电压的畸变。因此，对电力电子电路实现在线实时监测和故障诊断显得很有必要。在对故障诊断快速性和准确性要求越来越高的同时，人们也不断寻找如何对三相全控整流电路中故障晶闸管快速、准确地定位，应用先进的算法实现智能故障诊断也越来越受到重视。对于故障诊断主要应用的方法有以下几种：

（1）信号处理的方法：其主要是确定故障检测有用信息，获取此类信息并对其进行相关分析操作，最终得出结论。其中信息分析的方法有傅里叶分析、小波變换，或者提取信号的幅值、相位、频率等信息。

（2）解析模型的方法：在确定诊断系统数学模型的基础

上，通过状态估计和参数估计的方法，确定系统故障的类别。但这种方法主要用于故障的前期检测，对故障发生后的分类就存在些许不足。

（3）基于知识的故障诊断：基于知识的故障诊断方法主要基于人工智能的学习算法，通过对系统各类故障进行学习，从而构建整个系统的故障诊断模型。对于复杂系统此方法同样具有适用性，只是故障诊断时间会相对延长。例如人工神经网络、支持向量机等算法。

2 整流电路及故障分类

2.1 三相桥式整流电路

目前在各种整流电路中，三相桥式可控整流电路是应用比较广泛的。通常将阴极连接在一起的称为共阴极组，即晶闸管（VT1、VT3、VT5），阳极连接在一起的称为共阳极组，即晶闸管（VT2、VT4、VT6）。同时在三相桥式整流电路工作时，为了保证晶闸管导通顺序依次为VT1～VT6，因此在对各晶闸管命名时，将三相桥共阴极组与a、b、c三相电源连接的三只晶闸管命名为VT1、VT3、VT5，共阳极组与a、b、c三相电源相连接的三只晶闸管为VT4、VT6、VT2，如图1所示。

工作原理：

为了搞清楚触发角α变化时个晶闸管导通顺序，分析整流后输出电压波形规则，本文选择α=00时整流后的输出波形加以说明。如图2为α=00的情况，即在自然换相点触发换相。

在第Ⅰ阶段，三相电压中Ua电压最高，因此共阴极组中晶闸管VT1被触发导通，与之对应的Ub电压最低，所以共阳极组的晶闸管VT6被触发导通，此时电流由a相经VT1流向负载，再经VT6流入b相，变压器a、b两相工作，共阴极组的a相电流为正，共阳极组的b相电流为负，加在负载上的整流电压为Ud=Ua-Ub=Uab。

经过600后进入第Ⅱ阶段，这时a相电压仍然最高，晶闸管VT1继续导通，同时最低电压由b相变为c相，在经过自然换相点后晶闸管VT2被触发导通，电流即从b相换到c相，此时晶闸管VT6因承受反向电压而关断，此时的电流回路为：a相流出经VT1、负载、VT6流回电源c相，对应变压器a、c两相工作，这时a相电流为正，c相电流为负。在负载上的电压为Ud=Ua-Uc=Uac。

再经过600后进入第Ⅲ阶段，此时最高电压变为b相，在经过自然换相点后，共阴极组晶闸管VT3被导通，电流即从a相换到b相，因电位依然最低c相晶闸管继续导通，此时变压器b、c两相参与工作，此时负载上的电压变为Ud=Ub-Uc=Ubc。

以此类推可以得到Uba，Uca，Ucb的电压。于是得到晶闸管的导通情况及输出整流电压的情况如表1所示：

2.2 三相整流电路仿真及故障分类

2.2.1 仿真建立及参数设置

（1）Simulink环境下仿真模块的建立

根据三相桥式全控整流电路结构搭建仿真平台，将所用各模块找到并放入文档中，对其进行电气连接，对于参数的设置可以通过双击模块器件，在对话框中进行设置。如图3为系统仿真接线图。

（2）模块各参数的设置

三相电源电压设置为404V，频率设置为50Hz，相角相差1200，Va的初相角设置为00。同步6脉冲触发器模块用于触发三相全控整流桥的6只晶闸管，同步6脉冲触发器可以给双脉冲，双脉冲间隔为600。将6脉冲触发器中发出的脉冲信号一次传送到对应的晶闸管中。

2.2.2 三相桥式整流电路故障分类

根据三相桥式整流电路的工作原理，晶闸管的导通顺序为：（VT6、VT1）-（VT1、VT2）-（VT2、VT3）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）。正常工作时整流输出电压每周期以相同的趋势脉动六次，即每工频周期由六个形状相同的波头组成。

当电路中晶闸管出现故障时，电压波形就会按照一定规律产生畸变。如VT1故障时，晶闸管的导通次序变为：（VT5、VT6）-（无）-（VT2、VT3）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）； 故障时，晶闸管的导通次序变为：（VT6、VT1）-（VT6、VT1）-（无）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）；当VT1、VT3故障时，晶闸管的导通次序变为：（VT5、VT6）-（无）-（无）-（VT4、VT5）-（VT4、VT5）-（VT5、VT6）；当VT1、VT2故障时，晶闸管的导通次序变为：（VT5、VT6）-（VT5、VT6）-（无）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）。综上所述，课题将故障情况分为以下7类[3]，见表2所示。

其中正常及7大类故障类型单周期波形如图4所示（触发角为30度）：

3 核极限学习机的分类应用

3.1 极限学习机算法原理

极限学习机（Extreme Learning Machine，ELM）是一种新型算法，此算法由南洋理工大学黄广斌教授提出。极限学习机针对单隐含层前馈神经网络结构，在运行过程中其输入层与隐含层之间的连接权值和隐含层神经元阈值的产生是随机的，并且在之后的训练中不再进行调整。整个过程中需要设置的参数只有隐含层神经元个数，最终通过严格的理论推理获得最优解的过程。极限学习机网络结构如图5所示。

极限学习机和BP神经网络的主要区别在于连接权值的设定。BP神经网络的所有连接权值是在训练过程中时刻迭代调整的，而极限学习机的连接权值只能在初始时刻随机给定，因而不需时刻调整。

由于电力电子电路存在较强的非线性，而传统的极限学习机在解决非线性分类问题中还存在一定不足。为了提高极限学习机得非线性分类性能，本文考虑结合支持向量机的核函数思想，将非线性的核映射引入到极限学习机中。核函数具有强大的非线性映射能力，能够克服维数灾难，对于线性不可分的问题可以映射到高维空间使其线性可分。基础的极限学习机是无核的，其只有一个隐含层，当输入权值给定以后，这个隐含层恰恰就是一个非线性的显式映射，将输入样本映射到另外一个空间中，使其在该空间线性可分，而实验发现，对于分类问题极限学习机常常需要较多的隐含层结点，这也就是说需要将样本映射到高维空间，这与核函数最初的思想是等价的，所以课题借鉴核函数内积的理论，可以不必采用这种显示的映射方式，而直接采用核函数来代替极限学习机隐藏结点的映射。经过研究发现将核方法与极限学习机结合起来理论和实践上都是可行的，它提高了极限学习机的稳健性和非线性逼近能力[4-6]。

3.2 电力电子电路分类实现

课题对仿真的各类故障下的整流电壓进行采样。由于电路中某处晶闸管发生故障后，输出波形为非平稳信号，并且不同故障下整流电压输出波形中各个频率成分的能量不同，为此课题提出了基于各频段能量作为特征的故障诊断识别信息。故障识别过程如图6所示。通过计算不同故障波形中各频率成分能量值作为核极限学习机分类特征，并对不同故障进行标签标识，在能够表征各个故障特征的同时，使得输入数据大大减少。

针对三相桥式整流电路正常及各类故障，因系统为阻感负载，其触发角变化范围是00-900，为此课题在仿真采样时，对于每一类故障采取触发角每间隔2.50进行采样，采样时间间隔为0.0002s，以A相电压由负变正过零点为采样起始点，每周期采样100个点，具体数据见表3。课题选取稳定后第二个周期的波形，首先将采样数据从Simulink中将其导入工作空间中，存入.mat文件。以上述单周期波形做小波包分解，然后对其分解后最终节点的低频和高频信号做能量计算，以此作为核极限学习机的故障特征，如表4所示。

3.3 核极限学习机分类结果

通过上述小波包分解重组后，将其波形能量作为特征。使用Matlab实现极限学习机（KELM）故障诊断算法。首先进行故障大类分类，其中包含7种故障类型；对于核极限学习机而言，其输入神经元个数为8，输出神经元个数为7，经过测试训练设置其他合适参数后，将标签定义后的各类故障输入，然后将上述数据进行归一化处理，将所有数据都转化为[0，1]之间的数。这样做的优点在于，取消了各维数据间数量级差别，减小由于输入数据数量级偏差过大导致的网络预测误差。

其次，将特征数据导入数据库，得到9维、1443组数据，前8维为故障特征信号，最后一维为故障类别标识。分别是一只晶闸管故障 组数据，并从中取出212组数据做训练，10组数据做测试；同一相电压的两只晶闸管故障 组数据，从中取出101组数据做训练，10组数据做测试；同一半桥两只晶闸管故障 组数据从中取出212组数据做训练，10组数据做测试；序号相邻的两只晶闸管故障 组数据，从中取出212组数据做训练，10组数据做测试；第五类故障 组数据，从中取出212组数据做训练，10组数据做测试；第六类故障 组数据，从中取出212组数据做训练，10组数据做测试；第七类故障 组数据，从中取出212组数据做训练，10组数据做测试；总计有1373组训练数据，和70组测试数据。根据故障类别标定信号的期望输出值。

最后，用训练好的KELM模型对故障诊断特征信号进行分类，极限学习机（KELM）故障诊断的识别结果如图7所示。

图中横坐标表示测量样本个数，纵坐标为故障标签标识，图中“o”代表真实故障类别，“*”代表KELM算法的预测结果。反映在图中即当“*”与“o”重合时代表该组测量参数识别准确；如果出现“*”偏离“o”的现象，即KELM算法预测错误。上述核极限学习机对七大类故障类型分类训练与测试准确率分别为：

训练集正确率Accuracy = 96.5134%（1218/1262）；

测试集正确率Accuracy = 91.4286%（64/70）。

由此可见核极限学习机在电力电子电路故障诊断方面具有较高的准确率。

4 结束语

本论文针对电力电子电路晶闸管容易出现故障的现状，通过Simulink仿真软件实现对其各类故障的波形仿真，并对固定周期采样后，将其波形数据通过小波包分解重构后，进行故障标签定义，同时利用核极限学习机的方法，高效准确地判断出故障类型。基于核极限学习机的电力电子电路故障诊断的研究为电力电子电路故障排查提供了一种快速有效的手段，全面提高了故障排查工作效率和质量。

参考文献：

[1]吴 .电力电子电路故障特征参数提取与健康预报研究[D].南京：南京航空航天大学，2008.

[2]刘华姿.基于虚拟仪器的电力电子整流装置的故障诊断系统研究[D].长沙：中南大学，2008.

[3]陈如清.大功率电力电子装置在线故障诊断[D].西安：西安理工大学，2004.

[4]遇炳杰.基于极限学习机的变庄器故障诊断[D].保定：华北电力大学，2014.

[5]马立新，范丽君.基于小波包神经网络的整流电路晶闸管故障识别[J].能源研究与信息，2016（1）：45-50.

[6]林敏.极限学习机在航空发动机气路故障诊断中的应用[D].上海：上海交通大学，2015.