Application of Optimized SVM and AIWCS in Fault Diagnosis

of Grid-connected Inverter

廖俊勃1　帕孜來·馬合木提1　支　嬋2

(新疆大學(xué)電氣工程學(xué)院1，新疆 烏魯木齊　830047;西安工業(yè)大學(xué)機(jī)電工程學(xué)院2，陜西 西安　710021)

AIWCS優(yōu)化SVM在并網(wǎng)逆變器故障診斷中的應(yīng)用

Application of Optimized SVM and AIWCS in Fault Diagnosis

of Grid-connected Inverter

廖俊勃1帕孜來·馬合木提1支嬋2

(新疆大學(xué)電氣工程學(xué)院1，新疆 烏魯木齊830047;西安工業(yè)大學(xué)機(jī)電工程學(xué)院2，陜西 西安710021)

摘要：風(fēng)力發(fā)電并網(wǎng)逆變器的故障診斷是確保風(fēng)電系統(tǒng)運(yùn)行可靠和安全的關(guān)鍵。支持向量機(jī)是故障診斷的一種有效方法。為解決參數(shù)選擇的不確定性，引入自適應(yīng)慣性權(quán)重布谷鳥(AIWCS)算法來尋求懲罰參數(shù)和核函數(shù)參數(shù)的最優(yōu)組合，提出基于自適應(yīng)慣性權(quán)重布谷鳥算法優(yōu)化支持向量機(jī)的風(fēng)力發(fā)電并網(wǎng)逆變器故障診斷方法。以三相并網(wǎng)逆變器為例進(jìn)行仿真試驗(yàn)，對(duì)其中電力電子元件IGBT故障進(jìn)行診斷。仿真結(jié)果表明，與遺傳-支持向量機(jī)和粒子群-支持向量機(jī)方法相比，AIWCS具有優(yōu)化時(shí)間短、診斷精度高等特點(diǎn)。

關(guān)鍵詞：風(fēng)力發(fā)電并網(wǎng)逆變器自適應(yīng)慣性權(quán)重布谷鳥算法支持向量機(jī)故障診斷

Abstract：Fault diagnosis of the grid-connected inverter is the key to ensure the reliability and safety of wind power generation system. Support vector machine (SVM) is an effective method for the fault diagnosis, in order to solve the uncertainty of parameter selection; the adaptive inertia weight cuckoo search (AIWCS) algorithm is introduced to seek out the optimal combination of penalty parameter and kernel function parameter. The fault diagnosis method based on AIWCS algorithm and optimized SVM for grid-connected inverter in wind power generation is proposed. With three-phase grid-connected inverter as example, the simulation experiments are conducted, fault diagnosis of the power electronic device insulated-gate bipolar transistor (IGBT) is implemented. The results show that comparing with genetic algorithm SVM and particle swarm optimization SVM; the AIWCS-SVM possesses shorter optimization time and high diagnostic accuracy.

Keywords：Wind power generationGrid-connected inverterAdaptive inertia weight cuckoo search (AIWCS) algorithm

Support vector machine (SVM)Fault diagnosis

0引言

風(fēng)力發(fā)電并網(wǎng)逆變器是風(fēng)電系統(tǒng)提供優(yōu)質(zhì)電能的重要環(huán)節(jié)，也是研究的熱點(diǎn)問題[1-5]。為了確保風(fēng)電系統(tǒng)的可靠性和安全性，并網(wǎng)逆變器的故障診斷是十分必要的。

在研究逆變器的故障時(shí)，主要是針對(duì)逆變器中半導(dǎo)體的故障而討論,隨著研究的不斷進(jìn)行，其故障診斷方法越來越多樣化。文獻(xiàn)[6]提出了離散傅里葉變換的歸一化方法，并與其他故障診斷方法做了對(duì)比，解決了動(dòng)態(tài)時(shí)誤問題，但缺點(diǎn)是只能進(jìn)行單管故障。文獻(xiàn)[7]提出了開關(guān)建模方法，該方法診斷時(shí)間短，能進(jìn)行單管和橋壁的開路故障，但需要增加一些電子元件。文獻(xiàn)[8]提出了檢測各相電流正負(fù)半波部分頻率方法,對(duì)地鐵輔助逆變器中單管和雙管進(jìn)行準(zhǔn)確的開路故障，但是這種方法只能適用于調(diào)制方式的逆變器。

本文應(yīng)用布谷鳥(cuckoo search，CS)算法,它是模擬某些種類的布谷鳥育雛來有效求解最優(yōu)化問題的演化算法。該算法簡單，參數(shù)少，并引入Lévy飛行搜索機(jī)制，增加了搜索范圍。為了避免CS算法陷入局部最優(yōu)，提高全局尋優(yōu)能力和尋優(yōu)精度，在算法中加入了自適應(yīng)慣性權(quán)重(adaptive inertia weight，AIW)用于對(duì)支持向量機(jī)(support vector machine,SVM)參數(shù)的優(yōu)化。針對(duì)風(fēng)力發(fā)電并網(wǎng)逆變器的故障診斷，提取故障特征向量，并作為診斷方法的輸入值，確定輸出目標(biāo)值，然后進(jìn)行診斷。將本文提出的AIWCS算法與遺傳算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)進(jìn)行比較,可以得到AIWCS-SVM算法運(yùn)行時(shí)間更短、診斷精度更高。

1支持向量機(jī)

支持向量機(jī)(SVM)由Vapnik首先提出[9]，主要思想是建立一個(gè)分類超平面作為決策曲面，使得兩類之間的隔離邊緣被最大化。它避免了人工神經(jīng)網(wǎng)絡(luò)等方法的網(wǎng)絡(luò)結(jié)構(gòu)選擇、過學(xué)習(xí)和欠學(xué)習(xí)，它可以提供一個(gè)在大量訓(xùn)練數(shù)據(jù)之間只有少數(shù)向量的全局優(yōu)化的分離邊界。近幾年,支持向量機(jī)在工程中得到大量應(yīng)用[10-12]。

假設(shè)樣本集T={(xi,yi)|i=1,…,n},其中xi∈Rd，y∈{-1,1}，選用合適的懲罰參數(shù)C和核函數(shù),并利用Lagrange優(yōu)化方法[13]，則有：

(1)

(2)

構(gòu)造的決策函數(shù)為：

(3)

式中：K(xi,x)為一個(gè)進(jìn)行非線性映射到特征空間的多項(xiàng)式核函數(shù)。

核函數(shù)有多種類選擇[14]：多項(xiàng)式核函數(shù)、徑向基(RBF)核函數(shù)、sigmoid核函數(shù)。本文選擇徑向基核函數(shù)：

K(xi,x)=exp(-||x-xi||2/2σ2)

(4)

針對(duì)SVM研究，選取徑向基核函數(shù)是因?yàn)閺较蚧撕瘮?shù)局部性較優(yōu)，不但能實(shí)現(xiàn)非線性映射，而且參數(shù)少，使其整個(gè)模型復(fù)雜程度減少。但是對(duì)于其中懲罰參數(shù)C和徑向基核函數(shù)中參數(shù)σ需要進(jìn)行選擇。本文使用的自適應(yīng)布谷鳥算法可以自動(dòng)選擇其最佳的參數(shù)，使其性能達(dá)到最好。

2自適應(yīng)慣性權(quán)重布谷鳥算法

2.1　布谷鳥算法

布谷鳥算法是劍橋大學(xué)學(xué)者YangXinshe和SDeb在2009年提出的新興啟發(fā)算法，是受布谷鳥尋巢孵蛋行為啟發(fā)而提出的一種新的群智能優(yōu)化方法[15]。布谷鳥算還結(jié)合了Lévy飛行搜索機(jī)制[16-17]，將Lévy分布應(yīng)用其中有利于擴(kuò)大搜索范圍，增加了群多樣性。布谷鳥算法具有運(yùn)算簡單、參數(shù)少、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。

在CS算法中構(gòu)造了三條理想化規(guī)則。

① 每個(gè)布谷鳥一次只孵一個(gè)蛋,并放置在一個(gè)隨機(jī)選擇的鳥巢中;

② 最優(yōu)的卵將保留到下一代;

③ 可供選擇的鳥巢數(shù)量N是固定的,布谷鳥卵被發(fā)現(xiàn)的概率為Pa∈[0,1]。

在布谷鳥尋找最優(yōu)質(zhì)的鳥巢過程中，位置更新公式為：

(5)

Lévy(λ)~μ=t-λ1<λ≤3

(6)

根據(jù)文獻(xiàn)[17]計(jì)算Lévy隨機(jī)數(shù)：

(7)

μ和υ符合正態(tài)分布，且：

(8)

2.2　自適應(yīng)慣性權(quán)重布谷鳥算法

CS算法被證明其性能接近于標(biāo)準(zhǔn)的粒子群優(yōu)化算法(PSO)和差分演化算法(differential evolution，DE)[18]。但是和其他智能優(yōu)化算法一樣，CS算法也有后期速度慢、精度不高、局部搜索能力不強(qiáng)等缺點(diǎn)。為了提高全局尋優(yōu)能力，使CS算法有較好的收斂速度和尋優(yōu)精度，本文對(duì)CS算法進(jìn)行改進(jìn)，在算法中加入自適應(yīng)慣性權(quán)重(adaptive inertia weight，AIW)。改進(jìn)后算法稱為自適應(yīng)慣性權(quán)重布谷鳥 (AIWCS) 算法。

在CS算法中，每個(gè)鳥窩的位置是隨機(jī)的，為了獲得更大的搜索空間，搜索更多新的區(qū)域，本文引入自適應(yīng)慣性權(quán)重ωi，使其在布谷鳥尋找最優(yōu)質(zhì)的鳥巢過程中自適應(yīng)地調(diào)節(jié)其位置的大?。?/p>

(9)

設(shè)群體的慣性權(quán)重最小和最大分別為ωmin和ωmax，則當(dāng)前的自適應(yīng)慣性權(quán)重ωi可以定義[19]為：

(10)

A1WCS算法增加了自適應(yīng)慣性權(quán)重，當(dāng)布谷鳥的位置發(fā)生變化后，慣性權(quán)重也發(fā)生了變化，從而調(diào)節(jié)了全局和局部搜索能力。當(dāng)CS算法陷入局部最優(yōu)時(shí)，會(huì)產(chǎn)生較大的慣性權(quán)重，從而使算法跳出局部最優(yōu)進(jìn)行全局尋優(yōu)；當(dāng)收斂速度較慢時(shí)，會(huì)產(chǎn)生較小的慣性權(quán)重，則有利于局部最優(yōu)，加速算法收斂。

3基于AIWCS-SVM的故障診斷方法

采用AIWCS算法來優(yōu)化SVM的的優(yōu)懲罰參數(shù)C和徑向基核函數(shù)參數(shù)σ，尋找兩者最優(yōu)值，確定了AIWCS-SVM模型。AIWCS優(yōu)化SVM參數(shù)的流程圖如圖1所示。

圖1　AIWCS優(yōu)化SVM參數(shù)流程圖

基于AIWCS-SVM的風(fēng)力發(fā)電并網(wǎng)逆變器故障診斷方法具體步驟如下。

① 對(duì)風(fēng)力發(fā)電并網(wǎng)逆變器提取故障特征向量并作為診斷方法的輸入值，確定輸出目標(biāo)值。在不同電壓下確定訓(xùn)練集和測試集。

② 初始化SVM和CS參數(shù)，計(jì)算個(gè)體的適應(yīng)度。采用K次交叉驗(yàn)證思想,利用訓(xùn)練數(shù)據(jù)得到模型，以得到分類準(zhǔn)確精度。該精確度定義為個(gè)體的適應(yīng)度。

③ 布谷鳥位置的更新。按式(5)~式(10)，得到新的位置，如果新解優(yōu)于舊解則替換。以概率Pa進(jìn)行選擇，拋棄差的鳥窩，建立新巢。逐漸迭代尋優(yōu)，滿足條件時(shí)記錄最優(yōu)解。

④ 構(gòu)造AIWCS-SVM診斷模型。由步驟③得到SVM的最優(yōu)學(xué)習(xí)參數(shù)，確定診斷模型。

⑤ 輸入訓(xùn)練數(shù)據(jù)，對(duì)模型進(jìn)行訓(xùn)練，再輸入測試數(shù)據(jù)，進(jìn)行預(yù)測。

4試驗(yàn)結(jié)果分析

以三相并網(wǎng)逆變器為風(fēng)力發(fā)電并網(wǎng)逆變器研究的故障診斷對(duì)象，其系統(tǒng)的拓?fù)浣Y(jié)構(gòu)圖如圖2所示，其中三相并網(wǎng)逆變器主要由6只IGBT構(gòu)成(VT1~VT6)。本文探討的是在IGBT管正常的情況下單管開路和雙管開路的22種情況(1種正常情況，6種單管故障和15種雙管故障)。對(duì)三相并網(wǎng)逆變器的輸出電流進(jìn)行采樣(采樣頻率12 kHz)，建立故障樣本時(shí)分別選取不同的電壓，即選擇300 V、500 V為訓(xùn)練樣本，350 V、400 V、450 V為測試樣本。電網(wǎng)頻率不變fs=50 Hz。利用本文提出的AIWCS-SVM算法進(jìn)行診斷。

圖2　三相并網(wǎng)逆變器拓?fù)浣Y(jié)構(gòu)圖

對(duì)電流進(jìn)行采樣之后要轉(zhuǎn)換為需要的信息向量，即故障特征向量。常用的方法有傅里葉變換、功率譜、小波變換等。本文采用小波變換進(jìn)行信號(hào)的分析，用db40小波對(duì)采集到的電流信號(hào)進(jìn)行8個(gè)尺度的分解。

經(jīng)過特征提取，得到訓(xùn)練樣本和測試樣本。表1為部分訓(xùn)練樣本，表2為電壓為350 V時(shí)部分測試數(shù)據(jù)。其中8個(gè)特征值為AIWCS-SVM的輸入向量，22種故障類型對(duì)應(yīng)目標(biāo)輸出。

分別采用遺傳算法(GA)、粒子群算法(PSO)和AIWCS算法優(yōu)化SVM的參數(shù)，比較其故障診斷效果。設(shè)置3種算法的種群規(guī)模都為20，迭代次數(shù)均為200。其中GA的選擇概率為0.9，交叉概率為0.7；PSO的學(xué)習(xí)因子為1.5，慣性權(quán)重為1；AIWCS中慣性因子最大為2，最小為0.5，外來概率為0.25。采用這3種算法優(yōu)化SVM，得到優(yōu)化時(shí)間和優(yōu)化后的參數(shù)如表3所示。

由表3可以看出，PSO算法的優(yōu)化時(shí)間最長，GA次之，AIWCS算法優(yōu)化時(shí)間最短。相比PSO和GA算法，由于CS算法的運(yùn)算便捷性，AIWCS算法將近將時(shí)間縮短了一半。

自適應(yīng)的特點(diǎn)提高了CS算法的局部搜索能力，加快了運(yùn)行速度。根據(jù)CS算法的特點(diǎn)，得到的參數(shù)偏小，并且C與σ值相等。因此，AIWCS算法在尋優(yōu)能力、運(yùn)行速度等方面都比GA算法和PSO算法強(qiáng)，能為SVM的模型提供更好的參數(shù)。

表2　350 V的部分測試樣本

表3　3種算法優(yōu)化時(shí)間和優(yōu)化后的參數(shù)

利用算法對(duì)SVM參數(shù)尋優(yōu)，將得到的結(jié)果代入到SVM中，即為AIWCS-SVM模型。利用A1WCS-SVM、GA-SVM和PSO-SVM算法對(duì)測試樣本進(jìn)行診斷，得到的診斷結(jié)果如表4所示。

通過驗(yàn)證可以看出，AIWCS-SVM的平均誤差為1.01%，整體故障診斷精度為96.969 7%。GA-SVM的平均誤差為2.53%，整體故障診斷精度為92.424 2%。PSO-SVM的平均誤差為2.02%，整體故障診斷精度為93.939 4%。由此可知本文提出的AIWCS算法優(yōu)化SVM方法對(duì)于風(fēng)力發(fā)電并網(wǎng)逆變器的故障診斷有很高的精度。

表4　故障程度診斷結(jié)果

5結(jié)束語

本文提出將自適應(yīng)慣性權(quán)重布谷鳥算法應(yīng)用于支持向量機(jī)中，以尋找最優(yōu)參數(shù)。將這種方法用于風(fēng)力發(fā)電并網(wǎng)逆變器的故障診斷，結(jié)果表明了AIWCS-SVM算法對(duì)三相并網(wǎng)逆變器的故障診斷的正確性和可行性。AIWCS算法不但能夠調(diào)節(jié)全局和局部搜索能力，而且避免其陷入局部最優(yōu)值。AIWCS算法優(yōu)化SVM參數(shù)，優(yōu)化時(shí)間短，優(yōu)化后得到的AIWCS-SVM診斷精度高。與GA-SVM和PSO-SVM算法相比，A1WCS算法具有更短的尋優(yōu)時(shí)間和更高的診斷精度，應(yīng)用前景好。

參考文獻(xiàn)

[1] Liserre M,Teodorescu R,Blaabjerg F.Stability of photovoltaic and wind turbine grid-connected inverters for a large set of grid impedance values[J].Power Electronics,IEEE Transactions on,2006,21(1):263-272.

[2] Kim H,Yu T,Choi S.Indirect current control algorithm for utility interactive inverters in distributed generation systems[J].Power Electronics,IEEE Transactions on,2008,23(3):1342-1347.

[3] 張強(qiáng),張崇巍,張興，等.風(fēng)力發(fā)電用大功率并網(wǎng)逆變器研究[J].中國電機(jī)工程學(xué)報(bào),2007,27(16):54-59.

[4] 黃曌,易靈芝,彭寒梅，等.基于SVPWM過調(diào)制策略的SRG 風(fēng)力發(fā)電系統(tǒng)并網(wǎng)逆變器[J].電力自動(dòng)化設(shè)備,2010,30(10):89-93,97

[5] 陳增祿,班培剛,史強(qiáng)強(qiáng).抑制并網(wǎng)逆變器電流諧波的帶通調(diào)節(jié)器研究[J].電網(wǎng)技術(shù),2013,37(6):1706-1712.

[6] 于泳,蔣生成,楊榮峰，等.變頻器 IGBT 開路故障診斷方法[J].中國電機(jī)工程學(xué)報(bào),2011,31(9)：30-35．

[7] 安群濤,孫力,趙克，等.基于開關(guān)函數(shù)模型的逆變器開路故障診斷方法[J].中國電機(jī)工程學(xué)報(bào)，2010,30(6)：1-6．

[8] 賞吳俊,何正友,胡海濤，等.基于IGBT輸出功率的逆變器開路故障診斷方法[J].電網(wǎng)技術(shù),2013,37(4): 1140-1145.

[9] Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

[10]凌武能,杭乃善,李如琦.基于云支持向量機(jī)模型的短期風(fēng)電功率預(yù)測[J].電力自動(dòng)化設(shè)備,2013,33(7):34-38.

[11]陳華豐,張葛祥.基于決策樹和支持向量機(jī)的電能質(zhì)量擾動(dòng)識(shí)別[J].電網(wǎng)技術(shù),2013,37(5):1272-1278.

[12]湯昶烽,衛(wèi)志農(nóng),李志杰，等.基于因子分析和支持向量機(jī)的電網(wǎng)故障風(fēng)險(xiǎn)評(píng)估[J].電網(wǎng)技術(shù),2013,37(4):1039-1044.

[13]Sebald D J,Bucklew J A.Support vector machine techniques for nonlinear equalization[J].Signal Processing,IEEE Transactions on,2000,48(11):3217-3226.

[14]紀(jì)昌明,周婷,向騰飛，等.基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)在梯級(jí)水電系統(tǒng)隱隨機(jī)調(diào)度中的應(yīng)用[J].電力自動(dòng)化設(shè)備,2014,34(3):125-129,131.

[15]Yang X S,Deb S.Cuckoo search via Lévy flights[C]//Nature & Biologically Inspired Computing,World Congress on.IEEE,2009:210-214.

[16]Barthelemy P,Bertolotti J,Wiersma D S.A Lévy flight for light[J].Nature,2008,453(7194):495-498.

[17]Yang X S. Nature-inspired metaheuristic algorithms[M].Luniver Press,2010.

[18]Civicioglu P,Besdok E.A conceptual comparison of the Cuckoo-search,particle swarm optimization, differential evolution and artificial bee colony algorithms[J].Artificial Intelligence Review,2013,39(4):315-346.

[19]Panigrahi B K,Ravikumar V,Das S.Adaptive particle swarm optimization approach for static and dynamic economic load dispatch[J].Energy Conversion and Management,2008,49(6):1407-1415.

中圖分類號(hào)：TM464

文獻(xiàn)標(biāo)志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201503004

國家自然科學(xué)基金資助項(xiàng)目(編號(hào)：61364010)。

修改稿收到日期：2014-08-24。

第一作者廖俊勃(1987-)，男，現(xiàn)為新疆大學(xué)控制科學(xué)與工程專業(yè)在讀碩士研究生；主要從事過程檢測、診斷與控制技術(shù)(含風(fēng)力發(fā)電)的研究。