王紳宇，　陳丹江，　葉銀忠

基于PSO-RBF監(jiān)測預測模型的電力電子電路

王紳宇1，陳丹江2，葉銀忠1

(1.上海應用技術學院電氣與電子工程學院，上海201418；2.浙江萬里學院電子信息學院，浙江寧波315100)

針對現(xiàn)有電力電子電路故障狀態(tài)預測技術的不足，提出將電路特征性能參數(shù)與粒子群算法(PSO)優(yōu)化的徑向基函數(shù)(RBF)神經網絡相結合，對電力電子電路進行故障狀態(tài)監(jiān)測預測.以電源電路中Buck電路為例，選擇電路輸出電壓作為監(jiān)測信號，提取輸出電壓平均值及紋波電壓值作為電路特征性能參數(shù)，并利用改進后的RBF神經網絡實現(xiàn)狀態(tài)預測.結果表明，利用PSO改進后的RBF神經網絡對電路輸出平均電壓和紋波電壓的預測比單純RBF神經網絡預測的結果更加精準，能夠跟蹤電源電路狀態(tài)特征性能參數(shù)的變化趨勢，有效實現(xiàn)電力電子電路狀態(tài)監(jiān)測和預測.

故障狀態(tài)預測；RBF神經網絡；粒子群算法；電力電子電路

現(xiàn)代控制系統(tǒng)和設備的復雜性不斷增加、規(guī)模不斷擴大，這類系統(tǒng)一旦發(fā)生故障可能導致重大災害事故.故障診斷是提高系統(tǒng)可靠性和降低事故風險的重要方法和有力措施。無論故障的規(guī)模多大、來勢多兇猛，大多是從微小故障(早期故障、初始故障、初期故障)開始的[1-2].微小故障的檢測診斷和預測是預防和減少災難發(fā)生的關鍵.

現(xiàn)階段電力電子電路故障預測大多是對電路中關鍵元器件的故障預測，如電解電容器，而對多個元器件性能參數(shù)作為整體綜合考慮的電路故障預測研究相對較少.從電路的總體性能出發(fā)，將多個元器件的性能參數(shù)隨時間變化綜合考慮，預測電路的輸出，需要同時觀測多個隨時間變化的輸入、輸出變量，因而觀測得到的信號是非線性的.神經網絡方法在多輸入輸出的非線性領域中得到了非常廣泛的應用.徑向基函數(shù)(Radial Basis Function，BRF)神經網絡是最為常用的方法之一，其優(yōu)點是不需要對電路進行數(shù)學建模，有很強的非線性、自組織、自適應和容錯的能力[3-6].但該方法容易陷入局部最優(yōu)，收斂速度慢，精度較低，跟蹤性較弱[7-9].電力電子電路在狀態(tài)監(jiān)測中遇到的數(shù)據(jù)變化多為微小變化，其值的變化范圍較小.RBF神經網絡在處理此類問題時，表現(xiàn)出精度不夠，跟蹤系統(tǒng)變化的能力較弱，不能夠精確描述和及時反映系統(tǒng)的狀態(tài)，因此需要對RBF神經網絡進行改進.粒子群算法(Particle Swarm Optimization，PSO)是一種并行的、隨機的優(yōu)化算法，其搜索速度快，能夠有效地優(yōu)化各種函數(shù).PSO擅長優(yōu)化計算，可跟蹤數(shù)據(jù)集，若用于優(yōu)化智能算法中的某些閥值常數(shù)，能夠使閥值隨著數(shù)據(jù)的變化而做出調整，大大提高智能算法對數(shù)據(jù)的跟蹤能力，從而使智能算法具有時效性和精確性[10-11].

本文針對電力電子電路的故障狀態(tài)監(jiān)測預測，提出采用PSO對RBF神經網絡進行優(yōu)化的方法對電力電子電路微小故障進行預測.其基本思想為：選取電路故障特征性能參數(shù)，利用PSO-RBF預測所選特征性能參數(shù)，實現(xiàn)電力電子電路的微小故障狀態(tài)監(jiān)測預測.

1　電測力方電法子電路微小故障狀態(tài)監(jiān)測預

1.1特征性能參數(shù)提取

要實現(xiàn)電力電子電路故障預測，首先必須選取合適的電路故障特征性能參數(shù).一般的電力電子電路，除電源及負載外，基本都是由功率管、電容、電感等按一定組合組成.對于不同的電路，要根據(jù)電路結構和功能的特點，確定能夠反映電路健康狀態(tài)的主要元器件特征性能參數(shù)[1213].本文以圖1所示的Buck電路為例，分析電力電子電路故障特征性能參數(shù)提取.

圖1　Buck電路Fig.1　Buck circuit

1.2特征性能參數(shù)的選擇

Buck電路的功能是實現(xiàn)DCDC的降壓轉換.由于有充放電過程，其輸出電壓并不是理想的直流電壓，而是有一定的波動[14].一般來說，Buck電路輸出電壓的直流值在一定波動范圍內，才能滿足電路輸出要求.因此Buck電路輸出電壓是否滿足要求是其電路性能最重要的衡量標準，而電感L、電容C以及RESR的性能改變，共同影響著輸出電壓的變化.據(jù)此分析，可以調整L、C以及RESR，從而監(jiān)測電路輸出電壓，提取輸出平均電壓作為電路故障特征性能參數(shù)，對電路的健康狀態(tài)進行評估.

1.3特征性能參數(shù)的計算

輸出電壓平均值Uo：根據(jù)電路原理，以穩(wěn)態(tài)時電路Uo為監(jiān)測變量，進行采樣，得到電壓數(shù)據(jù)，由下式可求得式中：α是占空比；E為輸入電壓；Ton、Toff分別為開關開通時間和開關關閉時間.

紋波電壓：由于Buck電路的工作原理，紋波電壓必然存在，故其紋波大小直接反映一個Buck電路的穩(wěn)定性.本文選取穩(wěn)態(tài)時的電路輸出電壓，得到紋波電壓的波形及數(shù)據(jù)，取其峰谷值之差Δu，作為監(jiān)測信號.

根據(jù)各元器件參數(shù)的緩變故障及其變化趨勢，設定電路各元器件參數(shù)(包括C、RESR和L)在假定工作溫度升高及長時間持續(xù)工作后的情況.在以上兩種情況共同作用下，各元件的性能定會有一定程度的降低，任何單一元件性能的降低都不足以使電路工作產生故障影響，但綜合考慮，各元件性能降低從而整體上會對電路運行及輸出產生一定的影響.

2　R故B障F預神測經算網法絡以及PSO改進后的

2.1RBF神經網絡

RBF是一種具有單隱藏層的3層前饋網絡.RBF網絡模擬了人腦中的局部調整、相互覆蓋接收域(或稱感受野，Receptive Field)的神經網絡結構，并且已經證明RBF能以任意精度逼近任意連續(xù)函數(shù).RBF的作用函數(shù)是高斯函數(shù)，其值在輸入空間中有限范圍內為非零值，因而RBF網絡是局部逼近的神經網絡[15].

在RBF的3層前向網絡中，由輸入到隱含層的變化是非線性的，而從隱含層到輸出空間的映射是線性的，采用RBF網絡可以大大加快學習速度并且避免局部最小問題，適合于實時控制的要求.采用RBF神經網絡構成網絡控制或預測方案，能夠有效地提高系統(tǒng)的精度、魯棒性和自適應性[16].

在RBF網絡結構中，X=[x1，x2，…，xn]T為網絡的輸入向量.設RBF網絡的徑向基向量H=[h1，h2，…，hm]T，其中hj是高斯函數(shù)，即

式中，網絡第j個節(jié)點的中心向量Cj=[c1，c2，…，cm]T，j=1，2，…n，‖·‖為2范數(shù)，也稱為歐式范數(shù).

設網絡的基寬向量

bj為節(jié)點j的基寬參數(shù)，且為大于零的數(shù).RBF輸入層到隱含層的權值為1.0，網絡隱含層到輸出層權向量為

RBF網絡的逼近性能指標函數(shù)為

2.2PSO以及對RBF神經網絡的改進

為統(tǒng)一變量，下文所使用的變量與上文的變量符號相同.假設粒子群算法中每個粒子在n維搜索空間中以一定的速度飛行，hi=(hi1，hi2，…h(huán)in)為粒子i的當前位置，vi=(vi1，vi2，…，vin)為粒子i的當前飛行速度.

hbesti=(hbesti1，hbesti2，…，hbestin)為粒子i所經歷的最優(yōu)位置，稱作個體最優(yōu)位置.

設f(h)為最小化的目標函數(shù)，則粒子i當前的最優(yōu)位置由下式決定：

設群體中的粒子數(shù)為N，群體中所有粒子所經歷過的最好位置為g best(t)為全局最優(yōu)的位置，則

由于選取了在Buck電路中對電路性能起主要影響因素并且就電子元件本身而言容易出現(xiàn)故障的C、RESR、L和U0，故本文選取3—N—1的RBF網絡結構.N的選取，根據(jù)神經網絡節(jié)點經驗公式

式中：m為輸入層節(jié)點數(shù)；n為輸出層節(jié)點數(shù)；a為2 ～10中的任取值.

本文將N設為8，即3個輸入變量，8個隱含神經元，1個輸出變量.RBF網絡結構如圖2所示.

由于隱含層有8個神經元，每個神經元需要同時接受3個輸入神經元傳來的信息，并且最終將這8個神經元的信息送到輸出層；即8+3×8+2×8= 48.因此，一共需要對48個閾值及權值進行粒子群最優(yōu)化訓練.每一個的訓練模式由式(8)g best決定.再將訓練好的閾值和權值進行梯度下降法進行迭代，從而最終確定神經網絡模型.

3　電力電子電路故障預測

此方法適用于3系統(tǒng)運行參數(shù)決定2系統(tǒng)狀態(tài)參數(shù)的一類電子電路或系統(tǒng).即確定某電路或系統(tǒng)中，對系統(tǒng)性能起決定性作用的3個參數(shù)以及2個能體現(xiàn)電路或系統(tǒng)運行狀態(tài)的參數(shù).下面將以Buck電路為實驗對象，證明該方法的可行性與準確性.利用粒子群改進的RBF神經網絡預測算法對該數(shù)據(jù)進行訓練，獲得故障特征性能參數(shù)變化趨勢模型，預測未來時刻故障特征性能參數(shù)值，對該值進行分析便可實現(xiàn)對電力電子電路的故障預測.電力電子電路進行故障預測實現(xiàn)流程如圖3所示.

4　故障預測實例及實驗結果分析

首先，根據(jù)各元件在不同時刻的參數(shù)值逐次設置電路，使用MATLAB的Simulink物理仿真軟件進行動態(tài)仿真，選擇電路的U0及Δu作為監(jiān)測信號并獲取穩(wěn)態(tài)時的波形數(shù)據(jù)；然后，在MATLAB環(huán)境下，編程并計算各時刻對應輸出電壓平均值及紋波電壓作為電路的故障特征性能參數(shù)數(shù)據(jù)；最后，將預測值與實際值進行比較，從而預測Buck電路未來某一時刻是否會發(fā)生故障.根據(jù)各元器件參數(shù)的緩變故障及其變化趨勢，設定電路各元器件參數(shù)(包括L、C和RESR)隨時間變化.由于仿真軟件不會出現(xiàn)老化現(xiàn)象，故本文采取固定時間間隔每個記錄點Δt=100 h，按照元器件參數(shù)老化公式計算得到各個元器件參數(shù)，記錄數(shù)據(jù)見表1.

圖3　PSO-RBF故障預測流程圖Fig.3　PSO-RBF fault prediction models

表1　Buc1k電路元件參數(shù)　Tab.1　Buck circuit component parameter

5　故障預測模型的建立及準確度檢測

5.1故障預測模型的建立

選擇表2中1～10組數(shù)據(jù)進行POS-RBF網絡訓練，并用這組數(shù)據(jù)對訓練后的POS-RBF神經網絡進行檢測.然后，選擇表中11～15組數(shù)據(jù)寫入訓練好的POS-RBF神經網絡中，進行預測.并將結果與實際值進行對比.

表2　特征參數(shù)Tab.2 Feature parameters

5.2Buck電路故障預測結果及分析

選擇電路平均電壓U0和紋波電壓Δu作為Buck電路的特征性能參數(shù).先進行未加改進的RBF神經網絡進行預測，用前10組數(shù)據(jù)訓練，再用11～15組數(shù)據(jù)進行故障預測；再用PSO-RBF進行預測，預測步驟如下：首先以前10個時刻測量點的數(shù)據(jù)訓練樣本，對第11時刻的U0和Δu進行預測；而后，采用迭代訓練的方式把第11個時刻點的數(shù)據(jù)加入到訓練數(shù)據(jù)中，重新訓練并得到第12個點的數(shù)據(jù)(見圖4).經PSO-RBF預測，數(shù)據(jù)將更加符合實際與精準.計算結果與數(shù)據(jù)比較見表3、4.

圖4　PSO-RBF訓練過程圖Fig.4　PSO-RBF training course map

從表3、4中明顯看出，隨著時間的推移，RBF的跟蹤性和精確性明顯降低，平均電壓誤差最多達到3.5%左右，紋波電壓差值也達到了2%左右；而PSO-RBF的性能表現(xiàn)良好，無論是平均電壓還是紋波電壓，誤差都在0.2%左右.

電路元器件在高溫及長時間的工作狀態(tài)下，必然會導致電路輸出產生變化.本文通過定時間隔的方式來記錄電路平均電壓和紋波電壓，能夠預測出下一個或幾個的時刻點的電路輸出，跟蹤和預測出電路未來狀態(tài)，從而對電路的良好狀態(tài)進行評估并及時調整.

表3　RBF和PSO-RBF神經網絡的電路Uo值Tab.3　The results of Uoby RBF and PSO-RBF neural network

表4　RBF和PSO-RBF神經網絡的電路Uo值Tab.4　The results of Uo by RBF and PSO-RBF neural network

6　結　語

本文將電力電子電路級故障特征性能參數(shù)與PSO-RBF相結合實現(xiàn)電力電子電路故障預測.文中雖僅對典型開環(huán)Buck電路進行實驗驗證，但所提預測思想能夠推廣應用于其他電力電子電路，其關鍵在于確定不同的電力電子電路對應的電路故障特征性能參數(shù).此方法是根據(jù)Buck電路設計的31輸入輸出模型，模型訓練時間較快.下一步將具體研究電路中具體元器件對平均電壓、紋波電壓的影響作用，從故障診斷的角度來分析電源電路.

[1]李娟，周東華，司小勝，等.微小故障診斷綜述[J].控制理論與應用，2012，29(12)：12.

[2]DeM?etriou M A，Polycarpou M M.Incipient fault diagnosis of dynamical systems using online approximators[J].IEEE Transactions on Automatic Control，1998，43(11)：13.

[3]Chen S，Wolfgang A，Harris C J，et al.SymM?etric RBF classifier for nonlinear detection in multipleantennaaided systems[J].IEEE Transactions on Neural Networks，2008，19(5)：735745.

[4]Gonzalez J，Rojas I，Ortega J，et al.Multiobjective evolutionary optimization of the size，shape，and position parameters of radial basis function networks for function approximation[J].IEEE Transactions on Neural Networks，2003，14(6)：14771496.

[5]MISHRA S，PECHT C.Insitu sensors for product reliability monitoring[J].Proceedings SPIE，2002，4755：1018.

[6]Li J，Tang G Y.Fault diagnosis for networked control systems with delayed measurements and inputs [J].IET Control Theory&Applications，2010，4 (6)：10471054.

[7]Hwang I，Sungwan K，Youdan K，et al.A survey of fault detection，isolation and reconfiguration M?ethods [J].IEEE Transactions on Control Systems Technology，2010，18(3)：636653.

[8]Yang J B，Liu J，Xu D L，et al.Optimization models for training beliefrulebased systems[J].IEEE Transactions on Systems，Man，and Cybernetics，Part A：Systems and Humans，2007，37(4)：569585.

[9]Xu Z B，Xuan J P，Shi T L，et al.Application of a modified fuzzy ARTMAP with featureweight learning for the fault diagnosis of bearing[J].Expert Systems with Applications，2009，36(6)：99619968.

[10]葉世偉.神經網絡原理[M].北京：機械工業(yè)出版社，2004.

[11]趙慧.人工神經網絡原理[M].北京：機械工業(yè)出版社，2013.

[12]王兆安.電力電子技術[M].北京：機械工業(yè)出版社，2009.

[13]洪乃剛.電力電子基礎[M].北京：清華大學出版社，2008.

[14]Chen Y M，Chou H W，LEE Kungyen.Online failure prediction of the electrolytic capacitor for LC filter of switchingmode power converters[J].IEEE Transactions on Industrial Electronics，2008，55(1)：400406.

[15]Chen S，Wang X X，Brown D J.Sparse increMental regression modeling using correlation criterion with boosting search[J].IEEE Signal Processing Letters，2005，12(3)：198201.

[16]Feng H M.Selfgeneration RBFNs using evolutional PSO learning[J].Neurocomputing，2006，70：241251.

(編輯俞紅衛(wèi))

Fault Condition Monitoring Prediction Technique of Power Electronic Circuits Based on PSO-RBF Neural Network

WANG Shenyu1，CHEN Danjiang2，YE Yinzhong1
(1.School of Electrical and EleSchtr aonngihcaiE2n0gi 1n4e1e8ri，nCgh，inSaha；nghai Institute of Technology，2.School of Electronic Information，Zhejiang Wanli University，Ningbo 315100，Zhejiang，China)

Aiming at the issue of fault condition monitoring prediction technique of power electronic circuits，a M?ethod based on characteristic parameter data and particle swarm optimization(PSO)radial basis function(RBF)neural network for the fault condition monitoring prediction of power electronic circuits was proposed.The Buck converter circuit was taken as an example，then the average voltage was extracted as characteristic parameters，the fault prediction of power electronic circuits was achieved.The output voltage was selected as monitoring signal，then the average voltage was extracted as characteristic parameters.PSO-RBF neural network was used to predict the Buck converter circuit.The Experimenta results showed that the PSO-RBF neural network was more accurate in predicting than that of the only RBF neural network.The new M?ethod could trace the characteristic parameters'trend and could be effectively applied in fault condition monitoring prediction of power electronic circuits.

condition monitoring prediction；RBF neural network；particle swarm optimization(PSO)；power electronic circuits

TP 206.3

A

16717333(2015)02016205

10.3969/j.issn.16717333.2015.02.013

2015-01-10

國家自然科學基金資助項目(61374132)

王紳宇(1988-)，男，碩士生，主要研究方向為故障診斷與容錯控制.E-mail：Wangshenyu00@163.com

葉銀忠(1964-)，男，教授，博士生導師，主要研究方向為控制理論與控制工程、系統(tǒng)仿真技術等.E-mail：yzye@sit.edu.cn