专利名称：：一种基于Gradation-Boosting算法的电力电子系统故障诊断方法
技术领域：
：本发明属于电力电子系统故障诊断领域，涉及一种基于Gradation-Boosting算法的故障诊断方法。
背景技术：
：故障检测是指确定系统是否发生故障的过程，即对一非正常状态的检测过程。通过不断监测系统可测量变量的变化，在标称情况下，认为这些变量在某一不确定性下满足一已知模式，而当系统任一部件故障发生时，这些变量偏离其标称状态。通常根据系统输出或状态变量的估计残差的特性来判断故障。目前研究的目标是检测的及时性、准确性和可靠性及最小误报和漏报率。电力电子技术是利用电力电子器件对电能进行控制和转换的新兴学科。通过使用电力半导体器件，应用电路和设计理论以及分析开发工具，实现对电能的高效能变换和控制。近年来，功率变流技术得到了迅猛发展，经过变流技术处理的电能在整个国民经济的耗电量中所占比例越来越大。电力电子技术已广泛应用于国防军事、工业、交通、农业、商业、医药制造以至家用电器。电力电子设备一旦发生故障，小则造成电器产品损坏、工矿企业停产，大则会威胁人民生命、财产安全，甚至造成重大灾难事故，影响国民经济的正常运行。所以，对电力电子设备进行故障检测和诊断显得日趋重要。由于电力电子系统故障种类复杂，发生故障的原因繁多，因此仅仅依靠人工查找或维修人员的经验去定位故障往往很困难。这就要求建立一种能进行故障自动检测和诊断的系统来对电力电子设备故障进行有效的诊断。过去十几年，电力电子电路的故障诊断技术得到了迅速发展，故障自动检测和诊断系统日趋智能化，特别是近几年，人工神经网络在故障诊断的广泛应用，为电力电子电路的故障诊断提出了一种全新的诊断方法。基于模型的故障诊断方法必须建立准确的数学模型，但往往很多实际系统难以用数学模型来描述。而基于知识的故障诊断方法尽管不须建立系统模型，但由于人们知识或经验所限，未必会使所有故障包含在知识库中，因此不能诊断知识库中未描述的故障现象。基于神经网络的故障诊断方法可以利用神经网络的非线性映射特性和自学能力来反映系统故障输出特征和故障类型之间的映射关系，从而达到对系统进行故障诊断的目的。BP(Back-Propagation)神经网络由于其在模式识别和模型分类上的优越性能以及精确的数学描述、清晰的处理过程和易于实现的特点，因此在故障诊断中应用的最广泛、最成功。目前在电力系统的故障诊断中广泛采用的人工神经网络模型是BP神经网络模型。
发明内容本发明的目的是提供一种应用神经网络同Gradation-Boosting算法相结合的方法，本发明能对电力系统电子电路故障进行诊断。本发明的目的通过下述方法和步骤实现本发明首先建立了三相电力电子逆变电路的仿真模型，然后根据实际情况对系统的故障情况进行仿真，获得各类故障发生时所对应的电路参数作为故障样本，将所有样本根据实际故障的发生频率划分成不同的等级，然后用这些样本作为学习样本对神经网络进行反复训练，最后用Gradation-Boosting算法将训练好的神经网络整合成一个完整的高性能的故障诊断系统。以下对本发明的内容作进一步阐述1、建立三相电力电子逆变电路的仿真模型电路模型如附图所示，我们需要检测的故障为Tl-T6这六个功率半导体元件IGBT断路故障。考虑到在实际应用中的情况，我们假设最多有两个功率半导体元件同时故障，所有的故障情况可分类如下第一大类仅有一只功率半导体元件IGBT故障，分六小类T1故障、T2故障、T3故障、T4故障、T5故障、T6故障第二大类同一半桥的两只功率半导体元件IGBT同时故障，分三小类T1和T2故障、T3和T4故障、T5和T6故障第三大类交叉两只功率半导体元件IGBT同时故障，分六小类T1和T4故障、Tl和T6故障、T3和T6故障、T2和T3故障、T4和T5故障、T2和T5故障第四大类同一上(或下)桥臂两只功率半导体元件IGBT同时故障，分六小类T1和T3故障、TI和T5故障、T3和T5故障、T2和T4故障、T2和T6故障、T4和T6故障2、故障样本的获得以及BP神经网络的Gradation-Boosting过程在以上所列的故障中，因为两只功率半导体元件IGBT在某一时刻同时故障的可能性非常小，所以仅有一只功率半导体元件IGBT故障是最频繁的故障，也是我们对电力系统进行故障检测的重中之重。因此，我们将系统发生这些故障的状态以及无故障状态作为重点检测状态，将发生两只功率半导体元件IGBT故障(即第二、三、四大类)的状态作为系统的非重点检测状态。对于重点检测状态，其训练样本在故障检测系统中将会受到更多的关注，以保证较高的故障检测正确率。对不同故障情况下的输出电压V进行分析我们可获得电路的故障特征参数。通过傅立叶变换把时域中的V的波形信号变换到频域上来分析，得到各次谐波的幅值和相角。对V的波形信号的各次谐波进行分析可知，信号的前二次谐波(含直流分量)基本上就包含了能进行故障识别的各种信息。因此，选用V的直流分量(D)，基波幅值(Al)，基次谐波的相位角(Pl)，二次谐波的相位角(P2)作为故障特征参数，输入到BP神经网络的输入层。关于训练样本的数目，我们选取输入电压400V不同的负载功率30千瓦、40千瓦、50千瓦时各类故障特征信号以及加入强度为1%的噪声后得到的样本作为训练样本，用于神经网络组的学习。训练样本总数是6600组，表1列出了所得到的部分训练样本。表l:部分训练样本负载功率故障类型DAlPIP2网络期望输出(共21位>30kw无:故陣o細o0.7045-0—33150.307S0000.......030kwTl故:障0.50850.5505-0.23430.08031000......030kwT2故障0.50730.5536-0.2335-0.92350100.......030kwT4，T6故臃0-5,0"W5-0,4610-0,10800000......140.kw.无故障0細207005-0.33100.09530000...040kwTl故障0.54150.5388-0.23300.1095,0...040kwT2故障0.52400.5423-0..2340-O邻OS0100......040kwT4,T6故障0.67250.4768-0.411.50.31960000......1无故障0.00000:70〖5-0.33180,33860000...050kw■Tl故障0.50280.5603-0-23360.06221000...050lewT2故降0.50360.5645-0.2321-0.942.90100...ft50kwT4,T6敏P聿0.58730.4131-0.42230.29290000......1为了更好地验证训练后的神经网络组的性能，我们在表2所示的情况下获得各类故障特征信号以及加入不同比例的噪声(强度为分别为5%、10%、15%和20)后得到的样本作为测试样本，测试样本总数是11000组。表2、获取测试样本时的参数设置输入电压(F》4004404403603節-負载功率fsw》35邻35邻35本发明采用了BP神经网络作为故障诊断系统的基本组成单元。它由三层组成输入层、隐层和输出层。输入层节点数是4，它是由故障特征参数的个数所决定的；输出层节点数是21，它是由故障的种类决定的，一种故障对应一个输出节点，该故障发生时，相对应的输出节点输出为l，否则输出为O;隐层节点的个数没有固定的理论可循，需要通过一系列的仿真实验来调整，隐层节点数太少，网络的泛化能力差，甚至网络学习根本就不能收敛，隐层节点数太多，训练时间过长，网络结构复杂、庞大。为了使故障检测系统能更好的对那些发生频率高、危害程度大的故障进行监控，我们在经典Boosting算法的基础上提出了Gradation-Boosting算法，算法的基本思想是初始化，为每个训练样本分配权重，样本的等级越高，分配的权重越大。接着调用BP神经网络进行T次迭代，每次迭代后，按照训练结果更新训练集上的分布，对于训练失败的样本赋予较大的权重，使得下一次迭代更加关注这些训练样本，从而得到一个预测函数序列hl，h2，…，ht(其中t二1，2，…，T)，每个预测函数ht也赋予一个权重，预测效果好的，相应的权重越大。T次迭代之后，在分类问题中最终的预测函数H采用带权重的投票法产生。单个神经网络的学习准确率不是很高，运用Gradation-Boosting算法之后，整个故障诊断系统的检测准确率将得到较大的提高，尤其是对于发生频率高、危害程度大、需要重点检测故障。本发明所提出的基于Gradation-Boosting的电力电子系统故障诊断方法，应用神经网络同Gradation-Boosting算法相结合的方法对电力系统电子电路故障进行诊断，同时提出了将故障根据其危害程度和发生的频率划分轻重等级的思想，对那些危害程度大、发生频率高的故障重点对待，使得这些故障能够被及时准确无误地检测出来；同时对于其他危害小、发生频率低的故障，神经网络组的检测也可达到较高的检测正确率，这样便在较低的网络规模的基础上大大提高了网络的故障监控能力，可很好地满足实际应用的需要。图1是三相电力电子变频电路模型。具体实施例方式以下结合具体的实施例，对本发明做进一步的阐述。实施例仅用于对本发明做说明而不是对本发明的限制。实施例1本实施例以附图所示的电路模型，进一步阐述本发明。1、初始化，将由仿真模型所获得电路的故障参数作为第一个BP神经网络的学习样本，并为每组样本分配初始权重如
发明内容所述，本实施例1或2个半导体元件故障共有21种情况(其中重点检测故障6种，非重点检测故障15种)，另外我们也需要考虑电路正常工作样本(即无故障发生时的电路的各项参数组成的样本)。我们的故障诊断系统需要重点对待的样本是6种重点检测故障的样本以及一种正常工作样本。因此，初始化时，我们为每组重点对待的样本分配权重为2，为其他样本分配权重为1。2、进入T次迭代，得到预测函数序列hl、h2、…、ht(其中t=1，2，…，T)，同时为每个预测函数ht计算一个置信权重，此权重决定了ht在最终投票时对结果影响程度的大小第t次迭代过程如下用第t-l次迭代调整过的含有不同权重的样本来训练本次的BP神经网络，得到预测函数ht，训练结束后用刚刚训练时所用的样本来逐个测试这个BP神经网络，将测试输出结果与实际故障不符合的样本的权重记录并作累加，此累加结果用所有样本权重的和归一化后作为ht的置信权重。同时，对样本的权重进行调整，对于本次用ht测试结果正确的样本，减小其样本权重；对于本次用ht测试结果错误的样本，增加其权重。然后使用这些刚刚调整过的样本进行第t+l次迭代。3、由预测函数序列hl、h2、…、ht进行投票作为故障诊断系统的最终输出恥l，=丰"力、/Jx"4、结果分析用前面所获得的测试样本(共11000组)对网络故障检测的准确性进行测试，同时与基于故障分等级的神经网络组进行比较。诊断的结果如表3所示。表3、故障诊断结果比较<table>tableseeoriginaldocumentpage7</column></row><table>从以上实施例结果可知，本发明能很好地提高系统故障诊断的能力，即使检测过程中存在较大的噪声，系统仍可以达到较高的故障诊断正确率，充分证明了本发明的在故障诊断方面的可行性和优越性。权利要求一种基于Gradation-Boosting算法的电子电力系统故障诊断方法，其特征在于包括下述步骤首先建立三相电力电子逆变电路的仿真模型，然后根据实际情况对系统的故障情况进行仿真，获得各类故障发生时所对应的电路参数作为故障样本，将所有样本根据实际故障的发生频率划分成不同的等级，然后用这些样本作为学习样本对神经网络进行反复训练，最后用Gradation-Boosting算法将训练好的神经网络整合成一个完整的高性能的故障诊断系统。2.根据权利要求1所述的基于Gradation-Boosting算法的电子电力系统故障诊断方法，其特征在于所述的根据实际故障的发生频率划分成不同的等级，是将无故障状态和最频繁发生的故障作为重点检测状态，将故障的可能性小的状态作为系统的非重点检测状态。3.根据权利要求l所述的基于Gradation-Boosting算法的电子电力系统故障诊断方法，其特征在于对不同故障情况下的输出电压V进行分析，获得电路的故障特征参数，通过傅立叶变换把时域中的V的波形信号变换到频域上分析，得到各次谐波的幅值和相角；选用V的直流分量(D)，基波幅值(Al)，基次谐波的相位角(Pl)，二次谐波的相位角(P2)作为故障特征参数，输入到BP神经网络的输入层。4.根据权利要求1所述的基于Gradation-Boosting算法的电子电力系统故障诊断方法，其特征在于采用BP神经网络作为故障诊断系统的基本组成单元，神经网络由三层组成输入层、隐层和输出层，输入层节点数由故障特征参数的个数所决定；输出层节点数是由故障的种类决定，一种故障对应一个输出节点，故障发生时，相对应的输出节点输出为1，否则输出为0;隐层节点的个数通过一系列的仿真实验来调整。5.根据权利要求l所述的基于Gradation-Boosting算法的电子电力系统故障诊断方法，其特征在于在经典Boosting算法的基础上提出了Gradation-Boosting算法，为每个训练样本分配权重，样本的等级越高，分配的权重越大；调用BP神经网络进行T次迭代，每次迭代后，按照训练结果更新训练集上的分布，对于训练失败的样本赋予较大的权重，使得下一次迭代更加关注这些训练样本，从而得到一个预测函数序列hl，h2，…，ht，每个预测函数ht也赋予一个权重，预测效果好的，相应的权重越大；T次迭代之后，在分类问题中最终的预测函数H采用带权重的投票法产生。全文摘要本发明是一种基于Gradation-Boosting算法的电子电力系统故障诊断方法，首先建立了三相电力逆变电路的仿真模型，根据实际情况对系统的故障情况进行仿真，获得各类故障样本，将所有样本根据实际故障的发生频率划分成不同等级，然后用这些样本作为学习样本对神经网络进行反复训练，最后用Gradation-Boosting算法将训练好的神经网络整合成一个完整的高性能故障诊断系统。本发明可提高电力电子故障诊断系统的故障检测正确率，降低实际应用系统中由于漏检、误检造成的损失。文档编号G06F17/50GK101782625SQ20091004549公开日2010年7月21日申请日期2009年1月16日优先权日2009年1月16日发明者付伟,顾晓东,马成才申请人:复旦大学