朱寶琳，陳則王，賈云濤

(南京航空航天大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210016)

基于PSO-NGM模型的電力電子電路故障預(yù)測(cè)方法

朱寶琳，陳則王，賈云濤

(南京航空航天大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210016)

針對(duì)現(xiàn)有電力電子電路故障預(yù)測(cè)技術(shù)的不足，提出了將電路特征性能參數(shù)和粒子群非齊次灰色模型PSO-NGM(particle swarm optimization non-homogenous grey model)模型結(jié)合，對(duì)電力電子電路進(jìn)行故障預(yù)測(cè)。以Buck-Boost電路為例，選擇電路輸出電壓作為監(jiān)測(cè)信號(hào)，提取輸出電壓平均值和紋波值作為電路特征性能參數(shù)，并利用PSO-NGM預(yù)測(cè)模型實(shí)現(xiàn)故障預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，利用PSO-NGM對(duì)電路輸出平均電壓和輸出紋波電壓的預(yù)測(cè)相對(duì)誤差很小，能夠跟蹤故障特征性能參數(shù)的變化趨勢(shì)，有效實(shí)現(xiàn)電力電子電路故障預(yù)測(cè)。

電力電子電路；故障預(yù)測(cè)；特征性能參數(shù)；粒子群非齊次灰色模型

0 引言

隨著電力電子技術(shù)的進(jìn)步，電力電子裝置得到快速的發(fā)展并廣泛應(yīng)用于人們的生活、傳統(tǒng)工業(yè)和高新技術(shù)產(chǎn)業(yè)等領(lǐng)域。電力電子裝置一旦發(fā)生故障，小則造成電器產(chǎn)品損壞、交通阻塞、工礦企業(yè)停產(chǎn)，大則會(huì)威脅人民生命、財(cái)產(chǎn)安全，造成重大的人員傷亡和災(zāi)難事故[1]。對(duì)電力電子裝置進(jìn)行故障預(yù)測(cè)可以有效監(jiān)測(cè)系統(tǒng)故障狀況及故障發(fā)展趨勢(shì)，實(shí)現(xiàn)對(duì)系統(tǒng)的事先維修，避免重大事故的發(fā)生，因此電力電子裝置的故障預(yù)測(cè)技術(shù)對(duì)提高整個(gè)系統(tǒng)的安全性和可靠性具有十分重要的意義。

目前無人機(jī)、雷達(dá)系統(tǒng)等健康預(yù)測(cè)研究比較熱，機(jī)載電子設(shè)備故障預(yù)測(cè)技術(shù)研究也逐步受到重視?，F(xiàn)有故障預(yù)測(cè)算法種類繁多，其中包括：貝葉斯估計(jì)、曲線擬合法自回歸滑動(dòng)平均模型 ARMA(auto-regressive moving-average)模型[2-3]、人工神經(jīng)網(wǎng)絡(luò)ANN(artificial neural networks)[4]、蟻群算法ACO(ant colony optimization)[5-6]、支持向量機(jī)SVM(support vector machines)[7]、灰色系統(tǒng)GM(grey model)[8]、遺傳算法GA(genetic algorithms)[9]、粒子濾波PF(particle filter)[10]等智能處理算法。時(shí)間序列預(yù)測(cè)方法對(duì)序列變化比較均勻的短期預(yù)測(cè)情況較為理想，優(yōu)點(diǎn)是所需歷史數(shù)據(jù)少、工作量少，但該方法在非線性預(yù)測(cè)中預(yù)測(cè)效果較差。神經(jīng)網(wǎng)絡(luò)方法在非線性領(lǐng)域中得到廣泛的應(yīng)用，但該方法存在容易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn)?；疑到y(tǒng)以“部分信息已知，部分信息未知”的“小樣本”、“貧信息”不確定系統(tǒng)為研究對(duì)象，通過對(duì)部分已知信息的開發(fā)，提取數(shù)據(jù)內(nèi)部隱含的系統(tǒng)特征，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行規(guī)律的正確認(rèn)識(shí)，在故障預(yù)測(cè)領(lǐng)域具有很好的發(fā)展前景[11]。

現(xiàn)針對(duì)電力電子電路級(jí)故障預(yù)測(cè)，提出了粒子群非齊次灰色系統(tǒng)模型PSO-NGM(particle swarm optimization non-homogenous grey model)的電力電子電路故障預(yù)測(cè)新方法，其基本思想為：優(yōu)選電路級(jí)故障特征性能參數(shù)，利用PSO-NGM模型預(yù)測(cè)所選特征性能參數(shù)，實(shí)現(xiàn)電力電子電路的故障預(yù)測(cè)。

1 電力電子電路故障預(yù)測(cè)方法

1.1 特征性能參數(shù)提取

要實(shí)現(xiàn)電力電子電路的故障預(yù)測(cè)，首先必須優(yōu)選合適的電路故障性能特征參數(shù)。對(duì)于不同的電路，需要根據(jù)電路的功能和結(jié)構(gòu)特點(diǎn)，確定能夠反映電路健康狀態(tài)的特征性能參數(shù)。以圖1所示非理想情況下的Buck-Boost電路為例，分析電力電子電路故障特征性能參數(shù)提取過程。

圖1 非理想情況下Buck-Boost主電路的原理圖

在圖1中，對(duì)Buck-Boost電路的特性分析假設(shè)：1)不計(jì)功率開關(guān)管的寄生電容，設(shè)其導(dǎo)通電阻為Ron，關(guān)斷電阻為無窮大；2)二極管結(jié)電容影響不計(jì)，正向壓降為VF，正向?qū)娮铻镽F，關(guān)斷電阻無窮大；3)忽略電感寄生電容的影響，其等效串聯(lián)電阻為RL；4)電容等效串聯(lián)電阻為ESR。

a) 特征性能參數(shù)的選擇

Buck-Boost電路的功能是實(shí)現(xiàn)DC-DC的升降壓轉(zhuǎn)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(dòng)。一般Buck-Boost電路輸出電壓的直流值、紋波值都在一定波動(dòng)范圍內(nèi)，才能滿足電路輸出要求。因此，Buck-Boost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(biāo)準(zhǔn)。據(jù)此分析，可監(jiān)測(cè)電路輸出電壓，提取輸出平均電壓及紋波電壓作為電路故障特征性能參數(shù)，對(duì)電路的健康狀態(tài)進(jìn)行評(píng)估。

b) 特征性能參數(shù)的計(jì)算

1) 輸出電壓平均值。根據(jù)均值定理，以穩(wěn)態(tài)時(shí)電路輸出電壓uo為監(jiān)測(cè)變量，進(jìn)行采樣，得到電壓波形數(shù)據(jù)，由式(1)可求得輸出電壓平均值Uo，其中：N為采樣點(diǎn)數(shù)，uo(i)為電路輸出電壓的第i個(gè)采樣點(diǎn)。

(1)

2) 紋波電壓。紋波電壓是指輸出電壓的交流分量，可以用有效值或峰值表示。選擇峰-峰值表示紋波的大小。監(jiān)測(cè)穩(wěn)態(tài)時(shí)電路輸出電壓，得到輸出電壓的波形數(shù)據(jù)，提取其最大、最小值，兩者之差即為紋波電壓的峰-峰值△u。

1.2PSO-NGM預(yù)測(cè)模型

(2)

其中：v，C1，C2，C3，C4為待定系數(shù)。

1) 初始化過程

包括粒子群的個(gè)數(shù)；最大迭代次數(shù)；最大權(quán)值；最小權(quán)值；最大速度；粒子初始位置和初始速度的設(shè)置。這里粒子即待估參數(shù)v。

2) 數(shù)據(jù)累加過程

記原始數(shù)據(jù)序列X(0)為非負(fù)序列：

其中：x(0)(k)≥0,k=1,2,…,n

待預(yù)測(cè)的第n+1期，第n+2期，…的值為：x(0)(n+1),x(0)(n+2),…

原始數(shù)據(jù)進(jìn)行1-AGO(一次累加)生成的序列為X(1)：

3) 參數(shù)C1，C2，C3，C4的求解過程

得到最優(yōu)粒子v的值后，令：

(3)

應(yīng)用最小二乘法可求得參數(shù)C1，C2，C3，C4的估計(jì)值:

(4)

4) 數(shù)據(jù)還原過程

將計(jì)算得到的v，C1，C2，C3，C4帶入式(2)，通過累減還原得到原始數(shù)據(jù)序列的預(yù)測(cè)值為：

(5)

5) 粒子速度和位置更新過程

適應(yīng)度函數(shù)選取訓(xùn)練數(shù)據(jù)模擬值與實(shí)際值的誤差和，每次循環(huán)對(duì)所有粒子得到的誤差和比較，求取全局最優(yōu)粒子和最小誤差和，結(jié)合下式修改粒子的速度和位置：

vij(t+1)=wvij(t)+c1×rand()×(pbestij-xij(t))+

c2×rand()×(gbestj-xij(t))

(6)

xij(t+1)=xij(t)+vij(t+1)

(7)

式中：pbestij，gbestj分別代表疊代過程中找到的粒子最優(yōu)解和種群最優(yōu)解，rand()是(0,1)范圍內(nèi)的隨機(jī)數(shù);c1，c2為粒子加速度常數(shù)；w表示慣性權(quán)重。在PSO迭代過程中w值一般根據(jù)不同時(shí)刻粒子的情況進(jìn)行動(dòng)態(tài)調(diào)整。一般取：

w=(wmax-wmin)[(tmax-t)/tmax]+wmin

(8)

其中，wmax、wmin分別為最大、最小慣性權(quán)重；tmax為最大迭代次數(shù)。

1.3 電力電子電路故障預(yù)測(cè)

確定電路故障特征性能參數(shù)，獲得歷史及當(dāng)前時(shí)刻故障特征性能參數(shù)數(shù)據(jù)，利用PSO-NGM預(yù)測(cè)算法對(duì)該數(shù)據(jù)進(jìn)行建模，獲得故障特征性能參數(shù)變化趨勢(shì)模型，預(yù)測(cè)未來時(shí)刻故障特征性能參數(shù)值，對(duì)該值進(jìn)行分析便可實(shí)現(xiàn)對(duì)電力電子電路的故障預(yù)測(cè)。

電力電子電路進(jìn)行故障預(yù)測(cè)實(shí)現(xiàn)流程如圖2所示。

圖2 PSO-NGM預(yù)測(cè)算法流程圖

具體步驟為：

1) 根據(jù)電路各元器件緩變型故障，設(shè)定器件參數(shù)隨時(shí)間的變化趨勢(shì)。時(shí)間點(diǎn)間隔選取依據(jù)電路實(shí)際工作環(huán)境(溫度、振動(dòng)等)的惡劣程度確定，可以為間隔1h,5h,24h等；

2) 選取某時(shí)刻各元器件參數(shù)值設(shè)置電路進(jìn)行仿真；

3) 選取電路適當(dāng)?shù)谋O(jiān)測(cè)信號(hào)，如電路中某電壓、電流等信號(hào)，監(jiān)測(cè)并獲取該監(jiān)測(cè)信號(hào)的波形數(shù)據(jù)；

4) 根據(jù)監(jiān)測(cè)信號(hào)與故障特征性能參數(shù)之間的關(guān)系，計(jì)算電路故障特征性能參數(shù)；

5) 重復(fù)上述過程，獲取若干歷史時(shí)刻點(diǎn)電路故障特征性能參數(shù)值，作為PSO-NGM預(yù)測(cè)模型的訓(xùn)練樣本；

6) 利用PSO-NGM模型對(duì)未來時(shí)刻電路故障特征性能參數(shù)進(jìn)行預(yù)測(cè)；

7) 對(duì)電路故障特征性能參數(shù)預(yù)測(cè)結(jié)果進(jìn)行分析，實(shí)現(xiàn)電力電子電路的故障預(yù)測(cè)。

2 故障預(yù)測(cè)實(shí)例及實(shí)驗(yàn)結(jié)果分析

以圖1所示Buck-Boost電路為例，首先，根據(jù)各元器件在不同時(shí)刻的參數(shù)值逐次設(shè)置電路，使用Pspice軟件動(dòng)態(tài)仿真，選擇電路的輸出電壓uo作為監(jiān)測(cè)信號(hào)并獲取穩(wěn)態(tài)時(shí)的波形數(shù)據(jù)；然后，在Matlab7.6環(huán)境下編程計(jì)算各時(shí)刻對(duì)應(yīng)輸出電壓平均值及紋波值作為電路的故障特征性能參數(shù)數(shù)據(jù)；最后，應(yīng)用PSO-NGM模型對(duì)輸出電壓進(jìn)行預(yù)測(cè)，將預(yù)測(cè)值與故障閥值比較，從而預(yù)測(cè)Buck-Boost電路未來某一時(shí)刻是否會(huì)發(fā)生故障。故障預(yù)測(cè)流程如圖3所示。

圖3 故障預(yù)測(cè)流程

2.1Buck-Boost電路元器件參數(shù)變化及特征參數(shù)數(shù)據(jù)分析

根據(jù)各元器件參數(shù)的緩變故障及其變化趨勢(shì)，設(shè)定電路各元器件參數(shù)(包括電解電容器C和ESR、電感值L、電感內(nèi)阻RL、功率MOSFET導(dǎo)通電阻Ron、二極管內(nèi)阻RF)隨時(shí)間變化如表1所示，時(shí)間間隔為5h。

根據(jù)表1所列元器件參數(shù)，設(shè)置Buck-Boost電路，監(jiān)測(cè)輸出電壓，利用輸出電壓波形數(shù)據(jù)及前文所提計(jì)算方法得到各時(shí)刻電路的輸出平均電壓及紋波電壓如表2所示。

表1 Buck-Boost電路元器件參數(shù)變化

表2 特征性能參數(shù)數(shù)據(jù) v

2.2PSO-NGM預(yù)測(cè)結(jié)果及故障分析

1) 特征性能參數(shù)預(yù)測(cè)結(jié)果

選擇表2中1到9個(gè)時(shí)刻點(diǎn)為訓(xùn)練樣本，對(duì)PSO-NGM模型進(jìn)行訓(xùn)練，然后對(duì)未來6個(gè)時(shí)刻點(diǎn)輸出電壓進(jìn)行預(yù)測(cè)。

表3給出了各點(diǎn)預(yù)測(cè)結(jié)果及相對(duì)誤差。由表3中數(shù)據(jù)可知，利用PSO-NGM模型對(duì)Buck-Boost電路輸出平均電壓和紋波輸出紋波電壓預(yù)測(cè)相對(duì)誤差較小，而且適合中長(zhǎng)期預(yù)測(cè)。圖4和圖5展示了應(yīng)用PSO-NGM模型與GM模型對(duì)輸出電壓均值和紋波值的對(duì)比效果圖。

表3 PSO-NGM模型對(duì)輸出電壓均值的預(yù)測(cè)值和實(shí)際值對(duì)比

圖5 PSO-NGM模型和GM模型對(duì)輸出 電壓紋波的預(yù)測(cè)結(jié)果

2) Buck-Boost電路故障預(yù)測(cè)

選擇輸出平均電壓和紋波電壓作為Buck-Boost電路的特征性能參數(shù)，若能確定電路發(fā)生故障時(shí)特征參數(shù)的閥值，根據(jù)此值，便可對(duì)任何時(shí)刻電路的健康狀態(tài)情況進(jìn)行評(píng)估。

通過對(duì)電路元器件參數(shù)及工作溫度對(duì)電路輸出的影響分析，設(shè)定當(dāng)輸出電壓平均值偏離理想輸出電壓0.4 V或輸出電壓紋波值>0.3 V時(shí)，電路性能不能滿足負(fù)載需求，即認(rèn)定電路發(fā)生故障。本電路正常工作輸出平均電壓為-5.838 1 V，紋波值0.137 2 V，由表3中PSO-NGM模型對(duì)電路未來6個(gè)時(shí)刻點(diǎn)的輸出電壓預(yù)測(cè)結(jié)果看出，該模型能夠成功預(yù)測(cè)在未來第5個(gè)時(shí)刻之后電壓均值和紋波值不滿足要求，與實(shí)際情況一致。從圖4和圖5可以看出原始的GM模型并不能完成對(duì)電路輸出電壓故障的預(yù)測(cè)。

3 結(jié)論

對(duì)電力電子電路故障預(yù)測(cè)技術(shù)進(jìn)行了研究，將電力電子電路級(jí)故障特征性能參數(shù)與PSO-NGM模型相結(jié)合實(shí)現(xiàn)了電力電子電路級(jí)故障預(yù)測(cè)。文中以典型電路Buck-Boost電路為例進(jìn)行了實(shí)驗(yàn)驗(yàn)證，證明了所提模型的有效性和可行性。所提預(yù)測(cè)思想能夠推廣應(yīng)用于其他電力電子電路，其關(guān)鍵在于確定不同的電力電子電路對(duì)應(yīng)的電路級(jí)故障特征性能參數(shù)。

[1] 楊蔭福, 段善旭, 朝澤云. 電力電子裝置及系統(tǒng)[M]. 北京:清華大學(xué)出版社,2006.

[2] Wu W，Hu J，Zhang J. Prognostics of Machine Health Condition using an Improved ARIMA-based Prediction method[C]:IEEE，2007:1062-1067.

[3] 李瑞瑩, 康銳. 基于ARMA模型的故障率預(yù)測(cè)方法研究[J]. 系統(tǒng)工程與電子技術(shù)，2008，30(008):1588-1591.

[4] Yang G，Wu X. Fault prediction of ship machinery based on gray neural network model[C]:IEEE,2007:1063-1066.

[5] Goebel KSaha B, Saxena A，et al. Prognostics in battery health management[J]. Instrumentation & Measurement Magazine，IEEE,2008，11(4):33-40.

[6] 唐陽山, 方媛, 白艷, 等. 基于蟻群算法的交通出行生成預(yù)測(cè)方法的研究及應(yīng)用[J]. 遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，(02):108-110.

[7] Wang Q，Zhang S，Kang R. Research of small samples avionics prognostics based on Support Vector Machine[C]，Prognostics and System Health Management Conference (PHM-Shenzhen)，2011，(11):1-5.

[8] Gu J，Vichare N，Ayyub B，et al. Application of Grey Prediction Model for Failure Prognostics of Electronics[J]. International Journal of Performability Engineering，2010,6(5):435.

[9] Camci F. System Maintenance Scheduling With Prognostics Information Using Genetic Algorithm[J]. Reliability, IEEE Transactions on，2009，58(3):539-552.

[10] Liu J，Wang W，Ma F. A regularized auxiliary particle filtering approach for system state estimation and battery life prediction[J]. Smart Materials and Structures，2011，20:075021.

[11] 崔杰, 黨耀國, 劉思峰. 一種新的灰色預(yù)測(cè)模型及其建模機(jī)理[J]. 控制與決策,2009,(11):1702-1706.

Research on Fault Prediction Method of Power Electronic Circuits Based on ParticleSwarm Optimization Non-homogenous Grey Model

ZHU Baolin, CHEN Zewang, JIA Yuntao

(Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

Aiming at the issue existing in the fault prediction technique of power electronic circuits, this paper proposes that the characteristic parameter data is used with the particle swarm optimization non-homogenous grey model(PSO-NGM) to predict the power electronic circuits failure. The Buck-Boost converter circuit is taken as an example to predict its failure，The output voltage is selected as monitoring signal and the average voltage and ripple voltage are extracted as characteristic parameters， then the PSO-NGM algorithm is used to predict Buck-Boost converter circuit. The experimental results show that using the PSO-NGM algorithm to predict the average voltage and ripple voltage, its error is smaller. The new method can be used to trace the characteristic parameter trend and predic the failure of power electronic circuits effectively.

power electronic circuits; fault prediction; characteristic parameter; particle swarm optimization non-homogenous grey model

朱寶琳(1988-)，男，江西九江人，碩士研究生，研究方向?yàn)殡娏﹄娮与娐饭收项A(yù)測(cè)。

TP206+.3

B

1671-5276(2015)05-0155-04

2014-02-24